Universidade Agostinho Neto

Faculdade de Engenharia
Departamento de Engenharia Informática

Disciplina: Inteligência Artificial (IA)

Introdução

3º Ano 2º Semestre Ano lectivo: 2015

O Docente: Francisco João Pinto, PhD

 Introdução
O que é inteligência artificial?

Matéria, vida e consciência – Por detrás de três disciplina: Fisica, biologia e

ciência da cognição

Nos últimos 150 anos, estas ciência acumularam sucessos com graus
diferentes e ofereceram modelos causais para algumas das grandes questões
que foram sendo colocados ao longo dos tempos

Os cientistas mais conhecidos nas ciência mencionados são:

Einstein - Física
Darwin, Mendel, Watson e Crick – Biológia
Skinner e Frend – Ciencia da cognição

São os nomes mais famosos que ajudaram a construir o edifício cientifico,

com o que começamos este novo milénio.
 Introdução

Existe uma relação entre os três aspectos mencionados: Materia, vida e

consciência.
A consciência emerge da vida como a vida emerge da matéria.

Consciência Psicologia

Vida Biologia

Matéria Fisíca
 Introdução

O homem para além de estudar o que existe também tem sido um

construtor de artefactos de objectos artificiais, é disso que se
ocupam da inteligência artificial

Também podemos encontrar três elementos das disciplinas

clássicas da engenharia, como a engenharia civil preocuparam-se
como projecto de construção artificial que tem como base a
matéria e a descodificação do genoma humano

Genoma (genes, ADN, cromossomas) Material genético

Por fim o homem hoje preocupa-se com a possibilidade de simular

e construir seres artificiais, que podem ser considerado como ser
vivos, originando uma disciplina conhecida por vida artificial.
 Introdução

A própria noção de vida esta em discussão e em relação a construção?

Será possível o aparecimento de seres consciente com uma grande
inteligência comparável a dos seres humano?

Um outro problema é o de se saber as ligações possíveis entre as ciências

do natural e as ciências do artificial

Os conhecimentos obtidos pela psicologia em particular a psicologia

cognitiva são relevantes para IA? e a biologia ou mesmo a física podem
ajudar-nos a construir agentes artificialmente inteligente?
 Introdução

Figura: As ciências do artificial e as suas separações/complexidade

Engenharia Inteligência
Vida artificial
artificial

Definição: Podemos definir (I.A) como uma disciplina que tem por
objectivo o estudo e a construção de entidades artificiais com capacidades
cognitivas semelhantes dos seres humanos (Ernesto costa e Anabela
Simões)

Nota: Existem diferentes aproximações sobre a definição de I.A,

dependentes de cada autor ou em função de cada autor.
 Introdução

A Inteligência é a capacidade de ilustrar conhecimentos.

Podemos também definir (IA) como:

Uma área de pesquisa da ciência da computação dedicada a buscar

métodos ou dispositivos computacionais que possuam ou simulem a
capacidade humana de resolver problemas, pensar ou, de forma ampla,
ser inteligente (Vicente Moret)
 Introdução

A aceitação de que as máquinas podem ser inteligentes tem sido objecto de

polémica ao longo da história, antecedendo mesmo o aparecimento do
computador

O aparecimento do computador veio introduzir uma dimensão nova, os

artefactos criado pela inteligência do homem

Mesmo os que aceitam a possibilidade de existência em maquinas pensantes

divergem quando a real natureza dessas maquinas e também quando aos
princípios e o modo de construção

Para uns, apenas é possível construir artefacto que emitam o homem na sua
acção inteligente (Tese de I.A fraca).

Para outras é viável o aparecimento de maquina que são inteligentes(Tese de

I.A forte) - (autoconsciência)
 Introdução

Entre os teóricos que estudam o que é possível fazer com a IA existe uma discussão onde se
consideram duas propostas básicas: uma conhecida como "forte" e outra conhecida como
"fraca“

Basicamente, a hipótese da IA forte considera ser possível criar uma máquina consciente

Uma popular e inicial definição de inteligência artificial, introduzida por John McCarty na
famosa conferência de Dartmouth em 1955 é "fazer a máquina comportar-se de tal forma que
seja chamada inteligente caso fosse este o comportamento de um ser humano."

No entanto, esta definição parece ignorar a possibilidade de existir a IA forte

Outra definição de Inteligência Artificial é a inteligência que surge de um "dispositivo artificial".

A maior parte das definições podem ser categorizadas em sistemas que: "pensam como um
humano; agem como um humano; pensam racionalmente ou agem racionalmente".
 Introdução

A investigação em (IA) forte aborda a criação da forma de inteligência

baseada em computador que consiga raciocinar e resolver problemas;
uma forma de IA forte é classificada como auto-consciente

A ficção científica tratou de muitos problemas desse tipo. Isaac Asimov,

por exemplo, escreveu O Homem Bicentenário, onde um robô consciente
e inteligente luta para possuir um status semelhante ao de um humano na
sociedade

E Steven Spielberg escreveu "A Inteligência Artificial" onde um garoto-

robô procura conquistar o amor de sua "mãe", procurando uma maneira
de se tornar real.
 Introdução

A inteligência artificial fraca centra a sua investigação na criação de

inteligência artificial que não é capaz de verdadeiramente raciocinar
e resolver problemas
Uma tal máquina com esta característica de inteligência agiria
como se fosse inteligente, mas não tem autoconsciência ou noção
de si
Há diversos campos dentro da IA fraca, e um deles é o
Processamento de linguagem natural, que trata de estudar e tentar
reproduzir os processos de desenvolvimento que resultaram no
funcionamento normal da língua
Muitos destes campos utilizam softwares específicos e linguagens
de programação criadas para suas finalidades
 Introdução
Sistemas de geração de linguagem natural convertem informações de banco de
dados de computadores em linguagem natural convertem ocorrências de
linguagem humana em representações mais formais, mais facilmente manipuláveis
por programas de computador.

O objetivo final do processamento de linguagem natural é fornecer aos

computadores a capacidade de entender e compor textos. E “entender” um texto
significa reconhecer o contexto, fazer análise sintática, semântica, léxica e
morfológica, criar resumos, extrair informação, interpretar os sentidos e até
aprender conceitos como textos processados.não se sabe se um dia os
computadores poderão igualar (ou superar) a capacidade humana de entender ou
compor textos

Actualmente estas capacidades são bastante limitadas no computador mas muitos

resultados práticos já são possíveis e utilizados por diversos tipos de programas.
 Introdução

O grudo linguística da Incite desenvolveu 3 aplicativos que utilizam

recursos do PLN:

InSearch – sistema de busca com recursos similares ao Google ou

Altavista. Utiliza recursos de NLP nas queries (buscas), na categorização
do conteúdo indexado e na organização da informação

InBot – sistema de inteligência artificial que permite simular uma pessoa

conversando com o usuário

InTranslator - Tradutor entre idiomas que usa recursos linguísticos para

traduzir frases corretamente. Pode ser usado em salas de “chat” para
tradução simultânea das conversas mesmo que contenham gírias,
abreviações e até alguns erros de grafia.
 Introdução

Linguagem natural (língua ordinária, língua humana ou somente “língua”

no uso comum) é um conceito formulado pela filosofia da linguagem e
pela linguística para se referir às linguagens desenvolvidas naturalmente
pelo ser humano com instrumento de comunicação, como as línguas
faladas e a língua de sinais

As linguagens formais, desenvolvidas de forma artificial, não constituem

línguas naturais, assim como as linguagens do mundo animal
 Introdução

Críticas filosóficas e a argumentação de uma (IA) forte

Muitos filósofos, sobretudo John Searle e Hubert Dreyfus, inseriram no

debate questões de ordem filosófica e epistemológica, questionando
qualquer possibilidade efectiva da IA forte

Seriam falsos, assim, os próprios pressupostos da construção de uma

inteligência ou consciência semelhante à humana em uma máquina
História

Os primeiros anos da IA foram repletos de sucessos – mas de uma

forma limitada

Considerando-se os primeiros computadores, as ferramentas de

programação da época e o facto de que apenas alguns anos antes
os computadores eram vistos como objectos capazes de efectuar
operações aritméticas e nada mais, causava surpresa o facto de um
computador realizar qualquer atividade remotamente inteligente
 Introdução

Actualmente, a IA abrange uma enorme variedade de subcampos

Dentre esses subcampos está o estudo de modelos conexionistas ou redes
neurais

Uma rede neural pode ser vista como um modelo matemático simplificado
do funcionamento do cérebro humano

Este consiste de um número muito grande de unidades elementares de

processamento, ou neurônios, que recebem e enviam estímulos elétricos
uns aos outros, formando uma rede altamente interconectada
 Introdução

A utilização da (IA) permite obter não somente ganhos significativos de

performance, mas também possibilita o desenvolvimento de aplicações
inovadoras, capazes de expandir de forma extraordinária nossos sentidos
e habilidades intelectuais
Cada vez mais presente, a inteligência artificial simula o pensamento
humano e se alastra por nosso cotidiano.
A inteligência artificial começou como um campo experimental nos anos
50 com pioneiros como Allen Newell e Herbert Simon, que fundaram o
primeiro laboratório de inteligência artificial na Universidade Carnegie
Mellon, e McCarty que juntamente com Marvin Minsky, que fundaram o
MIT AI Lab em 1959
Foram eles alguns dos participantes na famosa conferência de verão de
1956 em Darthmouth College
 Introdução
DIFERENTES PARADIGMAS DE I.A

1º A metáfora computacional

Parte do principio de olhar para inteligência como computação.

Newll e Simon defenderam que os computadores e a mente humana são instancia de uma família
de artefacto denominados sistemas físicos simbólicos (SFS)

Na base dos SFS estão as estruturas simbólicas que não são mais que representações de
conhecimento.

Os SFS têm os meios necessários suficiente para acção inteligente em geral.

Inteligência é o resultado da actuação, processos sobre as estrutura simbólicas.

Inteligência = processos + estruturas simbólicas

 Introdução

Abordagem computacional realiza-se geralmente através de programas

que actuam sobre as representações do mundo.
Existe uma correspondência directa entre os objectos do mundo e sua
representação
Figura: Cognição como mediador entre a percepção e acção.

Mundo

Percepção
Acção

Cognição
 Introdução

2º Metafora conexionista:

Olha para inteligência como sendo uma propriedade emergente das interacções
de um numero elevado de unidades elementares de processamento

A ideia central do conexionismo é a de que a cognição pode ser modelada como

sendo a interacção simultânea de muitas unidades semelhantes a neurónios
densamente interligados
 Introdução

NEURONIO HUMANO

Atraves das suas dentrites um neurónio recebi de outro neurónios sinais de

excitação ou inibição que são transformadas em voltagem electricas e
transmitido ao corpo celular ou soma.

Estes sinais são então somados (se forem excitatórios) ou subtraídos (se
forem inibitórios) ao estado (voltagem) do neurónio.

Se deste processo resultar de um valor superior a um valor de referencia

denominado linear então o neurónio dispara e é transmitido um sinal
electrico ao longo de um axinio que o conduza até a sua extremidade
(sinapses).

O nosso cérebro é formado por um numero elevado de neurónio (1011)

densamente interligados (em media cada um liga-se a 103 - 104) cada um
propaga um sinal de excitação e inibição
 Introdução

Outra característica importante é o tempo de comutação de um neurónio que é

grande (da ordem 1011 Estas duas ultimas características constatam fortemente os
computadores

Os computadores que usamos diariamente realizam as suas operações em series

compensando este aspecto com a sua elevada capacidade de processamento (10-10
segundos

NEURÓNIO ARTIFICIAL

A primeira versão do neurónio artificial foi proposto por Mc Cullock e Pitts em 1943.
Na sua versão existe um conjunto de entradas que simulam os dentrites, que têm
associados pesos (que simulam a intensidade e caracter de excitação ou de enibição).

É calculada a soma pesada das entradas que se ultrapassar um valor linear de

referencia faz com que o neurónio dispara produzindo um sinal a sua saída.

Existe vários tipos de redes neurais artificiais, tendo sido proposta ao longo do tempo
várias classificações, todas têm o lado de subjectividade.
 Introdução

Uma classificação possível envolvem três aspectos:

O modo como os neurónios se ligam entre si (topologia)

Como ficam activadas e inactivadas (função de activação)

A forma como modificam alguns dos seus elementos (dinâmica da rede)

 Introdução

3º METAFORA BIOLOGICA:

Um grupo de investigadores tem vindo a explorar uma terceira abordagem ao

problema de agente de construção inteligente

Estas nova perspectiva sustenta-se numa analogia com a forma como as espécies
evoluem, de acordo com a teoria proposta por Darwin complementada por Mendel,
as espécies evoluem geração a um processo denominado selecção natural que
promovem a sobrevivência dos indivíduos mais adaptados

Durante a reprodução o material genético dos indivíduos esta sujeito a modificações

determinados por operadores genéticos fundamentalmente operadores de variação
com a combinação e a mutação

Estes operadores provocam diferença genética nos indivíduos que podem tornar
vantagiosos em determinadas condições, fazendo com que eles sejam mais aptos e
portanto com maior probabilidade de sobreviver
 Introdução

Na abordagem da inspiração biológica para se resolver um grupo parta-se de um

conjunto de soluções candidatas designadas população, que se faz evoluir ao longo do
tempo de acordo com os princípios Darwinistas

Cada elemento da população é chamado individuo

Por seu turno um individuo é formado por cromossomas, eles próprios constituído por
genes que podem assumir diferentes valores ou alelos, cada individuo tem associado
uma qualidade ou mérito que define o seu grau de adaptação

Os de melhor qualidade têm uma maior probabilidade de sobreviver e

consequentemente de se reproduzir.

A semelhança das redes neuronais, evolução artificial é uma simplificação da evolução

natural, do mesmo modo que existe diferentes tipos de redes neuronais ou neurais
também existe abordagem distinta do problema da evolução artificial que no seu
conjunto delimitam a área hoje conhecida por computação evolutiva: Algoritmos
genéticos (Holland, 1975), estratégias evolutivas (Rechenberg, 1989), programação
evolucionária (Forget, 1986), programação genética (Koza, 1992), todas seguem no
entanto um modelo abstrato comúm.
 Introdução

Relação entre Ciência, Engenhartia e Produto

Esta relação significa que para passar da ciência ao produto primeiro tem que
se passar a engenharia

(IA) é uma Ciência ou é Engenharia ?

A (IA) é Ciência e é Engenharia

Como ciência: trata de desenvolver o vocabulario, os conceitos que

permitem a ajudar a entender e em ocasiões a reproduzir comportamento
inteligente

Como Engenharia: trata de definir e de utilizar um conjunto de metodos que

nos permitem adquirir conhecimento de alto nivel formalizando-o e
representando-o segundo um esquema computacionalmente eficaz e
utlizando os referidos conhecimentos para a resolução de problemas do
dominio concreto
 Introdução

Linguagem natural: nos referimos a linguagem corrente e a linguagem

estruturada é a linguagem máquina

Un sistema inteligente é um programa de computação que reúne

características e comportamentos similares ao da inteligência humana ou
animal.
 Introdução

Aplicabilidade da Inteligência Artificial

Acerca da aplicabilidade da (IA), se classificam os sistemas inteligentes em

três niveis distintos:

Programa de Inteligência Artificial

Sistemas baseados em conhecimento

Sistemas Espertos
 Introdução

Programa de Inteligência artificial

Os programas de (IA) exibem certos comportamentos inteligentes

fruto da aplicação hábil de heuristicas

Entendemos como heurística um tipo de conhecimento dificilmente

formalizado fruto da experiência que se estabelece implicitamente
para tratar de encontrar respostas mais ou menos correctas a um
problema concreto.
 Introdução

Exemplo de heurística

Um doctor analiza um paciente com dores de cabeça a primeira vista faz várias
deduções se é paludismo ou é tensão ou é febre tifoide, etc. para comprovar as
hipóteses é necessário um exame, quer dizer a simples vista não podemos
assegurar que o paciente tem por exemplo paludismo

A utilização de conhecimento heurísticos nao garantiza encontrar solucoes optimas

mas sim permite garantir solucoes aceitaveis caso existam atraves dos
denominasdos processos inferenciais

Uma Inferência é o processo que permite a compreensão de um significado em

função de certa informação relacional

A ideia da inferência está relacionada com os processos de racionamento que

frequentemente exigem a realização de variáveis inferenciais para estabelecer
conclusões válidas.
 Introdução

O estudo de racionamento nos permite fazer uma classificação em três

modos diferentes:

Modo de racionamento deductivo

Modo de racionamento inductivo

Modo de racionamento abductivo

 Introdução

Sendo A1: Declaração de carácter geral, A2: Declaração de tipo particular

referida a primeira parte de A1 e A3: Declaração de tipo particular referida
a segunda parte de A1

Modo de racionamento dedutivo: parte da premissa geral A1 e da

premissa particular A2 e tratada de demonstrar a premissa particular A3

Exemplo: Se A1: “A gripe provoca febre” e A2:”Luis tem gripe” então

A3:”Luis tem febre”

Omodo de recionamento deductivo é o modo próprio das matemáticas e

realmente o seu emprego não gera conhecimento novo, pois com o
conhecimento deductivo simplesmente aplicamos conhecimento dado
sobre situacões particulares para se obter conclusõs válidas
 Introdução

Modo de racionamento indutivo: parte das duas premissas particulares

A2 e A3 para obter a declaração geral A1

Exemplo Se A2: ”Estes objectos caiem” e A3: ”Estes objectos têm massa”
então A1: “os objectos com massa caiem “

Os processos de racionamento indutivo estão ligados a experimentação, e

são próprios das ciências da natureza como a física e a quimica e gera
conhecimento novo.
 Introdução

Racionamento abdutivo: trabalha sobre a plausibilidade das conclusões e

que formalmente trata de relacionar declarações de tipo A1 com
declarações de tipo A3 para concluir declarações de tipo A2

Exemplo Se A1: ”Os quadros de Goia apresentam estas características “ e

A3: ”estes quadros representa estas características” então A2:”este quadro
é de Goia“

No racionamento abductivo podemos reconhecer as seguintes

características:

Esta ligado ao conceito da incerteza (pode ser certo ou não )

Gera conhecimento novo

É o modo de racionamento típico da (IA)

 Introdução

Sistemas Baseados em Conhecimento

Os conhecimentos do domínio concreto e as estruturas de control

se utilizam para manipular o dito conhecimento e se encontram
fisicamente separados

Isto requer a definiçãoo e a implementação de arquitecturas

diferentes com relação nas questões habituais e nas que o
conhecimento e as estruturas de control possam ser desenvolvidos
independentemente uma das outras de formas que uma mesma
estrutura de control possa ser utilizada em diferentes bases de
conhecimentos.
 Introdução

Sistemas Espertos

Os sistemas espertos são especializacões dos sistemas baseados em

conhecimentos que utilizam um conhecimento particular de um dominio
da aplicação concreta para tentar resolverem problemas do mundo real

Um sistema esperto também se pode definir com uma aplicação

informática capaz de solucionar um conjunto de problemas que exigem
um grande mconhecimento sobre um determinado tema

Um sistema esperto é um conjunto de programas que, sobre uma base de

conhecimentos, possue informação de um ou mais espertos numa area
específica

Entende-se como um ramo de (IA) , onde o poder de resolução de um

problema num programa de computador vem do conhecimento de um
dominio específico
 Introdução

Os sistemas espertos, imitam as actividades de um humano para

resolver problemas de distinta índole

Também diz-se que um sistema esperto basea-se no conhecimento

declarativo:

(factos sobre objectos, situações )

e o cohecimento de controlo (informação sobre o

seguimento de uma acção

A construçao de sistemas espertos requer o empenho das técnicas

desenvolvidas para construir problemas de (IA) em utilização das
arquitecturas definidas para o desenvolvimento de sistemas
baseados em conhecimento.
 Introdução

Estructura básica de um sistema esperto

Base de conocimientos (BC): Contém conhecimentos modelado extraído

do dialogo com um esperto

Base de factos (Memoria de trabalho): Contém os factos sobre um

problema que foi descoberto durante a análise

Motor de inferencia: Modela o processo de racionamento humano.

Módulos de justificação: Explica o racionamento utilizado pelo sistema

para chegar a uma determinada conclusão.

Interfaz de usuario: É a interacção entre o sistema esperto e o usuario, e

se realiza mediante a linguagem natural.
 Introdução

Vantagens dos sistemas espertos

Permanecia: a diferença de um expertohumano um SE não envelhece, e portanto não

sofre perdida de faculdades com o passo do tempo

Replicação: uma vez programado um SE i podemos replicar por uma infinidade de vezes.

Rapidez: um SE pode obter informação de uma base de dados e realizar cálculos numérico
muito mais rápido que qualquer ser humano

Baixo custo: a pesar de que o custo inicial pode ser elevado graças a capacidade de
duplicação o custo finalmente é baixo.

Em tornos perigosos: um SE pode trabalhar em tornos perigosos ou projudiciais para o ser

humano.

Fiabilidade: os SE pode não se vem afectados por condições externas, um humano sim
(cansaço, pressão, etc).
Consolidar vários conhecimentos
 Introdução

Limitações
Sentido comum: para um SE não há nada obvio. Por exemplo, um SE sobre medicina
poderia admitir que gravidez de um homem dura 40 meses, a não ser que se
especifique que isto não é possível. Pois um homem não pode gestar filhos

Linguagem natural: com um experto humano podemos manter uma conversação

informal enquanto que com SE faça isto

Perspectiva global: um experto humano é capaz de distinguir quais são as questãoes

relevantes de problema e separa-las de questões secundarias

Capacidade sensorial: um SE carece de sentidos

Flexibilidade: um humano é sumamente flexível a hora de aceitar dados para a

resoluçãi de um problema

Conhecimento não estruturado: um SE não é capaz de manejar conhecimento

pouco estruturado.
 Introdução

Os sistemas espertos se classificam em três tipos diferentes:

baseados em regras

basedos em casos

e baseados em redes bayesianas

 Introdução

Os sistemas baseados em regras trabalham mediante a aplicações de

regras, comparação de resultados e aplicação das novas regras baseadas
em situação modificada.

Também podem trabalhar por inferência lógica dirigida, começando com

uma evidencia inicial numa determinada situação e dirigindo-se até a
obtenção de uma solução, ou com uma hipótese sobre as possíveis
soluções e voltando até encontrar uma evidência existente (ou dedução
de uma evidência existente) que apoia uma hipótese em particular.
 Introdução

O racionamento baseado em caso é um processo de solucionar novos problemas

baseando-se nas soluções dos problemas anteriores

Um mecânico de automóveis que repara um motor porque recordou que outro

automóvel apresentava os mesmos sintomas esta usando o racionamento baseado
em casos

Um advogado que apela a precedentes legais para defender alguma causa está
usando racionamento baseados em casos

O racionamento baseado em casos é uma maneira de racionar fazendo analogias

Está argumentado que o racionamento baseado em casos não é só um método de

racionamento de computadores, senão é usado pelas pessoas para solucionar
problemas quotidianos

Todo racionamento baseado por casos está esta baseado na experiência prévia.
 Introdução

Uma rede bayesiana, ou rede de creencia, é um modelo probabilístico

multivariado que relaciona um conjunto de variáveis aleatórias mediante
um grafo dirigido que indica explicitamente influencia causal

Graças o seu motor de atualização de probabilidades, o Teorema de Bayes,

as redes bayesianas são uma ferramenta extremamente útil na estimação
de probabilidades antes novas evidências

Uma rede bayesiana é um tipo de rede causal

Um híbrido da rede bayesiana e teoria da utilidade é um diagrama de

influencia.
 Introdução

Formalmente, as redes bayesianas são gráficos acíclicos dirigidos cujo nodos

representam variáveis e os arcos que os unem codificam dependências
condicionais entre as variáveis

Os nodos podem representar qualquer tipo de variável que seja um parâmetro

medível (ou medido), uma variável latente ou uma hipóteses

Existem algoritmos que realizam inferências e aprendizagem baseada em redes.

A figura a baixo representa um exemplo bayesiana para uma distribuição de

probabilidade conjunta P(x1,x2,x3,x4,x5)

Neste caso, a dependência declarada na rede permite a expressão natural de

distribuição de probabilidade conjunta em termos de probabilidades condicionais
locais ( uma vantagem chave da rede Bayesiana) como se segue:

P(x1,x2,x3,x4,x5) = P(x1) P(x2/x1) P(x3/x1) P(x4/x2,x3). A probabilidade P(x1) é a

probabilidade a priori para rede Bayesina
 Introdução

Se existir um arco que une um nodo A com nodo B, A “ e denominado um

pai de B, e B e chamado de filho de A. O conjunto de nodos pai se denota
como pais (Xi)

Um gráfica acíclico dirigido é uma rede bayesina a um conjunto de

variáveis si a distribuição conjunta dos valores do nodo pode ser escrita
com o produto das distribuições locais de cada nodo e os seus pais

Se o nodo Xi não tem pais, a sua distribuição local probabilidade se

considera incondicional, em outro caso é condicional. Se o valor de um
nodo é observável e portanto etiquetado como obervado, dito nodo é um
nodo de evidência

Em cada um destes casos, a solução a um problema definido se obtém:

 Introdução

Aplicando regras heurísticas apoiadas geralmente em lógica difusa para

sua avaliação e aplicação

Aplicanbndo o racionamento baseado em casos, onde a solução a um

problema similar definido com anterioridade se adapta ao novo problema

Aplicando redes bayesianas, baseadas em estatísticas e no teorema de

Bayes.
 Introdução

Aplicação

As redes bayesianas são um tipo de modelo de mineração de dados: consiste

na recuperação não trivial de informação que de maneira implícita nos dados,
que podem ser utilizados em qualquer das seguintes actividades de negocio:

Prevenção de fraudes

Prevenção de abandono de clientes

Marketing personalizado

Mantimento preventivo

Scoring de cliente
 Introdução

Sistemas de produção
Sistemas de produção é um nome genérico para todos os sistemas baseados em
regras de produção
As regras de produção ou simplesmente regras são esquemas de representação
do conhecimento que pertencem aos métodos procedimentais de
representação
Estruturalmente, as regras de produção são elementos de representação do
conhecimento dinâmico constituídas por:

uma parte IF (denominada condição ou premissa)

uma parte THEN (denominada conclusão ou acção)

e uma parte ELSE (ou conclusão-acção alternativa que se executa quando a

premissa é falsa).
 Introdução

IF <CONDIÇÃO>
THEN <CONCLUSÃO OU ACÇÃO>

IF <CONDIÇÃO>
THEN <CONCLUSÃO OU ACÇÃO>
ELSE <ALTERNATIVA
 Introdução

Basicamente uma premissa pode estar constituída por um conjunto

de cláusulas que podem estar encadeada através dos operadores
de relação: AND, OR, NOT

IF: Cláusula A, AND Cláusula B, OR Cláusula C, …

IF : A pressão arterial sistólica é maior de 160 mmHg

AND: A pressão arterial diastólica é maior de 95 mmHg
AND: A pressão arterial média é de 130 mmHg
THEN: O paciente apresenta hipertensão arterial
 Introdução

Por outra parte, a parte THEN pode estar constituída por várias acções
IF <A pressão arterial sistólica é maior de 160
mmHg>
AND <A pressão arterial diastólica é maior de 95
mmHg>
AND <A pressão arterial média é de 130 mmHg>
THEN <O paciente apresenta hipertensão arterial>
AND <Actualizar a base de dados com a conclusão>
 Introdução

Categorias do Conhecimento:

Conhecimento público: que se obtém directamente a partir de fontes

típicas tais como livros, manuais que são comummente aceite e
universalmente reconhecido

Conhecimento semi-público: sempre explícito não está universalmente

aceite geralmente é utilizado de forma quase exclusiva de especialistas em
áreas concretas

Conhecimento privado: não é explícito e não é universalmente

reconhecido nem comummente aceite é de marcado carácter heurístico.