Inteligência Artificial Aplicada

Created @November 22, 2021 6:38 AM

Tags

A inteligência artificial surge como uma das áreas de conquistas mais importantes
alcançadas pela humanidade.
Surgimento da AI

Meados da década de 1950

Havia uma grande expectativa de que em pouco tempo chegaríamos a máquinas que
teriam o mesmo patamar de inteligência da humanidade.
Fracassos e decepções

Subestimação dos processos inteligentes que acontecem no nosso cérebro, mas

surgiram uma série de subprodutos que fizeram outros campos da CC evoluírem.

Ápice da história da tecnologia

O homem exterioriza as ferramentas a partir do seu intelecto como forma de

adaptar-se melhor ao ambiente ou mesmo alterá-lo.

Simulação de processos inteligente

Reconhecimento de padrões

Tomada de decisão

Planejamento e previsão

Execução de tarefas repetitivas

Definições:

Inteligência Artificial Aplicada 1

 Inteligência artificial forte: pensar e agir como ser humano
Inteligência artificial fraca: pensar e agir racionalmente

Linhas de pesquisa da AI
O problema cérebro-mente:

Inteligência Artificial Aplicada 2

 Não temos total conhecimento como a partir dos neurônios surgem nossos
pensamentos de símbolos, e isso dificulta o avanço das AIs.

Linhas de pesquisa:

Simbólica

Segue a tradição lógica, por meio da manipulação de símbolos de um grande

número de fatos especializados sobre um domínio restrito.

Sistemas baseados em conhecimento

Sistemas especialistas

Programação em lógica

Raciocínio baseado em casos

Conexionista

Inteligência Artificial Aplicada 3

 Visa à modelagem da inteligência humana por meio da simulação dos
componentes do cérebro (neurônios) e das suas interligações (sinapses).

Redes neurais artificiais

Sistemas imunológicos artificiais

Sistemas híbridos neuro-fuzzy

Evolucionária

Baseia-se na forma como se processa a evolução biológica sobre o planeta e

busca simular tais processos evolucionários em sistemas de computador para
a resolução de problemas.

Algoritmos genéticos

Programação evolucionária

Estratégias evolucionárias

Vida artificial

Breve histórico da AI
Surgimento da AI:

Nascimento oficial: Conferência de Dartmouth, USA, 1956

Eras da linha simbólica

Era Clássica (1956 - 1970)

Objetivo: simular a mente humana.

Métodos: sistemas de solução geral de problemas.

Motivo do fracasso: subestimação da complexidade computacional dos

problemas.

Era Romântica (1970 - 1980)

Objetivo: simular a inteligência humana em situações pré-

determinadas.

Inteligência Artificial Aplicada 4

 Métodos: formalismos de representação de conhecimento adaptados
ao tipo de problema.

Fracasso: subestimação da quantidade de conhecimento necessário

para tratar mesmo o mais banal problema do senso comum.

Era Moderna (1980 - Atual)

Objetivo: simular comportamento de um especialista humano ao

resolver problemas em um domínio específico.

Métodos: sistemas de regras, representação da incerteza,

conexionismo.

Fracasso: subestimação do problema de aquisição de conhecimento.

Cronologia das linhas de pesquisas

Inteligência Artificial Aplicada 5

Inteligência Artificial Aplicada 6
Inteligência Artificial Aplicada 7
 Agentes Inteligentes
Podemos definir um agente como um artefato equipado com sensores com capacidade
de perceber o ambiente e capazes de ação sobre o ambiente por meio de atuadores.
Se compararmos com um ser humano, os sensores podem ser os olhos, ouvidos, nariz
e aqueles que permitem o tato. Quanto aos atuadores, podemos relacionar as mãos,
pernas e a boca, bem como outras partes. Hoje em dia os robôs são construídos tendo
sensores, tais como câmeras, dispositivos de infravermelho, de som e ultrassom, de
gás, de temperatura e de umidade, dentre outros. Como atuadores, podemos
relacionar os servomotores, motores de passo, pistões hidráulicos e relês. Mas um

Inteligência Artificial Aplicada 8

 agente precisa também processar os sinais provenientes dos sensores para efetuar
alguma ação que seja caracterizada como inteligente sobre seu ambiente.

Racionalidade do agente
O agente racional é o agente que, com base em suas ações, obterá o maior sucesso.
Assim, é necessário algum método para quantificar o sucesso de um agente. Por meio
de medidas de desempenho, pode-se verificar se um agente teve sucesso na execução
da sua tarefa. A medida de desempenho precisa ser uma medida objetiva, que seja
planejada pelo projetista na construção do robô. Nem sempre a definição de uma
medida de desempenho é uma tarefa fácil. Por exemplo, uma medida para o robô
aspirador poderia ser o número de ações, ou o tempo consumido para executar a
tarefa, ou a qualidade de limpeza em relação ao tempo consumido.

Natureza dos agentes

A caracterização do ambiente onde o agente irá atuar determinará o sucesso da sua
execução. Quando um agente é caracterizado como um agente racional, é necessário
especificar a medida de desempenho, o ambiente onde o agente irá atuar e os
sensores e atuadores que farão parte do agente. Na modelagem de um agente
racional, precisamos definir de maneira tão completa e precisa possível o ambiente de
tarefa.
O ambiente de tarefa pode ser definido por meio do PEAS (performance, environment,
actuators and sensors – desempenho, ambiente, atuadores e sensores).

Inteligência Artificial Aplicada 9

 Propriedades dos ambientes de tarefas
Em IA, a variedade de ambientes para atender a diferentes tipos de problemas é muito
grande. Por isso, é interessante classificar os ambientes de tarefas conforme
categorias que influenciam na definição dos parâmetros dos projetos. A classificação
leva em consideração vários critérios:

Ambiente completamente observável x Parcialmente observável

Se os sensores do agente acessam de forma completa os estados do ambiente

em cada instante, o ambiente é completamente observável. Se houver ruído,
sensoriamento impreciso ou lacunas os estados, é parcialmente observável.

Ambiente Determinístico x Estocástico

Se o próximo estado é completamente determinado pelo estado atual + ação

executada pelo agente, o ambiente é determinístico, caso isso não seja
verdade, ele é estocástico.

O ambiente estratégico é quando o sistema é determinístico, mas apresenta

elementos estocásticos.

Inteligência Artificial Aplicada 10

 Ambiente Episódico x Sequencial

Num ambiente episódico, o agente experimenta os eventos de maneira

atômica/isolada, com os episódios começando com a percepção do agente e
na execução de uma única ação.

Num ambiente sequencial, há a dependência dos estados atuais com os

anteriores.

Ambiente Estático x Dinâmico

Caso o ambiente se altere enquanto o agente executa a tarefa, o ambiente é

dinâmico.

Se o ambiente não se modifica ao longo da execução, é estático.

Semidinâmicos se for parcialmente dinâmico e parcialmente estático.

Ambiente Discreto x Contínuo

Essa classificação se refere ao tempo modo como o tempo é considerado e

também o estado do ambiente e das percepções e ações.

Uma sequência de estados discretos tem uma mudança brusca de um estado

para outro.

Uma sequência contínua muda de forma suave.

Agente individual no ambiente x Sistema multiagente

Se no ambiente existe apenas um agente atuando para resolver o problema ou

se o sistema considerado é multiagente no caso de ter mais de um agente.

Inteligência Artificial Aplicada 11

 Estrutura dos agentes
O estudo da natureza do ambiente de tarefa e das suas propriedades envolveu apenas
as questões de comportamento, ou seja, as ações que são executadas para uma
sequência de percepções determinada. A partir de agora, é necessário estudar o
funcionamento interno dos agentes.
Os agentes podem ser classificados em quatro tipos:

Agentes Reativos Simples

Selecionam as ações a serem executadas com base na percepção atual,

desconsiderando o histórico de percepções.

Inteligência Artificial Aplicada 12

 Agentes Reativos Baseados em Modelo

Mantém estados internos que sejam dependentes da sequência de

percepções, isso pode ser mais efetivo na resolução do problema. Ele guarda
como o mundo evolui e o que as ações dele fazem nesse mundo. Ele possui
uma memória e melhora baseado com o histórico de percepções.

Inteligência Artificial Aplicada 13

 Agentes Baseados em Objetivos

Além de saber o estado atual, é necessário alguma informação em relação aos

objetivos relacionados a situações ou cenários desejáveis.

Inteligência Artificial Aplicada 14

 Agentes Baseados na Utilidade

Uma função de utilidade permite quantificar o mapeamento de um estado ou

uma sequência de estados em um número (grau de "felicidade" alcançado).

Agentes com aprendizagem

O agente é dotado de mecanismos para que possa aprender na experiência

com o ambiente.

Inteligência Artificial Aplicada 15

 Nestes casos, o agente tem embutida no seu programa a sequência de ações que
deverá executar. Podemos caracterizar também a estrutura de um agente com
aprendizagem. O agente com aprendizagem permite ir além do conhecimento prévio na
construção do agente, dotando-o de mecanismos para que possa aprender na
experiência com o ambiente, tornando-se mais competente ao longo da sua operação.
Basicamente, no agente podemos implementar a ação em função de percepções do
que vão acontecendo através das regras "se-então". Com isso a partir de um
determinado conjunto de percepções ele executa uma ação.

Resolução de Problemas
Resolução de problemas de busca
Os agentes inteligentes mais simples, os reativos, conferem suas ações ao
mapeamento direto dos estados. Em ambientes nos quais tal mapeamento seja grande
demais, tanto em termos de memória ou tempo de processamento, os agentes não
seriam eficientes. Os agentes de resolução de problemas tomam decisões sobre os
próximos passos, encontrando as sequências de ações que resultam nos estados

Inteligência Artificial Aplicada 16

 desejáveis. Por exemplo, um dos problemas presentes em várias situações é o de
roteirização. Este problema está presente na área de logística e turismo, dentre outras.
Quando se tem um conjunto de locais que precisam ser visitados considerando a
existência de rotas definidas para estes locais, um dos problemas típicos é como
percorrer todos os locais considerando um custo mínimo ótimo.
Agentes de resolução de problemas tomam decisões sobre os próximos passos
encontrando as sequências de ações que resultam nos estados desejáveis.
Problema do viajante: um dos problemas típicos é como percorrer todos os locais com
custo mínimo ótimo. Exemplo menor caminho para percorrer todas as cidades pelo
menos uma vez.

Formulação de problemas: passo essencial, pois é o processo de decidir quais estados

deverão ser considerados na abordagem do problema, dado um determinado objetivo.
Algoritmo de busca:

Recebe na sua entrada um problema e apresenta na sua saída uma solução,

descrita sob a forma de uma sequência de ações definidas.

O processo de procurar essa sequência é denominado de busca.

Componentes de um problema de busca

Quando a sequência se completa, ele formula outro objetivo e então recomeça. É
importante observar que, na execução da sequência, o agente não leva em conta as
percepções, na suposição de que a solução que encontrou na busca sempre irá
funcionar. Um problema pode ser definido de maneira formal em quatro componentes:

Um estado inicial

O estado no qual o agente começa.

No exemplo do viajante o estado inicial seria a cidade origem.

Uma função sucessor

A qual retorna um conjunto de pares ordenados <ação, sucessor> em que

cada ação é uma das ações válidas no estado x e cada sucessor pode ser
alcançado partindo-se de x.

O teste de objetivo

Inteligência Artificial Aplicada 17

 Determina se um estado é um estado objetivo/desejado.

O objetivo nesse exemplo seria a chegada à cidade origem.

Função de custo

A qual atribui um custo numérico a cada caminho.

O agente irá escolher, portanto, uma função de custo que irá significar a própria
medida de desempenho.

Soluções para o problema de busca

Uma solução para um problema é um caminho que leva o agente desde o estado inicial
até o estado objetivo.
Uma solução ótima é aquela que apresenta o menor custo dentre todas as soluções
possíveis.

Exemplos de problemas de busca

Para efeito de estudo, os problemas podem ser classificados em miniproblemas e
problemas do mundo real. Um miniproblema destina-se a ilustrar ou praticar métodos
de resolução de problemas, podendo ter descrições concisas e exatas. Pode também
ser utilizado por diversos métodos para comparação de desempenho. Já problemas do
mundo real são aqueles que não tendem a ter uma descrição concisa e exata,
abstraída de situações da realidade. Em geral são problemas complexos, que podem
ser divididos em problemas simples que possuem um método de solução conhecida.
Esta estratégia é denominada de “dividir para conquistar”.

Miniproblemas

Destinam-se a ilustrar ou praticar métodos de resolução de problemas,

podendo ter descrições concisas e exatas.

Podem ser utilizados por diversos métodos para comparação de desempenho.

Problemas do mundo real

São aqueles que não tendem a ter uma descrição concisa e exata, abstraídos
de situações da realidade.

Dividir para conquistar.

Inteligência Artificial Aplicada 18

 Estratégia de busca
O propósito da busca é fazer a expansão de forma contínua, avaliando os nós
gerados, escolhendo um e verificando se o nó é um estado objetivo ou não.

Estratégias de busca sem informação

As estratégias de busca sem informação são denominadas também de buscas cegas,
pois seguem a forma como a visitação dos nós expandidos de determinado problema é
feita.

Há seis estratégias de busca sem informação:

Busca em extensão ou amplitude

Busca em profundidade

Busca de custo uniforme

Busca em profundidade limitada

Busca de aprofundamento iterativo

Busca bidirecional

De maneira geral as seis estratégias são variantes das duas primeiras formas básicas:
a busca em extensão ou amplitude, na qual o nó raiz é expandido inicialmente, depois

Inteligência Artificial Aplicada 19

 os sucessores do nó raiz, depois os sucessores dos sucessores do nó raiz e assim por
diante. E a estratégia de busca em profundidade, que expande sempre o nó mais
profundo na borda atual da árvore de busca.
Árvores de busca:

Geradas a partir do estado inicial e pela função sucessor, configurando assim o

espaço de estados.

Um nó de busca é a raiz da árvore, relativa ao estado inicial, expandindo nos

estados possíveis a partir da função sucessor, gerando um novo ramo ou conjunto
de estados.

Inteligência Artificial Aplicada 20

 Tipos de estratégia de busca sem informação:

Extensão ou amplitude

Sempre extendendo/ampliando o próximo nível

Custo uniforme

Utilizamos a que nos dará o menor custo. Fazer as expansão de nós cpm
custos menores.

Profundidade

A partir do nó procura expandir todos os nós até chegar no último nível, daí
volta pra raíz e faz novamente em outros.

Profundidade limitada

A de profundidade é realizada até x nó

Aprofundamento interativo

Busca em profundidade combinando com extensão

Bidirecional

É quando utilizamos também o nó de chegada e fazemos o processo de busca

ao contrário, a partir do nó de chegada também expandimos o nó de saída,
inicial, e o final.

Inteligência Artificial Aplicada 21

 Estratégias de busca com informação
As estratégias de busca sem informação tendem a ser ineficientes na maioria dos
casos. Estratégias de busca que utilizam algum conhecimento específico do sistema
pode ser uma opção mais eficiente. As estratégias neste caso apresentam uma
abordagem denominada de busca pela melhor escolha. Esta busca considera um
algoritmo que é uma especialização do algoritmo geral da busca em árvore, em que um
nó é selecionado para expansão com base em uma função de avaliação f(n). Na
verdade não há de fato uma melhor escolha, mas a escolha que parece ser a melhor,
conforme a função de avaliação. Há uma outra família de algoritmos com funções de
avaliação diferentes, em que um componente fundamental desta avaliação é uma
função heurística h(n). Por meio das funções heurísticas, podemos aplicar o
conhecimento relativo ao problema no algoritmo de busca. A função heurística pode
ser, por exemplo a distância que o nó final possui de todos os outros nós.
Tipos de estratégia de busca com informação:

Busca gulosa

Se baseia apenas na função heurística

Busca A*

Se baseia na função heurística e na de custo, tem um pouco mais de vantagem

sobre a busca gulosa

Inteligência Artificial Aplicada 22

 Sistemas Especialistas
Dentro da linha de pesquisa simbólica da IA, os sistemas especialistas (SE), são
programas de computador que imitam o comportamento de especialistas humanos
dentro de um domínio específico de conhecimento. Os sistemas especialistas podem
ser classificados quanto às definições da IA no quadrante “agir como humanos”.
Consiste assim numa ferramenta que possui a capacidade de entender o conhecimento
sobre um problema específico e usar este conhecimento de maneira inteligente para
sugerir alternativas de ação. Podemos afirmar que SE é uma técnica da IA
desenvolvida para resolver problemas em determinado domínio, cujo conhecimento
utilizado é obtido de pessoas que são especialistas naquele domínio.
Primeiros sistemas

Dendral (1965)

SE para inferir estruturas moleculares a partir da informação espectrográfica de

massa.

Mycin (1970)

Inteligência Artificial Aplicada 23

 SE para diagnóstico e tratamento de doenças infecciosas do sangue utilizando
450 regras que permitiam o diagnóstico e a prescrição de tratamentos.

Componentes de um sistema especialista

Um sistema especialista pode ser dividido em três módulos

Base de conhecimento

Local onde fica armazenado o conhecimento obtido do domínio em que atua o

SE, traduzido na forma de regras.

Quadro-negro

Local onde as informações são alimentadas ao sistema com relação às

variáveis que são lidas do ambiente.

Mecanismo de inferência (também chamado de motor de inferência)

Responsável pelo encadeamento e teste das regras, fornecendo um resultado

em função dos fatos alimentados ao sistema especialista.

Seleção das regras através dos dados de entrada

A resolução de conflitos indicando quais regras serão efetivamente executadas

(priorização e ordenação)

A ação propriamente dita

A base de conhecimento contém as condições expressas nas regras que se referem às

perguntas. Estas perguntas envolvem variáveis que precisam ser instanciadas e passar
logo após por um processo de inferência. O motor de inferência controla, portanto, a
atividade do sistema especialista, selecionando as regras, solucionando conflitos e a
ação propriamente dita.

Inteligência Artificial Aplicada 24

 Etapas para construção de um SE:

Identificação e definição do problema

Aquisição do conhecimento

Entrevista com especialista na área

Organização e representação do conhecimento

Fatos são usados para descrever relacionamentos entre estruturas de

conhecimento mais complexas e controlar o uso destas durante a resolução de
problemas

Implementação do SE

Testes e validação

Proposição:

Em IA e SE, um fato é às vezes referenciado como uma proposição

Uma proposição é uma declaração que pode ser verdadeira ou falsa

Inteligência Artificial Aplicada 25

 Exemplo:

Proposição:

"A cor da bola é vermelha"

Mundo:

A bola é azul na verdade

Valor da proposição:

Falso

Notação O-A-V

"A cor da bola é vermelha"

Objeto: Bola

Atributo: Cor

Valor: Vermelha

Regras

Sequências lógicas compostas por premissas (antecedentes) e conclusões

(consequentes)

É comum o uso da expressão condicional "se-então" para representar regras

dentro de um SE

Inteligência Artificial Aplicada 26

 Exemplo de um sistema especialista
O exemplo a seguir refere-se a uma análise de perfil financeiro para concessão de
crédito. Este tipo de sistema pode ser entendido como uma regra de negócio de uma
empresa financeira, podendo ser estendido para outros domínios, tais como
companhias de seguro e planos de saúde.
O sistema especialista tem como objetivo a concessão de crédito que irá depender de
uma série de variáveis que precisam ser informadas ao sistema. A modelagem do SE é
feita levando em consideração as variáveis do problema e as regras que precisam ser
explicitadas. É necessária a definição de uma variável objetivo que orientará o
raciocínio do SE. Este exemplo de SE pode ser implementado em linguagem de
programação utilizando classes ou de maneira mais simples utilizando chamadas de
função.

Programação em lógica (PROLOG)

Uma das principais ideias subjacentes da programação em lógica é de que um
algoritmo é constituído por dois elementos disjuntos: a lógica e o controle. O

Inteligência Artificial Aplicada 27

 componente lógico corresponde à definição do que deve ser solucionado. O
componente de controle estabelece como a solução pode ser obtida. Quando
programando em PROLOG, o programador precisa somente descrever o componente
lógico de um algoritmo, deixando o controle da execução para ser exercido pelo
sistema de programação em lógica utilizado. A atividade do programador passa a ser
simplesmente a especificação do problema que deve ser solucionado. Assim, um
programa em lógica é a representação de um problema expresso por meio de um
conjunto finito de um tipo especial de sentenças lógicas denominadas de cláusulas. O
programador simplesmente especifica o problema que deve ser solucionado. O
controle fica a cargo do sistema de programação em lógica utilizado.

Cláusulas em PROLOG
Um programa em lógica pode ser visto alternativamente como uma base de dados.
Uma cláusula em PROLOG pode ser de três tipos:

Fatos

Denotam uma verdade incondicional

Regras

Definem as condições que devem ser satisfeitas para que uma declaração seja
considerada verdadeira

Consulta

Interrogação ao programa para verificar a verdade do conhecimento nele

contido

Uma cláusula é dividida nos ainda seguintes componentes:

Corpo

É uma lista de objetivos separados por vírgulas, que devem ser interpretadas
por conjunções.

Cabeça

Contém o resultado do corpo, inferido com base nos objetivos.

Um fato contém apenas “cabeça”. A consulta só possui o “corpo”. Uma regra contém
tanto “cabeça” quanto “corpo”.

Inteligência Artificial Aplicada 28

 Redes Neurais Artificiais (RNA)
Uma RNA pode ser considerada como um processador maciça e paralelamente
distribuído constituído de unidades de processamento simples, que têm a propensão
natural para armazenar conhecimento experimental e torná-lo disponível para o uso.
Algumas RNAs envolvem tarefas como a definição do número de camadas, a
quantidade de neurônios por camada, o tipo de função de transferência e o método de
treinamento.

Uma rede neural artificial tem também como elemento básico o neurônio. Os neurônios
são as unidades fundamentais dos tecidos do sistema nervoso, incluindo o cérebro.
Cada neurônio consiste de um corpo celular, também designado como soma, o qual
contém um núcleo. Partindo do corpo da célula, existem um número de filamentos
denominados dendritos e um filamento mais longo, que é denominado de axônio. Os
dendritos ligam-se ao redor da célula a outras células e o axônio faz uma conexão mais
longa. A estas conexões dá-se o nome de sinapses. Uma rede neural biológica pode,
dessa forma, ser abstraída para simular seu comportamento.

Uma rede neural artificial tem uma

série de propriedades:

Não linearidade

Mapeamento entrada-saída

Adaptabilidade

Resposta a evidências

Informação contextual

Tolerância a falhas

Construção de uma RNA

As RNA possuem pelo menos uma camada de entrada, de onde recebe os sinais ou
características das amostras, e uma camada de saída que apresenta os padrões ou
classes mapeados para os conjuntos de treinamento. Também podem possuir uma ou
mais camadas ocultas. A quantidade de neurônios irá depender da natureza do

Inteligência Artificial Aplicada 29

 problema sendo abordado. A camada de entrada terá tantos neurônios conforme as
características das amostras do conjunto de treinamento. A camada de saída terá os
neurônios referentes às classes a que pertencem as amostras do conjunto de
treinamento. A função de transferência define a ativação do neurônio, podendo ser
utilizadas funções discretas ou funções contínuas. Dentre os métodos mais utilizados
está o algoritmo de retropropagação (backpropagation), que utiliza a informação do
erro na atualização dos pesos.

Aprendizagem de uma RNA

Por correção de erros

Baseada em memória

Hebbiana (associativa)

Competitiva

Boltzmann

Tipos de treinamento

Supervisionada

Não supervisionada

Tarefas de uma RNA

Associação de padrões

Reconhecimento de funções

Aproximação de funções

Controle

Filtragem

Perceptron simples
O perceptron foi um dispositivo eletrônico inventado em 1957 por Frank Rosenblatt. Foi
construído de acordo com princípios biológicos e que mostrava capacidade de
aprendizado. O perceptron obtém os sinais do ambiente por meio das entradas, em
que são apresentados os valores correspondentes aos padrões que queremos

Inteligência Artificial Aplicada 30

 classificar, como valores de pixels de imagem ou características de um produto.
Fazendo parte da estrutura interna do perceptron, temos os pesos ou sinapses. O
aprendizado da rede ficará armazenado nos pesos e seus valores são obtidos
mediante um processo de treinamento.
O perceptron simples permite classificar dois conjuntos de forma linear, ou seja, se
tivermos condições de passar uma reta dividindo duas regiões de classes diferentes, o
perceptron irá classificar essas duas regiões corretamente.

Inteligência Artificial Aplicada 31