Universidade Federal de Alagoas

Disciplina: Inteligência Artificial

Engenharia da Computação
Prof.: Evandro Costa
Alunos: Manoel Rocha e Miriã Moreira

Lista Avaliativa - AB2

Questão 01.
Como aplicação escolhida e apresentada a ideia em sala de aula. Vamos ter o
desenvolvimento de um sistema financeiro com base em regras fuzzy, o sistema tem como
finalidade a determinação e avaliação do risco financeiro do cliente e apresentação da
capacidade de pagamento do mesmo.
As variáveis a serem analisadas são definidas em independentes (Histórico de
Crédito e Renda) e dependentes (Classificação de Risco).

Variáveis
Independentes Dependentes
Histórico Renda Risco

Negativo Baixa Baixo

Neutro Média Médio

Positivo Alta Alto

A base de regras Fuzzy é dada pelas seguintes regras:

● Se Histórico Negativo, Renda Baixa. Então Risco Alto;
● Se Histórico Negativo, Renda Média. Então Risco Alto;
● Se Histórico Negativo, Renda Alta. Então Risco Médio;
● Se Histórico Neutro, Renda Baixa. Então Risco Alto;
● Se Histórico Neutro, Renda Média. Então Risco Médio;
● Se Histórico Neutro, Renda Alta. Então Risco Baixo;
● Se Histórico Positivo, Renda Baixa. Então Risco Médio;
● Se Histórico Positivo, Renda Média. Então Risco Baixo;
● Se Histórico Positivo, Renda Alta. Então Risco Baixo.

Histórico Negativo Histórico Neutro Histórico Positivo

Renda Baixa Alto Alto Médio

Renda Média Alto Médio Baixo

Renda Alta Médio Baixo Baixo

 Funções de Pertinência

A partir disso, vamos ter que a aplicação escolhida na questão a aplicação do item
1.4 está logo abaixo em conjunto com o código referente a aplicação por meio do Colab.

https://colab.research.google.com/drive/19unxeunbeFegng0-mTDFtpk_yA1rcBrn?usp=sharing

Logo, concluímos que a solução proporciona a construção de um sistema eficaz na

obtenção de riscos referente a disponibilização de empréstimos.

Questão 02.
a.1)
Considerando o artigo, uma base de conhecimento K é composta por três
elementos: entidades (E), relações (R) e um conjunto de fatos. Os fatos são representados
como trios (es, r, eo), onde "es" é a entidade sujeito pertencente ao conjunto E, "r" é a
relação pertencente ao conjunto R e "eo" é a entidade objeto também pertencente ao
conjunto E. Esses trios representam a existência da relação "r" entre o sujeito "es" e o
objeto "eo".
A base de conhecimento K pode não conter todas as relações possíveis entre um
par de entidades (es, eo). No entanto, é possível inferir relacionamentos ausentes utilizando
um corpus de texto D, que consiste em um conjunto de documentos. Nesse contexto, a
base de conhecimento K é expandida adicionando trios adicionais da forma (es, rd, eo), em
que "rd" representa o relacionamento descrito em um documento específico "d" pertencente
ao conjunto D.
Um exemplo foi apresentado no artigo, sendo considerar uma questão de linguagem
natural q, com uma entidade vinculada eq e o nó de resposta de destino ea
que o sistema KBQA (Knowledge base question answering) precisa encontrar. Seja um o
caminho p de eq para ea representado como:

p: eq --ri-> ei --rj->… --rn-> ea.

● Definição 2.1 (Cadeia de Raciocínio). A lista ordenada de entidades [eq, ..., ea] e
relações [ri , ..., rn] correspondente a um caminho p é uma cadeia de raciocínio.
 ● Definição 2.2 (Cadeia Inferencial). A lista ordenada de relações [ri , ..., rn] de uma
cadeia de raciocínio é uma cadeia inferencial.
● Definição 2.3 (Questão de Similaridade). Perguntas q1 e q2 são semelhantes se
representam cadeias inferenciais semelhantes, mas não necessariamente
raciocínios semelhantes cadeias, por exemplo, "Quem é o treinador principal do
Tennessee
Titãs?" e "Quem é o treinador principal do Chicago
Blackhawks?".

a.2)
Um sistema de raciocínio baseado em casos (CBR - Case-Based Reasoning) é composto
por quatro principais componentes que seguem o ciclo dos 4 Rs: Retrieve (Recuperar),
Reuse (Reutilizar), Revise (Revisar) e Retain (Manter). Cada componente tem um desafio
principal associado e há diversas técnicas disponíveis para solucionar e implementar esses
desafios. Vamos explicar cada componente e suas respectivas questões:

● Retrieve (Recuperar):
Desafio principal: Encontrar casos relevantes na base de casos que sejam semelhantes ao
problema atual.
Técnicas disponíveis: As técnicas de recuperação incluem consultas baseadas em
similaridade, indexação e pesquisa baseada em atributos relevantes. Algoritmos como o
k-Nearest Neighbors (k-NN) e índices de similaridade (por exemplo, índice inverso) podem
ser usados para recuperar casos relevantes com base em atributos e características
semelhantes.
● Reuse (Reutilizar):
Desafio principal: Adaptar os casos recuperados para serem aplicados ao problema atual.
Técnicas disponíveis: As técnicas de reutilização envolvem a adaptação dos casos
recuperados para se adequarem ao novo problema. Isso pode ser feito por meio de técnicas
de adaptação, como substituição de valores ou regras, ajuste de parâmetros,
generalização/especialização, entre outras técnicas de ajuste dos casos para se adequarem
à nova situação.
● Revise (Revisar):
Desafio principal: Avaliar e verificar se a solução adaptada é adequada e correta para o
problema atual.
Técnicas disponíveis: As técnicas de revisão incluem a avaliação da solução adaptada por
meio de métricas de qualidade, medidas de similaridade, análise de casos passados e
comparação com soluções conhecidas. Também é possível aplicar técnicas de raciocínio
lógico, como lógica fuzzy, lógica de predicados e regras de inferência, para verificar a
coerência e consistência da solução.
● Retain (Manter):
Desafio principal: Armazenar a solução revisada e o novo caso para uso futuro.
Técnicas disponíveis: As técnicas de manutenção envolvem o armazenamento adequado
dos casos adaptados e revisados na base de casos, além de manter informações
relevantes, como atributos, soluções, medidas de similaridade e contexto. O uso de
sistemas de gerenciamento de banco de dados, técnicas de indexação e organização da
base de casos são comumente aplicados nessa etapa.
O ciclo dos 4 Rs é iterativo, o que significa que após a conclusão de uma iteração, o
sistema pode retornar à etapa de recuperação (Retrieve) para lidar com problemas futuros,
aprimorando assim seu desempenho com o tempo.

B)
Retrive: A primeira etapa desse sistema CBR (case-based reasoning) é encontrar
casos semelhantes na base de casos C quando uma nova pergunta-alvo, denominada q, é
apresentada. Para fazer essa busca, foi utilizado um método chamado FAISS, que é um
dense-retrieve, que funciona preenchendo um índice com vetores que representam os
casos presentes na base de casos C. Em seguida, é formada uma consulta x, para o
FAISS. Essa consulta é criada codificando a pergunta-alvo usando o mesmo procedimento
e modelo de linguagem pré-treinado que usado para as perguntas presentes na base de
casos. O dense-retrieve fornece uma classificação de similaridade entre a incorporação da
questão alvo x e todos os casos em C com base na similaridade de cosseno de suas
incorporações. Reunindo os k-vizinhos mais próximos (k-NN), e para cada um desses casos
c, coleta seu conjunto correspondente de cadeias inferenciais ou conjunto inferencial P em
resumo. Ao final da etapa de recuperação CBR, é obtida uma coleção dos conjuntos
inferenciais de casos k-NN.
C) -
D) -

Questão 03.
Como sugerido na lista, foi avaliado o sistema de alarme apresentado no livro
mencionado. Sendo assim, vamos ter:
Os aspectos de modelagem apresentados pela rede e exemplo estudado, tem
referência às variáveis que são dados pela incidência de fumaça, incêndio e alarme. Além
disso, a resposta destes com meios de comunicação, tal como sirene e contato de socorro.
Com essas variáveis pode-se construir as conexões e dependências entre elas e se
conectam a partir da estrutura de dados grafos.
Por se tratar de redes bayesianas existe a construção da tabela de probabilidades
condicionais, com a utilização das variáveis como parâmetro. E então, é construído o
modelo bayesiano e avaliado seu desempenho.
Dado o modelo bayesiano aplicado ao sistema de alarmes tem-se que a
representação do conhecimento é construído com base na disponibilidade dos históricos e
dados para aprendizado e cálculo probabilístico, outro fator importante é a necessidade de
um conhecimento sobre alarmes, sistemas e outros.
Sendo assim, a inferência probabilística é responsável pela construção das
possibilidades utilizadas no modelo. Para isso, utiliza-se técnicas diferentes, tal como a
amostragem de Monte Carlo, e assim, os cálculos se dão pela colheita dos dados, aplicação
e cálculos probabilísticos e por fim a obtenção dos resultados.

Tipos de Raciocínio
Diagnóstico - Dado o exemplo, temos que dado o raciocínio é necessário encontrar
as variáveis importantes e relacionar a partir de suas dependências. Como por exemplo, se
temos as variáveis Fumaça, Incêndio, Alarme e Diagnóstico. Vamos ter que Fumaça
influência a variável Incêndio, que influencia Alarme. E ambas unidas influenciam o
diagnóstico construído. Com isso, constrói-se o as tabelas de probabilidade e assim,
torna-se possível construir o diagnóstico do sistema. E podendo sempre ser atualizada
baseada em novos conhecimentos e informações.
Predição - Com as mesmas perspectivas do Diagnóstico, tem-se que esse raciocínio
visa observar o relacionamento das dependências ao longo do tempo. Com a construção da
tabela de probabilidade, pode-se ter a ocorrência de um evento a partir do histórico anterior.
Logo, pode-se predizer com base nas evidências até a tomada de decisão.
Intercausal - É o raciocínio que visa entender como as mudanças em variáveis
apresentam modificações nas dependências em outras variáveis no sistema. Desse modo,
ocorre a exploração do sistema causa e efeito.
Combinado - Esse raciocínio é a construção do uso das anteriores, que visa
apresentar uma abrangência geral sobre o sistema estudando, com isso, ocorre o estudo
das variáveis em diferentes perspectivas.

O desenvolvimento de aprendizado da rede, com estudo do exemplo. Nós vamos ter

que a melhor escolha desse aprendizado pode ser a construção de um processo iterativo,
no qual ocorre uma estruturação parametrizada da rede que ao avaliar os dados, ocorre a
escolha dos melhores parâmetros que apresenta-se o melhor desempenho desejado. Logo,
evidencia-se a importância da tabela de probabilidade, dependência entre as variáveis
escolhidas e aplicação do conhecimento.

Aplicação:

Questão 04.
-
Questão 05.

Vamos ter que um sistema baseado em OWL apresenta uma maneira de construção
baseada na abordagem de conceitos e propriedades. Dessa forma, temos:
Classes - Conceito que representa um domínio sobre o sistema, como por exemplo
a categoria de um esporte;
Propriedades - Conceito referente às características e relacionamentos presentes
entre as classes e os indivíduos.
O sistema ainda passa por processos de criação de instâncias e os relacionamentos
anteriormente mencionados e por fim ocorre a aplicação da inferência. Logo,
 A) A representação do conhecimento é representado pela ontologia, definindo assim
as classes existentes, propriedades e relacionamentos. Como por exemplo, em um sistema
esportivo, vamos ter Esporte e gênero, e como propriedade as características de cada
esporte.
B) A inferência sobre o conhecimento nesse sistema, age de acordo com a
construção de um motor de inferência no qual ocorre a examinação dos axiomas
construídos e assim pode-se realizar novas inferências de acordo com novas informações e
conceitos. Tal como o exemplo, de aplicação em um sistema de esporte seria.
Esporte com bola, faz parte de esportes dinâmicos, Dado um esporte como futebol,
podem implicar que futebol é um esporte dinâmico. Com isso, concluímos que a
potencialidade de um sistema OWL surge a partir da capacidade de inferir, presente com a
descoberta de novos conhecimentos.
C) -

Questão 06.

XAI (Explainable Artificial Intelligence) refere-se à capacidade de sistemas de

inteligência artificial (IA) explicarem de forma compreensível como chegam a determinadas
decisões ou resultados. O objetivo do XAI é fornecer transparência e interpretabilidade nas
decisões tomadas pelos modelos de IA, permitindo que os usuários entendam e confiem
nas respostas e recomendações fornecidas.
O XAI é especialmente importante em aplicações onde a aplicabilidade é crucial,
como em setores como saúde, finanças e justiça. Nestes casos, é essencial entender como
as decisões são tomadas, para evitar preconceitos, identificar possíveis erros ou garantir a
conformidade com regulamentos.
Um exemplo prático de aplicação de XAI é o uso de algoritmos de aprendizado de máquina
(machine learning), como as redes neurais, em um sistema de diagnóstico médico.
Suponha que um modelo de IA tenha sido treinado para diagnosticar uma determinada
condição médica com base em uma série de características dos pacientes. No entanto, o
modelo é considerado uma "caixa preta" porque não é possível entender como ele chegou à
conclusão de um diagnóstico específico.
Nesse cenário, o XAI pode ser aplicado para tornar o modelo mais explicável. Por
exemplo, um algoritmo de aprendizado de máquina chamado LIME (Local Interpretable
Model-Agnostic Explanations) pode ser usado. O LIME é um método que fornece
explicações locais para as decisões de um modelo de IA, destacando as características
mais relevantes para cada caso individual. Ele cria um modelo interpretável em torno da
decisão do modelo de IA, como uma árvore de decisão ou regressão logística, que pode ser
facilmente interpretado pelos médicos ou usuários.
Dessa forma, ao aplicar o LIME ao modelo de diagnóstico médico, os médicos
podem entender quais características do paciente foram consideradas mais importantes
para a tomada de decisão do modelo. Por exemplo, eles podem ver que o modelo
diagnosticou uma condição com base na idade e nos resultados de certos exames,
fornecendo uma explicação clara e interpretável para o diagnóstico.
Assim, o XAI permite que os usuários compreendam e confiem nas decisões
tomadas pelos modelos de IA, tornando-os mais transparentes e ajudando a evitar
resultados injustificados ou não explicáveis.