Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo
lO
que IntelignciaComputacional? l reas de Aplicao l Sistemas Especialistas l Lgica Nebulosa l Redes Neurais l Algoritmos Genticos
Inspirao na Natureza
l l l l l
Sistemas Especialistas Lgica Fuzzy Redes Neurais Algoritmos Genticos Sistemas Hbridos
inferncia humana processamento lingstico neurnios biolgicos evoluo biolgica aspectos combinados
Suporte Deciso Classificao de Dados Reconhecimento de Padres Previso Otimizao Controle Modelagem Planejamento Descoberta de Conhecimento
reas de Aplicao
Energia Finanas Telecomunicaes Medicina Meio-Ambiente Comrcio Indstria
Petroqumico
Industrial
Comercial
Automao Inteligente
Planejamento da Produo l Monitorao do Controle l Deteco e Diagnstico de Falhas l Manuteno Preventiva l Simulao e Modelagem de Processos l Robtica l Reconhecimento de Imagens, Voz l Inferncia/Predio de Propriedades
l
Automao Inteligente
l
Manuteno Preventiva
Redes Neurais so treinadas com a leitura dos sensores para apontar a perspectiva de falhas em programas de manuteno preventiva.
Automao Inteligente
l
Inferncia/Predio de Propriedades
Redes Neurais so treinadas para modelar a relao entre as variveis de entrada de um processo e as propriedades fsicas de um produto, permitindo que o operador possa influenciar no processo sem ter que esperar pela anlise laboratorial de amostras.
Seguro
Avaliao de Risco Clculo de Prmio de Seguro
Marketing
Mala Direta Perfil do Consumidor
Banco de Investimentos
Gerncia de Carteira Previso de Ativos Financeiros
Vigilncia
Deteco de Transaes Fraudulentas em Bolsas Deteco de Fraude em Cartes de Crdito
Planejamento
Planejamento da Produo e Distribuio Planejamento de Pontos de Venda
do Comportamento do Consumidor l Enriquecimento de Banco de Dados l Classificao de Clientes l Segmentao de Mercado l Modelagem do Comrcio Varejista l Anlise de Vendas
Negcios Inteligentes
n American Express - Autorizao de crdito line on n Fidelity Investments - Gerncia de carteira de investimentos ($ 2 bilhes) n IOC - Planejamento dos Jogos Olmpicos n Yamaichi Securities - Seleo de Aes Sistemas Especialistas
Redes Neurais
Algoritmos Genticos
Lgica Nebulosa
Sistemas Inteligentes
n Souza Cruz
- Fluxo de Caixa Inteligente n Eletrobrs - Previso do Consumo Mensal de Energia Eltrica n Embratel - Classificao de Clientes n PUC-Rio - Alocao de Salas de Aula Redes Neurais Algoritmos Genticos
Sistemas Especialistas
Conceitos Bsicos
Conceitos Bsicos
So programas que armazenam e manipulam o conhecimento adquirido de um especialista. Incorpora o conhecimento de um especialista
Conceitos Bsicos
Conceitos Bsicos
Requer entrevistas e observaes para extrair o conhecimento. Conhecimento representado em formato manipulvel pelo computador.
Representao do Conhecimento
Regras de produo
Regra i IF <condio_1> AND <condio_2>... THEN <ao_A> AND <ao_B> ....
Exemplos:
IF Carro = BMW AND cidade = So Paulo THEN seguro = 10% valor carro IF carro = Fiat AND cidade = Icapu THEN seguro = 4% valor carro
Mquina de Inferncia
Sistema de Explicaes
Aquisio de Conhecimento
Avaliao
Adequada para aplicaes onde: o conhecimento (o especialista) acessvel, as regras so conhecidas e fceis de serem formuladas por este especialista, e quando explicaes so necessrias.
Avaliao
Vantagens
l
Desvantagens
l
utiliza representao explcita do conhecimento programas fceis de ler e de compreender capazes de gerar justificativas (explicaes)
ausncia de mecanismo automtico de aprendizado processo longo e caro de extrao do conhecimento exigncia de declaraes precisas dos especialistas
Aplicaes Comerciais
Sistema de Auxlio para Autorizao de Crdito (CC) Anlise de emprstimos pessoais, Gerncia de Carteira de Investimento
Lgica Nebulosa
Conceitos Bsicos
Tcnica inteligente que tem como objetivo modelar o modo aproximado de raciocnio, imitando a habilidade humana de tomar decises em um ambiente de incerteza e impreciso
Conceitos Bsicos
Permite que os sistemas inteligentes de controle e suporte deciso lidem com informaes imprecisas ou nebulosas
Exemplos: investimento de alto risco presso mdia fluxo muito intenso alta temperatura muito jovem
Novos Conceitos
l Conjuntos l Grau
Nebulosos
l Regras
l Inferncia
Novos Conceitos
l Conjuntos l Grau
Nebulosos
l Regras
l Inferncia
10
20
30
40
50
60
idade
Se idade igual a 40 ento sou velho. Se idade igual a 39 ento sou jovem.
Conjuntos Nebulosos
muito jovem jovem velho muito velho
10
20
30
jovem
40
50
velho
60
idade
1.0 0.5
jovem
muito velho
10
20
30
40
50
60
idade
Novos Conceitos
l Conjuntos l Grau
Nebulosos
l Regras
l Inferncia
Conjuntos Nebulosos
Pedro tem 40 anos. Ele jovem ou velho?
grau de pertinncia
1.0 0.5
muito jovem
jovem
velho
muito velho
10
20
30
40
50
60
idade
Conjuntos Nebulosos
Pedro tem 40 anos. Ele jovem ou velho?
grau de pertinncia
muito jovem
jovem
velho
muito velho
10
20
30
40
50
60
idade
Conjuntos Nebulosos
Pedro tem 40 anos. Ele jovem ou velho? Pedro jovem E velho, ao mesmo tempo (com graus diferentes) Os graus de pertinncia demostram que Pedro no nem to jovem, nem to velho
Novos Conceitos
l Conjuntos l Grau
Nebulosos
l Regras
l Inferncia
Regras Nebulosas
l SE
Regras Nebulosas
idade meia-idade E presso baixa ENTO seguro baixo l SE idade jovem E presso alta ENTO seguro alto
l SE
Novos Conceitos
l Conjuntos l Grau
Nebulosos
l Regras
l Inferncia
Conjuntos Nebulosos
Idade Meia-Idade Jovem
Presso Mx.
20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 100 110 120 55 60 65 0.2 0.3 0.4 0.9 0.8 0.7 130 70 0.5 0.6 140 150 75 80 0.6 0.7 0.5 0.4 160 85 0.8 0.3 170 90 0.9 0.2 175 100 1.0 0.1
300 500 700 800 900 1000 1200 0.1 0.3 0.4 0.5 0.8 0.9 1.0 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Conjuntos Nebulosos
SE idade meia-idade E presso baixa ENTO seguro baixo
20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 95 50 0.1 1.0 100 110 55 60 0.2 0.3 0.9 0.8 120 130 140 150 65 70 75 80 0.4 0.5 0.6 0.7 0.7 0.6 0.5 0.4 160 85 0.8 0.3 170 90 0.9 0.2 175 100 1.0 0.1
Alta Baixa
Seguro
Alto Baixo
0.1 0.3 0.4 0.5 0.8 0.9 1.0 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Conjuntos Nebulosos
SE idade meia-idade E presso baixa ENTO seguro baixo
20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 95 50 0.1 1.0 100 110 55 60 0.2 0.3 0.9 0.8 120 130 140 150 65 70 75 80 0.4 0.5 0.6 0.7 0.7 0.6 0.5 0.4 160 85 0.8 0.3 170 90 0.9 0.2 175 100 1.0 0.1
Alta Baixa
Seguro
Alto Baixo
0.1 0.3 0.4 0.5 0.8 0.9 1.0 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Conjuntos Nebulosos
SE idade jovem E presso alta ENTO seguro alto
20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 95 50 0.1 1.0 100 110 55 60 0.2 0.3 0.9 0.8 120 130 140 150 65 70 75 80 0.4 0.5 0.6 0.7 0.7 0.6 0.5 0.4 160 85 0.8 0.3 170 90 0.9 0.2 175 100 1.0 0.1
Alta Baixa
Seguro
Alto Baixo
0.1 0.3 0.4 0.5 0.8 0.9 1.0 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Conjuntos Nebulosos
SE idade jovem E presso alta ENTO seguro alto
20 25 30 35 40 45 50 55 60 65 0.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0 95 50 0.1 1.0 100 110 55 60 0.2 0.3 0.9 0.8 120 130 140 150 65 70 75 80 0.4 0.5 0.6 0.7 0.7 0.6 0.5 0.4 160 85 0.8 0.3 170 90 0.9 0.2 175 100 1.0 0.1
Alta Baixa
Seguro
Alto Baixo
0.1 0.3 0.4 0.5 0.8 0.9 1.0 1.0 0.9 0.6 0.5 0.3 0.1 0.1
Avaliao
Tcnica utilizada em aplicaes: onde o conhecimento envolve conceitos subjetivos e intrinsicamente imprecisos; e onde deseja-se obter explicaes sobre o resultado do problema.
Avaliao
Vantagens
l
Desvantagens
l
l l
facilidade de lidar com dados imprecisos. facilita a descrio das regras pelos especialistas. menor nmero de regras. explicao do raciocnio
Aplicaes Industriais
NISSAN: freios antiderrapantes GM: sistema de transmisso nebuloso SANYO: microondas SHARP: refrigerao BOSCH: mquinas de lavar HITACHI: aspirador PANASONIC: camcorder
Aplicaes Comerciais
n Yamaichi Securities: Sistema de Gerenciamento de Fundos
de Investimento
n Fuji Bank: Sistema de Negociao de Bolsa de Valores n World Bank: Sistema de Investimento n Metus Systems: Sistema fuzzy de deteco de fraude no
sistema de sade
Aplicaes do Curso
l l l l l l l l l l l l l
Controle de Colorao e Nvel de Tanques Sistema de Anlise de Seguro Sade Anlise de Oportunidade de Investimento Previso da Classificao da Volatilidade Controle de Velocidade de Motor Hidrulico Previso de Carga Eltrica Horria e 10 em 10 min. Planejamento do Sistema Eltrico Clusterizao de Banco de Dados Sistema de Avaliao de Risco Bancrio Sistema para definio de preo de produto novo Controle de Manipulador Robtico com extrao automtica de regras Previso de produo de cacau Consultas Fuzzy a bancos de dados relacionais
Redes Neurais .
Redes Neurais
Modelo Computacional inspirado nos neurnios biolgicos e na estrutura do crebro com capacidade de adquirir, armazenar e utilizar conhecimento experimental.
Neurnio Biolgico l Rede de Neurnios l 10 bilhes neurnios l Aprendizado l Generalizao l Associao l Reconhecimento de Padres
Neurnio Artificial l Estrutura em Camadas l centenas/milhares l Aprendizado l Generalizao l Associao l Reconhecimento de Padres
l
Redes Neurais
Neurnio Biolgico
Sinapses Dendritos
Pesos
Neurnio Artificial
Propagao Ativao
w1 w2 w3
I2
H2
O2
I3
H3
O3
Entrada
Escondida
Sada
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w w
w w w
O2
I3
w w
Pesos
H3
w w
Pesos
O3
Entrada
Escondida
Sada
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Pesos Entrada Escondida H3
w w
Pesos
O3
Sada
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Pesos Entrada Escondida H3
w w
Pesos
O3
Sada
Alvo
w
I1
w
H1
w w
w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Entrada Pesos H3
w w
Pesos
O3
Escondida Sada
w
H1
w w w
w w w
O1
I2
w w w
H2
w w w
O2
w w
Pesos
H3
w w
O3
Escondida
Pesos
Sada
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Pesos Entrada Escondida H3
w w
Pesos
O3
Sada
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Pesos Entrada Escondida H3
w w
Pesos
O3
Sada
Alvo
w
I1
w
H1
w w
w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Entrada Pesos Escondida H3
w w
Pesos
O3
Sada
w
H1
w w w
w w w
O1
I2
w w w
H2
w w w
O2
w w
Pesos
H3
w w
O3
Escondida
Sada
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Pesos Entrada Escondida H3
w w
Pesos
O3
Sada
Alvo
w
I1
w
H1
w w
w w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Pesos Entrada Escondida H3
w w
Pesos
O3
Sada
Alvo
w
I1
w
H1
w w
w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Entrada Pesos Escondida H3
w w
Pesos
O3
Sada
A Rede Neural treinada at que o erro entre a sada da rede e o alvo seja satisfatrio.
w
I1
w
H1
w w
w
O1
w
I2
w
H2
w w
w w w
O2
w w w
Entrada Pesos Escondida H3
w w
Pesos
O3
Sada
A Rede Neural capaz de generalizar e reconhecer padres distintos dos usados no treinamento.
Entradas da rede
tempo
Entradas da rede
Entradas da rede
Entradas da rede
Entradas da rede
Entradas da rede
Entradas da rede
Entradas da rede
Entradas da rede
Avaliao
Indicada para o reconhecimento de padres em aplicaes com dados ruidosos ou incompletos, e quando regras claras no podem ser facilmente formuladas.
Avaliao
Vantagens
Desvantagens
modelagem de sistemas ausncia de explicaes no lineares sensvel a quantidade de dados aprendizado automtico disponvel tolerante a dados ruidosos e incompletos resposta rpida e precisa modelos compactos
Aplicaes Industriais
n Racal: Identificao de placas de veculos n Thomson: Sistemas de OCR n St. George Hospital: Sistema de classificao de tumores s n CRAM: Sistema automtico de seleo de laranjas
Aplicaes Comerciais
u Fidelity Investments: Gerncia de Fundos de Investimento
($2 bilhes)
u Citibank (USA): Avaliao de Crdito u Nikko Securities: Sistema de Negociao do ndice da Bolsa u Hill Samuel/UCL: Sistema de Previso de Fundos de
Investimento
Aplicaes do Curso
Previso de Demanda de Energia Eltrica l Previso de Consumo de Lubrificantes l Classificao de Clientes (Data Mining) l Demos do NeuroShell
l
Algoritmos Genticos
Conceitos Bsicos
Conceitos Bsicos
Algoritmo de busca/otimizao inspirado na seleo natural e reproduo gentica. Combina sobrevivncia do mais apto e cruzamento aleatrio de informao
Soluo l Representao l Operador Cruzamento l Operador Mutao l Conjunto de Solues l Ciclos l Problema
l
Complexo
de difcil formulao matemtica ou com grande espao de busca (grande nmero de solues)
Problema Complexo
Exemplo: Maximizar f (x) = x2 : encontrar x (0 ... 2 L -1) para f(x)=mx
2L N m ero de Pontos no Espao 8 1024 1 b ilh o 10
27
Tempo de Busca
109 inst/seg
Problema Complexo
Exemplo: Maximizar f (x) = x2 : encontrar x (0 ... 2 L -1) para f(x)=mx
2L N m ero de Pontos no Espao 8 1024 1 b ilh o 10
27
Tempo de Busca
109 inst/seg
Problema Complexo
Exemplo: Maximizar f (x) = x2 : encontrar x (0 ... 2 L -1) para f(x)=mx
2L N m ero de Pontos no Espao 8 1024 1 b ilh o 10
27
Tempo de Busca
109 inst/seg
Problema Complexo
Exemplo: Maximizar f (x) = x2 : encontrar x (0 ... 2 L -1) para f(x)=mx
2L N m ero de Pontos no Espao 8 1024 1 b ilh o 10
27
Tempo de Busca
109 inst/seg
Problema Complexo
Exemplo: Maximizar f (x) = x2 : encontrar x (0 ... 2 L -1) para f(x)=mx
2L N m ero de Pontos no Espao 8 1024 1 b ilh o 10
27
Tempo de Busca
109 inst/seg
y0 x0 x
y1 y0 x0 x1
t frio t morno
y1 y0 x0 x2 x1
Busca Paralela
tesouro
Busca Paralela
tesouro
C
yB
B D
xA
E
xB x
y yA
tesouro
A cruzamento
C
yB
B D
xA
E
xB x
y yA
tesouro
C
yB
B D
xA
E
xB x
Operaes Bsicas
lSeleo:
Operaes Bsicas
lSeleo:
lReproduo:
Operaes Bsicas
lSeleo:
lReproduo:
indivduos (palavras binrias) so reproduzidas com base na aptido troca de genes (pedaos de palavras)
lCrossover:
Operaes Bsicas
lSeleo:
lReproduo:
indivduos (palavras binrias) so reproduzidas com base na aptido troca de genes (pedaos de palavras)
lCrossover: lMutao:
Exemplo
Problema:
Achar o valor mximo para f (x) = x2 , x no limite de 0 a 63.
Exemplo
Problema:
Achar o valor mximo para f (x) = x2 , x no limite de 0 a 63.
Representao da Soluo:
Palavras binrias representando sucessivas potncias de 2.
011100 => Representa 28 110101 => Representa 53 (uma soluo mais apta)
Aptido (x2 )
A B C D
36 18 22 1
Seleo
X Aptido (x2 )
D C A
A B C D
36 18 22 1
Probabilidade de Seleo
Aptido do
Cromossoma
Pais
0 0 1 1 0 0
Pais
0 0 1 1 0 0 1
Filhos
Pais
0 0 1 1 0 0 1
Filhos
Mutao
0 1 1 1 0 0
Antes
Depois
A B C D
Pais
A B C D
Pais
A B C D
Crossover
Mutao
Reproduo
Pais
A B C D
f( )
Crossover
Filhos Mutao
Reproduo
Pais
A B C D
f( )
Filhos
Reproduo
Avaliao
Aplicado em problemas complexos de otimizao de difcil modelagem matemtica, com variedade de regras e condies, ou com grande nmero de solues a considerar.
Avaliao
Vantagens
Desvantagens
Dificuldade na representao do cromossoma Evoluo demorada em alguns problemas Modelagem depende de especialista em AG
Aplicaes Industriais
u GENERAL ELECTRIC - Otimizao de Projeto de Motores DC u BRITISH GAS - Otimizao da Distribuio de Gs u BBN - Roteamento de Telecomunicaes u ATTAR - Planejamento da Programao de TV
Aplicaes Comerciais
u CAP VOLMAC - Avaliao de Crdito e Anlise de Risco u SEARCHSPACE - Deteco de Fraude na Bolsa de Londres u IOC - Planejamento dos Jogos Olmpicos u CAP Gemini - Avaliao de Emprstimos e Financiamentos u GWI - Modelagem Econmica u World Bank - Gerao de Regras de Negociao na Bolsa
Aplicaes do Curso
Extrao de Conhecimento em Bancos de Dados Comerciais (Data Mining) l Otimizao do Fluxo de Caixa de Empresas l Otimizao de Carteira de Ativos l Demos do Evolver 4.0 e GeneHunter
l
Softwares Comerciais
Produto
l l l l l l l l l l l l
site
www.optimax.com www.aspentech.com www.flextool.com
Tcnica Propsito
AG D D D AG RN RN AG D G G G D D
Optimax Systems Aspen PIMS 10.0 FT3PAK NeuroGenetic Optimizer NeuroSolutions NeuralWorks R GeneHunter BrainWave ModelWare/RT Evolver 4.0 R QMC Program DataEngine ADL
AG AG,RN
G G
AG,RN,LN G
www.pcai.com/pcai
l Intelligent
Systems Report:
http://LIONHRTPUB.COM/ISR/ISR-welcome.html
ICA@ele.puc-rio.br http://www.ele.puc-rio.br/labs/ica/icahome.html