Rodrigo Sotolani Nascimento

Tecnologias da Inteligncia Articial na e Administrao do Conhecimento ca

Dourados - MS Dezembro, 2001

Rodrigo Sotolani Nascimento

Tecnologias da Inteligncia Articial na e Administrao do Conhecimento ca

Projeto apresentado como requisito para o obteno do t ca tulo de bacharel em Anlise de Sistemas. a

Orientao: Profa. Dra. Eng. Prod Maria Bernadete Zanusso ca Co-orientao: Prof. MSc. Sidnei Azevedo de Souza ca Area de Concentrao: Inteligncia Articial ca e

Universidade Federal de Mato Grosso do Sul Campus de Dourados Departamento de Cincias Exatas e

Dourados - MS Dezembro, 2001

` A minha fam e amigos lia

Agradecimento
Agradeo a Deus, por permitir avanar nessa etapa de minha vida. c c ` A minha fam lia, principalmente meus pais, que sempre me apoiaram e incentivaram com profunda sinceridade e carinho, merecem meu agradecimento muito especial. Agradeo aos professores que durante a graduao se esforaram para o meu c ca c aprendizado e de meus colegas. Em especial ` professora Dra. Maria Bernadete Zanusso, do Departamento de a Computao e Estat ca stica - CCET/UFMS, pela orientao e imensa contribuio ca ca nessa fase acadmica e ao professor MSc. Sidnei Azevedo de Souza, que no mediu e a esforos para colaborar. Sem o apoio desses professores talvez no teria conseguido c a realizar este projeto. Ao professor Dr. Marcelo Augusto Santos Turine, do Departamento de Computao e Estat ca stica - CCET/UFMS, por fazer parte da banca examinadora e pelas sugestes ` monograa. o a Ao colega Ari Luiz de Souza, por colaborar com a criao da base de conhecica mento do sistema especialista desenvolvido. E aos meus amigos, companheiros de graduao, em especial: Raquel L. da Silva, ca Llia R. da Cruz Costa, Elizete Polini, Marcelo Maruyama e Eliana C. da Silva. e

iv

Lista de Figuras
1.1 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18 2.19 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 Sistemas de informao para administrao do conhecimento (adapca ca tado de Laudon[1], p. 436) . . . . . . . . . . . . . . . . . . . . . . . Alguns membros da fam da Inteligncia Articial (adaptado de lia e Laudon[1], p. 446) . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exemplo de implementao da lgica fuzzy (adaptado de Laudon[1], ca o p. 457) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagrama de um sistema de controle fuzzy (adaptado de Rao[2], p. 48) Funes de pertinncia fuzzy para n da temperatura . . . . . . . . co e vel Funes de pertinncia fuzzy para n da gua . . . . . . . . . . . . co e vel a Funes membros fuzzy para a sa boto de controle . . . . . . . . co da a Membros fuzzy aplicados na sa boto de controle . . . . . . . . . . da a Composio de sobreposio e composio aditiva . . . . . . . . . . . ca ca ca Centride . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o Grco da funo f (x) = xsen(10x) + 1 . . . . . . . . . . . . . . . . a ca Algoritmo gentico t e pico (adaptado de Lacerda[3], p. 101) . . . . . . Populao inicial (adaptado de Lacerda[3], p. 104) . . . . . . . . . . . ca Cromossomos da populao inicial . . . . . . . . . . . . . . . . . . . . ca Crossover . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Crossover de 2 pontos . . . . . . . . . . . . . . . . . . . . . . . . . . Crossover uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . Mutao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ca Cromossomos da ultima populao . . . . . . . . . . . . . . . . . . . ca Modelo geral para os agentes com capacidade de aprender (Adaptado de Russel[4], p. 526) . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 15 18 19 21 21 22 24 24 25 26 26 28 29 29 29 30 30 30 32

Mdulos principais de um sistema especialista (extra de Bittencourt[5]) 36 o do Arvore de deciso de concesso de crdito pessoal bancrio . . . . . . 40 a a e a Janela KIB: regras, variveis, objetivos, regras, interface e informaes 43 a co Informaes sobre o sistema . . . . . . . . . . . . . . . . . . . . . . . 43 co Janela de interface com o usurio mostrando a primeira pergunta do a sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 Janela de interface com o usurio mostrando a segunda pergunta do a sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 Janela de interface com o usurio mostrando a terceira pergunta do a sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 Janela de resultado do Expert SINTA . . . . . . . . . . . . . . . . . . 46 Arvore de pesquisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

vi

3.10 Tabela verdade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.11 O algoritmo de aprendizagem da rvore de decises (adaptado de a o Russel[4], p. 537) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.12 Viso conotacional de MIS, EDP e SAD (adaptado de Sprangue[6], a p. 12) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.13 Trs n e veis de tecnologia para SAD . . . . . . . . . . . . . . . . . . 3.14 Direes do desenvolvimento de sistemas computacionais (adaptado co de Sprangue[6], p. 19 . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8

. 48 . 49 . 54 . 55 . 57 59 61 61 64 65 66 66 68

Clula nervosa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e Neurnio Matemtico . . . . . . . . . . . . . . . . . . . . . . . . . . . o a Neurnio Matemtico com Tendncia . . . . . . . . . . . . . . . . . . o a e Perceptron simples de uma camada com duas entradas e uma sa da . Tela do perceptron simples implementado neste projeto de graduao ca Tela do perceptron simples com a matriz de treinamento . . . . . . . Perceptron com o primeiro par x1 = 5, x2 = 1 de treinamento . . . . Aprendizado do perceptron simples . . . . . . . . . . . . . . . . . . .

Lista de Tabelas
1.1 1.2 1.3 2.1 2.2 2.3 2.4 2.5 3.1 3.2 3.3 4.1 4.2 Sistemas t picos de automao de escritrio . . . . . . . . . . . . . . . 8 ca o Exemplos de sistemas de trabalho com conhecimento - KWS . . . . . 10 Servios de um sistema groupware . . . . . . . . . . . . . . . . . . . . 11 c Universo do discurso para entradas e sa das . . . . . . Conjunto de variveis fuzzy para n da gua . . . . . a vel a Conjunto de variveis fuzzy para n da temperatura a vel Conjunto de variveis fuzzy para boto de controle . . a a Base de regras fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 20 20 22 23

Variveis da base de conhecimento . . . . . . . . . . . . . . . . . . . 44 a Atributo-valor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 Conjunto de observaes ou exemplos . . . . . . . . . . . . . . . . . . 51 co Matriz de treino com valores desejados . . . . . . . . . . . . . . . . . 65 Resultado do treinamento na primeira poca . . . . . . . . . . . . . . 67 e

vii

Sumrio a
Lista de Figuras Lista de Tabelas Resumo Abstract 1 Introduo ca 1.1 Denio de Alguns Termos . . . . . . . . . . . . . . . . . . . . . . . ca 1.2 Administrao do Conhecimento . . . . . . . . . . . . . . . . . . . . . ca 1.2.1 Distribuir o conhecimento: Sistemas de Administrao de Doca cumentos e Escritrio . . . . . . . . . . . . . . . . . . . . . . . o 1.2.2 Criar o conhecimento: Sistemas de Trabalho com Conhecimento 1.2.3 Compartilhar o conhecimento: Sistemas de Colaborao em ca Grupo e Ambientes de Conhecimento de Intranet . . . . . . . 1.2.4 Capturar e Codicar o Conhecimento: Sistemas de Inteligncia e Articial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Organizao dos Cap ca tulos . . . . . . . . . . . . . . . . . . . . . . . . 2 Inteligncia Articial e 2.1 O que Inteligncia Articial . . . . e e 2.2 Tecnologias da Inteligncia Articial e 2.2.1 Sistemas Especialistas . . . . 2.2.2 Redes Neurais Articiais . . . 2.2.3 Racioc nio Baseado em Caso . 2.2.4 Lgica Fuzzy . . . . . . . . . o 2.2.5 Algoritmos Genticos . . . . . e 2.2.6 Sistemas IA H bridos . . . . . 2.2.7 Agentes Inteligentes . . . . . . 2.3 Concluso . . . . . . . . . . . . . . . a vi vii x xi 1 1 3 7 9 10 12 12 14 14 15 16 16 16 17 25 31 31 34 35 35 36 38 39 39

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

3 Sistemas Especialistas 3.1 O que um Sistema Especialista . . . . . e 3.2 Como os Sistemas Especialistas funcionam 3.2.1 Construindo um SE . . . . . . . . . 3.2.2 Arvore de Deciso . . . . . . . . . . a 3.2.3 Regras de Produo . . . . . . . . ca viii

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

ix

3.3

3.4

3.5

3.2.4 O Ambiente Shell Expert SINTA . . . . . . . . . . 3.2.5 Problemas com Sistemas Especialistas . . . . . . . Aprendizado Indutivo com Arvore de Deciso . . . . . . . a 3.3.1 Algoritmo de aprendizado de rvore de deciso . . . a a 3.3.2 Entropia . . . . . . . . . . . . . . . . . . . . . . . . Sistema Especialista como um Sistema de Apoio ` Deciso a a 3.4.1 Sistemas de Apoio ` Deciso . . . . . . . . . . . . . a a 3.4.2 Sistema Especialista com SAD . . . . . . . . . . . . Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . a

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

42 45 46 49 50 52 52 56 56 58 58 60 62 62 62 62 63 63 64 64 68 68 70 72

4 Redes Neurais 4.1 O que uma Rede Neural Articial . . . . . . . . . . . . . . . . . . . e 4.1.1 Elementos de Processamento . . . . . . . . . . . . . . . . . . . 4.1.2 Estado de Ativao . . . . . . . . . . . . . . . . . . . . . . . . ca 4.1.3 Funo de Sa do Elemento de Processamento . . . . . . . . ca da 4.1.4 Padro de Interconexo entre os Elementos de Processamento a a 4.1.5 Regra de Propagao . . . . . . . . . . . . . . . . . . . . . . . ca 4.1.6 Regra de Ativao . . . . . . . . . . . . . . . . . . . . . . . . ca 4.1.7 Regra de Aprendizado . . . . . . . . . . . . . . . . . . . . . . 4.1.8 Representao do Ambiente onde o Sistema Deve Operar . . . ca 4.2 Perceptron e sua implementao . . . . . . . . . . . . . . . . . . . . . ca 4.3 Diferenas entre Sistemas Especialistas e Redes Neurais . . . . . . . . c 4.4 Concluso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 5 Concluso a Referncias Bibliogrcas e a

Resumo
Este projeto aborda, principalmente, as tecnologias da inteligncia articial na e administraao do conhecimento. Os sistemas de administrao do conhecimento, c ca essenciais para obter um melhor desempenho nas empresas, tambm sero estudae a dos. Estes sistemas focalizam a criao, a distribuio e o compartilhamento do ca ca conhecimento e da informao. ca A inteligncia articial ser demonstrada de forma introdutria abrangendo ale a o gumas de suas principais reas, as quais sejam os sistemas especialistas, as redes a neurais articiais, a lgica fuzzy, os algoritmos genticos, o racioc o e nio baseado em casos e os agentes inteligentes. Os sistemas especialistas (SEs) e as redes neurais articiais (RNAs) sero abora dados com mais detalhes. Para o SE vamos usar uma rvore de deciso para a a a concesso de crdito e escrever suas regras correspondentes. Ento a Shell SINTA, a e a baseada no racioc de encadeamento para trs, ser utilizada para inferir decises nio a a o a partir de um usurio qualquer. a O primeiro modelo de RNA que surgiu foi o perceptron, proposto por Frank Rosenblatt. Neste trabalho vamos descrever um pouco da sua histria, explicar como o ele funciona e implement-lo para resolver um problema simples de classicao. a ca A lgica fuzzy e os algoritmos genticos so demonstrados atravs de um exemplo o e a e simples.

Abstract
This project approaches, mainly, the technologies of articial intelligence in the knowledge management. We will study too the knowledge management systems, that are essential to obtaining a best performance in organizations. These systems focalize the creating, distributing and sharing of the knowledge and information. Articial intelligence will be explained in an introduced way including some of its principal areas, such as expert systems, articial neural networks, fuzzy logic, genetic algorithms, case-based reasoning and intelligent agents. Expert systems (ESs) and articial neural networks (ANNs) will be approached in a more detailed form. In ES we will use a decision tree for bank loan and write its correspondent rules. Then the Shell SINTA, based in backward chaining, will be used to infere decisions to depart from any user. The rst ANN model was the perceptron, proposed by Frank Rosenblatt. In this work we will describe a few of its history, explain how it works and implement it for solving a simple classication problem. Fuzzy logic and genetic algorithm are demonstrated through of a simple example.

xi

Cap tulo 1 Introduo ca

O objetivo geral deste projeto de graduao compreender a utilizao de tecca e ca nologias de Inteligncia Articial na administrao do conhecimento. Este cap e ca tulo inicial objetiva-se a introduzir alguns conceitos bsicos e descrever de maneira rea sumida os quatro grandes grupos de sistemas de informao que so projetados ca a especicamente para apoiar a administrao do conhecimento. ca

1.1

Denio de Alguns Termos ca

Para car mais claro os termos usados no t tulo deste projeto de graduao, ca abaixo explica-se cada parte do tema: Tecnologia: Conjunto de conhecimentos, especialmente princ pios cient cos, que se aplicam a um determinado ramo de atividade (Aurlio, 1996). e Inteligncia: faculdade de aprender, apreender ou compreender; percepo, apree ca enso, intelecto, intelectualidade (Aurlio, 1996). a e Articial: produzido pela arte ou pela indstria; no natural. u a Inteligncia Articial: existem vrias denies para o termo inteligncia artie a co e cial, entre elas, destacam-se: A interessante tarefa de conseguir que os computadores pensem(Haugeland, 1985). O estudo dos clculos que permitem perceber, raciocinar e agir(Winston, a 1992). A arte de criar mquinas com capacidade de realizar funes que quando a co realizadas por pessoas requerem inteligncia(Kurzweil, 1990). e Um campo de estudo que se concentra na explicao e emulao da conduta ca ca inteligente em funao dos processos computacionais(Schalko, 1990). c A inteligncia articial um subterfgio, um artif destinado a dominar e e u cio as mquinas atribuindo-lhes uma inteligncia, (Ganascia[7]). a e Administrao: conjunto de princ ca pios, normas e funes que tm por m ordenar co e os fatores de produo e controlar a sua produtividade e ecincia, para se ca e obter determinado resultado (Aurlio, 1996). e 1

Introduo ca

Conhecimento: ato ou efeito de conhecer; idia, noo; informao, not cincia. e ca ca cia e Segundo Garcez[8], uma outra denio de conhecimento forma organizaca e da de informaes consolidadas pela mente humana, atravs dos mecanismos co e cognitivos da inteligncia, da memria e da ateno. e o ca Conhecimento a informao que foi submetida a um processo de renamento e ca para se tornar armaes mais gerais. (...) A verdadeira caracter co stica revolucionria do conhecimento o fato de poder ser adquirido tambm pelos fracos e pelos a e e pobres. O conhecimento a mais democrtica fonte de poder, Toer[9]. e a Alm dos termos acima, tambm so importantes: e e a Dados: so fatos sem relao entre si. Em computao, qualquer representao a ca ca e ca de caracteres ou informao numrica. Para algumas pessoas, dados so conca e a siderados informaao quando estas os compreendem. c Informao: so dados processados, que foram encaixados em categorias e esqueca a mas de classicao ou outros padres, Toer [9], ou seja, atribuio de um ca o ca signicado aos dados. Sistemas de Informao: segundo Barreto[10]: Um sistema de informao o ca ca e objeto S: S = <D,A,F,M,R,V> Onde, D: conjunto de dados; A: atributos considerados relevantes e dispon veis; F: dados provindos de uma fonte de dados; M: memria onde se colocam os o dados; R: regras de combinao de dados; V: conjunto de vises sobre dados ca o manipulados. Sistema ` Base de Conhecimento : Devido ` complexidade da programao, os a a ca desenvolvedores de sistema modularizaram os programas, introduzindo para metros sob forma granular, de forma que cada gro possa ser lido independena temente dos outros. O conjunto de gros chamado de base de conhecimento. a e O motor de inferncia, que o programa em si, a base de conhecimento, que e e e o conjunto de informaes que serve de parmetro para o motor de inferncia co a e e a base de fatos, que so os dados que o programa utiliza para ser executado a compem um sistema ` base de conhecimento, Ganascia[7]. o a Sistema Especialista : Sistemas ` base de conhecimento cuja informao se refea ca re ao saber e ` competncia de um especialista. Sistemas especialistas so a e a discutidos com maior detalhe no cap tulo 3. Com isto pretendemos dar um vislumbre da amplitude do contexto da administrao do conhecimento no qual se insere as tecnologias da Inteligncia Articial ca e que estamos estudando no projeto. Estudar sistemas de informao importante, pois administrar o conhecimento ca e que as empresas possuem tornou-se um ponto estratgico para elas. Os administrae dores precisam reconhecer o valor desse conhecimento, para isto, primeiro, precisam

Introduo ca

perceber que as empresas tm conhecimento, e este no est apenas nos documene a a tos, nas bases de dados e nos sistemas de informao, mas tambm nos processos ca e de negcio, nas prticas dos grupos e nas experincias vividas pelas pessoas. Os o a e administradores devem procurar criar um ambiente onde haja a criao cont ca nua de novos conhecimentos, utilizando a participao das pessoas e equipes de forma a ca tornar a informao dentro da empresa mais acess e coletiva. Finalmente devem ca vel assegurar que sistemas e processos apropriados sejam colocados de forma a maximizar a sua utilizao. Segundo Toer[9]: ca (..)tornou-se um clich empresarial dizer que a riqueza est cada vez mais dee a pendente do poder da mente. A economia avanada no poderia funcionar trinta c a segundos sem computadores, e as novas complexidades da produo, a integrao ca ca de muitas tecnologias diversas (e em constante alterao), a demassicao dos ca ca mercados continuam a aumentar, a saltos imensos, a quantidade e a qualidade de informao necessria para fazer com que o sistema produza riqueza. ca a Sistemas de trabalho de informao e conhecimento e de IA podem realar os proca c cessos organizacionais de diversas maneiras. Eles podem facilitar a comunicao, a ca colaborao e a coordenao, trazer maior poder de anlise para apoiar as tomadas ca ca a de decises ou reduzir a burocracia na empresa. o Um amplo conjunto de tecnologias est dispon para apoiar a administrao a vel ca do conhecimento, incluindo tecnologias de IA e ferramentas para o trabalho com informao e conhecimento e para a colaborao de equipes. ca ca

1.2

Administrao do Conhecimento ca

Laudon[1] fornece uma tima descrio de como o conhecimento se manifesta o ca numa empresa e de como se pode executar o seu gerenciamento atravs de Sistee mas de Administrao de Conhecimento (KMS, do ingls Knowledge Management ca e System). A seguir passamos a transcrev-lo parcialmente. e Nas empresas contemporneas, saber lidar com a obteno e/ou administrao a ca ca do conhecimento existente essencial para melhorar os processos de produo. A e ca colaborao de especialistas, tcnicos e consultores e ainda o compartilhamento e a ca e obteno do conhecimento so vitais para a organizao. Sistemas de informao ca a ca ca especiais, que sero descritos neste cap a tulo, podem apoiar a administrao do conheca cimento, porm levantam uma srie de desaos: sistemas que realmente aumentam e e a produtividade do trabalho so dif a ceis de se construir pois as tarefas de n vel mais elevados, como as executadas por gerentes e prossionais, no so fceis de a a a compreender. Por exemplo, os sistemas podem obter informaes a partir dos dados, co mas obter conhecimento das informaes leva algum tempo. O conhecimento mais co e que informao, um conjunto formado por experincias, valores, informao de ca e e ca contexto e criatividade. Ainda, o conhecimento transmitido de diversas formas de pessoa para pessoa, e como por exemplo a relao professor/aluno ou ainda pais/lhos. Isso leva a pensar ca que conhecimento exclusivo de pessoas e nesse ponto se torna dif capturar e cil as tarefas de n vel elevado. Parte do conhecimento no pode ser obtido e nem a

Introduo ca

codicado, ou ainda, quando consegue-se captur-lo, j pode estar desatualizado. a a Todo este processo que envolve a aquisio de conhecimento torna a construo ca ca de sistemas especialista, ferramenta t pica da rea de Inteligncia Articial, um a e grande desao. Alm disso, toda vez que houver uma mudana no ambiente orgae c nizacional ou nas regras, o sistema especialista deve mudar para continuar sendo consistente. Ao longo dos anos em que os sistemas especialistas vm sendo estudados e implee mentados muitas empresas constru ram tais ferramentas com o propsito de aprimoo rarem seus mtodos de produo. Porm poucas delas realmente usam os sistemas e ca e especialistas em uma base de produo, ou seja, elas desenvolvem um prottipo mas ca o no chegam a us-lo realmente, de maneira a obter vantagem organizacional. a a Grande parte do trabalho feito pelas pessoas, principalmente em pa mais deses senvolvidos, est relacionada com a informao e o conhecimento. Mais da metade a ca dos produtos domsticos vm desses setores (eletrodomsticos, roupas, produtos de e e e beleza, jornais e revistas, entre outros). Setores industriais, tradicionais necessitam de uma maior atuao de sistemas de informao. Imagine se nos dias de hoje ca ca uma empresa de extrao mineral sobreviveria sem algum sistema de informao. ca ca Empresas desses setores necessitam ter uma ateno maior por parte de seus admica nistradores para continuarem a ser competitivas. O conhecimento faz a diferena. c A empresa americana Shell Oil, por exemplo, apresentava seus piores resultados nanceiros em 1991. A crise fez com que a empresa repensasse a maneira de guiar os negcios. Uma soluao utilizada foi a melhor utilizao do conhecimento e da o c ca experincia de seus empregados. A Shell usou sistemas de informao para criar um e ca ambiente de colaborao e comunicao em grupo que atuava como multiplicador do ca ca conhecimento. Dez especialistas da empresa percorreram as fontes internas da Shell e fontes externas como universidades, consultores e outras companhias e tambm e a literatura cient ca sobre a teoria e a prtica da implantao de um Sistema de a ca Administrao do Conhecimento (Knowledge Management System - KMS). O KMS ca implantado pela Shell abrange trs reas do conhecimento: planos de negcios, lidee a o rana e interao humana. A empresa reuniu 1000 documentos e 50 das melhores c ca experincias. Este modelo foi utilizado por quatro unidades de maior produo, e e ca outros grupos, tais como os geologistas, tambm utilizaram sistemas semelhantes. e O KMS desenvolvido pela Shell entrou em operao em 1997. A base de conheca cimento usa um banco de dados SQL (Structured Query Language - Linguagem de Consulta Estruturada, que serve de base para a maioria dos bancos de dados). Uma aplicao de KMS Groupware Lotus Domino permite aos funcionrios continuar ca a dilogos atravs da Intranet (as Intranets sero explicadas com mais detalhes na a e a seo 1.2.3) da empresa, onde so discutidas as experincias mais bem sucedidas. ca a e Uma executiva snior dos Servios Internacionais da Shell usa o KMS para dar e c apoio na liderana de seus negcios. Usando o KMS ela pode percorrer um plano c o de negcio, rever conceitos, fazer alguns exerc o cios com sua equipe e ento examinar a as melhores experincias dos outros em relao ao seus trabalhos. e ca A economia da informao reete o aumento da importncia relativa de setores ca a que usam intensivamente o conhecimento, principalmente as atividades de servios c como os servios de informtica, de informao, de telecomunicaes, de pesquic a ca co sa/desenvolvimento, de consultoria etc. Enm, qualquer bem ou servio pode ser c

Introduo ca

considerado, do ponto de vista de seu contedo, contendo informao e conheciu ca mento (at mesmo um produto primrio, no processado, contm informaes e e a a e co conhecimento). Na economia da informao, fabricar produtos ou servios que os concorrentes ca c no possam copiar ou faz-los mais baratos est baseado no dom do conhecimena e a nio to. Por exemplo, a seguradora americana Progressive Insurence Group nivelou os seus processos produzindo mdulos padronizados dos seus produtos, que podem ser o combinados de diferentes maneiras para atender necessidades individuais dos seus clientes. Se um deles sofrer um acidente, pode contatar a empresa do prprio local, o dando apenas alguns dados, como nome e telefone. Enquanto o cliente se recupera do susto, a Progressive cuida dos trmites legais. Em mais de 95% dos casos, a a Progressive entrega o cheque ao cliente na hora, com isso ela reduz custos operacionais. O conhecimento to importante quanto os bens f e a sicos ou nanceiros para assegurar a competitividade e sobrevivncia na empresa. e No basta, porm, a empresa tornar o conhecimento um bem estratgico. O sua e e cesso da organizao depende cada vez mais de sua habilidade de reuni-lo, produzica lo, mant-lo e dissemin-lo. Desenvolver rotinas e procedimentos para otimizar a e a criao, o uxo, a aprendizagem, a proteo e o compartilhamento da informao e ca ca ca do conhecimento na empresa torna-se uma responsabilidade primordial da administrao. ca A administrao do conhecimento (Knowledge Management) signica gerencica ar ativa e sistematicamente os conhecimentos armazenados de uma organizao. ca Sistemas de informao podem atuar como um papel valioso na administrao do ca ca conhecimento, ajudando a organizao a otimizar seu uxo de informao e obter ca ca sua base de conhecimento, conceito este que ser estudado no cap a tulo 3. As empresas no podem obter vantagens do conhecimento que possuem se elas a no tiverem processos ecientes para a sua obteno e distribuio. Alguns aspectos a ca ca do conhecimento da empresa tm que ser protegidos; por exemplo, informaes sobre e co folha de pagamento devem ser protegidas de acessos que no sejam dos prprios a o funcionrios autorizados. Do mesmo modo deve haver uma distribuio ecaz do a ca conhecimento, ou seja, ele deve chegar onde seja melhor utilizado; de nada adianta distribuir informaes detalhadas sobre as melhorias de um produto para a equipe co de folha de pagamento, no ser to util quanto mostrar a mesma coisa para a a a a de publicidade. Existem programas de gerenciamento de conhecimento para sua proteo e distribuio que as empresas podem adotar. Geralmente, estes programas ca ca so encabeados por um Chief Knowledge Ocer (CKO), executivo snior que ajuda a c e a projetar programas e sistemas para achar novas fontes de conhecimento ou fazer melhor uso do conhecimento existente nos processos organizacionais e gerenciais. Em vista disso, empresas esto fazendo massivos investimentos no setor de tecnoa logia, especialmente aumentando os gastos com equipamentos, sejam microcomputadores ou hardwares, que apiam o trabalho dos funcionrios. Estes investimentos o a foram, principalmente, para os escritrios e o setor de servios em sistemas de auo c tomao de escritrios e de trabalho prossionais. ca o A introduo da tecnologia da informao no garante a produtividade automaca ca a ticamente. Os programas de computadores desktop, e-mail e fax na verdade podem garantir mais planejamento, notas, planilhas eletrnica e mensagens. Para produzir o

Introduo ca

maiores retornos nos investimentos em tecnologia da informao, as empresas devem ca repensar seus procedimentos, processos internos e planos de negcio. o O trabalho da informao (information work) o trabalho que consiste primeica e ramente na criao ou no processamento da informao. Isso realizado pelos traca ca e balhadores da informao, que so normalmente divididos em duas subcategorias: ca a Processadores das informaes (data workers): so as secretrias ou escriturrios co a a a que processam e disseminam a informao e a papelada da empresa. As atividaca des dos processadores das informaes podem ser resumidas em manipular, criar, co armazenar e processar documentos da empresa; controlar agenda individual ou de grupos; comunicar, incluindo iniciar, receber e gerenciar comunicaes seja de voz, co na forma digital ou de documentos em papel para indiv duos e grupos; e gerenciar dados; Trabalhadores de conhecimento (knowledge workers): so os prossionais que a criam o conhecimento e a informao. Aqui esto os engenheiros, os cientistas e os ca a arquitetos, por exemplo, que projetam produtos ou servios para a empresa. c Ambas as classes de prossionais, inseridos na administrao do conhecimento, ca necessitam de sistemas diferentes para apoiar seus trabalhos. Existem quatro grupos de sistemas de informao que so projetados especica a camente para apoiar a administrao do conhecimento. A Figura 1.1 mostra estes ca grupos e cita alguns dos sistemas, segundo classicao de Laudon[1]. ca

Figura 1.1: Sistemas de informao para administrao do conhecimento (adaptado ca ca de Laudon[1], p. 436) Os Sistemas de Automao de Escritrio (oce automation systems - OAS) ajuca o dam a disseminar e coordenar o uxo da informao na empresa. Os Sistemas de ca

Introduo ca

Trabalho com Conhecimento (knowledge work systems - KWS) apiam as atividades o dos trabalhadores de conhecimento e prossionais altamente especializados quando eles criam novos conhecimentos e tentam integr-los na empresa. Sistemas de Colaa borao e Suporte a Grupos apiam a criao e compartilhamento do conhecimento ca o ca entre equipes. Sistemas de Inteligncia Articial fornecem aos administradores e `s e a empresas o conhecimento codicado que pode ser reutilizado.

1.2.1

Distribuir o conhecimento: Sistemas de Administrao ca de Documentos e Escritrio o

A maioria dos processadores das informaes e uma grande maioria dos trabalhaco dores de conhecimento ocupa funes nos escritrios ou reparties incluindo a maior co o co parte do trabalho feito pelos administradores. O escritrio assume um maior papel o em coordenar o uxo de informao atravs de toda organizao. De acordo com ca e ca Laudon[1], o escritrio tem trs funes bsicas: o e co a 1. Gerenciar e coordenar o trabalho dos processadores e dos trabalhadores de informao; ca 2. Ligar o trabalho local dos trabalhadores de informao a todos os n ca veis e funes da organizao; co ca 3. Ligar a organizao ao mundo externo, incluindo clientes, fornecedores, reguca ladores de governo e auditores externos. Os trabalhadores de escritrios constituem-se de prossionais, administradores, o vendedores e funcionrios que trabalham sozinhos ou em grupos. Suas maiores a atividades incluem as seguintes: Manipular documentos, incluindo sua criao, armazenamento, acesso e disseca minao; ca Controlar agenda individual ou de grupos; Fazer comunicao, incluindo iniciar, receber e gerenciar comunicaes seja de ca co voz, na forma digital ou de documentos em papel para indiv duos e grupos; e Gerenciar dados, por exemplo sobre funcionrios, clientes e vendedores. a Essas atividades podem ser realizadas pelos Sistemas de Automao de Escritrio ca o (oce automation systems - OAS). Tais sistemas podem ser denidos como qualquer aplicao de tecnologia da informao que pretende aumentar a produtividade dos ca ca trabalhadores de um escritrio. Programas como processador de textos, voice mail o e editor de imagem fazem parte desses sistemas. A Tabela 1.1, segundo Laudon[1], mostra sistemas t picos de automao de escritrios. ca o Cerca de 85% das informaes das empresas esto na forma de papel. Os papis co a e do escritrio podem ser convertidos por sistemas de Gerenciamento Eletrnico de o o Documentos (GED). Digitalizados eles podem ser armazenados num disco tico, e o este ser mantido num jukebox - servio de armazenamento e acesso a muitos discos c

Introduo ca

Tabela 1.1: Sistemas t picos de automao de escritrio ca o Atividade Tecnologia Gerenciamento de documentos Editor de textos; editorao eletrnica; edio ca o ca de imagem; publicao em web; gerenciadores ca de uxo de trabalho Agenda Calendrios eletrnicos; groupware; intranets a o o ticos. Esses sistemas devem manter um ndice para se consultar as informaes de co forma mais rpida. a A Petrobrs est implantando um GED em algumas de suas unidades. Seu oba a jetivo digitalizar 1 milho e 300 mil documentos que esto entre plantas, desenhos e a a e normas. A estatal brasileira escolheu o software Novation da empresa Cimage. Com o acervo eletrnico, a empresa prev mudanas em todo o processo de trabalho o e c hoje praticado dentro da corporao. O GED vai proporcionar uma integrao de ca ca parceiros externos ao ambiente de Extranet (redes externas) da Petrobrs. a Sistemas de gerenciamento de documentos tradicionais podem ser caros (o sistema em implantao da Petrobrs, por exemplo, custa cerca de R$ 140 mil reais por ca a unidade da empresa; apesar disso a empresa aponta que a taxa de retorno do investimento de 42,7% e que devero ser amortizados at 2003), exigir redes proprietrias e a e a cliente/servidor, software especiais na mquina do cliente, e grande capacidade de a armazenamento. Nesse ponto, elas se mostram a melhor maneira de usar esses sistemas. As intranets so de baixo custo e permitem acesso independente de plataforma a para publicaes de documentos bsicos, e muitas empresas esto usando-as por este co a a motivo. Os documentos que circulam pelas redes so elaborados usando ferramentas a de criar web-pages (pginas de internet). Tais web-pages podem dispor de texto, a imagem, som, grco e v a deo, ou seja, apresentam um ambiente multim dia que ajuda na distribuio da informao. ca ca Alm das intranets, as empresas esto usando a internet para administrar seus e a o caso da BidCom Inc. Esta empresa da Califrnia fundada em 1995 projetos. E o usa a Internet para gerenciar o uxo de trabalho, controlar documentos e administrar projetos nas indstrias de construo, engenharia e arquitetura. Arquitetos, u ca proprietrios de projetos ou empreiteiras gerais podem comprar tempo e espao no a c sistema da BidCom, pagando taxas mensais que so baseadas no nmero de usurios a u a dos sistemas e no n de servios exigidos pelo projeto. vel c Usurios podem enviar desenhos CAD de plantas de projetos e ainda usar uma a camada de marcaopara destacar desenhos dos subsistemas para os quais eles so ca a responsveis. Eles tambm podem enviar oramentos, contratos, programas, folha a e c de dados de materiais de segurana, descrio de desenho, anncios, formulrios, c ca u a campos de relatrios, agendas dirias e regulamentaes governamentais de seguo a co rana, assim como diretrios de equipes de projeto e atas de reunies de projetos c o o ou licenas de construo. Todos os documentos podem ser acompanhados facilc ca mente, tanto individualmente quanto por tipo de documento. O sistema ainda pode identicar diferentes verses de cada documento. o Para alcanar uma ampla produtividade, aps o armazenamento eletrnico, a c o o empresa deve repensar o uxo de trabalho e redenir as rotinas que o documento

Introduo ca

deve percorrer.

1.2.2

Criar o conhecimento: Sistemas de Trabalho com Conhecimento

O trabalho com conhecimento aquela parte do trabalho com informao onde e ca se criam novos conhecimentos e informaes. Por exemplo, os trabalhadores de coco nhecimento criam novos produtos ou acham maneiras de melhorar os existentes. O trabalho com conhecimento segmentado em campos altamente especializados. Cae da campo possui uma coleo diferente de Sistema de Trabalho com Conhecimento ca (Knowledge Work Systems - KWS), que apiam os trabalhadores (especialistas e o tcnicos) de cada campo. Os trabalhadores de conhecimento executam trs papis e e e que so fundamentais e cr a ticos na organizao. So eles: manter a empresa atualica a zada em conhecimentos do mundo exterior; servir como consultores, conforme suas a reas de atuao, nas mudanas e oportunidades; e atuar como agentes de mudanas, ca c c avaliando, iniciando e promovendo projetos de mudana. c Alm de usarem sistemas de automao de escritrio, os trabalhadores que criam e ca o o conhecimento necessitam de sistemas especializados para auxiliar o seu trabalho. Os KWS so especialmente projetados para promover a criao de conhecimento e a ca para garantir que novos conhecimentos e especialidades tcnicas sejam integrados ` e a empresa. Requisitos dos sistemas de trabalho com conhecimento: Os KWS tm caracter e sticas que reetem as necessidades especiais dos especialistas ou tcnicos. Primeiro, eles devem fornecer a esses usurios as ferramentas e a especializadas que necessitam, como por exemplo grcos poderosos, ferramentas a anal ticas, de comunicao e de organizao de documentos, ou calculadoras comca ca plexas. Esses sistemas exigem grande poder computacional, a m de manusear rapidamente os grcos sosticados ou os clculos complexos necessrios aos usurios a a a a que so esses trabalhadores do conhecimento, pesquisadores cient a cos, projetistas (designers) de produtos e analistas nanceiros. Alm disso, devem permitir aos e usurios um acesso rpido e fcil a bancos de dados externos. a a a Os sistemas devem ter uma interface amigvel para que o usurio utilize-os com a a rapidez, uma vez que tais prossionais so caros para a empresa. As estaes de a co trabalho freqentemente so projetadas e otimizadas para tarefas espec u a cas executadas pelo usurio. a Exemplos de sistemas de trabalho de conhecimento: A maioria das aplicaes de trabalho de conhecimento inclui sistemas CAD co (Computer-Aided Design - Sistemas para Simulao e Modelagem), realidade virca tual e estaes de trabalho nanceiras. co Os sistemas CAD so programas que automatizam a criao e reviso de projetos a ca a usando sosticados softwares grcos. Ao invs de usar prottipos f a e o sicos e testa los repetidas vezes, o que consume tempo e dinheiro da empresa, o projetista pode

Introduo ca

10

representar o modelo em uma ferramenta CAD onde ele poder testar e mudar no a computador e s fazer um prottipo f o o sico no nal. Os sistemas de realidade virtual so hardware e software grcos interativos que a a criam simulaes geradas por computador que so to prximas da realidade que os co a a o usurios tem a sensao de que esto participando de uma situao do mundo real. a ca a ca Em muitos sistemas de realidade virtual so usados roupas especiais, headgeare a equipamentos. As roupas contm sensores que gravam os movimentos do usurio e e a imediatamente transmitem esta informao de volta para o computador. E recente ca os benef cios que a realidade virtual est dando nos campos educacional, cient a co e empresarial. Linguagem de Modelagem de Realidade Virtual (VRML) um padro para moe a delagem tridimensional interativa na Internet que fazem uso de diversas m dias como por exemplo animaes, imagens e udio, para colocar o usurio em um ambiente co a a que simula o mundo real. A empresa americana Tower Records usou VRML para construir uma loja virtual para atender clientes na internet. Vendedores iro gurar a a representao do rosto de vendedores reais, e os consumidores sero capazes de ca a ouvir a voz do vendedor em tempo real. Estaes de trabalho de investimento so computadores poderosos para especiaco a listas nanceiros, os quais otimizam o acesso e manipulao de grande quantidade ca de dados nanceiros. Tais computadores permitem o acesso rpido e com baixas a taxas de erros nas informaes nanceiras da empresa. co A Tabela 1.2 resume os principais sistemas de trabalho com conhecimento KWS. Tabela 1.2: Exemplos de sistemas de trabalho com conhecimento - KWS KWS Funo na empresa ca CAD/CAM (computer-aided Permite a engenheiros, projetistas e design/manufacturing) gerentes de produo o controle preciso sobre o ca projeto e produo industrial ca Sistemas de realidade virtual Permite a projetistas, arquitetos, engenheiros e mdicos a preciso e simulaes foto-realistas e a co dos objetos Estaes de trabalho de co Computadores usados no setor nanceiro para investimento analisar situaes comerciais instantaneamente co e facilitar a administrao de pastas ca

1.2.3

Compartilhar o conhecimento: Sistemas de Colaborao em Grupo e Ambientes de Conhecimento de ca Intranet

Apesar de a maioria das aplicaes de trabalho com conhecimento e informao co ca ser projetada para o uso individual, cada vez mais h a necessidade do compartilhaa mento do conhecimento atravs de equipes. Tecnologias fundamentais que podem e ser usadas para a coordenao e colaborao em grupo so: e-mail, teleconferncia, ca ca a e dataconferncia, videoconferncia, groupware e intranet. e e

Introduo ca

11

Intranet e groupware atingem esta proposta. Atravs desses sistemas poss e e vel distribuir o conhecimento entre equipes de trabalho e tambm entre toda a empresa. e Groupware uma aplicao que reconhece a importncia dos grupos nos ese ca a critrios por oferecer funes e servios que suportam as atividades colaborativas de o co c grupos de trabalho. Tem trs princ e pios: comunicao, colaborao e coordenao. ca ca ca Entre suas capacidades incluem-se publicao, gerenciamento e duplicao de docuca ca mentos, acompanhamento de lista de discusso, gerenciamento de uxo de trabalho a (work ow), segurana, portabilidade e desenvolvimento de aplicaes. A Tabela c co 1.3 lista as capacidades de um groupware. Tabela 1.3: Servios de um sistema groupware c Descrio ca Enviar documentos e trabalhar simultaneamente em um mesmo documento com mltiplos usurios com um mecanismo u a de acompanhar alteraes co Duplicao ca Manter e atualizar dados idnticos em e mltiplos computadores pessoais e servidores u Acompanhamento de listas Organizar discusses de muitos usurios o a de discusso a em diferentes tpicos o Gerenciamento de documento Armazenar informao de vrios tipos ca a de software em um banco de dados Gerenciamento do uxo de Mover e trilhar documentos criados pelos trabalho grupos Segurana c Prevenir acesso no autorizado a dados a Portabilidade Disponibilidade do software ser usado em diferentes redes corporativas Desenvolvimento de aplicaes Desenvolver aplicaes personalizadas co co Capacidade Publicao ca A Intranet de Ambiente de Conhecimento disponibiliza o acesso a uma variedade de fontes e m dias tais como textos, sons, v deos e tudo o que puder ser disponibilizado digitalmente na de rede da empresa atravs de uma interface simples. O e sistema de administrao do conhecimento da Shell um exemplo. Outro exemplo ca e o ambiente de conhecimento desenvolvido pela Ford Motor Company. e A intranet da Ford conecta cerca de 95.000 funcionrios. O objetivo de sua rede a diminuir o ciclo de produao de automveis. A intranet dispe de vrios servios e c o o a c incluindo not cias, informaoes sobre pessoas, processos, produtos e concorrncia. c e Alm disso h formulrios de registro de treinamento, mapas, listas telefnicas da e a a o empresa, layouts dos prdios, informaes dos recursos humanos, e textos provenie co entes da rede de comunicao da Ford. Na intranet da empresa, os funcionrios ca a podem acessar bibliotecas on-line e o Centro Web de Excelncia com informaes e co de trabalhos realizados, padres e recomendaes. o co Essas caracter sticas juntamente com seus baixos custos so alternativas muito a atrativas para pequenas e mdias empresas. e Porm, para aplicaes que exigem uma extensa coordenao e administrao, os e co ca ca softwares de groupware, como por exemplo o Lotus Notes, tm capacidades impore

Introduo ca

12

tantes que as intranets ainda no suportam. O Lotus Notes mais ex quando a e vel os documentos precisam ser alterados ou editados rapidamente. Redes internas baseadas em Notes so mais seguras que as intranets. E ainda os sites da intranet a so mais suscet a veis a erro quando o servidor est sobrecarregado. a A tecnologia da intranet funciona melhor como um repositrio central com um o pequeno nmero de autores e informaes relativamente estticas que no exigem u co a a atualizaes muito freqentes. As informaes so visualizadas por um browser co u co a de internet, por exemplo Netscape Communicator ou Internet Explorer, e dispe o ferramentas de colaborao e mensagem incluindo e-mail, grupos de discusso, ferca a ramentas de agenda e calendrio de grupos e conferncia ponto-a-ponto. a e Ao mesmo tempo os produtos groupware esto evoluindo para serem usados em a conjunto com as intranets. E ainda, algumas verses mais recentes j podem atuar o a como um servidor Web, e suas informaes podem ser visualizadas em um navegador co de internet. As tecnologias de colaborao em grupo no conseguiro sozinhas promover a ca a a distribuio da informao se os membros da equipe no estiverem interessados ca ca a em compartilhar, especialmente em empresas que encorajam a competio entre ca funcionrios. a

1.2.4

Capturar e Codicar o Conhecimento: Sistemas de Inteligncia Articial e

As organizaes esto usando as tecnologias da inteligncia articial para capco a e turar o conhecimento individual e coletivo e para codicar e estender sua base de conhecimento. O objetivo da IA desenvolver sistemas baseados em computadores que possam e se comportar como seres humanos, com habilidades para aprender linguagens, realizar tarefas f sicas, usar aparelhos de percepo e emular especialistas e a tomada ca de deciso humanas. a No Cap tulo 2 mostrar-se- os sistemas de inteligncia articial explorando como a e se faz a obteno e codicao do conhecimento atravs de suas tecnologias. ca ca e

1.3

Organizao dos Cap ca tulos

Am de atingir os objetivos do projeto, esta monograa foi dividida em 5 cap tulos. Cap tulo 1 Introduzir-se- alguns conceitos bsicos e descrever-se- de maneira rea a a sumida os quatro grandes grupos de sistemas de informao que so projetados ca a especicamente para apoiar a administrao do conhecimento. ca Cap tulo 2 Mostrar-se- os sistemas de IA explorando como se faz a obteno e coa ca dicao do conhecimento atravs de suas tecnologias (sistemas especialistas, ca e redes neurais, lgica fuzzy, racioc o nio baseado em caso, algoritmos genticos e e agentes inteligentes). Cap tulo 3 Veremos o que um sistema especialista, como ele funciona, quais os e tipos. Demonstrar-se- uma rvore de deciso e as regras de produo de a a a ca

Introduo ca

13

um determinado problema. Visualizar-se- o sistema atravs de uma Shell e a e explicar-se- o encadeamento para trs. O aprendizado indutivo com rvore a a a de deciso ser explanado. Abordaremos os SEs como um SAD na Seo 3.4. a a ca Cap tulo 4 Tratar-se- das redes neurais. O que um rede neural, um breve a e histrico, o que o perceptron e sua implementao. o e ca Cap tulo 5 E reservado para a concluso. a

Cap tulo 2 Inteligncia Articial e

Embora as aplicaes de Inteligncia Articial (IA) sejam muito mais limitadas co e que a inteligncia humana, elas so de grande interesse para as empresas pelas e a seguintes razes: o Preservar o conhecimento em uma especialidade que pode ser perdida pela ausncia ou morte do especialista humano; e Armazenar informaes de forma ativa (criar uma base de conhecimento) que co muitos empregados possam examinar, como um livro texto ou manual eletrnico; o Criar um mecanismo que no se sujeitar a sentimentos humanos tais como a a fadiga e pressa. Isto pode ser especialmente util quando os trabalhos so a ambiental, f sica e mentalmente perigosos para o homem. Se submetendo ao trabalho f sica ou mentalmente inspito ao homem. Esses sistemas tambm o e podem ser conselheiros uteis em tempos de crise; Eliminar trabalhos rotineiros e insatisfatrios para as pessoas; o Avanar a base de conhecimento da empresa ao sugerir solues para proc co blemas espec cos que so muito intensos e complexos para ser analisado pelo a homem em um curto per odo.

2.1

O que Inteligncia Articial e e

A IA pode ser denida como o esforo de desenvolver sistemas baseados em comc putadores (hardware ou software) que possam se comportar como seres humanos, ou seja, organizar a soluo de problemas de acordo com etapas e passos idnticas ca e a do ser humano. Com a IA, as mquinas podem ter a capacidade de raciocinar e a aprender funes normalmente associadas com a inteligncia humana. Tais sistemas co e seriam capazes de aprender linguagens naturais, realizar tarefas f sicas coordenadas (robtica), usar aparelhos de percepo que informam seu comportamento e o ca linguagem (sistemas de percepo oral e visual) e emular especialistas e a tomada ca de deciso humanas (sistemas especialistas). Tais sistemas tambm podem mostrar a e lgica, racioc o nio, intuio e as qualidades de bom senso que ns associamos com ca o

Inteligncia Articial e

15

o ser humano. Criada ocialmente em 1956, a IA est intimamente relacionada ao a aprendizado da mquina, Jordain[11]. Outro importante elemento so mquinas a a a inteligentes, os hardwares f sicos que executam essas tarefas. A Figura 2.1 ilustra alguns dos elementos da fam da inteligncia articial. lia e

Figura 2.1: Alguns membros da fam da Inteligncia Articial (adaptado de lia e Laudon[1], p. 446) O sucesso dos sistemas de IA so baseados na especialidade, conhecimento e a padres de racioc o nio ltrado humanos, mas eles no exibiro a inteligncia do ser a a e humano. A existncia dos sistemas de inteligncia articial no propem solues e e a o co novas e originais para resolver problemas. A sua existncia estende os poderes e dos especialistas mas de nenhuma maneira os substituem ou obtm conhecimentos e superiores a eles. Os sistemas de IA no possuem o senso comum e a generalidade a do ser humano naturalmente inteligente. A inteligncia humana vastamente complexa e mais ampla que a inteligncia e e e dos computadores. Um fator chave que distingue o ser humano dos outros animais nossa capacidade de desenvolver associaes e usar metforas e analogias, como e co a por exemplo como, do verbo comer e como, a conjuno ou o advrbio. Usando ca e metforas e analogia ns criamos novas regras (uma regra pode ser, por exemplo: SE a o est frio ENTAO deve-se usar agasalho), aplicamos velhas regras em novas situaes a co e ao mesmo tempo atuamos intuitivamente e/ou instintivamente sem regras. Muito do que ns chamamos de senso comum ou generalizado nos humanos residem na o habilidade de criar metforas e analogia. a A inteligncia humana tambm inclui uma habilidade unica de impor um aparato e e conceitual no mundo que nos cerca. Meta-conceitos tais como causa-efeito e tempo, e conceitos de menores importncia como, por exemplo, caf da manh, jantar e a e a almoo, so todos impostos pelos seres humanos no mundo que os cercam. Pensar c a nos termos desses conceitos e atuar sobre eles so caracter a sticas centrais da raa c humana.

2.2

Tecnologias da Inteligncia Articial e

As empresas esto usando vrias tcnicas inteligentes da computao para esa a e ca tender sua base de conhecimento antes de fornecer solues de problemas que so co a enormes ou complexos para serem manipulados por pessoas. Sistemas especialistas, redes neurais, lgica fuzzy, algoritmos genticos, racioc o e nio baseado em caso e

Inteligncia Articial e

16

agentes inteligentes so aplicaes promissoras no mundo corporativo. As prximas a co o sees descrevem estas tecnologias. co

2.2.1

Sistemas Especialistas

Sistemas especialistas so programas de computador de conhecimento intensivo, a obtido pela per de especialistas em dom cia nios limitados do conhecimento. Eles podem auxiliar na tomada de deciso levantando questes relevantes e explicando a o as razes para adotar certas aes. o co No Cap tulo 3 daremos introduo aos SEs e veremos como a Shell SINTA trabaca lha com o conhecimento usando um exemplo de um sistema de concesso de crdito a e pessoal bancrio. a

2.2.2

Redes Neurais Articiais

Redes neurais articiais so hardware ou software que tentam imitar o modelo a de processamento do crebro biolgico. Seu amplo uso destaca cada vez mais a rea e o a conexionista da inteligncia articial. e Explicar-se- os conceitos e mecanismos de uma rede neural articial no Cap a tulo 4, quando mostraremos os resultados da implementao de um perceptron simples. ca

2.2.3

Racioc nio Baseado em Caso

Para a construo de sistemas especialistas obtm-se o conhecimento de especica e alistas individuais. Mas organizaes tambm tm conhecimento coletivo e especico e e alidades que foram constru das durante anos. Tal conhecimento pode ser obtido e armazenado atravs do Racioc Baseado em Caso (RBC). O RBC uma tecnoloe nio e gia de inteligncia articial que representa o conhecimento e experincias passadas e e como uma base de dados de casos e solues. O sistema busca por casos armazenaco dos com caracter sticas similares a um problema novo, acha o mais parecido e aplica as solues do antigo caso ao novo. Solues bem sucedidas so adicionadas ao novo co co a caso e ambos so armazenados juntos com os outros casos na base de conhecimento. a J as solues mal sucedidas tambm so adicionadas ao banco de dados de casos a co e a junto com explicaes do porque que as solues no funcionaram. co co a Os SEs funcionam aplicando um conjunto de regras SE-ENTAO-SENAO que formam uma base de conhecimento. O RBC, ao contrrio, representa o conhecimento a como uma srie de casos, e esta base de conhecimento continuamente expandida e e e renada pelos usurios. Os sistemas de RBC simulam o ato humano de relembrar um a episdio prvio para resolver um determinado problema em funo da identicao o e ca ca de anidades entre os mesmos, [[Aam1994] apud Kuhnen[12]]. Por exemplo, a Compaq Computer de Houston, Texas, empresa que opera em alto grau de competitividade, ambiente de negcio baseado em servios orientados o c a clientes e diariamente inundada com telefonemas de clientes que precisam de e suporte. Manter os clientes satisfeitos exige da Compaq gastar milhes de dlares o o anualmente para manter a ampla e tecnicamente hbil equipe de suporte a usurio. a a Quando os clientes entram em contato com a empresa, eles precisam descrever os problemas para o pessoal do suporte e ento esperar enquanto so transferidos para a a

Inteligncia Articial e

17

tcnicos especializados. Os clientes ento descrevem todo o problema novamente e a enquanto os tcnicos tentam resolver - o que demonstra uma experincia frustrante. e e Para melhorar o atendimento ao usurio e controlar os custos, a Compaq inicia ou a construo de um software de RBC para clientes compraram as impressoras ca Pagemarq. A base de conhecimento do software composta de centenas de casos e reais dos problemas t picos dessas impressoras. O pessoal do suporte treinou o RBC entrando com informaes de forma textual, por palavras chaves necessrias para co a serem problemas categorizados. Eles tambm informaram um srie de questes que e e o poderiam ser necessrias para permitir ao software chegar a um problema restrito. a Finalmente, as solues foram adicionadas para cada caso. Com o sistema de RBC co instalado em seu computador, o usurio no precisa mais ligar para o suporte. Ao a a invs disso, ele executa o programa e descreve o problema. O sistema rapidamente e busca casos reais, descartando os no relacionados e selecionando os relacionados ao a problema. Se for necessrio promover uma busca mais renada, o software pedir a a ao usurio mais informaes. No m, um ou mais casos relevantes para o problema a co especicado sero apresentados com suas solues. Com isso, a Compaq economizou a co de 10 a 20 milhes de dlares por ano. o o Existem boas razes para se utilizar um sistema de racioc o nio baseado em caso. Primeiro, o conhecimento adquirido, armazenado em uma base de dados. Segundo, e poss dar manutenao ao conhecimento armazenado ou mesmo adicionar novos e vel c casos. Ainda, a ecincia com que o sistema resolve os problemas crescente. Como e e o RBC armazena tambm os casos que no foram bem sucedidos, ca mais fcil e a a evitar insucessos. E por ultimo, o usurio nal, que realmente experimenta ou usa a um sistema RBC, pode comprovar os seus resultados. A aceitao boa por parte ca e deste, [[Koll1993] apud Kuhnen[12]]. O Sistema i-hotel, desenvolvido pela Universidade do Vale do Itaja - UNIVALI e pela Universidade Federal de Santa Catarina - UFSC, dispe um servio de apoio o c ao usurio (neste caso, pessoa que utilizar o servio atravs da pgina na internet, a a c e a por exemplo um turista ou uma agncia de viagem) na rea hoteleira. O sistema e a ajuda na escolha de um melhor local para se hospedar e ainda fornece endereos, c mapas e at a realizao de reserva, dependendo do caso. Por enquanto o i-hotel e ca abrange o estado de Santa Catarina, mas pretende-se implant-lo para todo o Brasil, a Kuhnen[12]. Novos software comerciais, tal como o Inferences CasePoint WebServer permite que clientes acessem um banco de dados de casos atravs da Web. Usando o racie oc nio baseado em casos, o servidor indaga aos clientes uma srie de questes para e o estreitar os problemas. A CasePoint ento extrai solues do banco de dados e as a co passam para os clientes.

2.2.4

Lgica Fuzzy o

Os programas tradicionais requerem preciso e certeza (tambm chamado de a e crisp): ligado ou desligado, sim ou no, certo ou errado. Porm isso no acontece no a e a mundo real. Sabemos que 50o C quente e que 40o C gelado; mas 23o C quente, e e e morno, ameno ou frio? A resposta depende de fatores como o vento, umidade, a experincia pessoal e a roupa que cada um est usando. e a

Inteligncia Articial e

18

Introduzida em 1965 por Lot A. Zadeh, da universidade da Califrnia, a lgica o o fuzzy (ou lgica difusa) uma tecnologia da IA baseada em regras que tolera a o e impreciso e sempre usa isso para solucionar problemas que ns no consegu a o a amos resolver antes. Consiste de uma variedade de conceitos e tcnicas para representar e e inferir o conhecimento que impreciso, incerto ou que no d conana. Os termos e a e c (conhecidos como funes de pertinncia) da lgica fuzzy so denidos de forma co e o a imprecisas para, por exemplo, na Figura 2.2, frio estar entre 10 e 21o C, embora a temperatura mais claramente fria em torno de 15 e 20o C. Observe que frio e sobrepe-se parcialmente sobre gelado ou normal. o

Figura 2.2: Exemplo de implementao da lgica fuzzy (adaptado de Laudon[1], p. ca o 457) Para controlar o ambiente de um quarto usando esta lgica, o programador o poderia desenvolver similarmente denies imprecisas para umidade e outros fatores co tais como vento e temperatura externa. Em geral, o cdigo da lgica fuzzy exige o o tornando-o mais simples que os tradicionais. menos regras SE-ENTAO, Nesta seo exploraremos os controladores com lgica fuzzy. Inmeras mquinas ca o u a e processos usam esses controladores, muito difundidos principalmente no Japo. A a seguir temos alguns exemplos: Cmera de v a deo: determina o melhor foco e luz quando h imagem em movia mento; Metr: aumenta a estabilidade de direo e a preciso da parada atravs da o ca a e avaliao das condies de trfego de passageiros. Fornece partida e parada ca co a suaves; Aspirador de p: ajusta a potncia do motor do aspirador julgando a quantio e dade de p e sujeira e as caracter o sticas do piso. Plano de sade: determina o valor da mensalidade de um indiv u duo atravs e de sua idade e outros atributos. Um sistema de controle um sistema de closed-loop, isto , de ciclo fechado, que e e normalmente controla uma mquina para realizar uma resposta desejada, dado um a

Inteligncia Articial e

19

nmero de entradas do ambiente. Estes sistemas usam o processo de fuzicao e u ca defuzicao. A fuzicao gera entradas fuzzy para uma mquina de inferncia, ca ca a e enquanto a defuzicao faz o inverso, cria valores reais, tambm chamados de crisp, ca e para serem aplicados na mquina sob controle. Os principais componentes desses a sistemas so listados abaixo e ilustrados na Figura 2.3. a mquina sob controle a mquina ou processo que se deseja controlar, por exema e a plo, uma mquina de lavar roupa a sa das respostas do comportamento da mquina a sa das fuzzy as mesmas sa das, passadas pela fuzicao ca mquina de inferncia/base de regras fuzzy converte as sa a e das fuzzy para aes co a tomar acessando as regras fuzzy em uma base de regras entradas fuzzy so as aes fuzzy a serem executadas a co entradas so os indicadores crisp na mquina para controlar seu comportamento, a a convertido de entradas fuzzy com um defuzicador

Figura 2.3: Diagrama de um sistema de controle fuzzy (adaptado de Rao[2], p. 48) Mostraremos o exemplo de um aquecedor de gua de uma mquina de lavar, a a proposto por Rao[2]. O aquecedor possui um boto de controle(0-10), para controlar a a potncia do calor, no qual 0 representa desligado e 10 o valor mais quente. A e mquina possui dois sensores, um diz a temperatura da gua (N da temperatura), a a vel variando de 0 a 125o C, e o outro o n da gua no tanque (N da gua), o qual vel a vel a varia de 0 = vazio a 10 = cheio. Existe um controle automtico de uxo que a determina o quanto de agua fria que ui para dentro do tanque, quando o n vel dgua chega abaixo de 40, parando quando o n chega a 95. O principal objetivo a vel manter a temperatura da gua o mais prximo poss de 80o C a despeito das e a o vel mudanas no uxo de gua que sai do tanque e dgua fria que entre nele. c a a

Inteligncia Articial e

20

Tabela 2.1: Universo do discurso para entradas e sa das Nome Entrada/Sa da Valor m nimo Valor mximo a N da gua vel a Entrada 0 10 Boto de controle a Sa da 0 10 N da temperatura vel Entrada 0 125

O primeiro passo para resolver esse problema utilizando um controlador fuzzy e mostrar os valores que as entradas e as sa das podem receber (universo do discurso), Tabela 2.1. O passo seguinte fuzicar as entradas. Usaremos as funes de pertinncia e co e triangulares para isso, seguindo algumas recomendaes [Yan, et al. apud Rao[2]]: co 1. distribuir simetricamente os valores fuzicados atravs do universo do discurso; e 2. usar um nmero u mpar de conjuntos fuzzy para cada varivel para que algum a conjunto esteja no meio; 3. sobreposio de conjuntos adjacentes (cerca de 15% a 25%) ca O n da temperatura e o n da gua tero os seguintes valores nos conjuntos vel vel a a fuzzy: MPequeno, Pequeno, Mdio, Grande e MGrande. As Tabelas 2.2 e 2.3 dispe e o esses valores para ambas as entradas. Tabela 2.2: Conjunto de variveis fuzzy para n da gua a vel a Conjunto de entrada crisp Varivel fuzzy a 0-2 MPequeno 1,5 - 4 Pequeno 3-7 Mdio e 6 - 8,5 Grande 7,5 - 10 MGrande

Tabela 2.3: Conjunto de variveis fuzzy para n da temperatura a vel Conjunto de entrada crisp Varivel fuzzy a 0 - 20 MPequeno 10 - 35 Pequeno 30 - 75 Mdio e 60 - 95 Grande 85 - 125 MGrande

Inteligncia Articial e

21

Figura 2.4: Funes de pertinncia fuzzy para n da temperatura co e vel

Figura 2.5: Funes de pertinncia fuzzy para n da gua co e vel a As Figuras 2.4 e 2.5 ilustram as funes de pertinncia triangulares para as co e entradas n da temperatura e n da gua, respectivamente. vel vel a O prximo passo montar funes membros para a sa o e co da, o que mostrado na e Tabela 2.4 e Figura 2.6, para a unica sa boto de controle. da a Devemos agora criar a base de regras difusa, similarmente a um sistema especialista. A Tabela 2.5 montada pelas seguintes declaraes: e co 1. Quando a temperatura est baixa, o boto de controle dever ser mais alto do a a a que quando a temperatura est alta. a 2. Quando o volume de gua est baixo, o boto de controle no precisa ser to a a a a a alto como quando o volume de gua alto. a e Por exemplo, para n da gua = Mdio (M) e n da temperatura = MPequevel a e vel no (MP), a sa boto de controle = UmConjuntoGrande, isto , a combinao da e a e ca da coluna de n da gua com a linha de n da temperatura que resulta boto vel a vel a de controle. Isto ainda pode ser representado da seguinte maneira:

Inteligncia Articial e

22

Tabela 2.4: Conjunto de variveis fuzzy para boto de controle a a Conjunto de entrada crisp Varivel fuzzy a 0-2 BemPouco 1,5 - 4 UmPouco 3-7 UmaBoaQuantidade 6 - 8,5 Muito 7,5 - 10 UmConjuntoGrande

Figura 2.6: Funes membros fuzzy para a sa boto de controle co da a Regra 1 SE n da gua = MP E n da temperatura = MP vel a vel boto de controle = UmaBoaQuantidade ENTAO a Finalmente, a ultima etapa a defuzicao da sa e ca da. Atravs das vrias regras e a SE-ENTAO devemos obter um nmero crisp de sa u da. Usaremos os dois mtodos e mais populares para isso: o mtodo do Centride e o mtodo do Ou fuzzy. Um e o e exemplo ser usado para o entendimento. Assuma que, num certo per a odo, o n vel da gua = 7,0 e n da temperatura = 65. Estas entradas crisp vindas diretamente a vel dos sensores sero fuzicadas. a Para a entrada crisp n da gua = 7,0, temos as sa vel a das fuzzy com os valores de pertinncia: Mdio (0,4) e Grande(0,6). Isto , o tanque est com gua at um e e e a a e pouco mais da metade. Para n da temperatura = 65, temos as sa vel das fuzzy com os valores membros: Mdio (0,75) e Grande(0,25). Quer dizer, a temperatura da e a gua no tanque est um pouco mais do que morna. Isto resulta em quatro regras: a 1. n da temperatura = Mdio (0,75) E n da gua = Mdio(0,4) vel e vel a e 2. n da temperatura = Grande (0,25) E n da gua = Mdio(0,4) vel vel a e 3. n da temperatura = Mdio (0,75) E n da gua = Grande(0,6) vel e vel a 4. n da temperatura = Grande (0,25) E n da gua = Grande(0,6) vel vel a

Inteligncia Articial e

23

Tabela 2.5: Base de regras fuzzy n da vel temperatura/ n da gua vel a MP P M G MG

MP UmaBoaQuantidade Muito UmConjuntoGrande UmConjuntoGrande UmConjuntoGrande

P UmPouco UmaBoaQuantidade UmPouco Muito Muito

M BemPouco BemPouco UmaBoaQuantidade Muito Muito

MG

BemPouco BemPouco UmPouco UmaBoaQuantidade

Primeiro determinamos as sa das para cada E das regras. Fazemos isso atravs e da conjuno ou usar o m ca nimo dos dois, conforme mostrado abaixo: 1. (0,75) (0,4) = 0,4 2. (0,25) (0,4) = 0,25 3. (0,75) (0,6) = 0,6 4. (0,25) (0,6) = 0,25 Usando a base de regras fuzzy e as foras de disparo agora obtidas, ns achamos c o que as regras recomendam as seguintes sa das para boto de controle (valores de a fora): c 1. UmaBoaQuantidade(0,4) 2. BemPouco(0,25) 3. UmPouco(0,6) 4. MuitoPouco(0,25) Isto signica que o boto de controle pode agir da forma de qualquer item antea rior. Porm precisamos obter um unico valor crisp. Primeiro aplicaremos o mtodo e e de defuzicao Ou fuzzy. Usaremos a disjuno ou valor mximo para combinar os ca ca a valores, da seguinte maneira: (0, 4) (0, 25) (0, 6) (0, 25) = 0, 6 A sa crisp do boto de controle o resultado da disjuno multiplicado pela da a e ca gama da varivel de sa a da: (0, 6)(10 0) = 6.0. Isto , com as entradas n da e vel

Inteligncia Articial e

24

Figura 2.7: Membros fuzzy aplicados na sa boto de controle da a a gua = 7,0 e n da temperatura = 65, o aquecedor acionar a potncia 6 para vel a e o manter a gua na temperatura de 80 C a Pelo mtodo do centride h duas variaes: o mtodo de composio de soe o a co e ca breposio e o mtodo de composio aditiva. Usaremos os valores de fora e o ca e ca c colocaremos em uma funo de pertinncia triangular. Por exemplo, para a primeica e ra regra, ns preencheremos a funo de pertinncia triangular, UmaBoaQuantidade o ca e para o n 0,4. Ns ento cortamos o topo do tringulo (acima de 0,4). E fazemos vel o a a o mesmo para as outras regras, Figura 2.7.

Figura 2.8: Composio de sobreposio e composio aditiva ca ca ca Ento alinhamos as guras truncadas como mostra a Figura 2.8 e as combinamos a de acordo com o mtodo da composio de sobreposio ou o mtodo da composio e ca ca e ca aditiva. O primeiro mtodo simplesmente sobrepe todos os tringulos truncados e o a em uma mesma rea. Mas pode-se perder informao com esse mtodo. O outro a ca e mtodo adiciona as guras geomtricas no topo de cada uma. e e Para obter um unico valor crisp deve-se obter o centride, ou centro da gravidade o da gura geomtrica. A Figura 2.9 mostra o ponto onde a gura perfeitamente e e balanceada. Separa-se a rea geomtrica em pedaos e soma-se todas as reas de a e c a contribuio nos dois lados do centride, ns obtemos o valor 5,2 para esse exemplo. ca o o

Inteligncia Articial e

25

Figura 2.9: Centride o

2.2.5

Algoritmos Genticos e

Tambm chamados de computao adaptativa, os algoritmos genticos (AG) so e ca e a mtodos de otimizao e busca que so conceitualmente baseados nos procedimentos e ca a que os organismos vivos usam para adaptar-se ao ambiente - o processo evolutivo, descrito por Charles Darwin, naturalista e siologista ingls, em seu livro A origem e das espcies, em 1859. Segundo Darwin, e Quanto melhor um indiv duo se adaptar a um meio ambiente, maior ser sua a chance de sobreviver e gerar descendentes. Eles so programados para funcionar da mesma forma que as populaes resolvem a co problemas - por mudanas ou reorganizao de suas partes usando processos coc ca mo seleo, mutao e recombinao ou crossover. Usando operadores que tambm ca ca ca e recebem estes nomes, os AG promovem a evoluo de solues para problemas parca co ticulares, controlando a gerao, variao, adaptao e seleo de poss ca ca ca ca veis solues. co Quando as solues so alteradas e combinadas, as piores so descartadas e as melhoco a a res sobrevivem e continuam a produzir solues ainda melhores. Isso otimizao, co e ca buscar a melhor soluo para um dado problema. ca Os algoritmos genticos originaram-se no trabalho de John H. Holland, professor e de psicologia e cincia da computao da Universidade de Michigan, EUA. Como e ca as redes neurais, os algoritmos genticos so aplicaes ideais para computadores e a co intensamente paralelos. As tcnicas de busca e otimizao apresentam, normalmente, um espao de busca e ca c (i.e., o conjunto onde esto as poss a veis solues para o problema) e uma funo co ca objetivo (i.e., funo para avaliar as solues produzidas, associando a cada uma ca co delas uma nota). Matematicamente, a otimizao visa encontrar a soluo que ca ca corresponda ao ponto de mximo ou m a nimo da funao objetivo. Por exemplo, c considere o problema proposto por Lacerda[3] listado abaixo. f (x) = xsen(10x) + 1 dentro do intervalo 1 x 2. Esta funo apresenta vrios pontos de mximo e de m ca a a nimo, denominados como mximos locaisou m a nimos locais. Nosso objetivo descobrir, utilizando e a tcnica de AG, qual ponto o mximo global, que seria a melhor soluo. A e e a ca Figura 2.10 mostra a representao grca da funo f (x) citada acima. ca a ca Um algoritmo gentico t e pico funciona criando-se, inicialmente uma populao ca inicial de cromossomos. Cromossomo, em AG, signica um simples ponto no espao c

Inteligncia Articial e

26

Figura 2.10: Grco da funo f (x) = xsen(10x) + 1 a ca de busca, isto , uma soluo candidata. A populao inicial gerada aleatoriae e ca ca e mente. Cada cromossomo, durante o processo evolutivo, receber um nota, chamada a de aptido, que variar de acordo com a qualidade da soluo que ele representa. De a a ca acordo com o processo evolutivo de Darwin, os mais aptos so selecionados e o menos a aptos descartados. Os membros selecionados podem sofrer modicaes atravs de co e operadores de crossover e mutao, gerando descendentes para a prxima gerao. ca o ca Tal processo repetido at que uma soluo tima seja encontrada. O algor e e ca o tmo listado na Figura 2.11 demonstra os passos explicados acima.

Figura 2.11: Algoritmo gentico t e pico (adaptado de Lacerda[3], p. 101) Os cromossomos so representados, geralmente, na forma de cadeia de bits (0 a ou 1), mas pode tambm ser representados por nmeros reais, ou seja, nmeros de e u u ponto utuante. Os cromossomos, ento, so um conjunto de parmetros da funo a a a ca objetivo cuja resposta ser maximizada ou minimizada. O problema acima proposto a utiliza um unico parmetro, a varivel x. O cromossomo ter uma cadeia de 22 bits, a a a um exemplo seria: s1 = 1000101110110101000111 Como primeiro passo, os cromossomos so obtidos na forma binria. Aps isso, a a o

Inteligncia Articial e

27

decodica-se da base 2 para a base 10. Em nosso exemplo: b10 = (1000101110110101000111)2 = 2288967 O terceiro passo ajustar os cromossomos convertidos em decimal para os limie tes estabelecidos no problema, no caso [1, 0; 2, 0]. Isto pode ser feito pela frmula o abaixo: b10 (2.2) 1 Sendo que, min representa o valor m nimo do intervalo e max o valor mximo. l a representa o tamanho da cadeia de bits. Assim, utilizando a frmula para o exemplo, o temos: x = min + (max min) 2l 2.288.967 = 0, 637197 (2.3) 222 1 Cada cromossomo si recebe uma aptido fi . Quanto mais prximo o valor do a o cromossomo estiver da soluo maior ser a sua aptido. Nas prximas sesses sero ca a a o o a discutidos os operadores de seleo, crossover e mutao. ca ca x1 = 1 + (2 + 1) Seleo ca A populao inicial, S(0), do algoritmo gentico representada por N cromosca e e somos. Continuando com o exemplo proposto em Lacerda[3], apresentamos a populao inicial como N = 30, que mostrada na Figura 2.12. Tem-se nesta gura ca e o valores da funo objetivo em ordem decrescente, de x codicado no cromossomo ca e a aptido para este valor. Deve-se observar que os valores iniciais foram geraa dos aleatoriamente, uma vez que no se tem conhecimento prvio da soluo do a e ca problema. Os pontos da populao inicial no grco usando a funo mostrado na Figura ca a ca e 2.13. O mtodo de seleo consiste em alocar os melhores cromossomos (os com maie ca ores aptido) da populao inicial em uma populao intermedirias para que estes a ca ca a possam gerar cromossomos lhos utilizando-se os mtodos crossover e mutao. Gee ca ralmente, os pais so selecionados com probabilidade proporcional ` sua aptido. a a a Portanto, a probabilidade de seleo de pi , de um cromossomo si com aptido fi ca a e dada por: pi = fi N i=1 (2.4)

fi

Existem diversas formas para denir a aptido. Aqui, utilizaremos a forma de a aptido por ordenamento do cromossomo. Uma aptido arbitrria igual a 2 foi a a a atribu ao primeiro cromossomo do ordenamento e o valor zero ao ultimo. Entre da o primeiro e ultimo cromossomo h valores interpolados por uma reta, isto , pela a e funo fi = 2(N i)/(N 1), sendo N o tamanho da populao. ca ca

Inteligncia Articial e

28

Figura 2.12: Populao inicial (adaptado de Lacerda[3], p. 104) ca Crossover O operador crossover aplicado a um par de cromossomos retirados da populao e ca intermediria. A combinao desse par resulta em dois cromossomos lhos. Cada a ca cromossomo pai dividido, produzindo duas cabeas e duas caudas. As caudas so e c a trocadas, gerando 2 novos cromossomo. A Figura 2.14 mostra este comportamento. Normalmente, o operador crossover aplicado entre apenas 60% a 90% dos e cromossomos selecionados. Alm do crossover de um ponto, existem os operadores e crossover de n pontos e uniforme. Por exemplo, o operador de 2 pontos apresentado e na Figura 2.15. Vale ressaltar que os pontos so obtidos aleatoriamente. a O crossover uniforme, mostrado na Figura 2.16, produz descendentes atravs de e uma mscara de bits aleatrios. Se o primeiro bit da mscara possui o valor 1, ento a o a a o primeiro bit do pai1 copiado para o primeiro bit do f ilho1 . Caso contrrio, o e a primeiro bit do pai2 copiado para o primeiro bit do f ilho1 . O processo se repete e para os bits restantes do f ilho1 . Para gerar o f ilho2 inverte-se os bits da mscara a e repete-se o procedimento anterior.

Inteligncia Articial e

29

Figura 2.13: Cromossomos da populao inicial ca

Figura 2.14: Crossover Mutao ca Aps a operao de crossover, o operador de mutao aplicado em cada bit dos o ca ca e dois lhos, respeitando uma certa probabilidade. A mutao nada mais do que a ca e inverso dos valores de bits, ou seja, o bit 1 torna-se 0 ou o bit 0 torna-se 1. Isto a melhora a diversidade dos cromossomos, porm, destri informao contida neles, e o ca por este motivo deve-se aplicar uma taxa de mutao pequena (entre 0,1% a 5%). ca A Figura 2.17 exibe o operador de mutao em funcionamento. ca Aps aplicar os mtodos de crossover e mutao na primeira populao selecioo e ca ca nada repete-se o procedimento a um dado nmero de geraes. O critrio de parada u co e pode ser a resposta de soluo, quando se conhece, ou quando grande parte dos ca cromossomos (cerca de 95%) esto representando o mesmo valor. A Figura 2.18 a ilustra a ultima populao. ca Para melhorar o desempenho do algor tmo gentico em cada gerao, costumae ca se utilizar o Elitismo, proposto por DeJong (1975). Esta estratgia transfere o e

Figura 2.15: Crossover de 2 pontos

Inteligncia Articial e

30

Figura 2.16: Crossover uniforme

Figura 2.17: Mutao ca melhor cromossomo de uma gerao para outra sem alteraes, para que este no ca co a seja perdido com as alteraes dos operadores de crossover e mutao. co ca Exemplo de Algoritmo Gentico em Empresas e As aplicaes comerciais de algoritmos genticos esto emergindo. Engenheiros co e a da General Electric (GE) usaram um algoritmo gentico para ajud-los a projetar e a motores de turbinas de jatos, que era um problema complexo envolvendo cerca de 100 variveis e 50 equaes. Os engenheiros avaliaram os desenhos mudarem em a co uma estao de trabalho que rodava uma simulao do motor em operao. Pelo ca ca ca fato que cada desenho mudado exigia uma nova simulao para testar sua eccia, ca a os projetistas poderiam gastar semanas em solues que no poderiam ser as meco a lhores. Usar um sistema especialista reduziria o tempo para produzir um desenho satisfatrio de diversas semanas para diversos dias, mas isso poderia produzir soo lues somente para um modelo. Mais tarde, os melhoramentos exigiriam mudanas co c simultneas em um amplo nmero de variveis. Nesse ponto a GE introduziu um ala u a

Figura 2.18: Cromossomos da ultima populao ca

Inteligncia Articial e

31

goritmo gentico que pegava a populao inicial do desenho produzido pelo sistema e ca especialista e gerava um projeto contendo trs vezes o nmero de melhoramentos e u em relao ao melhor modelo anterior em apenas dois dias. ca

2.2.6

Sistemas IA H bridos

No exemplo da GE foram usados as tecnologias de sistemas especialista e algoritmos genticos. Algoritmos genticos, lgica fuzzy, redes neurais e sistemas e e o especialistas podem ser integrados em uma unica aplicao am de obter as vanta ca gens das melhores caracter sticas de cada uma dessas tecnologias. Tais sistemas so a chamados de Sistemas IA h bridos. Muitas empresas japonesas, como por exemplo a Mitsubishi, Hitachi e Sanyo fazem uso desses sistemas integrados, Laudon[1].

2.2.7

Agentes Inteligentes

Agentes inteligentes so programas que trabalham em segundo plano para exea cutar tarefas espec cas, repetitivas e previs veis para um usurio, um processo na a empresa ou um software. Os agentes representam um n de abstrao bem maior, vel ca podendo inclusive incorporar outras tcnicas de IA. Usam uma base de conhecie mento ensinada ou incorporada para realizar tarefas ou tomar decises em nome o do usurio, processo ou software. Eles podem ser programados para tomar decises a o de acordo com as preferncias pessoais do usurio. Podem ser comparados a um e a assistente digital pessoal colaborando com o usurio em um mesmo ambiente de a trabalho. Atualmente, segundo Laudon[1], h diversas aplicaes de agentes inteligentes a co em sistemas operacionais, aplicativos, sistemas de e-mail, software de computao ca mvel e ferramentas de redes. Por exemplo, os Wizards encontrados nas ferrameno tas do Microsoft Oce tm capacidades incorporadas para mostrar aos usurios e a como executar vrias tarefas, tais como formatar documentos ou criar grcos. De a a interesse especial para os negcios so os agentes usados para cruzar redes, incluino a do a Internet, na busca por informao. Eles esto sendo usados em aplicaes de ca a co comrcio eletrnico para ajudar os consumidores a encontrarem produtos comparane o do preos e outras caracter c sticas. Os consumidores podem, assim, ltrar e buscar informaes ao fazer suas compras de acordo com as caracter co sticas dos produtos de seu interesse. Yahoo!, Excite e Miner, oferecem agentes de comprapara algumas categorias de mercadoria, como por exemplo msica, livros, eletrnicos e brinquedos. Para usar u o este agentes os consumidores submetem informaes sobre os produtos desejados em co formulrios. Os agentes fazem a busca na Web e retornam uma lista de sites que a vendem os tens de acordo com o preo ou outras caracter c sticas fornecidas e um link para a compra. O comrcio eletrnico baseado em agentes se tornar ainda mais difundido quane o a do os agentes e as tecnologia Web tornarem-se mais poderosos e ex veis. Os software de agentes tm diculdade de obter informao de pginas Web cujo o cdigo est em e ca a o a HTML (HiperText Markup Language) pois elas so orientadas em formato, estticas a a e vis veis pelas pessoas. O aumento do uso de XML (eXtensible Markup Language), Java e objetos distribu dos, linguagens multiplataformas e mais acess veis, tornaro a

Inteligncia Articial e

32

o ambiente Web mais prop aos agentes e outros processos automatizados a acescio sarem e interagirem com informaes baseadas na Web de forma mais fcil. co a Modelo Geral de Agente com Capacidade de Aprender Aprendizado signica se comportar melhor ao adquirir experincia. O aprendie zado de um agente resultado de duas aes: da interao entre o agente e o mundo e co ca e da observao pelo agente de seus prprios processos de tomada de decises. O ca o o agente guarda suas prprias experincias em relao ao mundo exterior. o e ca Conforme Russel[4], em um modelo geral de agente com capacidade de aprender, existem quatro componentes conceituais, apresentados na Figura 2.19. So eles: o a elemento de aprendizagem, o elemento de execuo (ou performance), o cr ca tico e o gerador de problemas.

Figura 2.19: Modelo geral para os agentes com capacidade de aprender (Adaptado de Russel[4], p. 526) O elemento de aprendizagem realiza as melhorias no agente, pegando uma parte do conhecimento de si mesmo e se retroalimentando (feedback) com alguma informao de seu comportamento e decidindo como o elemento de execuo dever ca ca a ser modicado para, se poss vel, no futuro poder estar em melhores condies. O co elemento de execuo escolhe as aes externas. Ele recebe as percepes (atravs ca co co e de sensores) e decide as aes que o agente deve realizar. O cr co tico avisa ao elemento de aprendizagem como o agente est se saindo. Ele utiliza um padro xo para julgar a a o desempenho do agente. A norma para julgar esse desempenho deve ser uma medida xa que conceitualmente est fora do agente. O gerador de problemas prope a o aes que permitam obter novas experincias e trazer informao. Ele deve sugerir co e ca aes de explorao para empreender aes sub-timas a curto prazo e descobrir co ca co o aes melhores a longo prazo, ou seja, propor novas alternativas e problemas para co melhorar o agente. O que foi dito acima pode ser exemplicado com um agente representando um taxi. O elemento de execuo deste agente possui uma coleo de conhecimentos e ca ca procedimentos de aes de direo como virar, acelerar ou frear. O taxi se movico ca menta efetivamente utilizando o elemento de execuo, que decide qual ao tomar. ca ca O elemento de aprendizagem formula metas, por exemplo, aprender regras melhores

Inteligncia Articial e

33

que descrevam os efeitos da freada e acelerao ou aprender a geograa de uma ca a rea. O cr tico observa o mundo e transmite a respectiva informao ao elemento ca de aprendizagem. Por exemplo, se o taxi virar subitamente ` esquerda, atravesa sando repentinamente outras pistas de uma avenida, o cr tico observa as palavras de reclamao ditas pelos outros motoristas e transmite a informao ao elemento ca ca de aprendizagem. Este por sua vez formula uma nova regra dizendo que aquela foi uma m ao e o elemento de execuo modicado para instalar a nova regra. O a ca ca e gerador de problemas prope sugestes: tentar ir por uma outra avenida ou rua para o o ver se chega mais rpido ao destino do que ir pela rota normal. Uma outra funo a ca para o elemento aprendizagem, a de melhorar o elemento de execuo. Se o txi e ca a precisar pegar um novo caminho, ele dever dedicar um tempo para consultar o maa pa e planejar a melhor rota. Na prxima vez que o mesmo caminho for solicitado a o consulta ao mapa dever levar bem menos tempo. Isso chamado de aprendizagem a e acelerada. O elemento de execuo pode incluir os seguintes componentes: ca 1. Um mapeamento direto entre condies do estado atual e aes; co co 2. Um procedimento a m de inferir caracter sticas importantes do mundo a partir da seqncia de percepes; ue co 3. Informaes sobre como o mundo evolui; co 4. Informaes sobre resultados de poss co veis aes que o agente pode executar; co 5. Informaes uteis indicando a desejabilidade de estados do mundo; co 6. Informao de ao-valor indicando a desejabilidade de aes particulares em ca ca co estados particulares; 7. Metas que descrevem classes de estados cuja execuo maximize a utilidade ca do agente. Cada componente pode obter aprendizagem, dada a apropriada retroalimentao. O padro de desempenho dene um conjunto de percepes diferenciadas ca a co que sero interpretadas e proporcionaro uma retroalimentao direta sobre a quaa a ca lidade do comportamento do agente. Os componentes podem ser representados de vrias formas, pelas descries dea co termin sticas (por exemplo, polinmios ponderados lineares) ou pelas descries proo co babil sticas (como redes de conana para componentes de inferncia de um agente c e de deciso-terico). H bons algoritmos que diferem-se para qualquer caso, porm a o a e a idia bsica de cada um sempre a mesma. Quanto ` retroalimentao do agene a e a ca te, esta pode se dar por aprendizado supervisionado, supervisionado por reforo ou c no-supervisionado. No aprendizado supervisionado conhece-se todas as entradas e a todas as sa das de um componente, geralmente o padro de treinamento do agena te fornecido por um professorou supervisor. No supervisionado por reforo, o e c agente recebe uma avaliao de suas aes mas sem ser informado qual ao seria ca co ca correta; uma ao repulsiva, indesejvel, chamada de reforo. No aprendizado no ca a e c a supervisionado o agente no recebe indicao das sa a ca das corretas. Ele aprende sobre

Inteligncia Articial e

34

as relaes que existem entre suas percepes mediante o emprego de mtodos de co co e aprendizado supervisionados, ou seja, aprende com exemplos que lhes so fornecia dos. Cada um destes componentes do elemento de execuo podem ser representados ca matematicamente como uma funo. O aprendizado, em geral, pode se considerar ca como o aprendizado da representao de uma funo. ca ca Exemplos de agentes Como foi dito na Seao 2.2.7, h diversas aplicaes de agentes inteligentes. Eles c a co esto em sistemas operacionais, aplicativos e tambm na internet. No mundo cora e porativo, principalmente na rea de comrcio eletrnico, encontram-se uma grande a e o variedade de agentes solucionadores de problemas. A empresa Pivotal oferece produtos para automatizar as facetas de marketing, vendas e servio de relacionamento ao cliente entre funcionrios das empresas, parc a ceiros de negcio e clientes com o propsito de gerenciar todo o relacionamento de o o negcios avaliado para crescimento a longo prazo e obteno de lucro. o ca O agente EchoMail fornece solues de comunicao baseadas em e-mail que co ca permitem `s organizaes e aos negcios envolvidos com comrcio eletrnico o efetivo a co o e o gerenciamento de seu relacionamento com os clientes. O EchoMail permite aos ebusinesses, negcios baseados na Web, melhorar a satisfao do cliente, reduzir os o ca custos de comunicao online e aumentar as oportunidade de vendas convertendo ca um grande percentual de visitantes da pgina Web em compradores. a Usando princ pios de marketing direto, o software agente Constant Contact, da empresa Roving, permite alertar automaticamente aos clientes sobre mudanas em c dados relevantes, como por exemplo a disponibilidade de produtos ou a entrega de pedidos. Ainda, os clientes so questionados, pr-ativamente, sobre a satisfao com a o ca o servio, e alertados para novas oportunidades de compras. c Com o propsito de ajudar as pessoas a encontrarem msicas ou lmes de seus o u interesse, o agente Firey da Agents Inc. foi desenvolvido. Os usurios enviam a cr ticas de lmes e msica para o site do Firey. Quando eles querem selecionar u um novo lme para ver ou um CD para comprar, eles fornecem dados sobre suas preferncias e o Firey produzir uma lista de e a tens similares baseados nas cr ticas. O servio est sendo estendido para livros, restaurantes e fundos mtuos. c a u Um modelo de aprendizagem, baseado em rvore de deciso, encontrado na a a e Seo 3.3. ca

2.3

Concluso a

Como pretend amos mostrar, h uma gama de tecnologias dispon a veis para administrar o conhecimento, em especial, das empresas. A inteligncia articial ainda e no possui a exibilidade, amplitude e generalidade da inteligncia humana, mas ela a e pode ser usada para capturar e codicar o conhecimento organizacional. Algumas das tecnologias so boas para algumas aplicaes porm no to boas para outras. a co e a a O prximo cap o tulo explorar os Sistemas Especialistas, citados na Seo 2.2.1, a ca com mais detalhes.

Cap tulo 3 Sistemas Especialistas

Este cap tulo falar dos sistemas especialistas, tecnologia da IA que vem sendo a amplamente usada na administrao do conhecimento. Ser explicado e demonstraca a do como um sistema especialista funciona. Um exemplo, resultado da implementao ca de um SE usando uma shell, ser proposto e atravs dele examinaremos sua rvore a e a de deciso e base de regras. O aprendizado indutivo atravs de rvore de deciso e a e a a o sistema especialista como um sistema de apoio ` deciso tambm so abordados a a e a neste cap tulo nas Sees 3.3 e 3.4 respectivamente. co

3.1

O que um Sistema Especialista e

Os Sistemas Especialistas (SEs) so sistemas de informao planejados para apoia ca ar a deciso baseada no conhecimento que obtido pela per de especialistas em a e cia dom nios muito limitados e espec cos do conhecimento, tais como concesso de a crdito em banco, diagnstico de problemas mecnicos de ve e o a culos, classicao de ca espcies biolgicas, diagnsticos mdicos e etc. As regras de manipulao usadas no e o o e ca mundo real podem ser entendidas, codicadas e alocadas em uma mquina. Os SEs a so auxiliadores na tomada de deciso levantando questes relevantes e explicando a a o as razes para adotar certas aes, de acordo com a maneira como o especialista o co humano arranja e faz inferncia sobre o seu conhecimento. Resumindo, os sistemas e especialistas capturam e disseminam conhecimentos escassos e resolvem problemas que os programas tradicionais no resolvem to bem. a a Os SEs no tm a amplitude do conhecimento e da compreenso dos princ a e a pios de um especialista humano. Eles so completamente limitados, superciais e frgeis. a a Tipicamente executam tarefas muito limitadas que podem ser feitas por prossionais em poucos minutos ou horas. Problemas que no possam ser resolvidos por um a especialista humano em um mesmo per odo curto de tempo so mais dif a ceis para um SE. Entretanto, ao obter o conhecimento de um especialista humano em reas a limitadas, os SEs podem fornecer benef cios, ajudando as empresas a tomar decises o de alta qualidade com poucas pessoas, Laudon[1]. A diferena entre um programa desenvolvido com IA, especialmente focando a c a rea de sistemas especialista, e um sem IA est em suas estruturas ou arquiteturas. a Um programa normal, sem IA, constru de forma muito espec e do ca. Para incluir ou remover um determinado conhecimento deve-se reestruturar todo o programa, principalmente se este for grande e complexo; j em um com IA, a incluso ou a a

Sistemas Especialistas

36

remoo de conhecimento no afeta o restante do programa. As informaes cam ca a co em mdulos diferentes, independentes. Um programa com IA pode ser constru o do mais rapidamente e permitir uma ecincia e compreensibilidade na programao e ca superior aos programas normais devido a sua exibilidade. Normalmente, um SE consiste em uma base de conhecimento, um motor de inferncia e uma memria de trabalho, como so mostrados na Figura 3.1, Bittencourt[5]. e o a A base de conhecimento, cuja funo representar os fatos e heur ca e sticas associadas ao problema, ser explicado na prxima seo. O motor ou mquina de inferncia a o ca a e o executor do sistema especialista. Ele pode usar como princ e pio o encadeamento para frente ou para trs, que tambm ser explicado na Seo 3.2. A memria de a e a ca o trabalho representa a base de dados global.

Figura 3.1: Mdulos principais de um sistema especialista (extra o do de Bittencourt[5])

3.2

Como os Sistemas Especialistas funcionam

O conhecimento humano, em um determinado dom nio, modelado de forma e que o computador possa acessar. Isto chamado de base de conhecimento. O e conhecimento e a especialidade humanas podem ser representados atravs de regras. e Os SEs baseados em regras, ou baseados em Heur sticas, so programas de a IA que tm um amplo nmero de declaraes ou regras SE-ENTAO, fundamentais e u co na programao estruturada, interconectadas e aninhadas, que so a base para o ca a conhecimento. Por exemplo, SE Renda < 100 (condio) ca no oferea emprstimo. (ao) ENTAO a c e ca Programas tradicionais tambm usam as regras SE-ENTAO, porm a diferena ene e c tre esses programas e os SEs baseados em regras est no fato que o programa de a IA pode facilmente manipular de 200 a 10.000 regras, muito mais que os programas tradicionais. Alm disso, em um SE as regras tendem a ser interconectadas e e aninhadas, como j foi dito. a

Sistemas Especialistas

37

Porm nem todo conhecimento pode ser representado, como o caso de uma e e enciclopdia, e a sua base de regras (coleo de conhecimento que representada na e ca e forma de regras SE-ENTAO) seria muito grande. Dessa maneira h um limite para a a representao do conhecimento na forma de regras. Em geral, SEs so ecientes ca a quando usados em situaes nas quais o dom co nio do conhecimento altamente rese trito (tal como em uma concesso de crdito, exemplo que este cap a e tulo e o sistema especialista implementado abordar). a A primeira etapa para a construo de um programa articialmente inteligente ca e denir o objetivo do mesmo. Por exemplo, em uma concesso de crdito o objetivo a e seria se haveria ou no emprstimo e, caso haja, de quanto ele seria. Todo SE a e deve ter um ou mais objetivos, e estes devem ser denidos primeiramente. Os processos de pensamento, ou a mquina de inferncia, trabalharo para que esse a e a objetivo seja alcanado. A inteligncia do programa se dar atravs da coleo de c e a e ca fatos e tambm das regras atribu e das a esses fatos para se chegar aos objetivos. Assim, fatos so os conhecimentos que o sistema conter em sua base e as regras a a so os mtodos que se aplicam a eles, esse conjunto tambm chamado de banco a e e e de conhecimento. Em geral, em uma relao de fatos, alguns so mais importantes ca a que outros, e isso deve ser considerado da mesma forma que especialistas humanos consideram. Alm disso, para se chegar ao objetivo sem processar todos os fatos e e regras existentes no banco de conhecimento, a IA conta com o mecanismo de poda (Pruning) que afasta fatos e regras desnecessrios ` soluo do problema, traando a a ca c um caminho de pensamento que focaliza as regras que levam ao objetivo imediato. A poda estabelece uma ordem vital em nosso pensamento, Levine[13]. Assim que o objetivo alcanado, o programa com IA ganha novos conhecimentos. O mecanismo e c de inferncia permite que novos fatos sejam adquiridos atravs de fatos j existentes e e a que podem ser aplicados em novas situaes. co Nos ultimos anos foram criados ambientes de programao de interface amigvel ca a para o desenvolvimento de sistemas especialistas, substituindo em parte os programas de IA que eram feitos usando a linguagens LISP e Prolog, por exemplo. Estes ambientes so chamados de arcabouos (cascas) para SE ou ambientes Shell. As a c shells podem rapidamente gerar telas de interface com o usurio, obter a base de a conhecimento e gerenciar as estratgias de pesquisa na base de regras. A Seo 3.2.4 e ca expe com maior detalhe uma ferramenta Shell, a Expert SINTA. o A estratgia de pesquisa na base de regras chamada de mquina de ine e a ferncia. Ela pode usar o encadeamento para frente ou para trs, duas formas de e a pesquisa mais comumente usadas. No encadeamento para frente a estratgia para pesquisar a base de regras de e um SE comea com a informao entrada pelo usurio, na qual procura-se chegar c ca a a alguma concluso. A estratgia disparar, ou executar, a ao da regra quando a e e ca a condio for verdadeira. Ou seja, o sistema apresentado com condies (fatos), ca e co nas quais cada condio aciona a parte SEde uma regra. Cada regra pode gerar ca novas condies. A nova condio pesquisada. Se alguma clusula SEna base co ca e a de regras se referir a ela, o SE a processa, ou, caso contrrio, a sesso termina. a a No encadeamento para trs a estratgia usada na mquina de inferncia coa e a e mea com uma hiptese e procede perguntando ao usurio questes sobre os fatos c o a o selecionados at que a hiptese seja conrmada ou negada. Age como um solucioe o

Sistemas Especialistas

38

nador de problemas por iniciar com uma hiptese e procurar mais informaes at o co e que a hiptese seja aprovada ou reprovada. o Um exemplo de sistema especialista bem sucedido o CLUES (Countrywides e Loan Underwriting Expert System), da empresa californiana Countrywide. Este SE, de alta qualidade e com 400 regras, decide sobre at 95% dos casos de concesso e a de crdito. Outro exemplo o CADS (Consumer Appliance Diagnostic System), e e sistema da empresa Whirlpool que ajuda o servio de atendimento ao consumidor c a lidar com trs milhes de perguntas sobre telefones. A empresa tinha problemas e o nessa rea e resolveu implantar o sistema especialista que foi criado por dois engea nheiros de conhecimento, um programador e trs especialistas em atendimento ao e consumidor obtendo 1.000 regras para 12 linhas de produtos.

3.2.1

Construindo um SE

A implementao de um SE, utilizando-se a ferramenta shell Expert SINTA, ca foi um dos frutos desse projeto. O problema representado um simples exemplo e de emprstimo pessoal. A maioria dos bancos brasileiros usa essa estratgia para e e conceder emprstimos pessoais a seus clientes. Alguns inclusive possuem algum e software que auxilia nesse trabalho, como o caso da Caixa Econmica Federal. e o Nesse contexto, o SE se posicionar em emprestar ou no um determinado valor que a a ser calculado de acordo com a renda da pessoa. A base de conhecimento contm 14 a e regras que foram criadas com a ajuda de um especialista em emprstimo bancrio. e a Tais regras so apenas um pequeno exemplo para visualizar o funcionamento do SE, a uma vez que h especicaes mais profundas em um sistema de emprstimo real. a co e A rvore de deciso dessa implementao mostrada na Seo 3.2.2, as regras na a a ca e ca Seo 3.2.3 e a utilizao do Expert SINTA na Seo 3.2.4. ca ca ca Pode-se construir um sistema especialista de forma similar a outros sistemas de informao, embora a sua construo seja um processo interativo com o especialista, ca ca com cada fase possivelmente exigindo diversas iteraes antes de o sistema completo co estar desenvolvido. Normalmente o ambiente no qual um SE atua continuamente e instvel, tornando necessria sua alterao constante. Alguns SEs, especialmente os a a ca maiores, so to complexos que em poucos anos os custos da manuteno so iguais a a ca a aos custos do desenvolvimento. Uma equipe de desenvolvedores composta de um ou mais especialistas, os quais e tm completo controle da base de conhecimento, e um ou mais engenheiro de coe nhecimento, que podem traduzir o conhecimento, na forma que foi descrita pelo especialista, para um conjunto de regras ou quadros. Um engenheiro de conhecimento similar a um analista de sistemas tradicional mas tem uma competncia e e especial em extrair informao e conhecimento de outros prossionais em uma rea ca a limitada. Os membros da equipe precisam selecionar um problema apropriado. O projeto balancear potenciais economias para o sistema proposto contra o custo de a produo e manuteno do mesmo. A equipe desenvolver um prottipo do sistema ca ca a o para testar suposies sobre como codicar o conhecimento dos especialistas. Deco pois, ela ir desenvolver um sistema full-scale, ou seja, mais abrangente, focalizando a principalmente a adio de um nmero muito amplo de regras. A complexidade do ca u sistema inteiro crescer com o nmero de regras e ento a compreensibilidade do a u a sistema poder ser ameaada. Geralmente o sistema ser podadopara ter mais a c a

Sistemas Especialistas

39

simplicidade e poder. O sistema ser testado por uma gama de especialistas dentro a de uma organizao contra critrios de performance estabelecidos anteriormente. ca e Uma vez testado, o sistema ser integrado dentro do uxo de dados e dos modelos a de trabalho da empresa.

3.2.2

Arvore de Deciso a

Uma rvore de deciso um diagrama para representar a resoluo de um proa a e ca blema. Atravs desse diagrama poss e e vel visualizar os fatores que conduzem a uma determinada soluo. As regras cam expostas e o problema mais facilmenca e te entendido, Levine[13]. A Figura 3.2 para avaliar a concesso de crdito pessoal a e bancrio apresenta a rvore de deciso para a elaborao de um sistema especialista. a a a ca Basicamente, uma rvore de deciso formada de ns, ramos e folhas. Os ns so a a e o o a os atributos ou variveis que a rvore dispe (por exemplo, CPF, Empregada, Paa a o trimnio). Cada atributo pode conter determinados valores, geralmente booleanos, o isto , verdadeiro ou falso. Os ramos representam esses valores. Sime Noso e a a ramos do atributo CPF, assim como <= R$ 100,00 um ramo de Renda. As e folhas so a abstrao do objetivo. Atravs das folhas obtm-se a deciso da rvore. a ca e e a a Pode-se dizer que esta rvore de deciso se ajusta bem a inmero casos de pedidos a a u de emprstimo que j ocorreram em bancos. e a Observe como mais simples obter uma soluo com o uso de uma rvore de e ca a deciso. Suponha que um indiv a duo deseje obter crdito pessoal bancrio. Nosso e a objetivo a varivel objetivo Emprestar. Caso ele tenha o CPF em conformidade e a com a Receita Federal, ou seja, CPF = Sim, parte-se para o ramo Sime como conseqncia para o atributo Empregada. Digamos que a pessoa no esteja emue a pregada (Empregada = No). Dessa forma, chega-se em uma folha, isto , conclui-se a e que no poss emprestar (Emprestar = No emprestar). a e vel a Veremos na Seo 3.3 como o aprendizado indutivo pode auxiliar na determica nao de uma rvore de deciso tima para um determinado problema. Diz-se tima, ca a a o o porque satisfaria, se no todos, a grande maioria dos poss a veis casos de pedidos de emprstimo. Atravs de um conjunto de exemplos gera-se uma rvore de deciso e e a a que ser uma hiptese para solucionar problemas referentes aos exemplos. a o

3.2.3

Regras de Produo ca

Regras so mtodos que se aplicam aos fatos, que o conhecimento que o sistema a e e conter em sua base. As regras so subdivididas em condio e ao, representadas a a ca ca na composio SE-ENTAO, onde SE uma condio for verdadeira ENTAO aconteca ca cer uma determinada ao, conforme descrito na Seo 3.2. a ca ca As regras utilizadas no exemplo deste cap tulo e no Expert SINTA so listadas a abaixo. Ao todo so 14 regras na rea de emprstimo pessoal bancrio obtidas a a e a atravs de um especialista nessa rea. e a REGRAS Regra 1 SE CPF = No a Emprestar = No emprestar CNF 100% ENTAO a

Sistemas Especialistas

40

Figura 3.2: Arvore de deciso de concesso de crdito pessoal bancrio a a e a Regra 2 SE CPF = Sim E Empregada = No a Emprestar = No emprestar CNF 100% ENTAO a Regra 3 SE CPF = Sim E Empregada = Sim ENTAO Qualica = Sim CNF 100% Regra 4 SE Qualica = Sim E Renda <= 100 ENTAO Emprestar = No emprestar CNF 100% a Regra 5 SE Qualica = Sim E Renda > 100 E Renda <= 1800 E CompromissoMensal > 66% ENTAO Emprestar = No emprestar CNF 100% a Regra 6 SE Qualica = Sim E Renda > 100

Sistemas Especialistas

41

E Renda <= 1800 E CompromissoMensal <= 66% ENTAO Emprestar = Emprestar at 33% da Renda - CompromissoMensal e CNF 100% Regra 7 SE Qualica = Sim E Renda > 1800 E Renda <= 5000 E CompromissoMensal > 66% ENTAO Emprestar = No emprestar CNF 100% a Regra 8 SE Qualica = Sim E Renda > 1800 E Renda <= 5000 E CompromissoMensal <= 66% E Patrimonio > 50000 ENTAO Emprestar = Emprestar at 50% da Renda - CompromissoMensal e CNF 100% Regra 9 SE Qualica = Sim E Renda > 1800 E Renda <= 5000 E CompromissoMensal <= 66% E Patrimonio <= 50000 ENTAO Emprestar = Emprestar at 33% da Renda - CompromissoMensal e CNF 100% Regra 10 SE Qualica = Sim E Renda > 5000 E CompromissoMensal > 66% ENTAO Emprestar = No emprestar CNF 100% a Regra 11 SE Qualica = Sim E Renda > 5000 E CompromissoMensal <= 66% E CompromissoAnual > 30000 E Patrimonio > 100000 ENTAO Emprestar = Emprestar at 40% da Renda - CompromissoMensal e CNF 100% Regra 12 SE Qualica = Sim E Renda > 5000 E CompromissoMensal <= 66% E CompromissoAnual > 30000 E Patrimonio <= 100000 ENTAO Emprestar = Emprestar at 25% da Renda - CompromissoMensal e CNF 100%

Sistemas Especialistas

42

Regra 13 SE Qualica = Sim E Renda > 5000 E CompromissoMensal <= 66% E CompromissoAnual <= 30000 E Patrimonio <= 100000 ENTAO Emprestar = Emprestar at 33% da Renda - CompromissoMensal e CNF 100% Regra 14 SE Qualica = Sim E Renda > 5000 E CompromissoMensal <= 66% E CompromissoAnual <= 30000 E Patrimonio > 100000 ENTAO Emprestar = Emprestar at 50% da Renda - CompromissoMensal e CNF 100%

3.2.4

O Ambiente Shell Expert SINTA

A Expert Sinta, desenvolvida pelo laboratrio de inteligncia articial da Univero e sidade Federal do Cear - UFC, uma ferramenta shell genrica para implementao a e e ca de bases de conhecimento. O desenvolvedor no se preocupa com a mquina de ina a ferncia, apenas com o conjunto de regras que modelam o conhecimento desejado. e Esta ferramenta utiliza um modelo de representao do conhecimento baseado em ca regras de produo e probabilidades, tendo como objetivo principal simplicar o ca trabalho de implementao de SEs atravs do uso de uma mquina de inferncia ca e a e compartilhada, da construo automtica de telas e menus, do tratamento probaca a bil stico das regras de produo e da utilizao de explicaes sens ca ca co veis ao contexto da base de conhecimento modelada. Alm disso, oferece utilizao do encadeamento e ca para trs (backward chaining), discutido na Seo 3.2, utilizao de fatores de cona ca ca ana, ferramentas de depurao e possibilidade de incluir ajudas on-line para cada c ca base, Nogueira[14]. Alm da ferramenta Shell, o grupo SINTA desenvolveu uma biblioteca de come ponentes VCL (Visual Component Library) para ser utilizada em uma ferramenta descrita dentro de uma linguagem de programao orientada a objetos, como os ca ambientes Borland Delphi ou C++ Builder em qualquer verso, uma vez que a shell a no dispe de recursos de intercmbio de dados com outros ambientes de desena o a volvimento, nem possibilita o total aproveitamento das caracter sticas do sistema operacional na criao de interfaces com o usurio nal, Nogueira[15]. ca a O ambiente visual do Expert SINTA simples. Pode-se dizer que o principal e elemento de interface com o engenheiro de conhecimento a janela Knowledge In e a Box (KIB), responsvel pelo gerenciamento do conjunto de atributos: variveis, a a objetivos, regras, interface e informaes. A Figura 3.3 mostra a janela KIB. Note co que todas as regras so listadas neste janela. a Esta janela bem intuitiva. Os quatro primeiros botes dizem respeito `s regras. e o a Atravs deles pode-se criar, abrir, excluir e visualizar as regras do sistema especiae lista. A opo Variveis coloca-nos em um ambiente de gerenciamento das variveis ca a a do SE e o boto Objetivos permite escolher quais variveis sero utilizadas como a a a

Sistemas Especialistas

43

Figura 3.3: Janela KIB: regras, variveis, objetivos, regras, interface e informaes a co objetivo. Em Interface, o engenheiro de conhecimento pode escolher quais variveis a sero mostradas como perguntas quando o sistema estiver funcionando. Ele pode a denir ainda como a pergunta ser feita e incluir uma explicao ou motivo para a ca esta pergunta. Finalmente, o boto Informaes permite denir informaes sobre a co co o funcionamento do sistema e tambm incluir um arquivo de ajuda, mostrado na e Figura 3.4.

Figura 3.4: Informaes sobre o sistema co As variveis utilizadas no sistema so listadas na Tabela 3.1. Qualica e Ema a prestar so variveis-objetivo, sendo a segunda o objetivo principal do sistema. a a Aps as variveis, objetivos, regras e interface estarem denidos, pode-se exeo a cutar a shell. Na execuo a base de conhecimento, a mquina de inferncia de ca a e das regras por Qualica, o priencadeamento para trs, buscar na parte ENTAO a a meiro objetivo a ser buscado. Ele encontrado primeiro na Regra 3. Esta regra ser e a vlida se CPF = Sime Empregada = Sim, por isso a shell envia a pergunta, a Figura 3.5, ao usurio. a Se a resposta a esta pergunta for Sim, ento o sistema perguntar sobre Ema a pregada, isto , sobre a situao trabalhista, como mostra a Figura 3.6. Note que a e ca

Sistemas Especialistas

44

Tabela 3.1: Variveis da base de conhecimento a Varivel a CompromissoAnual CompromissoMensal CPF Empregada Emprestar Tipo numrica e numrica e univalorada univalorada multivalorada Valor(es)/Intervalos 0;900000 0;100 sim ou no a sim ou no a No emprestar a Emprestar at 50% e Emprestar at 25% e Emprestar at 33% e Emprestar at 40% e 0;900000 sim ou no a 0;15000

Patrimonio Qualica Renda

numrica e univalorada numrica e

Figura 3.5: Janela de interface com o usurio mostrando a primeira pergunta do a sistema resposta pode ter grau de certeza. Dependendo do grau de certeza usado, o resultado ser interferido. a Vamos supor que o indiv duo esteja empregado. Dessa forma, a varivel Ema pregadaser instanciada como Sim. Assim a premissa (parte SEda regra) da a Regra 3 verdadeira e o objetivo Qualica instanciado como verdadeiro. Porm, e e e ele no o objetivo principal. Queremos saber se o indiv a e duo receber o emprstimo, a e e em caso armativo, de quanto ele ser. Ento o mecanismo de inferncia buscar a a e a pelo objetivo Emprestar, da mesma forma que o anterior. Emprestar encone trado inicialmente nas regra 1 e 2. Porm ambas so rejeitadas com os valores e a instanciados anteriormente. A prxima regra ento a nmero 4. Esta regra deo a e u pende de duas variveis: Qualicae Renda. J sabemos que o valor da primeira a a Sim, ento o sistema busca saber o valor da segunda atravs da pergunta exibida e a e pela Figura 3.7. Digamos que o valor da varivel Rendaatribu 100, o que atende a prea do e missa da regra 4:

Sistemas Especialistas

45

Figura 3.6: Janela de interface com o usurio mostrando a segunda pergunta do a sistema

Figura 3.7: Janela de interface com o usurio mostrando a terceira pergunta do a sistema Regra 4 SE Qualica = Sim E Renda <= 100 ENTAO Emprestar = No emprestar CNF 100% a Conclui-se que no ser poss realizar um emprstimo ao indiv a a vel e duo, pois o objetivo Emprestarfoi instanciado como No emprestar. Mesmo assim, a mquina a a de inferncia do Expert SINTA percorrer todas as regras restantes, vericando se e a mais alguma regra verdadeira. Como todas as regras restantes so falsas, a shell e a exibe a concluso, Figura 3.8, da regra 4. a O Expert SINTA dispe de um depurador para sua mquina de inferncia. Ele o a e chamado de rvore de pesquisa, Figura 3.9. Atravs dele poss saber todos os e a e e vel passos que a Shell realizou.

3.2.5

Problemas com Sistemas Especialistas

Embora os SEs no tenham a inteligncia geral e dinmica do ser humano, eles a e a podem fornecer benef cios para empresas se suas limitaes forem bem entendidas. co Somente certos tipos de problemas podem ser resolvidos usando sistemas especialistas. Virtualmente todos os SEs bem sucedidos concordam com os problemas de

Sistemas Especialistas

46

Figura 3.8: Janela de resultado do Expert SINTA classicao no qual h relativamente poucos resultados alternativos e nos quais ca a estes poss veis resultados so todos conhecidos com antecedncia. Muitos SEs exia e gem muito, demorado e caro esforo de desenvolvimento. Contratar ou treinar mais c especialistas pode ser mais barato que construir um SE. A base de conhecimento de um SE frgil, no pode contar com conhecimentos e a a mais genricos; ela no pode aprender ou mudar sozinho. Em campos de rpidas e a a mudanas tais como medicina ou computao, manter a base de conhecimento atuc ca alizada um problema cr e tico. Os SEs somente podem representar limitadas formas do conhecimento e dif fazer uma validao ou medir o conhecimento pois no e cil ca a e fcil quanticar o uso do conhecimento. Nenhum SE, por exemplo, pode escrever um a manual sobre sistemas de informao ou envolver-se com outras atividades criativas ca no explicitamente previstas pelos projetistas de sistemas. a Contrariando promessas passadas, do ponto de vista empresarial, os SEs so a mais efetivos na automao de funes de n hierrquico mais baixo. Eles podem ca co vel a fornecer checklists eletrnicos para empregados de baixo n o vel em servios buroc crticos tais como o bancrio, de seguro ou de vendas. A aplicabilidade dos SEs em a a problemas gerenciais muito limitado. e

3.3

Aprendizado Indutivo com Arvore de Deciso a

O aprendizado indutivo pode ser considerado como o procedimento de busca por uma boa hiptese em um grande espao (chamado de espao da hiptese) denido o c c o pela linguagem de representao que se utilizou. Ainda, segundo [[Shaw90] apud ca Monard[16]]: ... inferncia indutiva um processo de soluo de problemas que obtm solues e e ca e co - descries do conceito indutivo - atravs de busca e de uma seqncia de transco e ue formaes. Generalizao e especializao so passos essenciais quando se faz inco ca ca a ferncia indutiva. Se a descrio do conceito Q mais geral que a descrio do e ca e ca

Sistemas Especialistas

47

Figura 3.9: Arvore de pesquisa conceito P, a transformao de P para Q chamada generalizao, e a transforca e ca mao de Q para P chamada especializao. P dito ser mais geral que Q se ca e ca e (e somente se) P cobre mais instncias que Q. Inferncia indutiva pode ser vista a e como um processo que faz iteraes sucessivas de generalizao e especializao nas co ca ca descries do conceito, e consistente com todos os exemplos. Ento, relaes geco e a co neralizao/especializao entre descries de conceito fornecem a estrutura bsica ca ca co a para guiar a busca em aprendizado indutivo. A induo o processo com que estabelece uma verdade para um todo usando ca e parte dele, isto , de uma coleo de exemplos de f , retornar uma funo h que e ca ca aproxima-se de f . h chamada de hiptese. e o No aprendizado indutivo com rvore de deciso, cada rvore gerada ser cona a a a siderada uma hiptese. A rvore hiptese deve solucionar o problema para aquele o a o conjunto de exemplos do mesmo modo que a rvore original. a As rvores de deciso (AD) so maneira mais fcil de implementar o algoritmo de a a a a aprendizagem. Assim como uma rede neural articial um algoritmo de aprendizado e que aprende uma funo que se ajusta aos exemplos, as rvores de deciso aprendem, ca a a adaptando-se, com os exemplos que lhes so fornecidos. Elas aprendem conceitos a estruturais. A representao do problema em AD faz cada varivel incerta expl ca a cita. A induo de rvores de deciso um mtodo muito utilizado em aprendizado de ca a a e e mquina para aprender conceitos quando objetos so descritos atravs de atributos, a a e Monard[16]. Uma rvore de deciso toma como entrada um objeto ou uma situao descrita a a ca por um conjunto de propriedades, e como sa uma deciso do tipo sim ou no. da a a Elas representam funes booleanas (regras estabelecidas para denir, simplicar e co manipular funes lgicas baseadas em armaes que so verdadeiras ou falsas). co o co a Sua estrutura formada por ns internos, ramos e folhas. Relembrando o que foi e o dito na Seo 3.2.2, os ns internos da rvore correspondem a um teste de valor de ca o a uma das propriedades. Os ramos do n so identicados como os poss o a veis valores

Sistemas Especialistas

48

do teste. Cada n folha da rvore especica um valor booleano para ser retornado o a se a folha for alcanada. As rvores de deciso representam um conjunto de oraes c a a co de implicaes individuais que correspondem `s rotas que percorrem na rvore e que co a a chegam aos ns. Deve-se ter um predicado meta, que nada mais do que o objetivo o e da mesma, e alm disso, dever ter atributos, conforme foi dito. Resumindo, para e a utilizao de uma rvore de deciso necessrio especicar um problema para a ca a a e a mesma resolver, um predicado meta que ser seu objetivo e os atributos que a a a rvore ter, Russel[4]. a Quanto ` expressividade, as rvores de deciso no podem representar qualquer a a a a conjunto. Podem somente tratar de um objeto, pois sua linguagem essencialmente e propositiva (expresso que pode ser verdadeira ou falsa), e nela todo teste de atributo a uma proposio. Dessa maneira qualquer funo booleana pode ser escrita com e ca ca uma arvore de deciso. Atravs de um tabela verdade, como mostrada atravs da a e e e Figura 3.10, cada linha na tabela para a funo corresponde a um caminho da rvore. ca a n Uma tabela verdade possui 2 linhas, cada entrada tem n atributos. A coluna resposta tem o tamanho de 2n bits que dene a funo. Dessa maneira, existem ca 2n 2 funes distintas com n atributos, Russel[4]. Por exemplo, para seis atributos co existem 2 1019 funes diferentes. As rvores de deciso podem representar muitas co a a funes com muitas rvores menores. Porm, h algumas funes que apresentam co a e a co problemas. Por exemplo, se a funo de paridade responde com 1 se e somente se ca um nmero par de entradas so 1, ento necessrio uma rvore deciso de tamau a a e a a a nho exponencial. Tambm uma funo de maioria dif de representar pois esta e ca e cil funo produz um 1 se mais da metade de suas entradas so 1. Ou seja, as rvores ca a a de deciso so boas para umas funes e ms para outras. a a co a

Figura 3.10: Tabela verdade Um exemplo ou conjunto de observao, caracterizado pelos valores de atrica e butos e valores de predicado meta. O valor de predicado meta a classicao do e ca exemplo. Se o predicado meta positivo para uma exemplo, ento o exemplo poe a e sitivo, caso contrrio, um exemplo negativo. Um conjunto completo de exemplos a e chamado de conjunto de treinamento. A deduo de um padro implica ter uma e ca a capacidade para descrever uma grande quantidade de casos de maneira concisa. Um princ geral de aprendizagem intuitivo a navalha de Ockham, que diz: a hiptese pio e o mais provvel aquela mais simples que consistente com todas as observaes. E a e e co muito menor a quantidade de hipteses simples que complexas, de modo que o e pequena a possibilidade de que qualquer hiptese simples desastrosamente incorreta o seja consistente com todas as observaes. A rvore mais simples dever ser aquela co a a que melhor deve generalizar os conceitos aprendidos.

Sistemas Especialistas

49

3.3.1

Algoritmo de aprendizado de rvore de deciso a a

A idia bsica por trs do algoritmo de aprendizado de rvore de deciso testar e a a a a e o atributo mais importante primeiro, ou seja, testar o atributo que faz maior diferena para classicao de um exemplo. Existem diversos mtodos para encontrar c ca e o atributo mais relevante. Um deles, utilizado no algoritmo ID3 [[Quinlan 79] apud Monard[16]] baseado na teoria da informao, usa a entropia para escolher o atrie ca buto mais relevante. A entropia abordada na Seo 3.3.2. Uma vez divididos os e ca exemplos depois de aplicar o primeiro teste de atributo, cada resultado constitui em si mesmo um novo problema de aprendizagem de rvore de deciso. Estes problemas a a so solucionados com o algoritmo da Figura 3.11, Russel[4]. a

Figura 3.11: O algoritmo de aprendizagem da rvore de decises (adaptado de a o Russel[4], p. 537) O algoritmo de aprendizagem de rvore de deciso funciona da seguinte maneia a ra: utilizando as entradas exemplos, atributos e padro, que representam o conjunto a de exemplos, conjunto de atributos e valor padro para o predicado meta, respeca tivamente, faz-se um teste para retornar uma rvore de deciso. Primeiramente a a observa-se se o conjunto de exemplos no est vazio. Em caso armativo, o algorita a mo retornar o valor padro. Em caso negativo, testa-se se o conjunto de exemplos a a possuem a mesma classicao, ou seja, se todos os exemplos classicam igualmente ca no necessrio criar uma rvore de deciso, apenas retornar a classicao. Porm, a e a a a ca e se o conjunto de exemplos no possu a rem a mesma classicao mas os atributos ca estiverem vazios, o algoritmo retornar um valor de maioria dos exemplos, atravs a e da funo Valor-Maioria(). Se no for executado nenhum dos casos anteriores, ento ca a a o algoritmo comear a montar uma nova rvore de deciso atravs do melhor atric a a a e buto. Aps utilizar o melhor atributo, o algoritmo adicionar ramos e criar uma o a a sub-rvore recursivamente, se o conjunto de exemplos permitir isso. O resultado a uma rvore de deciso, muitas vezes compacta, que aplicada ao conjunto de e a a e exemplos.

Sistemas Especialistas

50

Quanto a avaliao da ecincia de um algoritmo de aprendizagem, este conca e e siderado bom se produz hipteses que permitam prever satisfatoriamente as claso sicaes de exemplos no vistos. Um prognstico ser considerado bom se for co a o a conrmado, de modo que para avaliar a qualidade de uma hiptese se vericam seus o prognsticos em relao ` classicao correta uma vez que a conhecemos. Freqeno ca a ca u temente adota-se a seguinte metodologia para testar um algoritmo de aprendizagem: 1. reunir uma grande quantidade de exemplos; 2. dividi-los em dois conjuntos distintos: o conjunto de treinamento e o conjunto de teste; 3. usar o algoritmo de aprendizagem com o conjunto de treinamento como exemplos para gerar uma hiptese H; o 4. medir a porcentagem de exemplos no conjunto de teste que so corretamente a classicados por H; 5. repetir os passos de 1 a 4 em conjunto de treinamento de diferentes tamanhos e conjuntos de treinamento para cada tamanho escolhido aleatoriamente. A idia bsica da metodologia manter os dados de treinamento e testes separae a e dos. A metodologia consiste em separar aleatoriamente os exemplos do conjunto de treinamento e de teste se sempre considerados adequados e quando cada execuo ca for independente das demais. Atravs do conjunto de treinamento a rvore de dee a ciso ser gerada. Esse conjunto deve ser sucientemente capaz de gerar uma rvore a a a genrica o bastante para classicar corretamente exemplos posteriores. O conjunto e de testes, por sua vez, vem a atender a necessidade de avaliao da qualidade da ca a rvore. Com ele verica-se o grau de acerto da rvore, observando-se os resultados a que a rvore gera sobre seus exemplos de teste. a

3.3.2

Entropia

Para explicar entropia, considere o exemplo proposto por [[Castineira 90] apud Monard[16]]: um programa de auditrio que realiza namoro na TV. Atravs o e dos atributos, listados na Tabela 3.2, a rvore de deciso decidir se o candidato a a a arrumar ou no namorada. a a Tabela 3.2: Atributo-valor Atributo inteligncia e beleza situao nanceira ca Valor {sim, no} a {bonito, feio} {rico, mdio, pobre} e

A entrada da rvore ser um objeto descrito por um conjunto de propriedades. A a a Tabela 3.3 representa alguns fatos e resultados de candidatos que j passaram pelo a programa. Esta Tabela ser nosso conjunto de exemplos. A coluna resultado contm a e

Sistemas Especialistas

51

valores + e -, atuando como arrumou namorada e no arrumou namorada a respectivamente. Tabela 3.3: Conjunto de observaes ou exemplos co inteligncia e sim no a sim sim no a no a no a no a beleza bonito feio feio feio bonito bonito bonito feio sit. nanceira rico pobre pobre mdio e pobre mdio e rico rico resultado + + + + + +

Para sabermos qual atributo o mais importante, para se tornar a ra da rvore e z a de deciso, usamos o mtodo de entropia. A entropia uma grandeza que mede a e e desordem, tanto de objetos f sicos quanto de informaes. Quanto maior a entropia, co maior a desordem. Devemos calcular a entropia de cada atributo e escolher o que tem menor valor. A entropia de um atributo depende de suas ramicaes. Nosso co roteiro calcular a entropia de cada ramicao de um atributo e depois a entropia e ca desse atributo, e fazer isso para todos. A seguir, descrevemos a frmula como a o entropia de um ramo calculada. e
n

E(A = vj ) =
i=1

p(i)log2 p(i)

(3.1)

na qual, A o atributo, vj o valor do atributo, n o nmero de classes diferentes e e e u (sim ou no) c1 , ..., cn e p(i) a probabilidade de um objeto pertencer a classe ci . a e O atributo inteligncia possui dois ramos: sim e no. Primeiro, vamos usar a e a entropia para o ramos no. a E(Inteligencia = nao) = 2/5log2 (2/5) 3/5log2 (3/5) (3.2)

Esta equao pode ser lida da seguinte forma: a primeira parte, 2/5log2 (2/5), ca diz respeito aos resultados negativos, ou seja, dos cinco resultados, dois so negatia vos. A segunda parte, 3/5log2 (3/5), refere-se aos resultados positivos, nos quais dos cinco resultados, trs so positivos. e a E(Inteligencia = nao) = 0, 9709505 A equao do ramo sim : ca e E(Inteligencia = sim) = 3/3log2 (3/3) E(Inteligencia = sim) = 0 (3.4) (3.5) (3.3)

Sistemas Especialistas

52

Para calcular a entropia total do atributo, relacionamos a entropia de cada um dos ramos desse atributo, atravs da frmula: e o
k

E(A) =
i=1

Ei Ni /M

(3.6)

na qual, M o nmero de observaes totais (exemplos), E1 , ..., Ek so as entroe u co a pias de cada ramo e N1 , ..., Nk o nmero de elementos de cada ramo. e u Por exemplo, a entropia total do atributo inteligncia dada por dois ramos, e e em que um deles contm trs das oito observaes e o outro possui cinco dessas e e co observaes. Assim: co E(Inteligencia) = 3/8E(inteligencia = sim) + 5/8E(inteligencia = nao) (3.7) O resultado : e E(Inteligencia) = 3/8 0 + 5/8 0, 9709505 E(Inteligencia) = 0, 6068441 A entropia dos dois ultimos atributos so: a E(Beleza) = 0, 8112781 E(Sit.F inanceira) = 0, 3443609 (3.10) (3.11) (3.8) (3.9)

Com o resultado da entropia total dos trs atributos mostra que o atributo sit. e nanceira o melhor para ser a ra da rvore, enquanto beleza o pior. e z a e

3.4

Sistema Especialista como um Sistema de Apoio ` Deciso a a

Antes de descrevermos como um SE pode ser um sistema de apoio ` deciso, a a vamos fazer uma introduo a estes ultimos conforme Sprangue[6] faz em seu livro. ca Em todo nosso texto, usaremos o termo SAD, para Sistema de Apoio ` Deciso, ao a a invs de DSS, do ingls Decision Support Systems. e e

3.4.1

Sistemas de Apoio ` Deciso a a

Os sistemas de apoio ` deciso (SAD) surgiram no nal da dcada de 60 e in a a e cio de 70, resultados dos avanos em hardware e software, das pesquisas acadmicas, do c e ambiente econmico turbulento e de uma maior competio entre empresas, princio ca palmente pela globalizaao. Segundo Sprangue[6], h vrios pontos de vistas para c a a tais sistemas. Num deles o SAD um avano do MIS (sistemas de informao gerene c ca cial), e este um avano do EDP (processamento de dados eletrnicos), preenchendo c o suas respectivas lacunas. Em outro ponto de vista, o SAD um subconjunto do MIS. e

Sistemas Especialistas

53

Ainda h outra viso, na qual os SAD sempre existiram, mas s agora ganharam a a o esse nome. De acordo com a viso conotacional, ou prtica vivida pelas empresas, a a os SAD fazem parte de uma hierarquia, na qual esto o EDP e o MIS, como dea e monstrado na Figura 3.12. Eles inicialmente foram caracterizados como o sistemas interativos, que ajudavam os responsveis pelas tomada de deciso a utilizar dados a a e modelos para resolver problemas no estruturados (dif a ceis ou incompletos). Para a viso conotacional as caracter a sticas de um EDP, MIS e SAD so: a O processamento eletrnico de dados (EDP) aplicado aos n o e veis operacionais mais baixos da empresa. Suas principais caracter sticas so: a Foco no armazenamento de dados, para n de processamento; vel E eciente o processamento de transaes; co Processamento computacionais planejados e otimizados; Arquivos integrados para atividades ans e relatrios para gerenciamento. o O MIS focaliza as atividades dos sistemas de informao. Tais sistemas apresenca tam as caracter sticas: Foca sobre a informao, para gerente de n mdio; ca vel e O uxo de informao estruturado, baseado em dados corporativos; ca e Integrado com funes de EDP; co Um banco de dados geralmente gera relatrios e consultas; o So relativamente inex a veis; Tm fraca capacidade anal e tica; So essencialmente voltados para dentro da empresa; a As necessidades de informao so conhecidas e estveis. ca a a Finalmente, as caracter sticas de um SAD so: a Focam problemas menos estruturados e menos especicados, proporcionando suporte a decises e problemas cujas solues no podem ser antecipadas; o co a Combinam modelos ou tcnicas anal e tica as funes tradicionais de acesso e co recuperao de informaes; ca co Visam serem usados por pessoal no especializado em computao e de forma a ca interativa; Flex veis e adaptat veis a mudanas no ambiente e a abordagem ` tomada de c a deciso ao usurio, com capacidade de respostas rpidas; a a a

Sistemas Especialistas

54

Figura 3.12: Viso conotacional de MIS, EDP e SAD (adaptado de Sprangue[6], p. a 12) Entre as decincias apresentadas pelos SAD, incluem-se: eles geralmente focae lizam apenas o alto n gerencial; no h coordenao e comunicao entre n vel a a ca ca veis de gerenciamento; no so sucientes para todos os problemas. Tais decincias a a e devem ser corrigidas am de produzir um sistema de apoio ` decises. a o Teoricamente, a estrutura de um sistema de apoio de deciso a seguinte: a e 1. Estrutura de um SAD. a) Trs n e veis de tecnologia (hardware/software) SAD espec co: So os aplicativos, por assim dizer. E a tecnologia a que permite ao gerente, tomador de deciso, lidar com um conjunto a espec co de problemas ans fornecendo ferramentas que ampliam o seu julgamento. Um sistema de alocao de policiais, por exemplo, ca da pol da cidade de San Jose na Califrnia (EUA) um sistema de cia o e apoio ` deciso espec a a co que visa auxiliar na distribuio de policias. ca Gerador de SAD: Pacote de hardware/software que disponibiliza uma gama de recursos para se criar um SAD espec co fazendo-o de forma rpida e fcil. Tais geradores esto evoluindo a partir da ampliao a a a ca de linguagem de planejamento ou de linguagens de gerao de moca delos com o acrscimo de recursos para a preparao de relatrios e e ca o ferramentas grcas. Por exemplo, o GADS, um gerador de SAD, a criou o sistema de rondas policiais. Ferramentas para SAD: So elementos que facilitam o desenvolvimena to de um SAD espec co ou de um gerador de SAD. O GADS foi criado com um a linguagem FORTRAN, usando-se pacotes de subrotinas grcas e um banco de dados iterativo. a Relaes: Conforme Figura 3.13, as ferramentas para SAD podem ser co usadas diretamente para se fazer um SAD espec co, porm usurios e a comuns no conseguem modicar ou criar SAD espec a cos. Os geradores criam uma plataforma onde os SAD espec cos so mais simples a de gerenciar, a partir das ferramentas. b) Desenvolvimento para a criao de um SAD ca A abordagem tradicional de desenvolvimento de sistemas, como o ciclo

Sistemas Especialistas

55

Figura 3.13: Trs n e veis de tecnologia para SAD bsico por exemplo, no adequada para um SAD, pois no existe uma a a e a teoria abrangente ao processo decisrio que em geral lida com mudanas o c nas condies para a tomada de deciso de forma rpida, Sprangue[6]. co a a E necessrio um feedback rpido dos usurios, ato que talvez o modelo a a a espiral de desenvolvimento abranja. Desenvolvimento iterativo: apresenta-se um sub-problema no qual se projeta e desenvolve um sistema inicial para a tomada de deciso. Aps a o um breve per odo, esse sistema avaliado, modicado e ampliado. O e sistema estar sempre em mudanas, nunca ser totalmente estvel. Isso a c a a ilustra o ciclo iterativo entre o SAD gerador e o SAD espec co, no qual cada ciclo, os recursos so removidos ou adicionado ao SAD espec a co a partir do gerador de SAD. O gerente o projetista iterativo do sistema e e o analista de sistemas apenas um agente catalisador entre gerente e e sistema, implementando as modicaes necessrias. O sistema real e co a e usvel, no apenas um prottipo. a a o Sistema adaptativo: consiste nos trs n e veis que tecnologias operando com os participantes tendo sua tecnologia adaptada `s mudanas que a c surge. A curto prazo, o sistema busca as respostas a um escopo restrito; a mdio prazo ele aprende modicando seus recursos e atividades; e a longo e prazo o sistema evolui, aceitando em estilos de comportamento e recursos diferentes. O modelo de trs n e veis anlogo ao sistema adaptativo; a e a longo prazo a maioria dos sistemas adaptativo. e c) Papis de vrios tipos de pessoas na criao e o uso de um SAD e a ca Existem cinco papis nos quais atuam pessoas relacionadas ao sistema. e Uma pessoa pode assumir vrios papis ou um papel pode ser assumido a e por vrias pessoas. So eles: gerente/usurio, que resolve o problema ou a a a toma a deciso; intermedirio, que auxilia o usurio; projetista, que cona a a grega os recursos necessrios no gerador de SAD am de produzir o SAD a espec co para o usurio; suporte tcnico, desenvolve recursos ou compoa e nentes adicionais para o sistema de informaes, tais como um banco de co dados, modelo de anlise, exibio de dados; criador, desenvolve novas a ca

Sistemas Especialistas

56

tecnologias, linguagens, hardware e software. Normalmente os criadores so empregados por fornecedores e no pela empresa em questo. a a a 2. Recursos e objetivos de desempenho. Na estrutura de trs n e veis, o usurio est no n a a vel mais alto, e se interessa, portanto, com o que o SAD espec co pode fazer por ele. Deseja saber a resoluo do problema e qual deca ciso tomar. No n dos geradores de SAD esto os projetistas que montam a vel a os SAD espec cos. Os prossionais desse n se interessam pelos recursos vel oferecidos pelo gerador e como eles podem ser associados para se criar um SAD espec co. No n das ferramentas de SAD, os criadores desenvolvem comvel ponentes bsicos e os integram para formar um gerador de SAD que possua os a recursos necessrios. Cada n possui diferentes pontos de vistas. O gerente a vel visa o desempenho. Para ele, o sistema deve servir de apoio ao processo decisrio com nfase em problemas mais dif o e ceis ou sub-especicados, apoiando-o em todos os n veis da empresa e integrando os n veis quando apropriado. Deve permitir lidar com decises que sejam tomadas em grupo ou em etapas e o servir de apoio a todas as fases do processo decisrio, alm de ser fcil de o e a usar. O projetista se interessa pelos recursos tcnicos, para auxiliar o gerente e com tcnicas e ferramentas. O criador focaliza a tecnologia de informaes e co que servir de suporte para um SAD e a arquitetura para a combinao de a ca ferramentas bsicas a formar um sistema coerente. a

3.4.2

Sistema Especialista com SAD

Os Sistemas Especialistas para Suporte (SES) usam as mesmas tcnicas dos e sistemas especialistas normais. A diferena est no suporte a decises que o SES c a o prov ao usurio. e a Simon[17] dividiu o processo decisrio em trs fases: inteligncia, elaborao e o e e ca escolha. Estas trs fases so totalmente conhecidas e computveis pelo tomador e a a de deciso em uma deciso estruturada. Numa deciso no-estruturada alguma(s) a a a a fase(s) no (so) compreendida(s) totalmente. a e a Os procedimentos padres so aplicados a problemas estruturados, nos quais o a obtm-se diretamente a concluso sem a necessidade de estratgias ex e a e veis para a resoluo de problemas. Ou seja, resolvem problemas simples, padronizados. Porm, ca e os problemas no-estruturados ou menos estruturados no h solues prontas, o a a a co resultado geralmente obtido pelo mtodo de tentativa e erro. e e Os sistemas especialistas para suporte so mais adequados para resolverem proa blemas parcialmente compreendidos. As tcnicas dos sistemas especialista, porm, e e ampliam em muito os recursos dos sistemas tradicionais de apoio ` deciso. Essas a a caracter sticas ajudam a projetar as direes de sistemas computacionais, como co e visto na Figura 3.14. Os gerentes devem tentar utilizar essas ferramentas para aumentar a eccia da a empresa, para, portanto, torn-la mais valiosa e produtiva. a

3.5

Concluso a

Este Cap tulo mostrou como os sistemas especialistas, tcnica IA muito difune

Sistemas Especialistas

57

Figura 3.14: Direes do desenvolvimento de sistemas computacionais (adaptado de co Sprangue[6], p. 19 dida, funcionam. Em linhas gerais os SE so muito bons para dom a nios restritos do conhecimento. Introduziu-se um exemplo utilizado para a implementao de um ca SE para concesso de crdito pessoal bancrio ilustrando o funcionamento da rvore a e a a de deciso, regras de produo e a shell Expert SINTA. Tambm descrevemos ala ca e guns problemas que os SEs possuem na Seo 3.2.5. O Aprendizado Indutivo com ca Arvore de Deciso e Sistema Especialista como um Sistema de Apoio ` Deciso a a a foram abordados neste cap tulo, nas Sees 3.3 e 3.4, respectivamente. co Todos os sistemas especialistas so baseados em conhecimento, mas o contrrio a a no necessariamente verdade. No entanto estes termos so usados de maneira a e a livre entre todos, principalmente entre as indstrias, Maas[18]. Por exemplo, um u n SE para concesso de crdito pessoal bancrio baseado em conhecimentos, mesmo a e a e que restritos a um dom da rea nanceira. J uma enciclopdia ou um dicionrio, nio a a e a que possuem conhecimento de maneira bem abrangente, no podem, em geral, servir a de base para um SE. Pode-se dizer que os sistemas de apoio ` deciso pertenam ao grupo de sistemas a a c de trabalho com conhecimento e que os SEs faam parte ao grupo de sistemas de c inteligncia articial. Ambos grupos pertencem aos sistemas de administrao do e ca conhecimento (KMS), citado no Cap tulo 1. Algumas vezes os grupos se fundem, formando um ambiente h brido, como ocorre com os SE para suporte. O prximo Cap o tulo vamos descrever as Redes Neurais Articiais, tecnologia IA que capaz, entre outras, de generalizar e aprender com exemplos. e

Cap tulo 4 Redes Neurais

As Redes Neurais Articiais (RNAs) foram introduzidas por McCulloch, um psiquiatra e neuroanatomista, e Pitts, um matemtico, no ano de 1943 atravs do a e trabalho A Logical Calculus of the Ideas Immament in Nervous Activiy que focalizava a forma de descrever um modelo articial de um neurnio e apresentar suas o capacidades computacionais, deixando um pouco de lado as tcnicas de aprendie zagem. Em 1949 Donald Hebb apresenta suas regras para o aprendizado de uma rede neural. Para Hebb o aprendizado conseguido atravs de variaes dos pesos e e co de entrada dos neurnios. Outra regra de aprendizado foi proposta por Widrow e o Ho. Trata-se da regra de Widrow-Ho ou regra delta, que baseada no mtodo do e e gradiente para minimizao do erro na sa de um neurnio com resposta linear. ca da o Frank Rosenblatt, em 1958, demonstrou o perceptron, que, se treinado por um conjunto de valores, poderia classicar certos tipos de padres. Rosenblatt apresentou o a topologia, componentes e o algor tmo de seu modelo. Contestando o perceptron, Minsky e Papert, em 1969, alegavam que o modelo de Rosenblatt era incapaz de solucionar problemas no linearmente separveis. a a Chamaram a ateno tambm para o crescimento explosivo de espao e tempo de ca e c processamento para problemas complexos. A dcada de 70, conhecida como a dcada negra da inteligncia articial, obe e e teve poucos avanos. Muitos pesquisadores abandonaram a IA. Apenas alguns c cientistas, como Kunihiko Fukushima (cognition e neocognition), do Japo, Stea ven Grossberg (sistemas auto-adaptativos), dos EUA e Teuvo Kohonen (memrias o associativas e auto-organizadas), na Finlndia, continuaram trabalhando na rea. a a Porm, na dcada 80 houve retomada de pesquisas na rea, em parte pelo avano e e a c da capacidade de armazenamento e processamento das mquinas e pelo artigo de a John Hopeld. Hopeld mostrou a relao entre redes recorrentes auto-associativas ca e sistemas f sicos, que abriu espao para a f c sica estudar tais modelos. Nesta dcada e tambm foram apresentados o algoritmo backpropagation e RNA de mltiplas cae u madas, Braga[19].

4.1

O que uma Rede Neural Articial e

Essas redes iro no apenas encaminhar ou reencaminhar mensagens, mas a a aprender com a sua prpria experincia, prever onde haver cargas pesadas e, ento, o e a a automaticamente expandir ou contrair sees da rede para corresponder `s exigncias. co a e

Redes Neurais Articiais

59

E como se a auto-estrada de San Diego ou uma Autobahn alem fosse sucientea mente inteligente para alargar-se ou estreitar-se segundo o nmero de carros que u esperasse em determinado momento, Toer[9]. As RNAs, tambm chamadas de Modelo Conexionista ou Processamento Paralee lo Distribu do, procuram imitar o comportamento do crebro humano, haja vista e que o mesmo no-linear e funcionaparalelo. Elas so uma simplicao do modelo e a a ca biolgico de redes neurais, um sistema composto de unidades de processamento ino terconectadas, tambm chamadas de neurnios, que se comunicam enviando sinais e o entre si sobre um amplo nmero de conexes com pesos, dispostas em camadas e u o responsveis pela no linearidade da rede atravs de funes matemticas. a a e co a As RNAs so baseadas no modelo bottom-up, i.e., da parte para o todo, e no a processo de pensamento f sico do crebro biolgico. O neurnio biolgico formado, e o o o e normalmente, pelo soma, axnio e dendritos. O soma, ou corpo celular, o centro da o e clula nervosa. Age como um switch ou interruptor, que estimula outros neurnios e e o estimulado por sua vez. O axnio, um lamento maior que emana do soma, uma e o e ligao eletricamente ativa com os dendritos de outros neurnios. Ambos, axnio e ca o o dendritos, so osque conectam eletricamente neurnios uns aos outros. A juno a o ca dos dois chamado de sinapse. A Figura 4.1 ilustra uma clula nervosa. e e

Figura 4.1: Clula nervosa e O crebro humano possui cerca de 100 bilhes (1011 ) de neurnios, cada um com e o o aproximadamente 1000 dendritos, o que forma 100.000 bilhes (1014 ) de sinapses. o Operando em paralelo, o crebro pode executar cerca de 1016 interconexes por e o segundo, o que excede a capacidade de qualquer mquina moderna atualmente, a Laudon[1]. No modelo matemtico, estas redes so capazes de adaptar ou aprender, generaa a lizar, agrupar ou organizar dados. Tais redes possuem alguma regra de aprendizado que responsvel pelo ajuste de pesos sinpticos a cada ciclo de iterao, de acore a a ca do com os exemplos que lhes so apresentados. Dessa forma, a rede aprende por a exemplos. Uma RNA um mecanismo (algoritmo) gerador de poss e veis funes ou co hipteses. o

Redes Neurais Articiais

60

Outras caracter sticas que as tornam mais atrativas, segundo Silva[20], so: o a bom desempenho em processos onde h ausncia de conhecimento expl a e cito sobre como identicar uma soluo que se possa fazer; no necessidade de identicao de ca a ca eventuais modelos matemticos que descrevem o comportamento do sistema anaa lisado; e elevada imunidade ao ru do, isto , o desempenho da rede no entra em e a colapso em presena de eventuais informaes incorretas ou ausentes. c co As RNAs no so baseadas em regra como os SEs, o que as tornam uma altera a nativa ` computao algor a ca tmica convencional. Uma RNA composta dos seguintes elementos: e Um conjunto de elementos de processamento (neurnios ou clulas); o e Um estado de ativao; ca Uma funo de sa para cada elemento de processamento; ca da Um padro de interconexo entre os elementos de processamento; a a Uma regra de propagao; ca Uma regra de ativao; ca Uma regra de aprendizado; Uma representao do ambiente onde o sistema deve operar. ca

4.1.1

Elementos de Processamento

O neurnio matemtico, ou simplesmente neurnio, o centro de processamento o a o e da rede. E formado de uma funo de combinao e uma funo de transca ca ca ferncia. Na funo de combinao, as entradas da rede so somadas, ponderadas e ca ca a com seus respectivos pesos, no caso da funo ser linear. Quanto aos pesos, tambm ca e chamados de pesos sinpticos, eles representam a importncia de cada informao da a a ca entrada, com relao a um dado neurnio. A funo de ativao responsvel pela ca o ca ca e a intensidade do sinal a ser transmitido pelas conexes para os neurnios das camadas o o adjacentes, ou seja, atua como o axnio da clula cerebral. A sa da funo de o e da ca ativao est no intervalo unitrio fechado (0,1) ou, alternativamente, (1,-1). Pode ca a a utilizar diversas funes para transferncia, tais como, a sigmide, a gaussiana ou a co e o linear, Galvo[21]. a McCulloch e Pitts representaram o neurnio matemtico como mostrado na o a e Figura 4.2, o qual possui uma funo limiar , que tem o efeito de diminuir a ca entrada l quida para a funo de ativao. Nesta gura esto representados os pesos ca ca a sinpticos, a funo de combinao, a funo de ativao, as entradas, a funo a ca ca ca ca ca limiar e a sa da. Tal neurnio age como um dispositivo binrio, ou seja, a sa da o a da rede pode disparar ou no disparar, e suas entradas tem ganho arbitrrio, podendo a a ser excitatrias ou inibitrias. Dessa forma a funo de cada neurnio receber o o ca o e entradas externas ou de camadas anteriores e us-las para processar um sinal de a sa que propagado para as outras unidades. da e

Redes Neurais Articiais

61

Figura 4.2: Neurnio Matemtico o a J a Figura 4.3 uma alternativa de representao do neurnio, em que o efeito a e ca o da funo limiar representado adicionando-se uma nova entrada de valor xo +1, ca e chamado de x0 e um novo peso sinptico w0 . Esta gura contm todos os elementos a e da gura anterior, excetuando-se a funo limiar. ca

Figura 4.3: Neurnio Matemtico com Tendncia o a e Os neurnios so organizados em camadas. Uma rede neural bsica possui trs o a a e camadas. So elas: a camada de entrada, a camada escondida e a camada de sa a da. A camada de entrada composta de elementos de entrada, ou seja, as infore maes que a rede ir processar. Sua funo distribuir as informaes para co a ca e co as camadas subseqentes. Geralmente no h processamento nessa camada. u a a A camada escondida, ou intermediria, responsvel pelo processamento da a e a rede. Pode-se haver vrias camada escondidas em uma rede, dependendo de a sua topologia. As funes de combinao e ativao fazem o processamento. co ca ca A camada de sa da, geralmente uma unica clula, responsvel pela resposta e e a da rede. Na execuo, os neurnios podem ser atualizados sincronizadamente ou desinca o cronizadamente. Com a atualizao sincronizada, todos os neurnios atualizam suas ca o

Redes Neurais Articiais

62

ativaes simultaneamente; Com a atualizao desincronizada, cada neurnio tem co ca o uma probabilidade de atualizar sua ativao no tempo t, e normalmente somente ca um neurnio ser capaz de fazer isso nesse tempo, Krse[22]. o a o

4.1.2

Estado de Ativao ca

O estado de ativao do sistema um vetor de ativao cujos elementos estabeca e ca lecem a ativao de todas as unidades em um dado grupo. Este pode ser cont ca nuo (limitado ou ilimitado) ou discreto (binrio ou mltiplo). Equivale ` sa de cada a u a da neurnio. o

4.1.3

Funo de Sa do Elemento de Processamento ca da

O neurnio produzir um sinal de sa que est relacionado com sua ativao o a da a ca por uma funo de transferncia conhecida como funo de sa ca e ca da. Esta pode ser uma funo identidade (sinal de sa igual ao estado de ativao) ou uma funo ca da ca ca do tipo porteira (patamar, limiar) em que a emisso do sinal s ocorre quando a a o ativao superior a um dado limite. Para isso a sua ativao do neurnio deve ser ca e ca o conhecida, Galvo[21]. a

4.1.4

Padro de Interconexo entre os Elementos de Proa a cessamento

Assim como no modelo biolgico, os neurnios so conectados uns aos outros foro o a mando uma rede. Cada conexo no modelo matemtico signica um peso, tambm a a e chamado de peso sinptico, o qual dene o conhecimento do sistema. Os pesos a representam matematicamente o grau de importncia de cada informao com rea ca lao a um dado neurnio. Pesos positivos so excitatrios, reforam a ativao do ca o a o c ca neurnio. J pesos negativos so inibitrios, inibem a ativao do neurnio. As o a a o ca o conexes so organizadas em um vetor w,{w1 , w2 , ...wp }. o a

4.1.5

Regra de Propagao ca

A regra de propagao a soma ponderada das entradas com os respectivos pesos ca e como fatores de ponderao, positivos nos casos excitatrios e negativos nos casos ca o inibitrios. Dessa forma se obtm uma entrada l o e quida. Essa regra representada e matematicamente por:
n

vk =
i=0

wkj xj

(4.1)

em que vk a entrada l e quida do neurnio de ordem k; xj so as entradas do o a neurnio de ordem k; Wkj so os j pesos sinpticos referentes `s conexes do neurnio o a a a o o k.

Redes Neurais Articiais

63

4.1.6

Regra de Ativao ca

Funo que calcula um novo estado de ativao para o neurnio. E represenca ca o tada matematicamente como (v), sendo v a entrada l quida denida pela regra de propagao. Entre as funes mais utilizadas esto: sigmide, rampa, degrau, ca co a o gaussiana, tangente hiperblica e linear. o

4.1.7

Regra de Aprendizado

A regra de aprendizado a maneira de modicar o padro de interconexo dos e a a neurnios. Esta regra pode ser feita de trs maneiras distintas: o e criao de novas conexes ca o remoo de conexes existentes ca o alterao dos pesos das conexes ca o A regra de aprendizado de Donald Hebb estabeleceu o processo de aprendizado no crebro. Segundo ele Se um neurnio recebe um est e o mulo de outro neurnio, e o se ambos so altamente ativos, o peso entre estes neurnios deve ser fortalecido. a o Esta regra, estabelecida em 1949, dita que ao se apresentar o l-simo exemplo, os e parmetros wi , sero atualizados pela regra, Kovcs[23]: a a a
novo velho wi = wi + wi

(4.2)

no qual, wi = (yld yl ) xd i,l (4.3)

A alterao do i-simo parmetro depende unicamente do produto da i-sima ca e a e d entrada pelo erro de sa el = (y l y), sendo d o valor desejado e y a sa com da da os parmetros velhosdo descriminador, ou seja: a
n

yl = sgn(
i=1

velho wi xd velho ) i,l

(4.4)

O parmetro em 4.3 representa a taxa de aprendizado, um vez que reete a taxa a com que os ganhos so alterados em conseqncia dos erros. Esta uma regra local a ue e na medida em que no depende dos valores das demais variveis espalhadas pelo a a sistema. Para aplicar esta regra de atualizao ao parmetro , note que este pode ca a ser incorporado ` soma ponderada como um ganho wn+1 , que est constantemente a a no valor xn+1 = 1, resultando a regra de atualizao: ca novo = velho (yld yl) (4.5)

A notao do descriminador linear pode ser simplicada com a incorporao do ca ca limiar na soma ponderada, wn+1 = :
n+1

y = sgn(
i=1

wi xi ) = sgn(wt x)

(4.6)

Redes Neurais Articiais

64

As regras de aprendizado so divididas em duas categorias (aprendizado supera visionado e no supervisionado tambm so citados na Seo 2.2.7): a e a ca Aprendizado supervisionado - no qual o resultado da rede j previamente a e conhecido. A rede recebe dados de entrada e respostas. Quando a resposta fornecida pela rede no for igual a desejada, a diferena entre elas usada a c e para calcular a correo dos pesos da rede neural. A regra delta, que minimiza ca o erro entre a sa desejada e a fornecida modicando os pesos sinpticos, da a utiliza este aprendizado. Aprendizado no supervisionado - o aprendizado se d somente atravs dos a a e exemplos (entradas). No h conhecimento da sa a a da, como no caso anterior. A rede auto-organizvel. A rede de Kohonen utiliza este aprendizado. A e a regra de Kohonen se baseia no processo de competio, de tal forma que s o ca o neurnio mais ativo fornece uma sa o da, e s ele e seus vizinhos tm os pesos o e ajustados.

4.1.8

Representao do Ambiente onde o Sistema Deve Opeca rar

Neste componente estabelece-se os poss veis padres de entrada e sa e a inteo da rao entre a rede neural e o meio ambiente. ca

4.2

Perceptron e sua implementao ca

O perceptron, modelo clssico de RNA, foi proposto por Rosenblatt em 1959. a Apresentaremos nessa Seo o perceptron simples, de uma camada de processamenca to, como mostra Figura 4.4.

Figura 4.4: Perceptron simples de uma camada com duas entradas e uma sa da O perceptron resolve problema de classicao, isto , ele particiona o espao de ca e c caracter sticas em duas regies onde todos os pontos de uma regio correspondam o a a uma classe e todos os pontos para outra regio correspondam a outra classe. A a resoluo dada pela reta, que classica na classe 1 se estiver acima da reta e na ca e classe 2 se abaixo. O classicador generaliza bem se ao parecer uma nova observao ca (x1 , x2 ) ele a classicar na classe correta. Utilizaremos como exemplo a implementao de uma rede neural de um neurnio, ca o o perceptron simples, resultado deste projeto de graduao. Esta RNA se baseia na ca classicao do porte de empresas como micro/pequena ou mdia/grande, atravs ca e e

Redes Neurais Articiais

65

das entradas nmero de funcionrio e nmero de liais. A Figura 4.6 ilustra a imu a u plementao do perceptron simples. Iniciaremos com um conjunto de treinamento, ca com seus respectivos valores desejados, pois trata-se de um problema de aprendizado supervisionado. A Tabela 4.1 mostra a matriz de treinamento e a matriz desejava, com 8 observaes. Por exemplo, se o nmero de funcionrios for 5 e houver 1 lial, a co u a empresa ser classicada como micro/pequena (0), mas se o nmero de funcionrios a u a for 120 e houver 9 liais, a classicao mdia/grande (1). A Figura ?? mostra os ca e e pontos iniciais do problema a ser resolvido.

Figura 4.5: Tela do perceptron simples implementado neste projeto de graduao ca

Tabela 4.1: Matriz de treino com valores desejados x1 x2 Desejado 5 1 0 10 1 0 22 2 0 36 10 1 50 1 0 45 3 1 100 1 1 120 9 1

Nesta Tabela, x1 representa o nmero de funcionrios da empresa e x2 o nmero u a u de liais. Na coluna desejado, 0 representa micro/pequena, e 1, mdia/grande. e

Redes Neurais Articiais

66

Figura 4.6: Tela do perceptron simples com a matriz de treinamento Somaremos as entradas atravs da funo de combinao V : e ca ca
2

v=
i=1

wi xi = w0 x0 + w1 x1 + w2 x2

(4.7)

E aps isso aplicaremos a funo de transferncia, (V ), a qual: o ca e (v) = {1,sev>0 0,sev<0 (4.8)

Os pesos iniciais sero: w0 = 10, w1 = 2, w2 = 1. Assim, a separao entre a ca as duas classes nesse caso uma linha reta, dada por: e 10 + 2x1 x2 (4.9)

Exemplicando tudo isso, a Figura 4.7, mostra a rede neural com seu primeiro par x1 , x2 de treinamento.

Figura 4.7: Perceptron com o primeiro par x1 = 5, x2 = 1 de treinamento A Tabela 4.2 resume a primeira poca do conjunto de treinamento. x1 e x2 so e a obtidos do conjunto de treinamento. w0 sempre 1. e

Redes Neurais Articiais

67

Tabela 4.2: Resultado do treinamento na primeira poca e ordem (x1 , x2 ) V (x) (V ) 1 (5, 1) -1 0 2 (10, 1) 9 1 3 (22, 2) 32 1 4 (36, 10) 52 1 5 (50, 1) 89 1 6 (45, 3) 77 1 7 (100, 1) 189 1 8 (120, 9) 121 1 resultado no disparou e no devia a a disparou mas no devia a disparou mas no devia a disparou e devia disparou mas no devia a disparou e devia disparou e devia disparou e devia

Como pode-se observar, nessa primeira poca o perceptron classicou incorretae mente alguns exemplos (nesse caso, os exemplos 2, 3 e 5), o que signica que ele no a est treinado ou ainda no aprendeu. Devemos agora calcular a soma de todos os a a exemplos classicados como errados para assim reajustar os pesos sinpticos. Somaa remos todos os x0 , todos os x1 e todos os x2 , de modo que o sinal variar da seguinte a maneira: se o exemplo disparou mas no devia, usa-se negativo; se no disparou mas a a devia, usa-se positivo. Usa-se o termo dispararsignicando a ao do neurnio, ca o isto , funciona de forma anloga ` descarga eltrica do neurnio biolgico. e a a e o o S0 = 1 1 1 = 3 S1 = 10 22 50 = 82 S2 = 1 2 1 = 4 Vamos multiplicar S por um fator , que a taxa de aprendizado (incremento e ou salto). Utilizaremos = 0, 9. Agora modicamos os pesos: wn+1 = wn + S (4.10)

w0 = 10 + 0, 9 (3) = 12, 7 w1 = 2 + 0, 9 (82) = 71, 8 w2 = 1 + 0, 9 (4) = 4, 6 Os novos pesos agora so: w0 = 12, 7, w1 = 71, 8 e w2 = 4, 6. Agora a realiza novas pocas at que o perceptron aprenda a classicar. De acordo com a e e implementao, a generalizao do problema s conseguido na dcima-primeira ca ca o e e poca, como mostra a Figura 4.8. Isso ocorre quando os pesos so w0 = 27, 1, e a w1 = 0, 2 e w2 = 9, 8.

Redes Neurais Articiais

68

Figura 4.8: Aprendizado do perceptron simples

4.3

Diferenas entre Sistemas Especialistas e Rec des Neurais

Os SEs procuram imitar ou modelar a maneira de resolver problemas de um especialista humano. Mas eles no podem modelar a inteligncia humana, programar a e solues ou apontar para solues de problemas espec co co cos. Os SEs so altamente a espec cos para um dado problema. Os projetistas de redes neurais procuram colocar inteligncia no hardware ou e software na forma de uma capacidade de generalizao para aprender. As RNAs ca que classicam padres colocam a inteligncia em seus pesos sinpticos. Ela aprende o e a sozinha, atravs de exemplos. e Com os sistemas especialista poss saber porque uma determinada soluo e vel ca foi escolhida. Isto no poss com as redes neurais. Elas agem como uma caixa a e vel preta. Porm so muito uteis na classicao de padres, agrupamento de dados, e a ca o previses e anlises nanceiras e controle e otimizao. o a ca A escolha de uma ou outra tecnologia depender do problema em questo. Muia a tas vezes uma mais eciente que outra, e ainda, algumas tecnologias podem ser e combinadas, por exemplo sistemas especialistas com algoritmos genticos e redes e neurais com lgica fuzzy. o

4.4

Concluso a

Conforme pretend amos mostrar, as redes neurais articiais vm se tornando uma e importante ferramenta para as empresas, principalmente aquelas que trabalham com grandes quantidades de dados e que querem obter algum padro de comportamento a

Redes Neurais Articiais

69

desses. Podemos considerar um sistema de rede neural como um agente que realiza o aprendizado indutivo, o qual procura obter o conhecimento atravs de parte do todo. e Dizemos que uma RNA induz uma funo, enquanto um SE induz uma rvore de ca a deciso. a A implementao de uma rede neural simples de um unico neurnio foi um dos ca o resultados deste projeto, servindo para ilustrar essa tecnologia da IA. O prximo Cap o tulo conclui esta monograa sobre tecnologias da inteligncia e articial na administraao do conhecimento. c

Cap tulo 5 Concluso a

O conhecimento coletivo e sua utilizao so as principais vantagens competica a tivas das empresas contemporneas. Os sistemas de informao podem atuar de a ca maneira valiosa na administrao do conhecimento. Abordamos neste trabalho os ca sistemas de colaborao em grupos, os sistemas de automao de escritrio, os sisteca ca o mas de trabalho com conhecimento e, com maior nfase, os sistemas de inteligncia e e articial. Todos esses sistemas pertencem a grupos de sistemas de administrao do ca conhecimento (KMS) que focalizam o compartilhamento, a distribuio, a criao e ca ca a obteno e codicao do conhecimento, respectivamente. ca ca Estes sistemas, projetados para auxiliar o trabalho de gerenciamento da informao e do conhecimento, ajudam as empresas a melhorarem os seus uxos de ca informao e obterem suas bases de conhecimento. ca Os sistemas de automao de escritrio (OAS) suportam as principais funes ca o co dos escritrios: coordenar a informao, ligar o trabalho de diversos grupos e unir a o ca organizao a suas fontes externas. Suas principais ferramentas so os softwares de ca a gerenciamento eletrnico de documentos, comunicao, agenda e gerenciamento de o ca dados. Processadores de texto, editores eletrnicos e editores de imagem e pginas o a Web auxiliam a tarefa de gerenciar documentos. Sistemas de e-mail e groupware do assistncia `s atividades de comunicao. Os software de calendrios eletrnicos a e a ca a o e de groupware focalizam as atividades de agendamento e planejamento de horrio. a Sistemas de banco de dados locais apiam a tarefa de administrao de dados. o ca A criao de conhecimento e sua integrao junto ` empresa so tarefas dos sisca ca a a temas de trabalho com conhecimento (KWS). Os sistemas CAD - computer-aided design e de realidade virtual fazem parte desse grupo. Tais softwares usam intenso recurso grco e capacidades de comunicao, anlise e gerenciamento de documena ca a tos. Os sistemas de apoio ` deciso (SAD) podem ser relacionados a esse grupo pois a a utilizam estruturas para apoiar a deciso, so ex a a veis e adaptat veis e combinam modelos ou tcnicas anal e ticas `s funes tradicionais de recuperao de dados. a co ca O compartilhamento do conhecimento se d, principalmente, por groupware e a intranet. Groupware um software especial para auxiliar as atividades relacionadas e a muitas informao, nas quais pessoas trabalham mutuamente em grupos. As ca intranets executam muitas funes de colaboraes em grupo e de suporte, e ainda co co permitem que empresas publiquem contedo gerado para internet. u Os sistemas de inteligncia articial so programados para se comportar como e a seres humanos. Como visto no cap tulo 2, existem cinco membros na fam IA: a lia

Concluso a

71

linguagem natural, a robtica, os sistemas perceptivos, os sistemas especialistas e o as mquinas inteligentes. Estes sistemas no possuem a exibilidade, amplitude e a a generalizao humana, mas podem ser usados para obter e codicar o conhecimento ca da empresa. Os sistemas especialista ajudam a resolver problemas que antes eram resolvidos por especialistas. Aplicados a um dom nio restrito de conhecimento, os SEs captu ram o conhecimento e o usam representados na forma de regras SE-ENTAO. Uma mquina de inferncia faz o trabalho de raciocinar, usando o encadeamento para a e frente ou para trs. J o racioc baseado em casos, tcnica que tambm captura o a a nio e e conhecimento, imita nossa capacidade de aprender com as experincias. Atravs de e e uma base de conhecimento, na qual casos so armazenados, o programa fornece suas a solues. Novos casos, corretos ou no, que no existam na base so armazenados co a a a para oferecer maior ecincia. e As redes neurais articiais, usadas tanto em hardware quanto em software, tm e a tarefa de generalizar e reconhecer padres, isto , aprender com os exemplos que o e lhes so propostos. Com isso tentam imitar o processo do crebro humano. Entre a e os campos de atuao esto a medicina, geoprocessamento de imagens, cincia e ca a e negcios, primariamente para descrever padres em grandes quantidades de dados. o o A lgica fuzzy uma tecnologia que expressa a lgica com impreciso, incerteza. o e o a Os sistemas fuzzy so usados para controlar servios f a c sicos (mquinas, tais como a eletrodomsticos) e vm iniciando o uso para aplicaes de tomada de deciso. e e co a Baseados nos processos biolgicos, principalmente o evolutivo, os algoritmos o genticos so aplicados a problemas de otimizao, design de produtos e sistemas e a ca de monitoramento industrial. Seleo, crossover e mutao so alguns mtodos ca ca a e utilizados para otimizar o problema. Os agentes inteligentes so programas com conhecimento embutido ou com bases a de conhecimento que executam tarefas espec cas, repetitivas e previs veis. Eles podem ser programados para tomar decises de acordo com as preferncias pessoais o e do usurio. E podem ser comparados a um assistente digital pessoal colaborando a com o usurio em um mesmo ambiente de trabalho. a Essas tecnologias de inteligncia articial podem ser combinadas gerando sistee mas de IA h bridos, bem mais poderosos e complexos. Como resultados prticos, um sistema especialista e uma rede neural articial a foram implementados. O SE, para a rea nanceira de crdito pessoal bancrio, foi a e a projetado com um especialista na rea, exemplicado por uma rvore de deciso e a a a desenvolvido com a shell Expert SINTA. O perceptron simples foi criado para ajudar o problema de classicao de tamanho de empresas, porm pode ser utilizado para ca e classicar outros problemas desde que as classes sejam linearmente separveis. Ama bos programas so exemplos simples das tecnologias da IA (SE e RNA) mencionadas a neste projeto.

Referncias Bibliogrcas e a
[1] LAUDON, K. C. e LAUDON, J. P. Organization and Technology in the Networked Enterprise. Prentice Hall, New York, sixth edition edition, 2000. [2] RAO, V. e RAO, I. C++ neural networks and fuzzy logic. MIS press, Nova Iorque, 2 edition, 1995. [3] LACERDA, E. G. M. de e CARVALHO, A. C. P. L. F. de. Sistemas inteligentes: aplicaes a recursos hdricos e cincias ambientais, volume 7 of Coleo ABRH co e ca de Recursos H dricos, chapter Introduo aos algoritmos genticos, pages 99 ca e 150. Editora da Universidade, Porto Alegre - RS, 1999. [4] RUSSEL, S. e NORVING, P. Articial Inteligence: A modern approach. Prentice Hall, Nova York, 1 edition, 1995. [5] BITTENCOURT, G. Inteligncia articial: ferramentas e teorias. X Escola de e computao. Unicamp, Campinas - SP, julho 1996. ca [6] SPRANGUE, R. H. Jr. e WATSON, H. J. Sistemas de Apoio ` Deciso a a Colocando a teoria em prtica. Campus, 1989. a [7] GANASCIA, J.-G. Inteligncia Articial. Atica, So Paulo - SP, 1997. e a [8] GARCEZ, C. Tecnologia: uma http://www.informal.com.br/artigos/art031.html, 1999. viso a hol stica.

[9] TOFFLER, A. Powershift - As Mudanas do Poder. Record, Rio de Janeiro, c 1990. [10] BARRETO, J. M. Inteligncia articial no limiar do sculo XXI. Duplic, e e Florianpolis - SC, 3 ed. edition, 2001. o [11] JORDAIN, P. B. e BRESLAU, M. Condensed computer encyclopedia, volume 1. McGraw-Hill, New York, 1969. [12] KUHNEN, R. R. et al. i-hotel - sistema de indicao de hospedagem utilizando a ca tcnica de racioc baseado em casos. I Simpsio Catarinense de Computao e nio o ca : Anais, unico:245259, Agosto 2000. [13] LEVINE, R. I., DRANG, D. E. e EDELSON, B. Inteligncia Articial e Sise temas Especialistas. McGraw-Hill, So Paulo, 1988. a [14] NOGUEIRA, J. H. M. et al. Expert sinta 1.1, manual do usuro. a http://www.lia.ufc.br, 1996. Grupo SINTA - Sistemas INTeligentes Aplicados.

72

Referncias Bibliogrcas e a

73

[15] NOGUEIRA, J. H. M. et al. Expert sinta visual component library 1.1, manual do desenvolvedor. http://www.lia.ufc.br, 1998. Grupo SINTA - Sistemas INTeligentes Aplicados. [16] MONARD, M. C. et al. Uma introduo ao aprendizado simblico ca o de mquina por exemplos. Trabalho publicado no site do Instituto de a Cincias Matemticas de So Carlos da Universidade de So Paulo, URL: e a a a http://labic.icmsc.sc.usp.br/didatico/PostScript/ML.html, Outubro 1997. [17] SIMON, H. A. Information processing models of cognition. Annual Review of Psychology, 30:363396, 1979. [18] MANAS, A. V. Administrao de Sistemas de Informao como otimizar a ca ca empresa por meio dos sistemas de informao. Erica, So Paulo, 1999. ca a [19] BRAGA, A.P., LUDERMIR, T.B. e CARVALHO, A.C.P.L.F. Redes Neurais Articiais - teoria e aplicaes. LTC, 2000. co [20] SILVA, I. N. et al. Avaliao do n de contaminao do leo de transformaca vel ca o dores atravs de redes neurais articiais. XV Seminrio Nacional de Produo e a ca e Transmisso de Energia Eltrica, 1999. a e [21] GALVAO, C. O., VALENCA, M. J. S. et al. Sistemas inteligentes: aplicaes a co recursos hdricos e cincias ambientais, volume 7 of Coleo ABRH de Recursos e ca Hdricos. Editora da Universidade, Porto Alegre - RS, 1999. [22] KROSE, B. e SMAGT, P. van der. An introduction to neural networks. University of Amsterdam, Amsterdam - Holland, 1996. [23] KOVACS, Z. L. Redes neurais articiais - Fundamentos e aplicaes. Edio co ca Acadmica, So Paulo, 1996. e a