Ensino Superior

1. Ensino Superior Lógica Matemática e Computacional 6 – Introdução aos Sistemas Especialistas Amintas Paiva Afonso

2. Inteligência Artificial • O campo da Inteligência Artificial (IA) tenta compreender as entidades inteligentes para construir entidades inteligentes. • Construir máquinas (computadores) com um nível de inteligência igual ou superior aos humanos! • As abordagens de IA podem organizar-se em 4 categorias:

3. Inteligência Artificial Sistemas que pensam como os Humanos Sistemas que pensam Racionalmente Raciocínio/ Pensamento Sistemas que agem como os Humanos Sistemas que agem Racionalmente Comportamento Modelação do Ser Humano Outros Modelos Foco de Interesse

4. IA Simbólica Fundamenta-se em: • Representação do conhecimento; e • Métodos de Busca.

5. IA Simbólica • Representação do conhecimento: • Lógica proposicional e predicativa; • Regras de produção; • Redes semânticas; • Frames e scripts; • ...

6. IA Simbólica • Métodos de Busca: • Espaço de estados; • Busca em profundidade; • Busca em largura; • Busca heurística (A*); • Busca em feixe; • Têmpera simulada; • ...

7. Exemplo: um pequeno jogo... • Estado inicial: <XX_YY> • Estado objetivo: <YY_XX> • Ações (operações): • X_ => _X e _Y => Y_ • XX_ => _XX e _YY => YY_ • XY_ => _YX e _XY => YX_

8. Exemplo: uma solução • <XX_YY> (estado inicial) • <X_XYY> (ação 1a) • <XYX_Y> (ação 2b) • <XYXY_> (ação 1b) • <XY_YX> (ação 3a) • <_YXYX> (ação 3a) • <Y_XYX> (ação 1b) • <YYX_X> (ação 3b) • <YY_XX> (ação 1a)

9. Exemplo: uma falha • <XX_YY> (estado inicial) • <X_XYY> (ação 1a) • <XYX_Y> (ação 2b) • <XYXY_> (ação 1b) • <XY_YX> (ação 3a) • <XYY_X> (ação 1b) Falha !!!!

10. Exemplo: árvore de busca • <XX_YY> (estado inicial) • <X_XYY> (ação 1a) OU • <XXY_Y> (ação 1b) OU • <_XXYY> (ação 2a) OU • <XXYY_> (ação 2b) Qual escolher ? (heurística ?)

11. Sistemas Especialistas • Os especialistas humanos são capazes de atingir um alto desempenho na medida em conhecem muito bem as suas áreas de especialização; • Um Sistema Especialista (SE) é um programa de computador que utiliza conhecimento específico do domínio de um problema e emula a metodologia e desempenho de um especialista para obter soluções de problemas neste domínio.

12. Sistemas Especialistas • O conhecimento inerente a um Sistema Especialista é um ponto chave na sua construção, e é normalmente definido por engenheiros do conhecimento; • Para tal são consultados especialistas no domínio do problema e tenta-se codificar numa linguagem formal todo o conhecimento que estes adquiriam ao longo da sua experiência, nomeadamente heurísticas e truques.

13. Sistemas Especialistas • Os Sistemas Especialistas não imitam necessariamente a estrutura da mente humana, nem os mecanismos da inteligência; • São programas práticos que usam estratégias heurísticas desenvolvidas por humanos na resolução de classes específicas de problemas; • São uma classe de programas na área da Inteligência Artificial, e têm contribuído para o sucesso desta área através de vários produtos comerciais desenvolvidos e aplicações.

14. Sistemas Especialistas

15. Categorias dos Problemas • Interpretação: formar conclusões a partir de dados; • Predição: projetar consequências de situações; • Diagnóstico e reparo : determinar a causa de maus funcionamentos, e prescrever e implementar soluções; • Projeto: configurar componentes de forma a atingir um objetivo; • Planejamento: obter a sequência de passos para atingir um objetivo; • Monitoração: comparar o comportamento de um sistema com aquilo que seria de esperar; • Tutoriais: detectar e corrigir deficiências, e auxiliar processos de aprendizagem; • Controle: governar o comportamento de um sistema.

16. Tecnologia dos Sistemas Especialistas ESPECIALISTA/ ENG. CONHECIMENTO/ PROGRAMADOR SHELL BASE DE CONHECIMENTO DADOS ESPECÍFICOS DO CASO MOTOR DE INFERÊNCIA INTERFACE COM USUÁRIO: PERGUNTA/RESPOSTA ORIENTADO POR MENUS LINGUAGEM NATURAL GRÁFICO Arquitetura USUÁRIO EXPLANAÇÃO APRENDIZAGEM

17. Quando desenvolver um SE • O problema justifica o custo e esforço de construção do SE; • Não existem especialistas disponíveis (no local) para resolver diretamente o problema; • Existem especialistas para cooperarem na construção do SE; • O problema pode ser solucionado através de raciocínio simbólico (próximo dos humanos); • O problema não requer “senso comum”; • O problema não pode ser resolvido através de métodos computacionais tradicionais; • O problema não é demasiado grande nem demasiado genérico.

18. Desenvolvimento de SE • Envolve o Engenheiro de Conhecimento, o Especialista do domínio do problema e o Usuário final; • Criação Rápida de Protótipos: • Metodologia Centrada no Cliente; • Sucessivas iterações nas quais as possibilidades são postas à prova pelos futuros usuários. Aquisição do Conhecimento Modelagem do Sistema Correção Programação

19. Criação de SE • Linguagens de Programação: C++, LISP, PROLOG • Shells: • Acadêmicos: MYCIN - EMYCIN, CLIPS, GUIDON, TEIRESIAS, VM, CENTAUR... • Comerciais: Deciding Factor, Exsys, M-1, Savoir, Expert- Ease, Guru, Crystal... • Ambientes de Programação (de IA): • ILOG... • Aplicações: • Business Insight...

20. Raciocínio Baseado em Regras • Representação do conhecimento para a resolução do problema através de regras do tipo “se...então...” (regras de produção) • Exemplo: Se (Qualifica = SIM) e (Média < 3,5) e (Experiência >= 2) Então (Posição = engenheiro de serviço)

21. Arquitetura Clássica de um SE Base de Conhecimento Memória de Trabalho Motor de Inferência: Controle e Inferência Regras Fatos Subsistema de aquisição de conhecimento Subsistema de explanação Interface com o usuário Usuário Especialista / Eng. Conhecimento

22. Motor de Inferência Regras (MR) Fatos (MF) Pattern Matching Conjunto de conflitos (CC) Motor de Inferência: Controle e Inferência Resolução de conflitos Regra (s) escolhida(s) Disparo da(s) regra(s) Alterações em MF (MR)

23. Exemplo: um pequeno SE Problema: • Oferta de emprego a um candidato em uma empresa. • Variáveis de entrada: Descoberta (Sim / Não), Diploma (Sim / Não), Experiência (em anos), Média (nota média do histórico); • Variáveis de saída: Posição (Nenhuma / Pesquisa / Eng. De Serviço / Eng. De Produto), Qualifica (Sim / Não).

24. Exemplo: um pequeno SE Variáveis: • Descoberta: o candidato fez alguma descoberta? • Diploma: o candidato tem curso superior ? • Experiência: quantos anos de experiência tem o candidato ? • Média: qual a nota média do candidato em seu curso superior ? • Posição:que posição deve ser oferecida ao candidato ? • Qualifica: o candidato se qualifica para uma posição ?

25. Exemplo: um pequeno SE Regras: • R1: SE (Diploma = Não) ENTÃO (Posição =Nenhuma); • R2: SE (Diploma = Sim) ENTÃO (Qualifica = Sim); • R3: SE (Diploma = Sim) E (Descoberta = Sim) ENTÃO (Posição = Pesquisa);

26. Exemplo: um pequeno SE • R4: SE (Qualifica = Sim) E (Média <= 7,0 ) E (Experiência >= 2) ENTÃO (Posição = Eng. De Serviço); • R5: SE (Qualifica = Sim) E (Média < 7,0) E (Experiência < 2) ENTÃO (Posição = Não);

27. Exemplo: um pequeno SE • R6: SE (Qualifica = Sim) E (Média > 7,0) ENTÃO (Posição = Eng. de Produto);

28. Encadeamento para frente Procedimento básico: Até que a solução pertença a MF faça: • Compare a MF e MR e obtenha o CC; • Escolha uma (várias) regra(s) no CC (resolução de conflitos); • Dispare a(s) regra(s) escolhida(s) (acrescenta / retira fatos da MT).

29. Encadeamento para frente Fatos iniciais (M0): • F0: (Diploma = Sim); • F1: (Experiência = 1,5); • F2: (Média = 8,0); • F3: (Descoberta = Não). Inferência 1: Dispara R2; • F4: (Qualifica = Sim);

30. Encadeamento para frente Fatos atuais (M1): • F0: (Diploma = Sim); • F1: (Experiência = 1,5); • F2: (Média = 8,0); • F3: (Descoberta = Não). • F4: (Qualifica = Sim); Inferência 2: Dispara R6; • F5: (Posição = Eng. De Produto).

31. Encadeamento para frente Fatos atuais (M2): • F0: (Diploma = Sim); • F1: (Experiência = 1,5); • F3: (Média = 8,0); • F4: (Descoberta = Não). • F5: (Qualifica = Sim); • F6: (Posição = Eng. De Produto). Não há mais regra a disparar.

32. Encadeamento para trás Procedimento básico: • Escolha uma hipótese H da Pilha de Hipóteses; • Até que a hipótese seja comprovada (pertença a MF): • Escolha uma regra R cuja conclusão seja H; • Tente provar as premissas de R (recursivamente); • Se não for possível , escolha outra hipótese.

33. Encadeamento para trás Fatos iniciais (M0): • F0: (Diploma = Sim); • F1: (Experiência = 1,5); • F2: (Média = 8,0); • F3: (Descoberta = Não).

34. Encadeamento para trás Possui Pilha de Hipóteses a serem provadas / negadas. Hipótese: • H0: (Posição = Nenhuma); Pela regra R1, substituída por: • H1: (Diploma = Não), é negada por M0; • A hipótese é descartada.

35. Encadeamento para trás Nova hipótese: • H2: (Posição = Pesquisa); Pela regra R3, substituída por (H3) e (H4): • H3: (Diploma = Sim), e • H4: (Descoberta = Sim). H3 confirmada por M0, H4 não; Não há regra cuja conclusão seja H4, logo H4 e H2 são descartadas.

36. Encadeamento para trás Nova hipótese: • H5: (Posição = Eng. De Serviço); Pela regra R4, substituída por (H6), (H7) e (H8): • H6: (Qualifica = Sim); • H7: (Média < 7,0); • H8: (Experiência >= 2). H7 negada por M0, (como também H8), H5 descartada.

37. Encadeamento para trás Nova hipótese: • H9: (Posição = Eng. De Produto); Pela regra R6, substituída por (H10) e (H11): • H10: (Qualifica = Sim); • H11: (Média > 7,0). H10 e H11 confirmadas por M0, H9 confirmada.

38. Encadeamento para trás • Outra possibilidade: inquisição do usuário a cada passo: • Caso não haja regra cuja conclusão confirme a hipótese, uma pergunta é feita ao usuário para se obter o valor da variável.

39. Raciocínio Baseado em Modelos • Em vez de se utilizarem heurísticas na resolução de um problema; • A análise é fundamentada diretamente na especificação e funcionalidade do sistema físico (um modelo do sistema); • Normalmente aplica-se no diagnóstico; • O sistema é simulado assim como a estrutura e funcionamento das suas componentes; • Exemplo de um circuito de somadores e multiplicadores.

40. Raciocínio Baseado em Casos • Regras heurísticas e modelos teóricos são dois tipos de informação que os especialistas humanos utilizam para resolver problemas; • Outra estratégia utilizada é o raciocínio baseado em casos (Case-Based Reasoning - CBR); • Utiliza uma base de dados com soluções de problemas para resolver novas situações; • Exemplos: medicina, justiça, programação de computadores, arquitetura, história...

41. Algoritmo de inferência 1. Procurar casos similares na memória, aqueles cuja solução pode ser aplicada à nova situação (características comuns) 2. Modificar um desses casos para aplicar à situação nova (alterar sequência dos passos que levam de um estado inicial a um estado final) 3. Aplicar o caso transformado ao novo problema 4. Guardar a solução com uma medida do sucesso ou insucesso para uso futuro.

42. Raciocínio Baseado em Regras • vantagens: • modo direto • modular • desempenho • facilidades de explanação • as regras encaixam-se naturalmente na procura num espaço de estados • o processo de inferência é fácil de seguir e depurar • os passos para a solução do problema são facilmente inspecionáveis • separação do controle e do conhecimento

43. Raciocínio Baseado em Regras • desvantagens: • regras altamente heurísticas, falta de profundidade • não manuseiam falta de informação ou valores inesperados • a explicação baseia-se na prova e não nas bases teóricas • muito específico na aplicação

44. Raciocínio Baseado em Casos • vantagens: • codificação direta de conhecimento histórico (e.g. reparações) • permite obter a solução a partir de um caso apropriado não necessitando de todo o processo de resolução do problema • evita erros do passado e explora os sucessos (aprendizagem)

45. Raciocínio Baseado em Casos • vantagens: • não é necessária uma análise extensiva do domínio do conhecimento • aquisição de conhecimento e sua codificação relativamente fáceis

46. Raciocínio Baseado em Casos • desvantagens: • explanação difícil • desempenho computacional (bases de dados extensas) • difícil definir critérios de similaridade

47. Raciocínio Baseado em Modelos • vantagens: • uso de conhecimento funcional/estrutural • robustez (ao contrário do baseado em regras) • algum conhecimento é transferível entre tarefas (teorias genéricas...) • explicação causal

48. Raciocínio Baseado em Modelos • desvantagens: • falta de conhecimento heurístico • requer um modelo explícito do domínio (nem sempre é possível (e.g. finanças) • complexidade • situações excepcionais (um componente avariado)

49. Outras possibilidades • Raciocínio Baseado em Representações Híbridas • regras+casos • regras+modelos • modelos+casos • Raciocínio com Incerteza ou Informação Incompleta: • Probabilidades • Fatores de certeza • Sistemas difusos

50. Referências • Sobre IA em geral: • S.J. Russel; P. Norvig. Artificial Intelligence. Prentice Hall, 1995, http://aima.cs.berkeley.edu/. • E. Rich; K. Knight. Inteligência Artificial. Makron Books, 1994, http://www.cs.utexas.edu/users/ear/ e http://www.isi.edu/natural-language/people/knight.html .