Introdução. Inteligência Computacional. Prof. João Alberto Fabro

(1)

Introdução

Inteligência Computacional

(2)

Estrutura da Apresentação

Início

Inteligência

Artificial...

O que se estuda!

Como foi estudado...

(Sistemas Especialistas)

(3)

Estrutura da Apresentação

Inteligência Computacional

Algoritmos Genéticos

Redes Neurais

Lógica Fuzzy

(4)

Inteligência Artificial x Computacional

• _{Inteligência...}

• _{Inteligência}

_Artificial

– -

Símbolos, Lógica Clássica, Conhecimento

• (

Sistemas Especialistas

)

– - O que se faz em IA!(

Problemas da IA

)

– -Histórico

(como chegamos até aqui...)

• _{Inteligência Computacional}

– Redes Neurais

– Algoritmos Genéticos

(5)

Conceitos Básicos

A INTELIGÊNCIA É SÓ HUMANA?

Em um primeiro momento, a inteligência era geralmente associada a

uma característica unicamente humana, de representação de

conhecimentos e resolução de problemas, refletindo um ponto de

vista altamente antropocêntrica. Mas, ainda assim, nós, humanos,

não compreendemos a nós mesmos, como funciona nossa

“inteligência” e nem mesmo a origem de nossos pensamentos.

Hoje em dia, para muitos pesquisadores, a idéia de inteligência

passou a ser associada com a idéia de sobrevivência.

Fogel

Fogel: “Inteligência pode ser definida como a capacidade de um : “Inteligência pode ser definida como a capacidade de um sistema de adaptar seu comportamento para atingir seus objetivos

sistema de adaptar seu comportamento para atingir seus objetivos

em uma variedade de ambientes”.

(6)

Inteligência - Conceitos Básicos

“

“I propose to consider the question, ‘Can machines think?’ I propose to consider the question, ‘Can machines think?’ This should begin with definitions of the meaning of the terms

This should begin with definitions of the meaning of the terms

‘machine’ and ‘think’.”

‘machine’ and ‘think’.” A. TuringA. Turing, Computing Machinery , Computing Machinery and Intelligence, 1950

and Intelligence, 1950

“

“Se queres discutir comigo, define primeiro teus termos.” Se queres discutir comigo, define primeiro teus termos.”

Descartes Descartes

O QUE É INTELIGÊNCIA?

Helm

Helm: “A atividade inteligente consiste na compreensão do : “A atividade inteligente consiste na compreensão do essencial de uma situação e numa resposta reflexa

essencial de uma situação e numa resposta reflexa

apropriada”.

Piaget

(7)

Inteligência Artificial

Área de Pesquisa Multidisciplinar:

Biologia

Computação

Engenharia

- Estuda maneiras de simular/obter comportamento

inteligente!

- Fazer as máquinas realizarem tarefas que requerem

inteligência!

(8)

PROBLEMAS DE PESQUISA EM IA

• Resolução de problemas (planejamento)Resolução de problemas (planejamento)

• Quebra-cabeças, Jogos,Quebra-cabeças, Jogos,

• Problemas que requerem conhecimento especialistaProblemas que requerem conhecimento especialista

• Raciocínio por senso-comumRaciocínio por senso-comum

• Percepção (visão e fala)Percepção (visão e fala)

- reconhecimento de imagens, de voz reconhecimento de imagens, de voz

• Processamento de linguagem naturalProcessamento de linguagem natural

• Extração de conhecimento(Knowledge Data Discovery,Aprendizado)Extração de conhecimento(Knowledge Data Discovery,Aprendizado)

• Desenvolver sistemas que auxiliem no aprendizado de alunosDesenvolver sistemas que auxiliem no aprendizado de alunos

• Paralelização de linguagens de IAParalelização de linguagens de IA

• Distribuição da resolução de problemasDistribuição da resolução de problemas

(9)

Áreas de Pesquisa em IA

> Intelligent Information Systems > Intelligent Software Engineering > Intelligent Agents

> Intelligent Networks > Intelligent Databases

> Brain Models(Neural Networks) > Evolutionary Algorithms

> Data mining

> Machine Learning > Reasoning Strategies

> Automated Problem Solving

> Distributed AI Algorithms and Techniques > Distributed AI Systems and Architectures > Expert Systems > Fuzzy Logic > Genetic Algorithms > Heuristic Searching > Knowledge Acquisition > Knowledge Discovery > Knowledge Representation

> Knowledge-Intensive Problem Solving Techniques > Languages and Programming Techniques for AI > Software Tools for AI

> Integration of AI with other Technologies > Evaluation of AI Tools

> Social Impact of AI

> Applications - Computer Vision > Applications - Signal Processing > Applications - Military

> Applications - Surveillance > Applications - Robotics > Applications - Medicine

> Applications - Pattern Recognition > Applications - Face Recognition

> Applications - Finger Print Recognition > Applications - Finance and Marketing > Applications - Stock Market

(10)

Histórico

•

•Formalmente a área foi criada em 1956 quando o nome foi cunhado Formalmente a área foi criada em 1956 quando o nome foi cunhado

(Darthmouth College).

•

• Entretanto, por 2000 anos filósofos estudaram como o ver, apreender, Entretanto, por 2000 anos filósofos estudaram como o ver, apreender, recordar e raciocinar pode ser realizado?

recordar e raciocinar pode ser realizado?

•

• O desejo de criar artefatos capazes de reproduzir um comportamento O desejo de criar artefatos capazes de reproduzir um comportamento inteligente encontra suas origens em tempos remotos:

inteligente encontra suas origens em tempos remotos:

- Autômatos (relógios, jogador de xadrez, Frankenstein)

- Analytical Engine, Babbage, 1842 - “Ela seria capaz de

compor peças musicais de qualquer grau de complexidade e

extens

extensã_ão” (comentário de Lady Lovelace)o” (comentário de Lady Lovelace) Precursores da IA

Precursores da IA

• George Boole, inventou a álgebra booleana, Suas idéias se incorporam George Boole, inventou a álgebra booleana, Suas idéias se incorporam como base da matemática e da filosofia.

como base da matemática e da filosofia.

• Alan Turing, propôs um teste para decidir se um computador exibe Alan Turing, propôs um teste para decidir se um computador exibe inteligência.

(11)

Histórico

•

• Época Pré-históricaÉpoca Pré-histórica (até 1875, Camillo Golgi visualizou o neurônio) (até 1875, Camillo Golgi visualizou o neurônio)

•ObjetivoObjetivo: criar mecanismos apresentando comportamento inteligente.: criar mecanismos apresentando comportamento inteligente.

•MetodologiaMetodologia: Mecanismos usando mecânica de precisão.: Mecanismos usando mecânica de precisão.

•LimitaçõesLimitações: Complexidade, dificuldades de construção.: Complexidade, dificuldades de construção.

•Época AntigaÉpoca Antiga (1875-1943) (McCulloch & Pitts) (1875-1943) (McCulloch & Pitts)

• ObjetivoObjetivo: Entender a Inteligência Humana.: Entender a Inteligência Humana.

• MetodologiaMetodologia: Estudos de psicologia e neurofisiologia.: Estudos de psicologia e neurofisiologia.

•LimitaLimitaçõçõeses: Grandes distâncias entre a psicologia e a neurofisiologia.: Grandes distâncias entre a psicologia e a neurofisiologia.

•Época Pré-Clássica Época Pré-Clássica (1943-1956)(1943-1956)

•ObjetivoObjetivo: Simular a : Simular a inteligência inteligência humana - situações pré-determinadas.humana - situações pré-determinadas.

•MetodologiaMetodologia: Inspiração na Natureza, Nascimento da Cibernética: Inspiração na Natureza, Nascimento da Cibernética

(12)

Histórico

•Época Clássica Época Clássica (1956-1970)(1956-1970)

•Objetivo: Simular a inteligência Humana e expandir ao máximo as aplicações Objetivo: Simular a inteligência Humana e expandir ao máximo as aplicações

da IA.

•Metodologia: Solucionadores gerais de problemas e lógica.Metodologia: Solucionadores gerais de problemas e lógica.

•LimitaçõesLimitações: Subestima: Subestimaçãção da complexidade computacional dos problemas.o da complexidade computacional dos problemas.

•Época RomânticaÉpoca Romântica (1970-1980) (1970-1980)

•Objetivo: Simular a inteligência humana em situações pré-determinadas.Objetivo: Simular a inteligência humana em situações pré-determinadas. •Metodologia: formalismos de representação de conhecimento Metodologia: formalismos de representação de conhecimento

adaptados ao tipo de problema, mecanismos de ligação procedural

visando maior eficiência computacional.

•LimitaLimitaççõesões: Subestimação da quantidade de conhecimento necessária para : Subestimação da quantidade de conhecimento necessária para tratar mesmo o mais banal problema de senso comum.

(13)

Histórico

• Época ModernaÉpoca Moderna (1980-1990) (1980-1990)

•Objetivo: Simular o comportamento de um especialista humano ao Objetivo: Simular o comportamento de um especialista humano ao

resolver problemas em um domínio específico.

resolver problemas em um domínio específico. •Metodologia: Sistemas de regras, representação da incerteza, Metodologia: Sistemas de regras, representação da incerteza,

popularização do Prolog.

•LimitaçLimitaçõesões: Subestimação da complexidade do problema de aquisição : Subestimação da complexidade do problema de aquisição do conhecimento.

do conhecimento.

•

• Época AtualÉpoca Atual(Pós-Moderna? Contemporânea?) (1990-????)(Pós-Moderna? Contemporânea?) (1990-????) •

•Objetivo: Resolver problemas cada vez mais difíceis!Objetivo: Resolver problemas cada vez mais difíceis!

•Metodologia: Qualquer que funcione!(Metodologia: Qualquer que funcione!(Inteligência ComputacionalInteligência Computacional, , proveniente do simples fato que máquinas de inspiração

proveniente do simples fato que máquinas de inspiração

biológica resolvem problemas difíceis!)

(14)

Inteligência Computacional

–

O que é “Inteligência Computacional”?

–

Áreas de Aplicação

–

Lógica Nebulosa (Fuzzy)

–

Redes Neurais

–

Algoritmos Genéticos

–

Conclusões

(15)

O que é Inteligência Computacional?

“Técnicas e sistemas computacionais que

imitam aspectos humanos, tais como:

percepção, raciocínio, aprendizado,

(16)

Inspiração na Natureza

Sistemas Especialistas -

inferência humana

Lógica Fuzzy

-

processamento lingüístico

Redes Neurais

-

neurônios biológicos

Algoritmos Genéticos -

evolu

çã

o biológica

Sistemas Híbridos -

aspectos combinados

(17)

Novos Sistemas Computacionais



Suporte à Decisão



Classificação de Dados



Reconhecimento de Padrões



Previsão



Otimização



Controle



Modelagem



Planejamento



Descoberta de Conhecimento

(18)

Automação Inteligente I



Planejamento da Produção



Monitoração do Controle



Detecção e Diagnóstico de Falhas



Manutenção Preventiva



Simulação e Modelagem de Processos



Robótica



Reconhecimento de Imagens, Voz

(19)

Automação Inteligente II

Planejamento da Produção: Algoritmo Genético busca a

ordem das tarefas que otimiza a produção (tempo, recursos,

custos, etc) e satisfaz as restrições

Detecção e Diagnóstico de Falhas: Redes Neurais são

treinadas com dados históricos para prever antecipadamente

falhas em equipamentos; Sistema Especialista ou Lógica

Nebulosa dá o diagnóstico e indica procedimentos.

Manutenção Preditiva: Redes Neurais são treinadas com a

leitura dos sensores para apontar a perspectiva de falhas em

programas de manutenção preventiva.

Robótica: Navegação de Robôs móveis por Redes Neurais,

(20)

Automação Inteligente III

Simulação e Modelagem de Processos: Rede Neural é

treinada para representar a dependência entre o estado e

uma medida de qualidade de um processo. Após treinada, a

RN atua como um modelo do processo industrial.

Reconhecimento de Imagens, Voz: Redes Neurais treinadas

com padrões de imagens/voz são usadas para fins de

segurança, seleção e identificação.

Inferência/Predição de Propriedades: Redes Neurais são

treinadas para modelar a relação entre as variáveis de

entrada de um processo e as propriedades físicas de um

produto, permitindo que o operador possa influenciar no

processo sem ter que esperar pela análise laboratorial de

amostras.

(21)

Áreas de Aplicação em Negócios



Avaliação de Financiamento



Previsão de Demanda de Produtos



Avaliação de Risco



Perfil do Consumidor



Gerência de Carteira



Previsão de Ativos Financeiros



Detecção de Fraude (Cartões de Crédito, Sistemas de Telefonia)



Planejamento da Produção e Distribuição

(22)

Sistemas Especialistas

Conceitos Básicos:

São programas que armazenam e manipulam o

conhecimento adquirido de um especialista.

=

-> Requer entrevistas e observações para extrair o

conhecimento.

-> Conhecimento é representado em formato

(23)

Representação do Conhecimento

Regras de produção:

Regra 1:

IF <condição_1> AND <condição_2>...

THEN <ação_A> AND <ação_B> ....

Exemplos:

IF carro = BMW AND cidade = São Paulo

THEN seguro = 10% valor carro

IF carro = Fiat AND cidade = Curitiba

(24)

Organização de Sistemas Especialistas

Aquisição de Conhecimento

Máquina de Inferência

Base de Conhecimento IF Carro = BMW AND cidade = SP

THEN seguro = 10%

IF Carro = Fiat AND cidade = CWB THEN seguro = 5% Memória de Trabalho carro = Fiat cidade = Curitiba Sistema de Explicações

(25)

Avaliação

Adequada para aplicações onde:

o conhecimento (o especialista) é acessível,

as regras são conhecidas

e fáceis de serem formuladas por este especialista,

(26)

Avaliação

Vantagens



utiliza representação

explícita do conhecimento



programas fáceis de ler e

de compreender



capazes de gerar

justificativas (explicações)

Desvantagens



ausência de mecanismo

automático de aprendizado



processo longo e caro de

extração do conhecimento



exigência de declarações

precisas dos especialistas

(27)

Lógica Nebulosa

Técnica inteligente que tem como

objetivo modelar o modo aproximado

de raciocínio, imitando a habilidade

humana de tomar decisões em um

ambiente de incerteza e imprecisão

(28)

Lógica Nebulosa

Permite que os sistemas inteligentes de

controle e suporte à decisão lidem com informações

imprecisas (nebulosas - fuzzy)

Exemplos:

• investimento de alto risco

• pressão média

• fluxo muito intenso

• temperatura alta

• muito jovem

(29)

Conjunto Nebuloso

Indica uma definição (imprecisa) de um termo lingüístico

(também impreciso) utilizado comumente pelas pessoas:

Ex: A cantina externa é perto daqui!

(30)

Conjuntos Nebulosos e Pertinência

Você é Alto, Baixo ou de estatura mediana?

Resposta CRISP(Não Fuzzy, rígida):

- Até 1,65 é baixo! De 1,85 acima é alto! Entre os dois, mediano!

Resposta Fuzzy(nebulosa, não rígida):

(31)

Lógica Fuzzy - Controle

se (x1(distância até a esquina) é grande) e (x3(ângulo com a parede) é nulo) e (x2 e x4 (distâncias laterais) não são pequenas)

(32)

Lógica Nebulosa - Avaliação

Técnica utilizada em aplicações:

• onde o conhecimento envolve

conceitos subjetivos e intrinsicamente

imprecisos;

• e onde deseja-se obter explicações

(33)

Lógica Nebulosa - Avaliação

Vantagens



facilidade de lidar com

dados imprecisos.



facilita a descrição das

regras pelos especialistas.



menor número de regras.



explicação do raciocínio.

Desvantagens



especificação das funções

de pertinência.



necessidade de um

especialista e/ou dados

históricos.

(34)

Redes Neurais

Modelo Computacional inspirado nos

neurônios biológicos e na estrutura do

cérebro, com capacidade de adquirir,

armazenar e utilizar conhecimento

(35)

Relação com a Natureza

Cérebro



Neurônio Biológico



Rede de Neurônios



10 bilhões neurônios



Aprendizado



Generalização



Associação



Reconhecimento de Padrões

Redes Neurais Artificiais



Neurônio Artificial



Estrutura em Camadas



centenas/milhares



Aprendizado



Generalização



Associação



Reconhecimento de

Padrões

(36)

Neurônio Biológico x Artificial

(37)

Rede Neural Artificial

(38)

Avaliação

Indicada para o reconhecimento de

padrões em aplicações com dados

ruidosos ou incompletos, e quando

regras claras não podem ser

facilmente formuladas.

(39)

Avaliação

Vantagens



modelagem de sistemas

não lineares



aprendizado automático



tolerante a dados

ruidosos e incompletos



resposta rápida e

precisa



modelos compactos

Desvantagens



ausência de explicações



sensível a quantidade de

dados disponível

(40)

Algoritmos Genéticos



Algoritmo de busca/otimização inspirado na

seleção natural e reprodução genética.



Combina sobrevivência do mais apto e

cruzamento aleatório de informação

Qual a finalidade de Algoritmos Genéticos?

Algoritmos Genéticos empregam um processo

adaptativo e paralelo de busca de soluções em

problemas complexos.

(41)

Analogia com a Natureza

Evolução Natural



Indivíduo



Cromossoma



Reprodução Sexual



Mutação



População



Gerações



Meio Ambiente

Algoritmo Genético



Solução



Representação



Operador Cruzamento



Operador Mutação



Conjunto de Soluções



Ciclos



Problema

(42)

Qual a finalidade de Algoritmos Genéticos?



Adaptativo

– informação corrente influencia a busca futura



Paralelo

– várias soluções consideradas a cada momento



Problema Complexo

– de difícil formulação matemática ou com grande

espaço de busca (grande número de soluções)

(43)

Operações Básicas



Seleção: privilegia os indivíduos mais aptos



Reprodução: indivíduos (palavras binárias) são

reproduzidas com base na aptidão



Crossover: troca de genes (pedaços de palavras)

(44)

Avaliação

Aplicado em problemas complexos de

otimização – de difícil modelagem

matemática, com variedade de regras e

condições, ou com grande número de

(45)

Avaliação

Vantagens



Técnica de busca global



Otimização de problemas

mal estruturados



Dispensa formulação

matemática precisa

do problema

Desvantagens



Dificuldade na representação

do cromossoma



Evolução demorada em

alguns problemas

(46)