Você está na página 1de 48

O QUE É A INTELIGÊNCIA ARTIFICIAL?

DEFINIÇÃO

O que é exatamente a Inteligência Artificial ( I.A .)?

Embora a maioria das tentativas para definir com precisão


termos complexos e de utilização ampla seja exercício de futilidade, é
necessário delinear pelo menos uma fronteira aproximada em torno do conceito
para que se tenha uma idéia sobre a discussão que se seguirá. Dessa forma,
propõe-se a seguinte definição, embora não seja ela universalmente aceita. A
Inteligência Artificial ( I.A .) é o estudo de como fazer os computadores
realizarem tarefas em que, no momento, as pessoas são melhores ( é claro
que esta definição é um tanto efêmera devido ao estado atual da arte da
Ciência da Computação ), ou seja, é um conjunto de tecnologias
computacionais que têm por objetivo imitar processos intelectuais humanos (
raciocínio, decisão, resolução de problemas, planejamento, reconhecimento de
padrões, etc ). Pode ser muito simples, ou muito complexa, dependendo da
tarefa a ser proposta.

• lento progresso no tocante a computadores que pudessem realizar as tarefas


“difíceis” melhor do que as pessoas foi um dos primeiros resultados a sair da
I.A . experimental. Nos primeiros dias do setor (cerca de 1960), os especialistas
previram um progresso muito mais rápido do que de fato vem ocorrendo.
Assim, esta definição, pelo menos nos próximos anos, deve fornecer um bom
contorno do que constitui a inteligência artificial, evitando as questões
filosóficas que dominam as tentativas de definir o significado tanto de
inteligência como de artificial. Os programas de I.A . usam lógicas sofisticadas,
e são capazes de decidir, usando um número grande de fatos e axiomas1, que

1 Proposição evidente, verdade que não exige demonstração.

10
são armazenados no computador na forma de uma base de conhecimentos.
Ex.: um sistema inteligente que é capaz de diagnosticar doenças no sangue,
chamado sistema especialista ( ou sistema expert2 ), armazena centenas de
fatos do tipo: “ o eritrócito é uma célula sangüinea “, “ hemácia é sinônimo de
eritrócito “, “ um eritrócito não tem núcleo “, e assim por diante. Esses fatos
são representados internamente no computador, de forma que permita
preservar suas relações semânticas. Dessa forma, se o sistema necessitar, por
alguma razão saber se hemácia tem núcleo, embora essa relação não esteja
preservada diretamente na base de conhecimento, o programa será capaz de
deduzi-la de forma autônoma, aplicando procedimentos lógicos do tipo SE A
ENTÃO B ( se a hemácia é o eritrócito e se o eritrócito não tem núcleo, então a
hemácia não tem núcleo ). Em lógica, isso se chama de “ modus ponens3 “,
que é uma operação mental que usamos muito em nosso dia a dia.

Já um axioma é um conjunto de asserções4, que se forem


verdadeiras, levam a uma determinada conclusão. No mundo da I.A ., isso
recebe o nome de “ regra de produção “.

PROBLEMAS CONTIDOS DENTRO DA I. A .

Alguns dos primeiros problemas a serem estudados foram


problemas de jogos e provas de teoremas. Samuel5 [Samuel, 1963] escreveu

2 Perito em determinados assuntos.


3 Operação utilizada em nosso dia-a-dia
4 Afirmações, proposições, alegações.
5 Pesquisador que se dedicou a prova de teoremas.

11
um programa de jogo de damas que não apenas jogava com oponentes como
também usava a experiência para melhorar posteriormente seu desempenho.
O Logic Theorist [Newell6,1963] foi uma tentativa inicial de provar teoremas
matemáticos. Ele foi capaz de provar diversos teoremas do primeiro capítulo
Principia7, de Whitehead8 e Russel9 [Whitehead, 1950].

A execução de jogos e as provas de teoremas partilhavam da


seguinte propriedade: embora as pessoas que as fizessem bem fossem
consideradas exibidoras de inteligência, parecia que os computadores
poderiam funcionar bem simplesmente por serem rápidos em explorar um
grande número de caminhos de solução e depois escolherem o melhor. Mas
este processo exigia pouco conhecimento, podendo, portanto, ser facilmente
programado. Como veremos posteriormente, acabou provando-se que esta
suposição era falsa. Nenhum computador é rápido o suficiente para superar a
explosão combinatória gerada por tais problemas.

À medida que a pesquisa de I.A . progrediu e técnicas para


tratar de quantidades maiores de conhecimentos do mundo foram
desenvolvidas, conseguiu-se certo progresso nas tarefas que acabamos de
descrever e novas outras puderam ser razoavelmente tentadas. Elas incluem a
percepção (visão e fala), compreensão de linguagem natural e resolução de
problemas em domínios especializados, como a diagnose médica e a análise
química.

A percepção do mundo ao nosso redor é crítica para nossa


sobrevivência. Animais com muito menos inteligência do que as pessoas

6 Matemático responsável pelo Logic Theorist.


7 Livro que explica os mais diversos teoremas.
8 Autor de “Principia”.
9 Idem acima.

12
possuem percepção visual mais sofisticada do que as máquinas atuais. Os
esforços iniciais pra a percepção visual simples e estática levaram a duas
direções: uma no sentido do reconhecimento de padrões estatísticos e outra no
sentido de sistemas de compreensão de imagens mais flexíveis. Tarefas
perceptivas10 são difíceis por envolverem sinais analógicos (em vez de digitais),
os sinais são tipicamente muito ruidosos, e normalmente muitas coisas
(algumas das quais poderão estar parcialmente obscurecendo outras) deverão
ser percebidas de imediato.

A capacidade de utilizar a linguagem para comunicar uma


ampla variedade de idéias talvez seja a coisa mais importante que separa as
pessoas dos demais animais. O problema da compreensão da linguagem
falada é perceptivo e difícil pelas razões que acabam de ser discutidas. Mas
simplificando o problema limitando-o à linguagem escrita, diga-se que o mesmo
é normalmente referido como como compreensão da linguagem natural, ainda
é extremamente difícil. Para compreender frases a respeito de um tópico, é
necessário saber não apenas muito a respeito da linguagem em si (seu
vocabulário e gramática) mas também muito a respeito do assunto para que
suposições não expressas possam ser reconhecidas.

Tarefas como a percepção e a compreensão da linguagem são


realizadas rotineiramente por quase todo mundo. Além dessas tarefas
diuturnas, muitas pessoas realizam outras atividades inteligentes em que são
especialistas. Como apenas poucas pessoas podem fazer essas coisas (como
a diagnose de doenças), são muitas vezes consideradas como mais difíceis do
que tarefas mais mundanas. Diversos problemas, entretanto, comprovaram ser
resolvíveis por programas muitas vezes conhecidos como sistemas
especialistas, os quais serão discutidos mais tarde.

10 Fácil percepção.

13
A lista seguinte contém um resumo de alguns dos problemas
que se enquadram dentro do escopo da inteligência artificial:

• Jogos
• Prova de Teoremas11
• Resolução de Problemas gerais
• Percepção
− Visão
− Fala
• Compreensão de linguagem natural
• Resolução de problemas especializados

− Matemática simbólica
− Diagnose médica
− Análise química
− Projeto de engenharia

A SUPOSIÇÃO SUBJACENTE12

No cerne da pesquisa em inteligência artificial situa-se o que


Newell e Simon13 [Newell, 1976] denominam de hipótese do sistema de
símbolos físicos. Eles definem um sistema de símbolos físicos do seguinte
modo:

11 Proposição que, para se admitir ou tornar evidente, precisa de


demonstração.
12 Que está ou jaz por baixo.
13 Um dos responsáveis pelos sistemas simbólicos físicos.

14
Um sistema de símbolos físicos consiste em um conjunto de
entidades, denominadas símbolos, que são padrões físicos e que podem
ocorrer como componentes de outro tipo de entidade denominada expressão
(ou estrutura de símbolos). Desta forma, a estrutura de símbolos é composta
de diversos casos (ou fichas) de símbolos relacionados de alguma forma física
(como uma ficha estar junto a outra). A qualquer instante, o sistema conterá
uma coleção dessas estruturas de símbolos.

Além dessas estruturas, o sistema também contém uma


coleção de processos que operam sobre as expressões para produzir outras
expressões: processos de criação, modificação, reprodução e destruição. O
sistema de símbolos físicos é uma máquina que produz através do tempo uma
coleção evolutiva de estruturas de símbolos. Tal sistema existe em um mundo
de objetos mais amplos do que as próprias expressões simbólicas.

Eles então declaram a hipótese como:

Hipótese do Sistema de Símbolos Físicos. O sistema de


símbolos físicos possui os meios necessários e suficientes para ação
inteligente geral.

Esta é apenas uma hipótese. Não parece haver meios de


prová-la ou contestá-la apenas com argumentos lógicos, de modo que ela
deverá ser submetida à validação empírica. Podemos verificar que é falsa, mas
constatamos que grande parte da prova afirma que é verdadeira. Por isso a
experimentação é a única maneira de determinar sua validade.

Os computadores fornecem o meio perfeito para esta


experimentação, já que podem ser programados para simular qualquer sistema
de símbolos físicos que quisermos. Esta capacidade dos computadores
servirem como manipuladores de símbolos arbitrários foi observada muito

15
cedo na história da computação. Lady Lovelace14 fez a seguinte observação a
respeito da proposta do Motor Analítico15 (Analytical Engine), de Babbage16,
em 1842.

O mecanismo operacional pode até ser posto em ação,


independentemente de qualquer objeto a ser operado (embora, é claro,
nenhum resultado pudesse então ser desenvolvido). Novamente ele poderia
agir sobre outras coisas além de números, desde que fossem objetos
encontrados cujas relações fundamentais mútuas pudessem ser expressas por
aquelas da ciência abstrata de operações, e que fossem, também, suscetíveis
de adaptações à ação da notação operacional e ao mecanismo da máquina.
Supondo, por exemplo, que as relações fundamentais de sons vibratórios na
ciência da harmonia e da composição musical fossem suscetíveis de tal
expressão e adaptações, a máquina poderia compor enxertos elaborados e
científicos de música de qualquer grau de complexidade ou extensão.

À medida que se tornava cada vez mais fácil construir


máquinas de computação, crescia a possibilidade de ser conduzirem
investigações empíricas17 da hipótese do sistema de símbolos físicos. Em cada
uma dessas investigações, é escolhida uma tarefa que, em particular, dependa
de alto nível de inteligência. É proposto, e depois testado, um programa para
realizar a tarefa. Embora não tenhamos sido completamente bem-sucedidos na
criação de programas que realizem todas as tarefas escolhidas, a maior parte
dos cientistas crêem que muitos dos problemas defrontados em última

14 Pesquisadora que realizou diversas propostas sobre o Motor Analítico.


15 Método utilizado na exemplificação da análise, proceder por análise.
16 Criador do Motor Analítico.
17 Relativo ao empirismo, que se guia só pela experiência, fundado
instância exclusivamente na experiência, poderão ser superados por
programas mais sofisticados do que os produzidos até aqui.

16
Provas em apoio da hipótese não vieram apenas de áreas
como a de jogos, onde se poderia supor que fosse mais provável encontrá-las,
mas também de áreas como a da percepção visual18, onde é mais tentador
suspeitar da influência de processos não-simbólicos.

TÉCNICA DE I. A .?

Em se tratando de problemas em I.A ., os mesmos abrangem


um espectro muito amplo. Exceto por serem difíceis, parecem ter pouco em
comum. Existe alguma técnica apropriada para a solução de uma variedade
desses problemas? A resposta a esta pergunta é positiva. O que, então, pode-
se dizer a respeito dessas técnicas, além do fato de elas manipularem
símbolos? Como saber se essas técnicas poderiam ser úteis na solução de
outros problemas, mesmo aqueles tradicionalmente considerados como não
pertinentes às tarefas da I.A .?

Um dos poucos resultados concretos obtidos nos primeiros


vinte anos da pesquisa de I.A . é o fato de que a inteligência requer
conhecimento. Para compensar sua característica predominante, a
indispensabilidade, o conhecimento também possui algumas propriedades
menos desejáveis, incluindo:

• A grande proporção.

18 Ato, ou efeito de perceber através da visão, conhecimento por meio deste


sentido.
• Dificuldade de caracterizar com precisão.
• Mutação19 constante.

17
Assim, onde iremos parar em nossa tentativa de definir
técnicas de I.A .? Somos forçados a concluir que a técnica de I.A ., é um
método de explorar o conhecimento que deve ser representado de modo tal
que possa:

• capturar generalizações20 , ou seja, não é necessário que ele represente


separadamente cada situação individual. Ao contrário, situações que partilhem
propriedades importantes deverão ser agrupadas. Se o conhecimento não tiver
essa propriedade, será necessário mais memória do que dispomos para
representá-lo e mais tempo do que temos para mantê-lo atualizado;

• ser compreendido por pessoas que necessitam supri-lo. Embora para muitos
programas a maior parte dos dados possa ser adquirida automaticamente (por
exemplo, tirar leituras de uma variedade de instrumentos), em muitos domínios
da I.A . a maioria dos conhecimentos que o programa possui terá, em última
instância, de ser fornecida por pessoas em termos acessíveis;

• ser facilmente modificado para corrigir erros e para refletir mudanças no mundo
e em nossa visão do mundo;

• ser utilizado em muitas situações, mesmo quando não totalmente preciso ou


complexo.;

19 Mudança, alteração, inconstância, variação devida a alguma alteração da


constituição hereditária com aparecimento de caráter inexistente nas
gerações anteriores.
20 Conclusão geral que se tira da observação de casos particulares da mesma
espécie.
• ser utilizado para superar seu próprio volume, ao ajudar a estreitar a faixa de
possibilidades que deverão normalmente ser consideradas.

Embora as técnicas de I.A . devam ser projetadas tendo em


vista as restrições impostas pelos problemas de I.A ., há certo grau de

18
independência entre os problemas e as suas técnicas de resolução. Tanto é
possível resolver problemas de I.A . sem utilizar as técnicas de I.A .(embora
essas soluções provavelmente não sejam muito boas) como aplicar as técnicas
da I.A . à solução de problemas que não sejam da I.A .

NÍVEL DO MODELO

Antes de se fazer qualquer coisa, é uma boa idéia decidir


exatamente o que se está tentando fazer. Então pergunta-se: “Qual é o
principal objetivo do homem ao tentar produzir programas que fazem as coisas
inteligentes, que somente as pessoas fazem?”. O homem tenta produzir
programas que realizem tarefas do mesmo modo que as pessoas? Ou tenta
produzir programas que simplesmente executem as tarefas do modo que lhes
pareça mais fácil? Já houve projetos de I.A . motivados por cada um destes
objetivos.

Os esforços para a criação de programas que executam tarefas


da mesma maneira que as pessoas podem ser divididos em duas classes. Os
programas da primeira classe tentam solucionar os problemas que não se
enquadram realmente na nossa definição do que seja uma tarefa de I.A . . São
problemas facilmente solucionáveis por computador, embora a solução fácil
explore mecanismos que não parecem estar disponíveis às pessoas. Um
exemplo clássico deste tipo de programas é o Elementary Perceiver and

Memorizer (Perceptor e Memorizador Elementar - EPAM) (Feigenbaum21,


1963), que memorizava pares associados de sílabas sem nenhum sentido.
Simplesmente informe-as ao computador. Para recuperar uma sílaba de
resposta dada à sílaba associada a ela como estímulo, o computador
simplesmente varre um arquivo à procura da sílaba de estímulo e retorna a
sílaba armazenada ao lado dela. Mas essa tarefa é difícil para as pessoas. O

19
programa EPAM simulava uma das maneiras como as pessoas poderiam
realizar a tarefa. Ele criava uma rede de discriminação através da qual
conseguia encontrar imagens das sílabas já vistas. Ele também armazenava,
com a imagem de estímulo, uma pista que ele poderia, mais tarde, passar
através da rede de discriminação, para tentar encontrar a imagem de resposta
correta. Mas ele armazenava como pista apenas a informação sobre a sílaba
de resposta que era necessária para evitar ambigüidade no momento do
armazenamento da associação. Esta pista poderia ser apenas a primeira letra,
por exemplo. Mas é claro que, quando a rede de discriminação começava a
aumentar, e mais sílabas eram acrescentadas, uma pista antiga poderia não
ser mais suficiente para identificar uma sílaba de resposta, unicamente. O
EPAM, então, assim como as pessoas, às vezes “esquecia” as respostas
anteriormente aprendidas. Muitas pessoas consideram estes programas da
primeira classe desinteressantes e, até certo ponto, elas provavelmente estão
certas. No entanto, estes programas podem ser ferramentas úteis para
psicólogos que queiram testar teorias sobre o desempenho humano.

A segunda classe de programas que tentam modela o


desempenho humano é aquelas na qual se enquadram os programas que
fazem coisas que se encaixam mais claramente na nossa definição do que é
uma tarefa de I.A .: eles fazem coisas que não são triviais para o computador.
Há várias razões para que se queira modelar o desempenho humano neste tipo
de tarefa:

21 Criador do EPAM.
1. Testar teorias psicológicas sobre o desempenho humano. Um exemplo de
programa escrito por este motivo é o PARRY22 ( Colby23,1975 ), que
explorou um modelo de comportamento humano paranóico para simular o
comportamento conversacional24 de uma pessoa paranóica. O modelo era
bastante bom, tanto que, quando vários psicólogos tiveram oportunidade de
conversar com o programa via terminal, eles diagnosticaram seu
comportamento como paranóico.

20
2. Permitir que os computadores compreendam o raciocínio humano. Por
exemplo, para que um computador seja capaz de ler uma história de jornal e
depois responda a uma pergunta do tipo “Por que os terroristas mataram os
reféns?”, o programa precisa ser capaz de simular os processos de raciocínio
das pessoas.

3. Permitir que as pessoas compreendam o raciocínio do computador. Em muitas


circunstâncias, as pessoas relutam em confiar no resultado produzido por um
computador a não ser que possam entender como a máquina chegou até
aquele resultado. Se o processo de raciocínio do computador for semelhante
ao das pessoas, então fica muito mais fácil produzir uma explicação aceitável.

4. Explorar conhecimentos que podemos obter das pessoas. Uma vez que as
pessoas são as melhores executoras de que se tem notícia das tarefas com as
quais estamos lidando, faz muito sentido considerá-las como pistas de como
proceder.

Esta última motivação é provavelmente a mais persuasiva das

22 Programa que analisa o comportamento humano.


23 Criador do PARRY.
24 Sociável, bom trato.
quatro. Ela motivou vários dos primeiros sistemas que produziram
comportamento inteligente através da imitação das pessoas em nível de
neurônios25 individuais. Para exemplos desses, veja o antigo trabalho teórico
de McCulloch26 e Pitts27 (1943) o trabalho sobre perceptrons28, originalmente
desenvolvido por Frank Rosenblatt29, mas melhor descrito em Perceptrons
(Minsky30 e Papert31, 1969) e Design for a Brain (Projeto de um Cérebro)
(Ashby32, 1952). Entretanto, ficou provado que é impossível produzir um
comportamento mesmo que minimamente inteligente com dispositivos tão

21
simples. Um dos motivos é que havia severas limitações teóricas àquela
arquitetura de rede neural específica que estava sendo usada. Mais
recentemente, várias novas arquiteturas de redes neurais foram propostas.
Essas estruturas não estão sujeitas às mesmas limitações teóricas dos
perceptrons. Essas novas arquiteturas são chamadas de conexionistas33e têm
sido usadas como base para vários programas de aprendizado e solução de
problemas. Precisamos também considerar que, se por um lado os cérebros
humanos são dispositivos altamente paralelos, a maioria dos computadores
atuais são essencialmente máquinas seriais. Uma técnica paralela altamente
bem-sucedida pode ser intratável, em termos computacionais, por um
computador serial. Mas recentemente, em parte por causa da existência da
nova família de modelos cognitivos paralelos, e também por causa da

25 Células nervosas.
26 Pesquisador que desenvolveu trabalhos sobre os Perceptrons.
27 Idem acima.
28 Sistema que produziu o comportamento humano inteligente.
29 Criador original do trabalho sobre os Perceptrons.
30 Escritor do livro com o mesmo nome.
31 Idem acima.
32 Escritor do livro “Projeto de um Cérebro.”
33 Relação anatômica entre células nervosas maciçamente paralelas, para
suportar programas de I.A ..
promessa da computação paralela, criou-se substancial interesse no projeto de
máquinas .

As teorias cognitivas humanas também influenciaram a I.A . a


procurar por teorias de alto nível (isto é, muito acima do nível dos neurônios),
que não requerem paralelismo maciço em sua implementação. Essa mesma
abordagem também pode ser vista em muitos trabalhos atuais sobre a
compreensão da linguagem natural.

SISTEMAS ESPECIALISTAS

22
Os sistemas especialistas que é uma aplicação da
tecnologia de I.A ., a qual se destinam a resolução dos mais variados
problemas que englobam o domínio do conhecimento, sendo que requer do ser
humano que irá solucioná-lo, um alto grau de especialização; são tarefas que
só podem ser realizadas por especialistas que possuem muito conhecimento
sobre um determinado assunto. Exemplos dessas tarefas incluem a diagnose
médica, o projeto eletrônico e a análise científica. Programas que realizassem
essas tarefas seriam muito úteis, pois normalmente, mesmo porque, há uma
enorme falta de especialistas humanos com tais qualificações.

Desde meados da década de 1960, quando foi iniciada a


pesquisa nos primeiros sistemas , a partir daí denominados de sistemas
especialistas, houve um grande progresso na construção desses programas.
Abaixo algumas conclusões a respeito:

• tais sistemas adquirem resultados devido a uma gama de conhecimento


específico do domínio, e não somente de uma única e poderosa técnica;
• o conhecimento mínimo exigido é sobre um área particular, dessa forma o
mesmo deve ser bem definido, isto contrasta com o tipo de de conhecimento
amplo e difícil definição que denominamos bom senso; dessa forma é mais fácil
construir sistemas especialistas do que sistemas com senso comum;
• um sistema especialista não pode ser construído sem o auxílio de pelo menos
um especialista, que deverá estar disposto a gastar muito tempo para transferir
seu conhecimento para o sistema. A transferência de conhecimento ocorrerá
aos poucos, isso através de muitas interações entre o especialista e o sistema,
isso de forma que, o especialista nunca terá a informação correta na primeira
vez;
• o quantitativo de conhecimento exigido, depende da tarefa, uma vez que pode
haver uma oscilação de quarenta a mais de mil regras;
• a escolha da estrutura de controle para um sistema em particular, depende das
características específicas do mesmo;

23
REDES NEURAIS

O elemento básico de uma rede neural artificial chama-se


neurônio, também conhecido por nó ou elemento processador. Usualmente os
neurônios estão dispostos em camadas. Geralmente estão ligados a outros
neurônios, em camadas anteriores ou posteriores. São as ligações chamadas
de sinapses34. O neurônio é uma célula especial que processa informações.
Ele possui três elementos principais: “ soma35 “, “ axônio36 “ e “ dentrito37 “. Um
neurônio recebe sinais ou pulsos elétricos de outros neurônios através de seus
dentritos e transmite sinais gerados pelo “ soma “ ao longo do “ axônio “. Nas

34 Conjunto de tecidos do corpo vivo, que mantém e transmite o elemento de


perpetuação da espécie.
35 Prolongamento da célula nervosa.
36 Célula que guarda sinais ou pulsos elétricos nervosos.
37 Célula que transmite os sinais ou pulsos elétricos nervosos.
extremidades existem as “ sinapses “, estas são responsáveis pelo controle da
“ intensidade “ do sinal que entra no neurônio. Este controle é feito mudando a
freqüência do sinal emitido. No “ soma “ os sinais, já ponderados pelas “
sinapses “, são somados e quando um valor suficiente de sinais é recebido, o
neurônio dispara. Os pulsos que percorrem o “ axonio “ até os outros
neurônios. A atividade das “ sinapses “ pode ser alterada pelos sinais que
passam por elas, ou seja, há um aprendizado que depende dos
acontecimentos anteriores, isto possivelmente retrata a nossa memória.

O Córtex Cerebral38 nos humanos possui uma quantidade


considerável de neurônios, cerca de 1011 localizados numa área de apenas
2,2 cm2 . Este valor é aproximadamente o número de estrelas da Via Láctea.
As interconexões39 são complexas e numerosas no nosso cérebro, cada
neurônio se conecta a outros 1014 neurônios.

24
Os primeiros esforços na área de aprendizagem mecânica
tentaram imitar a aprendizagem animal em nível neural. Conjuntos de
neurônios idealizados forma apresentados com estímulos que serviam para
encadear seu comportamento através de recompensa e punição. Os
pesquisadores esperaram que, ao imitar os mecanismos de aprendizagem
animal, eles poderiam criar máquinas de aprendizagem com peças mais
simples. Essas esperanças não se concretizaram. Entretanto, o campo da
aprendizagem através de redes neurais ressurgiu recentemente, em parte
como resultado da descoberta de algoritmos de aprendizagem novos e
poderosos.

Os modelos de redes neurais baseiam-se em uma “metáfora


computacional de cérebro”, ao passo que várias outras técnicas de

38 Camada superficial do Cérebro.


39 Ligações simultâneas de uma coisa com a outra.
aprendizagem fazem uso de uma metáfora baseada na evolução. A
aprendizagem ocorre através de um processo de seleção que começa com
uma grande população de programas aleatórios. Os algoritmos de
aprendizagem inspirados pela evolução são chamados de algoritmos
genéticos.

TÓPICOS IMPORTANTES

FUNDAMENTOS DAS REDES NEURAIS

No início de seu desenvolvimento, as redes neurais eram


emuladas através de circuitos analógicos. A energia correspondente à
conexões entre os neurônios, ou seja, a sinapse, era controlada por

25
potenciômetros. Hoje é mais comum a utilização de “ software “ para a geração
de redes neurais. Uma tendência bastante recente é a implementação de redes
neurais em circuitos digitais visando a maximização de sua velocidade de
processamento. Isto é conseguido através de arquiteturas digitais que
permitam o processamento de dados de forma paralela.

Os sinais fornecidos a um neurônio é o estado ou o valor de


ativação dos neurônios precedentes, os quais são multiplicados por um peso
correspondente. Isto é calculado a partir da aplicação de uma função de limiar
ao valor de entrada, ou seja, a somatória dos valores de ativação dos
neurônios precedentes, multiplicados pelos respectivos pesos.

A função limiar geralmente é um tipo de função não-linear, a


qual garante a plena funcionalidade das redes neurais com múltiplas camadas.

Ela deve ser uma função com formato sigmoidal40 no caso de redes neurais
que processam dados analógicos, como, por exemplo, tangente hiperbólica,
seno, funções logísticas, etc.. Já para redes neurais discretas elas deve ser
uma função degrau.

De forma geral, pode-se subdividir as redes neurais em duas


categorias básicas, em função de como são dispostos os neurônios e de como
é efetuado seu treinamento. Ou seja:

Em função do fluxo de dados, elas podem propagá-los


unidirecionalmente, apenas para a frente (“feed-forward networks“) ou nos dois
sentidos ( “ feedback network “ ); em função da ausência ou não de supervisão
durante o treinamento da rede neural.

A primeira delas é do tipo Rummelhart, é aquela onde o fluxo


de dados se dá apenas em um sentido, ou seja, são unidimensionais. Elas são
muito utilizadas devido a sua simplicidade e estabilidade, sendo aplicadas para

26
classificação, análise de dados, o que as torna particularmente adequadas para
a modelagem de processos em geral.

Uma das principais características deste tipo de rede é a


disposição dos neurônios em camadas. Deve haver no mínimo duas camadas:
a de entrada (de dados) e a de saída (de resultados). Sendo que o
desempenho de redes neurais deste tipo que contenham apenas duas
camadas é muito limitado, normalmente se inclui pelo menos uma camada
intermediária entre as duas, também chamada de oculta.

Cada neurônio está ligado a todos os neurônios das camadas

40 Formato da letra grega chamada sigma; diz-se de certas válvulas e


cavidades do corpo humano
vizinhas, mas não há ligações entre os neurônios de uma mesma camada. O
comportamento deste tipo de rede é estático; ela se comporta de modo a tornar
sua saída um reflexo da respectiva entrada. Ela deve ser treinada de modo a
produzir os resultados desejados a partir da apresentação de dados reais.

A outra rede neural, do tipo Hoppfield, se caracteriza por


apresentar fluxo de dados multidirecional. Seu comportamento é dinâmico,
mais complexo que os da rede de Rummelhart, mas freqüentemente
apresentam complicações inesperadas. Note-se que neste caso não há
camadas discretas de neurônios; há total integração entre os dados de entrada
e os resultados obtidos, pois todos os neurônios são ligados entre si.

Estas redes são aplicadas em estudos sobre a otimização de


conexões. Seu treinamento é feito de modo a otimizar a energia de uma rede,
gerando um comportamento independente.

Todo o conhecimento de uma rede neural está armazenado em


suas sinapse. Ele é adquirido por um processo de treinamento, que consiste na
apresentação de seqüência de dados conhecidos à rede neural, gerando um

27
processo de ajuste dos pesos das sinapses de forma a capturar o
conhecimento. O treinamento pode ser supervisionado ou não. No primeiro
caso, há a inclusão de uma etapa de verificação de resultados calculados pela
rede neural em treinamento, em seu processo de treinamento. O erro
observado a partir da comparação de resultados reais com os calculados pode
ser utilizado para ajustar os pesos das sinapses de forma a aumentar a
precisão da resposta da rede.

Nas redes neurais onde o treinamento não é supervisionado


ocorre um processo interno de organização dos dados que leva a um grau
ótimo de ajuste. Essas redes auto-organizadas podem, por exemplo, dividir
dados fornecidos em categorias, em função do grau de similiaridade entre eles,
de forma totalmente automática.

As aplicações típicas para redes neurais são aquelas onde a implementação de


algoritmos ou regras de controle é impossível ou desaconselhável. Há casos onde
se desconhece um algoritmo adequado; em outros, o desenvolvimento de um
programa para implementá-lo pode ser custoso e demorado. As aplicações que se
enquadram nesse contexto e são particularmente adequadas para a aplicação de
redes neurais são as seguintes:

• Análise e processamento de sinais;


• Controle de processos;
• Robótica;
• Reconhecimento de padrões em linhas de montagem;
• Filtros contra ruído eletrônico (“smoothing”);
• Análise de imagens;
• Análise de voz;
• Diagnóstico médico;
• Avaliação de solicitações de crédito ou empréstimos;
• “Marketing41” orientado e muitas outras mais.

28
Redes Neurais Discretas: consiste em redes neurais cujos
neurônios assumem apenas dois valores: zero ou um.

NORMAS DE EVIDÊNCIA

A norma de evidência da grade formulação assume que cada

41 Conjunto de operações executadas por uma empresa envolvendo a vida de


um produto, desde a planificação de sua produção até o momento em que
é adquirido pelo consumidor; mercadologia.

sensor lido é independente de outro qualquer. Na verdade, isto não é o caso e


nós temos a vantagem deste eliminar reflexões especulares da grade de
evidências.

GRÁFICO 01

OBSTÁCULO

SONAR

Os sensores de sonar42 enviam para fora pulsos de som


ultrasônico os quais refletem dos objetos e saltos de volta do sensor. Pelo grau
de importância do tempo entre a emissão do pulso e a recepção do eco, o
sensor pode determinar esta distância próximo aos obstáculos.

GRÁFICO 02
OBSTÁCULO
FANTASMA

29
OBSTÁCULO

SONAR OBSTÁCULO

42 Sensor responsável para a análise de sondas.


O principal problema com os sensores de sonar é que em lugar
de voltar saltando eminentemente em direção ao sensor, o pulso de som pode
tocar a superfície plana e salta fora do sensor. Então nem os sensores de
sonar nem nada, ou sensores de objetos que, como refletem em um espelho,
aparecem para ser estar muito distantes daquela próxima superfície.

GRÁFICO 03
SONAR

OBSTÁCULO LASER
OBSTÁCULO

Nós nos servimos com estas reflexões usando a técnica que


nós chamamos de sonar de laser-limitado. Nós usamos o laser na região
encontrada na combinação com os sensores de sonar, e se o laser retornar a
leitura lenta do sonar lido, nós atualizamos a grade de evidência como se o
sonar tivesse a região indicada pelo laser.

30
GRÁFICO 04
LASER

SONAR OBSTÁCULO

Por que não usamos apenas o laser? Porque o laser opera em


duas dimensões planas, as quais o sonar projeta como um cone de terceira
dimensão. Assim, qualquer objeto que está acima ou abaixo do laser plano
estará invisível para o laser, mas ainda sendo detectado pelo sonar. Uma
outra alternativa poderia ser a de usar um laser de terceira dimensão na região
encontrada, mas como presente, apenas dispositivos estão muito longe, muito
caro, e também com poder improdutivo para ser comumente acessível aos
robôs móveis.

31
GRÁFICO 05

REFLEXÃO ESPAÇO GRADE DE EVIDÊNCIA

ESPECULAÇÕES ABERTO DE SONAR

O laser de sonar limitado não é perfeito - ele ainda está em


possibilidade de discutir especulações reflexitivas43 de obstáculos não
detectados pelo laser, mas na prática, tem-se encontrado que há a redução
drástica de um número de obstáculos não detectados pelas especulações das

32
largas paredes de obstáculos os quais tendem ser maior que a origem de erros
em grades de evidência construídas usando o sonar.

43 O mesmo que reflexo, diz-se de uma relação que, ligando alguns pares de
elementos de um conjunto, é verificada, é existente, se esses dois
elementos são idênticos.
GRÁFICO 06

As imagens ao eixo mostram grades de evidência construídas pelo robô


usando somente um sonar sozinho (topo) e um laser de sonar limitado (botão).
Nestes imagens, as células conhecidas não estão ocupadas e são
representadas pelos espaços em branco. As células conhecidas são ocupadas
e são representadas pelos pontos grandes. Células com probabilidade de
ocupação desconhecida são representadas por pontos pequenos

O robô está locado em uma pequena alcova em um dormitório


grande. A ampla abertura de espaço na porção abaixo do mapa corresponde
ao espaço de um dormitório grande, as quais outras aparentemente cunhas

33
abrem espaço sobre a imagem correspondente as especulações reflexitivas. O
laser de sonar limitado é capaz de eliminar todas as especulações de reflexões
na grade inicial presente.

CARACTERÍSTICAS DO DESEMPENHO
DAS REDES NEURAIS

As redes neurais tendem a trabalhar com os dados de uma


forma inteiramente deferente que sistemas baseados em algoritmos ou
conjuntos de regras.

Redes neurais: processam dados com base em


transformações.

Computação programada: faz uso de algoritmos e regras.

De fato, as redes neurais não prescindem totalmente a


computação programada. Afinal, em quaisquer aplicações, a aquisição dos
dados, sua formatação e a saída dos resultados ainda utiliza esse recurso.

Redes neurais são geralmente rotinas que podem ser


amalgamadas com programas onde sua capacidade se faz necessária. Abaixo
são citadas vantagens, ao se utilizarem as redes neurais:

• Há a menor necessidade de se determinar a prioridade, quais são os fatores


determinantes sobre o modelo que está sendo desenvolvido;

• É permitida a interferência de múltiplos fatores de entrada, permitindo um inter-


relacionamento muito mais complexo entre elas;

34
• Alta tolerância a falhas, uma vez que é permitida a entrada de grande número
de parâmetros;

• Modelamento direto do problema, sem necessidade de se seguir um modelo


preestabelecido, como no caso da regressão estatística;

• Paralelismo inerente: cada sinapse na rede neural pode ser seu próprio
processador. De fato, certas características das redes neurais, como tolerância
a falhas, robustez e capacidade de implementar uma classe particular de
transformações são garantidas por teoremas matemáticos, ou seja, eles
asseguram que as redes neurais podem ser empregadas de forma útil e
confiável.

Por outro lado, apesar da construção desses teoremas, os mesmos nada


afirmam sobre como, em termos conceitualmente mais altos, a rede neural
aprende o conhecimento. Dessa forma, suspeita-se que a descoberta desse
mecanismo requeira uma verdadeira revolução intelectual na área do
processamento de informações. Essa falta de embasamento teórico das redes
neurais ainda é uma séria desvantagem desta técnica, uma vez que gera
alguma desconfiança por parte dos especialistas quanto a sua confiabilidade.

De fato, no passado tal fato levou a uma virtual paralisação no


desenvolvimento desta área devido a problemas matemáticos aparentemente
insolúveis. Note-se, contudo, que atualmente a utilização de redes neurais está
consolidada em diversas áreas, a pesquisa básica nesse campo é febril e os
avanços teóricos são animadores.

IMPLEMENTAÇÃO

35
A relativa facilidade do uso das redes neurais tem feito com que especialistas
em áreas específicas do conhecimento prático as tenham utilizado com grande
sucesso.
De fato, é mais fácil aprender neurocomputação do que outras disciplinas. Isso
é o inverso do que ocorre em outros campos da Inteligência Artificial, onde
apenas os engenheiros do conhecimento conseguem aplicar tais tecnologias
de forma eficaz.

A situação poderá melhorar ainda mais no futuro, a medida em


que se vai acumulando conhecimento prático sobre as características da
aplicação das redes neurais a problemas reais. Essas informações poderão ser
incorporadas aos aplicativos de neurocomputação, e os usuários poderão até
esquecer os detalhes técnicos que dizem respeito às redes neurais,
concentrando-se apenas nos detalhes do seu problema específico.

De um modo geral, as redes neurais são métodos, formas de


modelamento altamente recomendável para se lidar com sistemas abertos ou
mais complexos, pouco entendidos e que não podem ser adequadamente
descritos por um conjunto de regras ou equações.

Outros exemplos de tarefas a serem indicadas para a utilização


dessa técnica:

• Tarefas que requeiram tolerâncias a falhas;

• Tarefas onde hajam dados contaminados com ruídos que envolvam


reconhecimento;

• Detecção de padrões, diagnósticos, abstração e generalizações;

• Situações em que apresentem dados incompletos ou ambígüos (recomenda-se


aplicação da neurocomputação).

36
Uma gama enorme de trabalhos têm apontado melhor previsão
e facilidade do uso das redes neurais em relação a regressão linear e não-
linear. De fato, nesse campo a aplicação de redes neurais parece ser
desnecessária apenas quando a precisão fornecida por uma equação de
regressão estatística já existente.

CONDICIONAMENTO DAS REDES NEURAIS

As redes neurais se baseiam completamente nos dados a ela


fornecidos para extrair o modelo geral que rege seu inter-relacionarmento, é
absolutamente vital que a informação a ela fornecida durante sua fase de
treinamento seja rigorosamente fidedigna, caso contrário, a mesma acabará
por estabelecer um modelo específico, pois ela não dispõe de nenhuma regra
pré-estabelecida para efetuar alguma crítica aos dados a ela fornecidos.

Ao menos até o momento, redes neurais somente podem


processar dados numéricos. Isso não impede que outros tipos de variáveis
possam ser modelados pelas redes neurais: bastando apenas que eles sejam
alterados previamente em forma numérica. Por exemplo:

• Variáveis lógicas (Falso/Verdadeiro) -> podem ser traduzidas como 0 e 1,


respectivamente.

• Variáveis de classes: solteiro, casado, divorciado... -> como 0, 1, 2, 3...

A princípio, a importância dos dados não deveria afetar o


desempenho das redes neurais. De qualquer forma não é o que se verifica na
prática. Contudo, tal fato poderia até ser esperado, uma vez que os neurônios
biológicos possuem uma faixa dinâmica bastante limitada, ou seja, processam
níveis de sinais numa faixa de magnitude muito restrita.

37
Há ainda outra limitação em relação à magnitude dos dados.
Eles devem ser adequadamente escalados, com o intuito de serem
processados nas redes neurais, quer em seu estado bruto ou transformado.
Dadas as necessidades de subdivisão do conjunto global de dados e da
máxima generalização do treinamento da rede neural, o ideal é se dispor de no
mínimo algumas centenas de dados relativos à aplicação que se quer modelar.

Há registros do uso de redes neurais treinadas de forma


aparentemente bem sucedida com apenas alguns dados. Contudo, nesses
casos fica quase impossível comprovar se a rede neural conseguiu generalizar
a relação entre as variáveis ou se ela memorizou os dados.

TREINAMENTO

O treinamento das redes neurais unidirecionais envolve a otimização dos pesos


e das sinapses, ou seja, as energias correspondentes às ligações entre os
neurônios, de modo a fazer com que ela mapeie corretamente a função
proposta entre as variáveis de entrada e saída.

O aprendizado deste tipo de rede se faz pelo método de


retroprogramação (“backpropagation”). O processo é interativo. A cada
interação durante a fase de treinamento, é feita uma comparação entre os
valores reais de saída do subconjunto de dados de treinamento com os
correspondentes valores calculados pela rede neural a partir dos dados de
entrada. Em função da importância das diferenças (erros) assim constatados, o
algoritmo de aprendizagem recalcula os pesos das sinapses de modo a
minimizar os desvios.

38
ESTRATÉGIAS DE APRENDIZADO PARA A RESOLUÇÃO DE
PROBLEMAS DO DESENVOLVIMENTO DAS REDES NEURAIS

O número de interações até ocorrer convergência, o que se traduz em tempo


um tanto demasiado longo (eventualmente dias);

Propensão a travar o treinamento devido ao encontro de mínimos locais na


superfície da função que descreve o erro;

Segmentos planos nos extremos da função de ativação utilizada;

Hoje já estão dispositivos algoritmos que garantem rápido


treinamento das redes neurais; alguns deles até já foram patenteados.

ROBÓTICA

É uma área em IA, onde se aplicam conhecimentos sobre


resolução de problemas (núcleo de IA) para geração de planos (programação
dos robôs para resolverem um tipo de tarefa). Por exemplo, robô que solta
parte imersa da plataforma submarina (mar de 600m) da Petrobrás, ou até
mesmo a utilização dos mesmos nas fábricas de automóveis, como é o caso
da Volkswagen.

O campo da Robótica normalmente é descrito como um


subcampo da I.A ., relacionado a tarefas perceptivas e motoras.

39
Em 1985, especialistas norte-americanos propuseram as
seguintes definições de robótica:

Robótica é a conexão inteligente entre percepções e ação; um


robô é qualquer coisa surpreendentemente animado.

A palavra “surpreendentemente” sugere uma definição mutável.


Deve-se atentar ao seguinte fato:

• As primeiras lava-louças automáticas eram chamadas de robôs por seus


projetistas. Depois de um tempo, o simples fato de uma máquina ser capaz de
lavar louças deixou de ser tão surpreendente, dessa forma, o termo “robô” caiu
em desuso.

As definições mutáveis diferenciam com precisão o trabalho em redes neurais


e o trabalho com robótica. Afinal, as redes neurais tendem a enfocar os
recursos unicamente humanos, enquanto a robótica visa produzir
comportamentos físicos e animados; muitos problemas interessantes estão na
intersecção das redes neurais com a Robótica, e apenas através da
combinação de técnicas de ambos os campos um dia se conseguirá projetar
robôs inteligentes que vivam no mundo real.

TIPOS DE ROBÔS

Abaixo, encontram-se alguns tipos de robôs, sendo os mesmos


classificados nos seguintes tipos: robôs móveis e armas de robôs.

ROBÔS MÓVEIS

40
NOMAD 200: é um robô móvel equipado com sonar,
infravermelho e regiões com sensores a laser. O NOMAD 200 está sendo
utilizado hoje no desenvolvimento do ARIEL (Autonomous Robot for Integrated
Exploration and Localization) no Navy Centro de Pesquisas a aplicações em
Inteligência Artificial, um laboratório (Washington, DC), nos Estados Unidos
voltado somente para o desenvolvimento de aplicações com a utilização da
Robótica. Em breve a utilização desse robô será aplicada também em outras
pesquisas, como é o caso do reconhecimento de lugares e aprendizado
(pesquisas estas que já estão em andamento no Laboratório de Robótica de
Stanford/EUA (Palo Alto, CA) e no desenvolvimento do ELDEN (Exploration
and Spatial Learning in Dynamic Enviromments) por vários PHD’s na área.

41
ROCKY III: é um minicarro construído pela Jet Propulsion
Laboratory , nos Estados Unidos (Pasadena, CA), um protótipo para simples
missões, desenvolvido para substituir sistemas de navegação, usando um
simples conjunto de sensores (chaves de contato, compasso, etc.)

ROBÔS ARMADOS

ARID: um robô equipado com armas com visão e sensibilidade


de sonar. Construído no Kennedy Spade Center (Cape Canaveral, FL), com a

42
finalidade de inspecionar painéis de radiadores na órbita do espaço. Está em
andamento o desenvolvimento de um software com o intuito de ser utilizado
juntamente com o robô para determinar a posição da órbita baseado na
detecção visual das características, e alinhar o robô com a órbita usando
sensores de sonar.

JUGGLER: um robô com comportamento vigoroso em


forma de balão, desenvolvido na Universidade de Rochester (Rochester, NY)
utilizado a tecnologia de armamento do PUMA 761,equipado com visão em
tempo real (e uma raquete). Uma pequena descrição do Juggler pode ser
encontrada no livro de Kevin Kelly’s sobre a vida artificial, Fora de Controle.

Após uma pesquisa abrangente no mercado hoje, abaixo há


uma introdução sobre empresas que elaboraram dois tipos de kit´s didáticos
que têm como finalidade principal, a construção de robôs.

ROBIX RCS-6

43
A Robix RCS-6 é um sistema didático para experiência com
Robótica que utiliza 6 servo motores, controladora inteligente para conexão ao
PC e software de controle. É um kit que pode ser utilizado para a construção e
operação de 11 modelos diferentes de robôs. A vantagem do mesmo é que ele
usa as mesmas características encontradas em robôs de grande porte
utilizados atualmente na indústria, o que possibilita o ensino, mesmo que em
menor escala, de toda a concepção robótica, que envolve a integração de
partes mecânicas, eletrônicas e a programação.

O kit é recomendado para escolas com o curso regular, escolas


técnicas, escolas de informática e universidades em geral. O mesmo vem
dentro de uma caixa de ferramentas juntamente com:

• Manual de montagem;
• Perfis de alumínio;
• Parafusos;
• Servo motores;
• Gripper44 de pegar objetos;
• Base de sustentação,
• Circuito de interface com o PC;
• Eliminador de baterias;
• Software de controle;
• Vídeo com 11 minutos de apresentação e 30 minutos de montagem e todos os
acessórios necessários para a montagem de vários modelos sugeridos.

44 Grampos.
Os modelos abaixo, foram montados com tal kit:

44
Robô de 3 pernas que anda

Robô Químico

45
Robô que faz Café

Robô Desenhista

46
Robô Malabarista

Robô que joga Golfe

47
Robô Cobra

Robô Andarilho

48
OWI

A OWI é uma empresa especializada no desenvolvimento de


Kit´s educacionais na área de eletrônica e robótica. A filosofia básica implicita
nos kit´s de robótica da OWI é fornecer uma ferramenta de ensino altamente
sofisticada que possa ser utilizada por idade acima de 10 anos para cima.

A centralização de seus esforços para produzir


desenvolvimento e encorajar educadores e hobistas a participarem nessa área
de grande crescimento, que é a Robótica, é a principal meta da OWI
Incorporation.

Um completo curriculum de robótica, que se destina a


educadores (independente da formação) que se interessam por essa nova
tecnologia, fornecendo noções básicas de eletrônica e robótica de maneira
didática. Ao educador será possível obter e repassar os conceitos aos alunos
de maneira clara e divertida. O material é reproduzível e pronto para uso em
sua sala de aula, laboratório ou oficinas. Envolve os seus alunos na
familiarização e atividade de soluções de problemas na excitante área da
tecnologia robótica.

Abaixo, há uma relação das principais linhas de produtos


comercializados pela OWI:

INICIANTES

49
O Hyper Peppy é um robô móvel que responde a sons e a
toque. Ele tem esse nome por seus movimentos hiper-ativos e rápidos. O
Hyper Peppy tem a personalidade de um estivador incorrigível; ele colide com
obstáculos e requer muita atenção; tem um nariz de aparência estranha na
parte da frente. Isto é um microfone que responde a sinais sonoros. A fonte
sonora pode ser feita por uma pessoa ou pelo som feito quando o microfone
bate em algum objeto. Essa habilidade permite que ele encontre caminho para
que possa locomover-se entre os obstáculos.

50
O Soccer Robot é um robô com seis pernas com jeito de inseto
que parece um estranho bichinho na coleira. Ele é controlado remotamente por
um cabo de controle conectado a uma caixa de controle manual. Existem
chaves separadas para controlar os movimentos para frente, para trás, para a
direita e para a esquerda, isso permite o controle preciso da direção que se
deseja.

Ele não possui articulações relativas a joelhos, tornozelos ou


dedos. O movimento é simples e envolve apenas uma articulação; entretanto, o
mecanismo do Soccer Robot ilustra como é possível realizar movimentos de
maneira simples. Os robôs com duas pernas são especialmente difíceis de se
criar, pois existe o problema do balanceamento, afinal, o mesmo exige um
elevado número de cálculos computacionais para determinar qual será o
próximo passo. Existem apenas alguns programas capazes de realizar essa
tarefa, sendo assim, somente agora é que vêm sendo criados robôs usando
pernas em lugar das rodas.

INTERMEDIARIOS

51
Os braços mecânicos podem ser categorizados de acordo com
o número de eixos de movimentos que determinam a quantidade de graus de
liberdade do robô. Existem três eixos de movimentos possíveis.

O Navius é um robô com duas articulações. Os movimentos


desse robô são controlados por um programa interno armazenado em um
disco. O programa nada mais é do que uma seqüência de passos que provêm
a solução de um problema. É um robô reprogramável, ou seja, é possível
alterar o programa para que ele execute outros movimentos. A habilidade de
reprogramação é a diferença entre os verdadeiros robôs e as máquinas
automáticas, como por exemplo, uma máquina de lavar. As máquinas
automáticas são normalmente utilizadas para realizar apenas um único
conjunto de operações e não podem ser reprogramadas. Os robôs, entretanto,
podem ser reprogramados para executar diferentes tarefas.

Os computadores que controlam robôs usam informações


codificadas em binário. Esse código é o mais simples possível porque utiliza
apenas dois símbolos (1 e 0). Esse tipo de código trabalha com a menor
unidade de um circuito eletrônico de computador, o transistor. É de fácil
interpretação por parte dos transistores porque estes estão sempre em um dos
dois estados possíveis: completamente ligado, ou completamente desligado.

52
Os computadores armazenam os códigos binários em vários
tipos de memória, tais como compact, floppy e hard disks. O Navius usa um
disco codificado para programação.

O Mecha-medusa é um robô com quatro pernas e tem um


modo de andar parecido com o “Snow Walker” do filme “Guerra nas Estrelas”.
O movimento começa quando o sensor sonoro capta um som alto. Ele
automaticamente pára depois de alguns segundos. As pernas longas do
Mecha-Medusa lembram os tentáculos (cobras) que a Medusa (monstro
mitológico) possuía na cabeça.

AVANÇADOS

53
No modo direct (direto), todos os comandos são executados na
mesma ordem em que são inseridos. No modo program (programa), é possível
alterar a ordem normal dos comandos executados para realizar “loops” e
comandos adicionais. O WAO II possui um sofisticado sistema de controle por
microcomputador interno com memória eletrônica. Um série de comandos (um
programa) pode ser inserido na memória eletrônica utilizando-se um teclado
interno ou conectando-se o WAO II em um PC. Esta habilidade de armazenar
uma série de comandos qualifica o WAO como um robô programável. A
memória do WAO pode ser apagada e novos programas podem ser
carregados. Isso o qualifica como sendo um robô reprogramável. Ele possui
dois sensores parecidos com antenas. Esses sensores enviam informações ao
microcomputador. Por exemplo, se o sensor da esquerda tocar em um objeto,
um sinal é enviado ao microprocessador, esse sinal pode disparar um
programa especial que faz com que o WAO volte, vire-se e tente uma nova
direção, dessa forma ele é qualificado como sendo um robô sensível ao
ambiente.

O Spider é um robô com seis pernas capaz de mover-se em


um ambiente procurando pelo caminho de menor resistência. Ele utiliza um
sistema de sensor de proximidade para detectar objetos em seu caminho. O
sistema emite um raio infravermelho invisível. Quando o raio atinge uma
barreira no caminho do robô, a luz infravermelho é refletida de volta ao robô e
recebida por um detector. O detector envia um sinal ao circuito eletrônico, que

54
inverte a direção de um dos motores do Spider. Isso faz com que as pernas
relativas a esse motor invertam o seu sentido, fazendo com que o robô vire
para a direção correspondentes.

Assim que o obstáculo esteja fora do campo de ação do


infravermelho, o robô retorna a uma trajetória reta.

CONCLUSÃO

55
Com esta monografia foi possível verificar a importância a
Inteligência Artificial em nosso dia-a-dia, afinal estão sendo analisados os mais
variados fatos e hipóteses na busca do entendimento, do funcionamento do
cérebro humano, uma vez que hoje tenta-se explicar de uma forma aceitável
como o mesmo age um dia após o outro.

É certo dizer que I.A . é uma área um tanto complexa, pois


tentar simular o conhecimento do ser humano através de uma máquina não é
uma tarefa fácil. Foi abordado os seguintes temas para tal verificação: Redes
Neurais e a Robótica, pois ambas estão inteligadas entre si, contribuindo
assim, para uma formulação das mais diversas hipóteses sobre o nosso
cérebro.

Com este estudo foi visto também uma pesquisa de mercado


sobre robôs e seus aspectos de uso e função, foi levantado uma análise sobre
sistemas especialistas, e outros.

Foi um trabalho satisfatório e útil, bem como tudo o que se


propõe a fazer em tal área; para toda a equipe envolvida foi um presente, algo
de que jamais nos esqueceremos.

BIBLIOGRAFIA

56
Doyle, J. “A truth maintenance system”. Artificial Intelligence 12(3), 1979.

Hopfield, J. J. “Neural networks and physical systems with emergent collective


computational abilities”. Proceedings of the National Academy of Sciences USA
79(8):2254-2558, 1982.

Newell, A . “The knowledge level”. Artificial Intelligence 18(1), 1982.

Rich, Elaine. Inteligência Artificial/Elaine Rich, Kevin Knight; tradução Maria


Cláudia Santos Ribeiro Ratto; revisão técnica Alvaro Antunes - São Paulo:
Makron Books, 1993.

Sabbatini, M.E. Renato. A inteligência invisível. Jornal Correio Popular,


Caderno de Informática - Campinas: 31/10/95. E-mail:
sabbatini@turing.unicamp.br. Data: 07/04/1997.

Passos, Emmanuel Lopes. Inteligência Artificial e Sistemas Especialistas ao


alcance de todos/Emmanuel Lopes Passos - Rio de Janeiro. LTC - Livros
Técnicos e Científicos. Ed.: Sociedade Beneficente Guilherme Guinle, 1989.

Carlos Lucena, J.P. Inteligência Artificial e Engenharia de Software,


Publicações Acadêmico-Científicos - PUC-RJ/IBM Brasil, Jorge Zahar.

57