[HOME PAGE] [VOLTAR] [LINKS IA]

INTELIGÊNCIA ARTIFICIAL DISTRIBUÍDA

Noções Gerais  

A Inteligência Artificial Distribuída (IAD) trabalha com vários sistemas ao mesmo tempo que se comunicam entre si e dividem tarefas. Cada sistema pode assumir uma função específica e todo o sistema torna-se responsável pelo gerenciamento das interações para alcançar um objetivo comum.

Os sistemas de IAD permitem com que vários processos autônomos (agentes) sejam representados em um só sistema (que coordena) o conhecimento de vários especialistas, possibilitando a resolução de problemas complexos e atos que requisitam uma inteligência global, por meio de processamentos locais e comunicações interprocessos.

A IAD permite realizar tarefas melhor do que um especialista humano. Trabalha com diferentes módulos que podem manipular características de alto nível como intencionalidade, racionalidade, etc. Cada componente é denominado de agente.

A IAD se divide em três grandes domínios:

• RDP (resolução distribuída de problemas) – Faz a decomposição de problemas entre os agentes (componentes ou módulos) que tem a função de cooperar entre si.

• IAP (inteligência artificial paralela) – Estuda a performance, o desenvolvimento de linguagens e algoritmos de computação paralela.

• SMA (sistemas multiagentes) – São constituídos por agentes autônomos (inteligentes) que tem a função de trabalhar juntos na resolução de problemas.

Como exemplo de modelos de IAD pode-se citar a arquitetura Blackboard. Essa arquitetura utiliza um raciocínio inerentemente distribuído. A arquitetura blackboard é constituída por várias fontes de conhecimento (knowledge system, knowledges sources, agenda e o próprio blackboard).

Vantagens dos sistemas de IAD:

• Arquitetura rápida
• Aumento da confiabilidade e segurança
• Eficiência
• Menor gasto com hardware
• Interação de múltiplos agentes
• Maior crescimento da rede e tolerância a falhas
• Maior leque de opções (criatividade)
• Maior número de pessoas para a cooperação e resolução de problemas
• Utilização de módulos (modularidade)

AGENTE

Noções Gerais 

A palavra agente pode ser definida de diferentes formas, de acordo com o enfoque e o objetivo que se quer atingir.

De uma forma geral, agente: "É uma entidade (física ou abstrata), capaz de agir sobre si mesma e sobre o meio, possuindo uma representação parcial desse meio, que tem capacidade de comunicar com outros agentes, e cujo comportamento é a conseqüência de suas observações, de seus conhecimentos e de suas interações com outros agentes" [Feber, 88].

Grande parte do estudo dos agentes é desenvolvido no campo da IA, mais particularmente na inteligência artificial distribuída (IAD). A IAD surgiu na década de 70 com os estudos feitos sobre a concorrência e a distribuição de tarefas, foi estruturada com o objetivo de agilizar e otimizar tarefas. Enquanto a IA utiliza sistemas de concepções centralizadas onde os agentes atuam sozinhos, a IAD utiliza sistemas de concepções descentralizadas ou distribuídas onde vários componentes trabalham conjuntamente dividindo tarefas.

A IAD possibilita a interação e cooperação entre especialistas de várias áreas (matemáticos, químicos, físicos, biólogos, engenheiros, etc.). Esse sistema é denominado de sistema multiagente.

O sistema multiagente foi baseado na teoria gestáltica, a qual possibilita o surgimento de uma Inteligência Emergente. Por isso, possui a vantagem de ser mais rápido e eficiente na realização de tarefas complexas.

Características dos Agentes

Existem muitas características atribuídas aos agentes, dentre elas:

• Racionalidade - Os agentes são capazes de justificar suas decisões. Sabem escolher o melhor caminho para atingir seu objetivo [Newell, 81].

• Intencionalidade e Iniciativa - Os agentes devem ser guiados por suas intenções na resolução de problemas. A intencionalidade é a expressão dos objetivos e dos meios para realizá-los.

• Engajamento - Os agentes devem ser compromissados, ou seja, engajados na realização dos objetivos.

• Autonomia - Os agentes tentam manter a automomia na resolução de tarefas e não   depender (totalmente) uns dos outros.

• Adaptabilidade - Os agentes devem ser capazes de se adaptar aos conhecimentos novos, à forma de trabalho, às mudanças do meio e às interações estabelecidas entre os agentes.

Um agente é considerado inteligente se é um ser cognitivo, racional, intencional e adaptável, que  sabe como agir diante de situações complexas e difíceis.

Os agentes podem ser definidos também como:

1. Deliberativos ou cognitivos:

• Agentes sofisticados
• Mantém um histórico das suas ações
• Apresentam um pequeno número de agentes
• Possuem uma representação explícita do seu ambiente
• Possuem um modo social de organização
• Tem a função de delegar tarefas aos demais agentes

2. Reativos ou não deliberativos:

• Não possuem um histórico de suas ações
• Apresentam um grande número de agentes
• Não possuem uma representação explícita do seu ambiente
• Possuem um modo biológico de organização
• Modo de funcionamento baseado no processo de estímulo-resposta

Dificuldades dos sistemas multiagentes:

• Delegar poderes aos agentes e dividir tarefas
• Evitar a competição e o ocultamento de informações
• Gestão dos conflitos
• Garantir a comunicação, interação e cooperação
• Sintetizar resultados

SISTEMAS BASEADOS EM CONHECIMENTO (KBS) 

São sistemas utilizados para implementar comportamentos inteligentes de especialistas humanos. O conhecimento do especialista deve ser coletado e interpretado pelo engenheiro do conhecimento para facilitar o entendimento e garantir uma boa modelagem do sistema.

O desenvolvimento dos sistemas baseados em conhecimento (SBC) necessitam passar pelas seguintes fases:

A AC pode ser feita de duas formas: reproduzindo-se fielmente os conhecimentos coletados ou produzindo um modelo original a partir disso. O processo de AC apresenta a seguinte estrutura:

A partir de 1986 a aquisição do conhecimento passou a ser vista como uma atividade de modelagem, ou seja, define um modelo conceitual, a partir de uma fonte de conhecimento (especialista, documentos, etc.).

A  modelagem implica num processo de abstração do real, por meio da construção de um modelo conceitual. Modelo conceitual é um esquema criado para permitir a atividade de abstração e explicitação do conhecimento. Nessa etapa é necessário fazer uso das várias formas de representação do conhecimento.

Formas de Extração do Conhecimento:

• Análise de Protocolos Verbais: Consiste em observar o especialista trabalhando e explicar seus procedimentos.

• Entrevista: É a técnica mais utilizada para esclarecimento de dúvidas e de conhecimentos implícitos.

• Exploração do Discurso: Consiste em deixar o especialista falar (num monólogo) a respeito de um dado assunto sem fazer interrupções. Em seguida esse discurso será analisado utilizando-se teorias lingüísticas. Ex: a metodologia KOD.

• Observação Direta: Consiste em observar e gravar em vídeo como o especialista trabalha.

• Questionários: Consiste em elaborar um questionário sobre o conteúdo que vai ser modelado.

• Verbalização Retrospectiva: Consiste em analisar um caso já tratado e interrogar especialistas sobre o porque das suas ações.

Dificuldades da Aquisição do Conhecimento:

• Transmissão e expressão do raciocínio do experto
• Dificuldade de modelagem
• Divergências de informações entre os expertos
• Falta de colaboração dos expertos

  ENGENHEIRO DO CONHECIMENTO  
 

Noções Gerais

O engenheiro de conhecimento é o responsável pela aquisição do conhecimento (coleta, seleção, decomposição e modelagem) do especialista.

O processo de aquisição do conhecimento junto aos especialistas pode ser feito de várias maneiras. Em geral, o engenheiro do conhecimento entra em contato com um ou mais peritos (agentes do conhecimento), em uma ciência ou ramo particular da ciência, que lhe fornece o  conhecimento que será implementado para a resolução de um número determinado de problemas.

Em alguns casos, especialistas de diferentes áreas do conhecimento trabalham juntos para analisar diferentes aspectos de um mesmo problema ou para definir diferentes formas de resolução de problemas.

Características necessárias ao engenheiro de conhecimento:

• Comunicabilidade: Deve estabelecer um bom relacionamento com o especialista. E deve ter uma boa capacidade de argumentação e sustentação do raciocínio.

• Inteligência: Deve possuir boa capacidade intelectual para utilizar  terminologias técnicas (as mesmas do especialista). Além de saber discriminar quais os conhecimentos necessários e descartar aqueles que não são claros ou úteis.

• Paciência: Deve saber observar e coletar pacientemente as informações de forma sistemática e metódica, a fim de realizar sucessivas reuniões com o especialista até a perfeita modelagem do conhecimento.

• Metodologia ou Modelo de Aquisição de Conhecimento (AC): O especialista  deve possuir uma boa metodologia ou modelo de AC.

Dificuldades do engenheiro do conhecimento: Uma das problemáticas que envolvem a função do engenheiro de conhecimento é que ele seleciona e coleta dados para realizar uma abstração estática de um mundo dinâmico, cujos problemas e soluções sempre se renovam.

Observação:

Especialistas são pessoas reconhecidas por possuírem um considerável grau de conhecimento em determinada especialidade.

O especialista deve possuir um alto grau de especialização na sua área, ou seja, ser um perito altamente qualificado, conhecedor do seu potencial e dos seus limites. Além disso deve ter autoconfiança, determinação, versatilidade e uma grande capacidade de organização na resolução de problemas. 

O especilaista é quem detém o conhecimento, os conceitos, regras, os dados, as teorias, as questões e as possíveis soluções para o problema que se quer resolver. E o engenheiro do conhecimento é quem extrai o conhecimento do especialista e é responsável por sua formalização e estruturação.

FORMAS DE REPRESENTAÇÃO DO CONHECIMENTO  

 

 

O conhecimento coletado no processo de aquisição do conhecimento é denominado de base de conhecimento. Serve para estabelecer conceitos e relacioná-los aos fatos. Implica a manipulação e representação simbólica dos conhecimentos.

Existem várias maneiras de representar uma base de conhecimento, por exemplo:

  Regras de Produção

É a representação de um domínio específico do conhecimento na forma de um conjunto de regras (se...então...) baseadas na lógica. Essas regras formam a base do sistema. Constitui a técnica mais famosa utilizada pelos sistemas especialistas.

Por exemplo:

    Sentença (expressa informações sobre o mundo - fatos)  - Todo homem é racional.

    Regra:

        SE X é homem (premissa)

        ENTÃO X é racional (conclusão).

As premissas servem como parâmetro para mapear a memória de trabalho. Contém os antecedentes da conclusão, ou seja, as condições que permitem ao sistema chegar a determinados resultados.

A conclusão representa o resultado de um encadeamento lógico das premissas, pode representar também as possíveis saídas do sistema. Implica uma alteração ou adição de novos fatos à memória de trabalho.

A forma como as premissas e as conclusões se relacionam depende das estratégias de controle (encadeamento para frente, para trás e sistema híbrido).

Características das Regras de Produção:

• São constituídas por duas partes: premissa (se) e conclusão (então).

• Utiliza duas formas de raciocínio: encadeamento para frente ou progressivo ou forward chaining (parte das evidências para chegar na conclusão, constitui uma busca por dados) e encadeamento para trás ou backward chaining (não ocorre uma busca por dados, mas por objetivos e subobjetivos).

Objetivo: Fazer com que a máquina seja capaz de realizar deduções a partir das regras que lhe foram previamente fornecidas (é uma das formas mais conhecidas de representação do conhecimento para sistemas de pequeno porte).

Um sistema baseado em regras de produção possui três partes constitutivas que são: memória de trabalho, memória de regras e motor de inferência.

• Memória de Trabalho – Contém os fatos que foram observados (ou inferidos) e as hipóteses sobre esses fatos, as quais podem ser modificadas ou removidas.

• Memória de Regras – Contém as regras que irão direcionar o comportamento do sistema.

• Motor de Inferência - Contém um conjunto de regras que permite realizar deduções. Contém conhecimentos gerais para detectar erros, fazer correções e aprimorar os conhecimentos.

Vantagens das Regras de Produção:

• Possibilidade de atualizar os conhecimentos
• Fácil implementação
• Mecanismo de inferência similar ao do ser humano
• Modularidade
• Utilização de vários shells

Desvantagens das Regras de Produção:

• Alguns fluxos de controle são difíceis de seguir, o que ocasiona dificuldades nos testes de apuração dos conhecimentos.

• Os conjuntos de regras não possuem uma estrutura específica, pois nem sempre os métodos de resolução de problemas são fáceis de representar

• Parcelam o conhecimento e nem sempre se adequam ao modo de raciocínio humano.

  Redes Semânticas

Origem: Surgiram (em 1968) com os estudos realizados por Quillian a respeito da memória associativa humana.

Conceito: "As redes semânticas são representações gráficas do conhecimento. Como uma árvore de decisão, elas consistem em nós que são representados por círculos, e arcos que são representados por linhas com setas. Os nós contém informações, e os arcos mostram a relação entre elas." [LEVINE, 88].

Utilização:

• Inicialmente utilizadas para estabelecer relações entre objetos, num processo denominado de Busca por Interseção (uma ativação era iniciada em dois nós separadamente, em seguida, ocorria o processo de observação para saber qual o ponto de encontro desses nós). São utilizadas várias relações, as mais importantes são: is-a (é-um), ako (um tipo de) e part-of (parte de).

• São bastante utilizadas nas linguagens LISP e PROLOG para representação de domínios, onde os problemas podem ser descritos como taxonomias (classificações complexas).

• Servem para a compreensão da linguagem natural, uma vez que podem representar conteúdos expressos em frases declarativas, através da utilização da lógica de primeira ordem (LPO).

Base das Redes Semânticas: Primitivas de representação: noções de grafos (servem para representar objetos, conceitos e valores) e arcos (servem para representar associações entre  objetos e conceitos ou entre atributos e objetos).

Estruturação: Nas redes semânticas os conhecimentos são estruturados utilizando-se frames (nós) e ligações entre os frames (frame é um tipo de rede semântica).

Vantagens: Flexibilidade, inteligibilidade, maleabilidade, simplicidade e herança.

Mecanismos de Inferência: As redes semânticas utilizam dois mecanismos de inferência:  herança e filtragem. A herança serve para inferir propriedades "deflaut" dos elementos de uma classe, como por exemplo: filho, neto, sogro, etc., enquanto que a filtragem serve apenas para focar conceitos específicos.

Raciocínio: As redes semânticas utilizam dois raciocínios: propagação de ativação (busca encontrar um caminho entre dois nodos) e o mapeamento de estruturas (realiza consultas baseado em partes de grafos).

Dificuldades:

• Definir a herança
• Encontrar uma semântica exata do nó e das suas ligações
• Fazer representações canônicas em domínios específicos
• Representar crenças, hipóteses e o fator tempo

  Frames

Origem: Surgiu com os estudos de Minsky sobre a representação do conhecimento e o processo de observação visual, através da comparação entre as propriedades observadas nos objetos e os padrões estereotipados, previamente definidos na memória.

Conceito: São conjuntos de slots (campos) e de valores, cuja estrutura contém informações referentes a determinados objetos, as quais são armazenadas de forma hierárquica. Os frames podem ser criados a partir de uma coleção de frames (já existentes) conectados entre si. Isto se torna possível uma vez que um atributo de um frame pode ser outro frame.

De acordo com Elaine Rich e Kevin Knight: "Um frame é uma coleção de atributos, em geral chamados de escaninhos (slots), e valores a eles associados (e possivelmente restrições a estes valores) que descrevem alguma entidade do mundo." [RICH, 93].

Vantagens: Os frames são bem adaptados ao raciocínio humano, flexíveis e fáceis de usar, embora não tenham uma metodologia de implementação específica. Permitem a herança automática dos atributos e podem estruturar uma grande quantidade de conhecimentos.

Características:

• Modelo híbrido de representação dos conhecimentos (associa formalismos de regras). Cada frame representa uma classe (um conjunto) ou uma instância de um elemento de uma classe.

• A ligação entre os frames é descrita principalmente nos slots é-um.

• Não existe uma distinção clara entre redes semânticas e sistemas de frames, mas quanto maior a estruturação do sistema maiores as chances de ser considerado um frame.

Tipos de Frames:

• Frames Construtores: São frames que funcionam como esquemas para a construção de outros frames.

• Frames de Instância: São frames específicos, construídos a partir do frame construtor.

Funcionalidades:

• Adição, consulta e remoção de atributos
• Criação e remoção de frames.
• Representação de casos e estruturas complexas

Dificuldades:

• Não possui uma definição formal de método, o que ocasiona perda da simplicidade e da uniformidade
• Não apresenta uma metodologia específica para a implementação

  
    Grafos Conceituais

  A utilização dos grafos conceituais teve origem nos trabalhos realizados por John Sowa (na década de 80) sobre a linguagem natural e o modelo psicológico da percepção. O objetivo era obter uma melhor formalização do modelo conceitual a ser utilizado no processo de aquisição do conhecimento. Constitui uma extensão das redes semânticas.

  São grafos bipartidos onde os nós representam conceitos ou relações entre conceitos.

  Os conceitos representam entidades, estados ou eventos, expressos por exemplo nomes, verbos, adjetivos, etc. Por exemplo: João, bicho, homem, trabalhar, lugar, computador, etc. Existe uma hierarquia dos tipos de conceitos.

SISTEMAS ESPECIALISTAS

Noções Gerais

Uma das aplicações que se destacam no campo da inteligência artificial é a construção dos sistemas especialistas (SE) e dos sistemas baseados em conhecimento (SBC).

Sistemas especialistas são sistemas desenvolvidos para conter em si o conhecimento de um ou mais especialistas, ou seja, são sistemas projetados para solucionar problemas e realizar tarefas simulando a tomada de decisão de especialistas em diferentes áreas.

Os SE são capazes de aprender, analisar, controlar, interpretar, aconselhar, consultar, monitorar, comunicar, instruir, classificar, diagnosticar, predizer, projetar, testar, etc. Além da   capacidade de aprender o SE pode melhorar seu desempenho, aprimorar seu raciocínio e aperfeiçoar suas decisões.

São estruturados para atender a uma aplicação restrita ou domínio limitado do conhecimento. Quanto mais restrito o domínio e mais conhecimento tiver o programa mais eficiente tende a ser o SE. Segundo Hubert Dreyfus: "O nosso sistema especializado médico 'MYCIN', por exemplo, é superior aos especialistas da Escola de Medicina da Universidade de Stanford" [PESSIS-PASTERNARK, 93].  

Os SE são constituídos por três componentes centrais: base de dados, conjunto de operadores e estratégia de controle.

• Base de Dados - É formada pelo conhecimento que contém a meta a ser alcançada, as situações-problemas e as soluções propostas.

• Conjunto de Operadores - São as unidades que trabalham com base no banco de dados e funcionam como uma espécie de exploração dos dados armazenados.

• Estratégia de Controle - Significa a estratégia a ser adotada com base nos dados existentes e nos mecanismos de exploração e explanação do raciocínio.

Os SE só começaram a ser comercializados a partir de 1980 e conquistaram uma grande credibilidade e sucesso no meio industrial. Dentre os programas que utilizam a tecnologia dos SE pode-se citar o:

• DENDRAL - Foi o primeiro sistema especialista a surgir (1971), criado por Edward Feigenbaum na Universidade Stanford. Serve para detectar a estrutura molecular de um componente orgânico, sendo de grande ajuda na química e na medicina.

• MYCIN (Shortliffe, 1976) - É um programa que tem na sua base de conhecimento dados inseridos por diversos especialistas da área da saúde. Serve para realizar consultas, solicitar exames e diagnosticar doenças como a meningite e infecções do sangue.

• PROSPECTOR (Duda et al., 1979; Hart et al., 1978)  - É um programa que contém na sua base de conhecimento informações sobre mapas geológicos e levantamento de terrenos. Serve para auxiliar na localização de veios de minerais.

Aplicações dos Sistemas Especialistas

As aplicações dos sistemas especialistas podem ser enquadradas em três grandes categorias: manufatura, finanças e serviços (educação, engenharia, meteorologia, medicina, militar,  telecomunicações, etc.).

Vantagens da utilização dos SE:

Existem muitas vantagens na utilização dos SE, dentre elas:

• Ajuda a reduzir falhas humanas e acelerar tarefas
• Apresenta estabilidade e flexibilidade
• Aumenta o desempenho e a qualidade na resolução de problemas
• Combina e preserva o conhecimento dos especialistas
• Contempla hipóteses múltiplas simultaneamente
• Integra várias ferramentas
• Não é afetado por questões psicológicas, estresse e fatores externos
• Apresenta maior eficiência e otimização de resultados
• Possui maior rapidez na resolução de problemas
• Soluciona problemas tão bem quanto um especialista humano

Shells ou Geradores dos SE

São programas que possuem ferramentas para facilitar a implementação do raciocínio, aquisição e representação do conhecimento. Objetiva facilitar a integração dos SE com outros tipos de programas.

Um shell de SE possui a vantagem de representar o conhecimento e o raciocínio de uma forma muito mais flexível e de possibilitar o desenvolvimento de novos sistemas especialistas, ou seja, novas aplicações em novos domínios. Isso é denominado de Aplicabilidade do Motor de Inferência.

Os shells suportam regras, frames e outros mecanismos de representação do conhecimento.

Dificuldades na utilização dos SE

• Ausência de metaconhecimentos
• Dificuldade no processo de aquisição de conhecimento
• Falta de conhecimentos genéricos
• Validação do sistema

Ferramentas do tipo Shell

• ARBORIST
• EXSYS
• INSIGHT
• PERSONAL CONSULTANT
• NEXPERT
• SMECI

Formalismos dos SE

• Frames
• Lógica de Predicados
• Objetos Estruturados
• Raciocínio Baseado em Casos
• Regras de Produção
• Redes Semânticas

REDES NEURAIS

Noções Gerais

O cérebro humano é composto por cerca de 100 bilhões de neurônios, que são conectados entre si de maneira complexa por meio de sinapses. Essa complexa conectividade é responsável pelas características atribuídas à inteligência.

Com o desenvolvimento da Inteligência Artificial surgiu a idéia de representar por meio de determinados programas o funcionamento do processo de aprendizagem do cérebro humano. A tentativa de simular a rede neural do cérebro deu origem à chamada Rede Neural Artificial.

Os trabalhos sobre redes neurais se iniciaram na década de 40, na Universidade de Illinois, com o neurofisiologista McCulloch e o matemático Walter Pitts, cujas idéias foram publicadas no artigo A Logical Calculus of the Ideas Immanent in Nervous Activity (1943).

McCulloch e Pitts estabeleceram uma analogia entre o processo de comunicação das células nervosas vivas e o processo de comunicação por transmissão elétrica e propuseram a criação de neurônios formais. Em 1947 eles conseguiram demonstrar que era possível conectar os neurônios formais e formar uma rede capaz de executar funções complexas.

As redes neurais possuem diferentes denominações, dentre elas redes neuronais, modelos de redes neurais artificiais, modelos conectistas e sistemas neuromórficos.

Assim como o cérebro humano é composto de células biológicas, a rede neural possui um neurônio artificial semelhante, pois ainda não é possível copiar totalmente o sistema de processamento paralelo existente nas células biológicas.

Não existe por parte da neurocomputação a pretensão de imitar o cérebro humano, o seu objetivo é o aprendizado da máquina, baseado em modelos que possam ser implementados para desempenhar funções inerentes ao cérebro humano.

As pesquisas em redes neurais artificiais (RNA) tentaram simular o cérebro humano, principalmente a sua capacidade de aprender e se adaptar a eventuais mudanças. Portanto, as RNA têm como principal objetivo simular a capacidade de aprendizado e a capacidade de generalização do cérebro humano, podendo executar tarefas que os programas convencionais não conseguiam realizar, pois não tinham essa característica de aprendizagem e adaptabilidade.

O psicólogo Donald Hebb (1949) deu uma importante contribuição ao estudo das redes neurais ao elaborar uma teoria baseada no processo de aprendizagem que ocorre no cérebro humano, esta teoria serviu de base para a aprendizagem das redes neurais.

O processo de aprendizado é geralmente um processo interativo de adaptação aplicado aos parâmetros da rede (pesos e thresholds), onde os conhecimentos são armazenados após cada interação.

Em 1956, Nathaniel Rochester desenvolveu um modelo de rede neural artificial, no qual era simulada a interconexão de centenas de neurônios e um sistema para verificar o comportamento da rede diante dos estímulos externos.

No entanto, a rede que se tornou mais popular, foi a Rede Perceptron, criada por Frank Rosenblat (1957). Mas a credibilidade da Rede Perceprton não durou muito, isto porque, em 1969, Mavin Minsky junto com Seymour Papert publicaram o livro Perceptron, no qual fizeram severas críticas às redes neurais, argumentando que os Perceptrons apresentavam limitações em suas aplicações, não possuíam capacidade de aprendizado para resolver problemas simples e não possuíam adequada sustentação matemática.

A primeira rede capaz de imitar o cérebro humano utilizando processadores paralelos (ao invés de um único processador) surgiu com Widrow e Hoff, em 1959, com a estruturação da Rede ADALINE, (Adaptative Linear Element). Mais tarde Widrow e Hoff estruturaram uma nova rede denominada MADALINE (Many ADALINE).

Apesar de terem surgidos trabalhos significativos na década de 60 e 70, como os de Werbos, Anderson, Grossberg, as pesquisas com as redes neurais só voltaram a recuperar sua credibilidade (em 1982) com os trabalhos do físico e biólogo John Hopfield.

As redes neurais artificiais podem ser entendidas como conjuntos bem estruturados de unidades de processamentos, interligadas por canais de comunicação, cada qual tendo um determinado peso correspondente a um valor numérico. Consistem de várias unidades de processamento (neurônios artificiais) interconectadas entre si formando uma determinada disposição estrutural de camadas (entrada, intermediárias e saída) e conexões entre as camadas.

Atualmente existem dezenas de modelos de redes neurais estruturados para as mais diversas aplicações. Alguns dos modelos de RNA mais conhecidos são:

• REDE NEURAL DE MCCULLOCH-PITTS (MCP)  - Representa o neurônio como uma unidade de limite binário que pode executar operações lógicas básicas (NOT, OR e AND), por meio do ajuste adequado dos pesos. Apesar de cada neurônio possuir apenas uma entrada e uma saída, a interligação de várias unidades forma uma rede capaz de executar ações complexas

• PERCEPTRON DE CAMADA SIMPLES - Foi desenvolvido (em 1958) por Frank Rosemblatt. São utilizadas para reconhecimento e classificação de padrões e resolução de problemas lógicos que envolvem os conectivos AND e OR.

• MLP (Multi Layer Perceptron) ou MLFF (Multi Layer Feed Forward) - Foi desenvolvida (em 1969) por Minsky e Papert. Realiza operações lógicas complexas, reconhecimento, classificação de padrões, controle de robôs e processamento da fala.

• REDES BPN (Back Propagtion Network) - Desenvolvido (em 1986) por E. Rumelhart, G. E. Hilton e R.J. Williams. É utilizada na previsão anual de aparecimentos de manchas solares, em operações lógicas complexas, classificação de padrões e análise da fala.

• REDE DE HOPFIELD - Desenvolvida (em 1982) por J.J. Hopfield. É utilizada para reconhecimento de imagens.

• REDES DE KOHONEN - Desenvolvida (em 1987) pelo Prof. Teuvo Kohonen. É utilizada para classificação de padrões, otimização de problemas e simulações.

• REDE NEURAL ADALANIE (ADAPTIVE LINEAR NEURON) - Desenvolvida (em 1959) por Widrow e Hoff. É uma rede de uma camada com backpropagation utilizada para reconhecimento de padrões, mas só reconhece os padrões nos quais foi treinada (Regra de Widrow-Hoff). Quando transposta para uma rede de backpropagation de multicamadas é denominada de MADALINE (Multilayer ADALINE) e apresenta um alto grau de tolerância a falhas.

• ART (ADAPTATIVE RESONANCE THEORY) de GROSSBERG - Representa um único neurônio artificial que recebe input de várias outras unidades semelhantes. É um programa que tem por base características da teoria da ressonância adaptativa, que consiste na habilidade de se adaptar diante de novos inputs. É utilizada para reconhecimento de sinais de radar e processamento de imagens.

• CNM (COMBINATORIAL NEURAL MODEL) - Utilizada no processamento de reconhecimento, análise e classificação de dados.

• SOM (SELF ORGANIZING MAP) de KOHONEN - É uma rede competitiva com a habilidade de fazer mapeamentos entre dados de input e output. Capaz de equilibrar um bastão aplicando forças na sua base, o objetivo da rede é estabelecer um mapeamento entre as variáveis do estado do bastão e a força ideal para manter o equilíbrio.

• CPN (COUTERPROPAGATION NETWORK) - É uma rede competitiva desenhada para funcionar como uma tabela de consulta auto-programável com a habilidade de interpolar dados de entrada. Ela pode determinar a rotação angular de um objeto na forma de foguete que lhe é apresentada como um padrão bitmap. A performance da rede é limitada pela resolução do bitmap.

• BAM (BIDIRECTIONAL ASSOCIATIVE MEMORY - Possui uma memória associativa bidirecional capaz de fornecer o número do telefone associado ao nome que lhe foi fornecido e vice-versa. Permite um certo grau de tolerância a erros, quando os dados fornecidos possuem um padrão corrompido.

• NEOCOGNITRON - É uma rede que possui múltiplas camadas com conexões parciais entre as unidades das várias camadas. Foi desenvolvida para reconhecer caracteres alfabéticos escritos a mão. É de treinamento difícil, mas possui boa tolerância a erros, pois reconhece os caracteres mesmo com certa inclinação na escrita ou pequenas distorções na imagem.

Aplicações das Redes Neurais

• Análise de assinaturas
• Análise de características demográficas para marketing
• Análise do grau de satisfação de um cliente
• Controle de processos industriais
• Detecção de cartões de crédito falsos
• Monitoramento para manutenção de motores
• Previsão da bolsa de valores e cotação de moedas
• Previsão do mercado financeiro
• Reconhecimento de caracteres e impressões digitais
• Reconhecimento ótico de caracteres

Podemos encontrar diferentes algoritmos de aprendizado, entende-se por algoritmo de aprendizado um conjunto de regras bem definidas que são utilizadas para solucionar um determinado problema de aprendizado. Os algoritmos de aprendizado podem ser agrupados em quatro categorias:

• Aprendizado por correção de erro
• Hebbiano
• Competitivo
• De Boltzmann

Quanto ao tipo de treinamento para aprendizado as redes apresentam:

• Aprendizado Supervisionado: Exige a presença de um agente externo (tutor) na fase de aprendizado, que  avalia e informa à rede sobre a sua performance. O tutor adquire conhecimento da rede, na forma de mapeamentos (padrões) de entrada-saída.

• Aprendizado não Supervisionado: Não possui um tutor (crítico). A rede é autônoma, trabalha com os dados que lhes são apresentados e aprende a refletir sobre as suas propriedades no seu output. Esse tipo de aprendizado pode ser utilizado com um algoritmo competitivo ou hebbiano.

• Aprendizado por Reforço: Possui um crítico externo que avalia as respostas fornecidas pela rede e direciona o ajuste dos pesos. O aprendizado é online, feito por um processo de tentativas e erros, que visa maximizar um dado índice de desempenho, denominado de sinal de reforço.

Características que definem uma rede neural artificial:

• Arquitetura
• Capacidade de aprendizado
• Habilidade Funcional

Vantagens da Utilização das Redes Neurais Artificiais:

• Inferência de múltiplas variáveis
• Grande tolerância a falhas
• Modelamento direto do problema
• Paralelismo inerente

Dificuldades das Redes Neurais:

As redes neurais artificiais trabalham com um número reduzido (centenas) de neurônios artificiais, enquanto as redes neurais biológicas trabalham com milhões de neurônios.

LÓGICA

 

Aristóteles (384-322 a.C.) foi o primeiro estudioso a fazer uma representação do processo do pensamento, através da sistematização do raciocínio lógico. A lógica aristotélica permaneceu como Aristóteles a estruturou durante vários séculos até o surgimento das lógicas não clássicas no século XIX com A. De Morgan (1806-1871), Boole (1815-1864), G. Frege (1848-1925) e Bertrand Russell (1872-1970).

G. Leibniz (1646-1716), Saccheri (1667-1733) e J. H. Lambert (1728-1777) fizeram tentativas de matematizar a lógica, mas foi George Boole que estruturou a lógica matemática.

As idéias de Boole foram publicadas no livro Mathematical Analysis of Logic, no qual ele demostra que a lógica pode ser manipulada algebricamente e que os resultados das operações lógicas podem ser obtidos através da utilização de técnicas matemáticas. Essa obra deu suporte para a lógica matemática ou simbólica utilizada em alguns ramos da computação, eletricidade e eletrônica.

As idéias de Boole representaram um grande passo na ciência da computação, no sentido de auxiliar na simulação e implementação do processo do raciocínio na máquina. Segundo Boole: "O que nós temos que examinar são as leis de uma das mais importantes faculdades mentais. A matemática que temos que construir é a matemática do intelecto humano".

No século XX surgiram vários outros princípios da lógica, que auxiliaram a construção de programas de computador, como por exemplo a teoria da demonstração por refutação de Herbrand (1930), o princípio da resolução de Robinson (1965) e a SLD resolution de Kowalski (1971).

LÓGICA FUZZY

A lógica fuzzy ou lógica difusa foi estruturada em 1965 pelo Dr. Lofti A. Zadeh da Universidade da Califórnia para tratar e representar incertezas. A lógica difusa torna-se importante na medida em que o mundo em que vivemos não é constituído por fatos absolutamente verdadeiros ou falsos.

A lógica difusa permite representar valores de pertinência (grau de verdade) intermediários entre os valores de verdadeiro e falso da lógica clássica (bivalente).

A lógica difusa pode ser aplicada, por exemplo, na construção de sistemas especialistas para descrever coisas imprecisas como: altura (alto, baixo), velocidade (rápido, lento), tamanho (grande, médio, pequeno), quantidade (muito, razoável, pouco), idade (jovem, velho), etc.

Para que isso seja feito é necessário estabelecer parâmetros de pertinência e não pertinência pelos quais os diferentes graus de verdade podem ser atribuídos. Por exemplo:

Exemplo 1:

Ao estabelecer o seguinte padrão:
Um homem que tiver 1,60 metros ou menos, não é considerado alto.
Um homem que tiver 1,80 metros ou mais é considerado alto.
E, em seguida, se fizermos a seguinte pergunta: João é alto?

A resposta deve ser: Se João tiver 1.60 metros ou menos, ele não é alto, já que o valor do grau de pertinência da resposta é 0 (zero), ou seja, não-pertinência. Mas se João tiver 1,80 ou mais, o mesmo é alto, já que o grau de certeza é 1, ou seja, pertinência.

Mas se João tiver uma altura entre 1,61 e 1,79 metros ele não pode ser considerado nem alto nem baixo, no entanto, pode ser estabelecido um grau de pertinência quanto a ser alto. Como os valores 0 e 1 representam as percentagens 0% e 100% é possível estabelecer o grau de pertinência em termos percentuais. Por exemplo: Se João tem 1,75 metros, por uma regra de três simples, pode-se afirmar que João é alto com um grau de certeza de 75% (ou 0,75).

Exemplo 2:

Para a pergunta: Maria é gorda? A probalidade de erro é muito grande, levando-se em consideração apenas o peso.

Para aumentar o grau de certeza da resposta é necessário determinar vários parâmetros como altura, idade, sexo, etc., de modo que o programa tenha informações suficientes para analisar bem a resposta. Por exemplo:  Seria melhor perguntar: Maria é do sexo feminino, tem 28 anos, 1,68 de altura e pesa 85 quilos, ela pode ser considerada gorda?

Os exemplos acima são simples, mas existem exemplos complexos que levam em consideração diferentes fatores de certeza.

A lógica fuzzy objetiva fazer com que as decisões tomadas pela máquina se aproximem cada vez mais das decisões humanas, principalmente ao trabalhar com uma grande variedade de informações vagas e incertas, as quais podem ser traduzidas por expressões do tipo: a maioria, mais ou menos, talvez, etc. Antes do surgimento da lógica fuzzy essas informações não tinham como ser processadas.

A lógica tradicional se aplica somente às informações consideradas completamente
verdadeiras, cujo valor de verdade é igual a 1. Ou seu oposto, informações consideradas totalmente falsas, cujo valor de verdade é igual a 0, enquanto que a lógica difusa tem a vantagem de poder ser aplicada às informações que não são completamente verdadeiras ou falsas, podendo variar entre 0.0 e 1.0.

A lógica fuzzy pode ser aplicada nas seguintes áreas:

• Análise de dados
• Construção de sistemas especialistas
• Controle e otimização
• Reconhecimento de padrões

---

BIBLIOGRAFIA

[CHARNIAK & McDERMOTT, 85] Charniak and McDermott. Introduction to Artificial Inteligence.

[FEIGENBAUM, 81] BARR, A., and E. FEIGENBAUM. The Handbook of Artificial Intelligence. vol 1. William Kaufmann, Inc. 1981.

LABIDI, Sofiane and LEJOUAD, W. From Distribuited Artificial Inteligence to Multi-Agent Systems. INRIA nº 2004. France. 1993.

LABIDI, Sofiane. Managing Multi-Expertise in the Design of Collaborative Knowledge-Based Systems. Proceedings of the IEEE Knowledge and Data Exchange Workshop (KDEX'97). NewPort Beach, Los Angeles, USA. November, 1997.

LABIDI, Sofiane and FERREIRA, J. S. Agent-based Architecture for Cooperative Inteligence Tutoring Systems. In Proceedings of the Third International Conference on the Design Cooperative Systems (COOP'98). Cannes. France. June 26-29, 1998b.

LEDESMA, Luis et al. Revista Artificial Intelligence. nº 91. artigo "A Computational Approach to George Boole's Discovery of Mathematical Logic" Madrid 97

[LEVINE, 88] LEVINE, Robert et al. Inteligência Artificial e Sistemas Especialistas. São Paulo, McGraw-Hill, 1988.

[LOESCH, 96] LOESCH, Claúdio & SARI, Solange Teresinha. Redes Neurais Artificiais: Fundamentos e Modelos. Blumenau. Ed. da FURB, 1996.

McCARTHY, John. What has AI in Common with Philosophy?

McCARTHY, John & HAYES, Patrick J. Some Philosophical Problems from the Standpoint of Artificial Intelligence. Stanford University,1969. http://www-formal.stanford.edu/jmc/

[PESSIS-PASTERNAK , 93] PESSIS-PASTERNAK, Guitta. Do caos à inteligência artificial: quando os cientistas se interrogam. 2ª ed. São Paulo, Ed. da Univ. Estadual Paulista, 1993.

ORNSTEIN, Robert. A evolução da consciência: de Darwin a Freud, a origem e os fundamentos da mente. São Paulo, Ed. Best Seller, 1991.

[RICH, 93] RICH, Elaine & KNIGHT, Kevin. Inteligência Artificial. São Paulo: Makron Books, 1993.

[SCHALKOFF, 90] SCHALKOFF, R. Artificial Intelligence: an Engineering Approach. São Paulo, McGraw-Hill, 1990.

STERNBERG, Robert J. The triarchic mind: a new theory of human intelligence.

[WINSTON, 84] WINSTON. Artificial Intelligence. 2nd Edition, 1984

---

[HOME PAGE] [VOLTAR] [LINKS IA]

cynthia_m_lima@uol.com.br