APRESENTAÇÃO

DE APOIO

Como Usar Machine Learning

para Superar o Mercado
DA DISCIPLINA
DA DISCIPLINA

1º ENCONTRO 2º ENCONTRO 3º ENCONTRO

Cezar Taurion Cezar Taurion Silvia Wanderley

CONVIDADO PUCRS

CEZAR TAURION SILVIA MARIA WANDERLEY MORAES

 Como usar Machine
Learning para superar o
mercado
Profa Dra Sílvia Moraes
silvia.moraes@pucrs.br
 Roteiro

• Breve histórico
• Conceito de InteligênciaArtificial
• Machine Learning eAplicações
• Questões Filosóficas
 Um pouco da história ...

INTELIGÊNCIA Estudo e projeto de agentes inteligentes

ARTIFICIAL
MACHINE Capacidade de melhorar o desempenho em
alguma tarefa por meio daexperiência.
LEARNING
Aprendizado
DEEP baseado em
LEARNING redes neurais
Neurônio de Sistemas profundas.
Carro
McCulloch e Pitts Especialista
Perceptron: Autônomo
Teste Limitação Sala Alice
deTuring Watson
Eliza Chinesa
Inteligência EMYCIN Deep
MLP Siri Alpha Go
Artificial MYCIN Blue
ASIMO
1940 1950 1960 1970 1980 1990 2000 2010
O que é Inteligência Artificial ?
O que é Inteligência Artificial ?
 O que é Inteligência Artificial ?

Sistemas que pensam como pessoas:

• Como trabalha a mente humana ?
• Requer teorias científicas sobre as atividades internas do
cérebro.

Questões Filosóficas: ser ou parecer ? consciente ?

O que é Inteligência Artificial ?
 O que é Inteligência Artificial ?

Sistemas que pensam racionalmente:

Pensamento Lógico: A lógica fornece uma notação precisa
para fazer declarações sobre diferentes coisas do mundo e
sobre as relações existentes entre estas.
Obstáculos:
• Dificuldade formalizar conhecimentos informais, especialmentese
não há 100% de certeza quanto a sua veracidade.
• Exige grande capacidade de processamento.
O que é Inteligência Artificial ?
 O que é Inteligência Artificial ?
Sistemas que agem comopessoas:
Teste de Turing: estabelece uma definição operacional para
inteligência.
Define o comportamento inteligente como a habilidade de
executar tarefas cognitivas em nível comparável ao de um
humano.
O que é Inteligência Artificial ?
 O que é Inteligência Artificial ?
Sistemas que agem racionalmente
Abordagem baseada em agentes racionais:
• busca de metas a partir de crenças.
• agente é algo que percebe e atua.
 O que é Inteligência Artificial ?
Sistemas que agem racionalmente -Vantagens:
• Mais geral que o pensamento racional, embora às vezes o
utilize (agir racionalmente nem sempre envolve inferência.
Ex: retirar a mão de algo muito quente).
• Desenvolvimento cientificamente mais maleável do que as
abordagens de pensar e agir como pessoas.
 O que é Inteligência Artificial ?

Definição Moderna de IA:

Ӄ o estudo e projeto de agentes inteligentes, onde um agente
inteligente é um sistema que percebe o seu ambiente e executa
ações que maximizam suas chances de sucesso.” (Russel &
Norvig,2013)
 O que é Inteligência Artificial ?

Agente Inteligente
• entidade autônoma que atua, orientada a metas, em um
ambiente.
• Autonomia (ausência de intervenção humana, o agente
executa suas ações sem ser diretamente comandado por uma
pessoa): característica fundamental de um agente.
 O que é Inteligência Artificial ?

Tipo de AgenteInteligente:
• Reativos: arquiteturas baseadas em regras do tipo estímulo-
resposta
• Cognitivos: arquiteturas deliberativas, inclui planejamento.
 O que é Inteligência Artificial ?

Exemplos de agentes:
• Anti-vírus
• Personagem não jogável (non-player character ou NPCs)
• Bot de busca de informações: Googlebot
• Bot de navegação em dispositivos móveis
• Bot de recomendação, de monitoramento,...
• Agentes conversacionais (chatbots e assistentes)
• Eletrodomésticos,...
 Machine Learning

A capacidade de aprendizado é essencial para um

comportamento inteligente.

O que significa aprender ?

 Machine Learning
O que significa aprender?

aprender:
• adquirir conhecimento (de), a partir de estudo; instruir-
se. Ex: "aprender uma língua, uma técnica, uma ciência"
• adquirir habilidade prática (em). Ex: "aprendeu um
esporte"
aprendizado:
• ato, processo ou efeito de aprender; aprendizagem.
• experiência inicial do que se aprendeu; prática,
experiência, aprendizagem.
 Machine Learning
O que significa aprender?

Aprender envolve atividades como:

• memorizar, observar e explorar situações para aprender
fatos,
• melhorar habilidades motoras/cognitivas por meio de
práticas e
• organizar conhecimento novo em representações apropriadas
para uso posterior.
 Machine Learning
Conceito
• Capacidade de melhorar o desempenho na realização
de alguma tarefa por meio da experiência. (Mitchell,
1997)
• Aprendizado é qualquer mudança em um sistema que
melhore o seu desempenho na segunda vez que ele
repetir a mesma tarefa ou outra tarefa tirada da mesma
população (Simon, 1983)
• Processo de indução de uma hipótese a partirda
experiência.(Facelli e outros,2011).
 Machine Learning
Aprendizagem Indutiva

Considere, como exemplo, o conjunto de dados deum

hospital
Cada dado (objeto, exemplo, padrão ou registro)
• corresponde a um indivíduo do dominio. Ex: paciente
• é formado por uma tupla contendo características(campo,
atributos) do paciente.

Atributo de entrada (atributo previsor). Ex: idade, sexo, sintomas e

resultados de exames
Atributo de saida (atributo alvo ou meta). Ex: diagnóstico, doença
 Machine Learning
Aprendizagem Indutiva

• O objetivo de um algoritmo de aprendizagem de máquina é

aprender, a partir de um subconjunto dos dados, dito
conjunto de treino, um modelo ou hipótese capaz de
relacionar os valores dos atributos de um dado do conjunto de
treino ao valor de seu atributo de saída.
• Aprendizagem indutiva : generalização a partir de um
conjunto de exemplos.
 Machine Learning:
Paradigmas deAprendizagem
Paradigma de
aprendizagem é definido
pela natureza
do problema. Tipo de Aprendizagem
realimentação usadapelo
algoritmo para aprender.

Supervisionada
Supervisionada Por reforço

Não Supervisionada
 Machine Learning:
Paradigmas deAprendizagem
Paradigma de
aprendizagem é definido
pela natureza
do problema. Tipo de Aprendizagem
realimentação usadapelo
algoritmo para aprender.

Supervisionada
Supervisionada Por reforço

Não Supervisionada
 Machine Learning:
Aprendizagem Não Supervisionada

Aprendizado a partir de amostras não são rotuladas.Essa

abordagem não usa atributos de saída. Sem crítica, usa
regularidades e propriedades estatísticas dos dados.

Algoritmo
de Machine
Learning
Dados não
rotulados
 Machine Learning:
Aprendizagem NãoSupervisionada

Executa tarefas descritivas : explora ou descreveum

conjunto de dados .
• agrupamento (divisão em grupos baseada em similaridade),
• sumarização (descrição simples e compacta)
• associação (relações frequentes entre dados)
 Machine Learning:
Aprendizagem NãoSupervisionada

Agrupamento: organiza dados (não classificados, sem

rótulos) em grupos de acordo com alguma medida de
similaridade, tal que exista:
• Alta similaridade intra-grupo.
• Baixa similaridade entre grupos.
Grupos: formados por dados (objetos) que
compartilham características (podem ser mais genéricos ou
mais especializados, diferentes níveis de refinamento).
 Machine Learning:
Aprendizagem NãoSupervisionada
Tipos de agrupamento:
• Particional : Divisão dos objetos de dados em subconjuntos
(grupos) sem sobreposição tal que cada objeto de dados está
em exatamente um único grupo.
• Hierárquico : Um conjunto de grupos aninhados na forma de
uma árvore hierárquica.
 Machine Learning:
Aprendizagem Não Supervisionada

Agrupamento produtos de
acordo com as suas
características.
Ex: Algoritmo k-Means

Agrupamento hierárquico
Agrupamento de clientes:
para organizar
Identificação de perfil
documentos. Ex:
Recomendação deprodutos
AlgoritmoSingle-Link
 Machine Learning:
Aprendizagem Não Supervisionada

Sumarização de texto: produção automáticade sumários

a partir de um ou maistextos.
• Extrativa: compõe o resumo a partir de recortes dos textos.
• Gerativa: constrói uma síntese dos textos
 Machine Learning:
Aprendizagem Não Supervisionada

• Sumarização de notícias:
• Agrupamento de texto
• Extração do resumo
 Machine Learning:
Aprendizagem Não Supervisionada

Associação: permite identificarrelações entre dados a

partir da coocorrência desses.
Aplicações:
• Análise da cesta de mercado dos clientes.
• Organização dos produtos em uma loja.

Ex: AlgoritmoApriori
 Machine Learning:
Paradigmas deAprendizagem
Paradigma de
aprendizagem é definido
pela natureza
do problema. Tipo de Aprendizagem
realimentação usadapelo
algoritmo para aprender.

Supervisionada
Supervisionada Por reforço

Não Supervisionada
 Machine Learning:
Aprendizagem Supervisionada

• Supervisionado: aprendizagem de uma função h a

partir de exemplos (amostras rotuladas), deentradas
( x ) e saídas correspondentes ( f( x ) ). Com crítica
referente ao erro da saída.

Algoritmo
Classes de Machine
Learning
Dados rotulados
 Machine Learning:
Aprendizagem Supervisionada
Tarefa preditivas: encontra uma função(modelo
ou hipótese) a partir dos dados de treino que possa ser
usada para prever um rótulo (classe) ou valor de um novo
exemplo.
• Ex: classificação (rótulos discretos), regressão (rótulos
contínuos)
 Machine Learning:
Aprendizagem Supervisionada

Classificação de dados é o processo deautomaticamente

atribuir um (single label) ou mais rótulos (multi-label),
ditos classes, aos dados.
 Machine Learning:
Aprendizagem Supervisionada

Regressão: estima o valor esperado de uma variávely,

com base nos valores de outras variáveisx.
 Machine Learning:
Aprendizagem Supervisionada
Aplicações:
• Análise de crédito
• Identificação de fraudes
• Categorização detextos
• Análise de Sentimentos
• Reconhecimento de imagens, fala
• ...
Ex: Máquina que seleciona
tomates: https://www.youtube.com/watch?v=reRXHaC7wCc
 Machine Learning:
Paradigmas deAprendizagem
Paradigma de
aprendizagem é definido
pela natureza
do problema. Tipo de Aprendizagem
realimentação usadapelo
algoritmo para aprender.

Supervisionada
Supervisionada Por reforço

Não Supervisionada
 Machine Learning:
Aprendizagem Por Reforço

Por reforço: processo de aprendizagem baseado em

punição e recompensa. Reforça uma ação positiva e
penaliza uma negativa.Crítica apenas de desempenho.
• Aprendizado não depende de dados históricos
• Aprende a partir da experimentação por tentativa eerro.
Entrada (Percepção e Feedback)
Algoritmo
Ambiente de Machine
Learning
Ação

Feedback: indica apenas se a ação foi certa ou errada.

 Machine Learning:
Aprendizagem Por Reforço

Por reforço: processo de aprendizagem baseado em

punição e recompensa. Reforça uma ação positiva e
penaliza uma negativa.Crítica apenas de desempenho.
Aplicações:
• Customização, personalização (aprende as preferências dos
clientes ao longo das interações)
• Comportamentos evolutivos
 Machine Learning:
Abordagens

A abordagem (método) usado para aprender podem ser:

• Simbólica: a capacidade de descrever os padrões extraídos em uma
linguagem compreensível para os usuários. Usa descrições simbólicas.
Ex: árvores de decisão
• Conexionista: inspiradas no modelo biológico do sistema nervoso. Ex:
redes neurais:
• Estatística: usa modelos estatísticos para encontrar uma boa
aproximação da hipótese. Ex: redes bayesianas
• Evolutiva: baseada na teoria da evolução de Darwin. Ex: algoritmos
genéticos
 Machine Learning:
Deep Learning

• Uso de redes neuraisprofundas

• Capacidade de trabalhar com grandes volumes de dados.
• Aprendizagem de representações automatizada, ou pelo
menos simplificada

Engenharia de Machine Learning

Dados Features
Características

Dados Engenharia de Deep Learning

Features
Características
 Machine Learning:
Aplicações emGeral

• Reconhecimento de fala
• Predição de taxas de cura de pacientes em diferentes doenças
• Detecção de fraudes em cartões de crédito;
• Condução autônoma de carros;
• Desempenho em jogos complexos semelhante a campeões.
• Diagnóstico de doenças graves por análise de dados.
 Machine Learning:
Aplicações emGeral

Tendência: uso de agentes conversacionais

• Interface de aplicativos: Por voz e em linguagem
natural
• Atendimento ao cliente: Empresas usam botspara
falar com os clientes viawhatsApp
 Machine Learning:
Aplicações emGeral

Tendência: uso de agentes conversacionais

• São programas que se comunicam com usuários
humanos em linguagem natural. (Jurafsky and
Martin, 2009)
 Machine Learning:
Aplicações emGeral

Agentes conversacionais:
• Também chamados de sistemas de diálogo, podem ser:
• Sistemas orientados a meta: assistentes cujos diálogos são
em tópicos específicos. Ex: Siri, Alexa, Google Now, Cortana,
…
• Chatter bots: sistemas não orientados a metas – diálogos de
mundo aberto.Ex: Alice
 Machine Learning:
Aplicações emGeral

• Agentes conversacionais:
• 2011: Siri (Apple)- assistente pessoal para iOS, responde perguntas, faz
recomendações, e executa ações.
• 2012: Google Now(Google)
• 2015: Cortana (Microsoft) e Alexa (Amazon)
• 2015: Chatbot da google com redes neurais
(http://gizmodo.uol.com.br/chatbot-do-google/)
• 2016: Chatbot Tay (microsoft): https://en.wikipedia.org/wiki/Tay_(bot)
• 2016: Jarvis de Mark Zuckerberg (Facebook)
 Machine Learning:
Aplicações emGeral

Agentes conversacionais
Arquiteturas Usuais emChatbots:
• Baseadas em Regras
• Grande esforço manual
• Comportamento predefinido pelo projetista

• Baseadas em Corpus
• Baixo esforço manual
• Usa algoritmos de machine learning
 Machine Learning:
Aplicações emGeral

Agentes conversacionais:
• Arquiteturas emChatbots:
• Baseadas em Regras:
• Exemplo: trecho de uma base emAIML
 Machine Learning:
Aplicações emGeral

Agentes conversacionais
• Arquitetura Baseada emCorpus
• Corpus de diálogo: coleção de diálogos. Exemplos:
• falas de filmes,
• log de chats com clientes,
• conversas nowhatsapp
• ...
• Usa algoritmos de Machine Learning
 Machine Learning:
Aplicações emGeral

Agentes conversacionais
 Machine Learning:
Aplicações emGeral

Agentes conversacionais
Por que o módulo de Interpretação da linguagem natural (NLU)éum
desafio ainda para agentes conversacionais?

“Uma conversa é um processo que segue convenções semânticas bem

definidas e está contextualizado em domínio de conhecimento
específico”. (Chakrabarti and Luger,2015)

Principal dificuldade: coerência pragmática

“Uma interação bem sucedida faz sentido para os seus participantes,
ou seja, é coerente”. (Berglund, 2009)
 Machine Learning:
Aplicações em Geral

Agentes conversacionais
• Dificuldades: Variações linguisticas na entrada do usuário:
• Eu quero ir à Rendenção.
• Diga-me como chegar ao parque mais conhecido de PortoAlegre.
• Como eu chego no parque Farroupilha.
• Qual o melhor caminho até o parqueFarroupilha?
• Que ônibus eu pego para ir à Redenção ?
• Por onde eu vou ? Queroir caminhando até a Redenção ?
 Machine Learning:
Aplicações emGeral

• Agentes conversacionais
• Dificuldade:Ambiguidade (diferentes interpretações)
pode ocorrer em todos esses níveis.
 Machine Learning:
Aplicações emGeral

Agentes conversacionais
Ambiguidade Léxica:
• “Rosa[pessoa] ficou rosa [enrubeceu levemente] porque pintou
de rosa [cor] o muro próximo ao seu jardim de rosas [flores].”
 Machine Learning:
Aplicações emGeral

Agentes conversacionais
Ambiguidade Sintática
• Eu vi um homem com um binóculo.
 Machine Learning:
Aplicações emGeral

Agentes conversacionais
Ambiguidade Semântica
• “I liked your picture”.

Significa que a pessoa apreciou a foto ou pressionou “like” no

facebook ?
 Machine Learning:
Aplicações emGeral

Agentes conversacionais
Ambiguidade Referencial no Discurso:
• O objeto é aquel

• Pedro nunca argumenta com seu pai quando ele está brabo.
Quem está brabo? Pedro ou seu pai ?
 Machine Learning:
Aplicações emGeral

Agentes conversacionais
Ambiguidade Pragmática:
• “Está pegando fogo.” (afirmação ou expressão)
• “Eu lamento que você tenha sido tão mal educado.” (insulto ou
desculpas).
• “Você pode me buscar depois ” (pedido, pergunta ou ambos).
Machine Learning:
Aplicações emGeral
 Machine Learning:
Aplicações emGeral
Agentes conversacionais
• Dificuldades:
• Conversas mais longas: deadlocks são comuns,pois:
• Falta de consciência do contexto
• Incapaz de perceber a utilidade da resposta
• Incapaz de entender uma conversa com múltiplos turnos.
• Incapaz de identificar se a conversa está indo para a direção de
desejada e agir de acordo com isso.
• Outros desafios: customização (por idade, escolaridade e região);
ironia, ...
 Machine Learning:
Aplicações emGeral

Agentes conversacionais
• Dificuldades:
• A maioria dos recursos e sistemas estão disponíveis para as chamadas
high-resource languages (HRLs), como Inglês, Francês, Espanhol,
Alemão e Chinês (Hirschberg and Manning, 2015)
• Português é uma low-resource language.
• Como construir agentes conversacionais para lingua portuguesa ? ...
 Machine Learning:
Aplicações emGeral

Agentes conversacionais
• Abordagens: Tradução automática (Machine Translation) :
Português -Inglês
• notícias: bons resultados
• narrativas : resultados não tão bons (Jason Baldridge,2016)
 Machine Learning:
Aplicações emGeral
Agentes conversacionais
• Abordagens: Tradução automática (Machine Translation) :
Português -Inglês
• MT para low-resource language tem baixo desempenho devido às
palavras desconhecidas.
• Para lingua portuguesa, apenas melhoramentos moderadosforam
observados usand MT baseada em redes neurais (Castilho et al, 2017)
 Machine Learning:
Aplicações emGeral
Agentes conversacionais
• Abordagens: Framework para desenvolvimento de bots
• Somente poucos tem suporte para lingua portuguesa. E mesmo
quando possuem, há limitações exigindo muito esforço manual..
• Algumas ferramentas podem ser treinadas, mas a ausência (ou
pequeno volume) de corpus em lingua portuguesa dificultam sua
aplicação.
 Questões Filosóficas
• IA Forte x IA Fraca
• IA Fraca: máquinasque agem com inteligência
• IA Forte: máquinas que realmente pensam
• Passar no teste de turing é suficiente para determinar que uma
máquina está pensando ?
• Decidir se as máquinas são conscientes é relevante para a prática
de IA ?
 Questões Filosóficas
• Ética e Riscos
• Perda de empregos para a automação ?
• Disponibilidade de muito (ou pouco) tempo de lazer ?
• Perda de identidade?
• Perda do direito à privacidade ?
• Perda da responsabilidade ?
• Fim da raça humana ?
Dúvidas ?

Obrigada :)