Introdu o aos sistemas inteligentes
This presentation is the property of its rightful owner.
Sponsored Links
1 / 162

Introdução aos Sistemas Inteligentes PowerPoint PPT Presentation


  • 70 Views
  • Uploaded on
  • Presentation posted in: General

Introdução aos Sistemas Inteligentes. DCA-FEEC-UNICAMP. Prof. Ricardo Gudwin [email protected] http://www.dca.fee.unicamp.br/~gudwin Telefone: (19) 3788-3819. Sistemas Inteligentes. Sistemas Inteligentes sistemas que exibem um comportamento considerado inteligente

Download Presentation

Introdução aos Sistemas Inteligentes

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Introdu o aos sistemas inteligentes

Introdução aos Sistemas Inteligentes

DCA-FEEC-UNICAMP

Prof. Ricardo Gudwin

[email protected]

http://www.dca.fee.unicamp.br/~gudwin Telefone: (19) 3788-3819


Sistemas inteligentes

Sistemas Inteligentes

  • Sistemas Inteligentes

    • sistemas que exibem um comportamento considerado inteligente

  • Definições na Literatura

    • existem em profusão, desde as mais ingênuas, até as mais elaboradas e detalhadas

    • polêmicas

    • incompletas

  • Palavra-Chave

    • Inteligência

    • O que é isso ?


Intelig ncia

Inteligência

  • O que é inteligência ?

    • Envolve

      • conhecimento

      • raciocínio

      • pensamento

      • idéias

    • Capacidade de resolver problemas

    • Capacidade de compreender uma situação

    • Capacidade de planejar o futuro e realizar ações de modo que os plano se concretizem

    • Capacidade de aprender coisas novas

    • Capacidade de atingir objetivos

    • Capacidade de determinar objetivos


Intelig ncia1

Inteligência

  • Sabemos o que é inteligência ?

    • Podemos avaliar se algum sistema em particular (natural ou artificial) é ou não inteligente

    • Podemos determinar diversos atributos para um sistema que consideremos inteligente

    • Não temos uma definição geral e completa para o que seja inteligência

  • Podemos dizer algumas coisas sobre a inteligência

    • existe em diferentes níveis (intensidades)

    • atua sobre diferentes domínios (múltiplas inteligências)

    • é uma propriedade composta e derivada

    • em seres humanos, pode ser desenvolvida


Intelig ncia2

Inteligência

  • Quem se interessa por estudá-la ?

    • Filósofos - para entendê-la

    • Educadores - para desenvolvê-la em seres humanos

    • Engenheiros - para criar sistemas que a possuam

  • Desde quando a estudam ?

    • Desde os primeiros filósofos gregos

  • Áreas do conhecimento que lhe são afins

    • Filosofia (do pensamento), Pedagogia (desenvolvimento da inteligência), Biologia celular (comunicação celular), Medicina (sistemas imunológicos), Etologia (inteligência nos animais), Psicologia e Psiquiatria (distúrbios da inteligência), Engenharia dos Materiais (materiais inteligentes), Política (como negociar), Retórica (como convencer), Computação (sistemas inteligentes), etc ...


Taxonomia das intelig ncias

Taxonomia das Inteligências

  • Inteligência Natural (Análise)

    • Inteligência de compostos materiais

    • Inteligência em compostos orgânicos

    • Inteligência celular

    • Inteligência em animais

    • Inteligência no homem

      • desenvolvimento, terapêutica em distúrbios, modelagem, uso

  • Inteligência Artificial (Síntese)

    • dispositivos mecânicos/materiais

    • dispositivos eletrônicos (computadores)

    • software


Paradigmas e intelig ncia

Paradigmas e Inteligência

  • Dois hemisférios do cérebro humano

    • especializados em diferentes formas de tratar problemas

    • utilizando dois tipos distintos de paradigmas

      • Sequencial ou Lógico: baseado em uma abordagem de solução de problemas que considera somente uma pequena porção das informações disponíveis em um dado instante de tempo qualquer

      • Paralelo ou Gestalt: processa informação de forma global, ou “tudo de uma vez”. Percepção, por exemplo

  • Hemisfério esquerdo (paradigma sequencial)

    • produção e compreensão de linguagem, raciocício lógico, planejamento, tempo,…

  • Hemisfério direito (paradigma paralelo)

    • comparação e identificação de imagens visuais, raciocínio por analogia, coordenação, sentido de corpo, ...


Intelig ncia artificial

Inteligência Artificial

  • Inteligência Artificial

    • Termo cunhado em um workshop no Dartmouth College no verão de 1956 por John MacCarthy para o estudo da inteligência

  • Núcleo da Inteligência Artificial

    • tem suas raízes nas teorias funcionais/estruturais da inteligência

    • estruturas físicas e formais como uma base para o comportamento inteligente

  • Evolução Histórica

    • ciclos de altos e baixos, principalmente devido a promessas não cumpridas e expectativas exageradas em função dos primeiros resultados obtidos

    • fracassos levaram a uma visão mais realista e madura, permitindo um ressurgimento a partir da década de 80


Intelig ncia artificial e sistemas inteligentes

Inteligência Artificial e Sistemas Inteligentes

  • Problemas nos Métodos da Inteligência Artificial

    • Frame Problem: impossibilidade de se manter um modelo simbólico do mundo em ambientes complicados evoluindo em tempo real

    • Symbol-Grounding Problem: diz respeito ao vazio da representação simbólica em termos do que acontece realmente no ambiente, pois os símbolos somente apoiam-se uns nos outros

    • Frame-of-Reference Problem: diz respeito às diferenças entre os significados dos símbolos utilizados pelo sistema e pelos designers do sistema na elicitação do conhecimento

    • Situatedness: diz respeito ao mundo em constante mudança

  • Limitações na Computação Simbólica

    • Problema Numérico-Simbólico


Sistemas inteligentes1

Sistemas Inteligentes

  • Campo da ciência e engenharia de computação que procura estudar e reproduzir por meios computacionais sistemas com características normalmente atribuídas à inteligência humana, tais como:

    • Soluções de Problemas

    • Lógica

    • Métodos de Raciocínio e Pensamento

    • Representação e Processamento de Conhecimento

    • Tomada de Decisões

    • Aprendizagem

    • Percepção e Visão

    • Compreensão de Linguagem (e signos de um modo geral)

    • Emoções e Julgamento de Valores


O abc da intelig ncia

O ABC da Inteligência

InteligênciaBiológica

InteligênciaArtificial

InteligênciaComputacional


Intelig ncia computacional

Inteligência Computacional

Sistemas e Lógica Fuzzy

Inteligência Artificial

Sistemas Cognitivos

Lógica Fuzzy

Redes Neurais

Computação Evolutiva

Redes Neurais

Computação Evolutiva e Probabilística

Semiótica

Computacional

Sistemas Inteligentes

Inteligência Computacional


Evolu o hist rica

Evolução Histórica

  • Década de 40: Cibernética (Wiener)

  • Década de 50: Estratégias de Busca e Outras (Shannon, Turing) 1956: Dartmouth Summer Research Project on Artificial Intelligence

  • Década de 60: LISP, Robótica,Visão, Sistemas Especialistas, Evolução, Fuzzy

  • Década de 70: Representação do Conhecimento, Algoritmos Genéticos

  • Década de 80: Aprendizagem, Redes Neurais, Indústria da IA

  • Década de 90: Inteligência Computacional, Agentes, Semiótica, Vida Artificial, Swarm Intelligence


Panorama dos sistemas inteligentes

Panorama dos Sistemas Inteligentes

Sistemas Inteligentes

Inteligência Artificial Clássica

Inteligência Computacional

Novos Paradigmas

Sistemas Multi-Agentes

Busca em Grafos

Lógica Fuzzy

Representação do Conhecimento

Semiótica Computacional

Redes Neurais

Lógica e Inferência

Computação comPalavras

Sistemas Especialistas

Computação Evolutiva

Computação comEmoções

LISP e Prolog


Intelig ncia artificial cl ssica

Inteligência Artificial Clássica

Representação e Solução de Problemas

Algoritmos de Busca

Estratégias de Jogos

Lógica Matemática

Sistemas Especialistas (Sistemas Baseados em Conhecimento)

Redes Bayesianas


Reas cl ssicas da intelig ncia artificial

Áreas Clássicas da Inteligência Artificial

Sistemas

Especialistas

KBS

Apredizagem

Processamento

de Linguagem

Natural

IA

Base

de

Dados

Estratégias de Busca

Representação de Conhecimento

Programação

Automática

Lógica

Solução

de

Problemas

Computação Simbólica

Robótica/

Sistemas de

Sensoriamento

Visão/

Reconhecimento

de Imagens


Representa o e solu o de problemas

Representação e Solução de Problemas

  • Problema

    • abstraído na forma de:

      • conjunto de estados

      • ações possíveis: transições entre estados

    • grafo

  • Sistema Resolvedor de Problemas

    • sistema decide sequências de ações que levarão do estado atual ao estado desejado

  • Meta

    • definição das condições que gerarão à satisfação do problema

  • Formulação do Problema

    • escolha dos estados e ações a serem considerados

    • define o grau de detalhamento na abordagem do problema


Representa o e solu o de problemas1

Representação e Solução de Problemas

  • Solução

    • sequência de ações que levarão à satisfação do problema

    • encontrada por meio de um mecanismo de busca

    • uma vez encontrada, leva o sistema à fase de execução

    • um problema pode ter mais de uma solução

  • Algoritmo de Busca

    • algoritmo que, a partir do estado inicial, percorre os nós do grafo que representa o problema, buscando por um caminho ou nó que represente a solução do problema

  • Questões

    • Busca é a melhor maneira de resolver o problema ?

    • Quais algoritmos de busca resolvem o problema ?

    • Qual algoritmo é o mais eficiente para um dado problema ?


Algoritmos de busca

Algoritmos de Busca

  • Algoritmos Básicos de Busca

    • não informados (busca cega)

      • depth-first, breadth-first, non-deterministic

    • informados

      • hill-climbing, beam search, best-first

  • Outros Algoritmos de Busca

    • otimização

      • branch and bound, programação dinâmica, simulated-annealing

    • heurísticos

      • A, A* e variações

  • Aplicações

    • KBS, sequenciamento de produção, planejamento estratégico, logística, etc…


Rvores de busca nomenclatura

Árvores de Busca: Nomenclatura


Grafo e rvore de busca

Grafo e Árvore de Busca


Busca em profundidade depth first search

Busca em Profundidade(Depth-first Search)


Busca em amplitude breadth first search

Busca em Amplitude(Breadth-first Search)


Busca n o determin stica

Busca Não-Determinística


Buscas do tipo best first

Buscas do Tipo Best-first

  • Busca A*

    • Função de avaliação f(n) = g(n) + h(n)

      • g(n) - custo atual do caminho (cost-uniform search)

      • h(n) - função heurística (greedy search)

    • comprovadamente completa e ótima dada uma única restrição sobre h(n) - heurística admissível

  • Heurística Admissível

    • função h nunca deve superestimar o custo de se chegar à meta

  • Busca IDA* (Iterative Deepening A*)

    • semelhante ao ID search, mas ao invés de utilizar um limite de profundidade, utiliza um limite para a função f

    • cada iteração expande somente os nós dentro de um contorno para o valor corrente de f, aumentando gradativamente esse contorno


Exemplo de busca sma

Exemplo de Busca SMA*


Jogos e problemas de busca

Jogos e Problemas de Busca

  • Presença do Oponente

    • introduz incerteza

    • estado é alterado não somente em função das decisões tomadas - problema da contingência

  • Complexidade da Árvore de Busca

    • número de estados a serem testados é muito maior

    • normalmente não há tempo suficiente para calcular todas as possíveis consequências de um movimento

  • Questões

    • Como encontrar o suposto melhor movimento ?

    • Como agir quando o tempo de decisão é limitado ?

    • Como agir quando o jogo inclui algum tipo de não-determinismo ?


Estrat gia minimax

Estratégia Minimax

  • Max e Min

    • dois jogadores

  • Problema de Busca

    • estado inicial, conjunto de operadores, teste de terminação, estados terminais e função de utilidade

  • Estratégia

    • conjunto de movimentos que levem a um nó terminal, independentemente das jogadas adversárias

    • inclui o movimento correto de Max para qualquer possível movimento de Min

  • Estratégia Minimax

    • tenta maximizar a função de utilidade considerando que o oponente fará de tudo para minimizá-la a seu turno


Estrat gia minimax1

Estratégia Minimax

  • Algoritmo

    • Gere toda a árvore do jogo, até os nós terminais

    • Aplique a função de utilidade para cada nó terminal para calcular seu valor

    • Use a utilidade dos nós terminais para calcular a utilidade dos nós um nível acima na árvore de busca

      • caso o nível de cima seja jogada de Min escolha a mínima utilidade

      • caso o nível de cima seja jogada de Max escolha a máxima utilidade

    • Continue até que a raiz da árvore seja atingida

    • Escolha sempre a jogada que trará uma maior utilidade


Varia es da estrat gia minimax

Variações da Estratégia Minimax

  • Estratégia Minimax

    • infactível, em seu formato original

    • busca até os nós terminais é impossível em casos práticos

  • Possível Variação

    • utilizar uma função de avaliação ao invés de uma função de utilidade

    • teste terminal pode ser substituído por um teste de término antecipado de busca, com profundidade arbitrária

  • Consequência

    • decisões imperfeitas

    • factibilidade de implementação

  • Dificuldades

    • encontrar uma função de avaliação adequada


Alfa beta pruning poda alfa beta

Alfa-Beta Pruning(Poda Alfa-Beta)

  • Criação de Toda a Árvore de Busca

    • desnecessária e consumidora de recursos

  • Poda

    • corte de parte da árvore de busca, evitando sua criação

  • Estratégia Minimax

    • busca em profundidade

  • Alfa

    • valor da melhor escolha em um ponto do programa para uma decisão de Max

  • Beta

    • valor da melhor escolha (menor valor) em um ponto de programa para uma decisão de Min


Alfa beta pruning poda alfa beta1

Alfa-Beta Pruning(Poda Alfa-Beta)

  • Busca Alfa-Beta

    • atualiza continuamente os valores de alfa e beta, podando uma sub-árvore quando se sabe que esta será pior do que os valores correntes de alfa e beta

  • Efetividade do Método

    • depende da ordem em que os nós sucessores são avaliados

    • melhora significativamente a estratégia minimax e suas variações

      • reduz a complexidade de O(bd) para O(bd/2) no melhor caso

  • Variações do Método

    • podem levar a complexidade para O((b/log b)d) em média

  • Em alguns casos

    • podem fazer a diferença entre um novato e um especialista


Jogos com inser o de acaso

Jogos com Inserção de Acaso

  • Alguns Jogos

    • incluem o elemento aleatório (cartas, dados, etc … )

    • exemplo: gamão

  • Variação da Estratégia

    • incluir nós aleatórios em adição aos nós Max e Min

  • Ao invés de um valor Minimax

    • valor esperado - usa a média dos possíveis resultados

  • Dois valores esperados

    • Expectmin - jogada aleatória depois de Min

    • Expectmax - jogada aleatória depois de Max

  • Poda Alfa-Beta

    • pode ser utilizada também


Estado da arte em jogos

Estado da Arte em Jogos

  • Melhoria do Hardware

    • não dos algoritmos

    • computadores específicos para o jogo de xadrez

  • Deep Thought - profundidade de 10 a 11 movimentos

  • Deep Blue - profundidade de 14 movimentos

  • Outros jogos

    • Damas, Othello, Gamão, Go

  • De maneira geral

    • cálculo da decisão ótima em jogos é ainda intratável

    • maioria dos algoritmos utiliza heurísticas e aproximações

  • Alternativas ao Minimax/Alfa-beta

    • Meta-reasoning e Planning


L gica matem tica representa o infer ncia

Lógica Matemática, Representação, Inferência

  • Lógica

    • linguagem formal pelo meio da qual podemos expressar conhecimentos

    • mecanismos de raciocínio nesta linguagem

      • meios de processar o conhecimento expresso

  • Agentes que Raciocinam Logicamente

    • Criam representações do mundo

    • Usam um procedimento de inferência para obter novas representações sobre o mundo

    • Utilizam estas novas representações para deduzir o que fazer

  • Inferência

    • Mecanismo por meio do qual novos conhecimentos são gerados


L gicas

Lógicas

  • Lógica Proposicional (Cálculo Proposicional)

    • simbolos representam proposições

    • conectivos Booleanos (e, ou , negação, implicação, equivalência)

  • Lógica de Primeira Ordem (Cálculo de Predicados)

    • objetos e predicados

    • quantificadores

  • Lógica Temporal

    • mundo ordenado por um conjunto de pontos ou intervalos (tempo) - verdades estão associadas a esses pontos

  • Lógica Fuzzy

    • valor-verdade pode conter valores intermediários entre 0 e 1

    • baseada na teoria dos conjuntos fuzzy


Caracteriza o de uma l gica

Caracterização de uma Lógica

  • Premissa Ontológica

    • diz respeito ao tipo de fenômeno do mundo que pode modelar

    • o que existe no mundo

  • Premissa Epistemológico

    • diz respeito aos possíveis estados de conhecimento que um agente pode ter utilizando vários tipos de lógica

    • o que um agente pode dizer sobre o que existe no mundo


Caracteriza o de uma l gica1

Caracterização de uma Lógica

  • Definição de uma Lógica

    • Sintaxe, Semântica e Regras de Inferência

  • Sintaxe

    • define sentenças bem formadas dentro de uma lógica

    • normalmente definida na forma de uma gramática

  • Semântica

    • define o mapeamento das premissas ontológicas nas premissas epistemológicas

    • normalmente definida na forma de uma tabela-verdade, ou na forma de uma expressão analítica derivada desta

  • Regras de Inferência

    • operadores que definem como podemos gerar novas sentenças a partir de sentenças bem formadas em uma lógica


L gica proposicional

Lógica Proposicional

  • Semântica

    • Supondo que:

      • O é o conjunto das sentenças bem formadas

      • E é o conjunto de estados lógicos que podem ser associados a uma sentença bem formada = {verdadeiro, falso} (ou {true, false})

    • função de interpretação

      • fi : O  E

      • tabela-verdade


Regras de infer ncia

Regras de Inferência

Modus Ponens:

And-Elimination:

And-Introduction:

Or-Introduction:

Double-Negation Elimination:

Resolution:


L gica de 1 ordem

Lógica de 1ª Ordem

  • Lógica Proposicional

    • fatos ou proposições: entidades atômicas e diferenciadas

    • impossível generalizar conhecimentos envolvendo proposições semelhantes

  • Resultado

    • número muito alto de fatos e regras sendo processados

    • inviável uso prático mesmo em problemas simples

  • Lógica de 1a ordem

    • permite uma descrição ontológica mais rica

    • mundo consiste de objetos, isto é, coisas com identidades individuais

    • objetos podem ter propriedades

    • podem existir relações e funções entre os objetos


L gica de 1 ordem1

Lógica de 1ª Ordem

  • Sintaxe para uma Lógica de 1a ordem

Sentença  Sentença_Atômica

| Sentença Conectivo Sentença

| Quantificador Variável …. Sentença

|  Sentença

| (Sentença)

SentençaAtômica  Predicado (Termo,…) | Termo = Termo

Termo  Função(Termo, ...) | Constante | Variável

Conectivo   |  |  | 

Quantificador   | 

Constante  A | B | X1 | FHC

Variável  x | y | a | …….

Predicado  Antes _De | Cor | ….

Função  Mãe | f | g |


L gicas de ordem superior

Lógicas de Ordem Superior

  • Lógica de Primeira Ordem

    • permite o uso de quantificadores para objetos mas não para predicados, relações ou funções entre objetos

  • Lógicas de Ordem Superior

    • permitiriam o uso de quantificadores também para predicados, relações e funções entre objetos

    • x,y (x = y)  (p p(x)  p(y))

    • possuem maior poder expressivo do que a lógica de 1a ordem

    • dificuldades em encontrar mecanismos de raciocínio para lógicas de ordem superior

    • sabe-se que problema geral de resolução de lógicas de ordem superior é indecidível

    • lógicas de ordem superior normalmente não são utilizadas


Sistemas especialistas

Sistemas Especialistas

  • Base de Conhecimento

    • conjunto de representações sobre o mundo (KB)

      • cada elemento do conjunto é uma sentença

      • sentença: expressão de uma linguagem de representação de conhecimento

      • background knowledge (conhecimento inicial)

  • Mecanismos para

    • Inserção de conhecimentos na base de conhecimentos

    • Consulta aos conhecimentos na base de conhecimentos

  • Mecanismo de Inferência

    • permite, a partir de uma consulta, derivar conhecimentos que estão armazenados na base de conhecimentos de maneira implícita


Engenharia do conhecimento

Especialista

Aplicação

Conhecimento

Aplicação

Engenheiro do

Conhecimento

Engenharia do Conhecimento

Aplicação

Base de

Conhecimento


Construindo bases de conhecimento

Construindo Bases de Conhecimento

  • Engenharia do Conhecimento

    • processo de construção de bases de conhecimento

  • Engenheiro do Conhecimento

    • investiga algum domínio do conhecimento em particular

    • determina quais conceitos são importantes

    • cria uma representação formal para os objetos e relacionamentos nesse domínio

    • normalmente não é um especialista no domínio em questão, mas se serve de uma interação com esses especialistas para construir a base de conhecimento

  • Lógica de 1a ordem

    • ferramenta para a representação do conhecimento e raciocínio

    • não oferece nenhum conselho sobre quais fatos devem ser expresso nem o vocabulário a ser utilizado


Construindo bases de conhecimento1

Construindo Bases de Conhecimento

  • Aquisição do Conhecimento

    • metodologia para a elicitação do conhecimento necessário para representar um domínio

    • normalmente obtém-se o conhecimento por meio de entrevistas com especialistas do domínio

      • criação de cenários e estudos de casos

  • Engenharia de Ontologias

    • metodologia para a escolha da terminologia e representação de conhecimentos gerais sobre algum domínio em particular, em uma linguagem formal

  • Engenharia do Conhecimento

    • semelhante, sob certos aspectos, à fase de análise da engenharia de software, quando se tenta levantar a organização de processos do mundo real e criar uma descrição destes


Mecanismo de infer ncia encadeamento direto

Mecanismo de Inferência:Encadeamento Direto

procedure FORWARD_CHAIN(KB, p)

if there is a sentence in KB that is a renaming of pthen return

Add p to KB

for each (p1  …  pn  q) in KB such that for some i, UNIFY(pi, p) =  succeeds

do FIND_AND_INFER(KB, [p1, ….,pi-1, pi+1, …., pn], q, )

end

procedure FIND_AND_INFER(KB, premises, conclusion, )

ifpremises = [ ] then

FORWARD_CHAIN(KB, SUBST(, conclusion)

else for eachp’ in KB such that UNIFY(p’, SUBST(, FIRST(premises))) = 2do

FIND_AND_INFER(KB, REST(premises), conclusion, COMPOSE(, 2))

end


Mecanismo de infer ncia encadeamento reverso

Mecanismo de Inferência:Encadeamento Reverso

function BACK_CHAIN(KB, q) returns a set of substitutions

BACK_CHAIN_LIST(KB,[q],{})

function BACK_CHAIN_LIST(KB,qlist,) returns a set of substitutions

inputs: KB, a knowledge base; qlist, a list of conjuncts forming a query ( already applied); , the current substitution

local variables: answers, a set of substitutions, initially empty

ifqlist is empty then return {}

q  FIRST(qlist)

for eachqi’ in KB such that i  UNIFY(q, qi’) succeeds do

Add COMPOSE(, i) to answers

end

for each (p1  …  pn  qi’) in KB such that i  UNIFY (q, qi’) succeeds do

answers  BACK_CHAIN_LIST(KB,SUBST(i,[p1 … pn ],COMPOSE(, i))  answers

end

return the union of BACK_CHAIN_LIST(KB,REST(qlist), ) for each   answers


Redes bayesianas

P(A/B) = P(B/A)P(A)

P(B)

P(A/B,E) = P(B/A,E)P(A/E)

P(B/E)

A

B

S

Redes Bayesianas

  • Valor-Verdade de Proposições

    • Pode ser substituído pela idéia de Crença

  • Relações entre Crenças

    • Inferência Probabilística (Indutiva)

  • Relações de Dependências entre Crenças

    • Podem ser representadas em um grafo

    • Propagação probabilística de Crenças segue a regra de Bayes


Redes bayesianas1

Redes Bayesianas

  • Rede Bayesiana

    • grafo orientado, no qual todas as variáveis são associadas a distribuições de probabilidade discretas

    • representam distribuições de probabilidade em problemas de tomada de decisão com grande número de variáveis

  • Duas maneiras básicas de construir uma rede Bayesiana

    • obter a estrutura da rede e os valores de probabilidade de um especialista;

      • esta estratégia de aplicação é comum em Inteligência Artificial, visando substituir os Sistemas Especialistas.

    • análise estatística de dados experimentais e do uso de técnicas de estimação para gerar valores de probabilidade


Redes bayesianas2

Redes Bayesianas


Tipos de infer ncia em redes bayesianas

Roubo

Alarme

JohnCalls

Evidência

Query

Alarme

JohnCalls

Roubo

Evidência

Query

Tipos de Inferência em Redes Bayesianas

  • Causal (da causa para o efeito)

    • P(JohnCalls/Roubo) = 0,86

  • Diagnóstico (do efeito para a causa)

    • P(Roubo/JohnCalls) = 0,016


Tipos de infer ncia em redes bayesianas1

Alarme

Roubo

Terremoto

Query

Evidência

Evidência

JohnCalls

Alarme

Terremoto

Query

Evidência

Evidência

Tipos de Inferência em Redes Bayesianas

  • Intercausal (entre causas com um efeito comum)

    • P(Roubo/Alarme) = 0,376

    • P(Roubo/Alarme Terremoto) = 0,373

  • Mista (combinando duas ou mais das de cima)

    • P(Alarme/JohnCalls Terremoto) = 0,03

    • Este é um uso simultâneo de inferência causal e diagnóstico.


Redes bayesianas3

Redes Bayesianas

  • Interessantes do ponto de vista computacional

    • algoritmos de tomada de decisão podem ser implementados de forma eficiente neste modelo.

    • cada nó de uma rede Bayesiana é associado a uma variável

    • Reprodução do raciocínio humano indutivo

    • Eficiência no cálculo de probabilidades

  • Aplicações Típicas

    • Auxílio à tomada de decisão

    • Análise de Risco

    • Análise de Cenários Estatísticos

    • Aplicações em Finanças, Detecção de Falhas, Diagnóstico Médico

    • Data Mining


Intelig ncia computacional1

Inteligência Computacional

Sistemas e Lógica Fuzzy

Redes Neurais

Computação Evolutiva


Sistemas e l gica fuzzy

Sistemas e Lógica Fuzzy

  • Constatação Básica

    • O ser humano é capaz de realizar tomadas de decisão utilizando-se de termos vagos, tais como:

      • Preço é ALTO

      • Custo é BAIXO

      • Risco é MÉDIO

  • Pergunta Básica

    • Como isso é possível ?

  • Teoria dos Conjuntos Fuzzy

    • Nebulosos ? Difusos ? Borrosos ?

  • Sistemas Fuzzy

  • Lógica Fuzzy


Conjuntos

A

Conjunto

x

y

Universo x

Dicotomia

Conjuntos

A = { xR  2  x  5 } Universo X = Números Reais

A = { 1, 2, 4, 7, 8 } Universo X = {1,2,3,4,5,6,7,8,9}


Fun o de pertin ncia

A(x)

A(x)

1

1

2

7

1

4

5

3

6

8

9

2

5

R

X

A = { 1, 2, 4, 7, 8 }

A = { xR  2  x  5 }

Função de Pertinência

A: X {0, 1}


Problema da dicotomia

Problema da Dicotomia

Uma semente não constitui uma pilha, nem duas ou três … por outro lado, todos concordaremos que 100 milhões de sementes constituem uma pilha. Qual será então o limite apropriado ? Podemos dizer que 325.647 sementes não constituem uma pilha, mas 325.648 sementes o fazem ?

Borel, 1950


Temperatura confort vel

temp

temp

temp

Temperatura “Confortável”

20 C

20 C

Por volta de 20 C

20 C


Conjunto fuzzy

A

x

z

y

Universo x

Conjunto Fuzzy

Conjunto Fuzzy

A: X [0, 1]


Fun o de pertin ncia1

A(x)

1

X

Função de Pertinência

Conjunto Fuzzy

Função de Pertinência

A: X [0, 1]


Opera es sobre conjuntos fuzzy uni o

Operações sobre Conjuntos Fuzzy - União

UniãoC = A  B A, B e C em X

C(x) = max {A(x), B(x)}, xX

s : [0,1]  [0,1]  [0,1]

C(x) = A(x) s B(x) xX

A(x)

A(x)

C = A  B

C = A  B

1

1

B

A

B

A

2

5

X

X

4

7


Opera es sobre conjuntos fuzzy uni o1

Operações sobre Conjuntos Fuzzy - União

s-normass : [0,1]  [0,1]  [0,1]

Comutatividadex s y = y s x

Associatividadex s (y s z) = (x s y) s z

MonotonicidadeIf x  y and w  z then x s w  y s z

Condições de Contorno1 s x = 1, 0 s x = x


Opera es sobre conjuntos fuzzy uni o2

Exemplos

Uniãox  y = max (y, x)

Soma Probabilísticax  y = x + y - xy

Soma Limitadax  y = min (1, x + y)

Soma Drástica

Operações sobre Conjuntos Fuzzy - União


Opera es sobre conjuntos fuzzy interse o

Operações sobre Conjuntos Fuzzy - Interseção

InterseçãoC = A  B A, B e C em X

C(x) = max {A(x), B(x)}, xX

t : [0,1]  [0,1]  [0,1]

C(x) = A(x) t B(x) xX

A(x)

A(x)

C = A  B

B

A

1

1

A

B

C = A  B

2

5

X

R

4

7


Opera es sobre conjuntos fuzzy interse o1

Operações sobre Conjuntos Fuzzy - Interseção

t-normast : [0,1]  [0,1]  [0,1]

Comutatividadex t y = y t x

Associatividadex t (y t z) = (x t y) t z

MonotonicidadeIf x  y and w  z then x t w  y t z

Condições de Contorno1 t x = x, 0 t x = 0


Opera es sobre conjuntos fuzzy interse o2

Operações sobre Conjuntos Fuzzy - Interseção

Exemplos

Interseçãox  y = min (y, x)

Produto Algébricox  y = xy

Produto Limitadox  y = min (1, x + y)

Produto Drástico


Opera es sobre conjuntos fuzzy complemento

A

A

A

A

1

X

A

Operações sobre Conjuntos Fuzzy - Complemento

ComplementoA e em X

(x) = 1 - A(x), xX

C : [0,1]  [0,1]

(x) = C (A(x))  xX

C(1) = 0 and C(0) =1 Condições de Contorno

C(x)  C(y) if x  y, x, y  [0,1] Monotonicidade

C(C(x)) = x, x  [0,1] Involução


Vari veis lingu sticas

Variáveis Linguísticas

Velocidade

Variável Linguística

(X, T(X), X, G,M)

Conjunto de Termos

Termos Linguísticos

Baixa

Alta

Média

Regra Semântica

Alta

Baixa

Média

1

Variável Base

x

Universo

X


Granula o da informa o

1

X

1

X

Granulação da Informação

Granulação

Larga

(Partição)

Granulação

Fina

(Partição)


Representa o do conhecimento

Representação do Conhecimento

  • Unidade Básica de Informação é uma proposição do tipo:

  • O ( atributo ) de ( objeto ) é ( valor)

  • Examplo: A temperatura do forno é alta

  • temperatura (forno) é alta

  • Forma Geral (canônica) p: X é A


Exemplo o clima est ameno

Exemplo: O Clima está Ameno

Fuzzy

Quente

Frio

Quente

Ameno

1

Ameno

C

Crisp

Frio

Quente

Ameno

1

Frio

C


Infer ncia fuzzy

Distância entre

carros, X (m)

Redução de Velocidade

(Força nos Freios)

Z

Inferência Fuzzy

Velocidade

Y, km/h

Inferência

Fuzzy

(Decisão)

Distância

X

Velocidade

Y


Regras fuzzy

Regras Fuzzy

Regra 1Se a Distânciaentre dois carros é Pequena

e a Velocidadedo carro é Alta

Então Freie Forte

Regra 2Se a Distânciaentre dois carros é Moderadamente Alta

e a Velocidade do carro é Alta

Então Freie Moderadamente Forte

(assumindo-se que o carro da frente se move em velocidade constante


Fun es de pertin ncia

L

M

H

Z

S

M

Z

L

M

L

H

km

km/h

%

100

50

80

0

0

0

Freio

Distância

Velocidade

Z: Zero

L: Low

M: Moderately High

H: High

Z: Zero

S: Short

M: Moderately Long

L: Long

L: Light

M: Moderately Hard

H: Hard

Funções de Pertinência


Infer ncia fuzzy1

Inferência Fuzzy

H

S

H

km

km/h

%

100

50

80

0

0

0

M

M

H

km

km/h

%

100

50

80

0

0

0

H

M

Freie mais forte que moderadamente forte

100

0

%

Freio


Controle fuzzy

Controle Fuzzy

Base de Regras

Inferência

Decoder

Encoder

Base de Regras


L gica fuzzy

Lógica Fuzzy

  • Valores Fuzzy

    • Podem ser atribuídos ao valor-verdade de uma proposição

    • Lógica Fuzzy

incerto

indeciso

certo

1

Valor verdade


Redes neurais

Redes Neurais

  • Histórico e Relevância

  • Córtex Humano

    • 100 bilhões de neurônios ( 1011 )

    • Cada neurônio com 1.000 dendritos

    • Logo: 100.000 bilhões ( 1014 ) de sinapses

    • Sinapse: opera a 100 Hz

    • Velocidade operação: 10.000 bilhões ( 1016 ) con/seg

  • Aplicações


Neur nio biol gico e artificial

Neurônio Biológico e Artificial

pesos

Função de ativação

Dendritos

x1

w1

Axônio

xi

wi

y

wn

xn

Sinapses


Redes neurais1

Redes Neurais

xr

xi

yk

xj

xn


Processamento convencional

Projeto Algoritmo

e

Implementação

Sensor

Pré-processamento

Objeto

Análise

e

Modelagem Dados

Processamento Convencional


Processamento neural

Sensor

Pré-processamento

Objeto

Rede Neural

Bug

Aprendizagem

Processamento Neural


Modelos de redes neurais artificiais

Modelos de Redes Neurais Artificiais

Redes Neurais

Feedforward

Feedback

Singlelayer

Networks

Multilayer

Networks

Radial Basis

Networks

Competitive

Networks

Kohonen

SOM

Hopfield

Networks

ART

Models


Classifica o de padr es

Classificador

de

Padrões

Normal

Anormal

Classificação de Padrões


Agrupamento de dados aproxima o funcional

y

f

f*

x

Agrupamento de Dados - Aproximação Funcional

Aproximação

Clustering


Previs o de s ries temporais otimiza o

y

B

C

E

?

A

D

t

t3

t1

t2

tk

tk+1

Previsão de Séries Temporais - Otimização

Previsão

Otimização


Mem ria associativa

Memória

Endereçada

pelo Conteúdo

Memória Associativa


Controle de processos

Perturbações

Saída

Processo

Entrada

Controlador

Controle de Processos


Aprendizagem supervisionada de um neur nio

Aprendizagem Supervisionada de um Neurônio

1.0

1.0

0

tempo

-1.0

x1

0

tempo

w1

-1.0

y

1.0

w2

1.0

Ligada

0

x2

tempo

0

y

-1.0

tempo

-1.0

Desligada

Correção

do

Erro

H

L

C

C

“Professor”


Aprendizagem competitiva

x1

wij

xi

yj

xn

Aprendizagem Competitiva


Aprendizagem hebbiana

x2

w

j

yj

yi

x1

wij

i

x1

x2

wo

Aprendizagem Hebbiana


Rede perceptron multicamadas

Rede Perceptron Multicamadas

xu

du

Retro-Propagação

do Erro

(Backpropagation)

Camada

de

Entrada

Camada

de

Saída

Camadas

Intermediárias


Rede de kohonen

x1

(i,j)

x2

xn

Rede de Kohonen

SOM - Self Organizing Maps


Computa o evolutiva

Computação Evolutiva

  • Computação Evolutiva

    • Ferramenta adaptativa para a solução de problemas

    • Modelo computacional de processos evolutivos naturais

    • Elemento gerador de criatividade

      • ferramenta de design artístico ou de engenharia

  • Objetivos

    • criação, na forma de programas computacionais, de novas formas de organização (designs)

      • sistemas inteligentes (inteligência artificial)

      • formas de vida (vida artificial)

  • Habilidades Envolvidas

    • auto-replicação, aprendizado, adaptação, controle do meio, representação e processamento de informação altamente eficientes


Evolu o

Evolução

  • Evolução

    • método de busca (em paralelo) de soluções dentre um número muito grande de candidatos, sujeitos a condições de adaptação variáveis

  • Regras Básicas

    • as espécies evoluem aleatoriamente (via operadores de mutação, recombinação e outros), estando sujeitas à seleção natural sob recursos limitados.

    • os indivíduos mais adaptados sobrevivem e se reproduzem, propagando seu material genético às próximas gerações

    • indivíduos menos dotados perecem e não participam das próximas gerações


Evolu o1

Evolução

  • Bases Biológicas

    • Genética e Hereditariedade

    • Teoria da Evolução e Seleção Natural (Darwin)

  • Terminologia Biológica

    • cromossomo

    • genes

    • recombinação (crossover)

    • mutação

    • genótipo

    • fenótipo


Algoritmos gen ticos

Algoritmos Genéticos

  • Características Principais

    • GA's trabalham com a codificação de um conjunto de parâmetros, e não com os próprios parâmetros

    • GA's fazem busca sobre uma população de pontos e não sobre um único ponto

    • GA's utilizam funções de custo (funções objetivo), e não derivadas ou outro tipo de conhecimento auxiliar

    • GA's utilizam regras de transição probabilística, e não regras determinísticas

  • Algoritmo Genético Clássico

    • Codificação binária, Reprodução e Seleção Natural via algoritmo Roulette Wheel, Crossover Simples, Mutação


Algoritmos gen ticos1

Algoritmos Genéticos

  • Roullete Wheel

    • Probabilidade de seleção de um cromossomo é diretamente proporcional a seu valor da função de fitness.

  • Exemplo

    N Cromossomo Fitness Graus

    1 0001100101010 6.0 180

    2 0101001010101 3.0 90

    3 1011110100101 1.5 45

    4 1010010101001 1.5 45


Algoritmos gen ticos2

Algoritmos Genéticos


Algoritmos gen ticos3

Algoritmos Genéticos

  • Problemas com o algoritmo clássico

    • Permite a perda de indivíduo ótimo

    • Posição do gene influi na probabilidade de realizar crossover

    • Dificuldades quando os parâmetros são números reais

  • Algumas estratégias de solução

    • Codificação em strings de números reais

    • Crossover Uniforme

    • Mecanismos alternativos de seleção

  • Algoritmo Genético Modificado

    • Geração de Sub-populações por meio de operações sobre membros da população inicial e das próprias sub-populações

    • Reprodução e re-classificação da população intermediária

    • Seleção para nova geração


Algoritmos gen ticos4

Algoritmos Genéticos


Algoritmos gen ticos5

Algoritmos Genéticos

  • Exemplos de Operações

    • Crossover Simples entre indivíduos aleatórios (Roulette Wheel)

    • Crossover Simples entre indivíduo aleatório (Roulette Wheel) e melhor indivíduo

    • Crossover Uniforme entre indivíduos aleatórios (Roulette Wheel)

    • Crossover Uniforme entre indivíduo aleatório (Roulette Wheel) e melhor indivíduo

    • Mutação de Indivíduos Aleatórios (Roulette Wheel) da População Inicial e/ou Sub-populações

      • Mutação aleatória

      • Mutação indutiva (somente p/ codificação real)

    • Mutação do Melhor indivíduo

      • Mutação aleatória

      • Mutação indutiva (somente p/ codificação real)


Algoritmos gen ticos6

Algoritmos Genéticos

  • Exemplo de Mecanismos de Seleção

    • Seleção Elitista – são selecionados os N melhores indivíduos da população intermediária

    • Seleção Aleatória – são selecionados aleatoriamente N indivíduos da população intermediária

      • Salvacionista – seleciona-se o melhor indivíduo e os outros aleatoriamente

      • Não-salvacionista – seleciona aleatoriamente todos os indivíduos

        • Distribuição uniforme – todos têm a mesma chance

        • Distribuição proporcional

          • roulette wheel por fitness

          • roulette wheel por fitness com sigma scaling

          • seleção de Boltzmann

          • seleção por rank


Algoritmos gen ticos7

Algoritmos Genéticos

  • Outros Mecanismos de Seleção

    • Seleção por diversidade – são selecionados os indivíduos mais diversos na população intermediária, a partir do melhor indivíduo

    • Seleção bi-classista – são selecionados o P% melhores indivíduos e os (100-P)% piores indivíduos

    • Seleção por Torneio – dois indivíduos são escolhidos aleatoriamente. Um número aleatório r entre 0 e 1 é gerado. Se r < k (parâmetro) o melhor dos indivíduos é escolhido. Senão o outro é escolhido.

    • Seleção Steady-State – a população original é mantida, com a excessão de alguns poucos indivíduos menos adaptados.


Algoritmos gen ticos8

Algoritmos Genéticos

  • Codificação

    • Determinação da estrutura dos cromossomos

      • como um cromossomo representa uma (ou parte da) solução do problema

    • Determinação da função de avaliação

    • Etapa crítica no desenvolvimento de soluções de problemas utilizando GA’s

  • Características

    • Codificação deve ser simples e representar a solução do problema como um todo

    • Modificação de cromossomos por crossover/mutação deve gerar novos indivíduos válidos


Algoritmos gen ticos9

Algoritmos Genéticos

  • Problemas a serem evitados

    • Codificações em que novos cromossomos gerados por crossover/mutação possam ser inválidos

    • Codificações em que a medida da função de avaliação seja dificultada

  • Abordagens

    • Abordagem Michigan – a população como um todo é a solução para o problema

    • Abordagem Pittsburgh – cada elemento da população corresponde a uma solução do problema

  • Variações

    • GA’s com população variável

    • mGA's - Messy Genetic Algorithms


Sistemas classificadores classifier systems

Sistemas Classificadores (Classifier Systems)

  • Sistemas Classificadores

    • Sistemas baseados em regras, trabalhando massivamente em paralelo e com passagem de mensagens, capazes de aprender utilizando as técnicas de credit assignment (algoritmo Bucket Brigade) e rule discovery (algoritmo genético).

  • Operam em ambientes com as seguintes características:

    • Eventos novos e sucessivos, acompanhados de largas doses de ruído e dados irrelevantes

    • Necessidade de agir de maneira contínua e em tempo real

    • Metas implícitas ou inexatas

    • Recompensas esparsas, obtidas depois de ações longas

  • Criados p/ absorver novas informações continuamente,

    • Avaliando conjuntos de hipóteses competindo entre si, sem prejudicar as capacidades já adquiridas.


Sistemas classificadores

Sistemas Classificadores


Sistemas classificadores1

Sistemas Classificadores


Programa o gen tica

Programação Genética

  • O que define a programação genética?

    • é uma tentativa de tratar uma das questões centrais em ciência da computação:

      • "Como os computadores podem aprender a resolver problemas sem serem explicitamente programados para tal?

      • Ou seja, como os computadores podem fazer o que deve ser feito sem serem orientados exatamente para fazerem isto?"

  • A maior barreira para se atingir este objetivo

    • está na característica determinística da grande maioria dos ramos de pesquisa em inteligência artificial

      • propriedades principais que um programa deve apresentar para ser um candidato à solução de problemas de interesse prático são: correção, consistência, motivação lógica, precisão, ordenação, parcimônia, definibilidade

    • a programação genética, entretanto, inverte esta lógica


Programa o gen tica1

Programação Genética

  • Programação genética

    • evolução de programas de computador usando analogias com mecanismos utilizados pela evolução biológica natural.

  • Aspecto Distintivo

    • embora demande aperfeiçoamentos, muitos problemas práticos já têm sido resolvidos com programação genética

  • Programa Computacional

    • seqüência de aplicações de funções a argumentos

      • paradigma funcional

  • Implementação de Programação Genética

    • imediata, quando associada a linguagens de programação funcionais, e.g. LISP


Programa o gen tica2

Programação Genética

  • Programas

    • codificados por meio de:

      • listas, filas, árvores e grafos

    • cromossomos “não lineares”

    • operações sobre estruturas


Algoritmos mem ticos

Algoritmos Meméticos

  • Algoritmos Genéticos

    • Podem encontrar boas soluções no âmbito global, mas têm dificuldades em realizar uma otimização local

  • Algoritmos Meméticos

    • Algoritmos genéticos modificados, que além dos processos de crossover e mutação, promovem uma busca local em cada indivíduo, após a aplicação dos operadores padrão

    • Podem ser bastante efetivos em problemas de otimização mais complexos


Novas tend ncias em sistemas inteligentes

Novas Tendências em Sistemas Inteligentes

Agentes e Sistemas Multi-Agentes

Vida Artificial

Autômatos Celulares

Inteligência Coletiva (Swarm Intelligence)

Colônias de Insetos

Engenharia Imunológica

Sistemas Endócrinos

Semiótica Computacional

Cognição Artificial


Agentes inteligentes

Agentes Inteligentes

  • Agentes Inteligentes

    • entidades de hardware ou de software que nos auxiliam a resolver problemas, atuando de forma autônoma em ambientes complexos

  • Aplicações

    • gerenciamento de tráfego e serviços de transporte;

    • controle de redes de comunicação e de computadores;

    • controle de sistemas de potência;

    • gerenciamento de transações em bancos, comércio;

    • monitoração, supervisão e controle de processos industriais e sistemas de manufatura;

    • atendimento e serviços médicos,

    • etc...


Defini o e caracter sticas

Definição e Características

  • Agente

    • qualquer entidade que perceba um ambiente através de sensores, execute tarefas de processamento de informações e de conhecimento e atue sobre o ambiente através de atuadores (Russell & Norvig 1995).

Sensores

Percepção

Agente

Ambiente

Atuação

Atuadores


Caracter sticas desej veis

Características Desejáveis

  • Direcionabilidade

    • capaz de receber diretrizes de usuários e outros agentes

  • Autonomia

    • comportamento determinado pela própia experiência

  • Persistência

    • capaz de operar por longos períodos sem atenção

  • Confiabilidade

    • desempenho de acordo com expectativas

  • Antecipação

    • antecipar necessidades, resultados, informações, aprendizagem


Caracter sticas desej veis1

Características Desejáveis

  • Pró-atividade (Iniciativa)

    • capaz de iniciar atividades e comportamentos buscando a solução de problemas por conta própria

  • Cooperação

    • entre sistemas e outros agentes; resolução de conflitos; capacidade de negociação, etc.

  • Flexibilidade

    • estruturas heterogêneas de agentes e fontes de informação

  • Adaptação

    • capacidade de modificar seus objetivos, adotar novas prioridades, desenvolver novas tarefas, aprendizagem


Estruturas de agentes

Estruturas de Agentes

  • Centralizadas

    • Agentes Mecânicos

    • Agentes Reativos

      • Agentes Reflexivos

      • Agentes Dinâmicos

      • Agentes Orientados por Metas

      • Agentes Orientados por Utilidade

      • Agentes Emocionais

    • Agentes Comunicativos

    • Agentes Semióticos

  • Distribuídas

    • Agentes Uniformes

    • Agentes Especializados

      • Agentes Interface

      • Agentes Tarefa

      • Agentes Informação

    • Agentes Especializáveis

  • Sistemas Multi-Agentes

    • podem atuar como agentes em um nível hierárquico superior


Sistemas multiagentes e sociedades de agentes

Sistemas Multiagentes e Sociedades de Agentes

  • Coleção de agentes x Sociedade de Agentes

    • interação entre agentes

  • Protocolos de comunicação

    • mecanismo para trocar e entender mensagens

  • Protocolos de interação

    • mecanismo para negociar e cooperar

  • Características de ambientes multiagentes

    • Infraestrutura especificando protocolos de comunicação e interação

    • Tipicamente aberto, sem elemento central

    • Agentes autônomos, distribuídos, competitivos (self-interested) ou cooperativos


Coordena o de sistemas multi agentes

Coordenação

sem antagonismo

com antagonismo

Cooperação

Competição

Negociação

Planejamento

Centralizado

Distribuído

Coordenação de Sistemas Multi-Agentes


Vida artificial

Vida Artificial

  • Definição Genérica

    • método de geração, a partir de componentes interativos, simples e "microscópicos", de comportamentos em nível "macroscópico" que podem ser interpretados como análogos a processos de vida

  • Abordagem Reducionista e Sintética

    • explicação de comportamentos de alto nível recorrendo a causas de baixo nível

    • construção de sistemas mais complexos a partir de elementos mais simples, possivelmente interdependentes

  • Reducionismo

    • entendimento de um sistema em estudo em termos das propriedades de suas partes e suas interações


Vida artificial1

Vida Artificial

  • Vida Natural

    • não existe uma definição universalmente reconhecida de vida

    • consenso de que a vida é um conjunto de atributos tais como:

      • auto-organização, adaptação, emergência, autonomia, desenvolvimento, crescimento, reprodução, evolução, adaptação e metabolismo

    • presença de alguns destes atributos (não todos) já é tido como suficiente para se implementar processos de vida.

    • alguns cientistas acreditam que o conceito de vida pode variar de espécie para espécie, não aceitando, portanto, uma definição única e fechada.


Vida artificial2

Vida Artificial

  • Pioneiros da vida artificial

    • 1950 (von Neumann): autômatos celulares; estudo dos fenômenos de auto-organização e reprodução.

    • 1952 (Turing): publicação de um trabalho sobre morfogenia (desenvolvimento de formas biológicas). Os resultados deste trabalho continuam sendo explorados até hoje.

  • Após os primeiros desenvolvimentos

    • parcialmente "esquecidos”

    • foco de atenção : inteligência artificial

    • falta da capacidade computacional necessária para simular os fenômenos de vida artificial.

  • No início dos anos 80

    • Artificial Life - termo cunhado em 1987 por Christopher Langton


Aut matos celulares

Autômatos Celulares


Intelig ncia coletiva swarm intelligence

Inteligência Coletiva(Swarm Intelligence)

  • Swarm Intelligence: “Qualquer tentativa de se desenvolver algoritmos ou dispositivos distribuídos de resolução de problemas inspirados no comportamento coletivo de colônias de insetos sociais ou outras sociedades animais” [Bonabeau, Dorigo, and Theraulaz, 1999]

  • Colônias de Insetos Sociais

    • Podem desenvolver

      • sistemas complexos inteligentes flexíveis e confiáveis

    • A partir de elementos

      • Estereotipados, não-inteligentes e simples

  • Cada indivíduo de uma sociedade

    • Segue regras simples, com comunicação local (trilhas de odores, sons, toques), de baixa demanda computacional

  • Estrutura Global do Sistema

    • Emerge a partir dos comportamentos individuais


Swarm intelligence

Swarm Intelligence


Swarm intelligence1

Swarm Intelligence


Col nias de insetos

Colônias de Insetos

  • Colônias de Insetos Sociais (Formigas, Cupins, Abelhas, Vespas, etc.)

    • Comportamentos complexos

    • Flexíveis e robustos

    • Capacidade da colônia transcende a do inseto individualmente

    • Comportamento do Inseto depende do de outros iguais a ele

  • Como esse comportamento inteligente de grupo surge ?

    • Auto-organização

    • Interações Locais

      • Inseto a inseto

      • Inseto com o ambiente

    • Especialização

      • Na morfologia do inseto (soldados, rainhas, trabalhadoras, etc.)

      • No comportamento do inseto (insetos iguais, mas com tarefas distintas – podem mudar de tarefa dependendo-se do contexto

      • Por idade (mais velhos são mais agressivos)


Col nias de insetos1

Colônias de Insetos

  • Alguns resultados práticos

    • Algoritmos de Otimização por Colônias de Formigas

      • Extremamente bem-sucedidos na otimização de uma grande variedade de problemas combinatoriais de otimização de grande dificuldade

      • Algumas das melhores soluções para alguns problemas conhecidos

    • Controle de Sistemas de Telecomunicações Baseados em Formigas

      • Soluções extremamente flexíveis

      • Melhor solução para alguns problemas


Simula o de col nia de formigas

Simulação de Colônia de Formigas


Rob tica baseada em swarms

Robótica baseada em Swarms

  • Múltiplos Robôs

    • Vantagens significativas em relação a robôs individuais

      • Sensoreamento e ação em múltiplos lugares

      • Reconfiguração dependente da tarefa

      • Divisão de trabalho eficiente

      • Robustez devido à redundância

      • Auto-organização e emergência de comportamento


Engenharia imunol gica

Engenharia Imunológica

  • Engenharia Imunológica

    • Engenharia + Imunologia

  • Motivação

    • A cooperação e competição entre muitos indivíduos (agentes) simples resulta em sistemas complexos.

    • Aplicação do conceito de “swarm-intelligence” aproveitando-se de conceitos da imunologia

  • Exemplos

    • linfócitos (sistema imunológico), etc.


Engenharia imunol gica1

Engenharia Imunológica

  • Engenharia convencional

    • especificação detalhada do comportamento preciso de cada componente do sistema (procedimentos passo-a-passo).

  • Engenharia imunológica

    • especificação geral, ou aproximada, de alguns aspectos do comportamento global do sistema, como uma medida de desempenho ou função de adaptabilidade (afinidade)

    • extração de informações contidas no próprio problema para obtenção de soluções dedicadas

  • Aplicações potenciais da engenharia imunológica:

    • reconhecimento de padrões, otimização, aproximação de funções, controle, etc.


Sele o clonal

Seleção Clonal


Sele o clonal x algoritmo gen tico

Seleção Clonal x Algoritmo Genético


Sele o clonal x algoritmo gen tico1

Seleção Clonal x Algoritmo Genético


Teoria da rede imunol gica

Teoria da Rede Imunológica

  • Rede de moléculas e células que se reconhecem (possuem atividade) mesmo na ausência de estímulos externos

  • Abordagem sistêmica que fornece uma medida mais precisa de comportamentos emergentes como aprendizagem e memória, tolerância ao próprio, dimensão e diversidade populacional


Sistemas de part culas e fractais

Sistemas de Partículas e Fractais

  • Objetivo

    • Representar a complexidade dos objetos do mundo real, principalmente em aplicações de computação gráfica e realidade virtual

    • Simulação e Visualização de Dados Complexos

  • Aplicações

    • Utilizado para modelagem e rendering :

      • fogo, água, explosões, fumaça, terrenos, explosões, nuvens, grama, ...

    • Estão intimamente ligados com animação

      • Movimentos de cobras e vermes

    • A sua utilização em um ambiente virtual contribui para que esses fenômenos (e outros) possam ser visualizados com maior realismo.

    • Aplicação em sistemas inteligentes:

      • Vida Artificial


Sistemas de part culas

Sistemas de Partículas

  • Um sistema de partículas é definido por:

    • Uma coleção de partículas que se desenvolvem ao longo do tempo.

    • Possuem vida própria

    • Podem: gerar novas partículas, ganhar novos atributos, morrer, se mover.

  • Partículas individuais:

    • Movem-se no espaço 3D

    • Trocam seus atributos

  • Parâmetros que podem ser utilizados:

    • Posição inicial

    • Velocidade e direção inicial

    • Tamanho inicial

    • Cor inicial

    • Transparência inicial

    • Forma e tempo de vida

    • Utilização dos parâmetros ao longo do tempo.


Geometria fractal

Geometria Fractal

  • Fractal (Benoit Mandelbrot)

    • Modelagem de elementos com características irregulares

  • Caracterícticas:

    • Porções menores representam exatamente porções maiores

  • Exemplo:

    • Fractal representado por uma figura geométrica inicial (segmento de reta)

    • E uma regra de subdivisão (divide em 4 partes com inclinação em duas delas)


Sistemas end crinos

Sistemas Endócrinos

  • Glândulas Endócrinas

    • Liberam hormônios que regulam parâmetros importantes do corpo humano

      • Tensão muscular, diminuição das pupilas, controle de temperatura

      • Emoções

    • Homeostase

  • Complexo Sistema de Controle

    • Mesmos hormônios são utilizados simultaneamente para diversas finalidades

    • Função de Auto-preservação

      • Aplicações múltiplas


Sistemas end crinos projeto wamoeba 2

Sistemas EndócrinosProjeto WAMOEBA-2

  • Sistema Endócrino Artificial

    • Utilizado para o controle de diversos parâmetros de controle em robôs

    • Projeto WAMOEBA-2

  • Função de Homeostase


Sistemas end crinos projeto wamoeba 21

Sistemas Endócrinos Projeto WAMOEBA 2


Semi tica computacional

Semiótica Computacional

  • O que tem a haver Inteligência com Semiótica ?

    • Semiótica é o estudo dos processos de significação

      • como signos são criados

      • como signos são usados

      • como signos “significam”

    • uma das vertentes mais recentes no estudo dos sistemas inteligentes, identifica a capacidade de processar signos como a fonte da inteligência, em todas as classes de sistemas

  • Ou seja,

    • um sistema é inteligente porque processa signos

    • sua inteligência dependerá da quantidade e dos tipos de signos que está apto a processar

    • estudar semiótica é a chave para o entendimento dos sistemas inteligentes, e a criação de sistemas que sejam mais inteligentes


Semi tica computacional1

Semiótica Computacional

  • Modelos de Signos

Modelo Diádico (Estruturalismo)

Modelo Triádico (Peirceano)


Pospelov e o controle situacional semi tico

Pospelov e o Controle Situacional Semiótico


Pendergraft e os autognomes

Pendergraft e os Autognomes

  • Módulos Auto-Organizáveis

    • Operando sobre conhecimentos

      • Monádico, diádico e triádico

    • Múltiplos níveis Hierárquicos

  • Enclaves

    • Abdução

      • Geração de Conhecimento

    • Dedução

      • Extração de Conhecimento

    • Indução

      • Teste de Conhecimento


Estrutura de um enclave

Estrutura de um Enclave


Semi tica computacional outras abordagens

Semiótica ComputacionalOutras Abordagens

  • Semiose Multiresolucional

    • Albus & Meystel

  • Semiótica Organizacional

    • Stamper e Liu

  • Sistemas de Processamento Cognitivo Semiótico

    • Rieger

  • Agentes Semióticos

    • Rocha & Joslyn

  • Sistemas Intelectuais

    • Perlovsky

  • Abordagem Ecológica Semiótica

    • Prueitt


Abordagem semi nica

Abordagem Semiônica

Intérprete

(Agente Semiônico)

Signo

(Signlet)

Interpretante

(Signlet)

R1

(e.g. simbólica)

R2

(e.g. icônica)

Objeto


Abordagem semi nica sntoolkit

Abordagem SemiônicaSNToolkit


Semi tica computacional aplica es

Semiótica Computacional:Aplicações

  • Modelagem Organizacional

    • Modelagem e simulação de empresas

    • Reengenharia Virtual

  • Modelagem de Sistemas Flexíveis de Manufatura

    • Plantas industriais com necessidades de reconfiguração dinâmica

  • Modelagem de Sistemas Híbridos de Inteligência Computacional

    • Sistemas Fuzzy, Redes Neurais, Computação Evolutiva

  • Modelagem de Sistemas de Controle de Robôs Autônomos

    • Mentes artificiais


Cogni o artificial

Cognição Artificial

  • Estudo dos Processos Cognitivos

    • Ciência Cognitiva

    • Simulação Computacional de Processos Cognitivos

      • SOAR

      • ACT-R

  • Conceito de Mente em Filosofia

    • Inteligência, Criatividade, Memória, Atenção, Aprendizagem, Consciência

    • Auto-organização, emergência, complexidade

  • Mentes Artificiais

    • Modelos Computacionais de Mentes

      • Daniel Dennet – Tipos de Mentes

    • Sistemas de Controle de Agentes Inteligentes

      • Robótica Evolutiva


Cogni o artificial1

Cognição Artificial

  • Evolução da Linguagem

    • Abordagens Computacionais

  • Resolvendo o Symbol Grounding Problem

    • Paul Vogt, Ron Sun, Angelo Cangelosi, Luc Steels

  • Consciência em Agentes de Software

    • Stan Franklin

    • Ricardo Manzotti

    • Benny Shanon

  • Edital do DARPA BAA02-21

    • Tecnologias de Processamento Cognitivo de Informações


Conclus o

CONCLUSÃO


Objetivo principal do estudo dos sistemas inteligentes

Objetivo Principal do Estudo dos Sistemas Inteligentes

  • Obter soluções eficientes para classes de problemas que não são passíveis de serem resolvidos por métodos computacionais convencionais

    • Problemas para os quais não existem soluções algorítmicas, sendo necessário pesquisar (buscar) a solução.

    • Problemas que não podem ser modelados matematicamente por métodos clássicos porque envolvem considerações difíceis de serem tratadas, e.g., conhecimento prático e intuitivo, incerteza, etc.

    • Problemas cujo domínio de aplicação encontra-se em constante mudança, ou é originalmente desconhecido, demandando algum tipo de aprendizagem pelo sistema.

    • Compreensão de linguagem, interpretação de imagens, de dados, robótica autônoma, etc.


Aplica es pr ticas

Aplicações Práticas

  • Controle de Qualidade

  • Controle de Processos e Automação da Manufatura

  • Planejamento de Processos de Fabricação

  • Simulação de Sistemas

  • Modelagem Qualitativa de Sistemas e Processos

  • Sistemas de Suporte à Tomada de Decisão

  • Logística

  • Diagnóstico de Falhas

  • Detecção de Anormalidades

  • Apoio Operacional

  • Configuração e Reconfiguração

  • Análise de Processos

  • Planejamento e Programação de Produção

  • Sequenciamento e Sincronização de Produção

  • Movimentação de Materiais e Controle de Estoques


Refer ncias bibliogr ficas mais importantes

Referências Bibliográficas Mais Importantes

  • Artificial Intelligence: A Modern Approach

    • S. Russel & P. Norvig, Prentice Hall, 1995

  • Introduction to Fuzzy Sets: Analysis and Design

    • W. Pedrycz & F. Gomide, MIT Press, 1998

  • Neural Networks: A Comprehensive Foundation

    • S. Haykin, Prentice Hall, 1994

  • Evolutionary Computation 1: Basic Algorithms and Operators

    • T. Bäck, D.B. Fogel & Z. Michalewicz (eds.) Inst. of Physics Publishing, 2000

  • Evolutionary Computation 2: Advanced Algorithms and Operators

    • T. Bäck, D.B. Fogel & Z. Michalewicz (eds.) Inst. of Physics Publishing, 2000

  • Multiagent Systems -A Modern Approach to Distributed Artificial Intelligence,

    • G. Weiss (Ed.), MIT Press, Cambridge, USA, 1999.


  • Login