Inteligncia Artificial Aplicada

Prof.: Gonalo Melo

Email: goncalomgn@gmail.com

 Disciplina de dois encontros: 16 e 17 de

maio e 06 e 07 de Junho.
Primeiro encontro:
Introduo
Aplicaes
Agentes
Sistemas Especialistas
Mtodos de Busca
Incio do Trabalho valendo nota

 Segundo encontro:
Algoritmos Genticos/Computao Evolutiva
Redes Neurais
Lgica Nebulosa (Fuzzy)
Inteligncia Artificial e Indstria
Prova

Introduo
A Inteligncia Artificial (IA) :
Um ramo da Computao Cientfica que se
preocupa
com
a
automao
de
comportamento inteligente.
A IA baseada em princpios tericos, como:
Os
estruturas
de
dados
utilizadas
na
representao do conhecimento;
Os algoritmos necessrios para aplicar esse
conhecimento;
As linguagens e tcnicas de programao
utilizadas na sua implementao.

Utilizao de IA

Pesquisadores de IA assumem muitas vezes o papel de engenheiros...

Disfarando determinados artefatos de inteligentes.

Estes, muitas vezes vm na forma de ferramentas de prognstico, ou

na visualizao de diagnstico que permitem que seus usurios
humanos executem tarefas complexas.
Exemplos destas ferramentas incluem:
Modelos ocultos de Markov para a compreenso da linguagem,
Sistemas automatizados de raciocnio para provar novos teoremas e
matemtica,
Redes Bayesianas dinmicas para rastreamento de sinais atravs de
redes corticais e
Visualizao de padres de dados de expresso gnica.

Exemplos

Big data

Jogos

Jogos

Drones

Robs

Robs

Robs

Mas e a prpria inteligncia?

O problema de definir toda a Inteligncia Artificial torna-se
um problema de definir a prpria inteligncia:
A inteligncia simplesmente uma nica capacidade ou
apenas um nome para uma coleo de habilidades
distintas e independentes?
At que ponto o aprendizado inteligente se ops a ser
uma ter uma existncia a priori?
Exatamente o que acontece quando ocorre a
aprendizagem?
O que criatividade?
O que intuio?
Inteligncia pode ser inferida a partir do comportamento
observvel, ou ela exige a comprovao de um
mecanismo interno particular?

Mas e a prpria inteligncia?

Como o conhecimento representado no tecido
nervoso de um ser vivo, e que lies isto fornece para
a concepo de mquinas inteligentes?
O que a autoconscincia, que papel desempenham
na inteligncia?
Alm disso, necessrio criar um programa de
computador inteligente depois de aprender sobre a
inteligncia humana, ou somente uma "engenharia"
para resolver o problema j seria suficiente?
Ser que mesmo possvel alcanar a inteligncia
em um computador, ou ser que a inteligncia requer
a riqueza de sensaes e experincias que podem
ser encontrados apenas em uma existncia
biolgica?

Respostas???
Estas so perguntas sem respostas.
Todas tm ajudado a moldar os problemas e
metodologias de solues que constituem o ncleo da IA
moderna.
A parte atrativa da inteligncia artificial que ela uma
nica e poderosa ferramenta para explorar exatamente
estas perguntas.
A IA oferece um meio e um banco de ensaio para as
teorias de inteligncia:
Tais teorias podem ser declarados na linguagem de programas
de computador, que conseqentemente podem ser testadas e
verificadas atravs da execuo desses programas em um
computador real.

Definio de IA
Por estas razes, a definio inicial de
inteligncia artificial est aqum de uma
definio sem ambigidades.
Dificuldade em chegar a uma definio
precisa?
A inteligncia artificial ainda uma disciplina
jovem, e sua estrutura, preocupaes e
mtodos so menos claramente definidos do
que os de uma cincia mais madura como a
Fsica.

Qual a real preocupao da IA?

Preocupa-se com a expanso das
capacidades da computao.
No se preocupa com a definio de seus
limites.

Definio de IA
A IA define-se como o conjunto de problemas e
metodologias estudadas por seus
pesquisadores.
Procura entender e construir entidades
inteligentes.
Atravs da IA podemos:
Descobrir mais sobre ns mesmos (Filosofia e
Psicologia);
Construir sistemas inteligentes que so interessantes
e teis.

Quatro pontos de vista sobre IA

(Definies de IA)

Classes de definies
I. Agindo como humanos:
A abordagem do teste de Turing.

II. Pensando como humanos:

A abordagem cognitiva.

III. Pensando racionalmente:

A abordagem das leis do pensamento.

IV. Agindo racionalmente:

A abordagem do agente racional.

I. Agindo como humanos:

O teste de Turing
Proposto por Alan Turing, em 1950, no artigo:
Computing Machinery and Intelligence
<http://www.abelard.org/turpap/turpap.htm>

Suas questes:
As mquinas podem pensar? As mquinas podem se comportar
inteligentemente?

Propunha um teste operacional para comportamento

inteligente, um Jogo de Imitao;
Previu que, em 2000, as mquinas teriam 30% de
chance de enganar uma pessoa leiga por 5 minutos;
Antecipou os principais argumentos contrrios IA dos
prximos 50 anos;

I. Agindo como humanos:

O teste de Turing
O teste define comportamento inteligente
como:
A habilidade de se alcanar desempenho
equivalente ao humano em todas as tarefas
cognitivas, de forma a enganar um
interrogador.

I. Agindo como humanos:

O teste de Turing

I. Agindo como humanos:

O teste de Turing
Para passar no teste, o computador precisa
das seguintes habilidades:

Processamento de Linguagem Natural;

Representao de Conhecimento;
Raciocnio Automtico;
Aprendizagem de mquina;

J para o teste de Turing Total, o computador

necessita:
Viso Computacional;
Robtica.

I. Agindo como humanos:

O teste de Turing
Exemplo:
O rob ED:

<http://www.ed.conpet.gov.br/br/converse.ph
p>

II. Pensando como Humanos:

Abordagem Cognitiva
Para dizer que um certo programa pensa como um
homem, devemos ser capazes de determinar como que
o homem pensa.
Como descobrir a forma que a mente humana trabalha
por dentro?
Atravs de introspeco:

Observao, por uma determinada pessoa, de seus

prprios processos mentais;
Atravs de experimentos psicolgicos.

Com uma teoria precisa do funcionamento da mente:

Seria possvel express-la em um programa de computador.

II. Pensando como Humanos:

Abordagem Cognitiva
Newel e Simon (1961) desenvolveram o GPS (General
Problem Solver).
Eles no se contentaram somente com a habilidade do
programa de resolver problemas;
Eles se preocuparam em comparar os passos do programa com
os passos de uma pessoa.

Cincia Cognitiva:
Modelos computacionais da IA + tcnicas experimentais da
psicologia;
Tenta construir teorias precisas e testveis a respeito dos
processos de funcionamento da mente humana.

IA e cincia cognitiva ajudam uma a outra,

especialmente em reas de viso computacional,
linguagem natural e aprendizagem.

III. Pensando racionalmente: a

abordagem das leis do
pensamento
Aristteles
Tentou codificar o pensamento correto com silogismos
Seus famosos silogismos produziram padres para estruturas
de argumentao que sempre geram dedues corretas quando
as premissas so verdadeiras:
Scrates homem. Todo homem mortal. Portanto Scrates
mortal.

Acreditava-se que as leis do pensamento deveriam

governar as operaes da mente.
Isso iniciou o campo da lgica;
O desenvolvimento da lgica formal foi nos sculos 19 e 20.
Fornecendo ento uma notao precisa para declarar sobre
todos os tipos de coisas do mundo e as relaes entre elas.

III. Pensando racionalmente: a

abordagem das leis do
pensamento
Em 1965, foram produzidos programas que,
dado tempo e memria suficientes, tomavam a
descrio de um problema em notao lgica e
encontravam uma soluo.
Foram encontrados obstculos para esta
abordagem:
Dificuldade de passar conhecimento informal para
termos formais (notao lgica), principalmente
quando o conhecimento impreciso;
Alm disso, existe uma grande diferena entre ser
capaz de resolver um problema e fazer isto na prtica
(recursos computacionais).

IV. Agindo racionalmente:

a abordagem do agente racional
Uma ao racional, ou seja, agir racionalmente significa
atingir os objetivos, dados os seus conhecimentos e
crenas anteriores.
Um agente qualquer entidade com capacidade de
percepo e ao.
As Leis do pensamento permitem fazer inferncias
corretas.
Fazer inferncias corretas parte de uma agente
racional;
Agir racionalmente raciocinar logicamente sobre o
objetivo que uma dada ao ir alcanar, e ento agir.

Agente Inteligente

IV. Agindo racionalmente:

a abordagem do agente racional
Tradicionalmente, agir racionalmente significa
raciocinar logicamente ao se atingir uma
concluso.
Porm, na vida real a racionalidade no
apenas uma inferncia correta,
Pois h outras formas de agir racionalmente que no
envolvem necessariamente inferncia. Ex:
Remover a mo de algo quente.
esta ao mais eficaz do que uma deliberao lenta e
cuidadosa.

IV. Agindo racionalmente:

a abordagem do agente racional
Vantagens sobre as outras abordagens:
O agente mais geral do que as leis do
pensamento, visto que a inferncia correta um
mecanismo til somente para se atingir racionalidade,
que no um mecanismo necessrio;
O agente mais aberto ao desenvolvimento cientfico
do que as abordagens baseadas no comportamento
e pensamento humano, pois a racionalidade mais
claramente definida e mais geral.

Agentes Inteligentes

Agentes
Um agente e algo capaz de perceber seu
ambiente por meio de sensores e de agir
sobre esse ambiente por meio de
atuadores.

Agentes
Agente humano
Sensores: Olhos, ouvidos e outros rgos.
Atuadores: Mos, pernas, boca e outras partes do
corpo.

Agente robtico
Sensores: cmeras e detectores de infravermelho.
Atuadores: vrios motores.

Agente de software
Sensores: entrada do teclado, contedo de arquivos e
pacotes vindos da rede.
Atuadores: tela, disco, envio de pacotes pela rede.

Caractersticas Cognitivas
Bsicas:
Autonomia: capacidade de agir sem
interveno de outros agentes.
Reatividade: habilidade de reagir a estmulos
do ambiente.
Pro atividade: propriedade de agir guiado por
objetivos, a partir de iniciativa prpria.
Sociabilidade:
potencialidade
de
se
comunicar com outros agentes do ambiente.

Caractersticas Cognitivas
Adicionais:
Adaptatividade: capacidade de se adaptar ao
ambiente (aprendizado).
Mobilidade: habilidade de se mover entre ambientes.
Veracidade: propriedade de dizer sempre a verdade.
Benevolncia: caracterstica de realizar tudo aquilo
que lhe e solicitado.
Racionalidade: capacidade de agir sempre em busca
dos prprios objetivos.

Mapeando percepes em aes

Seqncia de percepes:
histria completa de tudo que o agente percebeu

O comportamento do agente dado

abstratamente pela funo do agente:
[ f : P* A ]
onde e a P* e uma seqncia de percepes e A e
uma ao.
O programa do agente roda em uma
arquitetura fsica para produzir f.
Agente = arquitetura + programa.

Exemplo:
O mundo do aspirador de p
Percepes:
Poderiam ser formalizadas como: [ local,
contedo ]
Exemplo: [A, sujo]

Aes: Esquerda, Direita, Aspirar, NoOp

Uma funo para o agente

aspirador de p

Agentes Racionais
Como preencher corretamente a tabela de
aes do agente para cada situao?
O agente deve tomar a ao correta
baseado no que ele percebe para ter
sucesso.

Agentes Racionais
O conceito de sucesso do agente depende de
uma medida de desempenho objetiva.
Exemplos:

quantidade de sujeira aspirada,

gasto de energia,
gasto de tempo,
quantidade de barulho gerado,
etc.

A medida de desempenho deve refletir o

resultado realmente desejado.

Agentes Racionais
O Agente racional deve para cada
seqncia de percepes possveis:
Selecionar uma ao para a maximizar sua
medida de desempenho.

A seleo da ao deve ocorrer

baseando-se:
na evidencia fornecida pela seqncia de
percepes,
por qualquer conhecimento interno do agente.

Agentes Racionais

Racionalidade e diferente de perfeio (Oniscincia).

A racionalidade maximiza o desempenho esperado, enquanto a
perfeio maximiza o desempenho real.
A escolha racional s depende das percepes ate o momento.

Oniscincia: Capacidade de saber tudo infinitamente.

Mas os agentes podem e devem executar aes para coleta de
informaes.
Um tipo importante de coleta e a explorao de um ambiente
desconhecido.

O agente tambm pode e deve aprender, ou seja, modificar seu

comportamento dependendo do que ele percebe ao longo do
tempo.
Nesse caso, o agente e chamado de autnomo.
Um agente que aprende pode ter sucesso em uma ampla variedade de
ambientes.

PEAS
Ao projetar um agente, a primeira etapa
deve ser sempre especificar o ambiente
de tarefa.
Performance: Medida de Desempenho ;
Environment: Ambiente;
Actuators: Atuadores;
Sensors: Sensores;

Exerccio
Crie um PEAS
Automatizado

de

Medida de desempenho:
____________________
Ambiente:
____________________
Atuadores:
____________________
Sensores:
____________________

um

Motorista

de

Taxi

Motorista de Taxi Automatizado

Medida de desempenho:
viagem segura, rpida, sem violaes as leis de
transito,
confortvel
para
os
passageiros,
maximizando os lucros.

Ambiente:
ruas, estradas, outros veculos, pedestres, clientes.

Atuadores:
direo, acelerador, freio, embreagem, marcha, seta,
buzina.

Sensores:
cmera, sonar, velocmetro, GPS, acelermetro,
sensores do motor, teclado ou microfone.

Exerccio
Crie um PEAS de um Sistema de Diagnostico
Medico
Medida de desempenho:
____________________
Ambiente:
____________________
Atuadores:
____________________
Sensores:
____________________

Sistema de Diagnostico Medico

Medida de desempenho:
Deixa o paciente saudvel; minimizar custos e
processos judiciais.

Ambiente:
paciente, hospital, equipe.

Atuadores:
exibir na tela
tratamentos.

perguntas,

testes,

diagnsticos,

Sensores:
entrada pelo teclado para sintomas, descobertas,
respostas do paciente.

Exerccio
Crie um PEAS de um Rob de seleo de pecas
Medida de desempenho:
____________________
Ambiente:
____________________
Atuadores:
____________________
Sensores:
____________________

Rob de seleo de pecas

Medida de desempenho:
porcentagem de pecas em bandejas corretas.

Ambiente:
correia transportadora com pecas; bandejas.

Atuadores:
brao e Mao articulados.

Sensores:
cmera, sensores angulares articulados.

Propriedades de
ambientes de tarefa

Completamente versus parcialmente observvel

Os sensores do agente do acesso ao estado completo do ambiente
em cada instante. (completamente)
Todos os aspectos relevantes do ambiente so acessveis.
(completamente)
Somente uma parte do ambiente so visveis. (parcialmente)

Determinstico versus estocstico

O prximo estado do ambiente e completamente determinado pelo
estado atual e pela ao executada pelo agente. (determinstico)
Se o ambiente e determinstico, exceto pelas aes de outros agentes,
dizemos que o ambiente e estratgico.
Estocstico define-se quando tem-se origem em processos no
determinsticos, com origem em eventos aleatrios.

Propriedades de
ambientes de tarefa

Episdico versus seqencial

A experincia do agente pode ser dividida em episdios, com
percepo e execuo de uma nica ao. (episdico)
A escolha da ao em cada episodio so depende do prprio episodio.
(episdico)
A escolha da ao e o estado do ambiente dependem de uma
seqncia de episdios anteriores. (seqencial)

Esttico versus dinmico

O ambiente e parado, no muda enquanto o agente pensa (esttico).
O ambiente e se mi se ele no muda com a passagem do tempo, mas o
nvel de desempenho do agente se altera.
E dinmico quando o ambiente muda a todo tempo e enquanto o
agente pensa, o ambiente j se altera.

Propriedades de
ambientes de tarefa
Discreto versus continuo
Um numero limitado e claramente definido de
percepes e aes. (discreto)
Um numero infinito de percepes e aes.
(continuo)

Agente nico versus multiagentes

Um nico agente operando sozinho no ambiente.
Somente ele e capaz de modificar o ambiente.
No caso multiagente podemos ter:
Multiagente cooperativo;
Multiagente competitivo.

Xadrez com tempo

Xadrez Sem Tempo

Direo de taxi

Completamente
observvel

Sim

Sim

No

Determinstico

Sim

Sim

No

Episdico

No

No

No

Estatstico

Semi

Sim

No

Discreto

Sim

Sim

No

Agente nico

No

No

No

O tipo de ambiente de tarefa determina em grande parte o projeto do agente.

O mundo real e parcialmente observvel, estocstico, seqencial, dinmico,
continuo, multiagente

Exerccio
Quais as propriedades dos ambientes que
voc criou?
Completamente ou Parcialmente observvel;
Determinstico ou Estocstico;
Episdico ou Seqencial;
Esttico ou Dinmico;
Discreto ou Continuo;
Agente nico ou Multiagente.

Programas e funes de agentes

Um agente e completamente especificado
pela funo de agente: que mapeia
seqncia de percepes em aes.

Uma nica funo de agente e racional.

ou uma nica classe de funes equivalentes.

Objetivo:
encontrar uma maneira de representar a
funo racional do agente concisamente.

Agente Bsico

Onde esta a medida de eficincia?

Ser que a escolha da ao pode ser feita a
partir de uma tabela que relacione diretamente
condio/ao?

Agente Dirigido por Tabela

Desvantagens:
Tabela muito grande (Ex.: xadrez = 10150 entradas);
Tempo longo para construir a tabela;
Nao tem autonomia;
Mesmo com aprendizado, demoraria muito para aprender todos
os movimentos da tabela.

Tipos Bsicos de Agentes

Quatro tipos bsicos, do mais simples ao
mais geral :
Agentes reativos simples;
Agentes reativos baseados em modelos;
Agentes baseados em objetivos;
Agentes baseados na utilidade.

Agente Reativo Simples

Exemplo de
Agente Reativo Simples

Possui as aes baseadas no estado atual do mundo;

Agem por reflexo: condio ao;
fazendo a ligao direta entre a percepo do mundo e a ao.

O agente funciona apenas se

o ambiente for completamente observvel e
a deciso correta puder ser tomada com base apenas na
percepo atual.

Agentes Reativos Baseados em

Modelo

Agentes Reativos Baseados em

Modelo

Necessrios quando um histrico e necessrio,

alem da informao dos sensores.

Agentes Baseados em Objetivos

Agentes Baseados na Utilidade

Agentes com Aprendizagem

Representao de
Conhecimento

Representao e Inteligencia
Metodos fracos de resolucao de problemas
Utilizavam pesquisa heuristica;
Logic Theoristic Shaw, Newell e Simon, 1963;

Busca em espaco de estados;

General Problem Solver Newell e Simon, 1963-1972.
Analise meio-fim: buscava operadores que aproximavam o
estado atual do objetivo.

Programas feitos com regras especificas baseadas

em sintaxe e planejadas para resolver uma grande
variedade de problemas.

Representao e Inteligencia
Mtodos fortes de resoluo de problemas
Utilizam conhecimento explicito de um de um domnio
particular de problemas;
Possui conhecimento emprico (adquirido ate a
observao) de determinado ambiente;
Precisam de muito conhecimento especifico do domnio;
Exemplo:

SE
o motor nao virar, e
as luzes nao acendem
ENTAO
o problema e na bateria ou nos cabos.

Elimina outros componentes e poda o espao de

pesquisa.

Representao e Inteligencia

Mtodos fortes de resoluo de problemas

So realizadas certas suposies sobre a natureza dos sistemas
inteligentes.
Essas suposies so formalizadas por Brian Smith (1985) como a
hiptese de representao do conhecimento:
Qualquer processo inteligente mecnico ser composto de ingredientes
estruturais que
(a) nos, como observadores externos naturalmente tentaremos representar
uma considerao proposicional do conhecimento que o processo como um
todo exibe, e
(b) independentes de qual atribuio semntica externa utilizada,
recrearemos uma regra formal para produzir o comportamento que se
manifesta esse conhecimento.

(a) supe que o conhecimento ser representado proposicionalmente;

(b) supe que o comportamento do sistema foi causado pelas
proposies da Base de Conhecimento.

Paradigmas de representao do
conhecimento

Lgica;
Sistemas de Produo;
Redes Semnticas;
Quadros (Frames);
rvores de Deciso.

Representacao por Logica

Trabalha sobre proposicoes:
Simples:
p: esta chovendo;
q: a raiz quadrada de 4 e 2;

Compostas:
P: esta chovendo e ventando;
Q: se esta chovendo, entao a pista esta molhada.

Representao por
Sistemas de Produo
Proposto pelo matemtico Emil Post em
1943:
Para tratar procedimentos computveis.

As regras esto no formato:

condio ao
SE <condio> ENTAO <ao>
Utilizando a regra de inferncia Modus
Ponens

Representao por
Redes Semnticas
E formado por um grafo orientado.
Possui associaes declarativas e
procedurais.
Os nos representam os objetos.
As arestas representam as relaes entre
os objetos.

Representao por
Quadros (Frames)
Baseia-se na hiptese de que
as pessoas usam conhecimentos adquiridos
em experincias anteriores
para resolver situaes novas.

Uma nova experincia

Incrementa o conhecimento atual;
Gera maior especializao.

Representao por
Arvores de Deciso

Sistemas Especialistas (SE)

Introduo
Os especialistas humanos conseguem um bom nvel de
trabalho.
Eles possuem muito conhecimento especifico sobre sua rea de
especialidade.

Assim como um especialista humano, um Sistema

Especialista utiliza conhecimento especifico de um
problema.
Assim fornece qualidade de um especialista para realizar
aes nessa rea.

Geralmente,
Um sistema especialista e alimentado com informaes de um
especialista humano;
O sistema emula ento a especialidade e o desempenho do
humano sobre determinado ambiente.

Sistemas Especialistas
Assim como os humanos,
Os SE so especializados, focando um
pequeno conjunto de problemas.
Seu conhecimento e terico e pratico:
Os especialistas humanos aumentam sua prpria
compreenso do problema com truques, atalhos e
heursticas;
Ou seja, utilizam o conhecimento que possuem e
adquirem novos conhecimentos no processo de
resoluo de problemas.

Caractersticas
Em sua forma geral, os sistemas especialistas:
Possuem suporte para inspecionar seu processo de raciocnio,

Tanto para representar os passos intermedirios para

alcanar a ao,
Quanto para responder questes sobre o processo de
soluo do problema.
Permitem modificar de forma fcil suas habilidades,

Adicionando e/ou removendo regras de sua base de

conhecimento.
Possuir inferncias heursticas,

Permitindo utilizar eu conhecimento (geralmente

imperfeito) para obter solues teis.

Explicaes do conhecimento
O conhecimento de um sistema especialista
deve permitir sua inspeo, provendo:
Informaes sobre a soluo do problema;
Explicaes sobre as decises e escolhas que o
programa fez ou esta fazendo.

Explicaes so importantes para os humanos,

Tanto um medico quando um engenheiro vo
necessitar de motivos para acreditar nas respostas
do Sistema Especialista.
Um humano no vai aceitar a opinio de outro
humano ou de uma maquina sem entender as
justificativas para isso.

Caracteristicas
Demais atributos que um SE pode fornecer:
Permitir que os usurios interajam com o sistema
(desejvel):
Interao com sua linguagem natural: portugus ou
ingls, por exemplo.

Funcionar com informaes incompletas ou incertas:

Utilizao de tcnicas estatsticas, ou
Lgica Nebulosa.

Apresentar velocidade;
Apresentar confiabilidade;
Apresentar preciso de suas recomendaes
(respostas).

Sistemas Especialistas (SE)

Os SE tem sido criados para resolver uma enorme
quantidade de problemas em domnios diversos, como:
Medicina;
Matemtica;
Engenharia;
Qumica;
Geologia;
Computao;
Negcios;
Sistemas de Leis;
Sistemas de defesa; e
Educao.

Sistemas Especialistas (SE)

Categorias comuns dos SE:
Interpretao:
Obtendo informaes de alto nvel, extradas de coletas de dados em
seu estado original ou no processados.

Prognostico (predio):
Projetando provveis conseqncias de determinadas situaes.

Diagnose:
Utilizar os sintomas observveis para determinar a causa de
defeitos/problemas em casos complexos.

Esboo (design):
Encontrar uma configurao de componentes do sistema que atenda
os objetivos, satisfazendo um conjunto de restries de projeto.

Sistemas Especialistas (SE)

Categorias comuns dos SE:
Planejamento:
Elaborar uma seqncia de aes para atingir uma meta, porem
seguindo as condies iniciais e as restries de tempo.

Monitoramento:
Comparar o comportamento real de um sistema com o comportamento
esperado.

Ensino:
Auxiliar no processo de educao de domnios tcnicos e tericos.

Controle (administrao):
Dirigir/Administrar o comportamento de um ambiente complexo.

Arquitetura de um SE:
Base de Conhecimento
Componente responsvel pelo armazenamento do
conhecimento.
Deve usar algum dos modelos de representao:
Lgica, Regas de Produo, Redes semnticas, Quadros, etc.

Os sistemas de Produo costumam ser os mais

utilizados, pois possuem:
Modularidade:
Cada regra define um pequeno e independente pedao do
conhecimento.
Permitindo grande facilidade para adicionar novas regras.
Regras incorretas podem ser facilmente alteradas ou excludas.

Uniformidade:
Todas as regras utilizam um mesmo modelo de representao.
Permitindo entender o contedo do conhecimento armazenado nas
regras.

Facilidade de explicar as decises e solues obtidas.

Arquitetura de um SE:
Interfaces de Aquisio e do
Usurio
De Aquisio:
Permitir ao especialista
definir e manipular regras;
Apoiar a construo
inicial da Base de
Conhecimento;
Permitir atualizaes:
Correes de regras;
Adio de novas regras.

De Usurio:
Responsvel da interao
do usurio com o sistema:
Para obter respostas as
perguntas; e
Explicaes referentes de
como chegou na concluso.

Responsvel com o grau

de satisfao do usurio,
pois e a interface de
comunicao do SE com o
usurio.

Arquitetura de um SE:
Maquina de Inferencia
Responsvel pelo processamento:
Das perguntas do usurio;
Dos fatos armazenados na base de conhecimento; e
Pela obteno das concluses e explicaes que
sero fornecidas ao usurio.

E capaz de gerar novos conhecimentos,

baseando-se:
Nos Fatos;
Nas Suposies; e
Nos Conhecimentos ja existentes em sua base.

Atravs de uma Seqncia de Operadores,

a Maquina de Inferncia torna-se capaz
de sair de um Estado Inicial e alcanar um
Estado Final.

Mquina de Inferncia
Seu conhecimento pode ser representado
de diferentes formas.
Exemplos:
Com Sistemas de Produo (mais comum):
Encadeamento direto;
Encadeamento reverso;

Redes Semnticas.

Mquina de Inferncia

1.
2.
3.
4.
5.

Sistema de Produo, Encadeamento Direto (Prova

Direta):
A memria de trabalho recebe dados sobre o problema;
O processo de inferncia deduz outros dados utilizando
regras. Para isso, compara os dados da memria de
trabalho com as premissas das regras referentes.
Ento, adiciona a memria de trabalho os dados inferidos
(concluso de regras validas);
Efetua perguntas ao usurio para confirmar as premissas
adicionais.
O processo termina quando ocorre a confirmao da
regra de concluso, para que possa ser aceita como
resposta final.

Mquina de Inferncia
Sistema de Produo, Encadeamento
Reverso (Prova Indireta):
Utiliza somente as regras que so relevantes
a um problema em questo.
O processo inicia da concluso a ser
provada, tentando provar a validade de suas
premissas.

Mtodos de Busca

Soluo de problemas como Busca

Um problema pode ser considerado como um objetivo
Um conjunto de aes podem ser praticadas para
alcanar esse objetivo
Ao buscar um objetivo, estamos em um determinado
estado
O estado inicial e quando iniciamos a busca
O estado que satisfaz a meta e o estado objetivo

Busca
Mtodo que examina o espao de um problema, buscando um
objetivo

O espao de um problema e seu Estado de Busca

Busca guiada por

Dados ou Objetivos
Abordagens para fazer uma arvore de busca
De-cima-para-baixo:
Encadeamento para frente;
Busca guiada por Dados;
Parte de um estado inicial e usa aes permitidas para
alcanar o objetivo.

De-baixo-para-cima
Encadeamento para trs;
Busca guiada por Objetivos;
Comea de um objetivo e volta para um estado inicial, vendo
quais deslocamentos poderiam ter levado ao objetivo.

Busca guiada por

Dados ou Objetivos
Ambas atingem o mesmo resultado;
Um dos mtodos pode ser mais rpido
que o outro, porem:
Depende da natureza do problema

Metodologias
Gerar e Testar tcnica de busca cega
A mais simples abordagem de busca;
Funcionamento: gerar cada no n espao de busca e testa-lo
para verificar se este e um no objetivo;
a forma mais simples de busca de fora bruta ou busca
exaustiva;

Precisa de um Gerador que satisfaa:

Ele deve ser completo, garantir que todas as solues possveis
serao geradas. Pois assim no descartara uma soluo
adequada;
Ele no deve ser redundante, no gerando a mesma soluo
duas vezes;
Ele deve ser bem informado, s deve propor solues
adequadas e que combinem com o espao de busca.

Busca em Profundidade
Segue cada caminho ate sua maior profundidade antes
de seguir para o prximo caminho
Se a folha no representar um estado objetivo,
A busca retrocedera ao primeiro no anterior que tenha um
caminho no explorado

Utiliza um mtodo chamado de retrocesso

cronolgico:
Volta na arvore de busca, uma vez que um caminho sem saida
seja encontrado
E assim chamado por desfazer escolhas na ordem contraria ao
momento em que foram tomadas

E um mtodo de busca exaustiva ou de fora bruta.

Exemplo

Busca em Largura (Extenso)

Percorre a arvore em largura ao invs de
profundidade.
Comeam examinando todos os nos de
um nvel abaixo do no raiz.
Se no encontrar o objetivo, buscam um
nvel abaixo.
Melhor em arvores que tenham caminhos
mais profundos.
Utilizado em rvores de jogos.

Exemplo

Comparao

O problema de caminhos infinitos pode ser evitado na busca em

profundidade pela aplicao de um limiar de profundidade

Propriedades dos mtodos de

busca
Complexidade:
Ligado ao tempo e espao utilizados na busca;

Completude:
Se e completo, ou seja, se sempre acha um objetivo (qualquer
objetivo);
Obs.: se houver objetivo;

Quanto a ser timo:

Garantir achar a melhor soluo (objetivo) que exista;
No garante que seja pelo menor caminho ou tempo.

Admissibilidade:
Garantir achar a melhor soluo pelo melhor caminho.

Irrevogabilidade:
No retrocedem, examinando assim somente um caminho.

Heursticas de Busca
Mtodos Informados:
Utilizam informao adicional sobre os ns no
explorados para decidir qual escolher.
Utilizam Heursticas.

Mtodos No Informados ou Cegos:

No utilizam informao adicional sobre os ns no
explorados.
No utilizam Heursticas.

Quanto melhor a heurstica for, menos ns ela

precisara examinar na rvore.

Subida na colina(Hill Climbing)

Caso de estudo
Se tentar escalar uma montanha em dia de neblina, com um
altmetro, mas sem mapa, voc utilizaria uma abordagem de
subida na colina
Abordagem Gerar e Testar;
Como proceder:

Verificar a altura a alguns centmetros de sua posio

em cada direo: norte, sul, oeste e leste.
Assim que encontrar uma posio que o leve para uma
altura maior que a atual, v para l e repita esses
passos.
Se todas as posies o levam para mais baixo de onde
esta, assuma que chegou ao topo.

Implementao da Subida na
Colina
colina:
lista = []
estado = no_raiz
repita:

se _Objetivo(estado)
retorne SUCESSO
seno
aux = Ordenar( sucessores(estado) )
InserirNaFrenteDaLista( aux )
se lista == []
retorne FALHA
Estado = fila[0]
RemoverPrimeiroItemDa ( lista )

Identificando o Caminho Otimo

Caminho timo
Aquele que tem o menor custo ou a menor
distancia entre n inicial e o n objetivo

Existem diversos mtodos que identificam

o caminho timo em uma arvore de busca
Mtodo mais simples
Procedimento do Museu Britnico envolve:
examinar cada caminho na arvore de busca,
retornar pelo melhor caminho que foi encontrado.

Identificando o Caminho timo

Algumas tcnicas mais sofisticadas:
Busca Gulosa
A*

Busca Gulosa
Estratgia:
Expande os ns que se encontram mais prximos do
objetivo (uma linha reta conectando os dois pontos no
caso de distancias), desta maneira provvel que a
busca encontre uma soluo rapidamente.

A implementao do algoritmo se assemelha ao

utilizado na busca cega, entretanto utiliza-se
uma funo heurstica para decidir qual o n
deve ser expandido.

Busca Gulosa

Funo Heurstica (h):

Distancia em linha reta

Busca Gulosa

Funo Heurstica (h):

Distancia em linha reta

Busca Gulosa
Custo de busca mnimo:
No exemplo, no expande ns fora do caminho.

No tima:
No exemplo, escolhe o caminho que mais econmico
primeira vista, via Fagaras.
Porm, existe um caminho mais curto via Rimnicu Vilcea.

No completa:
Pode entrar em loop se no detectar a expanso de estados
repetidos.
Pode tentar desenvolver um caminho infinito.

Busca A*
Estratgia:
Combina o custo do caminho g(n) com o valor da
heurstica h(n).
g(n) = custo do caminho do n inicial at o n n.
h(n) = valor da heurstica do n n at um n objetivo
(distancia em linha reta no caso de distancias
espaciais).
f(n) = g(n) + h(n).

a tcnica de busca mais utilizada .

Busca A*

Funo Heurstica (h):

Distancia em linha reta

Busca A*

Funo Heurstica (h):

Distancia em linha reta

Busca A*
A estratgia completa e tima.
Custo de tempo:
Exponencial com o comprimento da soluo, porm
boas funes heursticas diminuem
significativamente esse custo.

Custo memria:
Guarda todos os ns expandidos na memria.

Nenhum outro algoritmo timo garante expandir

menos ns

Trabalho em Sala
Pesquisar e explicar sobre Hill Climbing e
Explicar como o mtodo resolve o
problema das 8 Rainhas.
Pesquisar e explicar sobre Busca Gulosa
e explicar como o mtodo resolve o
problema do caixeiro viajante
Pesquisar e explicar sobre Busca em
Profundidade e Explicar como o mtodo
resolve o problema 8-Puzzle.

Trabalho Para Casa

Implementar um programa do Jogo da
Velha em qualquer linguagem.
O jogo dever ter dois nveis: fcil e difcil.
Fazer um relatrio sobre o projeto
Comentar o cdigo
Explicar qual mtodo e por que usou.
Entrega no Segundo Encontro.

Algoritmos Genticos

Redes Neurais

Lgica Fuzzi(Nebulosa)

Inteligncia Artificial e Indstria

A maioria dos processos qumicos caracterizada por no

linearidades, tempo morto muito elevado, processo
restritivos e condies de operao em constante
mudana.

SEVERO (2004 )

Inteligncia Artificial e Indstria

Melhor qualidade pelo menor custo...
Dificuldades:
no linearidade;
grande nmero de parmetros .

Controles:
I.A.: com controles preditivo e adaptativo;
Clssicos: parmetros constantes.
SEVERO (2004)

Inteligncia Artificial e Indstria

Controle de Processos...
Segundo Sellitto (2002), quando no existe um
modelo de processo para controlar por sua
complexidade ou custo e esse processo bem
controlado por especialistas humanos, podendo
verbalizar as regras, existem condies para o
uso de lgica fuzzy para automatizar o controle
do controle do processo.

Inteligncia Artificial e Indstria

Redes Neurais e Engenharia Qumica...
O mtodo mais adotado na soluo de
problemas com rede neural artificial feedforward
FANN em engenharia qumica, tanto para a
identificao/ modelagem quanto para controle
de processos o algoritmo retropropagao de
erro (backpropagation), que pelo uso extensivo
d nome a uma arquitetura prpria, embora
possua algumas limitaes.
SEVERO (2004)

Inteligncia Artificial e Indstria

Lgica Fuzzy...

Uso da lgica fuzzi em controles de processos industriais com regras de

inferncia e de defuzzificao por CBR.
(Sellitto, 2002)

Ilustrao 1 - O ciclo CBR de

aprendizado

Ilustrao 2 - Uso da lgica fuzzi em controles

de processos industriais (Sellitto, 2002)

Inteligncia Artificial e Indstria

Indstria de Software...
Ambientes de Engenharia de Software que fazem uso
de inteligncia artificial :
Marvel (Columbia University ) ambiente centrado em processo
que orientasse e assistisse os usurios que trabalham em
projetos de grande escala
Merlin (University of Dortmund) O prottipo do ambiente usa o
paradigma de regras para descrever e executar processos de
software.
Articulator - um ambiente baseado em conhecimento para
processo de desenvolvimento de software.
Pandora - Pandora uma mquina de processos baseada em
programao em lgica e conceitos de lgica temporal.