Inteligência Arti cial e suas Aplica˘c~oes na Tr plice H ...€¦ · Inteligência Arti cial e uma grande area de pesquisa em Ciência da Computa˘c~ao Muitas de ni˘c~oes para

Inteligencia Artificial e suas Aplicacoes na TrıpliceHelice

Mariza Ferro

Laboratorio Nacional de Computacao Cientıfica (LNCC)

06 de Outubro de 2019

Mariza Ferro (LNCC) IA na Trıplice Helice 06 de Outubro de 2019 1 / 87

Agenda

1 Definicoes - Fundamentos - ConceitosFundamentos e Definicoes de IAConceitos e Definicoes - Aprendizado de Maquina (AM)

Aprendizado Indutivo

2 Resolvendo um Problema com IA e AMTarefa e DadosMedidas de Avaliacao

Avaliacao Desempenho Preditivo

3 Aspectos da Aplicacao de IA na Trıplice HeliceIA na area AcademicaIA na area IndustrialIA na area Militar


Definicoes de IA

Inteligencia Artificial e uma grande area de pesquisa em Cienciada Computacao

Muitas definicoes para IA

Definicoes e material baseados em [Russel & Norvig, 2010] e[EU-2019].


Definicoes de IA

[Russel & Norvig, 2010] consideram 4 categorias:


Sistemas que pensam como Humanos

Introspeccao - Psicologia - Neurociencia - BiologiaMariza Ferro (LNCC) IA na Trıplice Helice 06 de Outubro de 2019 5 / 87

Sistemas que agem como Humanos


Sistemas que agem como humanos

Sistemas que agem como humanosTeste de Turing: Um teste projetado para identificar se uma maquina ecapaz de se comportar como um humano. [Turing, A. ComputingMachinery and Intelligence. Mind LIX (236), pp. 433-460, 1950.]Programar um computador para passar em um teste rigorosamenteaplicado precisa implementar as seguintes capacidades:Processamento de Lıngua Natural para se comunicar,Representacao de Conhecimento para armazenar que ouve e oconhecimento, raciocınio automatizado (automated reasoning) pararesponder as questoes, AM para se adaptar as novas circunstancias,detectar e extrapolar padroes.Para o Teste e Turing completo: Visao computacional e robotica


Sistemas que pensam Racionalmente

Sistemas que pensam racionalmente“O estudo das computacoes que tornam possıvel perceber, raciocinar eagir” [Winston, P. Artificial Intelligence. Addison Wesley, 1992.]Abordagem baseada em inferencias logicasAristoteles - Codificar o pensamento correto: Processos de raciocınioirrefutaveisSilogismos: Estruturas de argumentos que sempre resultam emconclusoes corretas quando recebem premissas corretas.Deducao versus Inducao


Sistemas que agem Racionalmente

Abordagem de agentes racionais

“A Inteligencia Computacional e o estudo doprojeto de agentes inteligentes” [Poole at al.Computational Intelligence: A Logical Approach.Oxford Press, 1998.]

“O agente racional e aquele que age para obter omelhor resultado ou, se existe incerteza, o melhorresultado esperado” (Russel Norvig, 2010)


Definicoes de IA

[EU 2019]

“Artificial intelligence (AI) refers to systems that display intelligentbehaviour by analysing their environment and taking actions – withsome degree of autonomy – to achieve specific goals.AI-based systems can be purely software-based, acting in the virtualworld (e.g. voice assistants, image analysis software, search engines,speech and face recognition systems) or AI can be embedded inhardware devices (e.g. advanced robots, autonomous cars, drones orInternet of Things applications).”


Sistemas de IA

“Segundo [Russel & Norvig, 2010] um sistema de IA e racional” [EU2019] Mas como um sistema de IA adquire racionalidade?

Um sistema de IA adquireracionalidade percebendo1 oambiente no qual esta imersoatraves de sensores1, coletando einterpretando dados,raciocinando2 sobre o que epercebido ouprocessando a informacao2

derivada desses dados, decidindo2

a melhor acao em seguidaatuando3 de acordo com algunsatuadores e possivelmentemodificando o ambiente.

Figura: EU 2019


Sistemas de IA

(1) Percepcao e Sensores: Precisamos fornecer ao sistema de IAsensores adequados para perceber os dados presentes no ambiente,que sao relevantes para o objetivo atribuıdo ao sistema de IA por seudesigner humano.

Dados estruturados (BD) ounao estruturados (Imagens,textos)

Hw: Qualquer dispositivo deentrada

Cameras, microfones, teclados

Sw: arquivos, pacotes de rede

Figura: EU 2019


Sistemas de IA

(2) Raciocınio/processamento informacao, tomada de decisao:pega uma entrada, vinda dos sensores e propoe uma acao paraalcancar o objetivo.

Dados coletados pelossensores precisam sertransformados em informacaoe modelados de forma sucintamas incluindo todos os dadosrelevantes

Avalia esse conhecimento ouprocessa essas informacoespara produzir um modelonumerico para decidir qual e amelhor acao (autonoma ounao).

Figura: EU 2019


Sistemas de IA

(3) Atuacao: Dado que foi decidida qual a acao a ser tomada, osistema de IA esta pronto para realizar isso atraves dos atuadores.

Atuadores podem sercomponentes fısicos (hw) ouSw

Resultados na tela, escrita dearquivos, envio de pacotes derede

Figura: EU 2019


Sistemas de IA Racionais

A abordagem agente racional [Russel & Norvig, 2010] ouSistemas de IA Racionais [EU 2019] e mais favoravel aodesenvolvimento cientıfico que as abordagens baseadas nocomportamento ou pensamento humano.

O padrao de racionalidade e matematicamente bem definido.

Capacidades necessarias para construir sistemas de IA/agentesRacionais [Russel & Norvig, 2010] e [EU 2019]


IA como Disciplina Cientıfica

Descricao abstrata muito simples de um sistema de IA, atravesde tres recursos principais: percepcao, raciocınio / tomada dedecisao e atuacao.

No entanto, basta para introduzir e entender a maioria dastecnicas e sub-disciplinas de IA atualmente usadas para construirsistemas de IA.

De um modo geral, todas essas tecnicas podem ser agrupadasem dois grupos principais que se referem a capacidade deraciocınio e aprendizado.


Aprendizado

Uso de tecnicas de aprendizado que habilitem o sistema de IA aaprender como resolver problemas.

Aprendizado de Maquina (Redes Neurais, Deep Learning, etc)


IA e suas sub-areas

Figura: Source:https://www.javatpoint.com/subsets-of-ai


IA vs AM


IA vs AM

ML it’s one of the ways we expect to achieve AI!


Referencias

Russell & Norvig, 2010 Stuart Russell and Peter Norvig. Artificial Intelligence: A ModernApproach. 3rd Ed. Prentice-Hall, 2010.

EU 2019 High-Level Expert Group on Artificial Intelligence. A definition ofAI: Main capabilities and scientific disciplines. EuropeanCommission Directorate-General for Communication, April, 2019.


Aprendizado de Maquina

Aprendizado de MaquinaConceitos e Definicoes





AM e uma area da IA cujo objetivo e odesenvolvimento de tecnicas computacionais sobre oaprendizado bem como a construcao de sistemascapazes de adquirir conhecimento de formaautomatica

Um sistema de aprendizado e um programa decomputador que toma decisoes baseado emexperiencias acumuladas atraves da solucao bemsucedida de problemas anteriores.

[Rezende, S.O. (ed). Sistemas Inteligentes - Cap.4, Manole, 2003].


Paradigma de Aprendizado

Os sistemas de AM podem ser classificados quanto ao paradigma:

Simbolico - aprendem construindo representacoes simbolicos deum conceito atraves da analise de exemplos e contra exemplos;

Conexionista - unidades altamente interconectadas - RNA;

Evolucionista - populacao de elementos que competem pelapredicao;

Estatıstico - utilizam algum modelo estatıstico para encontraruma boa aproximacao do conceito - Bayesiano;

Baseado em exemplos - classificam baseados em exemplossimilares - Nearest Neighbours;


AM - Definicoes

“Um sistema de aprendizado (supervisionado) e umprograma de computador que toma decisoes baseadasna experiencia contida em exemplos solucionados comsucesso” (Weiss & Kulikowski, 1991)

“...todo aprendizado pode ser visto como oaprendizado de uma funcao” (Russel & Norvig 2010)

Arthur Samuel (1959). “Field of study that givescomputers the ability to learn without being explicitlyprogrammed.”





Definicao (Mitchell, 1997):

Um programa de computador aprende a partir daexperiencia E , em relacao a uma classe de tarefas T ,com medida de desempenho P ;Se o seu desempenho em T , medido por P , melhora comE .


Exemplo

Tarefa T : Categorizar mensagens de email como Spam oulegıtimas;

Medida de Desempenho P : Porcentagem de mensagens despam identificadas corretamente,

Experiencia de treinamento E : Conjunto de exemplos despam.


Aprendizado de Conceitos

O aprendizado de um conceito nos sistemas de AM pode ser realizado por:

Deducao: analise logica utilizada para construir argumentos,utilizando premissas para obter uma conclusao. A conclusao tornaexplıcito um conhecimento ja existente nas premissas.

Inducao: A inducao e a forma de inferencia logica que permite obterconclusoes genericas sobre um conjunto particular de exemplos. Ashipoteses geradas podem ou nao preservar a verdade.Mesmo assim, a inferencia indutiva e um dos principais metodosutilizados para derivar conhecimento novo e predizer eventos futuros[Cap.4 - Monard & Baranauskas, 2003].


Aprendizado de Conceitos - Predicao



Este processo de inducao pode ser visto como um processo de buscaem que se almeja encontrar a melhor hipotese (de acordo com certafuncao de avaliacao) no espaco de todas as possıveis hipoteses(Mitchell, 1997).

A conjectura fundamental do aprendizado indutivo e que qualquerhipotese descoberta que aproxima bem um determinado conceito(funcao alvo) usando um conjunto suficientemente grande deexemplos de treinamento, tambem aproximara bem a funcao alvosobre os outros exemplos nao observados (generalizacao) (Mitchell,1997).



Dada uma linguagem de descricao usada para expressar possıveishipoteses, um conhecimento preliminar, um conjunto de exemplospositivos, e um conjunto de exemplos negativos, o Aprendizado Indutivode Conceitos pode ser entendido como o problema de se encontrar umahipotese que cubra todos os exemplos positivos e nao cubra nenhum dosexemplos negativos.



Dado:

Instancias/exemplos (X ) sobre as quais a funcaoobjetiva e definida;

Funcao objetivo (conceito alvo) (f );

Conjunto de Hipoteses (H) candidatas;

Exemplos de treinamento (D) cada um consistindo deuma instancia x de X com o valor do conceito alvof (x), i.e., < x , f (x) >

Determinar:

A hipotese h em H tal que h(x) ∼= f (x), ∀ x em X .


Linguagem de Descricao

Representacao Atributo-Valor:

X1 X2 . . . XM Y

T1 x11 x12 . . . x1M y1

T2 x21 x22 . . . x2M y2...

......

. . ....

...TN xN1 xN2 . . . xNM yN

Tabela: Formato atributo-valor para conjunto de dados

Representacao Relacional: Multiplas tabelas de dados e representacaodos exemplos em logica de primeira ordem⊕filha(maria, ana). mae(ana,maria). progenitor(P1,P2)← mulher(ana).


Exemplos-Atributos-Classe

Conjunto de exemplos de dias (X ):

Figura: Exemplos de treinamento positivos e negativos para o conceito alvoEnjoySport (Mitchell, 1997).

Cada dia esta representado por um conjunto de atributos (Sky,AirTemp, Humidity,...,Forecast) e por um atributo classificador(EnjoySport) que indica se e ou nao um bom dia para jogar.

Tarefa de aprendizado e predizer o conceito alvo (f ) EnjoySport,para novos dias.


IA - sub-areas - AM

Figura:Source:http://interventures.asia/2018/03/01/what-is-artificial-intelligence-ai/


Tipos Aprendizado

Semi-supervisionado!Mariza Ferro (LNCC) IA na Trıplice Helice 06 de Outubro de 2019 38 / 87



Supervisionado e Nao Supervisionado

Fonte:https://medium.com/Mariza Ferro (LNCC) IA na Trıplice Helice 06 de Outubro de 2019 40 / 87

AM Supervisionado

A tarefa de um indutor e ajustar o modelo, a partir de um conjunto dedados (treinamento), e induzir uma funcao h que aproxima f ,normalmente desconhecida.



AM Supervisionado - Classificacao

Slides prof. Jose Augusto Baranauskas


AM Supervisionado - Regressao



AM Supervisionado

Arvores de regressao

Redes Neurais Artificiais (RNA)

Maquinas de Vetores de Suporte (SVM)

Regressao Linear


Classificacao e Regressao

Fonte:https://medium.com/


AM Nao Supervisionado - Agrupamento



AM Supervisionado - Agrupamento

Redes Neurais SOM

Algoritmos deagrupamento(K-medias, K-mediasotimo, K-mediassequencial)

FCM

SNN


Qual algoritmo escolher?

Estabelecer o objetivo, a hipotese de teste e o tempo disponıvel

Categorizar o problema

Dados de entrada: se os dados sao rotulados, e um problemasupervisionado, senao nao-supervisionado. Se o objetivo e otimizar afuncao objetivo pela interacao com o ambiente, e aprendizado porreforcoSaıda esperada: se a saıda esperada pelo modelo e um numero, oproblema e de regressao. Se a saıda do modelo e uma classe, e umproblema de classificacao.

Entenda os dados:

Pre-Processar os dados: analisar os dados com estatıstica descritiva,limpeza, transformacao de dados, selecao de atributos (featureselection)



Definir entre os algoritmos disponıveis: identificar os algoritmos quesao aplicaveis e podem ser implementados em tempo aceitavel.Alguns pontos podem afetar a escolha do modelo:

modelo preditivo precisa ser rapido (problemas tempo real) ou otreinamento precisa ser atualizado rapidamenteA precisao, interpretabilidade e complexidade do modeloAlguns algoritmos precisam de poucos dados, outros de umaquantidade muito grande (exemplo: RNA).Modelo de classificacao categorico: testar DT (facil de entender e usar)e evoluir para Random Forests or gradient boostingClassificacao binaria: SVM tem excelentes resultados para problemascom duas classes. RF e excelente para problemas multi-classes.classificacao segmentacao ou reconhecimento de imagens, deteccao deobjetos: rede neural convolucional (RNC)Sequence modeling tasks - traducao de idiomas, classificacao de texto:Redes Neurais Recorrentes.





Figura: https://cai.tools.sap/blog/machine-learning-algorithms/



Figura: https://hackernoon.com/choosing-the-right-machine-learning-algorithm-68126944ce1f


Medidas de Avaliacao

Os numeros podem dizer tudo, ou nada!


Medidas de Avaliacao

Dados gerados a partir de h(x) + ruıdo.

Queremos um modelo o qual aproxime h(x)

Tentativa de aproximacao usando g(x)

Nao consegue predizer h(x) para novos valores de x (underfitting).

g(x) e um modelo muito simples (linear) que causa um erro elevado.


Exemplo

Se a quantidade de dados e pequena, pode ocorrer umsobreajuste (overfitting);

O modelo gerado pode “decorar” os dados do conjunto detreinamento; Com isso nao e adequado para utilizacao com novosexemplos.


Exemplo



Depende da tarefa:

Classificacao:considera taxa de exemplos incorretamente classificados

Principal objetivo de um modelo e a classificacao correta de novosexemplosMinimizar taxa de erro de classificacaoGeralmente nao e possıvel medir com exatidao essa taxa de erro:estimar do erro de treinamento e usar amostragem de dados

Regressao:considera diferenca entre valor previsto e valor correto



Algumas metricas sao especıficas de um conjunto particular deexemplos (ou seja, sao independentes do classificador induzido)

Distribuicao de Classes (classe majoritaria e minoritaria)Prevalencia de ClassesErro Majoritario

Outras metricas dependem tanto do conjunto de exemplos como doclassificador induzido

Taxa de erro, precisao


Distribuicao de Classes

Em classificacao, dado um conjunto T com n exemplos e possıvelcalcular sua distribuicao de classes

Para cada classe Cj em T sua distribuicao distr(Cj) e calculada comosendo o numero de exemplos em T que possuem classe Cj divididopelo numero total de exemplos n, ou seja, a proporcao de exemplosem cada classe, dada por:distr(Cj) = 1

n

∑ni=1 ||yi = Cj ||

A classe com a maior distribuicao de exemplos e denominadamajoritaria


Erro Majoritario

O erro majoritariode um conjunto T e definido como 1 menos adistribuicao da classe majoritaria, ou seja:maj − err(T ) = 1−maxdistr(Ci ), i = 1, ..., k

O erro majoritario de um conjunto de exemplos e independente doalgoritmo de aprendizado

Ele fornece um limiar maximo abaixo do qual o erro de umclassificador deve ficar


Prevalencia de Classes

Um ponto muito importante em AM refere-se ao desbalanceamentode classes em um conjunto de exemplos

Por exemplo, suponha um conjunto de exemplos T com a seguintedistribuicao de classes dist(C1,C2,C3) = (99.00%, 0.25%, 0.75%),com prevalencia da classe C1

Um classificador simples que classifique sempre novos exemplos comopertencentes a classe majoritaria C1 teria uma precisao de 99.00%(maj − err(T ) = 1.00%)

Isto pode ser indesejavel quando as classes minoritarias sao aquelasque possuem uma informacao muito importante, por exemplo,supondo C1: paciente normal, C2: paciente com doenca A e C3:paciente com doenca B


Conjuntos de Treinamento e Teste

Em geral o conjunto de exemplos e dividido em dois subconjuntosdisjuntos:

Conjunto de treinamento usado para o aprendizado do conceito

Conjunto de teste para medir o grau de efetividade do conceito

E importante que os conjuntos sejam disjuntos, tornando amedida estatisticamente valida

Apos induzir uma hipotese e possıvel avalia-la no conjunto detreinamento (Erro aparente) e no conjunto de teste (erroverdadeiro)


Erro Aparente


Erro Verdadeiro


Erro e Precisao - Classificacao


Erro e Precisao - Regressao


Matriz de Confusao

A matriz de confusao de uma hipotese h oferece uma medida efetivado modelo de classificacao, ao mostrar o numero de classificacoescorretas versus as classificacoes preditas para cada classe, sobre umconjunto de exemplos T

As entradas da matriz sao representadas por M(Ci ,Cj) indicando onumero de exemplos de T que sao da classe Ci mas que foramclassificados pela hipotese h como sendo da classe Cj .

M(Ci ,Cj) =∑

∀(x ,y)∈T :y=Ci||h(x) = Cj ||


Matriz de Confusao


Matriz de Confusao


Avaliacao Modelos

Erro Majoritario

Matriz de Confusao

Taxa de erro do classificador sobre o conjunto de teste;

Erro aparente;Erro verdadeiro: amostragem e k-fold cross validation (media evariancia da taxa de erro do classificador)


Avaliacao Modelos - Classes Desbalanceadas

E importante observar:Problemas com classes nao-balanceadas (9 exemplos na classe 1 e 500classe 2)Custo de Erro (falso positivo e falso negativo)Distribuicao de Classes


Material baseado em:

Capıtulo 4 do livro:Rezende, S.O. (ed). Sistemas Inteligentes,Manole, 2003, ISBN 85-204-1683-7

Slides prof. Jose Augusto Baranauskas - IME-USP

Mitchell, T. Machine Learning, McGraw Hill, 1997


Aspectos da Aplicacao de IA na Trıplice Helice


IA na area Academica

Pesquisa basica e formacao de recursos humanos

Projetos P&D com a Industria e o Governo (Defesa) fomentando odesenvolvimento e a inovacao.

Exemplos na area de IA (LNCC-ComCiDis)

IA-HPC-IA e IA para Seguranca Cibernetica (pesquisa basica)IA para Manufatura Aditiva e Identificacao de Corrosao (PD com aIndustria)Roteamento de aeronaves em missoes de esclarecimento usando IABioinspirada (PD com a Marinha do Brasil)


IA Industrial


Casos de Uso - IA Industrial

A aplicacao de IA na industria pode ser categorizada em: Monitoramento,Otimizacao e Controle.

Monitoramento: Nos cenarios industriais ha uma continuanecessidade pelo monitoramento do desempenho de sistemas eprocessos para identificar ou predizer falhas.

Exemplos comuns de sucesso sao na manufatura onde sistemas de IAsao usados para inspecao visual de algum item ou linha de producao,assegurando melhor qualidade do produto final, menos desperdıcio,manutencao preventiva (exemplo GE onde 5 mil sensores produzem5-10 TB de dados sobre desempenho, eficiencia, health, por dia. Essesdados sao usados para predizer falhas e agendar manutencoespreventivas ou substituicao de pecas).


Casos de Uso - IA Industrial

Otimizacao

Planejamento de processos, incluindo a sequencia de operacoes de umCNC podem ser otimizadas utilizando tecnicas como AG e RNA

Gestao da cadeia de suprimentos e logıstica

Design de Produtos - Com o design generativo, os designers podemespecificar um produto por suas restricoes e permitir que umalgoritmo de aprendizado de maquina produza alternativas de designque otimizem qualidades como peso ou desempenho. A Airbus e aAutodesk usaram esse processo para criar uma particao de cabine deaviao cujo design imita a estrutura celular e esqueletica e e 45

Controle

Auxiliando nos sitemas de controle com robotica, veıculos autonomos(IA + visao computacional), smart grids


Requisitos IA Industrial

Tudo que foi dito ate aqui sobre IA e AM continua valendo! Mas existemalguns aspectos que diferenciam a IA Industrial:

O custo de um falso positivo pode ser muito alto economicamente,mas o falso negativo pode ser muito grave!

Harel Kodesh, vice presidente e CTO GE Software

‘If an analytical system on a plane determines an engine is faulty, specialisttechnicians and engineers must be dispatched to remove and repair thefaulty part. Simultaneously, a loaner engine must be provided so the airlinecan keep up flight operations. The entire deal can easily surpass$200,000a.”

aM. Yao, “4 Unique Challenges of Industrial Artificial Intelligence,” Forbes,2017. https://www.forbes. com/sites/mariyayao/2017/04/14/unique-challenges-of-industrialartificial-intelligence-general-electric/



Tudo que foi dito ate aqui sobre IA e AM continua valendo! Mas existemalguns aspectos que diferenciam a IA Industrial:

O custo de um falso positivo pode ser muito alto economicamente,mas o falso negativo pode ser muito grave!

Harel Kodesh, vice presidente e CTO GE Software

‘If an analytical system on a plane determines an engine is faulty, specialisttechnicians and engineers must be dispatched to remove and repair thefaulty part. Simultaneously, a loaner engine must be provided so the airlinecan keep up flight operations. The entire deal can easily surpass$200,000a.”

aM. Yao, “4 Unique Challenges of Industrial Artificial Intelligence,” Forbes,2017. https://www.forbes. com/sites/mariyayao/2017/04/14/unique-challenges-of-industrialartificial-intelligence-general-electric/



Desenvolvimento e melhoria de tecnicas que permitam o treinamentosobre poucos exemplos

Uso de simulacao para permitir o teste e avaliacao dos sistemas de IAsem a necessidade de parar ou interferir nos sistemas e processosindustriais em andamento

Explicabilidade e Confianca - e importante aos usuarios de sistemasde IA e AM poderem entender as decisoes do sistema. Isso interfereem varios nıveis de confianca para os usuarios, inclusive no sentido deseguranca para as pessoas envolvidas.

A solucao do problema na Empresa/Industria geralmente exigira umconjunto de tecnicas para se obter uma solucao final (Tecnicasmulticriterio a Decisao, PO, SAD e no meio disso tudo entra a IA comoparte da solucao)



Desenvolvimento e melhoria de tecnicas que permitam o treinamentosobre poucos exemplos

Uso de simulacao para permitir o teste e avaliacao dos sistemas de IAsem a necessidade de parar ou interferir nos sistemas e processosindustriais em andamento

Explicabilidade e Confianca - e importante aos usuarios de sistemasde IA e AM poderem entender as decisoes do sistema. Isso interfereem varios nıveis de confianca para os usuarios, inclusive no sentido deseguranca para as pessoas envolvidas.

A solucao do problema na Empresa/Industria geralmente exigira umconjunto de tecnicas para se obter uma solucao final (Tecnicasmulticriterio a Decisao, PO, SAD e no meio disso tudo entra a IA comoparte da solucao)


IA Militar


IA Militar

No contexto militar, o potencial de IA esta presente em todos osdomınios (terra, mar, ar, espaco e informacoes) e em todos os nıveisde guerra (polıtico, estrategico, operacional e tatico).

Nıvel polıtico e estrategico IA pode ser usada para gerar fakenews e desestabilizar o oponente ou para prevenir esse tipo deincidente

No nıvel tatico, a IA pode melhorar o controle parcialmenteautonomo em sistemas nao-tripulados, para que os operadoreshumanos possam operar sistemas nao-tripulados com maiseficiencia e, finalmente, aumentar o impacto no campo debatalha.

[UK Ministry of Defence. Joint Concept Note 1/18 Human-Machine Teaming. May 2018.http://defenceintranet.diif.r.mil.uk/Organisations/Orgs/JFC/Organisations/Orgs/DCDC]


IA Militar - Desafios

Alguns aspectos desafiadores

Muitas tecnicas de IA sao baseadas em AM, o que requergrandes quantidades de dados de treinamento; organizacoesmilitares podem ter que adaptar seus processos de coleta dedados (Governanca)

Sabe-se que os modelos desenvolvidos usando AM saovulneraveis a ataques adversarios. Por exemplo, um modelobaseado em DL pode ser facilmente enganado atraves damanipulacao do sinal de entrada

[Swedish Defence Research Agency SE-164 90 Stockholm. Possibilities and Challenges

for Artificial Intelligence in Military Applications. STO-MP-IST-160]




Desafios eticos, legislativos e de seguranca,

Transparencia e interpretabilidade insuficientes dos modelos AM.

Trustworthy AI

“The inability to explain why the system made a particular decision.This is an important consideration that will have a substantial impactupon all safety critical uses of AI, including on where and how defencecan use AI until assurance mechanisms are developed.The increasing capabilities of robotic and AI systems will be limitednot only by what can be done, but also by what actors trust theirmachines to do.”[UK Ministry of Defence. Joint Concept Note 1/18 Human-Machine Teaming. May 2018.http://defenceintranet.diif.r.mil.uk/Organisations/Orgs/JFC/Organisations/Orgs/DCDC]




Desafios eticos, legislativos e de seguranca,

Transparencia e interpretabilidade insuficientes dos modelos AM.

Trustworthy AI

“The inability to explain why the system made a particular decision.This is an important consideration that will have a substantial impactupon all safety critical uses of AI, including on where and how defencecan use AI until assurance mechanisms are developed.The increasing capabilities of robotic and AI systems will be limitednot only by what can be done, but also by what actors trust theirmachines to do.”[UK Ministry of Defence. Joint Concept Note 1/18 Human-Machine Teaming. May 2018.http://defenceintranet.diif.r.mil.uk/Organisations/Orgs/JFC/Organisations/Orgs/DCDC]


Casos de Uso - IA Militar

Vigilancia: por exemplo deteccao de anomalias marıtimas a partirde dados de movimento da embarcacao - uso de tecnicas naosupervisionadas para deteccao de anomalias, associacao, redesBayesianas

Deteccao de Minas Subaquaticas: A classificacao automatica dealvos e util para discriminar minas em potencial de outrosobjetos. Grande potencial DNN.

Logıstica e Transporte militares

Gerenciamento de informacoes e tomada de decisoes.


Casos de Uso - IA Militar - Seguranca Cibernetica

A deteccao de intrusoes e uma parte importante da SC para detectaratividades maliciosas da rede antes que comprometa adisponibilidade, a integridade ou a confidencialidade das informacoes.

Figura: Fonte: On the Effectiveness of Machine and Deep Learning for CyberSecurity. 10th International Conference on Cyber Conflict, 2018


Obrigada!

Painel PO Militar - 08/11 as 13:45hSessao Tecnica LNCC - 08/11 as 15:05h

[email protected]

Documents

Inteligência Arti cial e suas Aplica˘c~oes na Tr plice H ...€¦ · Inteligência Arti cial e uma grande area de pesquisa em Ciência da Computa˘c~ao Muitas de ni˘c~oes para