REDES NEURAIS ARTIFICIAIS

Douglas Antunes Erik Amador

Jackson Ramon Welber Assuno

Frederico Normanha

Weberth Silva

Redes neurais artificiais Redes

Neurais Artificiais so tcnicas computacionais que apresentam um modelo matemtico inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento atravs da experincia. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento; j o crebro tem bilhes de neurnios. O sistema nervoso formado por um conjunto extremamente complexo de clulas, os neurnios. Eles tm um papel essencial na determinao do funcionamento e comportamento do corpo humano e do raciocnio.

Constituintes da clula neuronal

Os neurnios so formados pelos: o Dendritos, que so um conjunto de terminais de entrada; o Soma corpo central; o axnios que so longos terminais de sada.

Inspirao biolgica
Os neurnios se comunicam atravs de sinapses. Sinapse a regio onde dois neurnios entram em contato e atravs da qual os impulsos nervosos so transmitidos entre eles. Os impulsos recebidos por um neurnio A, em um determinado momento, so processados, e atingindo um dado limiar de ao, o neurnio A dispara, produzindo uma substncia neurotransmissora que flui do corpo celular para o axnio, que pode estar conectado a um dendrito de um outro neurnio B. O neurotransmissor pode diminuir ou aumentar a polaridade da membrana ps-sinptica, inibindo ou excitando a gerao dos pulsos no neurnio B. Este processo depende de vrios fatores, como a geometria da sinapse e o tipo de neurotransmissor.

UM BREVE HISTRICO
McCulloch e Pitts (1943), Hebb (1949), e Rosemblatt (1958). Estas publicaes introduziram o primeiro modelo de redes neurais simulando mquinas, o modelo bsico de rede de auto-organizao, e o modelo Perceptron de aprendizado supervisionado, respectivamente. Nos anos 60 e 70, importantes trabalhos sobre modelos de redes neurais em viso, memria, controle e auto-organizao como: Amari, Anderson, Cooper, Cowan, Fukushima, Grossberg, Kohonen, von der Malsburg, Werbos e Widrow. Alguns histricos sobre a rea costumam pular os anos 60 e 70 e apontar um renicio da rea com a publicao dos trabalhos de Hopfield (1982) relatando a utilizao de redes simtricas para otimizao e de Rumelhart, Hinton e Williams que introduziram o poderoso mtodo Backpropagation.

Caractersticas Gerais das Redes Neurais artificiais

Uma rede neural artificial composta por vrias unidades de processamento, cujo funcionamento bastante simples. Essas unidades, geralmente so conectadas por canais de comunicao que esto associados a determinado peso. As unidades fazem operaes apenas sobre seus dados locais, que so entradas recebidas pelas suas conexes. O comportamento inteligente de uma Rede Neural Artificial vem das interaes entre as unidades de processamento da rede.

Caractersticas Gerais das Redes Neurais artificiais

So modelos adaptativos treinveis; Podem representar domnios complexos (no lineares); So capazes de generalizao diante de informao incompleta; Robustos; So capazes de fazer armazenamento associativo de informaes; Processam informaes Espao/temporais; Possuem grande paralelismo, o que lhe conferem rapidez de processamento.

O Neurnio Artificial
McCullock e Pitts 1943, sinais so apresentados entrada; cada sinal multiplicado por um nmero, ou peso, que indica a sua influncia na sada da unidade; feita a soma ponderada dos sinais que produz um nvel de atividade; se este nvel de atividade exceder um certo limite (threshold) a unidade produz uma determinada resposta de sada.

Organizao em camadas

Organizao em camadas Usualmente as camadas so classificadas em trs grupos: o Camada de Entrada: onde os padres so apresentados rede; o Camadas Intermedirias ou Escondidas: onde feita a maior parte do processamento, atravs das conexes ponderadas; podem ser consideradas como extratoras de caractersticas; o Camada de Sada: onde o resultado final concludo e apresentado.

Processos de Aprendizado A propriedade mais importante das redes neurais a habilidade de aprender de seu ambiente e com isso melhorar seu desempenho. Isso feito atravs de um processo iterativo de ajustes aplicado a seus pesos, o treinamento. O aprendizado ocorre quando a rede neural atinge uma soluo generalizada para uma classe de problemas.

Algoritmo de Aprendizado Algoritmo de aprendizado um conjunto de regras bem definidas para a soluo de um problema de aprendizado. Existem muitos tipos de algoritmos de aprendizado especficos para determinados modelos de redes neurais; Estes algoritmos diferem entre si principalmente pelo modo como os pesos so modificados.

FORMAS de Aprendizado Aprendizado Supervisionado, quando utilizado um agente externo que indica rede a resposta desejada para o padro de entrada; Aprendizado No Supervisionado (autoorganizao), quando no existe uma agente externo indicando a resposta desejada para os padres de entrada; Reforo, quando um crtico externo avalia a resposta fornecida pela rede.

Treinamento Supervisionado
O treinamento supervisionado do modelo de rede Perceptron, consiste em ajustar os pesos e os thresholds de suas unidades para que a classificao desejada seja obtida. Para a adaptao do threshold juntamente com os pesos podemos consider-lo como sendo o peso associado a uma conexo, cuja entrada sempre igual -1 e adaptar o peso relativo a essa entrada. Quando um padro inicialmente apresentado rede, ela produz uma sada. Aps medir a distncia entre a resposta atual e a desejada, so realizados os ajustes apropriados nos pesos das conexes de modo a reduzir esta distncia.Este procedimento conhecido como Regra Delta.

Treinamento Supervisionado
Deste modo, temos o seguinte esquema de treinamento: Iniciar todas as conexes com pesos aleatrios; Repita at que o erro E seja satisfatoriamente pequeno (E = e) Para cada par de treinamento (X,d), faa: Calcular a resposta obtida O; Se o erro no for satisfatoriamente pequeno E > e, ento: Atualizar pesos: Wnovo := W anterior + neta E X Onde: O par de treinamento (X, d) corresponde ao padro de entrada e a sua respectiva resposta desejada; O erro E definido como: Resposta Desejada - Resposta Obtida (d - O); A taxa de aprendizado neta uma constante positiva, que corresponde velocidade do aprendizado.

PORQUE UTILIZAR REDES NEURAIS ARTIFICIAIS Sistemas de computao baseados em redes neurais tem a capacidade de receber ao mesmo tempo vrias entradas e distribu-las de maneira organizada. Geralmente, as informaes armazenadas por uma rede neural compartilhada por todas as suas unidades de processamento.

PORQUE UTILIZAR REDES NEURAIS ARTIFICIAIS A informao contida ainda estar presente na rede, e poder ser recuperada. A redundncia na representao de informaes em uma rede neural, diferente de outros sistemas, transforma-se em uma vantagem que torna o sistema tolerante a falhas.

PORQUE UTILIZAR REDES NEURAIS ARTIFICIAIS A principal fora na estrutura reside em sua habilidades de adaptao e aprendizagem. A habilidade de adaptao. Podem lidar com dados imprecisos e situaes no totalmente definidas. A caracterstica mais significante de redes neurais est em sua habilidade de aproximar qualquer funo contnua nolinear de um grau de correo desejado.

Quando utilizar ? Quando se faz necessria a utilizao de tcnicas mais avanadas para resolver problemas complexos que exijam capacidade de generalizao diante de informao incompleta, capacidade de fazer armazenamento associativo de informaes, Possuam necessidade de grande paralelismo.

Quando NO utilizar ? Em geral, as RNAs no apresentam um bom desempenho em tarefas que no so bem executadas por pessoas. Por exemplo, clculos matemticos e processamento de transaes que exijam rapidez no so adequados para as RNAs e so mais bem executadas pelos computadores convencionais.

Como/ONDE Utilizar
Fraudes tributrias: identificar, localizar e assinalar irregularidades;

Avaliao de funcionrios e candidatos a vagas: dados dos candidatos comparados s exigncias da funo de critrios de desempenho;
Identificao de alvos de aquisio: prever quais empresas esto mais sujeitas a serem compradas por outras;

Como/ONDE Utilizar
Estudo de caso: Administradoras de carto de crdito Somente 0,25% do faturamento da Visa International, em 1995, foi perdido para as fraudes, mas o 655 milhes de dlares que esse percentual representa so uma perda significativa que merece ser prevenida. A Visa est concentrando seus esforos agora sobre a reverso do nmero de transaes fraudulentas, utilizando para isso a ajuda da tecnologia de redes neurais. A maioria das pessoas costuma manter um padro bemdefinido de uso de carto de crdito e raramente faz compras suprfluas. As redes neurais foram desenhadas para perceber quando um carto, normalmente usado uma vez por semana para abastecer o automvel, por exemplo, de repente usado para comprar vrios ingressos para a mais famosa estreia de teatro na Broadway. parecem ter valido a pena.

Como/ONDE Utilizar
Estudo de caso: Administradoras de carto de crdito Os bancos associados rede Visa acreditam que a tecnologia de redes neurais um sucesso. O Bank of Amrica usa um sistema de identificao de risco de portador de carto de crdito (CRIS) e cortou o uso fraudulento de cartes de crdito em dois teros. O Toronto Dominion Bank descobriu que as perdas haviam diminudo, e seu atendimento ao cliente melhorado muito desde a introduo da computao neural. Outro banco registrou uma economia de 5,5 milhes de dlares em seis meses. Em 1994, os bancos associados Visa perderam mais de 148 milhes de dlares com falsificao de cartes o que representa uma queda maior que 16%. Com esses nmeros, os 2 milhes de dlares que a visa investiu na instalao do CRIS parecem ter valido a pena.

Exemplos reais de uso de Redes neurais

A Google fez com que uma rede neural artificial de 16 mil chips reconhecesse mais de 20.000 objetos. No houve nenhuma interferncia humana. A tecnologia pode otimizar as buscas realizadas em seu servio online. Pode reconhecer a figura de um gato e saber que aquilo se trata de um gato.

Exemplos reais de uso de Redes neurais

Utilizadas em reconhecimentos de imagens. Aplicaes de reconhecimento facial e at mesmo reconhecimento de impresses digitais. Melhores resultados em questo de agilidade e preciso.

Exemplos reais de uso de Redes neurais

No se limita a padres de imagens. Pode reconhecer padres de voz e at entender palavras. Siri um aplicativo para iOS que faz processamento de linguagem natural. Recebe comandos por voz e realiza aes nos smartphones com iOS.

Exemplos reais de uso de Redes neurais

Google Glass ir contar com ambos sistemas de reconhecimento de voz e imagens. A Google tambm vai utilizar redes neurais para aprimorar o seu carro autnomo. O carro ser capaz por si s pode definir a melhor rota a ser seguida e se autoguiar at seu destino sem interferncia de um condutor.

Referncias
INFO Online (2013), Redes neurais e gadgets domsticos mudaro tecnologia, diz Barra, Disponvel em <http://info.abril.com.br/noticias/internet/2013/08/a-biologia-nos-da-ainspiracao-para-criar-a-computacao-do-futuro.shtml>, Acessado em Agosto de 2013. Mecatron (2013), Redes Neurais Fico que se torna Realidade, Disponvel em <http://www.mecatron.org.br/blog/2013/08/redes-neurais-ficcao-que-setorna-realidade/>, Acessado em Agosto de 2013. CanalTech (2012), Google utiliza novo sistema de 'crebro virtual' para aprimorar seus servios, Disponvel em <http://canaltech.com.br/noticia/google/Google-utiliza-novo-sistema-decerebro-virtual-para-aprimorar-seus-servicos/>, Acessado em Agosto de 2013. Tecmundo (2013), Google se baseia em redes neurais para melhorar seus servios, Disponvel em <http://www.tecmundo.com.br/google/42854-googlese-baseia-em-redes-neurais-para-melhorar-seusservicos.htm#ixzz2byXy4zHc>, Acessado em Agosto de 2013. Tecmundo (2013), Google est trabalhando em tradutor de voz instantneo, Disponvel em <http://www.tecmundo.com.br/google/42854-google-sebaseia-em-redes-neurais-para-melhorar-seus-servicos.htm#ixzz2byXy4zHc>, Acessado em Agosto de 2013.

Referncias
Bol Notcias (2012), Tcnica de inteligncia artificial usada no Siri e no Street View deixa pesquisadores otimistas, Disponvel em < http://noticias.bol.uol.com.br/ciencia/2012/12/04/tecnica-de-inteligenciaartificial-usada-no-siri-e-no-street-view-deixa-pesquisadores-otimistas.jhtm>, Acessado em Agosto de 2013. Departamento de Informtica (DIN) da Universidade Estadual de Maring (UEM), Redes Neurais Fico que se torna Realidade, Disponvel em <http://www.din.uem.br/~ia/intelige/neurais2/porque.html>, Acessado em Agosto de 2013.

FIM