Introdução à Inteligência
Artificial
Disciplina de Inteligência Artificial
Profa. Huei Diana Lee 2018
O que é Inteligência Artificial (IA)?
Pensamento Percepção Ação
2
Modelos Baseados em
Pensamento Percepção Ação
3
Modelos Baseados em
Pensamento Percepção Ação Podem ser usados para: • Explicar o passado; • Predizer o futuro; • Entender o problema; • “Controlar” o mundo. 4 Modelos Baseados em
Pensamento Percepção Ação
5
Não é suficiente!
Modelos Baseados em
Pensamento Percepção Ação
Representação que Provê Suporte a Modelos Baseados em
Pensamento Percepção Ação
7
O que é Representação?
Representação que Provê Suporte a Modelos Baseados em
Pensamento Percepção Ação
8
Exemplo do Problema de
Travessia do Rio:
Era uma vez um fazendeiro (F) que foi ao mercado e comprou um lobo (L), um carneiro (C) e uma alface (A). No caminho para casa, o fazendeiro chegou à margem de um rio e arrendou um barco. Mas, na travessia do rio por barco, o agricultor poderia levar apenas a si mesmo e uma única de suas compras - o lobo, o carneiro, ou a alface.
Se fossem deixados sozinhos em uma mesma margem, o lobo comeria o carneiro e o carneiro comeria a alface.
O desafio do fazendeiro é atravessar a si mesmo e as suas compras para a margem oposta do rio, deixando cada compra intacta.
Como ele fará isso?
9
https://pt.wikipedia.org/wiki/Problema_do_fazendeiro,_o_lobo,_o_carneiro_e_a_alface
Exemplo do Problema de
Travessia do Rio:
10
Ilustração do livro "Problem Solving Through Recreational Mathematics", 1980 http://mj-matemagia.blogspot.com.br/2013/12/travessias.html
Exemplo do Problema de
Travessia do Rio:
11 F L C A F L C AExemplo do Problema de
Travessia do Rio:
12 F L C A L F A C F L C AExemplo do Problema de
Travessia do Rio:
13 F L C A L F A C F L C AExemplo do Problema de
Travessia do Rio:
14 F L C A L F A C F L C AExemplo do Problema de
Travessia do Rio:
15 https://pt.wikipedia.org/wiki/Problema_do_fazendeiro,_o_lobo,_o_carneiro_e_a_alfaceExemplo do Problema de
Travessia do Rio:
16 https://pt.wikipedia.org/wiki/Problema_do_fazendeiro,_o_lobo,_o_carneiro_e_a_alfaceRestrições Expostas por Representação que Provê Suporte a Modelos Baseados em
Pensamento Percepção Ação
17
Restrições Expostas por Representação que Provê Suporte a Modelos Baseados em
Pensamento Percepção Ação
São fundamentais nas representações.
Restrições Expostas por Representação que Provê Suporte a Modelos Baseados em
Pensamento Percepção Ação
19
Mas nós somos Cientistas da
Computação!
Restrições Expostas por Representação que Provê Suporte a Modelos Baseados em
Pensamento Percepção Ação
20
O que é IA...
Algoritmos Capacitados por Restrições Expostas por Representação que Provê Suporte a Modelos Baseados em
Pensamento Percepção Ação
21 Mais um exemplo... 22
Gerar e Testar
Gerar Testar Falhas 23O Gerador
Não deve ser redundante;
Deve ser capaz de receber informação.
Princípio de
Rumpelstiltskin:
Uma vez que possamos nomear algo, temos o “poder” sobre isso.
Outro exemplo: a
ponta do cadarço.
http://en.wikipedia.org/wiki/Rumpelstiltskin 25
Voltando ao Gerar e Testar
Ideia simples, mas não trivial;
Cuidado com a palavra trivial;
Trivial ≠ Simples;
Simples pode ser poderoso;
Trivial é simples, mas de pouca importância, insignificante;
Ideias complicadas x ideias importantes. 26
Occam
s Razor!
William of Ockham (also Occam; c. 1287 – 1347) http://en.wikipedia.org/wiki/William_of_Ockham 27
O que é IA...
Algoritmos Capacitados por
Restrições Expostas por
Representação que Provê Suporte a Modelos Baseados em
Pensamento Percepção Ação
28
Inteligência
O que é
inteligência?
“Nossas mentes contêm processos que nos capacitam a solucionar problemas que consideramos difíceis. Inteligência é o nome que damos a qualquer um destes processos que ainda não compreendemos”
—Marvin Minsky 29
Sala Chinesa
`
?
!
30 John Searle 1980É Inteligente?
`
?
!
31Teste de Turing
32 http://www.rutherfordjournal.org/article040101.html Alan Turing 1950 “Computing Machinery and Intelligence”Teste de Turing
33 http://www.rutherfordjournal.org/article040101.htmlTeste de Turing
34 http://gizmodo.com/this-is-the-first-computer-in-history-to-have-passed-th-1587780232 https://s3.amazonaws.com/lowres.cartoonstock.com/medical-turing_test-artificial_intelligence-sentience-computers-alan_turing-cman563_low.jpgInteligência
Habilidade de aprender e lidar com situações esperadas e inesperadas;
Habilidade de contemplar, pensar e raciocinar;
Sinônimos: Cérebro; Mente; Senso. Relacionados: Discernimento; Julgamento; Perspicácia; Sabedoria. 35
Inteligência
De aorcdo com uma pqsieusa de uma uinrvesriddae ignlsea, não ipomtra em qaul odrem as lrteas de uma plravaa etãso, a úncia csioa iprotmatne é que a piremria e útmlia lrteas etejasm no lgaur crteo;
O rseto pdoe ser uma ttaol bçguana que vcoê pdoe anida ler sem pobrlmea;
Itso é poqrue nós não lmeos cdaa lrtea isladoa, mas a plravaa cmoo um tdoo.
Deep Blue x Kasparov
(Computador x Homem)
Deep Blue: sistema desenvolvido pela IBM para jogar xadrez, que venceu um campeão humano, Kasparov; Questão:
Kasparov é inteligente?
Deep Blue é inteligente?
Velocidade x Inteligência
Deep Blue utiliza uma grande árvore de busca;Deep Blue examina 2 bilhões de movimentos por segundo;
Assumindo que Kasparov examine 2 movimentos por segundo:
Kasparov é um bilhão de vezes mais “inteligente” que Deep Blue;
Deep Blue venceu Kasparov essencialmente por força bruta.
38
Velocidade x Inteligência
Um algoritmo não-inteligente requer um aumentoexponencial na sua velocidade para um aumento linear em “inteligência”;
Ao invés de melhorias na velocidade, precisamos melhorar o projeto do algoritmo.
39
O que é IA?
O que diferencia inteligência artificial da inteligência natural? 40Natural x Artificial
Artificial: palavra ambígua = fabricado;Sentidos:
Luz artificial X Flor artificial ?
Flor Artificial:
parece ser;
mas realmente não é o que parece ser (artificial = imitação, só aparência.
Luz Artificial:
é luz e ilumina;
é o que parece ser.
41
Inteligência Natural x Artificial
Natural Artificial
Adquire grande qtde de informação externa Usa Sensores (visão, audição, tato, olfato) É Criativa ou tem Imaginação
Aprende por Experiência Retém Dados Detalhados Faz cálculos complexos É adaptável
Usa uma variedade de fontes de informação Transfere informação
Inteligência Natural x Artificial
Natural Artificial
Adquire grande qtde de informação externa Alto Baixo Usa Sensores (visão, audição, tato, olfato)
É Criativa ou tem Imaginação Aprende por Experiência Retém Dados Detalhados Faz cálculos complexos É adaptável
Usa uma variedade de fontes de informação Transfere informação
43
Inteligência Natural x Artificial
Natural Artificial
Adquire grande qtde de informação externa Alto Baixo Usa Sensores (visão, audição, tato, olfato) Alto Baixo É Criativa ou tem Imaginação
Aprende por Experiência Retém Dados Detalhados Faz cálculos complexos É adaptável
Usa uma variedade de fontes de informação Transfere informação
44
Inteligência Natural x Artificial
Natural Artificial
Adquire grande qtde de informação externa Alto Baixo Usa Sensores (visão, audição, tato, olfato) Alto Baixo É Criativa ou tem Imaginação Alto Baixo Aprende por Experiência
Retém Dados Detalhados Faz cálculos complexos É adaptável
Usa uma variedade de fontes de informação Transfere informação
45
Inteligência Natural x Artificial
Natural Artificial
Adquire grande qtde de informação externa Alto Baixo Usa Sensores (visão, audição, tato, olfato) Alto Baixo É Criativa ou tem Imaginação Alto Baixo
Aprende por Experiência Alto Baixo
Retém Dados Detalhados Faz cálculos complexos É adaptável
Usa uma variedade de fontes de informação Transfere informação
46
Inteligência Natural x Artificial
Natural Artificial
Adquire grande qtde de informação externa Alto Baixo Usa Sensores (visão, audição, tato, olfato) Alto Baixo É Criativa ou tem Imaginação Alto Baixo
Aprende por Experiência Alto Baixo
Retém Dados Detalhados Baixo Alto
Faz cálculos complexos É adaptável
Usa uma variedade de fontes de informação Transfere informação
47
Inteligência Natural x Artificial
Natural Artificial
Adquire grande qtde de informação externa Alto Baixo Usa Sensores (visão, audição, tato, olfato) Alto Baixo É Criativa ou tem Imaginação Alto Baixo
Aprende por Experiência Alto Baixo
Retém Dados Detalhados Baixo Alto
Faz cálculos complexos Baixo Alto
É adaptável
Usa uma variedade de fontes de informação Transfere informação
Inteligência Natural x Artificial
Natural Artificial
Adquire grande qtde de informação externa Alto Baixo Usa Sensores (visão, audição, tato, olfato) Alto Baixo É Criativa ou tem Imaginação Alto Baixo
Aprende por Experiência Alto Baixo
Retém Dados Detalhados Baixo Alto
Faz cálculos complexos Baixo Alto
É adaptável Alto Baixo
Usa uma variedade de fontes de informação Transfere informação
49
Inteligência Natural x Artificial
Natural Artificial
Adquire grande qtde de informação externa Alto Baixo Usa Sensores (visão, audição, tato, olfato) Alto Baixo É Criativa ou tem Imaginação Alto Baixo
Aprende por Experiência Alto Baixo
Retém Dados Detalhados Baixo Alto
Faz cálculos complexos Baixo Alto
É adaptável Alto Baixo
Usa uma variedade de fontes de informação Alto Baixo Transfere informação
50
Baixo Alto
Sistema Inteligente
Aprende por experiência;Utiliza conhecimento adquirido (por experiência);
Soluciona problemas na ausência de alguma informação;
Reage rapidamente perante uma nova situação ;
Determina o que é importante;
Raciocina e pensa;
Entende imagens visuais;
Processa e manipula símbolos;
É criativo e imaginativo;
Utiliza heurísticas. 51
O que é IA?
―Uma área de pesquisa que investiga
formas de habilitar o computador a
realizar tarefas nas quais, até o
momento, o ser humano tem um
melhor desempenho
‖.
- Elaine Rich -
52
Definições Adicionais
Conjunto de técnicas para a construção de máquinas “inteligentes”, capazes de resolver problemas que requerem inteligência humana
(Nilsson);
Ramo da Ciência da Computação dedicado à automação de comportamento inteligente
(Luger & Stubble);
Tecnologia de processamento de informação que envolve processos de raciocínio, aprendizado e percepção (Winston).
53
Inteligência Artificial
IA tem como objetivo entender e construir sistemas inteligentes;
Motivação
Aprender mais sobre nós mesmos;
Sistemas de IA são interessantes e úteis;
Como é possível para um cérebro lento e pequeno (biológico ou eletrônico) perceber, entender, predizer e manipular um mundo muito maior e mais complicado que ele mesmo?
Definições de IA: 4 categorias
Sistemas que
pensam
como humanos
Sistemas que
pensam
racionalmente
Sistemas que
atuam
como humanos
Sistemas que
atuam
racionalmente
55 Raciocínio ComportamentoDefinições de IA: 4 Categorias
Sistemas que
pensam
como humanos
Sistemas que
pensam
racionalmente
Sistemas que
atuam
como humanos
Sistemas que
atuam
racionalmente
56 Sucesso é avaliado em termos de desempenho humano Sucesso é avaliado em termos de um conceito ideal de inteligência (racionalidade)Definições de IA: 4 Categorias
Sistemas que
pensam
como humanos
Sistemas que
pensam
racionalmente
Sistemas que
atuam
como humanos
Sistemas que
atuam
racionalmente
57A História da Inteligência
Artificial
A História da Inteligência Artificial
A gestação de IA (1943-1956);O entusiasmo dos primeiros anos de IA, grandes expectativas (1952-1969);
Uma dose de realidade (1966-1974);
Sistemas Baseados em Conhecimento: A Chave para o Poder? (1969-1979);
IA se torna comercial (1980-1988);
O retorno das Redes Neurais (1986 - presente);
Eventos Recentes.
59
Era “pré-Inteligência Artificial”
http://en.wikipedia.org/wiki/Ada_Lovelace 60 Por volta de 1842-43, trabalho conjunto com Charles Babbage na Máquina de Diferenças 2 (Máquina Analítica).
A Gestação de IA (1943-1956)
Primeiro trabalho de IA foi um modelo de neurônios artificiais (McCulloch e Pitts, 1943) e foi o precursor das tradições lógica e conexionista de IA. Dendritos Axiônio Terminações do Axiônio Soma (corpo da célula)Figura adaptada. Fonte: Material didático – Prof. Zhao Liang 61
A Gestação de IA (1943-1956)
Donald Hebb (1949) propôs algoritmo de aprendizadobaseado no reforço de ligações sinápticas (variação de pesos de entrada);
Começo dos anos 1950: Claude Shannon e Alan Turing escreveram programas de xadrez para máquinas von Neumann;
Ao mesmo tempo, Marvin Minsky e Dean Edmonds construíram o primeiro computador baseado em redes neurais (1951);
Workshop em Dartmouth em 1956: pesquisadores de Princeton, IBM , MIT e CMU se reuniram a convite de John
McCarthy:
Os 20 anos seguintes foram dominados por pesquisadores participantes do Workshop e seus estudantes;
Foi neste Workshop que o nome Inteligência Artificial surgiu para denominar o novo campo de estudo (cunhado por McCarthy).
62
O Entusiasmo dos Primeiros Anos
de IA (1952-1969)
Allen Newell, John Shaw e Herbert Simon desenvolveram o “General Problem Solver” GPS, programa que foi projetado com o intuito de imitar protocolos humanos de resolução de problemas;
Assim, GPS foi o primeiro programa a incorporar a abordagem “Pensar como humanos”. A combinação de IA e Ciência Cognitiva continua até hoje:
Simon: “... não é meu objetivo surpreendê-los ou chocá-los, mas o modo mais simples de resumir tudo isso é dizer que agora existe no mundo máquinas que pensam, aprendem e criam ...”
Arthur Samuel (1952) escreveu uma série de programas para jogar damas e provou o contrário do que era senso comum na época: “a ideia de que computadores podiam fazer somente o que era dito para eles”. Seus programas aprendiam rapidamente a jogar melhor que seu criador.
63
O Entusiasmo dos Primeiros Anos
de IA (1952-1969)
John McCarthy sai do MIT (1958):
McCarthy (1958) desenvolveu LISP, que se tornou a linguagem dominante de IA na época.
John Alan Robinson (1963) descobriu o método da resolução:
Um algoritmo completo de provas de teoremas para a Lógica de 1a Ordem;
PROLOG estava a caminho.
Marvin Minsky supervisionou uma série de estudantes que escolheram problemas limitados que pareciam requerer inteligência para serem resolvidos – micromundos:
O mais famoso micromundo foi o mundo dos blocos;
Trabalhos de redes neurais começaram a florescer. 64
Uma Dose de Realidade
(1966-1974)
1960 – Bernard Widrow e Ted Hoff propuseram a Regra Delta (usada até hoje!);
1969 – Marvin Minsky e Seymor Papert:
O perceptron não resolve problemas linearmente separáveis;
Levam à descrença de redes neurais durante os anos 1970.
65
Uma Dose de Realidade
(1966-1974)
A barreira que muitos projetos de IA encontraram foi que métodos, que eram suficientes para demonstrações de um ou dois exemplos simples, falham terrivelmente quando foram aplicados a uma seleção maior de problemas ou problemas mais difíceis;
O primeiro tipo de dificuldade:
os primeiros programas continham pouco ou nenhum conhecimento do assunto que eles tratavam e tinham sucesso através de manipulações sintáticas muito simples – ELIZA (65).
Uma Dose de Realidade
(1966-1974)
O segundo tipo de dificuldade:
a intratabilidade de muitos problemas que IA estava tentando resolver:
Os primeiros programas funcionavam somente porque os micromundos continham poucos objetos;
Antes que a teoria de problemas NP-completos fosse desenvolvida, se acreditava que o problema de se “escalar” para problemas maiores era simplesmente um problema de se ter hardware mais rápido.
O terceiro tipo de dificuldade:
limitações sobre as estruturas básicas usadas para gerar comportamento inteligente.
67
Lógica Proposicional
Processo de substituição de frases em linguagem natural para letras proposicionaise conectivos
lógicos
1. Ex: Se chove então Maria Angélica estuda o problema e se não faz frio Ana Laura está nadando
p: Maria Angélica estuda o problema
q: Ana Laura está nadando
r: chove
s: faz frio
Encontrar conectivos:
(Se chove então Maria Angélica estuda o problema) e (se (não faz frio) então Ana Laura está nadando)
1. Substituir frases e conectivos: (r p) (¬s q)
Lógica Proposicional x Relacional
Dado o domínio dos filósofos:Todos os homens são mortais
Platão é um homem
Provar que Platão é mortal usando resolução por meio de refutação (negação da conclusão)
Lógica Proposicional x Relacional
1.
X homem(X) mortal (X)
2.
homem(platão)
Deseja-se provar que mortal(Platão)
Passando para a forma clausal e aplicando o método da
resolução por refutação:
1.
homem(X) mortal (X)
Premissa 1
2.
homem(platão)
Premissa 2
3.
mortal(platão)
Neg. Conclusão
4.
mortal(platão)
de 1,2 θ= {X/platão}5.
[]
de 3,4SBCs: A Chave para o Poder?
(1969-1979)
O método de resolução de problemas usado na primeira década de IA:
Mecanismo de busca de propósito geral;
Chamados de métodos fracos porque usam pouca informação sobre o domínio;
Para domínios complexos, o desempenho é pobre.
A significância do programa Dendral (69):
Inferia a estrutura molecular de informações fornecidas por um espectrômetro de massa;
Foi o primeiro sistema a trabalhar com conhecimento intensivo: sua especialidade era derivada de um grande número de regras específicas.
71
SBCs: A Chave para o Poder?
(1969-1979)
Edward Feigenbaum e outros em Stanford começam a investigar a nova metodologia de sistemas especialistas;
A importância do conhecimento do domínio foi também aparente na área de processamento de linguagem natural;
O crescimento das aplicações no mundo real aumentou a demanda por esquemas de representação de
conhecimento alternativos:
Lógica;
Frames;
Redes Semânticas.
IA se Torna Comercial
(1980-1988)
O primeiro sistema especialista de sucesso comercial, R1, que ajudava a configurar ordens para novos computadores;
Em 1981, os japoneses anunciaram a “Quinta Geração”, um projeto de 10 anos para construção de
computadores inteligentes que executavam PROLOG.
73
O retorno das Redes Neurais e o
surgimento de outros paradigmas
(1986 - 1993)
Embora a Ciência da Computação tenha negligenciado o campo das redes neurais, o trabalho continuou em outros campos, particularmente na Física (1982);
Árvores de Decisão (1987);
Naive Bayes (1994 – Estudo comparativo com Redes Neurais e Árvores de Decisão);
Ao mesmo tempo, algumas desilusões sobre a aplicabilidade de sistemas especialistas começaram a surgir;
Muitos pesquisadores defendiam que uma nova abordagem a IA deveria ser baseada em Robótica. 74
Por trás da cena (1993 - 2001)
Com quase meio século de vida, a IA atingiu alguns deseus resultados mais antigos;
Houve sucesso em áreas de tecnologia industrial;
Alguns dos progressos foram devidos ao avanços de hardware e foco em problemas específicos;
1997: Deep blue;
Ferramentas matemáticas sofisticadas;
Probabilidade e Teoria da Decisão: Bayesian Networks, Hidden Markov Models, Teoria da Informação, otimização clássica entre outros;
Descrições matemáticas precisas foram desenvolvidas para pardigmas como Redes Neurais e Algoritmos Evolucionários.
75
Deep learning, big data e outros
(2000–presente)
Acesso a grandes quantidades de dados (big data);
Computadores mais rápidos;
Métodos de Aprendizado de Máquina avançados;
Em 2016, o mercado de produtos contendo IA alcançou mais de 8 bilhões de dólares1;
Watson:
Sequenciamento de genoma;
Oncologia;
Cloud service;
Em 2020, 60% das aplicações de IA estarão sendo executadas sob plataformas de Amazon, Google, Microsoft e IBM.
76
1IDC Research Inc.
O que é IA?
O que a IA pode fazer por nós?
77
O que a IA pode fazer por nós?
CS221: Artificial Intelligence - Percy Liang 78
O que a IA pode fazer por nós?
79
CS221: Artificial Intelligence - Percy Liang
O que a IA pode fazer por nós?
80
CS221: Artificial Intelligence - Percy Liang
O que a IA pode fazer por nós?
81
CS221: Artificial Intelligence - Percy Liang
O que a IA pode fazer por nós?
82
CS221: Artificial Intelligence - Percy Liang
O que a IA pode fazer por nós?
83
CS221: Artificial Intelligence - Percy Liang
O que a IA pode fazer por nós?
84
O que a IA pode fazer por nós?
85
CS221: Artificial Intelligence - Percy Liang
Muitas outras aplicações
Busca na Web; Reconhecimento de fala; Extração de informação; Sumarização de documentos; Correção ortográfica; Reconhecimento de imagens; Reconstrução 3D de cenários; Reconhecimento de atividade humana; Recuperação de informação (por exemplo, música); Análise de redes sociais; ... Recomendação de produtos; Marketing; Otimização de energia em Smart Grids; Robótica: Doméstica; Cirurgia; Exploração. Filtragem de spam; Detecção de fraudes; Diagnóstico de falhas; Diagnóstico Médico; Tratamento de imagens médicas; ... 86
Características da IA
Alto impacto social;Multi e transdisciplinar; Complexa. 87
Áreas Relacionadas a IA
88Considerações Finais
Se o cérebro [humano] fosse tão simples que pudéssemos compreendê-lo, nós seríamos tão simples que não o conseguiríamos. Lyall Watson, biólogoInteligência
Referências
Material didático do Prof. José Augusto Baranauskas, Inteligência Artificial, Departamento de Física e Matemática – FFCLRP-USP.
Material didático do Prof. Zhao Liang, Inteligência Artificial, Instituto de Ciências Matemáticas e de Computação – ICMC-USP.
Material didático do Prof. Patrick H. Winston, Artificial Intelligence, Massachusetts Institute of Technology – MIT.
Material didático do Prof. Percy Liang, Artificial Intelligence: Principles and Techniques, Stanford.
https://www.nytimes.com/2016/10/17/technology/ibm-is- counting-on-its-bet-on-watson-and-paying-big-money-for-it.html?emc=edit_th_20161017&nl=todaysheadlines&nlid=6 2816440&_r=0 (Acesso em 10/04/2017).