UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PS-GRADUAO EM ENGENHARIA DE PRODUO

SISTEMA ESPECIALISTA DIFUSO PARA ANLISE DE CRDITO

DISSERTAO SUBMETIDA UNIVERSIDADE FEDERAL DE SANTA CATARINA PARA A OBTENO DO GRAU DE MESTRE EM ENGENHARIA

ROSINA DE OLIVEIRA WEBER

FLORIANPOLIS, AGOSTO DE 1993

SISTEMA ESPECIALISTA DIFUSO PARA ANLISE DE CRDITO

ROSINA DE OLIVEIRA WEBER

ESTA DISSERTAO FOI JULGADA ADEQUADA PARA A OBTENO DO TTULO DE MESTRE EM ENGENHARIA ESPECIALIDADE ENGENHARIA DE PRODUO E APROVADA EM SUA FORMA FINAL PELO PROGRAMA DE PS-GRADUAO EM ENGENHARIA DE PRODUO RICARDO MIRANDA BARCIA, PH.D. - ORIENTADOR NERI DOS SANTOS, DR.ING. - COORDENADOR DO CURSO BANCA EXAMINADORA: ______________________________________________________ RICARDO MIRANDA BARCIA,PH.D. - ORIENTADOR ______________________________________________________ FERNANDO A. O. GAUTHIER, M.ENG. - CO-ORIENTADOR ______________________________________________________ ROBERTO C.S.PACHECO, M.ENG. - CO-ORIENTADOR ______________________________________________________ EDGAR AUGUSTO LANZER,PH.D. ______________________________________________________ NERI DOS SANTOS, DR.ING.

Dedico este trabalho a minha me e ao Sok.

AGRADECIMENTOS

Ao Professor Ricardo Miranda Barcia pelo crdito depositado a minha pessoa e pela eficiente orientao. Aos co-orientadores e colegas Roberto Pacheco e Fernando Gauthier cuja ateno e dedicao foram decisrias na elaborao da presente dissertao. Ao Departamento de Ps-Graduao em Engenharia de Produo, na pessoa de seu Coordenador, Prof. Neri dos Santos, pela ateno sempre dedicada. Ao Besc na pessoa do Sr. Joo Carlos Della Roca e sua equipe do Departamento de Crdito que proporcionaram a realizao do presente trabalho, colocando disposio seu material, tempo e conhecimento. Aos colegas, amigos e professores que muito ajudaram com conhecimento, incentivo e amizade no decorrer do programa de mestrado. Ao CNPq pelo auxlio financeiro.

SUMRIO Pgina LISTA DE FIGURAS..................................................... LISTA DE QUADROS.................................................. SIMBOLOGIA............................................................... RESUMO....................................................................... ABSTRACT................................................................... CAPTULO 1 INTRODUO............................................................ 1.1 GENERALIDADES............................................... 1.2 DEFINIO DO TRABALHO............................. 1.3 IMPORTNCIA DO TRABALHO....................... 1.4 ORGANIZAO DO TRABALHO...................... CAPTULO 2 FUNDAMENTAO TERICA............................... 2.1 INTRODUO..................................................... 2.2 SISTEMAS ESPECIALISTAS............................... 2.2.1 Introduo............................................................ 2.2.2 Aquisio de Conhecimento................................. 2.2.3 Representao do Conhecimento.......................... 2.2.4 Motor de Inferncia............................................. 2.2.5 Mecanismo de Justificativa.................................. 2.2.6 Interface com Usurio.......................................... 2.2.7 Aprendizagem...................................................... 2.3 CONJUNTOS DIFUSOS....................................... 2.3.1 Conceitos Bsicos................................................ 2.3.1.1 Conjunto Difuso............................................... 2.3.1.2 Notao para Conjuntos Difusos....................... 2.3.1.3 Suporte............................................................. 2.3.1.4 Altura............................................................... 2.3.1.5 Conjunto Difuso Normal................................... 2.3.1.6 Conjunto Difuso Subnormal............................. 2.3.1.7 "Crossover"...................................................... 2.3.1.8 Nmero Difuso................................................. 2.3.2 Operaes e Composies.................................... 2.3.2.1 Unio................................................................ 2.3.2.2 Interseo.......................................................... vii viii ix x xi 1 1 2 2 3 4 4 4 4 7 10 12 13 13 13 15 15 15 16 16 16 16 16 17 17 17 17 17

2.3.2.3 Soma Limitada.................................................. 17 Pgina 2.3.2.4 Diferena Limitada........................................... 2.3.3 Criao dos Conjuntos Difusos............................ 2.3.4 Cardinalidade....................................................... 2.3.5 Variveis Lingsticas e Variveis Difusas.......... 2.3.6 Algoritmo Difuso................................................. 2.3.7 Mdia de um Conjunto Difuso............................. 2.4 CONCLUSO....................................................... CAPTULO 3 IMPLEMENTAO DO SISTEMA.......................... 3.1 INTRODUO..................................................... 3.2 DEFINIO DO SISTEMA ................................. 3.3 ANLISE DE CRDITO...................................... 3.4 ABORDAGEM DOS SEs...................................... 3.4.1 Aquisio de Conhecimento do SENACRE......... 3.4.2 Representao de Conhecimento do SENACRE.. 3.4.3 Motor de Inferncia do SENACRE...................... 3.4.4 Mecanismo de Justificativa do SENACRE.......... 3.4.5 Interface do SENACRE....................................... 3.4.6 Aprendizagem do SENACRE.............................. 3.4.7 O Raciocnio do SENACRE................................ 3.4.7.1 Classe Pareceres................................................ 3.4.7.2 Classe Situao e Balancetes............................. 3.4.7.3 Classe Faturamentos......................................... 3.4.7.4 Parecer Final..................................................... 3.5 MODELAGEM DIFUSA....................................... 3.5.1 Introduo............................................................ 3.5.2 Impreciso na Classe Situao............................. 3.5.3 A Criao dos Conjuntos Difusos........................ 3.5.4 A Composio dos Conjuntos Difusos................. 3.5.5 Outras Composies............................................ 3.5.6 A Liberao Atravs de Conjuntos Difusos......... 3.6 CONCLUSES DA IMPLEMENTAO............ CAPTULO 4 APLICAO............................................................... 4.1 INTRODUO..................................................... 4.2 ENTRADA DE DADOS........................................ 17 17 18 18 19 20 20 21 21 21 22 25 25 26 27 29 30 32 32 33 34 35 35 36 36 39 41 44 48 49 50 52 52 53

4.3 INFERNCIAS...................................................... 56 4.3.1 Encadeamento Para Frente................................... 56 Pgina 4.3.2 Encadeamento para Trs...................................... 4.4 RESULTADOS...................................................... 4.4.1 Exemplo.............................................................. 4.4.2 Outros Exemplos................................................. 4.5 CONCLUSO....................................................... 57 58 58 60 61

CAPTULO 5 CONCLUSES E RECOMENDAES................... 62 5.1 CONCLUSES...................................................... 62 5.2 RECOMENDAES............................................ 63 REFERNCIAS BIBLIOGRFICAS............................ 64 BIBLIOGRAFIA............................................................ 66

LISTAS LISTA DE FIGURAS Pgina Figura Figura Figura Figura Figura Figura 2.1 3.1 3.2 3.3 3.4 3.5 Sistemas especialistas e sistemas baseados em conhecimento.. Esquema bsico do encadeamento para frente......................... Esquema do encadeamento para trs....................................... Janela de introduo do SENACRE........................................ O Raciocnio do SENACRE................................................... Representao grfica da funo de pertinncia do conjunto difuso grau de imobilizao de rtulo Bom.............................. Representao grfica da funo de pertinncia do conjunto difuso grau de imobilizao de rtulo Satisfatrio................... Representao grfica da funo de pertinncia do conjunto difuso grau de imobilizao de rtulo Regular........................ Representao grfica da funo de pertinncia do conjunto difuso grau de imobilizao de rtulo Insuficiente................... Representao grfica do conjunto difuso associado ao objeto parecer final de rtulo Bom..................................................... Janela principal do SENACRE................................................ Janela de entrada de dados...................................................... Janela do passivo circulante..................................................... Janela do patrimnio lquido................................................... Janela dos indicadores de estrutura.......................................... Janela dos indicadores de liquidez........................................... Janela dos indicadores de rentabilidade................................... Demonstrao do resultado do exerccio.................................. Janela anlise.......................................................................... Janela de resultado.................................................................. Janela de justificativa.............................................................. Valores atribudos pelo especialista e pelo sistema................... 5 28 29 31 33 43 43 43 44 49 52 53 54 54 54 55 55 58 59 59 60 61

Figura 3.6 Figura 3.7 Figura 3.8 Figura 3.9 Figura 4.1 Figura 4.2 Figura 4.3 Figura 4.4 Figura 4.5 Figura 4.6 Figura 4.7 Figura 4.8 Figura 4.9 Figura 4.10 Figura 4.11 Figura 4.12

LISTA DE QUADROS Pgina Quadro 2.1 Quadro 2.2 Quadro 3.1 Quadro 3.2 Quadro 3.3 Quadro 3.4 Quadro 3.5 Quadro 4.1 Quadro 4.2 Quadro 4.3 Quadro 4.4 Quadro 4.5 Caractersticas dos especialistas humanos e artificiais............. Mtodos de extrao de conhecimento.................................... Frmulas dos indicadores........................................................ Intervalos dos conceitos dos indicadores.................................. Funes de pertinncia para grau de imobilizao................... Frmulas que representam as funes de pertinncia para os conjuntos difusos associados aos demais indicadores.............. Operaes de soma limitada e diferena limitada.................... Atributos da classe situao..................................................... Resumos da classes................................................................. Objetos conclusivos................................................................. Outros exemplos..................................................................... Valores dos exemplos em dlares............................................ 7 9 37 38 40 44 48 56 57 57 60 61

SIMBOLOGIA sse e.g. i.e. : : : : se e somente se "exempli gratia" (por exemplo) "id est" (isto ) grau de pertinncia

RESUMO Os sistemas especialistas so sistemas que se propem a resolver problemas conforme especialistas humanos atravs da incorporao de uma base de conhecimento. Os sistemas especialistas podem ser aplicados em diferentes reas de conhecimento, tais como geologia, medicina e nos processos decisrios. Entre suas vantagens, citamos a possibilidade de sua utilizao poder suprir a falta de especialistas humanos, bem como a de poder reunir conhecimento e experincia de vrios especialistas simultaneamente e ainda a vantagem de reduzir a demanda destes profissionais, que podem, por exemplo, ser aproveitados em tarefas mais complexas. Os especialistas humanos so plenamente capazes de lidar com a impreciso presente nos problemas reais. Um sistema especialista difuso aquele que incorpora tratamento de impreciso utilizando a Teoria dos Conjuntos Difusos tornando-se capaz de fazer inferncias a partir de informaes imprecisas. A tarefa de anlise de crdito consiste em analisar uma empresa solicitante a fim de concluir se este cliente ou no merecedor de crdito e, em caso positivo, qual o montante a ser autorizado. A anlise parte de um conjunto de dados que, avaliados cuidadosamente no processo de raciocnio, geram uma concluso que est em conformidade com os critrios da instituio financeira para quem o crdito foi solicitado. Prope-se um sistema especialista difuso para anlise de crdito capaz de desempenhar a tarefa de anlise de crdito agregando a impreciso contida no processo de raciocnio dos especialistas humanos. A presente dissertao apresenta o SENACRE- Sistema Especialista Difuso para Anlise de Crdito - que foi desenvolvido com sucesso a nvel de prottipo. A utilizao de sistemas especialistas como ferramenta de apoio tomada de deciso tem na anlise de crdito uma aplicao muito eficiente e adequada.

ABSTRACT Expert systems aim to emulate human expert reasoning by using a knowledge base where information is stored in. The applications of expert systems vary from subjects like geology due to the impossibility of direct access to the expert ; medicine in order to join expertise of many physicians at the same time ; and decision-making sciences because besides joining expertise of many professionals , expert systems can reduce the demand for these professionals allowing them to work on more complex activities. Applications for the real world contain a lot of imprecision and human experts are able to solve problems in the presence of such imprecision. A fuzzy expert system is one that deals with imprecise knowledge. The fuzzy expert system uses Fuzzy Set Theory in order to make it possible to infer from imprecise statements and draw imprecise conclusions. The problem of credit analysis consists of an analysis of a client that requires a loan to a financial institution. The expert must check if this client deserves or not this loan according to the financial institution policies. The elements considered in the analysis are balance sheets, record of the client, amount of sales, some confidential information about client's staff, etc. The proposed fuzzy expert system for credit analysis can solve the problem of credit analysis emulating human experts reasoning with imprecision. The present dissertation describes SENACRE, which is a fuzzy expert system for credit analysis. A prototype of SENACRE system has been implemented successfully.

1 INTRODUO
1.1 GENERALIDADES Esta dissertao mais um resultado das pesquisas em Inteligncia Artificial do Programa de Ps-Graduao em Engenharia de Produo e Sistemas da Universidade Federal de Santa Catarina - UFSC, realizadas nos ltimos anos. Inteligncia Artificial (IA) a parte da Cincia da Computao que se destina a desenvolver programas inteligentes para computadores. Um programa inteligente aquele capaz de resolver um problema de uma maneira tal que seja considerada inteligente quando executada por um ser humano. Para tornar possvel a tarefa de resolver problemas de maneira inteligente, os cientistas da Inteligncia Artificial chegaram a programas que contm muito conhecimento sobre alguma rea bem especfica. Estes so os Sistemas Especialistas (SE). O processo de desenvolvimento de um SE chamado de Engenharia do Conhecimento. Este processo consiste na seguinte tarefa: o engenheiro do conhecimento deve extrair de um ou mais especialistas a metodologia de soluo de determinado problema e transferir este conhecimento para o sistema. O resultado um programa de computador capaz de resolver problemas como especialistas humanos. Os SEs so utilizados quando o problema a ser resolvido no se molda a um algoritmo padro. Assim, necessrio aplicar conhecimento ao invs de um algoritmo, desta forma, os SEs so sistemas baseados em conhecimento. Anlise de Crdito uma das atribuies da Administrao Financeira. Desde uma pequena loja de bairro at uma grande instituio financeira analisa crdito de pessoas fsicas. Assim como varia o sujeito, variam tambm os mtodos utilizados, que vo de simples confiana, verificao de comportamento em outros estabelecimentos, SPC (Servio de Proteo ao Crdito) a "crediscore"- um mtodo que atribui uma pontuao aos clientes conforme determinados fatores. A anlise de crdito pode ser feita para pessoa fsica ou pessoa jurdica. A anlise de crdito de pessoas jurdicas feita principalmente por instituies financeiras. Empresas que tm como clientes outras empresas concedem crdito para pagamento de seus produtos e seguem normas usuais do mercado. Somente as instituies financeiras tm como atividade principal conceder financiamento a outras empresas e assim a anlise de crdito para pessoa jurdica constitui-se em instrumento fundamental para sobrevivncia deste tipo de negcio.

O sistema proposto utiliza a Teoria dos Conjuntos Difusos (TCD) como ferramenta para tratamento da impreciso. Impreciso caracteriza-se por qualquer falta de preciso ,i.e., falta de exatido, [FER75]. No contexto da presente dissertao, trata-se a impreciso como uma caracterstica inerente aos seres humanos que se distancia da exatido da modelagem matemtica. Os processos de raciocnio nos SEs normalmente contm impreciso. A abordagem difusa para a representao de conhecimento proposta no presente trabalho origina-se do fato de que os especialistas humanos raciocinam combinando aproximaes e conceitos. Os elementos envolvidos no raciocnio humano podem ser encarados como rtulos de conjuntos difusos. Os conjuntos difusos so classes de objetos que apresentam uma transio gradual entre pertencer ou no a um conjunto. Suponha o conjunto clssico das "cidades planejadas", Braslia membro deste conjunto e Rio de Janeiro no. Agora, imagine o conjunto das "cidades grandes". So Paulo certamente membro deste conjunto. Mas o que poderamos afirmar sobre Florianpolis? Ela uma "cidade grande" a um certo nvel, e ento pode ser um membro parcial deste conjunto. Ao quantificar este nvel, os conjuntos difusos proporcionam uma maneira para que os computadores entendam conceitos vagos como "grande".

1.2 DEFINIO DO TRABALHO A presente dissertao prope-se a apresentar um sistema especialista e sua fundamentao terica. Trata-se de um sistema especialista difuso para anlise de crdito. Portanto, o sistema deve: ser um sistema especialista com relao forma e contedo ; ser um sistema especialista difuso, ou seja, ter incorporado as tcnicas da TCD e, por fim, ser capaz de executar a tarefa da anlise de crdito, como se prope. Estas caractersticas do sistema constituem-se em objetivos especficos cujos cumprimentos so observados ao longo da leitura do presente trabalho.

1.3 IMPORTNCIA DO TRABALHO A anlise de crdito para uma instituio financeira representa a prpria sobrevivncia do negcio. Uma anlise de crdito fraca, inconsistente e suscetvel a erros graves pode comprometer grande parte do ativo da instituio. O SE que apresentamos utiliza conhecimento para anlise de crdito de pessoa jurdica, e foi desenvolvido a partir de entrevistas feitas aos especialistas do BESC - Banco Estadual de Santa Catarina. O volume mdio atual da carteira de

financiamentos do BESC de duzentos milhes de dlares (US$ 200,000,000.00). O SE agrega o conhecimento de diversos analistas que, em sua implementao, resume todos os procedimentos executados por eles. Alm disto, ao ser entrevistado, o analista j induzido a fazer uma reviso em seus procedimentos. O engenheiro do conhecimento tambm revisa o trabalho destes analistas, principalmente no que concerne homogeneidade de sua forma de trabalho. Ao ser implementado um SE para anlise de crdito, mesmo com a manuteno de especialistas humanos, ficar garantida a homogeneidade das anlises, assim possveis problemas so facilmente detectados, tornando a tarefa uma atividade mais garantida. A implementao de um SE para anlise de crdito pode ainda reduzir o nmero de especialistas humanos trabalhando especificamente nesta atividade. Toda a demanda pode ser atendida por apenas um analista e o sistema. Esta reduo deve-se ao fato do sistema ser plenamente consistente e extremamente rpido, ou seja, praticamente instantneo a partir da entrada de dados.

1.4 ORGANIZAO DO TRABALHO O presente trabalho est estruturado em cinco captulos: Introduo, Fundamentao Terica, Implementao do Trabalho, Aplicao , Concluses e Recomendaes. A introduo, apresentada no captulo 1 consiste nas sees Generalidades, Definio do Trabalho, Importncia do Trabalho e Organizao do Trabalho. O segundo captulo consiste em uma reviso da bibliografia sobre as ferramentas conhecidas por Sistemas Especialistas ,SEs, e Teoria dos Conjuntos Difusos, TCD. O terceiro captulo descreve a implementao do sistema, segundo a teoria para SE e TCD, como visto no segundo captulo. O quarto captulo apresenta um exemplo de aplicao do sistema proposto. O quinto captulo conclui o presente trabalho destacando contribuies e limitaes , apresentando recomendaes para ampliao e continuidade do mesmo.

2 FUNDAMENTAO TERICA
2.1 INTRODUO O presente captulo fornece a fundamentao terica das duas ferramentas tcnicas utilizadas: Sistemas Especialistas e Teoria dos Conjuntos Difusos. A teoria apresentada proporciona o embasamento necessrio para a implementao do sistema objeto desta dissertao. No se pretende apresentar o estado da arte destas tcnicas, apenas os conceitos fundamentais para o bom entendimento da utilizao destas ferramentas.

2.2 SISTEMAS ESPECIALISTAS

2.2.1 Introduo Os SEs so o ramo de maior crescimento dentro da IA. O objetivo de um SE captar o conhecimento de um especialista em um determinado campo, representar este conhecimento numa base, e transmit-lo ao usurio permitindolhe obter respostas a perguntas relacionadas base de conhecimento do sistema, [RAL86]. As reas indicadas para sua aplicao so aquelas que se utilizam de especialistas humanos para resolver problemas em funo de que eles agregam conhecimento tcnico, experincia e a capacidade de se adaptar s mudanas. Os Sistemas Especialistas so sistemas baseados em conhecimento que se utilizam deste conhecimento para resolver problemas em determinado domnio, conforme fazem os especialistas humanos. Os sistemas baseados em conhecimento so estruturados atravs de uma base de conhecimento e de um motor de inferncia. A relao entre sistemas baseados em conhecimento e sistemas especialistas demonstrada atravs da figura 1.1 extrada de Waterman, [WAT86]. Oportunamente, transcrevemos a definio de conhecimento de Hayes [HAY83], referenciada em [MOR92]: "...abstratamente, conhecimento consiste de: - descries simblicas que caracterizam a definio e as relaes empricas em um domnio, e - procedimentos para manipular essas descries...".

apresentam comportamento inteligente

programas de IA

atravs da aplicao de heursticas tornam o domnio do conhecimento explcito e o separam do resto do sistema

sistemas baseados em conhecimento

sistemas especialistas

aplicam conhecimento especialista em problemas reais e complexos

Figura 2.1 - Sistemas especialistas e sistemas baseados em conhecimento Fonte: [WAT86]

Hall e Kandel [HAL86], classificam os SEs por sua utilizao. Um SE pode pertencer classe um, dois ou trs. Os SEs de classe um so viveis e aceitos comercialmente. Os de classe dois so aqueles que apesar de excelente performance ainda no obtiveram plena aceitao dos usurios. J os SEs de classe trs ainda no conseguiram atingir o desempenho do especialista. Uma relao apontada para a classificao dos SEs prev uma proporcionalidade inversa entre quantidade e impreciso de conhecimento com o nvel da classe. Quanto implementao dos SEs existem ferramentas que podem ser utilizadas no sentido de facilitar esta tarefa, [WAT86]. Waterman divide as ferramentas em quatro categorias: linguagens de programao, linguagens de engenharia do conhecimento, aplicativos para desenvolvimento de sistemas e ferramentas de apoio. As linguagens de programao so tanto as linguagens orientadas para problemas, i.e. Pascal, C, Fortran, como as linguagens de manipulao de smbolos, i.e. Lisp e Prolog. As linguagens de engenharia do conhecimento so ferramentas sofisticadas para desenvolver SEs e consistem em uma linguagem de desenvolvimento de sistemas integrada a um ambiente de apoio.

Os aplicativos para desenvolvimento de sistemas so programas que ajudam a adquirir e representar conhecimento alm de auxiliarem no projeto do sistema em construo. As ferramentas de apoio auxiliam a tarefa de programao de um sistema especialista atravs de mecanismos de explicao e depurao, entre outros. Tais mecanismos normalmente acompanham as linguagens de engenharia do conhecimento e so projetadas para trabalhar especificamente com estas. Outro importante enfoque dado importncia dos SEs, refere-se ao questionamento feito por Waterman [WAT86], sintetizado na pergunta: "Sistemas especialistas so a soluo de meu problema? A resposta baseia-se na verificao de trs aspectos. O primeiro trata da possibilidade do desenvolvimento do SE. Um SE tem seu desenvolvimento condicionado a fatores tais como: a existncia de especialistas, os especialistas estarem de acordo entre si, a tarefa no transcende a complexidade cabvel a um SE, a tarefa j dominada por especialistas no necessitando novas pesquisas para solucion-la e a tarefa exige somente habilidade mental e no fsica. O segundo aspecto justifica o SE. As caractersticas de um problema que justificam o desenvolvimento de um SE referem-se, entre outras, a uma boa relao custo-benefcio, possibilidade de perda do conhecimento especializado e pulverizao geogrfica dos especialistas. O terceiro aspecto refere-se a adequao da tarefa, no sentido de examinar a natureza, a complexidade e o escopo do problema a ser resolvido. No momento que fica definida a utilizao de um SE para determinado problema, Waterman ainda discute sobre a manuteno de um especialista humano como parte do processo que envolve a utilizao do sistema. O objetivo reunir as vantagens de um SE sem perder as caractersticas exclusivas do especialista humano. Vantagens e desvantagens de ambos esto apresentadas no quadro 2.1 que resume dois quadros apresentados na obra do mencionado autor, [WAT86]. Quanto ao tipo de problemas, so identificadas dez categorias onde os SEs podem ser agrupados, [WAT86], que sero listadas a seguir: 1. Interpretao - infere descries de situaes a partir de um sensor de informaes. 2. Projeo - infere conseqncias a partir de situaes dadas. 3. Diagnose - infere disfunes a partir de informaes. 4. Estrutura - configura objetos sob restries. 5. Planejamento - estrutura aes. 6. Monitoramento - compara eventos realizados com esperados. 7. Depurao - prescreve solues para disfunes.

8. 9. 10.

Conserto - execuo de planos para administrar solues prescritas. Instruo - implementa no comportamento de estudantes as categorias de diagnose, depurao e conserto. Controle - controla o comportamento do sistema.

Na pesquisa sobre a teoria dos SEs, encontram-se diferentes formas de abordar o problema. Waterman descreve os SEs atravs de suas caractersticas, de quem est envolvido em seu desenvolvimento, e da organizao e representao do conhecimento, [WAT86]. Hall e Kandel afirmam que um SE tem, pelo menos, trs partes: um motor de inferncia, uma base de conhecimento e uma memria, [HAL86]. O paradigma apresentado por Interrante e Biegel mais objetivo e completo sendo escolhido para apresentar a implementao do sistema, por esta razo, optou-se por detalhar a teoria dos SEs segundo estes autores. Quadro 2.1 Caractersticas dos especialistas humanos e artificiais Especialista Humano
perecvel difcil de transferir difcil de documentar imprevisvel caro criativo adaptvel sensorial viso ampla bom senso

Especialista Artificial
permanente fcil de ser transferido fcil de documentar consistente vivel economicamente sem inspirao deve ser atualizado alimentado com dados simblicos viso estreita conhecimento tcnico

Segundo Interrante e Biegel [INT90] a elaborao de um sistema baseado em conhecimento envolve o estudo de seis tpicos, a saber: aquisio de conhecimento, representao do conhecimento , motor de inferncia, interface com usurio, aprendizagem e justificativa. Nem todos os sistemas baseados em conhecimento incluem todos estes itens, entretanto estes elementos constituem um sistema ideal para desempenhar tarefas de raciocnio complexo. Estes itens no seguem necessariamente uma ordem j que seus frutos so interdependentes entre si.

2.2.2 Aquisio de Conhecimento Antes de iniciar esta exposio, importante ressaltar uma questo. A aquisio do conhecimento apresentada no contexto do paradigma para SEs em conformidade com Interrante e Biegel, [INT90]. acrescentada a esta teoria,

esclarecimentos, aprofundamentos, caractersticas e sugestes de outros autores. Alguns autores, tais como Cordingley, [COR89] abordam o tema "Aquisio de Conhecimento" como um processo que se divide em trs etapas, a saber: deciso de qu conhecimento necessrio; aquisio do conhecimento, nos termos de extrao do conhecimento do especialista e, a terceira, representao do conhecimento extrado. Ver [COR89] e [SHA89]. A presente dissertao se desenvolve sem considerar esta ltima abordagem mencionada. A tarefa de aquisio de conhecimento refere-se transferncia de conhecimento de alguma fonte, freqentemente humana, para um programa de computador. No contexto dos SEs, aquisio de conhecimento o processo de captar procedimentos, regras, mtodos, enfim, o raciocnio do especialista no que tange a como ele resolve o problema para posteriormente transfer-lo para o sistema. Quando da aquisio de conhecimento inicialmente fundamental que se compreenda o processo de raciocnio do especialista como um todo, para somente depois projetar a base de conhecimento e aprofundar o nvel de abstrao. Uma das tarefas mais difceis do engenheiro do conhecimento exatamente captar do especialista humano a estrutura do domnio do conhecimento. O engenheiro do conhecimento deve ter uma viso clara do universo de conhecimento que ele ir extrair do especialista. Assim que os especialistas forem escolhidos em funo de garantirem competncia tcnica e profissionalismo para no colocar o trabalho em risco, o engenheiro do conhecimento deve reunir-se com estes profissionais. Nesta oportunidade, devem ficar claros aspectos como o que um SE , o que pretendido com a realizao do mesmo, quanto de tempo ser requerido dos especialistas, que o SE tem carter confidencial, que os especialistas tem escolha de cooperar ou no, entre outros. Apresentar prottipos pode ser positivo para auxiliar no esclarecimento sobre o assunto. As seguintes recomendaes so bastante adequadas para sesses com especialistas humanos, segundo Diaper, [DIA89] : 1. 2. 3. 4. 5. 6. somente uma sesso por especialista por semana; cada entrevista com durao mxima de quarenta minutos; as sesses podem ser 2/3 de trabalho de extrao e 1/3 de assuntos diversos; processar os resultados das entrevistas antes de iniciar nova sesso; o engenheiro do conhecimento deve restringir sua permanncia com os especialistas em trs horas; acautelar-se de inadvertidamente citar pontos de vista de outros especialistas ;

7. 8.

sempre usar as mesmas tcnicas na mesma ordem para todos os especialistas; garantir convenincia e consistncia do ambiente.

Hoffman, em [HOF87], cita diversas referncias para exemplificar e sustentar sua afirmao de que o processo de aquisio do conhecimento caracteriza o grande gargalo no desenvolvimento de sistemas especialistas. No mesmo trabalho, o mencionado autor define categorias para os mtodos de extrao de conhecimento, conforme quadro 2.1. Em complementao explanao contida no quadro acima, cabe ainda salientar que a diferena bsica entre as entrevistas estruturadas e as no estruturadas reside no fato que o primeiro tipo executado aps o engenheiro do conhecimento fazer uma primeira anlise sobre o domnio atravs de manuais ou at mesmo de uma entrevista no estruturada. Somente aps esta etapa, o engenheiro revisa com o especialista cada passo do processo sempre comentando-os. Desta forma, a entrevista estruturada acaba por forar o especialista a fazer uma reviso sobre seu conhecimento e procedimentos.

Quadro 2.2 Mtodos de Extrao de Conhecimento Fonte: [HOF87]

Categoria Mtodo de Tarefas "Familiares" Anlise das tarefas normalmente executadas pelo especialista. Entrevistas Estruturadas e No-Estruturadas O especialista interrogado sobre o conhecimento sobre fatos e procedimentos. Pode proporcionar muita informao para um banco de dados. Tarefas de Informao Limitada O especialista executa uma tarefa sem parte da informao que lhe est disponvel normalmente. Pode extrair conhecimento sobre subdomnios selecionados. Especialist a sente-se desconfortvel e hesitante. Tarefas de Processamento Restrito O especialista executa uma tarefa com tempo limitado ou alguma outra restrio. Pode ser direcionado para subdomnios selecionados ou para a estratgia do especialista. Especialist a sente-se desconfortvel e hesitante. Mtodo de "Casos Difceis" Anlise de uma tarefa usual mas que represente um daqueles "casos difceis" para o especialista. Resulta em informao sobre o raciocnio mais apurado. Sua ocorrncia imprevisvel.

Descrio do Mtodo

Vantagem

O especialista sentese confortvel.

Desvantagem

Pode consumir tempo em demasia.

Consome muito tempo.

Hoffman tambm salienta que as entrevistas no estruturadas no so as mais adequadas numa primeira fase onde as perguntas dizem respeito a quem so os especialistas, ou se o problema ou no adequado para a abordagem dos SEs, ou quais as necessidades dos usurios. As entrevistas no estruturadas so mais

adequadas para uma segunda fase quando o engenheiro do conhecimento j est familiarizado com o domnio do problema. Inclusive, o autor ressalta que as entrevistas no estruturadas devem ser feitas atravs de notas e no com a utilizao de gravadores. Resumindo, o trabalho aponta as entrevistas estruturadas como mais eficientes. bom lembrar que muitas perguntas ao especialista podem lev-lo a tentar responder coisas que ele mesmo desconhece. A idia que, na medida em que o conhecimento adquirido atravs da experincia numa tarefa pelo ser humano se torna automtico, este conhecimento fica to bvio que tentar explic-lo pode ser intil. Psiclogos chegam ao ponto de declarar que no h necessariamente alguma relao entre relatrios verbais e o comportamento mental de um especialista. A literatura sobre SEs demonstra uma grande preocupao com esta etapa inicial, conforme pode ser constatado, por exemplo, atravs dos artigos de Hoffman [HOF87] e o de Gaines e Shaw.[GAI85]. Essa discusso demonstra o aspecto interdisciplinar da Engenharia do Conhecimento, sendo uma de suas importantes relaes com a psicologia. As decises a serem tomadas com relao ao processo de aquisio do conhecimento so determinadas pela natureza do sistema a ser desenvolvido. Em funo do problema que o SE prope-se a resolver, variam os especialistas quanto a sua disponibilidade, habilidade, familiaridade com sistemas baseados em conhecimento, etc. Cada problema apresenta caractersticas estruturais que determinam a forma de aquisio do conhecimento. Este conhecimento extrado atravs da etapa de aquisio de conhecimento deve ser transferido para o sistema e representado formalmente de alguma maneira. Sobre isto trata a seguinte seo.

2.2.3 Representao do Conhecimento Na medida que se definem as formas de representao de conhecimento est se fazendo possvel trabalhar as informaes atravs de ferramentas computacionais. Segundo Waterman [WAT86] a base de conhecimento consiste de dados e regras (ou outras representaes) que usam estes dados como base para o processo decisrio. Interrante e Biegel, [INT90], defendem que na representao do conhecimento, a tarefa de projetar a base de conhecimento fundamental, na medida que a escolha correta da base que determinar se o sistema ter ou no sucesso ao resolver os problemas. Alm disto, devido prpria engenharia dos programas, praticamente impossvel uma correo na estrutura quando da fase de testes.

Projetar a base de conhecimento consiste na escolha da forma de representao de conhecimento a ser utilizado e em como organiz-la. Algumas formas de representao do conhecimento so: regras de produo, redes semnticas e "frames", entre outras. Os "frames" so uma rede de ns interligados onde se classificam os objetos do domnio como uma hierarquia, uma estrutura generalizao-especializao, todo-parte ou apenas conexes. Cada n representa um objeto que contm atributos. Marvin Minsky o idealizador do uso de "frames" como forma de representar objetos. O autor tenta fornecer ao sistema o mximo de informaes possveis sobre determinado objeto, porque assim acredita ser a forma com que os seres humanos percebem o mundo a sua volta. Minsky define "frames", como segue, [MIN75]. "Um "frame" uma estrutura de dados que serve para representar uma situao estereotipada, como estar num certo tipo de sala ou como ir a uma festa de aniversrio de criana. Associadas a cada "frame" esto muitos tipos de informaes. Parte desta informao refere-se ao prprio uso do "frame". Outra parte refere-se a o qu se pode esperar que ir acontecer a seguir. E a outra parte refere-se a o qu fazer se o que se espera no se confirmar." Segundo Leung e Lam, [LEU89], os aplicativos para desenvolvimento de SE apresentam basicamente dois tipos de arquitetura: sistemas baseados em "frames" com ou sem regras incorporadas, e sistemas baseados em regras, com subsistemas opcionais baseados em "frames". Regras de produo so comandos do tipo SE condio ENTO ao. Quando a parte da condio SE da regra satisfeita, a ao da parte ENTO ser executada. As regras de produo podem ser aplicadas sobre uma estrutura de conhecimento. Estes comandos orientam as informaes no sentido da soluo do problema. A escolha do contedo das regras proveniente da aquisio do conhecimento, e concluem a tarefa da representao do conhecimento. Para um estudo mais aprofundado sobre formas de representao do conhecimento ver [BAR82] e [FIS87]. A representao do conhecimento, como descrita acima, permite codificar o conhecimento obtido na etapa de aquisio. O conhecimento codificado orientado pela forma de encadeamento. Assunto para a prxima seo.

2.2.4 Motor de Inferncia O motor de inferncia determina a ordem com que sero processadas as informaes, manipulando os dados a fim de inferir novos fatos, chegar a concluses ou recomendar aes. O motor de inferncia representa a forma de manipular o conhecimento, j representado na base, a fim de resolver o problema. Este mecanismo determina qual parte do conhecimento deve ser utilizada a cada momento da execuo do sistema. Um motor de inferncia utiliza um tipo especial de conhecimento : o metaconhecimento, que o conhecimento sobre o conhecimento do sistema. O metaconhecimento adquirido e representado da mesma forma que o conhecimento do sistema, a diferena reside na forma com que ele utilizado, por exemplo: quando o processo de encadeamento deve parar; qual parte do conhecimento deve ser analisada em qual ordem, etc. A deciso a ser tomada quanto ao motor de inferncia tambm conseqncia da aquisio de conhecimento. necessrio verificar como o motor de inferncia deve manipular o conhecimento, ou seja, como aplicar as regras aos fatos de maneira que represente fielmente o raciocnio do especialista. A deciso , ento, sobre a forma de encadeamento a ser aplicado para as regras. Existem, basicamente, duas formas de encadear as regras: o encadeamento para frente e o encadeamento para trs [WAT86] . O encadeamento para frente parte de algumas informaes e dirige-se atravs do universo do problema at atingir uma concluso final. Um sistema com inferncia para frente, ao nvel das regras, parte da informao contida nas premissas para executar a ao. O encadeamento para trs inicia a partir de um n ou de uma concluso final e dirige-se atravs do universo do problema at que encontre um caminho por onde chegar concluso final. Com este mtodo de inferncia, o sistema parte de um fato que se queira provar e somente executa regras que sejam relevantes a este fato. A diferena entre o encadeamento para frente e para trs fundamenta-se no tratamento dado ao estado em que se aplica o encadeamento. No caso para trs, o processo inicia a partir do objetivo. Assim conclui-se que deve haver uma distino entre um estado qualquer e a concluso para que se possa diferenciar os processos de encadeamento. Se determinado estado intermedirio pode ser encarado como objetivo, a distino entre os encadeamentos fica prejudicada, [BAR82]. O encadeamento das regras caracteriza o motor de inferncia, e o esclarecimento de como a inferncia executada sobre as regras para o usurio o mecanismo que explica como o sistema chega a suas concluses, conforme tratado na prxima seo.

2.2.5 Mecanismo de Justificativa Os mecanismos de justificativa so capazes de descrever a linha de raciocnio empregada no sistema, o conhecimento que explica como o sistema chegou a suas concluses e justifica os passos utilizados no processo, [INT90]. Alguns dos objetivos dos mecanismos de justificativa so: ensinar o usurio sobre o assunto, mostrar que sua concluso consistente e lembrar o usurio elementos importantes da anlise que levam o sistema a determinada concluso. Este tipo de mecanismo torna o sistema mais confivel perante os usurios e ainda representa um mecanismo de simulao, pois a partir de uma alterao nos dados de entrada pode-se verificar as conseqncias desta alterao no desenvolvimento do raciocnio.

2.2.6 Interface com Usurio No desenvolvimento de um sistema especialista deve-se pensar quem o usurio alvo, qual sua formao e quais seus interesses. Normalmente o usurio no est interessado nas tcnicas de programao da Inteligncia Artificial. Alguns SEs contm mecanismos de aquisio de conhecimento em tempo real que permitem que o usurio "converse" com o sistema. Outros SEs permitem ao usurio acrescentar comentrios voluntrios durante a execuo do sistema. Genericamente, a interface deve ser clara, apresentar opes para esclarecer dvidas e mostrar somente o necessrio.

2.2.7 Aprendizagem O desenvolvimento de um sistema de IA pressupe uma capacidade de atualizao do mesmo. Este fato deve-se a uma analogia com a inteligncia humana que s reconhecida nos indivduos com boa capacidade de aprendizagem, [INT90] . A aprendizagem nos sistemas computacionais expressa pela modelagem e desenvolvimento dos seguintes processos: aquisio de novo conhecimento, desenvolvimento da capacidade de aprendizagem, representao efetiva do conhecimento e o uso de observao para descobrimento de novo conhecimento.

Um sistema de aprendizagem tem quatro componentes, : o crtico, que compara a sada real com a esperada; o de aprendizagem, que altera a base de conhecimento a fim de consertar defeitos; o "procedural", que codifica o conhecimento especialista e o executor, que executa a tarefa reorientada aps a aprendizagem. Com a implementao de mecanismos de aprendizagem, procura-se manter o dinamismo dos especialistas humanos. De acordo com Zadeh, em [ZAD83], sendo a base de conhecimento de um sistema especialista um depsito de conhecimento humano, a base de conhecimento um conjunto de informaes imprecisas, j que o ser humano impreciso por natureza. Assim, ao desenvolver-se um SE deve ser considerado como equip-lo de maneiras que ele seja capaz de lidar com a transmisso da impreciso do incio at a concluso. A teoria indicada para o tratamento da impreciso est apresentada na seo seguinte.

2.3 CONJUNTOS DIFUSOS Lofti A. Zadeh usou pela primeira vez o termo "fuzzy" (traduzido para o Portugus como "difuso") num artigo onde mencionou uma matemtica de quantidades difusas ou nebulosas, no descritveis em termos de distribuio de probabilidade [ZAD62]. Em 1965, o autor publicou outro artigo onde apresentou uma matemtica a partir da denominada "Fuzzy Sets",[ZAD65], em Portugus, "Conjuntos Difusos". Os Conjuntos Difusos so classes que contm elementos que se associam a estas por graus de pertinncia contnuos. Estas classes so identificadas na vida real atravs de ambigidade, impreciso, incerteza, ambivalncia, do vago e do duvidoso.

2.3.1 Conceitos Bsicos A Teoria dos Conjuntos Difusos (TCD) trata um subconjunto A do universo de discurso X onde h uma transio gradual entre a pertinncia plena e no pertinncia dos elementos deste conjunto A. A transio gradual significa dizer que um conjunto difuso uma classe que permite uma pertinncia parcial. Seja o conjunto clssico X o universo cujos elementos genricos so representados por x e seja A um subconjunto clssico de X, A X. A funo caracterstica A(x) pode assumir os valores 0 e 1: A(x) = 0 sse x A 1 sse x A

2.3.1.1 Conjunto Difuso. Seja B um conjunto difuso no mesmo universo X. B o conjunto de pares ordenados: B = { (x, B(x))} x X, onde B(x) o grau de pertinncia do elemento genrico x no conjunto difuso B. Ainda necessrio assumir que: 1. B(x) ser um nmero no intervalo [0,]; 2. o conjunto difuso normal (ver seo 2.3.1.5) ter sua funo de pertinncia no intervalo [0,1] com grau 1 e 0 representando, respectivamente, pertinncia plena e no pertinncia ; 3. quanto mais o x pertencer ao conjunto B, maior ser seu grau de pertinncia; 4. o conjunto universo X nunca difuso.

O conjunto difuso B origina-se a partir de um subconjunto no difuso do universo X. Em razo disto, descrito por alguns autores , e.g. Dubois & Prade, [DUB80], Kauffmann, [KAU75] e Zimmerman, [ZIM85], como um subconjunto, apesar deles mesmos manterem o termo conjunto, ainda que sob a alegao de convenincia. Conclui-se da que o conjunto difuso B criado associando-se uma funo de pertinncia aos elementos de A que o subconjunto no difuso do universo X. Para a apresentao dos prximos conceitos ser tratado um conjunto difuso B no universo X. 2.3.1.2 Notao para Conjuntos Difusos. A notao que vem sendo utilizada uma extenso da notao clssica , e usa o sinal de somatrio e o sinal de soma aritmtica para indicar unio de conjuntos discretos; para conjuntos contnuos, usa o sinal de integrao. Notao para um conjunto difuso discreto B, B = B(x1)/x1+...+B(xn)/xn = j=1 ,n B(xj)/xj . O elemento associado ao conjunto discreto com grau de pertinncia 0 (zero) ser omitido da representao. Notao para um conjunto difuso contnuo B, B = X B(x)/x. 2.3.1.3 Suporte. O suporte de um conjunto difuso B um subconjunto no difuso do universo X composto de todos os elementos x em X cujos graus de pertinncia no conjunto difuso B sejam estritamente positivos, o que significa dizer que so os elementos que pertencem ao conjunto difuso B. supp B = {x X / B(x) > 0} 2.3.1.4 Altura. A altura de um conjunto difuso B expressa pelo elemento x em X associado ao supremo grau de pertinncia de B. Hgt B = Sup B(x)
xX

2.3.1.5 Conjunto Difuso Normal. O conjunto difuso B normal sse sua altura for igual a um (1). 2.3.1.6 Conjunto Difuso Subnormal. Um conjunto difuso B dito subnormal quando sua altura inferior unidade. Neste caso, a TCD sugere o processo de Normalizao, que consiste em dividir cada grau de pertinncia do

conjunto B pelo supremo grau, obtendo o conjunto difuso normal B': B' = X (B(x)/Sup B(x))
xX

2.3.1.7 "Crossover". O "crossover" de um conjunto difuso dado pelo elemento x em X cujo grau de pertinncia no conjunto difuso B igual a 0.5 2.3.1.8 Nmero Difuso. um nmero difuso um conjunto difuso de nmeros reais que normal e convexo ao mesmo tempo. Um conjunto difuso convexo : x, y R: F [ x +(1-)y] F(x) min F (y)
[0,1]

2.3.2 Operaes e Composies Sejam A = { (x, A(x)), x X} e B = { (x, B(x)),x X} dois conjuntos difusos em X . Apresentamos algumas operaes da TCD. Para um estudo mais completo veja , [KAN86], [DUB80] e [ZIM85]. 2.3.2.1 Unio. A unio B dado por: A B = X (A(x) B(x))/x , onde o smbolo para mximo. 2.3.2.2 Interseo. A interseo B, por A B = X (A(x) B(x))/x , onde o smbolo para mnimo. 2.3.2.3 Soma Limitada. A soma limitada de A e B por A B = X 1 (A(x) + B(x))/x . 2.3.2.4 Diferena Limitada. A diferena limitada de A e B por A B = X 0 (A(x) + B(x))/x . 2.3.3 Criao dos Conjuntos Difusos A criao de um conjunto difuso uma tarefa to subjetiva quanto a prpria essncia do problema que se procura modelar ao implementar a TCD num

sistema. Para criar um conjunto difuso basta que se defina a funo de pertinncia sobre o universo de discurso. Segundo Kandel, [KAN86], a funo de pertinncia deve preencher os seguintes itens a fim de ser uma funo admissvel. 1. representar fielmente o comportamento dos elementos; 2. ser consistente com as especificaes do conjunto; 3. satisfazer a condio de 0 B(x) 1, para conjuntos difusos normais.

2.3.4 Cardinalidade A cardinalidade uma propriedade dos conjuntos difusos. Seja um conjunto no difuso de elementos pertencentes a este conjunto, a nica maneira de obter sua cardinalidade contando seus elementos. Entretanto, se houver alguma dvida com relao pertinncia destes elementos a este conjunto, haver tambm incerteza quanto ao valor desta cardinalidade. A TCD apresenta dois tipos de cardinalidade: a escalar e a difusa. A cardinalidade escalar proposta para conjuntos difusos discretos e expressa por: | B | = B(x).
xX

Para estudos sobre cardinalidade difusa , ver [KAN86] ,[ZAD83] e [DUB80]. 2.3.5 Variveis Lingsticas e Variveis Difusas Uma varivel lingstica a varivel que assume como valores palavras ou frases em linguagem natural ou artificial. Os conjuntos difusos que representam as restries associadas aos valores de uma varivel lingstica so, na verdade, subclasses dos elementos no universo considerado. Neste contexto, a varivel difusa um rtulo para estes conjuntos difusos. Uma varivel lingstica uma varivel de ordem mais alta do que uma varivel difusa, no sentido que a varivel lingstica assume variveis difusas como seus valores, [ZAD75a] e [ZAD75b]. Uma varivel difusa caracterizada pela tripla (X,U,R(X;u)). X o nome da varivel; U o universo; R(x,u) um subconjunto difuso de U que representa uma restrio difusa sobre os valores de u impostos por X; e u representa os elementos de U. A varivel no difusa e no restrita u representa a varivel base para X.

Uma varivel lingstica caracterizada pela quntupla (H,T(H),U,G,M). H o nome da varivel; T(H) denota o conjunto de termos dos valores lingsticos de H, sendo cada valor uma varivel difusa representada por X sobre o universo de discurso U associada com a varivel base u; G uma regra sinttica para a gerao dos termos dos valores de H e M uma regra semntica que associa a cada valor de X o seu significado, M(X) que um subconjunto difuso de U. No exemplo : "So Paulo uma cidade muito grande." - temos em "muito grande" um valor lingstico para a varivel lingstica "tamanho de cidade", representada por: H nome da varivel lingstica tamanho de cidade; T(H) {muito grande, grande, mdia, pequena, muito pequena}; X varivel difusa que representa os termos de H em U; U universo de nmero de habitantes, [20 mil, 20 bilhes]; u varivel base que expressa o nmero de habitantes; G regra sinttica que atribui valores para H, ex. H= "as cidades brasileiras podem ser caracterizadas por seu tamanho em muito grandes, grandes, mdias, pequenas e muito pequenas"; M regra que associa os elementos de X a um valor de H, ex. M= "cidades com populao superior a dez bilhes so muito grandes". A notao para o exemplo seria: (So Paulo,muito grande,0.4) Uma explanao mais aprofundada sobre variveis lingsticas encontrada em [ZAD75a], [ZAD75b] e [ZAD75c].

2.3.6 Algoritmo Difuso Um algoritmo difuso uma seqncia ordenada de instrues difusas. A execuo de tais instrues direcionada por regras de inferncias e resultam numa soluo difusa. H trs tipos de instruo em um algoritmo difuso: atribuies difusas, como "x bom"; sentenas condicionais difusas, "se x bom e y regular ento z satisfatrio"; comandos de ao, como "aumente x um pouco". As referncias sugeridas para maior aprofundamento do texto esto em [ZAD71] e [ZAD73].

2.3.7 Mdia de um Conjunto Difuso

Ao abordar comparaes entre conjuntos difusos, encontra-se uma definio com o significado intuitivo de mdia, [DUB80]: Seja um conjunto difuso A em U com uma funo de pertinncia A. Um conjunto difuso gerado a partir de A, para U discreto, atravs da frmula: ({x1,...xk}) = 1/k A(xi)
i=1,..,k

2.4 CONCLUSO A fundamentao terica apresentada neste captulo baseou-se em livros , artigos e outros trabalhos de diversos autores, como pode ser verificado nas sees Referncias Bibliogrficas e Bibliografia. A escolha dos tpicos apresentados foi dirigida no sentido de no transcender ao escopo da presente dissertao, apenas provendo os elementos necessrios para implementao do sistema especialista difuso, conforme apresenta o prximo captulo.

3 IMPLEMENTAO DO SISTEMA
3.1 INTRODUO O Sistema Especialista para Anlise de Crdito - SENACRE - foi implementado com o intuito de resolver o problemas como um especialista no assunto, i.e., como um analista de crdito. O problema consiste em analisar a solicitao de crdito de determinado cliente e decidir por conceder ou no este crdito e, em caso afirmativo, qual o valor deste crdito. A implementao do sistema foi baseada na fundamentao terica descrita no captulo 2 atravs de tcnicas de SE e TCD, sobre um aplicativo para desenvolvimento de sistemas baseados em conhecimento. O presente captulo apresenta a implementao do SENACRE sob seus diversos enfoques. Primeiramente, a seo seguinte define o sistema. Depois, a seo 3.3 descreve a tarefa anlise de crdito. A seo 3.4 , intitulada "Abordagem dos SEs", apresenta o desenvolvimento do sistema com relao aos tpicos discutidos no item 2.2. Na seo "Modelagem Difusa" mostrado o tratamento da impreciso observada no problema. Finalmente, a seo 3.6 conclui a implementao.

3.2 DEFINIO DO SISTEMA O SENACRE um sistema especialista difuso para anlise de crdito e representa uma aplicao da Engenharia do Conhecimento a um problema real. A escolha do problema Anlise de Crdito faz com que a IA sirva como instrumento de apoio nos procedimentos da Administrao Financeira. O sistema SENACRE um sistema especialista difuso porque incorpora a TCD no tratamento da impreciso presente na resoluo do problema da anlise de crdito. Como um sistema baseado em conhecimento, a construo do SENACRE consistiu no desenvolvimento das atividades que envolvem estes sistemas, conforme visto no captulo 2 e apresenta todos os dispositivos inerentes aos mesmos. O sistema SENACRE foi desenvolvido computacionalmente atravs do KAPPA-PC, produto da Intellicorp,Inc., de propriedade da FEESC- Fundao para Ensino de Engenharia do Estado de Santa Catarina, uma linguagem de engenharia de conhecimento agregada a suas prprias ferramentas de apoio.

O exerccio da Engenharia do Conhecimento refere-se, principalmente, transferncia de conhecimento de especialistas humanos para o sistema computacional. Os especialistas entrevistados no processo de aquisio do conhecimento para a execuo do SENACRE so analistas de crdito do BESC, conforme j mencionado no captulo de Introduo, seo 1.3. A prxima seo aborda o problema da anlise de crdito conforme identificado no processo de aquisio do conhecimento.

3.3 ANLISE DE CRDITO O sistema proposto implementa uma soluo para o problema da anlise de crdito conforme normas, regras e filosofia da instituio onde foi realizada a aquisio de conhecimento. Nestes termos, apresenta-se o problema na forma abordada pela referida instituio financeira. A tarefa de anlise de crdito resume-se em analisar uma pessoa fsica ou jurdica, a partir do devido embasamento tcnico, com o objetivo de decidir sobre a concesso ou no de crdito para o solicitante. No mbito do presente, a anlise de crdito feita para pessoas jurdicas. O problema a ser resolvido consiste em analisar uma empresa a fim de constatar se a instituio financeira deve ou no conceder-lhe crdito e, em caso positivo, determinar qual ser o valor do crdito autorizado. Toda a anlise parte de um valor de crdito solicitado que serve de guia para a obteno do resultado. Para tanto, os especialistas avaliam demonstraes financeiras da empresa, pesquisam sobre protestos da empresa e seus administradores, verificam o comportamento da empresa junto instituio e, entre outros, observam faturamentos, avaliando o solicitante no contexto do segmento em que atua. Desta avaliao e a partir do montante de crdito solicitado pelo cliente, o especialista, utilizando seu conhecimento e experincia, estabelece o crdito autorizado para o cliente. No processo de aquisio de conhecimento, o engenheiro do conhecimento capta do especialista humano elementos tangveis e intangveis. O conhecimento intangvel o raciocnio. O conhecimento tangvel composto pelas informaes que o especialista tem disposio para fazer sua anlise. Este conhecimento tangvel servir de entrada para o sistema e consiste no seguinte: 1. formulrio da agncia com proposta de crdito e pareceres; 2. ltimos balancetes da empresa solicitante; 3. relao do faturamento dos ltimos 12 meses da empresa solicitante;

4. pontos de um questionrio preenchido na agncia onde o crdito foi solicitado; 5. o resumo da situao do balano. O resumo da situao do balano difere dos outros elementos porque resultado de um programa de computador que calcula ndices, numa primeira tentativa de utilizar a Cincia da Computao no auxlio da tarefa de Anlise de Crdito. O programa alimentado pelo prprio analista com as contas do balano (ou balancete) que so usadas nos clculos de ndices de liquidez, rentabilidade e estrutura, segmento em que a empresa atua e crdito solicitado. A sada do programa um relatrio com todos os ndices calculados e um conceito atribudo a cada ndice conforme faixas pr-estabelecidas por segmento de atuao e um limite indicativo de crdito, que ajuda o especialista na deciso quanto ao valor a liberar. O problema pode ser descrito dentro da percepo do engenheiro do conhecimento que definiu a estrutura do universo do conhecimento atravs de quatro classes principais: faturamentos, balancetes, pareceres e indicadores, conforme seo 3.4.2. O especialista analisa cada uma destas classes a fim de se posicionar perante a condio do cliente quanto possibilidade de conceder-lhe crdito ou no. O faturamento analisado sob trs aspectos: quanto identificao de sazonalidades; para verificao de desempenho de vendas; e quanto capacidade de gerar recursos para solvncia da empresa. A anlise da classe balancetes se restringe a verificaes sobre a coerncia das demonstraes financeiras fornecidas pelo cliente , j que os ndices so avaliados na classe situao, suprida pelos resultados lidos no resumo da situao do balano. Alm de verificar a coerncia da documentao, o especialista compara as contas em funo dos ndices, ou seja, analisa a estrutura das contas que geraram determinados ndices muito bons ou muito ruins. Os pareceres analisados so os enviados com a pasta do cliente. Atravs destes, o especialista agrega o posicionamento de quem conhece o cliente mais de perto e verifica dados cadastrais da empresa solicitante e sua administrao. A classe situao trata da anlise dos ndices j calculados, onde o especialista normalmente inicia sua investigao. Os ndices podem indicar sinais de instabilidade para alguma rea do grupo de contas. Esta anlise serve como base para o especialista na formao de seu parecer. A partir da anlise da classe situao, o especialista procura na classe balancetes respostas para dvidas e a prpria consistncia de suas concluses. Este processo ser complementado quando o especialista agregar a anlise das classes pareceres e faturamentos.

Ao final desta etapa, o especialista j tem uma concluso quanto condio do cliente, condio esta que indicar uma tendncia sobre nveis de valores a serem autorizados. Uma simplificao desta tendncia pode ser expressa por quatro nveis: 1. 2. 3. 4. a concluso insuficiente e o cliente no deve obter crdito algum, ou somente um valor muito abaixo do solicitado; a concluso regular, possvel liberar algum crdito mas certamente inferior ao solicitado; a concluso satisfatria, o cliente dever ter liberado o valor solicitado, ou talvez at algum percentual a mais; a concluso boa, este cliente ter condies de receber um financiamento superior ao solicitado.

A possibilidade de autorizao de valores superiores ao solicitado deve-se ao fato que as anlises podem ser feitas apenas com o intuito de atualizao de crdito autorizado, neste caso partindo do ltimo valor solicitado. O problema da anlise de crdito resulta numa destas quatro solues no que concerne ao trabalho em questo. As concluses insuficiente e regular dificultam a autorizao de crdito para o cliente; ao contrrio, as concluses boa e satisfatria o facilitam. A proposta do trabalho restringe-se tarefa de engenharia de conhecimento ; portanto fica fora de seu escopo um maior aprofundamento no tema Anlise de Crdito.

3.4 ABORDAGEM DOS SISTEMAS ESPECIALISTAS A implementao do SENACRE, segundo a abordagem para sistemas especialistas, deve, acima de tudo, preencher as condies expostas por Waterman com relao possibilidade, justificativa e adequao. A implementao do SENACRE possvel dado que a tarefa de Anlise de Crdito no BESC representa um trabalho consistente, a instituio dispe de especialistas que esto de acordo entre si, a tarefa mental e de complexidade adequada. A implementao do SENACRE se justifica plenamente no somente pela boa relao custo-benefcio que proporciona, mas tambm por garantir a homogeneidade dos procedimentos alm de incrementar a segurana do negcio. Quanto ao fato da implementao do SENACRE ser adequada, a prpria explanao sobre sua implementao e aplicao apresentados na presente dissertao argumentam positivamente neste sentido. O prprio fato do sistema proporcionar resultados excelentes j ilustra sua adequao. O SENACRE um sistema especialista de tipo Interpretao porque faz inferncias a partir de um conjunto de informaes. O sistema SENACRE um sistema especialista e, portanto, seu desenvolvimento envolve a execuo de tarefas que resultam elementos fsicos como a apresentao do resultado e elementos no fsicos, como a aquisio de conhecimento. Baseando-se na teoria apresentada no captulo 2, mostra-se como estas tarefas foram trabalhadas no caso do SENACRE. Assim que definida a rea de implementao do SE, a primeira tarefa a ser considerada a da aquisio de conhecimento. Seus resultados j foram apresentados na descrio do conhecimento na seo anterior 3.3. Na seo seguinte descreve-se a forma de implementao da etapa.

3.4.1 Aquisio de Conhecimento do SENACRE A aquisio de conhecimento para o SENACRE, nos termos da extrao do conhecimento, foi feita atravs de entrevistas estruturadas feitas aos analistas de crdito do BESC pelo engenheiro do conhecimento. Os analistas trabalham em um departamento subordinado Diretoria Financeira , o Departamento de Crdito. Os analistas , em nmero de sete, executam em torno de duas anlises por dia dependendo da conjuntura econmica que causa oscilaes na demanda de financiamentos. As entrevistas realizadas foram do tipo estruturadas , j que o engenheiro do conhecimento realizou um trabalho de pesquisa sobre o domnio antes de inici-

las. Alm disto, o engenheiro do conhecimento j era pessoa com conhecimento tcnico na rea de Anlise de Crdito, dominando terminologia e procedimentos genricos. Deste modo, o engenheiro do conhecimento estava em condies de comentar elementos da tarefa dos especialistas. As entrevistas foram feitas uma a cada dia, com durao mdia de uma hora. As entrevistas foram realizadas tomando-se exemplos que o especialista j havia analisado. O especialista praticamente refazia o trabalho relatando passos e pensamentos sobre sua anlise. Desta forma, foi possvel deixar que o especialista conduzisse as entrevistas evitando que ele tentasse explicar raciocnios muito abstratos. Durante o processo de aquisio de conhecimento, o engenheiro do conhecimento define as formas bsicas da representao do conhecimento, conforme descreve a prxima seo.

3.4.2 Representao de Conhecimento do SENACRE A tarefa de representar o conhecimento na elaborao de um sistema especialista envolve escolhas quanto forma e estrutura da representao do conhecimento. A forma de representao de conhecimento escolhida para o SENACRE uma forma hbrida de "frames" e regras. Uma vez definido o KAPPA-PC como aplicativo para desenvolvimento a ser utilizado, o uso de "frames" encaixa-se perfeitamente no seu paradigma de representao. KAPPA-PC baseado em "frames" com regras incorporadas, conforme classificao citada na seo 2.2.3. Definida a forma de representao de conhecimento, esta deve ser estruturada. Estruturar os "frames" significa classificar os objetos do domnio do problema em questo. Deve-se tomar todos os objetos que fazem parte do universo e analis-los cuidadosamente para classific-los adequadamente. Assim, ficam definidas a estrutura do universo de conhecimento e a delimitao do escopo deste universo. Desta classificao chega-se a uma taxonomia dos objetos do universo, atravs dos quais o raciocnio se desenvolve. A taxonomia contm quatro classes que representam diferentes aspectos de anlise, conforme j mencionado na seo 3.3, que so: faturamentos, pareceres, balancetes e situao. Estes quatro aspectos so analisados na busca de um conceito que funcione como uma diretiva de comportamento com relao concluso final. Este processo feito em partes e primeiro se obtm conceitos parciais. O sistema representa estes conceitos atravs de atributos , respectivamente associados classe de faturamentos,

classe pareceres e s classes balancetes e situao que funcionam uma como suporte da outra. A estruturao das regras consiste em considerar sobre quais objetos elas so aplicadas e o contedo das mesmas. No SENACRE, as regras so aplicadas sobre as quatro classes da base de conhecimento na busca dos conceitos intermedirios. A ordem de aplicao das regras j a caracterizao do motor de inferncia.

3.4.3 Motor de Inferncia do SENACRE O motor de inferncia representa a forma de encadeamento das regras. No SENACRE, o raciocnio conduzido a partir de dados que so combinados no sentido de uma concluso. Este o princpio do encadeamento para frente, que a forma de encadeamento indicada para o SENACRE. O processo de raciocnio principal que estrutura o tipo de problema que o SE resolve, ver seo 2.2.1, caracteriza o motor de inferncia do sistema. Mesmo assim, nada impede que em partes da estrutura principal possam haver algumas cadeias de inferncia que tanto podem assumir a forma de encadeamento para frente como para trs. Basta que em determinado momento da aplicao do encadeamento para frente, algum estado intermedirio passe a representar tambm uma concluso. Especificamente no caso do SENACRE exatamente isto que ocorre. H uma estrutura principal onde as regras so aplicadas atravs de um encadeamento para frente, mas h certos momentos em que so acionadas regras que atuam sobre os dados na forma de encadeamento para trs, ou seja, alguns dados podem expressar concluso . Por exemplo, durante o encadeamento para frente, o sistema identifica qual o conceito para os indicadores de estrutura. Assim que este conceito atribudo, acionado um encadeamento para trs que busca o caminho que levou a este conceito, dado que um conceito para indicadores de estrutura a concluso de um processo. Esta cadeia de inferncia tem inclusive o poder de alterar o conceito dos indicadores de estrutura, caso a resposta do encadeamento para trs considere insuficientes as razes para determinado conceito. Na seo 4.3 h um exemplo desta inferncia. A figura 3.1 demonstra esquematicamente o sentido do encadeamento para frente que caracteriza o motor de inferncia principal do SENACRE. A figura 3.2 demonstra a idia do encadeamento para trs como motor de inferncia secundrio.

O motor de inferncia tambm utilizado para visualizao do raciocnio e, deste modo, aproveitado para demonstrar o caminho seguido at as concluses, como apresentado na seo seguinte.

entrada de dados classe faturamentos classe situao classe balancetes classe pareceres

resumo de faturamentos

resumo de situao

resumo de pareceres

concluso
Figura 3.1 - Esquema bsico do encadeamento para frente

objetos da classe situao: X,Y,Z,...

busca a origem de X

retorna o caminho que levou a X: C+A+B

objetos da classe balancetes: A,B,C...

Figura 3.2 - Esquema do encadeamento para trs

3.4.4 Mecanismo de Justificativa do SENACRE No SENACRE o mecanismo de justificativa est implementado atravs do boto explicao da janela anlise. Ao acionar este boto surge uma janela que descreve a situao econmico-financeira do cliente, condio global e outros atributos envolvidos com a concluso. Atravs deste mecanismo o sistema pode auxiliar um especialista humano quanto verificao precisa da anlise de todos os elementos pertencentes ao domnio do problema. O processo de implementao do SENACRE previsto para iniciar com um perodo onde um especialista faz sua anlise e depois compara com a anlise feita pelo sistema. Com o mecanismo de justificativa, o usurio pode identificar a origem de possveis discrepncias nas anlises.

3.4.5 Interface do SENACRE A interface do SENACRE bastante amigvel, pois apresenta um ambiente com janelas e botes de fcil compreenso, graas implementao em ambiente "windows" proporcionada pela ferramenta utilizada em seu desenvolvimento. A interface do SENACRE consiste numa janela de introduo, uma janela principal, uma janela de funes, uma janela de ajuda e uma janela de anlise. A janela de introduo est representada na figura 3.3. A janela principal apresenta dois grupos de botes: um primeiro grupo de botes dispostos verticalmente, que referem-se entrada de dados; e um segundo grupo de botes que acionam as janelas restantes, funes, ajuda e anlise, conforme pode ser visto na figura 3.3. A janela de funes oferece opes de inicializao e de retorno ao menu inicial. Esta janela destinada a futuras implementaes de operaes com arquivos. A janela ajuda fornece opes de esclarecimentos sobre itens do sistema e de reviso de valores de dados inseridos no mesmo. A janela anlise consta de trs botes: analisa, resultado e explicao, que representam as funes essenciais do sistema, que sero descritas de acordo com o desenvolvimento da apresentao. Retornando janela principal e ao grupo de entrada de dados, temos: 1. Entrar Dados, 2. Pareceres, 3. Balancetes e 4. Faturamento. Atravs do boto 1. Entrar Dados so digitados dados como nome do cliente e o valor do crdito solicitado. Ao ser acionado o boto 2. Pareceres, surgem quatro pequenas janelas de escolha simples, onde o usurio dever indicar uma das opes. As janelas referem-se a quatro pareceres que constam da pasta de dados do cliente que acompanham sua solicitao de crdito. As opes para cada um dos pareceres so: "a favor", "indiferente", "com restries" e "contra". O terceiro boto 3. Balancetes. Ao acionar este boto inicia-se um processo de surgimento de uma srie de janelas onde so digitados dados do balancete e da situao. Os dados sobre a situao so ndices de estrutura, liquidez e rentabilidade e ainda a pontuao de um questionrio, j mencionado no captulo 3.

Figura 3.3 - Janela de introduo do SENACRE A ltima janela pergunta se outros balancetes sero analisados, em caso positivo, este procedimento se repete e mtodos de comparao de tendncias so acionados. O ltimo boto o 4. Faturamento. Ao acion-lo, inicia o surgimento consecutivo de 12 janelas para que sejam digitados os 12 ltimos faturamentos. Para o usurio, assim que for digitado o ltimo faturamento, o boto Anlise j pode ser acionado. Ao entrar na janela Anlise, o primeiro boto a ser acionado o analisa: neste momento podem surgir janelas fazendo perguntas ao usurio se faltarem informaes para o sistema concluir sua anlise; caso contrrio, assim que o boto voltar posio original, pode ser acionado o boto resultado. O ltimo boto o explicao, ao ser acionado, surge uma janela com um resumo sobre a anlise, apontando quais os conceitos fundamentais que levaram o sistema a sua concluso. As janelas mencionadas aqui sero apresentadas no captulo 4 onde j consta um exemplo.

3.4.6 Aprendizagem do SENACRE A aprendizagem no SENACRE se d pela aquisio manual de novo conhecimento. No sistema de aprendizagem, o componente crtico do SENACRE o prprio usurio, o de aprendizagem e o "procedural" so representados pelo engenheiro do conhecimento e o executor o prprio sistema j atualizado. A atualizao do conhecimento necessria sempre que for identificada alguma alterao em norma ou filosofia da instituio financeira onde o sistema estiver sendo aplicado, ou quando as caractersticas conjunturais se modificarem.

3.4.7 O Raciocnio do SENACRE As sees apresentadas at o momento j caracterizam o SENACRE com relao aos seus elementos fsicos e no fsicos. Nesta seo, mostra-se como so conduzidos os objetos e informaes do domnio no sentido da concluso de forma um pouco mais ampla do que o esquema simplificado mostrado na seo 3.4.3. A figura 3.4 demonstra de forma esquemtica este desenvolvimento. A figura 3.4. mostra no primeiro nvel uma representao dos itens que caracterizam a entrada de dados. No segundo nvel, os elementos so agrupados de acordo com a classe a que pertencem dentro da estrutura de representao de conhecimento do SENACRE. Todas as classes terminam com um conceito conclusivo que resume esta classe. No terceiro nvel esto os resumos das classes que so reduzidas a trs. O quarto nvel caracterizado por um objeto denominado Parecer Final que agrega as informaes do nvel anterior e formado atravs de um conjunto de regras que definem seus atributos. Os atributos deste objeto so responsveis pelo clculo do valor final a ser autorizado para o cliente.

INDICADORES DE ESTRUTURA

INDICADORES DE LIQUIDEZ

INDICADORES DE RENTABILIDADE

PONTUAO DO QUESTIONRIO

CONTAS DO PARECERES BALANCETE

FATURAMENTO DE 12 MESES

CLASSE

CLASSE

CLASSE

CLASSE

SITUAO

BALANCETES

PARECERES

FATURAMENTOS

RESUMO DA CLASSE

RESUMO DA CLASSE

RESUMO DA CLASSE

SITUAO

PARECERES

FATURAMENTOS

PARECER FINAL

Figura 3.4 - O Raciocnio do SENACRE

3.4.7.1 Classe Pareceres Como vimos, a classe pareceres modela o posicionamento de opinies mais prximas do cliente. So quatro pareceres que geram o resumo de pareceres. Conforme j descrito na seo 3.4.5, a entrada de dados para a classe pareceres feita atravs de janelas de escolha de opes. As opes esto em ordem decrescente de valor - "a favor", "indiferente", "com restries" e "contra"e seus pesos para cada parecer se equivalem de uma maneira tal que para um parecer "a favor" agregado a um "com restries", resulta num resumo de pareceres "indiferente". A forma encontrada para representar estes pareceres foi atravs do uso de pesos positivos e negativos. Um dos pareceres tem representatividade to superior aos demais que se este parecer receber um valor "a favor", somente com todos os outros trs pareceres apresentando valores "contra", torna-se possvel o resumo resultar num valor "com restries". Na taxonomia que representa o domnio do problema, pareceres uma das quatro classes principais. Logo que encontrado o resumo dos pareceres, ser atribudo um conceito para este objeto, que ser um conceito conclusivo para a classe pareceres. O conceito ser um dos quatro abordados em todo o sistema:

Bom, Satisfatrio, Regular e Insuficiente. As quatro opes dos pareceres representam, respectivamente, estes conceitos. Ainda sobre esta classe, observa-se que o boto 2. Pareceres o segundo boto de entrada de dados para induzir o usurio a preench-los no incio do processo, principalmente em funo de um dos pareceres, o do especialista. imprescindvel que esta opo seja preenchida pelo especialista assim que ele tenha o primeiro contato com a pasta do cliente. H duas razes para isto: a primeira refere-se tentativa de passar para o sistema um sentimento muito humano, normalmente citado como "primeira impresso". Foi constatado na aquisio de conhecimento que o especialista humano analisa os processos sempre guiado por uma imagem bastante subjetiva que defina uma postura, s vezes de boa vontade, s vezes de indiferena. A outra razo diz respeito a uma forma de manter o especialista no sistema. Atravs deste mecanismo o especialista interfere na resoluo do problema. A idia de manter um especialista operando o sistema pretende suprir lacunas do sistema computacional, garantindo a presena de caractersticas muito humanas como a criatividade. Este mecanismo pode tomar outro vulto em projetos que incluam auto-aprendizagem, por exemplo.

3.4.7.2 Classes Situao e Balancetes Na taxonomia que representa o universo do problema, balancetes e situao so duas classes. Como descrito na seo 3.3, um dos elementos que dispe o usurio o resumo da situao do balano. Os dados da situao constam deste documento, e consistem em valores numricos e conceitos para todos os ndices, pontuao do questionrio e o limite indicativo de crdito. Estes ndices so resumidos pelo sistema (conforme seo 3.5.3) a fim de gerar um conceito conclusivo sobre a situao. O sistema no alimentado com todas as contas das demonstraes financeiras, pois muitas j so indiretamente informadas atravs dos ndices. Utiliza-se somente as contas que servem para conferir os ndices e checar a consistncia das demonstraes financeiras. Estes dados so muito utilizados nos motores de inferncia secundrios, seo 3.4.3. Ao se conferir os ndices, pretende-se avaliar a razo de determinado ndice estar em determinado nvel, seja baixo ou alto. Como a classe balancetes atua como suporte da classe situao, define-se apenas um conceito conclusivo para ambas, o conceito conclusivo da situao.

3.4.7.3 Classe Faturamentos Na classe faturamentos avaliam-se diversas informaes sobre o cliente com relao ao volume de seu faturamento. A exemplo das outras, esta classe tambm caracterizada por um conceito conclusivo. O conceito desta classe desenvolvese atravs de funes que calculam mdias dos faturamentos, comparaes com outros dados do sistema, enfim, funes numricas que avaliam o faturamento conforme observado na aquisio de conhecimento.

3.4.7.4 Parecer Final A partir dos conceitos conclusivos das classes pareceres, situao e faturamentos, o sistema infere um outro conceito, que sintetiza os demais, denominado Parecer final. A obteno deste objeto se d por regras que comparam o Parecer final com o crdito solicitado, patrimnio lquido e valor do ltimo faturamento para inferir o valor final de liberao. Esta ltima comparao, sempre feita pelos especialistas humanos, pretende minimizar possveis incoerncias, (e.g., liberar um valor superior ao patrimnio lquido do cliente ou deixar de liberar um valor que representa menos de 10% do ltimo faturamento). O conceito do objeto Parecer Final tem por objetivo representar a idia do especialista humano quando chega no final da anlise da documentao do cliente. O prximo passo ser estabelecer um montante de crdito a ser liberado a partir deste conceito que resume a condio da empresa de receber algum emprstimo, segundo a filosofia da instituio financeira. Como definido na seo 3.3, na exposio do problema, foram identificadas quatro tendncias neste momento da anlise. Estas quatro tendncias so representadas pelos conceitos insuficiente, satisfatrio, regular e bom. Esta a razo pela qual os conceitos intermedirios do sistema so direcionados para um destes quatro conceitos. O conceito do objeto Parecer final j indica qual o patamar de crdito a ser autorizado para o cliente. A implementao do SENACRE como um sistema especialista realmente eficiente e capaz de realizar o que se prope foi complementada com uma modelagem difusa para o tratamento da impreciso identificada no problema. A prxima seo pretende esclarecer os termos desta modelagem.

3.5 MODELAGEM DIFUSA

3.5.1 Introduo A implementao do sistema SENACRE envolve a aplicao da TCD para que se atinja o objetivo de reproduzir o raciocnio dos especialistas humanos, considerando a impreciso inerente s informaes e regras destes especialistas. A presente seo tem por objetivo apresentar os elementos envolvidos na aplicao da TCD. Para tanto, aps uma breve introduo sobre as formas de impreciso identificadas com relao estrutura do conhecimento, so apresentadas: seo 3.5.2, Impreciso na Classe Situao, salienta-se esta classe por ser onde foi identificada a impreciso que mais poderia deturpar os resultados caso no tivesse recebido a modelagem difusa; a seo 3.5.3 explica como foram criados os conjuntos difusos; em 3.5.4 apresenta-se a principal composio difusa; a seo 3.5.5 relata outras composies; e, finalmente, a seo 3.5.6 descreve como funciona o clculo da atribuio de um valor a liberar ao cliente mediante esta modelagem. Esta estrutura de apresentao pretende demonstrar a implementao da modelagem difusa seguindo o andamento do raciocnio do sistema. Atravs do processo de aquisio do conhecimento, verificou-se impreciso em alguns itens desde a entrada de dados. As classes que contm impreciso so as classes situao e faturamentos. A classe situao se desenvolve a partir da entrada dos valores dos ndices que medem o desempenho do cliente. Estes ndices resultam da aplicao de frmulas que envolvem contas do balancete (ou balano). Os ndices so classificados pelos especialistas em um dos seguintes conceitos: Bom, Satisfatrio, Regular ou Insuficiente. O clculo dos ndices feito atravs das frmulas apresentadas no quadro 3.1. Pela prpria natureza matemtica das frmulas, o intervalo possvel dos resultados sempre [0,). Entretanto, os intervalos dos nveis dos ndices para cada um dos conceitos acima mencionados variam conforme o segmento de mercado em que o cliente atua. O banco onde foi realizada a aquisio de conhecimento usa como referencial os intervalos dos indicadores apresentados no quadro 3.2. Para o trabalho em exposio foi adotado apenas o segmento de indstria da construo civil visando praticidade.

QUADRO 3.1 Frmulas dos Indicadores

Indicadores de Estrutura equao 1 ttulo participao de capital de terceiros frmula capital de patrimnio lquido ativo patrimnio lquido terceiros

grau de imobilizao

permanente

Indicadores de Liquidez equao 3 liquidez geral ttulo frmulas ativo circulante + passivo circulante+exigvel ativo passivo circulante ativo circulante passivo circulante realizvel

liquidez corrente

circulante

liquidez seca

estoques

Indicadores de Rentabilidade equao 6 giro do ativo ttulo frmulas receita bruta total do ativo lucro vendas 8 rentabilidade do ativo lucro lquido total do ativo lquido lucro lquido patrimnio lquido mdio *100 lquido *100

rentabilidade das vendas

*100

rentabilidade mdio

do

patrimnio

*100

Com a anlise do quadro 3.2 possvel constatar que alimentar o SENACRE somente com os conceitos dos ndices provocaria a agregao de uma informao insuficiente no desenvolvimento do raciocnio do sistema. De acordo com a aquisio de conhecimento, o analista de crdito observa os conceitos dos ndices e tambm seus valores numricos. Fica claro que o especialista humano agrega a seu raciocnio no somente o conceito do ndice como tambm uma idia da distncia deste conceito com relao aos conceitos adjacentes.

QUADRO 3.2

Intervalos dos Conceitos dos Indicadores para o Segmento indstria de construo civil:
FONTE: Documento Interno do BESC indicadores Part. de Cap. de 3os. grau de imobilizao liquidez geral liquidez corrente liquidez seca giro do ativo rentabilidade vendas rentabilidade do ativo rentabilidade pl.mdio Insuficiente (111,) (122,) [0,0.54] [0,0.76] [0,0.38] [0,0.31] [0,1.08] [0,1.78] [0.0,6.0] Regular (73.0,111] (100,122] (0.54,0.85] (0.76,1.19] (0.38,0.68] (0.31,0.70] (1.08,5.00] (1.78,4.35] (6.0,10.09] ] Satisfatrio (21.0,73.0] (57,100.0] (0.85,1.66] (1.19,1.79] (0.68,1.38] (0.70,0.87] (5.00,10.6] (4.35,12.8] (10.09,23.7 Bom [0,21.0] [0,57.0] (1.66,) (1.79,) (1.38,) (0.87,) (10.6,) (12.8,) (23.7,)

Por exemplo, se o especialista l um conceito Satisfatrio para a rentabilidade do ativo, ele tambm verifica se o valor numrico do conceito est mais prximo do nmero 4 ou do nmero 12. Seria ingnuo pensar um ser humano raciocinando apenas com uma das informaes. Assim, a representao de cada um dos nove ndices deve participar do processo de raciocnio com o conceito e tambm com o nvel numrico para que se obtenha no sistema a mesma importncia dada a este valor pelo especialista humano. O especialista encara cada indicador por seu conceito e confirma sua idia com o valor numrico. Por exemplo, se um indicador de imobilizao (frmulas no quadro 3.1) est com conceito Bom, o analista procura saber se o nvel deste indicador est mais ou menos prximo de zero, conduzindo em seu raciocnio uma idia de mais ou menos Bom., devido ao fato do intervalo deste conceito variar entre os nveis zero e cinqenta e sete, vide quadro 3.2. Os conceitos so exemplificados por alguns valores presentes na aplicao, captulo 4. A proposta para representao deste conhecimento impreciso que caracteriza o raciocnio do especialista humano a utilizao da TCD. Conjuntos Difusos podem representar estes conceitos agregando impreciso ao raciocnio no sistema computacional. Revisando a representao de conhecimento identificamos ainda alguma impreciso na atribuio do conceito concernente classe faturamentos. As comparaes feitas entre a mdia dos faturamentos e outros valores so facilitadas quando tratadas por conjuntos difusos. So feitas comparaes do nvel dos faturamentos no intuito de confirmar uma capacidade de solvncia da empresa. Uma abordagem no difusa teria dificuldade em considerar se o valor solicitado muito maior do que a mdia do faturamento de forma dinmica. A aplicao da TCD com relao estrutura de representao do conhecimento do problema a seguinte: a concluso da classe pareceres

permanece no difusa, somente as concluses das classes situao e faturamentos so difusas. A prxima seo apresenta o desenvolvimento do tratamento dado classe situao com a utilizao da TCD.

3.5.2 Impreciso na Classe Situao O resultado de todos os ndices que medem o desempenho do cliente esto contidos num universo de valores em funo das frmulas que os originam, ver quadro 3.1. Este universo em questo sempre o mesmo intervalo: [0,). Conforme mostra o quadro 3.2, este mesmo universo possui diferentes subconjuntos para os diferentes ndices, cada um deles associados a quatro conceitos. Isto deve-se ao fato de que a origem destes intervalos est num estudo estatstico que determina, por exemplo, que o grau de imobilizao de um cliente que atua no segmento de indstria da construo civil ser considerado Bom somente se seu nvel estiver no intervalo [0,57]. Certamente, se o segmento de atuao fosse de comrcio, este intervalo seria bem inferior, devido s menores exigncias de ativo permanente no segmento comercial. A fim de modelar estes intervalos associados a cada conceito, definimos por representar cada intervalo com um conjunto difuso. Assim, fica estabelecido o grau com que cada nvel numrico participa de cada conceito. Por conseguinte, cada ndice ser representado por quatro conjuntos difusos que estaro associados aos conceitos Bom, Satisfatrio, Regular e Insuficiente. Estes conceitos representam rtulos de conjuntos difusos. Os conjuntos difusos so, ento, criados a partir de: subconjuntos do universo de cada ndice associado a cada conceito; e de uma funo de pertinncia que mapear o intervalo de cada subconjunto. Por exemplo, o grau de imobilizao calculado atravs de sua frmula (conforme quadro 3.1) que proporciona um universo numrico de resultados possveis de [0,). Este universo possui quatro subconjuntos, cada um associado a um conceito, respectivamente: (122,), Insuficiente; (100,122], Regular; (57,100], Satisfatrio e [0,57], Bom. Estes so os subconjuntos do universo que servem para criar o universo de discurso de cada conjunto difuso, so o eixo das variveis base. Para o mapeamento destes universos usam-se funes. As funes de pertinncia para os conjuntos difusos referentes ao grau de imobilizao esto apresentadas no quadro 3.3 as seguintes:

QUADRO 3.3 Funes de pertinncia para grau de imobilizao

Funo de pertinncia para o conjunto difuso grau de imobilizao de rtulo Bom Funo de pertinncia para o conjunto difuso grau de imobilizao de rtulo Satisfatrio Funo de pertinncia para o conjunto difuso grau de imobilizao de rtulo Regular Funo de pertinncia para o conjunto difuso grau de imobilizao de rtulo Insuficiente IB(x) = 1-(x/57) IS = 1 - ((x-58)/42) IR(x) = (x-101)/21 II(x) = (x-123)/77 II(x) = 1 xU xU xU 0 x 200 x > 200

A representao grfica destes conjuntos difusos est apresentada nas figuras 3.5, 3.6, 3.7 e 3.8. A necessidade da aplicao dos conjuntos difusos parte da leitura dos ndices de estrutura, liquidez e rentabilidade. Assim que um valor numrico digitado para um ndice, uma funo acionada para representar o valor deste ndice atravs de conjuntos difusos. Um ndice passa a ser um objeto representado por atributos que caracterizam o conjunto difuso a que pertence. Prope-se um exemplo para acompanhar o raciocnio com um valor numrico digitado para o grau de imobilizao de 41.03. Primeiro, o sistema identifica em qual subconjunto do universo se encontra o valor numrico do ndice e a qual conceito est associado este subconjunto. Para o grau de imobilizao de nvel 41.03, o sistema identifica pertinncia no subconjunto associado ao conceito Bom, em razo deste valor pertencer ao intervalo [0,57], conforme quadro 3.2. Segundo, o sistema usa as funes apresentadas no quadro 3.3 para calcular qual o grau de pertinncia do valor deste ndice no conjunto difuso associado ao referido conceito. O grau de pertinncia do grau de imobilizao de nvel 41.03 no conjunto difuso de rtulo Bom 0.280175, resultado da operao 1-(41.03/57) . Seja o ndice um objeto, este objeto ndice contm trs atributos: o nvel, que o valor numrico do ndice digitado; o conceito, que o rtulo do conjunto difuso; e o grau de pertinncia, que associa o nvel ao conjunto difuso. Desta forma, o sistema atribui valores a dois atributos deste objeto ndice - ao rtulo e ao grau. O objeto ndice grau de imobilizao tem o atributo rtulo com valor Bom e o atributo grau com valor 0.280175. Com a execuo desta funo, os ndices so identificados no mais por seu nvel, mas pelo par de atributos rtulo e grau. Ou, simplesmente, por um conceito difuso. O conceito difuso que apresenta caractersticas similares a uma varivel difusa fica caracterizado pela tripla (X,U,R), conforme seo 2.3.5. X representa o nome ou rtulo da varivel; U o universo; R representa o conjunto difuso .

Por convenincia, adotamos a representao (X,R) . A idia de suprimir o universo surge do fato deste ser o mesmo para todos os conjuntos que sero tratados, ([0,]). X permanece como o rtulo do conjunto difuso e R ser simplificado no grau que resulta da funo de pertinncia. A representao do grau de imobilizao fica (Bom,0.280175). O que denominamos conceito difuso o par de atributos que qualifica os objetos ndices: rtulo e grau. A analogia feita do conceito difuso com a varivel difusa deve-se ao fato da origem de ambas ser a mesma, exceto por um detalhe: a definio de varivel difusa envolve um conjunto difuso originrio de uma restrio difusa no universo de discurso U. No presente trabalho, o conceito difuso caracteriza-se por variveis difusas oriundas de conjuntos difusos que se originam de intervalos limitados por restries no difusas. Lembramos que a aplicao da TCD prev apenas o tratamento da impreciso identificada no raciocnio dos especialistas humanos, portanto mantm-se os intervalos rgidos utilizados pelos analistas com relao aos conceitos para os ndices. Os conjuntos difusos tratam apenas a impreciso contida dentro destes intervalos. Por esta razo, as funes de pertinncia que constituem os conjuntos difusos aqui criados no so conseqncia de restries difusas , mas de seu significado e sua utilizao. O significado do conjunto difuso um dos aspectos que ajuda a definir sua funo de pertinncia. O outro aspecto a utilizao do conjunto difuso. Ambos aspectos considerados na definio das funes de pertinncia so abordados na seo a seguir. O sistema em questo foi estruturado para utilizar um quadro com intervalos de conceitos para indicadores diferenciado para cada segmento de indstria, devido prpria diferena de estrutura contbil dos mesmos. O SENACRE, em sua verso demonstrativa, tem a opo de segmento de indstria da construo civil para utilizar o quadro associado ao segmento do cliente. Para cada segmento de indstria so necessrios que se definam trinta e seis (36) funes para a representao dos conjuntos difusos que representam os ndices do balano. So dois indicadores de estrutura, trs de liquidez e quatro de rentabilidade, perfazendo o total de nove ndices. Cada ndice representado por quatro conjuntos difusos, cujos rtulos so: Bom, Satisfatrio, Regular e Insuficiente.

3.5.3 A Criao dos Conjuntos Difusos A criao de um conjunto difuso, como j mencionado no captulo 2, uma tarefa de responsabilidade de seu criador, neste caso o engenheiro do

conhecimento, e tem como exigncia fundamental sua fidelidade com relao ao conjunto real permitindo coerncia e consistncia de sua aplicao dentro da TCD. Ao criar conjuntos difusos que representem os ndices , observa-se que alguns ndices representam uma situao melhor da empresa quanto mais alto for seu valor numrico, isto acontece com os ndices de liquidez e de rentabilidade. J para os ndices de estrutura, seus nveis sero melhores quanto mais baixos os seus valores numricos. Atravs do processo de aquisio de conhecimento observou-se claramente que os conceitos associados aos ndices dividem-se em dois grupos opostos. Bom e Satisfatrio so os conceitos com significados positivos no que tange imagem da empresa. Regular e Insuficiente so os conceitos negativos. O termo positivo, no presente contexto, pretende denotar que quanto mais positivo for o conceito conclusivo do cliente, maior ser o seu crdito. Isto nos faz concluir que se as funes de pertinncia dos conjuntos difusos Bom e Satisfatrio forem funes crescentes, conseqentemente, as funes de pertinncia dos conjuntos difusos Regular e Insuficiente sero decrescentes. Quanto forma, constata-se primeiramente que as funes de pertinncia dos conjuntos difusos associados aos conceitos dos ndices so retas. A razo para a utilizao de retas reside no fato de que no h nenhum valor numrico ou faixa de valores, dentro do intervalo, com algo que se distingua dos demais. Isto exige uma proporcionalidade que propriedade somente das retas. Em segundo lugar, examina-se que tipo de retas podem melhor representar os conjuntos. Uma funo tringulo parece adequada na medida em que coloca a altura do conjunto difuso exatamente no ponto mdio dos elementos, fazendo com que, por exemplo, um elemento de um conjunto Satisfatrio, seja mais satisfatrio quanto mais afastado estiver dos outros conjuntos. Os conjuntos difusos so construdos a partir dos subconjuntos do universo de cada ndice. Isto torna claro que os conjuntos tm o significado intrnseco de continuidade. Mesmo no havendo interseo entre os intervalos. Temos um intervalo global crescente, p. exemplo, [0, ),e subdivises deste intervalo que seguem respectivamente os conceitos Insuficiente, Regular, Satisfatrio e Bom. Um elemento que esteja no intervalo Satisfatrio deve ter um comportamento de proporcionalidade quanto a seu grau de pertinncia. Quanto mais prximo estiver do intervalo do conceito Bom, maior ser seu grau de pertinncia. Este raciocnio rejeita a idia da funo tringulo em favor de uma simples reta. As figuras 3.5, 3.6 , 3.7 e 3.8 mostram os grficos dos quatro conjuntos difusos para o ndice de Grau de Imobilizao.

1 0,8 0,6 0,4 0,2 0 0 57

Figura 3.5 - Representao grfica da funo de pertinncia do conjunto difuso grau de imobilizao de rtulo Bom
1 0,8 0,6 0,4 0,2 0 57 9 7 .2 7 100

Figura 3.6 - Representao grfica da funo de pertinncia do conjunto difuso grau de imobilizao de rtulo Satisfatrio
1 0,8 0,6 0,4 0,2 0 100 122

Figura 3.7 - Representao grfica da funo de pertinncia do conjunto difuso grau de imobilizao de rtulo Regular

1 0,8 0,6 0,4 0,2 0 122 200 300 400

Figura 3.8 - Representao grfica da funo de pertinncia do conjunto difuso grau de imobilizao de rtulo Insuficiente O quadro 3.4 apresenta as frmulas que representam as funes de pertinncia dos conjuntos difusos.
QUADRO 3.4 Frmulas que representam as funes de pertinncia para os conjuntos difusos associados aos demais indicadores.
indicador
part.cap.3os grau imobilizao liquidez geral liq. corrente liquidez seca giro do ativo rent vendas rent ativo rent pl mdio

Bom
(x)=1-(x/21) (x ) = 1-(x /57) (x)=(x-1.66)/0.84 =1, x > 2.5 (x)=(x-1.8)/0.7 =1, x>2.5 (x)=(x-1.39)/1.11 =1, x>2.5 (x)=(x-0.88)/0.62 =1,x>1.5 (x)=(x-10.61)/9.39 =1,x>20 (x)=(x-12.81)/12.19 =1, x>25 (x)=(x-23.71)/26.29 =1,x>50

Satisfatrio
(x)=1-((x-22)/51 = 1 - ((x-58)/42) (x)=(x-0.86)/0.8 (x)=(x-1.2)/0.59 (x)=(x-0.69)/0.69 (x)=(x-0.71)/0.16 (x)=(x-5.01)/5.59 (x)=(x-4.36)/8.44 (x)=(x-10.10)/13.6

Regular
(x)=(x-74)/37 (x ) = (x-101)/21 (x)=1-((x-0.55)/0.3) (x)=1-((x-0.77)/0.42) (x)=1-((x-0.39)/0.29) (x)=1-((x-0.32)/0.38) (x)=1-((x-1.09)/3.91) (x)=1-((x-1.79)/2.56) (x)=1-((x-6.01)/4.08)

Insuficiente
(x)=(x-112)/88 =1, x>200 ( x) = (x-123)/77 ( x) = 1 (x)=1-(x/0.54) (x)=1-(x/0.76) (x)=1-(x/0.38) (x)=1-(x/0.31) (x)=1-(x/1.08) (x)=1-(x/1.78) (x)=1-(x/6)

3.5.4 A Composio dos Conjuntos Difusos At aqui foi apresentado como usar os conjuntos difusos para representar o conhecimento impreciso. Agora apresentamos os tratamentos dados a estes conjuntos a fim de realizar inferncias e prosseguir no caminho do processo de raciocnio do especialista. Como descrito na seo 3.4, o raciocnio segue no sentido de obter conceitos conclusivos para as classes pareceres, situao e faturamento, a fim de buscar uma diretiva de comportamento para a concluso final. A classe pareceres permanece com conceito no difuso.

A classe situao ,(conforme seo 3.5.2), a partir da entrada de dados, recebe conceitos difusos para os nove ndices em anlise. Estes ndices so agrupados em conceitos gerais para os objetos indicadores de estrutura, indicadores de liquidez e indicadores de rentabilidade. Para obteno destes ndices gerais criam-se novos conceitos difusos. Os conjuntos difusos iniciais sero compostos e seus conceitos difusos sero mapeados neste novo conceito difuso geral. No exemplo citado na seo anterior, o grau de imobilizao foi representado em termos de uma varivel difusa porque originou-se do conjunto difuso grau de imobilizao de rtulo Bom , representado por (B,0.280175) que apenas um conceito difuso. Este conceito composto com o conceito difuso participao de capital de terceiros, representado por (S,0.286363). Desta composio obtm-se o conceito geral para o objeto indicadores de estrutura que igualmente um conceito difuso. O objeto indicadores de estrutura no tem associado a ele nenhum conjunto difuso, dado que no h elementos como nveis numricos que representem um domnio. O conceito difuso geral procura manter o carter difuso dos conceitos difusos que o originam. A exemplo dos conceitos difusos iniciais que representam os ndices, os conceitos difusos gerais, que representam resumos dos ndices, so igualmente representados por uma dupla (C,G). C o rtulo oriundo da composio dos rtulos dos conjuntos difusos iniciais. G o grau de pertinncia que indica a intensidade do conceito difuso, tambm resultado da composio dos graus de pertinncia dos conjuntos difusos iniciais. Compor conjuntos difusos significa obter um conjunto difuso a partir de dois ou mais conjuntos difusos iniciais. No presente trabalho compe-se conjuntos difusos como conceitos difusos; obtendo-se, por conseguinte, um conceito difuso como resultado. O aspecto mais importante a ser lembrado trata-se de como esta composio abordada pelos especialistas humanos. Do processo de aquisio de conhecimento, observou-se dois pontos. O primeiro refere-se ao fato de que no h diferena alguma de importncia entre os ndices iniciais a serem compostos - diferenas de importncia j foram consideradas na definio dos intervalos dos conceitos como, por exemplo, no caso da liquidez seca que passa para conceitos melhores a partir de nveis numricos mais baixos devido a sua caracterstica de liquidez independente do ciclo dos estoques. Como referncia para anlise de ndices, ver [GIT84]. O segundo ponto a considerar consiste em tentar obter o resultado obtido pelo especialista humano, como fica expresso numa frase freqentemente ouvida na etapa de aquisio do conhecimento:

- Se a participao de terceiros tem conceito bom e a imobilizao regular, ento o nvel dos indicadores de estrutura satisfatrio. Esta frase d a idia clara de mdia. Trata-se mdias em conjuntos difusos de acordo com o que se viu na reviso bibliogrfica, item 2.2.7, onde h uma proposta de clculo de mdia para um conjunto difuso, enquanto pretende-se obter a mdia de dois conjuntos difusos. Mesmo assim, a proposta descrita sugere a utilizao da mdia dos graus de pertinncia. Por outro lado, entende-se mdia simples como uma medida de tendncia central que soma volumes e divide esta soma pelo nmero de parcelas somadas. O conceito mais prximo ao volume de um conjunto difuso sua cardinalidade. Como descrito na seo 2.2.4 , a TCD descreve somente uma cardinalidade em termos de um nmero: a cardinalidade escalar, que igualmente a soma dos graus de pertinncia de um conjunto difuso. Estendemos estes conceitos e idias no sentido de utilizarmos sempre a mdia simples dos graus de pertinncia dos dois conjuntos difusos iniciais para obter o grau de pertinncia do conceito difuso composto. No exemplo da composio dos conceitos difusos grau de imobilizao e participao de capital de terceiros, a mdia simples dos graus de pertinncia resulta no valor 0.283269. Para dois conjuntos difusos definidos num mesmo rtulo, o conceito difuso composto apenas mantm este rtulo. Quando os conjuntos difusos a serem compostos no esto definidos no mesmo rtulo pode-se fazer o mapeamento destes rtulos num s. Esta idia fracassa pelas propriedades dos conjuntos iniciais. Os conjuntos no tm interseo e, apesar de terem uma propriedade de continuidade sobre o universo de discurso, os conjuntos tm comportamentos opostos. A outra maneira, que se mostrou bastante eficiente na aplicao prtica, tomar a mdia dos rtulos conforme os especialistas humanos. Se os conjuntos a serem compostos esto associados aos rtulos Bom e Regular, o rtulo da composio Satisfatrio. Se os rtulos forem Satisfatrio e Insuficiente, o rtulo da composio ser Regular. Para as composies de conjuntos difusos em que os rtulos originam-se de subconjuntos adjacentes do universo de discurso, a composio manter o rtulo do conjunto que apresentar o grau de pertinncia mximo. No exemplo do conceito difuso geral para indicadores de estrutura, os rtulos dos conceitos compostos so adjacentes, Bom e Satisfatrio. O grau de pertinncia mximo encontrado no conceito difuso de participao de capital de terceiros. O conceito difuso para indicadores de estrutura , ento, representado pela dupla (Satisfatrio,0.283269).

Quando necessrio gerar conceitos difusos gerais a partir de mais de dois conjuntos difusos, as composies sero feitas duas a duas. Isto ocorre na gerao dos conceitos difusos gerais para ndices de liquidez e de rentabilidade. A gerao do conceito difuso conclusivo para a classe faturamentos no utiliza composies. O conceito ter atribudo um conceito que varia seu grau de pertinncia em funo de outros valores dados no sistema. Uma das caractersticas de uma classe faturamentos com conceito Bom e grau de pertinncia alto (prximo de um) ser o valor da mdia do faturamento dos ltimos meses muito superior ao montante de crdito solicitado pelo cliente. Mais precisamente na colocao muito superior que reside a impreciso que medida pelo grau de pertinncia deste conceito.

3.5.5 Outras Composies Ao concluir o processo de gerao dos conceitos difusos gerais para os ndices de liquidez, estrutura e rentabilidade, torna-se necessrio gerar um outro conceito difuso que sintetize estes trs conceitos, denominado resumo dos ndices. Este conceito difuso ainda composto com o outro objeto da classe situao que o questionrio, que tambm representado por um conceito difuso. A composio do conceito difuso resumo dos ndices com o conceito difuso questionrio gera o conceito difuso conclusivo da classe situao. Esta composio difere bastante das composies anteriores. Retomando a aquisio de conhecimento, observa-se que o conceito difuso para o objeto questionrio no tem relevncia suficiente para alterar o conceito da classe situao, mas apenas para alterar o grau de pertinncia deste conceito difuso. Numa composio entre um conceito para o objeto questionrio com valor (Insuficiente,0.90) e um conceito para situao (Bom,0.95), resultaria um conceito conclusivo (Bom,0.05). Alm disso, entende-se que quanto mais importante for o conceito do questionrio mais ele afetar o conceito conclusivo. A fim de preencher estes dois requisitos observados na aquisio de conhecimento, estabelece-se que o conceito conclusivo mantm o mesmo rtulo do conceito difuso resumo dos ndices e seu grau de pertinncia ser obtido da soma ou da diferena limitada dos graus de pertinncia dos dois conceitos que geram a composio. Para finalizar, observa-se ainda que se o rtulo do conceito difuso do questionrio Bom ou Insuficiente, ou seja, um dos extremos. Neste caso, basta realizar a soma ou diferena limitada conforme os casos descritos no quadro 3. Se o rtulo do conceito difuso para o questionrio for Satisfatrio ou Regular, significa que o conceito no to importante assim e, portanto, no deve interferir com o mesmo peso que os rtulos extremos. Nestes casos, o grau de pertinncia dividido por dois antes da operao de soma ou diferena limitada.
Quadro 3.5 Operaes de soma limitada e diferena limitada
conceito difuso resumo dos ndices Bom Satisfatrio Regular Insuficiente Bom Satisfatrio Regular Insuficiente conceito difuso para questionrio Bom Bom Bom Bom Insuficiente Insuficiente Insuficiente Insuficiente tipo de operao soma soma diferena diferena diferena diferena soma soma

3.5.6 A Liberao Atravs dos Conjuntos Difusos O sistema chega na etapa em que j tem atribudos os valores para os conceitos difusos conclusivos das classes situao e faturamento, bem como o conceito conclusivo no difuso da classe pareceres. A fim de uniformizar a operao, trata-se o conceito conclusivo no difuso da classe pareceres como um conceito difuso com grau de pertinncia 1. A composio destes trs conceitos gera o objeto Parecer final. Parecer final um objeto representado por um conceito difuso que volta a ser caracterizado plenamente por um conjunto difuso. A partir do conceito difuso parecer final feito um mapeamento para valores que representam a atribuio de crdito associada a cada rtulo. Estes valores so multiplicados pelo montante de crdito solicitado , o que resulta no crdito a ser liberado. Conforme observado na aquisio de conhecimento, seo 3.4.1, h quatro tendncias diferenciadas de nveis de liberao a partir do valor solicitado. Cada rtulo mapeado como um conjunto difuso no sentido de inferir fatores de multiplicao para cada intervalo associado a cada rtulo. Como exemplo, cita-se o rtulo Bom que est associado tendncia de liberao mxima. A representao grfica do conjunto difuso fica conforme figura 3.9. Se o atributo grau de pertinncia do conceito difuso Parecer Final 0.5, por exemplo, o atributo nvel ser 2.005, e este ser o fator a ser multiplicado pelo crdito solicitado a fim de resultar o crdito a ser liberado.
1 0,8 0,6 0,4 0,2 0 0 1,51 2,005 2,5

Figura 3.9 - Representao grfica do conjunto difuso associado ao objeto Parecer Final de rtulo Bom

3.6 CONCLUSES DA IMPLEMENTAO

A implementao do SENACRE atingiu seus objetivos. um sistema baseado em conhecimento que acumula muita quantidade de conhecimento em uma rea especfica, sendo portanto, capaz de desempenhar a tarefa de anlise de crdito, conforme os especialistas humanos. Quanto classificao apresentada em [HAL86], o SENACRE ainda no pode ser enquadrado, por ainda ser um prottipo, mas os elementos que o envolvem o colocam como candidato classe um. Alm disso, oportuno lembrar que o presente sistema foi desenvolvido para ser aplicado exclusivamente na instituio financeira onde foi feita a aquisio de conhecimento. Para ser implementado em outras instituies, nova etapa de aquisio seria necessria. O SENACRE um prottipo de um sistema especialista que, apesar de j apresentar resultados excelentes, ainda necessita de aprimoramento que ser alcanado na prxima fase onde sero feitos testes definitivos de verificao de confiabilidade e onde sero revisadas regras e outros itens tais como representao e justificativa. A etapa de aquisio de conhecimento consiste em uma tarefa de carter interdisciplinar, pois para uma aquisio bem sucedida necessrio aplicar conceitos da Psicologia. Com a experincia proporcionada pelo exerccio da Engenharia do Conhecimento , espera-se contribuir com a rea cognitiva. Um grande nmero de SEs estatisticamente comprovados eficientes podem provar hipteses sobre aquisio de conhecimento. Esta idia compartilhada por expoentes como Robert R. Hoffman que cita o "paradoxo do especialista", [HOF87] como um exemplo de hiptese que as pesquisas com SEs podem ajudar a resolver. Da experincia obtida com o processo de aquisio de conhecimento no desenvolvimento do SENACRE, originaram-se algumas consideraes. Lembramos que estas consideraes s so pertinentes para reas de conhecimento em que os especialistas interajam diariamente. A primeira considerao refere-se aos aspecto de que as entrevistas devem ser feitas com o maior nmero possvel de especialistas, no s para agregar um conhecimento mais completo, mas para que o engenheiro do conhecimento possa delinear a estrutura do domnio do problema a partir dos pontos comuns nos raciocnios destes especialistas. A ordem das entrevistas dever surgir naturalmente, assim como o incio das mesmas. Para o incio da aplicao das entrevistas estruturadas, prope-se que o engenheiro do conhecimento proceda com uma etapa inicial de observao aos

especialistas at que parta de algum deles a iniciativa de expor algo sobre seu trabalho. Realizar entrevistas de curta durao, e somente uma por dia, tem por objetivo dar tempo ao engenheiro do conhecimento de tomar nota do mximo de informaes possveis sobre o que observou do especialista sem provocar a curiosidade do especialista com relao a exatamente o qu o engenheiro est observando. Todo o especialista deve ser entrevistado vrias vezes, at que o engenheiro do conhecimento certifique-se da uniformidade do processo de raciocnio do mesmo. Ao se tratar de um grupo de profissionais que interagem diariamente, h de se levar em considerao que o prestgio dos especialistas pode ser abalado, assim todos os especialistas devem ser entrevistados exatamente o mesmo nmero de vezes. Os SEs exclusivamente baseados em regras tm em seu nmero de regras de produo, uma medida. O sistema em questo, por ser um sistema hbrido, no apresenta tal caracterstica. As regras de produo utilizadas no SENACRE so apenas 39, os mtodos so 69 e so aplicadas 48 funes, muitas delas com passagem de argumentos, que so usadas diversas vezes, o que torna estas informaes ainda menos relevantes. As outras etapas e tarefas que envolvem o desenvolvimento de um SE, de carter bem mais objetivo, esto mais claramente apresentadas no captulo de Aplicao. O SE aqui desenvolvido tornou-se capaz de executar o objetivo de resolver o problema da anlise de crdito agregando a mesma impreciso identificada no raciocnio dos especialistas humanos, ao utilizar a TCD como ferramenta para tratamento da impreciso. Isto nos leva a concluir que a TCD realmente uma ferramenta eficaz para o tratamento da impreciso. A implementao do SENACRE foi plenamente satisfatria, como pode ser constatado atravs do exemplo apresentado no captulo seguinte.

4 APLICAO
4.1 INTRODUO A forma escolhida para apresentar uma aplicao do SENACRE foi atravs de um exemplo real de uma empresa cliente da instituio financeira onde foi realizada a pesquisa. Dados confidenciais da empresa cliente so preservados. Apenas apresentase a empresa como sendo do segmento de atividade para o qual o sistema fora designado. A apresentao do exemplo seguir a lgica de utilizao do SENACRE, ou seja, sero apresentadas figuras copiadas da tela do sistema submetido ao exemplo em questo. Alm disto, a seo Inferncias apresenta como , no exemplo, o sistema conduziu o raciocnio na direo da concluso. Assim, iniciase a apresentao com a janela principal do SENACRE, conforme figura 4.1, a seguir.

Figura 4.1 - Janela principal do SENACRE Como a prpria disposio dos botes sugere, o primeiro boto a ser pressionado para a execuo do programa o boto Entrar Dados.

4.2 ENTRADA DE DADOS A entrada de dados no SENACRE est disposta nos quatro botes numerados conforme j mencionado na seo 3.4.5 sobre a interface. Apresentamos esta entrada de dados resumidamente, abrangendo apenas o necessrio para um bom entendimento do exemplo. A empresa cliente tem o nome de exemplo e sua solicitao de crdito , feita no ms de dezembro de 1992, de CR$ 1.000.000.000,00 (hum bilho de cruzeiros), conforme figura 4.2.

Figura 4.2 - Janela de entrada de dados

O boto Pareceres aciona menus de opes sobre pareceres. No exemplo, todos os pareceres foram favorveis liberao do crdito solicitado. O boto Balancetes gera o surgimento de uma srie de janelas onde so informados dados sobre a empresa solicitante, conforme figuras 4.3 ,4.4 , 4.5 ,4.6 e 4.7.

Figura 4.3 - Janela do passivo circulante

Figura 4.4 - Janela do patrimnio lquido

Figura 4.5 - Janela dos indicadores de estrutura

Figura 4.6 - Janela dos indicadores de liquidez

Figura 4.7 - Janela dos indicadores de rentabilidade

A partir dos dados constantes das figuras acima, o processo de raciocnio do SENACRE se desenvolve atravs de um motor de inferncia principal e alguns secundrios, conforme tratados na prxima seo.

4.3 INFERNCIAS A deciso quanto ao motor de inferncia para o SENACRE, conforme j mencionado na seo 3.4.3 de um encadeamento para frente, dado que h uma busca de uma soluo final a partir de vrias informaes.

4.3.1 Encadeamento Para Frente No desenvolvimento do motor de inferncia do SENACRE, o encadeamento para frente ocorre a partir dos dados apresentados na seo anterior e so conduzidos na busca da concluso. Esta conduo dos dados se d atravs de sucessivas valoraes dos atributos dos objetos que constituem a estrutura do universo do conhecimento. No exemplo em questo, o motor de inferncia executado atravs da atribuio de valores a atributos difusos, como demonstrado no quadro 4.1:
Quadro 4.1 Atributos da classe situao objeto participao terceiros grau imobilizao ind. estrutura liquidez geral liquidez corrente liquidez seca ind liquidez giro do ativo rentab vendas rentab ativo rentab pl mdio ind. rentab nvel 137.2 41.03 1.43 1.45 0.83 0.40 55.98 22.35 63.43 conceito difuso S,0.286363 B,0.280175 S,0.283269 S,0.712500 S,0.423728 S,0.202898 S,0.385506 R,0.789473 B,1 B,0.782608 B,1 S,0.89302059

Quadro 4.2 Resumos das classes objeto classe situao classe pareceres classe faturamentos conceito difuso S,1 S,1 R,0.322033

Quadro 4.3 Objetos conclusivos objeto Parecer final Liberar Valor autorizado nvel 1.414 conceito difuso S,1 S,0.82798125 1.400.000.000,00

4.3.2 Encadeamento para Trs Alguns motores de inferncia secundrios foram includos no processo de raciocnio no intuito de confirmar informaes e chegar a concluses. Um dos encadeamentos para trs presentes no SENACRE verifica qual o conceito dos indicadores de rentabilidade. Se este conceito for um dos extremos, Insuficiente ou Bom, o encadeamento para trs ser disparado no para buscar a origem deste conceito. A busca verifica se o resultado final do exerccio inferior ao operacional para caracterizar um resultado escritural ou decorrente de capacidade administrativa. Apesar do exemplo no apresentar conceito extremo, podemos observar que no houve aumento no resultado final a partir do resultado operacional, conforme mostra figura 4.8.

Figura 4.8 - Demonstrao do resultado do exerccio

4.4 RESULTADOS

4.4.1 Exemplo Os resultados demonstrados nos quadros da seo anterior so visualizados pelo usurio do sistema atravs da janela anlise, chamada pressionando-se o boto Anlise na janela principal, conforme j mencionado na seo 3.4.5. A janela Anlise mostrada na figura 4.9 Nesta janela est o boto que aciona a anlise, os botes que fornecem o resultado e a explicao. O acionamento do boto analisa dispara o raciocnio, ou seja, o motor de inferncia do SENACRE , (no presente exemplo, o tempo levado para sua execuo foi inferior a 5 segundos). No exemplo em questo, os botes Resultado e Explicao fazem surgir as janelas demonstradas nas figuras 4.10 e 4.11. A janela pertinente explicao apresenta um breve resumo da anlise no intuito de explicar o caminho que o sistema seguiu. Este resumo menciona o

Figura 4.9 - Janela anlise

desempenho global, que indica o conceito do objeto Parecer final; o panorama econmico-financeiro, que indica o conceito conclusivo da classe situao e da classe faturamentos, o seu conceito conclusivo.

Figura 4.10 - Janela de resultado

Figura 4.11 - Janela de Justificativa

4.4.2 Outros Exemplos O desempenho do SENACRE foi testado em alguns outros exemplos conforme mostra o quadro 4.4, em cruzeiros. O quadro apresenta o montante de crdito solicitado pelo cliente e os valores atribudos pelo especialista humano e pelo sistema.
Quadro 4.4 -Outros exemplos
Exemplo A B C D E F Crdito solicitado 10.000.000.000 5.000.000.000 10.000.000.000 4260000.000 25.000.000.000 1.000.000.000 Crdito concedido especialista 20.000.000.000 6.000.000.000 15.000.000.000 500.000.000 40.000.000.000 1.500.000.000 Crdito concedido SENACRE 15.000.000.000 5.830.000.000 14.600.000.000 600.000.000 36.000.000.000 1.400.000.000 data ago/93 jun/93 ago/93 ago/93 ago/93 nov/92

O exemplo A apresenta a maior distncia entre os valores atribudos pelo especialista e pelo sistema. Neste exemplo, o especialista humano aumentou o valor de crdito devido a uma visita "in loco". Isto significa dizer que, dentro das limitaes da anlise documental, o especialista humano havia atribudo um valor inferior, a exemplo do sistema. Os valores foram transformados em dlares a fim de facilitar a visualizao das variaes. Os valores para os dlares utilizados foram: novembro de 1992, Cr$ 9.046,84; junho de 1993, Cr$ 48.106,40; e agosto de 1993, Cr$ 82.735,00. Os valores do crdito solicitado e crditos atribudos pelo especialista humano e pelo sistema, j padronizados em dlares, esto apresentados no quadro 4.5 e esto representados graficamente na figura 4.12.

Quadro 4.5 - Valores dos exemplos em dlares

Exemplo A B C D E F Crdito solicitado 120867.83 103936.27 120867.83 51,489.70 302,169.58 110,535.83 Crdito concedido especialista 241735.66 124723.53 181301.75 6,043.39 483,471.32 165,803.75 Crdito concedido SENACRE 181301.75 121189.70 176,467.03 7,252.07 435,124.19 154,750.17 Variao % -25 -2.83 -2.66 20 -10 -6.66

500000 450000 400000 350000 300000 250000 200000 150000 100000 50000 0 A B C A E E e s p e c ia lis ta s is te m a

C D D D E

Figura 4.12 - Valores atribudos pelo especialista e pelo sistema

4.5 CONCLUSO O exemplo apresentado nesta seo corresponde a uma das muitas anlises testadas com o SENACRE. Em todas as anlises comparadas at o momento, o sistema se mostrou eficiente, indicando em sua concluso um valor igual ou muito prximo do valor indicado pelos especialistas humanos.

5 CONCLUSES E RECOMENDAES
5.1 CONCLUSES Da proposta de apresentar um Sistema Especialista Difuso para Anlise de Crdito, depreende-se trs objetivos bsicos: desenvolver um sistema especialista; que este SE seja difuso; e que este SE seja orientado para a tarefa de anlise de crdito. O sistema especialista modela a tarefa do especialista dentro do universo de conhecimento especfico que se prope. A capacidade de agregar o conhecimento e experincia de muitos especialistas ao mesmo tempo faz do SE uma ferramenta no s de racionalizao operacional, como tambm de uniformizao e controle dos procedimentos. O SENACRE realmente uma aplicao prtica onde a TCD usada como uma ferramenta muito eficiente para sustentar o objetivo fundamental dos SEs de atingir os mesmos resultados que os especialistas humanos perante determinado problema. A eficincia da utilizao da TCD sustentada pela impossibilidade de implementao do mesmo sistema capaz de atingir os mesmos objetivos com alguma outra metodologia, sem incorrermos em perda de rapidez e praticidade tanto de execuo como de implementao. O sistema SENACRE representa o conhecimento impreciso inerente ao raciocnio dos especialistas humanos, necessrio para resolver problemas do mundo real, atravs de conjuntos difusos que conduz esta impreciso at o resultado final em harmonia com o especialista humano. Mais do que uma alternativa s modelagens matemticas convencionais, a TCD mostra-se uma ferramenta prpria para problemas mal definidos, complexos e imprecisos. A tarefa de anlise de crdito mostrou-se adequada implementao de um sistema especialista, dada sua caracterstica de ser bastante tcnica e de atuar sobre um universo de conhecimento relativamente limitado. Alm disto, demonstrou ser uma rea cujos especialistas apresentam um perfil de comportamento que no traz grandes obstculos para a execuo da aquisio de conhecimento. O SE aqui proposto, como j mencionado, se prope a resolver problemas de anlise de crdito conforme so resolvidos pelos analistas do BESC. O SENACRE, ainda em fase de maturao, s pode ser implementado na prpria

instituio financeira onde foi feita a aquisio de conhecimento. A fim de aplicarmos o presente trabalho em outra instituio financeira, o processo de aquisio de conhecimento deve ser repetido. As instituies bancrias, bem como a administrao financeira de empresas pblicas ou privadas oferecem um campo bastante adequado para aplicao de tcnicas de IA, principalmente de sistemas especialistas difusos, como pode-se concluir na presente dissertao. Este trabalho constitui um passo a mais no sentido de aprimorar a utilizao das ferramentas computacionais buscando a evoluo organizacional.

5.2 RECOMENDAES Na linha de utilizao de tcnicas que sejam capazes de simular o raciocnio humano individualizando o raciocnio simblico do abstrato, a utilizao de redes neurais uma complementao recomendada para o trabalho apresentado. A utilizao de redes neurais incrementa tanto o aspecto de aprendizagem do sistema especialista, como pode representar um dispositivo capaz de adaptar-se a novas realidades, alm do aspecto da representao do conhecimento abstrato, exercido com o lado direito do crebro. Na linha de sistemas especialistas para anlise de crdito, pode ser considerada a confeco de um sistema bsico que agregue todos os elementos em comum tratados por diferentes instituies financeiras. A sugesto proceder a uma anlise orientada a objetos capaz de abordar o tema em toda a sua complexidade, garantindo a presena de todos os elementos possveis de serem considerados em qualquer anlise de pessoa jurdica.

REFERNCIAS BIBLIOGRFICAS

[BAR82] BARR, A., FEIGENBAUM, E. A..The Handbook of artificial intelligence. Addison-Wesley, 1982.v. 2 [COR89] CORDINGLEY, E.S. Knowledge Elicitation Techniques for Knowledgebased Systems. In: DIAPER, D. Book knowledge elicitation - principles, techniques and applications, Chichester: John Wiley & Sons, 1989. p. 89-172 [DIA89] DIAPER,D. Knowledge elicitation - principles, techniques and applications. Chichester: John Wiley & Sons, 1989. p.96-97 [DUB80] DUBOIS,D. , PRADE, H.. Fuzzy sets and systems: theory and applications. Academic Press, 1980. [DUT85] DUTTA, Amitava . Reasoning with imprecise knowledge in expert systems. Information Sciences , v. 37, n.1,p.3-24, 1985. [FER75] FERREIRA, Aurlio Buarque de Holanda. Novo dicionrio da lngua portuguesa. Rio de Janeiro: Editora Nova Fronteira, 1975. [FIS87] FISCHLER, M.A. , FIRSCHEIN, O. Intelligence: the eye, the brain and the computer. Addison-Wesley, 1987 referncia em [MOR92]. [GAI85] GAINES,B.R. , SHAW,M.L.G.. Induction of inference rules for expert systems.Fuzzy Sets and Systems , North-Holland, v. 18, p. 315-318, 1985. [GIT84] GITMAN, L.J. Princpios de administrao financeira. 3. ed. So Paulo: Harper & Row do Brasil, 1984. 781 p. [HAL86] HALL, Lawrence.O'Higgins , KANDEL, Abraham . Designing fuzzy expert systems. Verlag TV Rheinland, 1986. [HAY83] HAYES-ROTH,F., WATERMAN,D.A. , LENAT,D. B. - Building expert systems, Addison-Wesley,1983 referncia em [MOR92]. [HOF87] HOFFMAN,R.R.. The Problem of extracting the knowledge of experts from the perspective of experimental psychology. AI Magazine, p. 53-67, 1987.

[INT90] INTERRANTE,L.D. , BIEGEL,J.E.. Design of knowledge-based systems: matching representations with application requirements. Computers and Engineering,v. 19, n. 1-4, p. 92-96,1990. [KAN86] KANDEL,Abraham. Fuzzy mathematical techniques with applications. Addison-Wesley Publishing Company, 1986. [KAU75] KAUFMANN,A. Introduction to theory of fuzzy sets. New York: Academic Press ,1973. v.1 referncia em [PAC91]. [LEU88] LEUNG,K.S. , LAM,W.. Fuzzy concepts in expert systems. Computer, p. 43-56,september 1988. [LEU89] LEUNG,K.S.,LAM,W.. A Fuzzy expert system shell using both exact and inexact reasoning. Journal of Automated Reasoning ,v.5, p. 207-233, 1989. [MOR92] MORALES,A.B.T.. Modelagem lingstica: alternativa na anlise de processos complexos. Florianpolis: UFSC,1992. 91p.Dissertao (Mestrado em Engenharia de Produo) - Programa de Ps-Graduao em Engenharia de Produo, Universidade Federal de Santa Catarina,1992. [MIN75] MINSKY,Marvin. A framework for representing knowledge. In: Winston P., (ed.) The Psychology of computer vision. McGraw-Hill,1975 referncia em [WAT86]. [PAC91] PACHECO,Roberto C.S.. Tratamento de impreciso em sistemas especialistas. Florianpolis: UFSC,1991. 288 p. Dissertao (Mestrado em Engenharia de Produo) - Programa de Ps-Graduao em Engenharia de Produo, Universidade Federal de Santa Catarina,1991. [SHA89] SHADBOLT, W., BURTON, M. The empirical study of knowledge elicitation techniques. Sigart Newsletter, special issue on knowledge ellicitation techniques, ACM Press, n. 108,p. 15-18, april 1989. [WAT86] WATERMAN,D.A. A Guide to expert systems. Addison-Wesley Publishing Company,1986. [ZAD62] ZADEH,L.A.. From Circuit theory to system theory. Proc. Institute of Radio Engineers, v.50, p. 856-865, 1962 referncia em [GAI85] e [KAN86]. [ZAD65] ZADEH, L.A.. Fuzzy Sets. Inform. and Control, v.8, p. 338-353, 1965 referncia em [GAI85] e [KAN86].

[ZAD71] ZADEH,L.A.. On fuzzy algorithms. California: Electron. Res. Lab., University of , Memo. M-325,1971, em [ZAD73]. [ZAD73] ZADEH,L.A.. Outline of a new approach to the analysis of complex systems and decision processes. IEEE Transactions on Systems, Man and Cybernetics, v. SMC-3, n. 1, p 28-44, january, 1973. [ZAD75a] ZADEH,L.A.. The Concept of a linguistic variable and its application to approximate reasoning. Part I. Informations Sciences, v. 8, p. 199-249, 1975. [ZAD75b] ZADEH,L.A.. The Concept of a linguistic variable and its application to approximate reasoning. Part II. Informations Sciences, v. 8, p. 301-357, 1975. [ZAD75c] ZADEH,L.A.. The Concept of a linguistic variable and its application to approximate reasoning. Part III. Informations Sciences, v. 9, p. 43-80, 1975. [ZAD83] ZADEH,L.A..The Role of fuzzy logic in the management of uncertainty in expert systems. Fuzzy Sets and Systems , North-Holland, v. 11, p.199-227,1983. [ZIM85] ZIMMERMANN,Hans Jrgen. Fuzzy set theory and its applications. Kluwer-Nijhoff, 1985 referncia em [MOR92].

BIBLIOGRAFIA 1. [LEV88] LEVINE, Robert I., Drang, Diane E., Edelson, Barry .Inteligncia artificial e sistemas especialistas.So Paulo: McGraw-Hill,1988. 2. [KER91] KERN,Vinicius Medina. Uma abordagem de inteligncia artificial para o problema de programao da produo. Florianpolis: UFSC,1991. 105 p. Dissertao (Mestrado em Engenharia de Produo) - Programa de PsGraduao em Engenharia de Produo, Universidade Federal de Santa Catarina,1991. 3. [THE88] TH,Jess S.M.L.N.. Um Sistema de treinamento para operadores de reservatrios baseado em tcnicas de inteligncia artificial. Florianpolis: UFSC,1988. 108 p.Dissertao (Mestrado em Engenharia de Produo) Programa de Ps-Graduao em Engenharia de Produo, Universidade Federal de Santa Catarina,1988.