Sistemas baseados em conhecimentos: aplicações: tendências e implicações: um estudo exploratório em empresas brasileiras

Página de Avaliação

.-.

.' ':;'}

-".~ Í'

. .I"' ",

SISTEMAS BASEADOS EM CONHECIMENTOS:

APLICAÇÕES, TENDÊNCIAS E IMPLICAÇÕES

- UM ESTUDO EXPLORATÓRIO EM EMPRESAS BRASll..EIRAS

Orientador: Prof. Dr. Norberto Antonio Torres

Banca examinadora:

Professor:

---Professor:

---Professor:

FGV-EAESP

ELIZA HITOMI FUKUSIDGUE MlHAGUTI

SISTEMAS BASEADOS EM CONHECIMENTOS:

APUCAÇÕES, TENDÊNCIAS E IMPLICAÇÕES

- UM ESTUDO EXPLORATÓRIO

EM EMPRESAS BRASTI..EIRAS

Dissertação apresentada no Curso de

Pós-Graduação da EAESPIFGV como

requisito para obtenção do título de

Mestre em Administração de Empresas.

Área de Concentração: Produção e

Sistemas de Informações.

Orientador: Prof. Dr. NORBERTO A. TORRES

SÃO PAULO

1996

.~ Fundação Getulio Vargas .

Esc.ola de Administração

FG V de Empresas de sao Paulo

. Biblioteca

de Pós-Graduação da EAESPIFGV, Área de Concentração: Produção e Sistemas de Informações).

Resumo:

Os sistemas baseados em conhecimento estão conquistando espaço entre as tecnologias de

informação à medida que o hardware se desenvolve. No ambiente de acirrada competitividade

presente nas empresas, esta tecnologia vem apoiá-Ias estrategicamente na agilização,

principalmente, do processo decisório e na solução de diversos problemas considerados

complexos. Este estudo faz uma investigação das aplicações potenciais da tecnologia de sistemas

baseados em conhecimento - ou sistemas .especialistas, como comumente conhecidos -,

examinando também as tendências da tecnologia e os impactos e implicações organizacionais provocados quando de sua implementação nas empresas. Um estudo exploratório em empresas brasileiras é acrescido ao perfil de uso e tendências dos sistemas baseados em conhecimento no âmbito nacional.

Pa/avras-chaves: Sistemas Especialistas, Sistemas Baseados em Conhecimento, Aplicações,

Tendências, Implicações, Impactos, Estudo Exploratório, Pesquisa de Campo

,

.

: \ , I

\'

sUMÁRIO.... . .iii

CAP.I -APRESENTAÇÃO 1

1.1IN1RODUÇÃO 2

1.2OBJETIVOS DO ESTUDO 2

1.3JUSTIFICATIVA 3

CAP.2 -CONCEITUAÇÃO DOS SISTEMAS ESPECIALISTAS OU BASEADOS EM

CONliECIMENTO 4

2.1 IN1'ELIGÊNCIA ARTIFICIAL ~ 4

2.1.1 EVOLUÇÃO 4

2.1.2 DEFINIÇÔES 5

2.2 SISTEMAS ESPECIALISTAS OU BASEADOS EM CONHECIMENTO - UM BREVE

mSTÓRICO 7

2.3 SISTEMAS ESPECIALISTAS E SISTEMAS BASEADOS EM CONHECIMENTO 11

2.4 CONCEITOS BÁSICOS 13

2.5 O QUE DIFERENCIA OS SISTEMAS ESPECIALISTAS DOS CONVENCIONAIS 15

2.6 ARQUITETURA 00 SISTEMA ESPECIALISTA 16

2.7 BASE DE CONHECIMENTOS - REPRESENTAÇÃO DO CONHECIMENTO 18

2.7.1 LóGICA 18

2.7.1.1 LóGICA PROPOSICIONAL 19

2.7.1.2 LóGICA DE PREDICADOS 23

2.7.2 REDES SEMÂNTlCAS 24

2.7.3 OBJETO-A TRIBUTO-VALOR 25

2.7.4 ROTEIROS 26

2.7.5 REGRAS DE PRODUÇÃO 28

2.7.6 ENQUADRAMENTOS 29

2.7.7 I-lÍBRIOO 31

2.8 MECANISMO DE INFERÊNCIA 32

2.8.1 RACIOCÍNIO LóGICO 33

2.8.2 INFERÊNCIA COM REGRAS: ENCADEAMENTO PARA FRENTE E PARA TRÁS 34

2.8.2.1 ENCADEAMENTO PARA TRÁs 34

2.8.2.2 ENCADEAMENTO PARA FRENTE 35

2.8.3 BUSCA EM PROFUNDIDADE E BUSCA EM AMPLITUDE .37

CAP.3 - APLICAÇÕES EM POTENCIAL 39

3.1 CA1"EGORIAS DE APLICAÇÕES : 39

3.2 ABORDAGENS GERAIS E CARACTERÍSTICAS PARA ESCOLHA DE UMA

APLICAÇÃO 41

3.3 BENEFÍCIOS DOS SIS1"EMAS BASEADOS EM CONHECIMENTO 57

3.4CHECllIS1'S 61

3.5 APLICAÇÕES ~ 67

3.5.1 APLICAÇÕES DE SBC NO BRASIL 78

3.5.1.1 APLICAÇÕES DIVERSAS 79

3.5.1.2 APLICAÇÕES NA ÁREA DE PETRÓLEO 88

3.5.1.3 APLICAÇÕES NA ÁREA FINANCEIRA 94

CAP. 4 - IMPACTOS E IMPLICAÇÕES ORGANIZACIONAIS ; 96

4.1 PANORAMA 96

4.2 UMA VISÃO GERAL DOS IMPACTOS E IMPLICAÇÕES 98

4.2.1 IMPACTOS E IMPLICAÇÕES ORGANIZACIONAIS 98

4.2.2 IMPACTOS E IMPLICAÇÕES SOCIAIS 105

4.3 IMPACTOS DOS SBC NO PROCESSO DECISÓRIO 106

4.3.1 DIMENSÕES DA TOMADA DE DECISÃO 106

4.3.2 IMPACTOS DOS SBC NA TOMADA DE DECISÃO 108

4.4 EXEMPLO REAL DE IMPACTOS E IMPLICAÇÕES CAUSADOS POR UM SBC 111

4.5 ANTEVER E PREPARAR-SE PARA OS IMPACTOS DOS SBC 113

4.6 MINIMIZAR IMPACTOS ENVOLVENDO O HOMEM NO DESENVOLVIMENTO DO SBC 116

4.7 ESTUDO DE CASO 119

4.7.1 O PROBLEMA 120

4.7.2 MULTIDIMENSÔES DA ACEITAÇÃO DO usuÁRIO 121

4.7.3 OS PARTICIPANTES 121

4.7.4 A QUESTÃO DA RESPONSABILIDADE E APOIO 122

4.7.5 A QUESTÃO DA REPRESENTAÇÃO DO CONHECIMENTO 122

4.7.6 A QUESTÃO ORGANIZACIONAL 123

4.7.7 A QUESTÃO DA COMPREENSÃO DO usuÁRIO 124

4.7.8 CONCLUSÃO DO ESTUDO DE CASO 124

CAP.5 TENDÊNCIAS DA TECNOLOGIA DE SISTEMAS ESPECIALISTAS OU

BASEADOS EM CONlIECIMENTO 125

5,·1 'fENDÊNCIAS DA IA 125

5.2 'fENDÊNCIAS DOS SBC 128

5.3 SEGUNDA GERAÇÃO DE SE .r •••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••• 132

5.3.2.2 MÚL11PLOS MÉTODOS 134

5.3.3 A ABORDAGEM NO NÍVEL DO CONHECIMENTO 135

5.3.3.10 NÍVEL DO CONHECIMENTO 135

5.3.4 SEGUNDA GERAÇÃO DOS SElSBC - BENEFÍCIOS 136

5.3.4.1 AQUISIÇÃO DO CONHECIMENTO 136

5.3;4.2 EXPLANAÇÕES 136

5.3.4.3 REUTILIZAÇÃO 137

5.3.5. CONCLUSÕES " 138

5.4 METODOLOGIA KADS 139

5.4.1 mSTÓRICO 139

5.4.2 OBJETIVOS, ESCOPO E PRINCÍPIOS 140

5.4.3 O CONJUNTO DE MODELOS 140

5.4.4 O ARCABOUÇO PARA O MODELO DE PERÍCIA 142

5.51"ENDÊNCIAS PESSIMISTAS 143

5.61ENDÊNCIAS E ESTADO-DA-ARTE NO JAPÃO 145

CAP.6 - PESQUISA DE CAMPO EM EMPRESAS BRASILEIRAS 147

6.1 METODOLOGIA 147

6.2 RETORNO DA PESQUISA 150

6.3 PERFIL DOS RESPONDEN'TES 150

6.3.1 PESQUISA 150

6.3.2 PERFn.. DA AMOSTRA 151

6.3.3 QUEM UTILIZA E QUEM NÃO UTILIZA SBC 154

6.3.3.1 PERFIL DOS RESPONDEN'TES QUE NÃO UTILIZAM SE OU SBC 155

6.~.3.2 PERFIL DOS RESPONDEN'TES QUE UTILIZAM SE OU SBC 157

6.4 ANÁLISE DAS EMPRESAS OUE UTILIZAM SE OU SBC 158

6.4.1 BLOCO 1 - USO DE SISTEMAS ESPECIALISTAS 158

6.4.1.1 ESTÁGIOS DE DESENVOLVIMENTO DE SE OU SBC 158

6.4.1.2 CATEGORIAS DE SE 164

6.4.1.3 RAZÕES PARA O USO DE SE 170

6.4.2 BLOCO 2 - DESENVOLVIMENTO DE SE 172

6.4.2.1 METODOLOGIAS 172

6.4.2.2 FERRAMENTAS 174

6.4.2.3 REPRESENTAÇÃO DO CONHECIMENTO - PORTE DO SBC 176

6.4.2.4 INTERLIGAÇÃO DOS SE COM OUTROS SISTEMAS 177

6.4.3 BLOCO 3 - PROBLEMAS, LIMITAÇÕES E FATORES DE SUCESSO 178

FRACASSARAM 180

6.4.3.3 FATORES

csrncos

DE SUCESSO (FCS) 182

6.4.4 BLOCO 4 - IMPACTOS E IMPLICAÇÕES ORGANIZACIONAIS 184

6.4.5 BLOCO 5 - FUTlJRO DOS SE l86

6.5 EMPRESAS QUE NÃO UTILIZAM SE OU SBC 188

6.5.1 MOTIVOS PELOS QUAIS AS EMPRESAS NÃO UTILIZAM SE 188

6.5.2 EMPRESAS QUE JÁ UTILIZARAM SE OU SBC, MAS HOJE NÃO UTILIZAM 190

6.5.4 FUTlJRO DOS SE 191

6.6 LIMITAÇÕES DA PESQUISA : 191

CAP.7 - CONCLUSÕES 193

7.1 APLICAÇÕES EM P01"ENCIAL 193

7.2 IMPACTOS E IMPLICAÇÕES ORGANIZACIONAIS 195

7.3 TENDÊNCIAS DOS SBC 196

7.4 PESQUISA DE CAMPO EM EMPRESAS BRASILEIRAS 196

7.5 RECOMENDAÇÕES 198

CAP.8 - BffiLIOGRAFIA 199

ANEXO 1 aplicações ffiM

ANEXO 2-A... cartas às empresas

ANEXO 2-B questionário da pesquisa

ANEXO 2-C. . relatório da pesquisa

Ao professor Norberto Antonio Torres, por sua amizade, atenção e sugestões, que orientaram a condução deste estudo.

Ao amigo e incentivador José Marcelo de Lima Pinto.

Ao amigo Paulo Sérgio Ramos

(in memorian),

presidente da CIASP (Comunidade de Inteligência Artificial de São Paulo), por seu apoio e interesse, decisivos para a realização da pesquisa naquela comunidade.

À

diretoria e aos membros da CIASP, por sua participação e incentivo na divulgação dos resultados deste estudo. Agradeço ao atual presidente da CIASP, sr. Pedro Luiz Padial.

Às seguintes instituições, que permitiram a divulgação das conclusões deste estudo: SUCESU, na COMDEX-SUCESU South America 94, CIASP, no

xvn

Encontro da CIASP, COPPElUFRJ, no curso de pós-graduação na área de sistemas de informações da COPPE-SistemasIUFRJ, NORWEGIAN ARTIFICIAL INTELLIGENCE SOCIETY (NAIS), no The International Conference on Artificial Intelligence in the Petroleum Industry (Norway).

À London Business School, University of London, onde pude viver uma experiência inesquecível, que contribuiu de maneira marcante para meu desenvolvimento profissional.

À

Petrobrás - Petróleo Brasileiro S.A., por conceder-me esta inestimável realização, acreditando e investindo na minha pessoa.

Ao meu marido Mauro Koji, que, apesar de estar envolvido com a sua própria dissertação, teve tempo para apoiar-me e incentivar-me em todos os momentos.

Às minhas queridas filhas Vivian Harumi e Fátima Yukari, por sua imensa compreensão, perdoando-me por tantos momentos de ausência.

Aos meus pais, Mario e Nair, por sua eterna dedicação, apoio e amor.

Às minhas irmãs, sobrinhas e demais familiares, pelo incentivo.

A todos os amigos, pelo apoio, carinho e contribuições.

CAP.1 -APRESENTAÇÃO

1.1 INTRODUÇÃO

Em 1984, os pesquisadores do Massachussets Institute of Technology (MI1) iniciavam uma pesquisa sobre os impactos, nas empresas, das tecnologias de informação, que reestruturavam companhias, indústrias e mercados, criavam ganhadores e perdedores e atuavam como vantagem competitiva [YOU89].

Em 1990, um dos aclamados pensadores sociais da atualidade, Alvin Tofler, publicava seu terceiro livro sobre as tendências mundiais - Powershift: mudanças de poder [TOF90] -, no qual concluía que as mudanças de poder estavam sendo provocadas por uma variável-chave, o conhecimento,

anna poderosa com os avanços tecnológicos das tecnologias de informação. Para Tofler, conhecimento significa "informação que foi submetida a um processo de refinamento para se tomar afirmações mais gerais" ou, em um sentido mais amplo, "informações, dados, imagens e imaginação, bem como atitudes, valores e outros produtos simbólicos da sociedade, sejam eles 'verdadeiros', 'aproximados' ou mesmo 'falsos' "[TOF90].

o

conhecimento assume o poder pela tecnologia de informação, derrubando hierarquias, substituindo o trabalho manual e o próprio capital. Exemplificando: quando um alto executivo de uma empresa necessita de uma informação do pessoal de linha, não procura mais a média gerência para reportar-lhe todos os acontecimentos, mas sim o sistema de informações computadorizado; dispensando-se essa média gerência, temos o achatamento da hierarquia Trabalhos manuais estão sendo substituídos por robôs, sistemas infonnatizados e automação industrial ou de escritório. Quanto ao capital, temos a substituição da própria moeda por pulsos eletrônicos quando um "cartão inteligente" passa por uma máquina registradora, ou quando a informação substitui o estoque, e a redução de custo passa a ser um capital não gasto.

A informação que flui dessas tecnologias irá transformar todos os nossos sistemas de produção e distribuição, criando imensos vácuos de poder que grupos e instituições inteiramente novos já estão correndo para preencher [TOF90]. Assim, como afirmado pelos pesquisadores do MIT, as tecnologias de informação passam a atuar como vantagem competitiva, ou melhor, necessidade competitiva.

Entre as tecnologias de informação, a inteligência artificial apresenta-se como de grande relevância no tratamento de problemas pouco estruturados, caracteristicos em questões estratégicas das empresas e que constituem as necessidades atuais das organizações.

A inteligência artificial divide-se em diversas áreas, mas são os sistemas especialistas ou

baseados em conhecimento a sua área de maior uso e impacto comercial nos últimos anos.

Ossistemas especiaUstas ou baseados em conhecimento têm emergido como um dos recursos que

doenças, na localização de depósitos minerais, na configuração de equipamentos de computador complexos, além de apoiar atividades na advocacia, na agricultura e na área militar.

1.2 OBJETIVOS

DO

ESTUDO

Este estudo possui três objetivos: a) auxiliar a identificar as aplicações potenciais de sistemas

especialistas ou baseados em conhecimento (SEI SBC), exibindo exemplos de aplicações em uso

ou em desenvolvimento; b) identificar possíveis implicações e impactos organizacionais provocados pelo uso dos SBC; c) verificar as tendências dos SBC.

Pretendemos, com os. resultados deste estudo, apoiar as organizações que iniciam ou já utilizam os SBC na identificação de aplicações adequadas ao desenvolvimento com o uso da tecnologia, na redução e/ou identificação das resistências organizacionais provocadas pela implantação e uso desses sistemas e no planejamento das atividades de informática das organizações a partir da análise de tendências dos SBC.

Uma pesquisa exploratória em empresas brasileiras foi incluída, a fim de consolidar as informações bibliográficas e possibilitar o conhecimento da realidade brasileira e suas tendências no campo da tecnologia dos SBC.

1.3 JUSTIFICATIVA

As empresas buscam a cada dia maneiras inovadoras de diferenciar-se e vantagem competitiva sustentável diante das constantes mudanças externas e do ambiente de competitividade acirrada. As tecnologias da informação têm-se mostrado um dos meios de adquirir vantagem competitiva com relação àconcorrência.

Uma das áreas da tecnologia da informação que têm apoiado de maneira estratégica as empresas nos últimos anos, principalmente no que tange ao processo decisório, éa inteligência artificial e em especial sua subárea, ossistemas baseados em conhecimento.

A inteligência artificial divide-se em quatro grandes áreas: linguagem natural, percepção,

aprendizagem esistemas especialistasou baseados em conhecimento. A princípio, a decisão por concentrar este estudo nos sistemas baseados em conhecimento decorreu do crescente uso dessa tecnologia na administração de empresas, em especial no apoio à tomada de decisões [P1fl90), aliado ao fato de ela ter alcançado grande uso e impacto comercial nos últimos anos.

Durante a revisão bibliográfica verifiquei, ainda, que estudos de campo no Brasil sobre o assunto são raros. Pode ser citada a pesquisa de Hoppen e Antunes [HOP90a] e de Aranha [ARA91].

CAP.2 - CONCEITUAÇÃO DOS SISTEMAS ESPECIALISTAS OU BASEADOS EM CONHECIMENTO

Segundo Feigenbaum [in HAR88], os sistemas especialistas são ''programas inteligentes de computador que usam conhecimento e procedimentos inferenciais para resolver problemas que são bastante dificeis de forma a requererem, para sua solução, muita perícia humana",

Feigenbaum ainda esclarece que "o conhecimento necessário para atuar a esse nível mais os procedimentos inferenciais empregados são um modelo de perícia dos melhores profissionais de um determinado ramo. O conhecimento de um sistema especialista consiste em fatos e heurísticas. Os fatos constituem um corpo de informações que é largamente compartilhado, publicamente disponível e geralmente aceito pelos especialistas em um campo. As heurísticas são em sua maioria privadas, regras pouco discutidas de bom discernimento, que caracterizam a tomada de decisão a nível do especialista na área. O nível de desempenho de um sistema especialista é função principalmente do tamanho e da qualidade do banco de conhecimentos que possui".

Hayes-Roth et alii [HAY83] diriam ainda que "a área dos sistemas especialistas investiga métodos e técnicas para a construção de sistemas de computador para a solução de problemas de uma determinada especialidade..."

Hoppen e Trahand [HOP90b] afirmam que os sistemas especialistas propõem-se a reproduzir e explorar o conhecimento fornecido por especialistas em áreas ou problemas delimitados, contribuindo para a normatização e difusão desses conhecimentos nas empresas.

Podemos dizer, então, que o sistema especialista pode "raciocinar" baseando-se não apenas em . conhecimentos factuais, mas também em conhecimentos envolvendo incertezas e em observações fundamentadas na experiência e na intuição, - o que chamamos de heurística. -, levando à solução de um problema Rauch-Hindin [RAU86] adverte, porém, que os sistemas especialistas não são capazes de solucionar problemas que o próprio homem não é capaz de formular,

Os sistemas especialistas ou baseados em conhecimento compõem uma das áreas de estudo da

tnteligência artificial; assim, a fim de situar este tema, iniciaremos este capítulo com uma breve

descrição do histórico dainteligência artificial e os seus ramos de estudo.

2.1 INTELIGÊNCIA ARTIFICIAL

2.1.1 EVOLUÇÃO

Em 1956, a conferência ocorrida no Darmouth College, da qual participaram Marvin Minsky e John McCarthy, de Darmouth, Nathaniel Rochester, da IBM, e Claude Shannon, da Bell Laboratories, dava origem ao termo inteligência artificial (lA) e lançava o primeiro programa de computador em IA, chamado Logic Theorist.

o

programa Logic Theorist foi produto de um trabalho de vários anos, iniciado no Camegie Institute of Technology (hoje Camegie-Mellow) por Herbert Simon e Alan Newell. O Logic Theorist tentava provar teoremas matemáticos. Nessa mesma época, Samuel [SAM63] desenvolveu um programa para jogar damas que melhorava o desempenho com a experiência adquirida nas jogadas. Em seguida, Simon, Newell e lC. Shaw, da Rand Corporation, desenvolviam o General Problem Solver (GPS), para solucionar problemas gerais, mas que foi aplicado apenas em problemas simples.

As pesquisas em inteligência artificial continuaram, juntamente com os avanços em hardware,

cada vez maiores, o que permitiu a gradativa migração das aplicações em IA dos laboratórios para o mercado consumidor.

2.1.2 DEFINIÇÕES

Apesar de não existir uma definição formal adotada por todos os autores, podemos dizer que

inteligência artificial é um subgrupo da ciência da computação composto por técnicas voltadas ao desenvolvimento de sistemas para solucionar, preferencialmente, problemas simbólicos em vez de numéricos [RAU86], simulando o raciocínio humano [CHA85, MEI88]. Ou, de uma forma geral, mas muito versátil, enunciada por Rich, "inteligência artificial é o estudo de como fazer os computadores realizarem tarefas em que, no momento, as pessoas são melhores" [RlC88].

Problemas simbólicos são problemas da vida diária que, em vez de lidar com números, lidam com conceitos simbólicos. Nomes de objetos e atributos são símbolos. Assim, os sistemas em IA conseguem interpretar símbolos como: "tigre", "tulipa", "vermelha", "diamante" e suas relações. Por exemplo: 'lodos os tigres são mamíferos", "todos os diamantes são jóias, mas nem toda a jóia é um diamante".

Como os sistemas em IA lidam com símbolos, o resultado que fornecem também é simbólico e não numérico, ou seja, através de análises, opiniões e recomendações.

A inteligência artificial divide-se em três grandes áreas [HAR88, RAU86] (fig.2.1):

- linguagem natural: preocupa-se com a comunicação homem-máquina, desenvolvendo a capacidade do computador de compreender a linguagem humana e responder de forma natural ao homem;

- percepção: o uso da visão, sinais auditivos e toque para instruir computadores ou robôs;

Alguns autores [McL90, RIC88] relacionam uma quarta área de estudo de IA:

- aprendizagem: habilidade do computador de adquirir conhecimento além daquele que já possui em sua memória.

INTELIGÊNCIA ARTIFICIAL

I

LINGUAGEM

NATURAL

SISTEMAS

ESPECIALISTAS

PERCEPÇÃO APRENDIZAGEM

Fig.2.1 Áreas de estudo da inteligência artificial.

Na área da linguagem natural, temos dois objetivos principais: facilitar o desenvolvimento de programas de computador em que a linguagem natural pennita que o programador ou usuário com conhecimento superficial possa desenvolver a sua aplicação sem prévio treinamento intensivo em determinada linguagem de computador, e permitir uma maior interação entre o homem e o programa. O sistema especialista MYCIN, para diagnósticos médicos, por exemplo, comunica-se com o seu usuário, explicando o porquê de suas decisões, opiniões ou argumentos.

A área dapercepção tem como objetivo que o computador identifique uma imagem, um som, uma textura. Os estudos desta área baseiam-se na divisão do objeto proposto, seja uma foto, seja um som, em pequenos pedaços. O processo de análise passa por cinco estágios: 1. digitalização: dividir a entrada contínua em pedaços discretos; 2. suavização: eliminar grandes variações ocorridas na entrada; 3. segmentação: agrupar os pequenos pedaços produzidos pela digitalização em pedaços maiores, correspondentes a componentes lógicos do sinal; 4. rotulagem: identificar cada um dos segmentos; 5. análise: reunir todos os segmentos rotulados para formar um objeto coerente [RIC88].

2.2 SISTEMAS ESPECIALISTAS OU BASEADOS EM CONHECIMENTO - UM BREVE mSTÓRICO

No final dos anos 60, com a criação da "inteligência artificial", as pesquisas se concentravam em solucionadores genéricos, isto é, na tentativa de criar uma máquina "pensante" baseada no ser humano. O objetivo era, num sentido amplo, proporcionar raciocínio ao computador. Contudo, o que se conseguiu foram métodos genéricos de solução de problemas, com infindáveis limitações, que só serviam para solucionar problemas muito simples.

A impossibilidade de criar um solucionador geral de problemas desviou as pesquisas para áreas específicas. Nos anos 70, concentraram-se nas técnicas de representação do conhecimento (como formular o problema de modo a facilitar sua solução) e na busca de respostas de forma otimizada (como controlar eficientemente a busca de soluções e atingi-las com rapidez, sem despender tanta memória do computador) [WAT86].

Mas o grandeinsightocorreu no final da década de 70. Em 1977, na International Joint Conference on Artificial Intelligence, Feigenbaum apresentou a "alma" do que viria a ser o sistema especialista: "o poder de um sistema especialista deriva do conhecimento que ele possui, e não do seu formalismo particular e esquemas de inferência empregados" [in HAY83]. Essa afirmação foi um ponto de ruptura, um novo paradigma que surgia para clarear o caminho dos pesquisadores. Constatou-se, nesse momento, que havia sido uma ingenuidade dos pesquisadores, no primeiro período da inteligência artificial, acreditar que umas poucas leis de raciocínio, acopladas em um potente computador, produziriam um superdesempenho [HAY83].

Ainda nessa década de 70 vários sistemas especialistas começaram a surgir: o clássico sistema MYCIN, da Universidade de Stanford, e o CADUCEUS, da Universidade de Carnegie-Mellon, ambos sistemas especialistas para diagnóstico médico; o PROSPECTOR, também da Stanford, sistema especialista para auxílio na prospecção de poços de petróleo; o HEARSAY 11, da Camegie-Mellon, sistema especialista que entende a fala, com um vocabulário de 1000 palavras.

Nos anos 80, cresce o interesse sobre o assunto e uma intensa bibliografia é colocada nas livrarias, resultado do estudo de um grande número de acadêmicos e pesquisadores. Livros sobre como construir sistemas especialistas, como realizar a aquisição de conhecimentos, quais as possíveis representações de conhecimentos foram lançados. E, além da sólida literatura vinda do respeitado meio acadêmico, surgiu também a literatura comercial, que exaltava as aplicações dos sistemas especialistas .

Nesse período, com a intensa publicidade, os sistemas especialistas ganharam o ambiente empresarial e se apresentaram como a tecnologia que surgia para provocar uma revolução econômica nas organizações.

Quais as razões que levaram às limitações do sucesso e crescimento dos sistemas especialistas nas empresas?

1. Overselling da tecnologia.

Em primeiro lugar, podemos dizer que se vendeu mais do que se tinha em mãos. Houve um

overselling da tecnologia. A tecnologia não usufruía de suporte dehardware esoftware, de modo

a sustentar o desenvolvimento de um sistema especialista de sucesso, a baixos custos e alto desempenho, como desejado pelos empresários. Ou seja, os custos envolvidos no desenvolvimento dos sistemas eram altos e os retornos intangíveis.

2. A maneira como a tecnologia foi trazida dos laboratórios de inteligência artificial (IA).

A tecnologia dos sistemas especialistas foi apresentada como uma tecnologia à parte, que envolvia conceitos e linguagens complexos e era apropriada ao desenvolvimento do sistema isolado(stand alone), não se integrando ao restante das tecnologias de informação disponíveis.

3. Integração com outras tecnologias de informação.

No desenvolvimento da tecnologia de sistemas especialistas, não houve a preocupação com sua integração às tecnologias de informação já disponíveis, como os bancos de dados. Essa dificuldade abrangia desde as conexões fisicas até as interfaces lógicas. As soluções paliativas que se encontravam demandavam tempo e altos custos financeiros, como hardware dedicado e

software customizado. Em alguns casos, o software de comunicação era muito maior que o

sistema especialista [GLU92].

4. As ferramentas existentes não eram eficientes.

Os primeirosshells e sistemas especialistas desenvolvidos exigiam o uso dehardware dedicado para que pudessem processar com desempenho satisfatório, constituindo dessa forma sistemas custosos para as empresas.

Apesar desse declínio do interesse por sistemas especialistas no ambiente empresarial, as pesquisas continuaram. As empresas de software começaram a investir no estudo de ferramentas que oferecessem ambientes integrados de desenvolvimento. Na Europa, o projeto ESPRIT investia em pesquisas de metodologias para o desenvolvimento de sistemas especialistas, que contemplassem todo o ambiente de tecnologias de informação das organizações.

No Brasil, todos esses momentos foram vividos em um espaço de tempo menor, pois, como sabemos, em geral as tecnologias chegam aqui com alguns anos de defasagem. As primeiras aplicações ocorreram por volta de 86 e 87, época em que os sistemas especialistas "explodiam" no exterior. A área médica e a industrial foram as pioneiras. Na área industrial, o grande impulso veio com a ffiM, que, nesse periodo do boom internacional, incentivou empresas brasileiras a usar a tecnologia de sistemas especialistas.

No Brasil, além das limitações que causaram impacto nos países da Europa, nos EUA e no Japão, esse declínio decorreu de questões envolvendo a conjuntura do momento:

1. Emergência de outras tecnologias de informação.

No início dos anos 90 o microcomputador revolucionava todo o mercado de informática. Investir em computadores de baixo custo e alto desempenho, que, além disso, prometiam a integração das organizações via rede de microcomputadores, era muito mais atraente que investir em tecnologia vinda da inteligência artificial - os sistemas especialistas. A empresa brasileira ABC (nome fictício), nesse período, iniciou o desvio de toda a equipe que atuava na área de inteligência artificial e desenvolvimento de sistemas especialistas para o estudo e implementação de redes de microcomputadores.

2. Conjuntura econômica nacional.

O Brasil vivia uma de suas maiores críses econômicas. As empresas cortavam seus investimentos e reduziam seus custos. Nesse contexto, a tecnologia de sistemas especialistas não era prioritária, tratando-se de uma tecnologia de ponta. Portanto, foi uma das primeiras a sentir os cortes dos investimentos empresariais. Várias empresas entrevistadas sofreram e vêm sofrendo no decorrer desses anos cortes de pessoal na área de informática, reduzindo suas equipes de modo geral. Os poucos funcionários que permanecem, em geral os que atuavam com as tecnologias de ponta, pois são os mais eficientes, são obrigados a realizar a manutenção dos sistemas transacionais da organização, ou seja, cuidar dos problemas do dia-a-dia da organização, não havendo tempo para investir em novos estudos ou novas tecnologias, como é o caso de sistemas especialistas.

E hoje, como está a tecnologia de sistemas especialistas ou sistemas baseados em conhecimento ?

Apesar de todas as dificuldades enfrentadas, a tecnologia de sistemas especialistas ressurge como uma tecnologia amadurecida, atual e promissora, oferecendo suas potencialidades, de forma realista, sem promessas exageradas, como uma tecnologia potente capaz de atender às necessidades competitivas das organizações.

As limitações da década passada estão sendo solucionadas, os shells mais recentes já oferecem ambientes de desenvolvimento integrado, permitindo o acesso a bancos de dados e interface gráfica; os microcomputadores, as estações de trabalho, hoje bastante potentes, permitem o processamento dos sistemas especialistas dispensando as máquinas dedicadas. Já se fala em inteligência artificial distribuída. A metodologia KADS para o desenvolvimento de sistemas especialistas vem formando uma base sólida para a modelagem das aplicações complexas às quais se dedica a tecnologia; e a integração de sistemas especialistas com outras tecnologias toma impulso, seja por meio dos chamados sistemas híbridos, seja por meio dos sistemas especialistas embutidos em sistemas de informações maiores. Vivemos um momento de transição em que os sistemas especialistas renascem amadurecidos, mostrando-se não mais uma tecnologia à parte, mas lado a lado com as outras tecnologias de informação.

tecnologia de sistemas especialistas vem evoluindo em paralelo às demais tecnologias de informação (TI). Observe, porém, que esta figura apresenta uma relação bastante "genérica", apenas com o objetivo de situar o leitor no que diz respeito às relações existentes entre a tecnologia de SE e as demais TI. Os SE caminham para a integração cada vez maior com as demais TI, usufruindo os avanços do hardware e do software e viabilizando com maior ênfase a sua aplicação, para o que faz uso de microcomputadores potentes, capazes de processar sistemas especialistas com grande quantidade de conhecimentos e interfaces gráficas amigáveis para comunicação com os usuários do sistema. A tendência é de integração total no uso das tecnologias de informação objetivando a solução dos problemas.

Evoluçao

1960 1970 1980 1990

E V

o

L U

ç

A

o

/

Processame to centralizado

Uso geral

1950 1960 1970

Multimldia Redes

Y

TECNOLO IAS

DE

.B' /

INFOR AçAO

. ULSI '

8

8

~

St\ells ambie tes integrados Redes neura s

1980 1990 2000

Fig. 2.3 Evolução das tecnologias de informação (baseado em [MEI88]).

2.3 SISTEMAS ESPECIALISTAS E SISTEMAS BASEADOS EM CONHECIMENTO

Muitos autores utilizam a expressão "sistemas baseados em conhecimento" referindo-se aos sistemas especialistas. Epistemologicamente falando, os sistemas especialistas diferem dos sistemas baseados em conhecimento, estando os primeiros inseridos no segundo.

dúvidas mais comuns entre os usuários, e, ao surgir uma dúvida mais específica, o atendimento é passado ao especialista (fig. 2.4).

SISTEMAS EM Exibem comportamento

inteligente pela aplicação

INTELIGÊNCIA ARTIFICIAL habilidosa da heurlstica.

SISTEMAS BASEADOS _{Torna o conhecimento} EM CONHECIMENTO do domlnio explicito,

separando-o do restante do sistema.

SISTEMAS ESPECIALISTAS

Aplica o conhecimento do especialista na resolução dos problemas complexos do mundo real.

Fig. 2.4 Os sistemas especialistas são sistemas baseados em conhecimento [WAT86].

Apesar da conceituação mais específica de sistemas especialistas, alguns autores, entre eles Rauch-Hindin [RAU86], preferem dizer que os sistemas especialistas .não se aplicam para explicitar apenas os conhecimentos de um especialista em particular, mas sim qualquer gargalo de conhecimento que a empresa possua. Os gargalos do conhecimento, conforme definidos por Rauch-Hindin, seriam: qualquer conhecimento escasso na empresa, como o conhecimento em mãos de especialistas; conhecimento mal distribuído; conhecimento disseminado para um número muito grande de pessoas, tomando-se disperso e perdendo sua confiabilidade (fig. 2.5).

GARGALOS DO CONHECIMENTO

r--Especialistas

Conhecimento escasso

-Conhecimento disseminado em demasia

Conhecimento disponivel não confiável

"--Fig. 2.5 Gargalos do conhecimento - focos de aplicações de sistemas especialistas [RAU86].

Na prática, sentimos não existir rigor na diferenciação entre sistemas especialistas e sistemas baseados em conhecimento, de modo que, no decorrer deste trabalho, usaremos os dois termos indistintamente, utilizando algumas vezes a abreviação SE para sistemas especialistas e SBC para sistemas baseados em conhecimento.

2.4 CONCEITOS BÁSICOS

Iniciando O estudo de sistemas especialistas, apresentamos alguns conceitos básicos referentes ao tema [TUR92], [HAR88], [RAU86], [JOH83], [WAT86].

ESPECIALIDADE

Especialidade é o conhecimento adquirido através da experiência, do treinamento, da leitura, da vivência. Os seguintes tipos de conhecimento são exemplos do que a especialidade inclui:

- fatos sobre a área problema;

- teorias sobre a área problema;

- regras e procedimentos a respeito da área problema;

- estratégias globais para a solução desse tipo de problema;

• meta-conhecimento (conhecimento sobre o conhecimento).

Esse tipo de conhecimento permite aos especialistas tomar melhores e mais rápidas decisões do que os não-especialistas na solução de problemas complexos. Em geral, leva-se um longo tempo, muitos anos, para tomar-se um especialista, e um novato 'só se tomará um especialista gradualmente.

ESPECIALISTAS

Segundo Paul E. Johnson [JOH83], um cientista que passou muitos anos estudando o comportamento de especialistas, um especialista é :

cc••• uma pessoa que, devido ao seu treinamento e experiência, é capaz de fazer coisas que os demais não conseguem; especialistas não são apenas proficientes, mas também eficientes em suas ações. Os especialistas conhecem uma grande quantidade de coisas e possuem artificios e atalhos para aplicar o que eles sabem para solucionar problemas e tarefas; eles também são bons em garimpar entre informações irrelevantes, encontrando os pontos-chave das questões, e também são bons no reconhecimento dos problemas que enfrentam, baseando-se naqueles com os quais estão familiarizados...".

90 100

60 70 80

30 40 50

10 20

Seniores % Juniores

Fig. 2.6 Distribuição de especialidade: percentual de sucesso atingido por cada 10% (Fonte: in [TUR92], p.80).

TRANSFERÊNCIA DE ESPECIALIDADE

O objetivo de um sistema especialista é transferir a especialidade de um especialista para outras pessoas, não-especialistas, através de um computador. Esse processo envolve quatro atividades: aquisição de conhecimento (de especialistas ou outras fontes), representação do conhecimento (no computador), inferência do conhecimento e transferência para o usuário. Dois tipos de conhecimentos se distinguem: declarativo (refere-se aos objetos e fatos ligados ao domínio do problema) e procedimental (usualmente regras, refere-se a 'tarefas, procedimentos, no processo de transformação de um estado inicial para o :final).

INFERÊNCIA

Trata-se de caracteristica única dos sistemas especialistas. Os sistemas especialistas são capazes de "raciocinar", ou seja, inferir as soluções dos problemas utilizando o conhecimento que possuem armazenado.

ENGENHEIRO DO CONHECIMENTO

2.5 O QUE DIFERENCIA OS SISTEMAS ESPECIALISTAS DOS CONVENCIONAIS

As características e habilidades dos sistemas especialistas os diferenciam dos sistemas convencionais. Consideramos que a grande distinção entre a programação simbólica (sistemas especialistas) e a programação convencional (sistemas convencionais) reside no fato de que os sistemas convencionais automatizam tarefas operacionais, manuais, repetitivas. Os indivíduos que as exerciam anteriormente não tinham necessidade de pensar ou raciocinar em demasia sobre suas atividades, mas apenas de assimilar a rotina e executá-la. Os programas convencionais são utilizados para realizar essas rotinas no lugar do homem, com o beneficio da velocidade e da precisão, além de outros. Em contrapartida, os sistemas especialistas não automatizam tarefas rotineiras, repetitivas, mas 'sim tarefas que anteriormente exigiam a participação efetiva de um especialista e cuja execução dependia de raciocinio, decisão e da aplicação da experiência do especialista envolvido.

Luconi [LUC86] afinna que

" ... a importância real dos sistemas especialistas reside na habilidade destes sistemas em aproveitar e :fazer uso de nosso recurso mais escasso: o talento e a experiência de membros-chave da organização. Existem beneficios consideráveis em extrair a experiência do especialista e tomá-la disponível para aqueles na organização que conhecem menos o assunto em questão".

Na tabela 2.1, descrevemos as principais distinções entre sistemas convencionais e sistemas especialistas ou baseados em conhecimento.

Sistemas Convencionais Sistemas Especialistas

O processo de execução acontece passo a O processo de execução realiza-se por meio passo, por meio de algoritmos. de lógica, baseado em heuristicas.

As informações e seu processamento estão A base de conhecimentos énitidamente inseridos em um único corpo programático. separada do processamento (mecanismo de

inferência).

Os programas são exatos e programados de O programa pode errar, suas conclusões não forma a não errar. são 100% exatas, pois pode basear-se em

dados incertos, portanto fornecer respostas contendo também graus de incertezas. Precisa das informações completas de Pode entrar em operação e gerar resultados, entrada para entrar em operação. mesmo com os dados incompletos ou

incertos.

Representação e uso de dados (informações). Representação e uso de conhecimentos. Manipulação de dados quantitativos. Manipulação de dados qualitativos.

Explicação de suas ações impossível no meio Explicação de suas ações possível no meio da execução. Processamento seqüencial. da execução. Processamento interativo. Captura, amplia e distribui acesso a dados, Captura, amplia e distribui acesso a

informações. julgamentos e conhecimento.

Tab. 2.1 Comparação entre sistemas convencionais e sistemas especialistas

Observa-se que os objetivos de ambos diferem e que os focos de aplicação são diferentes, o que não impede, no entanto, que um grande sistema possua ambos os tipos de subsistemas convencionais e especialistas integrados.

A literatura ainda coloca como diferencial a manutenção desses dois tipos de sistemas, dizendo que os sistemas convencionais têm uma manutenção tediosa, enquanto nos sistemas especialistas a manutenção é fácil de se realizar [TUR92]. No entanto, esse ponto é polêmico, visto que outros autores [ZWI93] afirmam que a manutenção dos sistemas especialistas não é tão fácil quanto se declara e que, pelo contrário, pode ser mais dificil, pois deve ser contínua.

2.6 ARQUITETURA DO SISTEMA ESPECIALISTA

Os sistemas especialistas diferem dos convencionais até mesmo em sua arquitetura. Os autores descrevem a arquitetura dos especialistas e seus componentes de formas diferentes uns dos outros, alguns considerando o subsistema de explicação, outros incluindo características do desenvolvimento do sistema. Entretanto, de maneira geral, os fundamentos não se alteram [RAU86], [WAT86], [HAR88], [McL90], [MEI94], [HAY83]. Consideramos a arquitetura esquematizada na figura 2.7 bastante completa e nela nos baseamos para a descrição das partes que compõem o sistema especialista ou sistema baseado em conhecimento.

Subsistema de

EXPLICAÇÃO

'"

MECANISMO DE INFER~NCIA

BASE DE ~'n!!!fe~rê~nc~ia~C;:!;0:.rl!nti!'!iro~'e~/~__ 71,,"CONHECIMENTC~ INTERFACE

COM USUÁRIO

ng.Conhecimento ~1f.1/ ~~JEspecialista

1

MEMÓRIA DE

TRABALHO

Fatos Regras

Usuário

Fig. 2.7 Componentes de um sistema especialista ou baseado em conhecimento.

Em seguida temos uma breve descrição de cada um dos componentes do sistema especialista.

BASE DE CONHECIMENTOS

(b) heurísticas ou regras, que descrevem como esses fatos se relacionam logicamente. A informação da base de conhecimentos é incorporada no sistema de computador através de um processo chamado representação do conhecimento, que veremos mais adiante.

MECANISMO DE INFERÊNCIA

O "cérebro" do sistema especialista é o mecanismo de inferência; é ele que "raciocina". O mecanismo de inferência contém as estratégias de inferência e controle que um especialista usa quando manipula os fatos e as regras no processo de busca da solução de um problema

Por meio das estratégias de inferência serão tiradas as conclusões a respeito de um determinado fato, verificando se ele é válido ou não. Esse raciocínio ainda permite que se trabalhe com incertezas, ou seja, écapaz de manipular informações incompletas.

O controle fornecerá a direção e o sentido a ser navegado pelo mecanismo de inferência de modo a encontrar a solução do problema, resolvendo, ainda, os conflitos que ocorram quando surgirem linhas alternativas de raciocínio.

INTERFACE COM O

ususmo

Interface éo meio de comunicação entre o usuário e o sistema especialista. Essa comunicação pode ser realizada através de linguagem natural, menus, gráficos ou interfaces customizadas.

SUBSISTEMA DE EXPLICAÇÃO

O subsistema de explicação explicita ao usuário como o sistema especialista (SE) chegou a determinadas conclusões, explicando o comportamento do SE, respondendo interativamente a perguntas do tipo:

• Por que uma determinada pergunta foi feita pelo SE?

• Como uma determinada conclusão foi alcançada?

• Por que uma determinada alternativa foi rejeitada?

• Qual éo plano para se alcançar a solução? [TUR92]

MEMÓRIA DE TRABALHO

A memória de trabalho armazena a descrição do problema atual e os resultados intermediários, como hipóteses e decisões.

2.7 BASE DE CONHECIMENTOS - REPRESENTAÇÃO DO CONHECIMENTO

Como vimos, na base de conhecimentos fica armazenado todo o conhecimento referente a um determinado domínio a ser tratado pelo sistema especialista.

o

conhecimento armazenado é representado através dosfatos que descrevem o domínio e das

regras que interligam os fatos de maneira lógica. Esse conhecimento pode ser organizado de várias

formas, como ocorre com os bancos de dados, que podem ser hierárquicos, relacionais ou em redes. Essa variedade de formas de organização do conhecimento chamamos de representações do conhecimento.

No decorrer dos anos, houve uma intensa dedicação ao estudo das formas de representação do conhecimento. Como o nosso objetivo neste estudo não é o de aprofundanno-nos nas características técnicas do tema sistemas especialistas ou baseados em conhecimento, e porque existem inúmeras formas de representar o conhecimento, o que por si só forma um estudo à parte, este capítulo servirá objetivamente como introdução ao assunto. Para os que desejam se aprofundar sobre modelos de representação do conhecimento, suas vantagens e desvantagens, ver [TUR92], [HAR88], [WAT86] e [ZAN93], nos quais nos baseamos.

Não é necessário que se utilize uma única forma de representação do conhecimento na construção de SBC. Na realidade, o conhecimento do domínio em foco pode ser representado de várias formas, Em pesquisa que complementa este estudo (ver capítulo 6), verificamos que as formas mais comuns de representação do conhecimento nas empresas brasileiras são as regras, seguidas pela combinação de regrascomframes (enquadramentos).

Vamos explorar as formas típicas de representação do conhecimento: lógica, redes semânticas,

frames (enquadramentos), objeto-atributo-valor, roteiros, regras de produção e híbrido.

2.7.1 LÓGICA

Talvez a forma mais antiga de representação do conhecimento seja a lógica. A lógica é considerada uma subdivisão da filosofia, e o seu desenvolvimento e refinamento é creditado aos antigos gregos.

Entradas

,

_"

Saldas Premissas

-<

Processo ( Inferências

ou

<

Lógico ( ou

Fatos

<

( Conclusões

/ /

Fig. 2.8 O raciocínio lógico.

O processo lógico é realizado pelo computador através da chamada matemática lógica. As duas formas mais usadas são: lógica proposicional e lógica de predicados.

2.7.1.1 LÓGICA PROPOSICIONAL

Uma proposição nada mais é que uma declaração que pode ser verdadeira ou falsa. Uma vez que saibamos que ela é verdadeira, ela passa a ser uma premissa que pode gerar novas proposições ou inferências. Regras são usadas para determinar se uma nova proposição é falsa ou verdadeira.

Na lógica proposicional, utilizam-se letras para representar as proposições, premissas e conclusões. Assim, se uma proposição X for verdadeira e outra proposição Y for verdadeira, então a afirmação "X EY" será verdadeira. Já se urna das proposições, X ~u Y, for falsa, a afirmação "X E Y" será falsa. Por exemplo:

X:

O caminhão de lixo passa àsterças e sábados. Y: Hoj e é terça.

Conclusão: X E Y: O caminhão de lixo passará.

Ou

X: O caminhão de lixo passa àsterças e sábados.

Y: Hoje é segunda.

Conclusão: X E Y: O caminhão de lixo não passará.

As diversas proposições são combinadas através de conectivos lógicos, que são os mesmos da álgebra booleana: E, OU, NÃO , IMPLICA e EQUIVALENTE (tab. 2.2). De fato, como as proposições lógicas envolvem somente a veracidade ou falsidade das proposições, a álgebra booleana e todas as suas técnicas de análise podem ser usadas na lógica proposicional.

Conectivos Símbolos

E /\,&,í'a

OU v,+,u

NÃO

-,

,

-IMPLICA ~,~

EQUIVALENTE

-Tab. 2.2 Conectivos lógicos e seus símbolos.

Alguns exemplos do uso dos conectivos lógicos.

A

=

Pedro tem febre.

NÃO A

=

Pedro não tem febre.

Quando A é verdadeira, NÃO A é falsa, e, se A é falsa, NÃO A é verdadeira, como mostra a tabela-verdade (tab. 2.3).

A NÁOA

V

F

F

V

Tab. 2.3 Tabela-verdade de NÃO .

. O conectivo E é usado para combinar duas proposições. O resultado das duas proposições é

verdadeiro somente se as duas proposições originárias forem verdadeiras.

B

=

Ocaminhão de lixo passa às terças. C

=

Hoje éterça.

D

=

Ocaminhão de lixo passará hoje.

D

=

B

E

C

=

O caminhão de lixo passará hoje, SE o caminhão de lixo passa às terças E hoje é

terça.

B C D

V V V

V F F

F V F

F F F

D só é verdadeiro se ambas as proposições originárias B ~ C forem verdadeiras também. No caso de uma delas não ser verdadeira, Dserá falsa.

No caso do conectivo OU, a nova proposição será verdadeira se uma das duas proposições originais for verdadeira. Veja o exemplo do circuito elétrico abaixo:

I=corrente elétrica

I

Fig.2.9 Exemplo de circuito elétrico.

F

=

Existe corrente elétrica passando em A. G

=

Existe corrente elétrica passando em B.

H

=

Existe corrente elétrica passando em C.

H

=

F OU G

=

Existe corrente elétrica passando em C, SE existe corrente elétrica passando em A OU

existe corrente elétrica passando em B.

F G H

V V V

V F V

F V V

F F F

Tab. 2.5 Tabela-verdade de OU.

Quando F é verdadeira, ou G é verdadeira, ou ambas são verdadeiras, então H é verdadeira.

F G H

V V F

V F V

F V V

F F F

Tab. 2.6 Tabela-verdade de OU EXCLUSIVO.

Exemplo

Suponhamos o seguinte circuito elétrico:

y / __ ---1

___ ...J

X /_----.

I=corrente elétrica

Fig.2.10 Exemplo de circuito elétrico.

Se:

X

=

A chave X está fechada.

Y

=

A chave Y está fechada.

Z

=

O amperímetro mede corrente igual a I.

Quando X e Y forem verdadeiras, Z será falsa, pois o amperímetro medirá 21.

Quando X e Y forem falsas, Z será falsa, pois o amperímetro medirá zero.

Somente quando X for verdadeiro e Y for falso, ou X for falso e Y for verdadeiro, é que Z será verdadeiro, pois o amperímetro medirá I. Ternos assim o OU EXCLUSIVO.

IMPLICA

O conectivo IMPLICA significa que, se a proposição A é verdadeira, então a proposição B também é verdadeira.

A

=

O carro está sem gasolina.

c

=A IMPLICA B

A B C

V V V

V F F

F V V

F F V

Tab. 2.7 Tabela-verdade IMPLICA.

Mas, a melhor forma de entender o conectivo IMPLICA é entender que C é verdadeiro quando A é falso OU B é verdadeiro, o que logicamente pode ser expressado por C=NÃO A OU B.

Com o uso dessas funções, podemos representar as várias proposições e suas relações, derivando as conclusões. Assim, a lógica proposicional pode lidar com uma variedade de premissas. Contudo, só manipula declarações verdadeiras ou falsas, sendo, portanto, limitada para representar o conhecimento do mundo real.

2.7.1.2 LÓGICA DE PREDICADOS

Devido às limitações da lógica proposicional, a inteligência artificial faz mais uso da lógica de predicados, mais flexível.

A lógica de predicados é uma extensão da lógica proposicional, representando, porém, o conhecimento de forma mais detalhada. Ela também é conhecida como lógica de primeira ordem.

Nesse tipo de lógica, uma proposição é quebrada em duas partes: os argumentos (ou objetos) e o predicado (ou asserção).

Exemplo

A proposição "Paulo é um homem" é escrita no formalismo da lógica do predicado como:

Homem(paulo)

Homem( ) é o predicado, enquanto Paulo é o argumento. Um predicado pode ter um ou mais argumentos. Por exemplo, Filho-de (pedro, Maria), onde Pedro e Maria são argumentos.

2.7.2 REDES SEMÂNTICAS

As redes semânticas constituem também uma das mais antigas representações do conhecimento, e foram desenvolvidas originalmente para uso em modelos psicológicos da memória humana [BRA79].

Uma rede semântica consiste em pontos chamados nós, conectados por ligações chamadas arcos. Osnós representam objetos, fatos ou eventos. Graficamente, são representados por círculos, caixas ovais ou retângulos. Os arcos representam as relações entre os nós, e são representados graficamente por linhas.

Os tipos mais comuns de relações representadas por nós são: É-UM(A), usado freqüentemente para representar ligações de classe (fig.2.1l); TEM-UM(A), ou É-PARTE-DE, que mostra uma relação parte-subparte (fig.2.12).

MEIO DE TRANSPORTE

CARRO

SAVEIRO

Fig. 2.11 Rede semântica simples, representando a relação É-UM.

CARRO

MOTOR

PISTÓES

Uma das características mais interessantes das redes semânticas é exibir as heranças: as várias características dos nós são realmente herdadas por outros nós. Por exemplo (fig.2.13):

Fig. 2.13 Exemplo de rede semântica para a pessoa Pedro.

Como podemos observar, a herança permite concluir que, sendo Pedro um homem, ele tem pernas e braços e, sendo um profissional, possui carteira de trabalho. Dessa forma, não há redundância de informações, o que reduz o espaço para armazenamento e facilita a busca.

Redes semânticas são úteis para representar conhecimentos em domínios que usam taxonomias bem estabelecidas para simplificar as soluções dos problemas. Também foram utilizadas com sucesso em pesquisas de linguagem natural, para representar sentenças complexas expressas em inglês [NOR75].

2.7.30BJETO-ATRIBUTO-VALOR

A tríade objeto-atributo-valor (O-A-V) é uma variação das redes semânticas. Essa estrutura é usada pelo MYCIN, um dos primeiros sistemas especialistas comerciais, que realiza diagnósticos médicos.

Objeto Atributo Valor

Prédio Apartamentos 10,20,30, etc.

Prédio Parede externa pintura, pastilha, etc.

Tulipa Cor vermelha, amarela, etc.

Apartamento Quartos 1,2,3, etc.

Quarto Tamanho 3 x 2m, 4 x 4m, etc.

Tab. 2.8 Representação de itens O-A-V.

As triades objeto-atributo-valor mostram também relacionamentos pelo uso de estruturas do tipo árvore. Elas mostram hierarquias, relacionamentos causais ou ligações de parte com subpartes.

Na figura 2.14 temos a representação gráfica da triade objeto-atributo-valor.

Objeto Atributo Valor Cor

Fig. 2.14 Representação gráfica O-A-V.

2.7.4 ROTEIROS

Os roteiros são estruturas de representação do conhecimento que, em vez de descrever um objeto, descrevem uma seqüência de eventos. Essa seqüência de eventos é um comportamento predefinido baseado em situações familiares.

Um roteiro é útil para prever o que acontecerá em uma situação específica. Mesmo que certos eventos não tenham sido observados, os roteiros permitem que o computador preveja o que acontecerá e quando. Se o sistema especialista ativa o roteiro, perguntas são realizadas e respostas precisas são derivadas com pouco ou nenhum conhecimento de entrada. Os roteiros são formas particularmente úteis de representação do conhecimento, porque existe uma quantidade muito grande de situações e eventos estereotipados que as pessoas utilizam todos os dias.

Os roteiros são compostos das seguintes partes [ZAN93]:

· condições sob as quais o roteiro é ativado;

· objetos presentes no contexto;

· papéis desempenhados pelos participantes do roteiro;

· seqüência seguida pelo roteiro;

· cenário que ocorre enquanto o roteiro é executado;

· resultados da execução do roteiro.

Exemplo do roteiro do posto de gasolina [RAM89]:

Contexto: Ir ao posto de gasolina colocar gasolina no carro.

Objetos: carro, tanque de gasolina, tampa do tanque, bomba de gasolina, medidor da bomba,

gasolina, dinheiro.

Papéis: motorista, empregado do posto, dono do posto.

Precondições: Motorista percebe que o carro precisa de gasolina Motorista precisa de dinheiro.

Resultados: O carro :fica com gasolina.

O motorista :ficacom menos dinheiro.

O dono do posto :fica com mais dinheiro.

Ponto de Vista: do motorista

Cena 1: Entrada no Posto

Motorista vai ao posto.

Se quiser self-service vai à cena 2.

Se quiserfull-service vai à cena 3.

Cena 2:Self-Service

Sai do carro.

Abre a tampa do tanque de gasolina.

Enche o tanque com gasolina da bomba de gasolina.

Fecha a tampa do tanque de gasolina.

Lê o valor a pagar no medidor da bomba de gasolina.

Caminha até o atendente do posto de gasolina.

Vai para. a cena 4.

Cena 3:Full-Service

Espera o atendente do posto chegar até o carro.

Diz ao atendente quanto quer de gasolina.

Espera o atendente colocar gasolina no tanque.

Lê o valor a pagar no medidor da bomba de gasolina. Caminha até o atendente do posto de gasolina.

Vai para. a cena 4.

Cena 4:Pagamento da Gasolina

Paga o atendente do posto de gasolina.

Vai para a cena 5.

Cena 5:Saída do posto de gasolina

Se estiver fora do carro, entra no carro.

Vai embora.

2.7.5 REGRAS DE PRODUÇÃO

A regra de produção é a forma mais usada de representação do conhecimento. É também chamada simplesmente de regra.

As primeiras utilizações das regras em sistemas baseados em conhecimento parecem ter sido realizadas em 1965, por Newell e Simon, na Universidade Carnegie-Mellon, em análises de programas de jogos de xadrez [WIL88]. Foram, depois, usadas em modelação psicológica, por Newell e Simon, em 1972, e em sistemas especialistas, por Buchanan e Feigenbaum, em 1978

[JAC90].

Urna regra é uma declaração condicional que especifica uma ação a ser realizada sob determinada condição. É similar ao SEIENTÃO da programação convencional. Aqui, porém, o número de caminhos que uma condição pode seguir pode ser enorme, incluindo ainda fatores de incerteza, diferentemente dos programas convencionais. Existem sistemas especialistas com 10 mil regras.

Pode-se considerar que as regras são compostas de 4 partes principais:

- SE: especifica as condições que devem ser satisfeitas para disparar a regra;

- ENTÃO: especifica a ação a ser executada quando a condição for satisfeita;

- SENÃO: especifica a ação a ser executada quando a condição não for satisfeita (cláusula opcional);

- DESCONHECIDO: ativada quando a parte SE não pode ser avaliada por falta de informação.

Um exemplo de regras supondo que estamos em um negócio de compra e venda de ouro [TUR92]: ''Regra 1: SE um conflito internacional começa

ENTÃO o preço do ouro sobe Regra 2: SE a taxa de inflação cai

ENTÃO o preço do ouro desce

Regra 3: SE um conflito internacional dura mais que 7 dias e SE é no Oriente Médio

ENTÃO compre ouro"

sistemas. Quando a certeza de uma regra cai abaixo do limite de corte de aceitação, o sistema evita que muitas outras regras sejam consideradas.

2.7.6 ENQUADRAMENTOS

A representação do conhecimento por enquadramentos ou frames (em inglês) foi proposta inicialmente por Marvin Minsky [MIN75]: ''Um enquadramento é uma estrutura para representação de uma classe de objetos ou situações que são típicos de uma categoria". .

Os enquadramentos fornecem uma representação do conhecimento concisa e estruturada de uma maneira natural, e se unem através de hierarquias, proporcionando uma melhor compreensão do relacionamento que existe entre os objetos.

Ao contrário das outras formas de representação, os valores que descrevem um objeto estão agrupados em uma única unidade, chamada enquadramento. Cada enquadramento descreve um objeto. O conhecimento dentro de um enquadramento é dividido em partições (slots). Uma partição pode descrever conhecimento declarativo (tal como a cor do carro) ou conhecimento "procedural" (ativar uma determinada regra se um valor exceder um determinado nível, por exemplo). As capacidades dos enquadramentos estão descritas na tabela 2.9.

Habilidade na documentação clara de informações sobre o modelo de um domínio, como, por exemplo, as máquinas de uma fábrica e os seus atributos

Habilidade relativa de restringir os valores pennitídos que um atributo pode assumir Modularidade de informações, permitindo a facilidade na expansão e manutenção do sistema

Mecanismo que permite a restrição do escopo dos fatos considerados durante o encadeamento para frente ou para trás

Mecanismo que suporta a hereditariedade de informações

Tab. 2.9 Capacidades dos enquadramentos (retirado de [EDM88]).

Um enquadramento é um bloco relativamente grande que contém informações detalhadas em suas partições sobre um determinado objeto, evento, localização, situação ou outro elemento. As partições contêm as características e atributos.

Os enquadramentos normalmente são usados para representar conhecimento estereotipado ou conhecimento referente a experiências bem conhecidas.

Cada partição contém uma ou mais facetas. As facetas, também chamadas de subpartíções, descrevem algum conhecimento ou procedimento sobre o atributo na partição. Podem assumir diversas formas:

• valores: descreve atributos como verde, amarelo, azul de uma partição cor;

• default: esta faceta é utilizada se a partição estiver vazia, isto é, sem qualquer descrição. Por

exemplo, no enquadramento carro um valor default é o número de rodas do carro - quatro. Isso significa que podemos assumir que o carro tem quatro rodas, se não houver nenhum valor especificado;

• faixa: a faixa indica qual o tipo de informação que pode aparecer na partição ( por exemplo, de

-1 a+1);

• se-adicionado: esta faceta contém informações procedimentais. Ela especifica uma ação a ser

ativada quando o valor do atributo for inserido ou atualizado. Essas ligações procedimentais são chamadas demons;

• se-necessário: esta faceta é usada quando não é dado nenhum valor àpartição. Ela é ativada,

tal como a situação da se-adicionado, quando o valor do atributo for requisitado;

• se-removido: funciona da mesma forma que as duas anteriores; porém, é ativada quando o

valor do atributo for removido;

• outros: as partições podem conter enquadramentos, regras, redes semânticas, ou qualquer outro

tipo de informação.

Enquadramento Automóvel Classe: transporte

Nome da fábrica: Volkswagen Origem do fabricante: alemão Modelo: GLS

Tipo do carro: Apolo

Número de portas: 2 (defou/t) Número de rodas: 4 (defoult)

Motor: - Volume da câmara de combustão

=

1,8 litros - Número de cilindros

=

4

Tipo de combustível: gasolina (default) Cor: azul

Tab. 2.10 Enquadramento descrevendo um automóvel

(retirado de [TUR92]).

O enquadramento possui também a característica da herança. O mecanismo de herança ocorre quando uma subclasse herda as características de suas classes hierarquicamente superiores. Isso é possível porque os enquadramentos podem ser organizados de forma hierárquica, como uma árvore, onde os níveis inferiores, geralmente, herdam as características dos enquadramentos posicionados nos níveis superiores. Evita-se, assim, a redundância de informações.

enquadramento-filho pode possuir diferentes partições relativas a diferentes pais. O único enquadramento sem pai é o do topo, que se chama enquadramento-mestre ou raiz (fig.2.15).

frame-1

Revestimento

frame-2

Laminado Decorativo /'

<,

I

é-um _I frame-3

./ r-,

Laminado Decorativo Fosco

I

é-um _I

Fig. 2.15 Hierarquia de enquadramentos descrevendo um revestimento ..

A programação orientada a objetos, bastante difundida atualmente, está estreitamente relacionada com os enquadramentos, pois o paradigma computacional é o mesmo.

2.7.7 HÍBRIDO

O modelo híbrido combina os vários modelos de representação, podendo ainda incluir linguagens e técnicas de programação. É aplicado, em geral, a problemas complexos, impossíveis de ser solucionados com um único modelo.

Turban [TUR92] apresenta quatro fatores que devem ser avaliados em cada tipo de representação do conhecimento:

• naturalidade, uniformidade, fácil entendimento da representação;

• o quanto o conhecimento é explícito (declarativo) ou embutido nos códigos;

• modularidade e flexibilidade da base de conhecimentos;

• eficiência na recuperação do conhecimento e poder heurístico do procedimento de inferência (o poder heurístico é a redução do espaço de procura atingido pelo mecanismo heurístico).

Formas de Vantagens Desvantagens representação do

conhecimento

Regras de produção Sintaxe simples; fácil Dificil para seguir as entendimento; altamente hierarquias; ineficiente em modular (fácil para inserir ou sistemas grandes; nem todo

modificar). conhecimento pode ser

expressado através de regras; pobre na representação de conhecimento descritivo. Redes semânticas Fácil para seguir hierarquias; Os significados ligados aos

fácil para rastrear nós podem ser ambíguos; o associações; flexível. manuseio de exceções é

dificil; dificuldade para programar.

Enquadramentos Poder de expressão; fácil Dificuldade de programar; incluir partições para novas dificuldade para inferir. propriedades e relações; fácil

de incluir informações

default.

Lógica Segurança de que todas e Separação da representação e somente válidas processamento; ineficiente conseqüências foram para grandes conjuntos de afirmadas (precisão); dados; muito lento para bases

completa. de conhecimento extensas.

Tab. 2.11 Vantagens e desvantagens das diferentes representações do conhecimento

(retirado de [TUR92]).

Quando utilizamos várias representações de conhecimento ao mesmo tempo, a uniformidade acaba sendo sacrificada em favor da exploração dos beneficios da múltipla representação do conhecimento - cada uma atenderá a um subconjunto de tarefas.

Uma combinação de representações do conhecimento que se mostrou bem-sucedida foi a de regras com enquadramentos. Na pesquisa de campo realizada em empresas brasileiras, notamos que 10% delas já utilizam esse tipo de sistema híbrido. Outros sistemas híbridos citados em nossa pesquisa pelos respondentes foram as regras combinadas com o raciocínio baseado em casos (Cased-Based Reasoning - CBR) e as redes neuronais com sistemas especialistas.

Algumas ferramentas recentes já usam dois ou mais métodos de representação do conhecimento. É

2.8 MECANISMO DE INFERÊNCIA

Uma vez constituída a base de conhecimentos, é necessano utilizá-la Para utilizar os conhecimentos contidos na base de conhecimentos, de modo a fazer inferências e decidir como resolver um problema em questão, fazemos uso do que chamamos mecanismo de inferência. O mecanismo de inferência é um algoritmo que controla o processo de raciocínio a ser seguido. Nos sistemas baseados em regras, o mecanismo de inferência é também chamado de interpretador de regras.

O mecanismo de inferência é o elemento ativo e dinâmico do sistema. Realiza a combinação entre os fatos e as regras da base de conhecimentos com o conteúdo da memória de trabalho. Através desse processo, novos fatos são gerados a partir de fatos já existentes, inserindo conclusões ou modificando a memória de trabalho. Esses novos fatos são as premissas de novas inferências, até que se chegue a alguma conclusão.

2.8.1 RACIOCÍNIO LÓGICO

Uma das estratégias mais comuns de inferência empregada nos sistemas baseados em conhecimento é a aplicação da regra lógicaMODUS PONENS.

Modus ponens. De acordo com esta lógica, se existe uma regra ''Se A, então B" e se sabemos que A é verdadeiro, então é válido concluir que B também é verdadeiro. Na terminologia lógica teremos:

Ou, em outras palavras, quando descobrimos que as premissas de uma regra são verdadeiras, temos o direito de acreditar nas conclusões. Por exemplo:

A:Énoite de sábado.

B: Nós iremos ao cinema.

A~B: Se é noite de sábado, então nós iremos ao cinema

A primeira premissa apenas afirma que é sábado à noite. A segunda premissa diz que iremos ao cinema. Temos A implica B. Então se ambos (A e A implica B) são verdadeiros, B é verdadeiro. Usandomodus ponens podemos deduzir que B é verdadeiro, isto é, que iremos ao cinema

Resolução. A resolução é uma maneira de descobrir se um novo fato é válido dado um conjunto de afirmações lógicas. Trata-se de um método de prova de teoremas, em que uma seqüência lógica é seguida chegando-se a uma conclusão.

Através do raciocínio lógico, é possível o mecanismo de inferência inferir suas conclusões, modificando ou acrescentando novas informações na memória de trabalho, a fim de atingir a meta. procurada.

2.8.2 INFERÊNCIA COM REGRAS: ENCADEAMENTO PARA FRENTE E PARA TRÁs

A maioria dos mecanismos de inferência dos sistemas baseados em conhecimento utilizam a abordagem

modus ponens.

O interpretador de regras (mecanismo de inferência para o sistema baseado em regras) também faz uso do

modus ponens.

Por exemplo, considerando:

Regra 1: SE o conflito internacional começa,

ENTÃO o preço do petróleo sobe.

Vamos assumir que o sistema baseado em conhecimento sabe que o conflito internacional começou. Essa informação está registrada como um "fato" na memória de trabalho. Isso significa que o lado SE da regra é verdadeiro. Com o uso do

modus ponens,

concluímos que o lado ENTÃO da regra também é verdadeiro.

Essa conclusão é annazenada na memória de trabalho e pode ser usada para satisfazer a premissa de outras regras. As informações para as conclusões de uma determinada regra podem ser buscadas questionando o usuário ou verificando as regras anterionnente concluídas. Testar a premissa de uma regra é um ato simples como o de comparar com padrões, o que realizamos a todo instante em nossas vidas. Comparamos as partes das regras com os valores da memória de trabalho. Esse processo recebe o nome depattern matching; ou seja, emparelhamento de padrões.

Essa busca de emparelhamento de padrões entre os dados da memória de trabalho e as regras pode ser realizada em duas direções: para trás ou para frente. Nesse caminho as regras vão sendo encadeadas. Chamamos essas estratégias de inferência de encadeamento para trás (backward chaining) ou encadeamento para frente(forward chaining).

2.8.2.1 ENCADEAMENTO PARA TRÁS

" '