Escolar Documentos
Profissional Documentos
Cultura Documentos
2
Objetivos Gerais da Disciplina
3
Estratégia de Trabalho
Apresentação do conteúdo
Aulas expositivas de aspectos teóricos;
Aplicações a problemas de interesse, com exercícios
(classe e extra-classe);
Utilização do laboratório de informática.
Avaliação
100 pontos, compostos por
60% prova;
40% trabalho.
1,5h/aula semana
Quinta-feira, 20h30
4
Bibliografia
Básica
REZENDE S. Sistemas Inteligentes Fundamentos e Aplicações.
Editora Manóle, 2003
RUSSELL, Stuart J. - Inteligência Artificial – Ed. Norvig, Peter
Campus,2004
LUGER, George F. - Inteligência Artificial – Ed. Bookman
Companhia, 2004
5
Conteúdo Programático
1. Revisão I.A.;
2. Lógica Fuzzy;
3. Representação do Conhecimento;
4. Revisão de Lógica;
5. Prolog, Clojure;
6. Sistemas Especialistas e Engenharia do Conhecimento;
7. Redes Neurais;
8. Mineração de Dados.
6
Introdução
Sistemas de Informação Inteligentes
Sistemas de Informação: Sistema (automatizado ou não)
que abrange pessoas, máquinas e/ou métodos organizados para
coletar, processar, transmitir e disseminar dados que
representam informação para o usuário;
7
1. Revisão – Inteligência Artificial
8
Inteligência Artificial (Revisão)
Objetivos das pesquisas de Inteligência Artificial
Capacitar o computador a executar funções que são
desempenhadas pelo ser humano usando o conhecimento e
raciocínio;
Homo Sapiens: homem sábio.
Pesquisa pós 2ª guerra mundial;
Termo criado em 1956;
Variedade de subcampos
Jogos;
Demonstração de teoremas;
Criação de poesia;
Direção de carros, etc.
9
Inteligência Artificial
Filosofia (de 428 A.C. até a atualidade)
Lógica, métodos de raciocínio, origens do aprendizado, racionalidade
Matemática (cerca de 800 até a atualidade)
Representações formais, algoritmos, computabilidade, probabilidade
Economia (de 1776 até a atualidade)
Conceito de utilidade, teoria da decisão, teoria dos jogos
Neurociência (de 1861 até a atualidade)
Substrato físico para a atividade mental
Psicologia (de 1879 até a atualidade)
Percepção e controle motor, técnicas experimentais
Engenharia da computação (de 1940 até a atualidade)
Construção de computadores rápidos, ambientes, programação
Linguística (de 1957 até a atualidade)
Representação do conhecimento e gramática
10
Revisão - Inteligência Artificial
11
Agindo de Forma Humana
Teste de Turing - Alan Turing (1950)
Passará no teste se
Um interrogador humano, depois de propor algumas perguntas por
escrito (vídeo e mecânica no teste total), não conseguir descobrir se
as respostas vem de um humano ou computador.
Habilidades necessárias
Processamento de linguagem natural;
Representação do conhecimento; Alan Turing
Raciocínio automatizado;
Aprendizado de máquina;
Visão computacional;
Robótica.
12
Agindo de Forma Humana
Previsão de Alan Turing: Em 2000, as máquinas terão 30%
de chances de enganar um humano por 5 minutos
13
Agindo de Forma Humana
14
Agindo de Forma Humana
Alguns pesquisadores tem deixado de lado o Teste de
Turing
Mais importante estudar os princípios básicos da inteligência
do que produzir um exemplar.
Justificativa: desafio do voo artificial
Pesquisadores pararam de imitar os pássaros e passaram a
aprender sobre aerodinâmica.
15
Pensando de Forma Humana
Como os seres humanos pensam?
Introspecção;
Experimentos psicológicos;
Imagens cerebrais.
Modelos computacionais + técnicas experimentais da
psicologia
16
Pensando Racionalmente
Aristóteles (384 a.C. – 322 a.C.) – Silogismo
Pensamento correto – processos de raciocínio irrefutáveis
Premissa maior (P); Todo homem é mortal.
Premissa menor (p); Sócrates é homem.
Conclusão (c). Logo, Sócrates é mortal.
17
Agentes
18
Agentes
19
Agentes
Exemplo: Aspirador de pó
20
Agentes
21
Agentes
Conceito de sucesso do agente é subjetivo
Gasto de energia, quantidade de sujeira, ruído, etc
Medida de desempenho deve refletir o resultado
desejado
Agente racional: maximiza a medida de desempenho
Leva em consideração a sequência de percepções e por
conhecimento interno
Para pensar: Para que medida de desempenho o aspirador
de pó (agente) é racional?
Quantidade de pó? (jogar o pó e pegar novamente)
Chão limpo? (nível limpeza, frequência de trabalho)
Outras medidas...
22
Agentes Racionais
Agente racional: maximiza a medida de desempenho;
Racionalidade não é perfeição!
Maximização do desempenho esperado;
Perfeição maximiza desempenho real.
Escolha racional leva em conta as percepções até o
momento
23
Agentes Racionais
O agente deve coletar informações?
O agente deve aprender?
24
Agentes Racionais
Os agentes podem e devem executar ações para a coleta
de informações e aprender!
Coleta de informações: exploração de um ambiente
desconhecido, por exemplo;
Agente que aprende: modifica seu comportamento,
dependendo das percepções ao longo do tempo
Também é chamado Agente Autônomo.
25
Agentes Racionais
Ao projetar um agente, primeiramente deve especificar o
ambiente de tarefa (PEAS)
Performance – Medida de desempenho
Environment – Ambiente
Actuators - Atuadores
Sensors – Sensores
Exemplo: Táxi Autônomo
Performance Environment Actuators Sensors
Seguro, dentro da lei, Estradas, pedestres, Acelerador, freio, Câmeras, medidor de
viagem confortável, clientes, outros embreagem, câmbio, velocidade, GPS,
maximização dos tráfegos, etc. rodas, pneus, luzes, teclado, sensor de
lucros, otimização buzina, etc. motor, etc.
rota, etc.
26
Agentes Racionais
Exemplo: Sistema de Diagnóstico Médico
Performance Environment Actuators Sensors
Paciente saudável, Hospital, paciente, Diagnósticos, Sensores, descobertas,
maximização lucros, equipe médica, tratamentos, respostas da equipe e
diminuição custos, assistentes, etc. questionamentos, paciente, teclado, etc.
sistemas legais, etc. testes, etc.
27
2. Lógica Fuzzy
28
Lógica Fuzzy (difusa)
Modelar modos de raciocínio aproximados ao invés de
precisos;
Lógica binária clássica
Verdadeiro ou Falso.
Lógica difusa
Valores intermediários entre V e F (qualquer valor entre 0 e 1);
Graus de pertinência.
29
Lógica Fuzzy (difusa)
30
Lógica Fuzzy (difusa)
Há limitações na representação de certos fenômenos
utilizando a lógica bivalente [0 | 1] (Zimmermann)
Situações reais muito frequentemente não são determinísticas
e não podem ser precisamente descritas;
A descrição completa de um sistema real frequentemente
requereria mais dados detalhados do que os que um ser
humano poderia sempre reconhecer simultaneamente,
processar e entender.
Lógica clássica: é homem, é mortal, é ímpar, etc; Clássica
Fuzzy
31
Lógica Fuzzy (difusa)
Habilidade de manipular conjuntos e números fuzzy é
uma das atividades mais importantes do cérebro humano;
Provavelmente essa habilidade humana desenvolveu-se através
das gerações, já que o fato de se trocar precisão por
velocidade é decisivo para a sobrevivência biológica em
situações críticas ou de perigos naturais.
32
Lógica Fuzzy (difusa)
Pessoas jovens?
Temperatura agradável?
Copo cheio?
Pessoa alta?
33
Incerteza
Ação At = sair para o aeroporto t minutos antes do
vôo.
At me levará ao aeroporto a tempo?
Dificuldades de saber o resultado da ação:
Estados parcialmente observáveis
Estados das estradas, trânsito, etc.
Sensores ruidosos
Relatórios,etc.
Incerteza quanto ao efeito das ações
Acidentes, pneu furado, etc.
Grande complexidade em prever e modelar o trânsito
34
Incerteza
Nesse caso, a lógica pura não seria muito útil
Dedução de algo potencialmente falso
– “A45 me levará a tempo ao aeroporto”
Conclusões fracas para tomada de decisões
– “A45 me levará a tempo ao aeroporto, se nenhum acidente
ocorrer na ponte, se não chover, se nenhum pneu furar, etc.”
Conclusões não práticas
“A1440 me levará a tempo ao aeroporto”
35
Incerteza
A Probabilidade modela o grau de crença de um agente
dada as evidências disponíveis
“A25 chegará a tempo com probabilidade 0.04”
“A45 chegará a tempo com probabilidade 0.85”
“A60 chegará a tempo com probabilidade 0.95”
Proporciona um meio para resumir a incerteza causada
Preguiça - falha em enumerar todas as possíveis exceções à
regra
Ignorância - falta de conhecimento sobre fatos relevantes,
condições iniciais
36
Incerteza
Probabilidade – (Bayesiana || Subjetiva)
Estado de crença do agente em uma sentenças, dadas as evidências;
Diferente quando novas evidências chegam
P(A25|nenhum acidente) = 0.06
P(A25|nenhum acidente, 5 a.m.) = 0.15
0 = 100% falso
1 = 100% verdade
37
Incerteza
Suponha o seguinte conjunto de crenças:
“A25 chegará a tempo com probabilidade 0.04”;
“A90 chegará a tempo com probabilidade 0.70”;
“A120 chegará a tempo com probabilidade 0.95”;
“A1440 chegará a tempo com probabilidade 0.9999”.
Que ação o agente deve tomar?
Depende de suas preferências – (Perder o voo || Tempo
de espera no aeroporto)
Teoria da utilidade = representação de preferências
Teoria da decisão = teoria da probabilidade + teoria da utilidade
38
Incerteza
Considere a regra em lógica de primeira ordem:
∀p Sintoma(p, Dor_de_Dente) ⇒ Doença(p, Cáries)
Certo ou errado?
39
Incerteza
Considere a regra em lógica de primeira ordem:
∀p Sintoma(p, Dor_de_Dente) ⇒ Doença(p, Cáries)
A regra está incorreta!
Nem todas as pessoas que tem dor de dente tem cáries.
∀p Sintoma(p, Dor_de_Dente) ⇒ Doença(p, Cáries) ∨
Doença(p, Gengivite) ∨ Doença(p, Abscesso)...
Para tornar essa regra verdadeira, é necessário encontrar
TODAS as possibilidades de causa de uma dor de dente.
Implicação pode ser modelada de forma mais fraca:
Dor_de_Dente(0.7) ⇒ Doença(Cáries)
40
Incerteza
Elemento básico: variável aleatória
Análogo à lógica proposicional
Mundos possíveis são definidos pela atribuição de valores às variáveis.
Cada variável aleatória tem um domínio que determina
seus valores possíveis.
Tipos de domínio
Booleano: Cárie possui valores em [verdadeiro,falso]
Discreto: Clima possui valores em [ensolarado, chuvoso, nublado,
neve]
Contínuo: Temperatura
41
Incerteza
Proposições elementares:
Construídas através da atribuição de valores a variáveis.
Proposições complexas:
Formadas a partir de proposições elementares e conectivos lógicos
padrão.
Clima = chuvoso ∧ Cárie = falso
42
Incerteza
Um evento atômico consiste da especificação completa do
estado do mundo sobre o qual o agente está incerto.
Uma atribuição de valores a TODAS as variáveis das quais o mundo é formado.
Exemplo:
43
Incerteza
O grau de crença em uma proposição na ausência de outras
informações pode ser definida da seguinte maneira:
P(Cárie = verdadeiro) = 0.1
P(Clima = ensolarado) = 0.72
Distribuição de probabilidades:
P(Clima) = (0.7, 0.2, 0.08, 0.02)
Clima = ensolarado, chuvoso, nublado, neve
44
3. Representação
do conhecimento
45
Representação do conhecimento
Como representamos nosso conhecimento?
As pessoas representam conhecimento da mesma
maneira?
Existe uma forma de representar qualquer coisa?
Como programas inteligentes devem representar
conhecimento?
46
Representação do conhecimento
Cadeia semântica (atividade prática)
47
Representação do conhecimento
Cadeias semânticas (atividade);
Frames;
Scripts;
Orientação a objetos (exemplo).
48
Representação do conhecimento
Prolog
Programação lógica/matemática.
Principal exemplo prático: IBM Watson
49
Linguagens - Prolog
Programming in Logic;
Resolver problemas envolvendo objetos e relações entre
eles;
Conceitos básicos
Fatos;
Perguntas;
Variáveis;
Conjunções;
Regras;
Conceitos avançados
Listas;
Recursão.
50
Linguagens - Prolog
Aulas práticas
http://swish.swi-prolog.org/
http://swish.swi-prolog.org/p/AulaPrologCesufoz.pl
Consultas
Motor de Base de
Interface Conhecimento
inferência
Respostas
51
Linguagens - LISP
List Processor;
Assim como Prolog, é utilizada em Inteligência Artificial;
Final dos anos 50 – MIT – John McCarthy;
Processamento simbólico;
Linguagem funcional;
Interpretado;
Possui garbage collector;
Uso intenso de recursão;
Várias versões/dialetos
Mac Lisp;
Franz Lisp;
Common Lisp;
Golden Lisp;
Clojure, etc.
52
Linguagens - Clojure
2007 – Rich Hickey;
Executada na JVM;
(defn soma-elementos
[lst]
(if (empty? lst)
0
(+ (first lst)
(soma-elementos (rest lst))))) ;
53
Linguagens - Clojure
54
4. Revisão de
Lógica
55
Lógica
Ciência do raciocínio;
Proporcionar a universalidade na representação do
raciocínio
Evitar ambiguidades.
Garantir consistências;
Lógica formal ignora o conteúdo de um argumento e se
preocupa com a validade da argumentação;
Fornece as estruturas básicas para descrever o método
de pensar organizado e cuidadoso que caracteriza a
atividade racional (agentes racionais).
56
Lógica
Proposição
Sentença que é falsa ou verdadeira
Usamos proposições para representar afirmações que fazemos
em linguagem natural
“Vinte é maior que dez”;
“O código hexadecimal da cor branca é #ffffff”.
Conjunções
p q pVq p^q ¬p ¬q
V V V V F F
V F V F F V
F V V F V F
F F F F V V
57
Lógica
Exemplo
A = “Pedro é alto”
B = “Pedro é magro”
AND
(A ^ B) = “Pedro é alto e magro”
OR
(A V B) = “Pedro é alto ou magro”
Negação
(A ^ B)´ = “Pedro é baixo OU gordo”
58
Lógica
Regras de equivalência
59
6.Sistemas Especialistas e
Engenharia do Conhecimento;
60
Sistemas Especialistas
Sistemas baseados em conhecimento
Há uma separação clara entre conhecimento e raciocínio;
Controle do programa não se mistura com a especificação do
conhecimento.
Conhecimento: conjunto integrado de fatos e relações
que, quando devidamente interpretado, produz um
desempenho eficiente
61
Sistemas Especialistas
Sistemas baseados em conhecimento
Podem ser usados para
Facilitar a introdução de um novo conhecimento;
Apoiar na detecção de erros;
Justificar as regras melhorando a capacidade de explicação;
Dar mais informações acerca do conhecimento;
Guiar a seleção e uso de regras;
Etc.
62
Sistemas Especialistas
Sistemas
Especialistas
Processamento
Outros de Linguagem
Natural
Inteligência
Artificial
Visão
Robótica
Computacional
63
Sistemas Especialistas
Inteligência Artificial
Sistemas que exibem/replicam comportamentos inteligentes
Sistemas Especialistas
Conhecimento é obtido a partir de um perito/especialista
64
Sistemas Especialistas
Sistema
Conjunto de elementos, materiais ou ideais, entre os quais se
possa encontrar ou definir alguma relação.
65
Sistemas Especialistas
Sistema
Conjunto de elementos, materiais ou ideais, entre os quais se
possa encontrar ou definir alguma relação.
Especialista
Pessoa que se consagra com particular interesse e cuidado a
certo estudo. Conhecedor, perito.
66
Sistemas Especialistas
Sistema
Conjunto de elementos, materiais ou ideais, entre os quais se
possa encontrar ou definir alguma relação.
Especialista
Pessoa que se consagra com particular interesse e cuidado a
certo estudo. Conhecedor, perito.
Sistemas Especialistas
Sistemas que solucionam problemas que são resolvidos apenas
por pessoas especialistas (acumularam conhecimento) na
resolução desses problemas.
67
Sistemas Especialistas
Ramo da Inteligência Artificial
Faz uso intensivo do conhecimento especializado para resolver
problemas ao nível de um especialista humano;
Emulam o comportamento de especialistas humanos em algum
domínio específico do conhecimento.
Caso específico de Sistemas Baseados em Conhecimento;
O desenvolvimento de um Sistema Especialista incorpora
Vertente técnica;
Vertente humana complexa
Relacionamento de confiança que se estabelece entre quem especifica
e desenvolve o sistema e quem possui o conhecimento.
68
Sistemas Especialistas
Sistemas Convencionais x Sistemas Especialistas
69
Sistemas Especialistas
Sistemas Convencionais x Sistemas Especialistas
• Representação e uso de
• Representação e uso de dados;
conhecimento;
• Algorítmico;
• Heurística;
• Processos repetitivos;
• Processos de inferência;
• Efetiva manipulação de grandes
• Efetiva manipulação de grandes
bases de dados.
bases de conhecimento.
70
Sistemas Especialistas
Faz inferências e deduções a partir de informações
fornecidas pelo usuário;
Conhecimento é aplicado na solução do problema
Usado para guiar e restringir a busca por soluções.
Área do problema é pequena e bem definida
Medicina;
Segurança;
Automobilismo;
Engenharia;
Etc.
71
Sistemas Especialistas
Especialista
Conhecimento amplo de uma tarefa específica
Adquirido por meio de treinamento, leitura, experiência, etc.
Conhecimento
Dados + processamento = informação;
Informação + processamento (experiência, etc) = conhecimento
72
Sistemas Especialistas
Especialista
Identifica questões relevantes ao problema;
Resolve problemas complexos;
Explica o resultado;
Aprende continuamente (reestruturação);
Sabe quando aplicar exceções;
É humano.
73
Sistemas Especialistas
Como um especialista toma uma decisão?
Encontra fatos;
Formula hipóteses
Busca em sua memória um conhecimento prévio.
Emite a decisão;
Durante o processo de raciocínio, verifica qual a importância
dos fatos que encontra
Compara com as informações contidas em seu conhecimento
acumulado.
Formula novas hipóteses e verifica novos fatos;
[...]
74
Sistemas Especialistas
Como um especialista toma uma decisão?
Sempre baseado em conhecimento prévio;
Pode não chegar a uma decisão se os fatos de que dispõe para
aplicar seu conhecimento prévio não forem suficientes
Pode chegar a uma conclusão errada.
75
Sistemas Especialistas
Arquitetura típica de um sistema especialista
Sistema Especialista
Base de
Fatos Conhecimento
Interface de usuário Conhecimento
Motor de Inferência
76
7. Redes Neurais
77
Redes Neurais
Cérebro humano = aproximadamente 10 bilhões de
neurônios;
Ligados através de sinapses;
Em média, cada neurônio forma entre 1000 e 10000 sinapses.
Comunicação realizada por meio de impulsos;
Formam uma grande rede – Rede Neural.
78
Redes Neurais
Algoritmo de Redes Neurais
Tentativa de imitar o cérebro e sua incrível capacidade de
aprender;
Hipótese de que o cérebro possui apenas um algoritmo que
consegue aprender toas as funcionalidades do corpo;
Primeiras menções sobre o tema – 1943 McCulloch e Pitts
Sugestão de uma máquina baseada no cérebro humano;
Criação de um neurônio artificial.
79
Redes Neurais
Cérebro humano x Computador
80
Redes Neurais
81
Redes Neurais
82
Redes Neurais
Disposição dos neurônios
Rummelhart: Rede deve possuir no mínimo duas camadas
(entrada e saída). Como apresenta desempenho limitado com
duas camadas, adiciona-se uma camada intermediária;
Hopfield: Rede deve possuir comportamento dinâmico e fluxo
de dados multidimensional, com a integração total de todos os
neurônios.
Hopfield Rummelhart
83
Redes Neurais
Disposição dos neurônios
Rummelhart: Rede deve possuir no mínimo duas camadas
(entrada e saída). Como apresenta desempenho limitado com
duas camadas, adiciona-se uma camada intermediária;
Hopfield: Rede deve possuir comportamento dinâmico e fluxo
de dados multidimensional, com a integração total de todos os
neurônios.
Hopfield Rummelhart
84
Redes Neurais
Aprendizado
Propriedade mais importante das redes neurais;
Habilidade de aprender com o ambiente e melhorar seu
desempenho;
Feito por meio de um processo iterativo de ajustes aplicados a
seus pesos;
Tipos de relacionamento com o ambiente de aprendizado
Aprendizado supervisionado;
Aprendizado não-supervisionado;
Reforço.
w(k+1) = w(k) + ∆w(k)
Adequação dos pesos sinápticos dos neurônios
85
Redes Neurais
Treinamento de uma rede neural em tempo real
http://playground.tensorflow.org/,
https://www.youtube.com/watch?v=qv6UVOQ0F44
86
8. Mineração de Dados
87
Mineração de Dados
Uma parte do processo de Descoberta de Conhecimento
em Base de Dados (KDD – Knowledge Discovery in
Databases);
KDD: Processo de tornar dados de baixo nível em
conhecimento de alto nível
A mineração de dados é a extração de padrões ou modelos de
dados observados.
88
Mineração de Dados
Uso da Tecnologia da Informação para descobrir regras,
identificar fatores, tendências, padrões, relacionamentos
ocultos em grandes bancos de dados para auxiliar a
tomada de decisões.
Tópico recente em Ciência da Computação que utiliza
várias outras áreas
Estatística;
Inteligência Artificial;
Cálculo;
Recuperação da Informação;
Engenharia da Computação;
Reconhecimento de Padrões, etc.
89
Mineração de Dados
Processo não trivial de identificar, em dados, padrões
válidos, novos, potencialmente úteis e ultimamente
compreensíveis (Fayyad);
Fases da Descoberta de Conhecimento
Seleção;
Pré-processamento;
Transformação;
Mineração de Dados;
Avaliação.
90
Mineração de Dados
http://techland.time.com/2012/02/17/how-target-knew-a-high-school-girl-was-pregnant-before-her-parents/
https://www.facebook.com/notes/facebook-data-science/the-formation-of-love/10152064609253859
91
Mineração de Dados
92
Mineração de Dados
93
Mineração de Dados
94
Mineração de Dados
95
Mineração de Dados
96
Mineração de Dados
97
Mineração de Dados
98
Referências
REZENDE S. Sistemas Inteligentes Fundamentos e Aplicações. Editora Manóle, 2003.
RUSSELL, Stuart J. - Inteligência Artificial – Ed. Norvig, Peter Campus,2004.
INF 1771 – Inteligência Artificial – Edirlei Soares de Lima
Inteligência Artificial – Sérgio Silva e Josiane M. Pinheiro
Inteligência Artificial - Bianca Zadrozny
Top IT Trends of 2016: Autonomous Agents and Things – fwrdtech
Aplicação De Lógica Fuzzy Em Sistemas De Controle De Tráfego Metropolitano Em Rodovias Dotadas De
Faixas Exclusivas Para Ônibus - Juliano Neves De Paula E Sousa
Lógica Fuzzy – Mário Benevides
Inteligência Artificial – Edirlei Soares Lima
Introdução à Programação Prolog – José Augusto Baranauskas
Lógica Formal – Nathann Lucas José Lima Alcantara
Lógica Matemática e Computacional – Ana Florencia
Sistemas Especialistas – Cedric Luiz de Carvalho
Sistema Especialista para Supressão Online de Alarmes em Processos Industriais – Danilo Curvelo de Souza
Redes Neurais – Cassis Yuri Tatibana e Deisi Yuki Kaetsu
Visão Geral de Redes Neurais – Isabel Gomes
Aprendizado em Redes Neurais Artificiais – Von Zuben
Data Mining – Joel de Bortoli
99