GESTÃO DA TECNOLOGIA E INOVAÇÃO (adm0422)

REDE NEURAIS ARTIFICIAIS PARA GESTÃO

DE NEGÓCIO

Prof. Dr. Domenico Ceglia

Rede neurais artificiais
 CONCEITO

Redes neurais artificiais são estruturas computacionais

projetadas para emular o acúmulo de conhecimento que existe
dentro do nosso sistema nervoso central biológico.
 CONCEITO

A RNA imita certos aspectos o processamento de informações e

a estrutura física do cérebro humano, tipo uma teia de conexões
neurais.
 CONCEITO

Uma RNA consiste em um grande número de elementos de

processamento simples que são interligados entre sim e também
em camadas.
 CONCEITO

 Semelhante à sua contraparte biológica, um RNA tem cada

elemento de processamento (o neurônio) recebendo entradas
do outro elementos, as entradas são ponderadas e somadas, o
resultado é então transformado (por uma função de
transferência) na saída.
 A função de transferência pode ser um degrau, função
sigmoide ou tangente hiperbólica, entre outros.
CONCEITO
 CONCEITO

 Convencionalmente, um computador opera através de

tecnologias de processamento linear sequencial.

 Eles aplicam fórmulas, regras de decisão e algoritmos

instruídos pelos usuários para produzir saídas da entradas.
 Computadores convencionais são bons em cálculo numérico.
 CONCEITO

 Mas a RNA melhoram suas próprias regras; quanto mais

decisões eles tomarem, melhor as decisões podem se tornar.
 Existem seis características principais da RNA tecnologia:
1. A estruturas de rede.
2. A habilidade de processamento em paralelo.
3. A memória distribuída.
4. A habilidade de tolerância na falha.
5. A solução coletiva.
6. A capacidade de aprendizagem.
 ESTRUTURA DE REDE
RECORRENTE

 Uma RNA pode ter uma estrutura recorrente ou não

recorrente.
 Uma estrutura de rede recorrente é uma rede de feedback
em que a rede calcula suas saídas com base nas entradas e
as alimenta de volta para modificar as entradas.
 Para uma rede recorrente estável, este processo
normalmente produz cada vez menos saída muda até que
a saída se torne constante.
 ESTRUTURA DE REDE RECORRENTE

 Se este processo não terminaria, a rede está instável e é

conhecida como um sistema caótico.
 Um sistema em que muitos especialistas de Wall Street
acreditam que pode prever os preços das ações.
 ESTRUTURA DE REDE NÃO RECORRENTE

 Os dados fluirão em uma direção, da camada de entrada para

a saída camada sem qualquer loop de feedback: elas também
são chamados redes feed-forward.
 Este tipo de rede representaram a maioria das aplicações de
RNA existentes.
NEURÔNIO DE UMA REDE
 CAPACIDADE DE PROCESSAMENTO DE UM
NEURÔNIO

 Cada neurônio em a RNA é um elemento de processamento

semelhante a uma Unidade lógica booleana em um chip de
um computador convencional, exceto que a função de um
neurônio é programável.
 CAPACIDADE DE PROCESSAMENTO DE UM
NEURÔNIO

 Um único vetor de entrada é usado.

 A MEMÓRIA DISTRIBUIDA

 A rede não armazena informações em uma memória central.

 A informação é armazenada como reproduzível em toda a
rede estrutura.
 O estado dos neurônios representa uma memória de curto
prazo, pois pode mudar com a próxima entrada vetor.
 Gradualmente, a memória de curto prazo se moverá para a
memória de longo prazo e modificará a rede como uma
função da experiência de entrada.
 A HABILIDADE DE TOLERRÂNCIA NA
FALHA

 A habilidade de processamento em paralelo da rede e a

memória distribuída se torna relativamente tolerante às falhas.
 Em uma rede neural, a falha de uma ou mais neurônio podem
degradar a precisão, mas não quebra o sistema.
 Uma falha do sistema ocorre somente quando todas as partes
falhar ao mesmo tempo.
 Isso fornece uma medida de controle de dano.
 A SOLUÇÃO COLETIVA

 Um computador convencional processa instruções

programadas sequencialmente e um por vez.
 Se um programa for interrompido no meio de sua execução,
pode-se obter uma resposta sensata que reflete exatamente os
cálculos que têm feito até agora.
 A SOLUÇÃO COLETIVA

 No entanto, tal solução parcial é sem sentido com um

computador RNA; ele depende das saídas coletivas de todos
os neurônios conectados.
 Se o processo de solução é interrompido antes de ser
concluído, a "resposta parcial" provavelmente é um absurdo
para o usuário.
 A CAPACIDADE DE APRENDIZAGEM

 Uma RNA, especialmente o feed-forward não recorrente, é

capaz de aplicar regras de aprendizagem para desenvolver
modelos de processos, adaptando a rede ao mudando o
ambiente e descobrindo conhecimento implícito nas
respostas recebidas e/ou estímulos.
 Existem três métodos de aprendizagem possíveis:
supervisionado, não supervisionado e o aprendizado com
reforço.
 A CAPACIDADE DE APRENDIZAGEM

 O aprendizado supervisionado é utilizado um agente externo

que indica à rede a resposta desejada para o padrão de
entrada.
 O aprendizado não supervisionado é realizado quando não
existe um agente externo indicando a resposta desejada para
os padrões de entrada.
 O aprendizado por reforço é quando um crítico externo avalia
a resposta fornecida pela rede.
 PARA QUE SERVE A REDE NEURAL
ARTIFICIAL?

Ao contrário das técnicas convencionais computacionais, eles

são capazes de resolver problemas não lineares e problemas mal
definidos baseados em composição paralela.
 CARACTERISTICAS

As características de redes neurais artificiais como:

• Eficiência.
• Robustez.
• Adaptabilidade.
tornam a RNA uma ferramenta valiosa para
classificação, decisão suporte, análise financeira ou
pontuação de crédito.
 EMPREGO DA RN

 O emprego de redes neurais:

 Finanças.
 Marketing.
 Classificações de títulos, derivativos, mercados de ações,
bem como previsões macroeconômicas.
PANORÁMICA DA APLICAÇÃO DA REDE
NEURAL ARTIFICIAL
PANORÁMICA DA APLICAÇÃO DA REDE
NEURAL ARTIFICIAL
EXEMPLO
EXEMPLO: FUNÇÃO DE ATIVAÇÃO
EXEMPLO: FUNÇÃO DE ATIVAÇÃO
 VIABILIDADE PARA APLICAÇÕES DE
NEGÓCIO

 As RNAs podem ser aplicadas a muitos problemas que são

resolvidos convencionalmente por estatística e técnicas de
ciência de gestão.
 Na verdade, as características comuns permitem que as RNAs
resolvam esses problemas melhor e mais rápido do que o
convencional técnicas, mesmo sem intervenção humana.
 Além disso, permitem modelar tarefas de decisão complexas
com tanta facilidade e simplicidade que pouco conhecimento
teórico é exigido para os usuários da RNA.
 APLICAÇÕES DE NEGÓCIO

As instituições financeiras são melhorar a sua tomada de

decisão, melhorando a interpretação de sistemas de pontuação
comportamental e desenvolvendo modelos ANN superiores de
 Valores mobiliários e negociação casas estão desenvolvendo e
risco de cartão de crédito e falência.
melhorando suas técnicas de previsão e estratégias de
negociação com RNAs.
 As companhias de seguros estão gerenciando riscos melhor
usando RNAs para desenvolver um modelo de topo
subscritores e usando isso como um treinamento e ferramenta
de avaliação para outros subscritores
 LIMITAÇÕES DA RNA

A RNA não é um solucionador de problemas de uso geral.

 É bom em cálculos numéricos complexos para o propósitos
de resolver sistema de linear ou não linear equações,
organizando dados em classes equivalentes, e adaptar o
modelo de solução às necessidades ambientais mudanças.
 No entanto, não é bom em coisas tão mundanas tarefas como
cálculo de folha de pagamento, balanceamento de cheques e
geração de faturas. Portanto, os usuários devem saber quando
um problema pode ser resolvido com uma RNA.
 LIMITAÇÕES DA RNA

Não é uma metodologia estruturada disponível

 para escolher, desenvolver, treinar e verificar um RNA.
 A qualidade da solução de uma RNA é conhecida por ser
afetada pelo número de camadas, o número de neurônios em
cada camada, a transferência.
 A função de cada neurônio e o tamanho do treinamento a
definir.
 Alguém poderia pensar que quanto mais dados no conjunto de
treinamento, melhor será a precisão da saída. Mas não é
assim.
 LIMITAÇÕES DA RNA

 Um conjunto de dados muito pequeno em treinamento

proibirá a rede de desenvolver padrões generalizados das
entradas.
 Um conjunto de dados muito grandes irá quebrar os padrões
generalizados e fazer que a rede seja sensível ao ruído de
entrada.
 Em qualquer caso, a seleção desses parâmetros é mais uma
arte do que uma Ciência.
 LIMITAÇÕES DA RNA

 Os usuários de RNAs devem realizar experimentos (ou

análises de sensibilidade) para identificar o melhor possível
configuração da rede.
 Isso exige ferramentas de desenvolvimento de RNA fáceis de
usar e modificar, que estão aparecendo gradativamente no
mercado.
 ALGUMAS QUESTÕES NORTEADORAS
PARA O ESTUDO

1. Pode me explicar o que é uma rede neural artificial?

2. Pode me explicar a capacidade de processamento em paralelo da RNM?

3. Pode me explicar o que significa a “capacidade de aprendizado” na RNM?

4. Pode me explicar o que significa “solução coletiva” na RNM?

5. Pode me explicar as características de uma rede neural artificial?

6. Que significa estrutura de rede recorrente e não recorrente?

7. Quais são as aplicações da rede neural artificial?

8. Quais são suas limitações?