IntroduçãoIntrodução

Inteligência ComputacionalProf. João Alberto Fabro

Estrutura da ApresentaçãoEstrutura da ApresentaçãoInício

Inteligência

Artificial...

O que se estuda!

Como foi estudado...

(Sistemas Especialistas)

Estrutura da ApresentaçãoEstrutura da Apresentação

Inteligência Computacional

Algoritmos Genéticos

Redes Neurais

Lógica Fuzzy

Inteligência Artificial x Computacional 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

– Sistemas Nebulosos (Fuzzy)

Conceitos BásicosConceitos Básicos

A INTELIGÊNCIA É SÓ HUMANA?A INTELIGÊNCIA É SÓ HUMANA?

Em um primeiro momento, a inteligência era geralmente associada a Em um primeiro momento, a inteligência era geralmente associada a uma característica unicamente humana, de representação de uma característica unicamente humana, de representação de conhecimentos e resolução de problemas, refletindo um ponto de conhecimentos e resolução de problemas, refletindo um ponto de vista altamente antropocêntrica. Mas, ainda assim, nós, humanos, vista altamente antropocêntrica. Mas, ainda assim, nós, humanos, não compreendemos a nós mesmos, como funciona nossa não compreendemos a nós mesmos, como funciona nossa “inteligência” e nem mesmo a origem de nossos pensamentos. “inteligência” e nem mesmo a origem de nossos pensamentos.

Hoje em dia, para muitos pesquisadores, a idéia de inteligência Hoje em dia, para muitos pesquisadores, a idéia de inteligência passou a ser associada com a idéia de sobrevivência. passou a ser associada com a idéia de sobrevivência.

FogelFogel: “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”.em uma variedade de ambientes”.

Inteligência - Conceitos BásicosInteligência - 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, 1950and Intelligence, 1950

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

O QUE É INTELIGÊNCIA?O QUE É INTELIGÊNCIA?

HelmHelm: “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”.apropriada”.

PiagetPiaget: “Adaptação ao ambiente físico e social”.: “Adaptação ao ambiente físico e social”.

Inteligência Artificial Inteligência Artificial

Área de Pesquisa Multidisciplinar:

Biologia

Computação

Engenharia

- Estuda maneiras de simular/obter comportamento inteligente!

- Fazer as máquinas realizarem tarefas que requerem inteligência!

PROBLEMAS DE PESQUISA EM IAPROBLEMAS 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

• Sistemas Multi-AgentesSistemas Multi-Agentes

Áreas de Pesquisa em IAÁreas 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> Emerging Applications

HistóricoHistórico

••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).(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)- Autômatos (relógios, jogador de xadrez, Frankenstein)- Analytical Engine, Babbage, 1842 - “Ela seria capaz de - Analytical Engine, Babbage, 1842 - “Ela seria capaz de compor peças musicais de qualquer grau de complexidade e compor peças musicais de qualquer grau de complexidade e extensextensãão” (comentário de Lady Lovelace)o” (comentário de Lady Lovelace)

Precursores da IAPrecursores 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.inteligência.

HistóricoHistórico

• • 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

•LimitaLimitaççõesões: Limitação das capacidade computacionais.: Limitação das capacidade computacionais.

HistóricoHistórico

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

•ObjetivoObjetivo: Simular a inteligência Humana e expandir ao máximo as aplicações : Simular a inteligência Humana e expandir ao máximo as aplicações da IA.da IA.

•MetodologiaMetodologia: Solucionadores gerais de problemas e lógica.: 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)

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

•MetodologiaMetodologia: formalismos de representação de conhecimento : formalismos de representação de conhecimento adaptados ao tipo de problema, mecanismos de ligação procedural adaptados ao tipo de problema, mecanismos de ligação procedural

visando maior eficiência computacional.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.tratar mesmo o mais banal problema de senso comum.

HistóricoHistórico

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

•ObjetivoObjetivo: Simular o comportamento de um especialista humano ao : Simular o comportamento de um especialista humano ao resolver problemas em um domínio específico.resolver problemas em um domínio específico.

•MetodologiaMetodologia: Sistemas de regras, representação da incerteza, : Sistemas de regras, representação da incerteza, popularização do Prolog.popularização do Prolog.

•LimitaLimitaççõesões: 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-????)

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

•MetodologiaMetodologia: Qualquer que funcione!(: 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!)biológica resolvem problemas difíceis!)

•LimitaLimitaççõesões: Complexidade dos problemas tratados.: Complexidade dos problemas tratados.

Inteligência ComputacionalInteligência Computacional

– O que é “Inteligência Computacional”?– Áreas de Aplicação– Lógica Nebulosa (Fuzzy)– Redes Neurais– Algoritmos Genéticos– Conclusões

O que é Inteligência Computacional?O que é Inteligência Computacional?

“Técnicas e sistemas computacionais que

imitam aspectos humanos, tais como:

percepção, raciocínio, aprendizado,

evolução e adaptação”.

Inspiração na NaturezaInspiração na Natureza

Sistemas Especialistas - inferência humana

Lógica Fuzzy - processamento lingüístico

Redes Neurais - neurônios biológicos

Algoritmos Genéticos - evolução biológica

Sistemas Híbridos - aspectos combinados

Novos Sistemas ComputacionaisNovos Sistemas Computacionais

Suporte à DecisãoClassificação de DadosReconhecimento de PadrõesPrevisãoOtimizaçãoControleModelagemPlanejamentoDescoberta de Conhecimento

Automação Inteligente IAutomação Inteligente I

Planejamento da ProduçãoMonitoração do ControleDetecção e Diagnóstico de FalhasManutenção PreventivaSimulação e Modelagem de ProcessosRobóticaReconhecimento de Imagens, VozInferência/Predição de Propriedades

Automação Inteligente IIAutomação Inteligente IIPlanejamento 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, com planejamento de trajetórias por Algoritmos Genéticos.

Automação Inteligente IIIAutomação 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.

Áreas de Aplicação em NegóciosÁreas de Aplicação em Negócios

Avaliação de FinanciamentoPrevisão de Demanda de ProdutosAvaliação de RiscoPerfil do ConsumidorGerência de CarteiraPrevisão de Ativos Financeiros Detecção de Fraude (Cartões de Crédito, Sistemas de Telefonia)Planejamento da Produção e Distribuição

Sistemas EspecialistasSistemas 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

manipulável pelo computador.

Representação do ConhecimentoRepresentação 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

THEN seguro = 5% valor carro

Organização de Sistemas EspecialistasOrganização 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

AvaliaçãoAvaliação

Adequada para aplicações onde:

o conhecimento (o especialista) é acessível,

as regras são conhecidas

e fáceis de serem formuladas por este especialista,

e quando explicações são necessárias.

AvaliaçãoAvaliação

Vantagens utiliza representação explícita do conhecimentoprogramas fáceis de ler e de compreendercapazes 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

Lógica NebulosaLógica 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

Lógica NebulosaLógica 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

Conjunto NebulosoConjunto Nebuloso

Indica uma definição (imprecisa) de um termo lingüístico (também impreciso) utilizado comumente pelas pessoas:

Ex: A cantina externa é perto daqui!

A cantina interna é meio longe(meio perto): (0.5/perto=±100m)

Conjuntos Nebulosos e PertinênciaConjuntos 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):

-1,60 é 0,25/baixo+0,75/mediano, i.e., é mais mediano do que baixo!

Lógica Fuzzy - ControleLógica Fuzzy - Controlese (x1(distância até a esquina) é grande) e (x3(ângulo com a parede) é nulo)

e (x2 e x4 (distâncias laterais) não são pequenas)

então (y(atuação no volante do carro) é nulo->vá em frente).

Lógica Nebulosa - AvaliaçãoLógica Nebulosa - Avaliação

Técnica utilizada em aplicações:

• onde o conhecimento envolve

conceitos subjetivos e intrinsicamente

imprecisos;

• e onde deseja-se obter explicações

sobre o resultado do problema.

Lógica Nebulosa - AvaliaçãoLógica 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.

Redes NeuraisRedes Neurais

Modelo Computacional inspirado nos

neurônios biológicos e na estrutura do

cérebro, com capacidade de adquirir,

armazenar e utilizar conhecimento

experimental.

Relação com a NaturezaRelação com a Natureza

CérebroNeurônio BiológicoRede de Neurônios10 bilhões neurôniosAprendizadoGeneralizaçãoAssociaçãoReconhecimento de Padrões

Redes Neurais ArtificiaisNeurônio ArtificialEstrutura em Camadascentenas/milharesAprendizadoGeneralizaçãoAssociaçãoReconhecimento de Padrões

Neurônio Biológico x ArtificialNeurônio Biológico x Artificial

Rede Neural ArtificialRede Neural Artificial(Feedforward)(Feedforward)

AvaliaçãoAvaliação

Indicada para o reconhecimento de

padrões em aplicações com dados

ruidosos ou incompletos, e quando

regras claras não podem ser

facilmente formuladas.

AvaliaçãoAvaliação

Vantagens modelagem de sistemas não lineares aprendizado automático tolerante a dados ruidosos e incompletos resposta rápida e precisa modelos compactos

Desvantagensausência de explicaçõessensível a quantidade de dados disponível

Algoritmos GenéticosAlgoritmos GenéticosAlgoritmo 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.

Analogia com a NaturezaAnalogia 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

Qual a finalidade de Algoritmos Genéticos?Qual a finalidade de Algoritmos Genéticos?

Adaptativo

– informação corrente influencia a busca futuraParalelo

– várias soluções consideradas a cada momentoProblema Complexo

– de difícil formulação matemática ou com grande

espaço de busca (grande número de soluções)

Operações BásicasOperações Básicas

Seleção: privilegia os indivíduos mais aptos

Reprodução: indivíduos (palavras binárias) são reproduzidas com base na aptidão

Crossover: troca de genes (pedaços de palavras)

Mutação: troca aleatória de um gene (bit da palavra)

AvaliaçãoAvaliação

Aplicado em problemas complexos de

otimização – de difícil modelagem

matemática, com variedade de regras e

condições, ou com grande número de

soluções a considerar.

AvaliaçãoAvaliação

VantagensTécnica de busca globalOtimização de problemas

mal estruturadosDispensa formulação

matemática precisa do problema

DesvantagensDificuldade na representação do cromossomaEvolução demorada em alguns problemas

ConclusõesConclusões

Problemas Reais são difíceis!

Mas seres vivos resolvem problemas reais!

Então como fazer para resolvê-los com Máquinas?

Imitando Seres Vivos!

Fim!