PESQUISA SOBRE: INTELIGÊNCIA ARTIFICIAL, LÓGICA FUZZY,

REDES NEURAIS E BIG DATA.

SÃO PAULO
2021
PESQUISA SOBRE: INTELIGÊNCIA ARTIFICIAL, LÓGICA FUZZY,
REDES NEURAIS E BIG DATA.

Pesquisa Sobre: Inteligência Artificial,

Lógica Fuzzy, Redes Neurais e Big Data.
Para a disciplina Robótica Industrial, da
Faculdade de Tecnologia de Itaquera.

SÃO PAULO
2021
 RESUMO

A presente pesquisa tem por objetivo levantar conhecimentos iniciais sobre o

funcionamento da inteligência artificial, lógica fuzzy, redes neurais e big data, áreas
que tiveram seu desenvolvimento ampliado nos últimos anos e que são essenciais
para a análise e processamento de dados que são usados no desenvolvimento de
sistemas de automação, e em especial sua correlação e aplicação na área da
robótica.

Palavras-chave: Robótica. Inteligência Artificial. Lógica Fuzzy. Redes Neurais. Big

Data.
 ABSTRACT

This present research aims to reunite initial knowledge about the working of artificial
intelligence, fuzzy logics, neural network and big data, these subjects had their
development increased in the last years and it’s essential for the analysis and data
processing that are used in the automation’s systems developing, and specially it’s
correlation and application in the field of robotics.

Keywords: Robotics. Artificial Intelligence. Fuzzy Logics. Neural Network. Big Data.
 LISTA DE ILUSTRAÇÕES

Figura 1: (a) Um robô hexápode. (b) Máquina de estados finitos ampliada..............10

Figura 2 Rede alimentada adiante ou acíclica.......................................................... .13
Figura 3 Rede alimentada adiante com camada oculta............................................ .14
Figura 4 Rede recorrente.......................................................................................... .14
 LISTA DE ABREVIATURAS

IA Inteligência Artificial
ms Milissegundo
VLSI Very large scale integration
 SUMÁRIO

1 INTRODUÇÃO..................................................................................................... .07
2 INTELIGÊNCIA ARTIFICIAL............................................................................... .08
2.1 APLICAÇÕES DA IA EM ROBÓTICA..............................................................09
3 LÓGICA FUZZY................................................................................................... .11
3.1 APLICAÇÕES DA LÓGICA FUZZY EM ROBÓTICA.......................................11
4 REDES NEURAIS................................................................................................ .12
4.1 APLICAÇÕES DAS REDES NEURAIS EM ROBÓTICA................................ .15
5 BIG DATA............................................................................................................ .16
5.1 APLICAÇÕES DA BIG DATA EM ROBÓTICA............................................... .17
6 CONCLUSÃO...................................................................................................... .18
REFERÊNCIAS...................................................................................................... .19
 7

1 INTRODUÇÃO

A presente pesquisa tem por objetivo levantar conhecimentos iniciais sobre o

funcionamento da inteligência artificial, lógica fuzzy, redes neurais e big data, áreas
que tiveram seu desenvolvimento ampliado nos últimos anos e que são essenciais
para a análise e processamento de dados que são usados no desenvolvimento de
sistemas de automação, e em especial sua correlação e aplicação na área da
robótica.
 8

2 INTELIGÊNCIA ARTIFICIAL

A inteligência artificial é um ramo da Ciência da Computação que tem por

objetivo fazer os computadores pensarem ou se comportarem de forma inteligente.
IA tem aplicações nas mais variadas áreas do conhecimento científico como na
psicologia, biologia, lógica matemática, linguística, engenharia, filosofia, etc.
De acordo com Russel e Norvig (2013), o primeiro trabalho sobre inteligência
artificial foi feito por Warren McCulloch e Walter Pitts (1943). Eles se tinham
conhecimento sobre a fisiologia básica e a função dos neurônios no cérebro
mesclaram esse conhecimento à análise formal da lógica proposicional criada por
Russell e Whitehead e à teoria da computação de Turing. Eles propuseram um
modelo de neurônios artificiais, no modelo cada neurônio estaria “ligado” ou
“desligado”, eles mostraram que qualquer função computável podia ser calculada
por uma rede de neurônios conectados e que os conectivos lógicos sugeriram que
redes definidas adequadamente seriam capazes de aprender. Donald Hebb (1949)
demonstrou uma regra de atualização simples para modificar as intensidades de
conexão entre neurônios. Sua regra, agora chamada aprendizado de Hebb, continua
a ser um modelo influente até hoje.
Dois alunos de Harvard, Marvin Minsky e Dean Edmonds, construíram o
primeiro computador de rede neural em 1950. O SNARC, como foi chamado, usava
3.000 válvulas eletrônicas e um mecanismo de piloto automático retirado de um
bombardeiro B-24 para simular uma rede de 40 neurônios. Alan Turing foi o mais
influente naquela época na área de AI, em 1950 com seu artigo “Computing
Machinery and Intelligence”, onde apresentou o teste de Turing, aprendizagem de
máquina, algoritmos genéticos e aprendizagem por reforço.
O primeiro sistema especialista comercial bem-sucedido, o R1, iniciou sua
operação na Digital Equipament Corporation (DEC). O programa contribuiu para
configurar pedidos de novos sistemas de computador; em 1986, ele já fazia a
empresa faturar cerca de 40 milhões de dólares por ano. Em 1988, o grupo de IA da
DEC já possuía 40 sistemas especialistas entregues, com outros sendo produzidos
(CHARNIAK; MCDERMOTT, 1985). A Du Pont tinha 100 desses sistemas em uso e
500 em desenvolvimento, economizando aproximadamente 10 milhões de dólares
por ano. Quase todos os conglomerados importantes dos Estados Unidos possuíam
seu próprio grupo de IA e estavam usando ou investigando sistemas especialistas.
 9

Em 1981, os japoneses anunciaram o projeto Fifth Generation, um plano de 10 anos

para montar computadores inteligentes por meio da utilização do Prolog. Em
Resposta, os Estados Unidos constituíram a Microelectronics and Computer
Technology Corporation (MCC) como um consórcio de pesquisa projetado para
assegurar a competitividade nacional. Em ambos os casos, a IA fazia parte de um
amplo esforço, incluindo o projeto de chips e a pesquisa da interface humana. Nos
últimos anos, houve uma revolução no trabalho em Inteligência Artificial, tanto o
conteúdo quanto na metodologia (RUSSEL; NORVIG, 2013).

1.1 APLICAÇÕES DA IA EM ROBÓTICA

Utilizando um projeto de agente de reflexo chamado controle reativo, um

robô com pernas tentando levantar uma perna sobre um obstáculo. Poderíamos
fornecer uma regra para esse robô que lhe diga para levantar a perna a uma altura h
pequena e movê-la para a frente e, se a perna encontrar um obstáculo, movê-la de
volta e começar de novo com uma altura h. Você poderia afirmar que h está
modelando um aspecto do mundo, mas também podemos pensar em h como uma
variável auxiliar do controlador do robô, desprovido de significado físico direto.
Um exemplo desse tipo é o robô de seis pernas (hexápode), que tem a
tarefa de caminhar por terreno acidentado. Os sensores do robô são grosseiramente
inadequados para se obter modelos do terreno com exatidão suficiente para fazer
funcionar qualquer uma das técnicas de planejamento de caminho descritas na
seção anterior. Além disso, ainda que adicionássemos sensores suficientemente
precisos, os 12 graus de liberdade (dois para cada perna) tornariam o problema de
planejamento de caminho resultante computacionalmente intratável. Contudo, é
possível especificar um controlador diretamente, sem um modelo ambiental explícito.
Para o robô hexápode, uma marcha estaticamente estável é mover primeiro a parte
da frente direita, a direita de trás e as pernas do centro à esquerda para a frente e,
em seguida, mover as outras três. Essa marcha funciona muito bem em terreno
plano. Em terreno acidentado, os obstáculos podem impedir que as pernas oscilem
para a frente. Esse problema pode ser superado por uma regra de controle
notavelmente simples: quando o movimento de avanço de uma perna for bloqueado,
simplesmente retraia a perna, levante-a a uma altura maior e tente outra vez. O
 10

controlador resultante é mostrado na máquina de estados finitos; ele constitui um

agente de reflexo com estado, onde o estado interno é representado pelo índice do
estado de máquina atual (de s1 até s4). (RUSSEL; NORVIG, 2013).

Figura 1: (a) Um robô hexápode. (b) Máquina de estados finitos ampliada.

Fonte: Russel e Norvig (2013)

 11

3 LÓGICA FUZZY

Conforme Ross (2010), a lógica fuzzy é um método de formalizar a

capacidade humana de raciocinar imprecisamente, esse raciocínio aproximado e
julgamento sob incerteza aproxima-se da lógica fuzzy, onde, todas as verdades são
parciais ou aproximadas, esse processo passou a ser conhecido como raciocínio
interpolativo, onde o processo de interpolar entre os extremos binários de verdadeiro
e falso é representado pela habilidade da lógica fuzzy de encapsular verdades
parciais.
Para Chen e Pham (2001), os sistemas fuzzy e as teorias de controle fuzzy
são uma tecnologia emergente que visa aplicações industriais e prometem uma
nova dimensão para os domínios dos sistemas de controle convencionais.
De acordo com a exemplificação dada por Hooda e Raich (2017), um
conjunto fuzzy é uma ferramenta excelente para lidar com a incerteza gerada devido
a vagueza de uma proposição como, um conjunto A pode ser representado pela sua
função característica, um mapeamento XA de um universo de decurso (região de
consideração de um conjunto muito grande) contendo A para o conjunto {0,1};
equivalentemente se
No caso de “fuzzy” ‘pertencente a’ em relação a entre x e A não é
mais “0 ou 1” todo um gradiente de ‘pertencente a’, como 0.6, então, o alcance do
conjunto {0,1} estende-se para o intervalo [0,1].

1.2 APLICAÇÕES DA LÓGICA FUZZY EM ROBÓTICA

A lógica fuzzy aplicada em robótica de acordo com Klir e Yuan (1995), é

relevante pois inclui o raciocínio aproximado o que ajudará o robô a conseguir um
comportamento similar ao humano, assim sendo capaz de distinguir seres humanos
de máquinas não inteligentes, raciocinar em linguagem natural, reconhecer padrões
e entender imagens, ter controle refinado dos seus motores e a capacidade de tomar
decisões em face a incertezas.
 12

4 REDES NEURAIS

As redes neurais, tem sido motivadas pelo reconhecimento de que o cérebro

humano processa informações de uma forma diferente de um computador
convencional, pois ele é altamente complexo, não-linear e paralelo, ele realiza por
meio dos neurônios o processamento das informações mais rápido que os
computadores, afirma Haykin (2012), como por exemplo o sistema visual realiza a
tarefa de reconhecimento perceptivo (por exemplo, o reconhecimento de um rosto
familiar inserido em uma cena não familiar) em aproximadamente 100-200 ms, um
computador convencional poderia levar muitos dias para realizar a mesma tarefa.
O cérebro tem tal capacidade pois, tem uma grande estrutura e a habilidade
de desenvolver suas próprias regras através da experiência que vai acumulando
com o tempo. Um neurônio em desenvolvimento é um aspecto de um cérebro
plástico, e essa plasticidade que ele se adapte ao seu meio ambiente. Assim como a
plasticidade é essencial para o funcionamento dos neurônios como unidades de
processamento de informação do cérebro, também o é com relação a redes neurais
artificiais. Uma rede neural é uma máquina projetada para modelar a maneira que o
cérebro realiza uma tarefa em particular. A rede é implementada utilizando
componentes eletrônicos ou é simulada por programação em um computador.
A rede neural é um processador maciçamente paralelamente distribuído,
constituído de unidades de processamento simples, que têm a propensão natural
para armazenar conhecimento experimental e torná-lo disponível para o uso. Ela se
assemelha ao cérebro em dois aspectos:
1. O conhecimento é adquirido pela rede a partir de seu ambiente através
de um processo de aprendizagem.
2. Forças de conexão entre neurônios, conhecidos como pesos sinápticos,
são utilizados para armazenar o conhecimento adquirido.

O procedimento utilizado para realizar o processo de aprendizagem é

chamado de algoritmo de aprendizagem, as redes neurais são também chamadas
de neurocomputadores, redes conexionistas, processadores paralelamente
distribuídos.
 13

As redes neurais extraem seu poder computacional de sua estrutura

maciçamente paralelamente distribuída e da sua habilidade de aprender e, portanto,
de generalizar.
O uso das redes neurais oferece as seguintes propriedades úteis e
capacidades:
 Não-linearidade;
 Mapeamento de entrada e saída;
 Adaptabilidade;
 Resposta a evidência;
 Informação contextual;
 Tolerância a falhas;
 Implementação em VLSI;
 Uniformidade de análise e projeto;
 Analogia neurobiológica.

Segundo sua arquitetura de rede as redes neurais poder ser:

 Redes alimentadas adiante com uma única camada – a camada de
entrada dos nós de fonte se projeta sobre uma camada de saída, ela é
uma rede alimentada adiante ou acíclica.

Figura 2 Rede alimentada adiante ou acíclica.

Fonte: Haykin (2012)

 14

 Redes alimentadas diretamente com múltiplas camadas – se

distingue pela presença de um ou mais camadas ocultas, cujos nós
são chamados de neurônios ocultos ou unidades ocultas.
Figura 3 Rede alimentada adiante com camada oculta

Fonte: Haykin (2012)

 Redes recorrentes –
ela possui um laço de realimentação, um neurônio alimenta todas as
entradas de todos os outros neurônios.

Figura 4 Rede recorrente

Fonte: Haykin (2012)

 15

1.3 APLICAÇÕES DAS REDES NEURAIS EM ROBÓTICA

Segundo Schneider (2002), redes neurais podem contribuir

consideravelmente no tratamento de problemas que incluem um alto grau de
incerteza e flexibilidade. Principalmente pode-se melhorar a percepção do ambiente
e desenvolver reações flexíveis às mudanças.
 16

5 BIG DATA

O termo Big Data se refere a uma classe de dados vastos que se acumulam
em grandes quantidades, que nem sempre se encaixam em uma estrutura
tradicional conforme afirma Stephenson (2018), o termo ‘big’ simplesmente não faz
jus a complexidade da situação. Os dados não são só maiores que dados
tradicionais, mas são fundamentalmente diferentes, o que traz novos desafios e
oportunidades. O oceano de dados combinados com a tecnologia que foi
desenvolvida para lidar com eles, proveem percepções em uma escala enorme e
tem feito ser possível uma nova onda de aprendizado de máquina, o que habilita
computadores a dirigir carros, a prever ataques cardíacos melhor que médicos e
alcançar nível de mestre em jogos melhor que qualquer ser humano.
Entender o que motiva os consumidores e o que torna as linhas de produção
lentas, ajuda os negócios a entregar experiencias personalizadas a milhões de
consumidores globais, e providência o poder computacional para realizações
cientificas ao analisar bilhões de pontos de dados em campos como pesquisa de
câncer, astronomia e física de partículas. A big data provê tanto os dados quanto os
recursos que capacita recursos computacionais, com ressurgimento recente da
inteligência artificial, particularmente com os avanços em aprendizado profundo.
Além dos dados em si, os pesquisadores e engenheiros trabalharam nas últimas
duas décadas no desenvolvimento de todo um ecossistema de hardware e software
para coletar, armazenar, processar e analisar estes dados abundantes. Esse
ecossistema permite extrair imenso valor da Big data para aplicações em negócios,
ciência e cuidados de saúde.
A maior parte da Big data são dados desestruturados, incluindo imagens,
documentos de texto e web logs. Eles são armazenados de forma “crua” e extraímos
informação detalhada quando precisamos. Muitos métodos analíticos tradicionais
fiam-se em dados como idade, gênero, endereço etc. Para ajustar melhor em um
modelo, frequentemente dados adicionais são criados. Certos métodos de
inteligência artificial não requerem seleções características especialmente usuais
para dados sem claramente definir as características, por exemplo, em método de
inteligência artificial pode aprender a identificar um gato em uma foto, apenas por
estudar fotos (STEPHENSON, 2018)
 17

1.4 APLICAÇÕES DA BIG DATA EM ROBÓTICA

Os sensores de um robô reúnem informações de um setup específico, das

tarefas realizadas e armazenam os dados, utilizando o processamento dos dados
pode-se definir meios mais eficientes para a realização das tarefas, previsão de
falhas e solução antecipada de problemas que ainda não surgiram.
 18

6 CONCLUSÃO

Os campos cobertos por essa pesquisa tem sido amplamente estudado e

aprimorado nos últimos anos, a inteligência artificial, a lógica fuzzy, as redes neurais
e a big data, todas essas áreas do conhecimento tem sido de fundamental
importância nas mais diversas aplicações que vão desde o desenvolvimento de
jogos eletrônicos, análise de mercado para negócios, cirurgias assistidas por robôs e
em alguns casos sem a necessidade da presença do médico no local, o diagnóstico
cada vez mais preciso de doenças. Vê-se cada vez mais a importância das
tecnologias contidas nesta curta pesquisa, e tem-se um vislumbre do quanto
poderão ainda promover o avanço da sociedade em todos os aspectos.
 19

REFERÊNCIAS

CHEN, Guanrong; PHAM, Trung Tat. Introduction to Fuzzy Sets, Fuzzy Logic,
and Fuzzy Control Systems. 1st. Ed. Boca Raton, USA: CRC Press, 2001.

Haykin, Simon. Redes Neurais: Princípios e Prática. 2. ED. Porto Alegre: Bookman
Companhia Editora, 2008.

HOODA, D. S.; RAICH, Vivek. Fuzzy Logic Models and Fuzzy Control: An
Introduction. 1st. Ed. Oxford, U.K.: Alpha Science International Ltd., 2017.

KLIR, George; YUAN, Bo. Fuzzy Sets and Fuzzy Logics: Theory and Applications.
USA, 1995.

ROSS, Timothy. Fuzzy Logic with Engineering Applications. 3. Ed. England: John
Wiley & Sons, Ltd, 2010.

RUSSEL, Stuart; NORVIG, Peter. Inteligência Artificial. 3. Ed. Rio de Janeiro:

Elsevier Editora Ltda, 2013.

SCHNEIDER, Marvin Oliver. Redes Neurais e Robótica. Pontifícia Universidade

Católica de Campinas Mestrado em Sistemas de Computação. Campinas, 2002.

STEPHENSON, David. Big Data Demystified: How to Use Big Data, Data Science
and AI to Make Better Business Decisions and Gain Competitive Advantage. 1st. Ed.
Harlow, England: Pearson Education Limited, 2018.