1

Inteligência Artificial

Prof. Dr. Sérgio SilvaProfª. Josiane M. Pinheiro

2

Motivação Planejamento de Processos

Controle de despacho p/ centros de produção Obtenção de recursos - estoque, fornecedores - prazo de entrega...

Alocação de recursos

Logística – recursos X tempo

Otimização de aproveitamento de recursos

Satisfação dos clientes (tempo, qualidade, custo)

Grandes quantidades de dados (data mining)

Maior capacidade de processamento e a melhoria dos algoritmos permitem a resolução de problemas que eram computacionalmente inviáveis

3

Motivação Companhia Vale do Rio Doce

UNICAMP – Sistema especialista baseada em lógica difusa Lógica difusa - frio/quente, cheio/vazio, alto/baixo

Despacho de trens com minério de ferro das Minas de Carajás para o Porto de São Luiz

892 km de trilhos por onde trafegam 124 mil m3 de aço/dia

Sistema analisa o movi// dos trens e auxilia o planeja// do melhor despacho de aço entre os mesmos

Aumento da quantidade de aço transportada em 15%

Redução do consumo de óleo diesel em 1,6l a cada mil m3 de aço transportadas

4

O que é Inteligência Artificial (IA) ?

O estudo das faculdades mentais usando modelos computacionais. [CHARNIAK & McDERMOTT, 1985]

A automação das atividades que associamos ao pensamento humano, tais como: tomadas de decisão, solução de problemas, aprendizado. [BELLMAN, 1978].

O estudo de como os computadores fazem coisas que, no momento, as pessoas são melhores. [RICH + KNIGHT, 1991]

O ramo da ciência da computação que está relacionado com a automação do comportamento inteligente. [LUGGER & STUBBLEFIELD, 1993].

5

O que é Inteligência Artificial (IA)? Definição: O ramo da ciência da computação que trata da

automação do comportamento inteligente.

Tarefa: Compreender o comportamento inteligente para construir entidades inteligentes.

Problema: O que é inteligência?

6

O que é INTELIGÊNCIA ?

Exatamente o que ocorre quando aprendemos?

O que é criatividade? O que é intuição?

Ela pode ser inferida de um comportamento observável ou requer algum mecanismo interno particular?

Como o conhecimento é representado nos tecidos de um ser vivo? Que lições isto traz para o design de máquinas inteligentes? O que pode ser aproveitado dos seres vivos?

7

O que é INTELIGÊNCIA ? Que papel a cultura exerce sobre a inteligência?

É necessário basear um computador inteligente sobre o que se conhece sobre a inteligência humana ou uma abordagem de engenharia é suficiente?

É possível atingir a inteligência em um computador ou inteligência requer a capacidade de sentir e experienciar que só existe em seres vivos?

O que é auto-conhecimento? Que papel ele exerce sobre a inteligência?

8

Qual é o núcleo do problema?

Conhecimento

Aquisição Representação Uso

9

Sub-áreas de IA

Conhecimento

AquisiçãoAprendizagem Simbólica Conexionista Social e emergentePercepção Visão …

RepresentaçãoLógicaRedes Simbólica Conexionista Bayseana

UsoRaciocínioPlanejamentoPLNRobótica…

10

Quatro pontos de vista sobre AIPensando

Agindo

Como humanos Racionalmente

“A automação de atividades que nós associamos com o pensamento humano”

“A arte de criar máquinas que realizam funções que requerem inteligência quando realizadas por pessoas”

“O estudo das faculdades mentais através do uso de modelos computacionais”

“O ramo da Ciência da Computação que estuda a automação de comportamento inteligente”

11

Agindo como humanos: O teste de Turing Turing (1950): “Computing Machinery and Intelligence”

[http://www.abelard.org/turpap/turpap.htm]

As máquinas podem pensar? As máquinas podem se comportar inteligentemente?

Teste operacional para comportamento inteligente: O JOGO DA IMITAÇÃO

Previu que, em 2000, as máquinas teriam 30% de chance de enganar uma pessoa leiga por 5 minutos.

Antecipou os principais argumentos contrários à IA dos próximos 50 anos;

12

O Interrogador

Agindo como humanos: O teste de Turing

13

Agindo como humanos: O teste de Turing Para passar no Teste de Turing é necessário:

Processamento de Linguagem Natural Representação de Conhecimento Raciocínio Automático Aprendizagem de máquina

Teste de Turing Total

Visão Computacional Robótica

14

Agindo como humanos: O teste de Turing Softwares Existentes:

Eliza: http://shoel.cscmicro.com/eliza.html Este programa simula um psicoterapeuta rogeriano. Não use

tempo passado ou pontuação.  Eliza não entende sentença fragmentadas como "all the time". Ela entende apenas algumas simples sentenças completas como: 

                 i am lonely               my dad hits me               i love my freedom

Júlia: http://fuzine.mt.cs.cmu.edu/mlm/julia.html É um programa que tenta passar pelo Teste de Turing. Ele é

descendente do Eliza. Para acessar o programa dê o login como "julia" sem senha.

...

15

Pensando como humanos: Modelagem Cognitiva

Programas pensam como humanos => como os humanos pensam?

Como a mente humana trabalha por dentro? Através de introspecção Através de experimentos psicológicos

Uma teoria precisa do funcionamento da mente => possibilidade de expressar a teoria no computador

16

Pensando como humanos: Modelagem Cognitiva

Newell e Simon (1961) – General Problem Solver (GPS) Estavam preocupados em comparar as formas de seu raciocínio

às formas do raciocínio humano para resolver os mesmos problemas

Ciência Cognitiva –modelos computacionais da IA + técnicas experimentais da psicologia

Tentar construir teorias precisas e testáveis a respeito dos processos de funcionamento da mente humana

IA e ciência cognitiva ajudam uma a outra, especialmente em áreas de visão computacional, linguagem natural e aprendizagem

17

Pensando racionalmente: as leis do pensamento Aristóteles => pensamento correto => silogismos

Silogismos = conclusões corretas para premissas corretas

As leis do pensamento deveriam governar as operações da mente => início da lógica

Desenvolvimento da lógica formal (séculos 19 e 20) => fornece uma notação precisa para declarar sobre todos os tipos de coisas do mundo e as relações entre elas

18

Pensando racionalmente: as leis do pensamento (1965) programas existentes

Entrada: descrição do problema em notação lógica + tempo e memória

Saída: a solução do problema, se ela existir

Obstáculos da abordagem: Dificuldade de passar conhecimento informal para termos

formais (notação lógica) – principalmente quando o conhecimento é impreciso

Existe uma grande diferença entre ser capaz de resolver um problema e fazer isto na prática (recursos computacionais)

19

Agindo racionalmente: o agente racional Comportamento Racional FAZER A COISA CERTA

A coisa certa é aquilo que maximiza o objetivo, dada a informação disponível

Uma agente é uma entidade que percebe e age

Leis do pensamento => inferências corretas

Fazer inferências corretas é parte de uma agente racional Agir racionalmente é raciocinar logicamente sobre o objetivo que

uma dada ação irá alcançar, e então agir

20

Agindo racionalmente: o agente racional Inferência correta nem sempre envolve racionalidade

Algo deve ser feito, mas não existe algo correto a fazer Agir racionalmente às vezes não envolve inferência. Ex: tirar a mão de

algo quente

Vantagens sobre as outras abordagens Mais geral do que as leis do pensamento => inferência correta é apenas

um mecanismo utilizado para alcançar racionalidade É mais adequada ao desenvolvimento científico do que as abordagens

baseadas no comportamento e no pensamento humano => o padrão de racionalidade é claramente definido e completamente geral

Obs.: Limitações computacionais tornam a racionalidade perfeita inalcançável.

21

Fundamentos da inteligência artificial

IA

Filosofia Matemática Psicologia Computação Lingüística

22

Filosofia (428 B.C. - presente) Tornaram a IA concebível

Considerando a idéia de que a mente é, em alguns aspectos, semelhante a uma máquina

Ela opera sobre o conhecimento codificado em alguma linguagem interna

E o pensamento pode escolher as ações que deverão ser executadas

Aristóteles (384-322 a.C.) – silogismos, noção de intuição

René Descartes (1596-1650) – Dualismo – mente isenta das leis da física (matéria)

Wilhelm Leibniz (1646-1716) imaginava construir equipamentos mecânicos que realizava operações mentais (materialismo)

materialismo, onde todas as coisas do mundo (inclusive o cérebro e a mente) opera segundo leis físicas

23

Filosofia (428 B.C. - presente) Quanto à fonte do conhecimento

Francis Bacon's (1561-1626) - empirismo, conhecimento está baseado na observação e na experiência

Hume (1978) - princípio da indução - regras gerais são adquiridas pela exposição e repetidas associações entre seus elementos

Bertrand Russel (1872-1970) - positivismo lógico - observações que correspondem ao sensores de entrada

Atualmente existem várias teorias sobre como o conhecimento é adquirido e representado

O elemento final do modelo filosófico da mente é a conexão entre o conhecimento e a ação

24

Matemática (800-presente) Forneceram as ferramentas para manipular

declarações de certeza lógica declarações incertas e probabilísticas

Definiram a base para a compreensão da computação (algoritmo forma) e do raciocínio inteligente

George Boole (1847) - linguagem formal para fazer inferências lógicas (lógica booleana)

Gottlob Frege (1879) - formou a lógica de predicados de primeira ordem, que é utilizada em boa parte dos sistemas atuais (RC)

Alfred Tarski (1902-1983) - teoria que mostra como relacionar objetos em uma lógica a objetos do mundo real

Kurt Gödel (1931) - teorema da incompletude, o qual mostra que para alguns problemas não podem ser estabelecidos um algoritmo

25

Matemática (800-presente) Alan Turing (1936) - modelo da máquina de Turing -

determinar se um problema é ou não decidível um problema é decidível se existe um algoritmo para ele

Cobham (1964) e Edmonds (1965) – intratabilidade - o tempo de execução dos problemas chamados intratáveis crescem exponencialmente em relação ao tamanho de suas instâncias

Gerolamo Cardano (1501-1576) - teoria da probabilidade

Tomas Bayes (1702-1761) – análise Bayesiana - regras para quantificar probabilidades subjetivas (tratamento de incerteza)

John Von Neumann e Oskar Morgenstern (1944) - teoria da decisão – teoria da probabilidade + teoria da utilidade

26

Psicologia (1879-presente) Idéia de que os seres humanos e os animais podem se

considerados máquinas de processamento de informações

John Watson (1878-1958) e Edward Lee Thorndike (1874-1949) - Behaviorism (comportamentalismo)

Rejeita a idéia de que a introspecção fornece evidências confiáveis sobre o comportamento humano

Estuda somente medidas objetivas sobre a percepção (stimulus) e as ações resultantes (response)

Teve sucesso na compreensão dos animais, mas teve pouco sucesso na compreensão de humanos.

A psicologia cognitiva vê o cérebro como um dispositivo de processamento de informações. Percepção envolvia uma forma de inferência lógica inconsciente.

27

Psicologia (1879-presente) Passos entre a percepção e as ações (Kenneth Craik, 1943). Craik

especificou três passos chaves de um agente baseado em conhecimento:

(1) O estímulo é transformado em uma representação interna;

(2) A representação é manipulada por um processo cognitivo que deriva novas representações internas; e

(3) Esta representação é traduzida em uma ação.

Forte interação entre IA e a ciência cognitiva (processos de transformação do conhecimento bem definidos).

28

Computação (1940-presente) A inteligência artificial necessita de duas coisas: inteligência e um

artefato. Atualmente o computador é o artefato mais adequado.

Máquina eletromecânica de Health Robison (1940) time de Alan Turing - decifrar mensagens Alemãs

Colussus (1943) – máquina de uso geral – utilizava válvulas

Z-3 (Konrad Zuse, 1941, Alemanha), primeiro comp. programável

Primeiro computador eletrônico (USA) ABC (John Atanasoff e Clifford Berry, 1942)

ENIAC (2º guerra - primeiro computador digital de propósito geral) – mais famoso pq seus conceitos ainda são utilizados

IBM 701 (1952 - primeiro com fins comerciais).

29

Computação (1940-presente)

Evolução do software: sistemas operacionais, linguagens de programação e ferramentas necessárias para escrever programas sofisticados.

Varias contribuições de IA para ciência da computação: compartilhamento de tempo, conceitos de orientação a objetos e desenvolvimento de programas com interfaces gráficas

30

Lingüística (1957-presente) B. F. Skinner (1957) - Verbal Behavior - Abordagem

comportamentalista para o aprendizado da linguagem

Chomsky - exibiu como a teoria comportamentalista não está direcionada a noção de criatividade na linguagem

Ela não explicava como uma criança podia compreender e formar frases que nunca tinha ouvido antes.

IA + Lingüística = Lingüística computacional ou PLN

Compreensão da linguagem exige compreensão do assunto e do contexto (e não somente sintaxe)

Representação do Conhecimento – como colocar o conhecimento em uma forma que o computador possa utilizar – vinculado à linguagem

31

História da inteligência artificial A gestação da inteligência artificial (1943-1956)

Warren McCulloch e Walter Pitts (1943) – modelo de neurônios artificiais

Cada neurônio poderia estar “ligado” ou “desligado”

Troca para ligado ocorria como resposta aos estímulos para um número suficiente de neurônios vizinhos

Conhecimento básico sobre fisiologia e as funções dos neurônios no cérebro, lógica proposicional, teoria da computação

Marvin Minsky (tese) e Dean Edmonds construiram o primeiro computador de redes neurais em 1951, possuía 40 neurônios

Primeiras conferências atribuir o nome do campo a Inteligência Artificial

32

História da inteligência artificial Entusiasmo inicial (1952-1969)

Newell e Simon - General Problem Solver (GPS)

Programa projetado para resolver problemas como os humanos

Sebmetas e ações - semelhantes à ordem de resolução dos humanos

Herbert Gelernter (1959) – Geometry Theorem Prover

Demonstrava teoremas bastante complicados

Arthur Samuel (1952) – série de programas para jogar damas que podiam aprender

33

História da inteligência artificial McCarthy (1958) - Lisp - Um ano mais nova que FORTRAN

Advice Taker – 1º sistema de IA completo – princípios centrais de RC e raciocínio

Escassez e custo dos recursos computacionais => time sharing

Minsky - Micromundos - Problemas em um contexto limitado que requer inteligência para resolver

Ex: Mundo de blocos

34

História da inteligência artificial Uma dose de realidade (1966-1974)

Herbert Simon – “futuro visível” – computadores lidarão com uma variedade de problemas correspondente à mente humana

Dificuldade de tratar problemas complexos (exemplos testados eram muito simples)

Principais problemas nas abordagens adotadas:

Os programas possuíam pouco, ou nenhum conhecimento sobre o problema objeto

Problema de tradução Russo <-> inglês

35

História da inteligência artificial

Intratabilidade de alguns problemas que AI estava tentando resolver (antes da teoria da NP-completude)

Ilusão do poder computacional ilimitado, computadores 1.000.000 x mais rápidos não resolvem o problema – explosão combinatória

Problemas NP-completos existem e novas abordagens devem ser adotadas

Machine evolution (algoritmos genéticos de hoje)

Limitação de estruturas "básicas" para gerar um comportamento inteligente

Ex: Estrutura até então utilizada para representar redes neurais Minsky (1969) – Os perceptrons podem aprender qualquer coisa que

eles são capazes de representar, mas eles podem representar muito pouco.

Cai o mito que em pouco tempo teríamos máquinas “super inteligentes”

36

História da inteligência artificial Sistemas baseados em conhecimento (1969-1979)

Weak methods (pouco informação sobre o domínio) – necessidade maior de computação

Surgimento dos Sistemas Especialistas

Conhecimento, heurísticas e regras sobre um determinada especialidade

Separação clara entre conhecimento (regras) e componente de raciocínio

DENDRAL – conhecimento de química reduz a quantidade de computação

Feignbaum e outros – MYCIN – diagnostico de doenças infecciosas (450 regras)

Problemas do mundo real – representação de conhecimento teve que melhorar

Frames (Minsky), abordagem mais estruturada baseada em classes e hierarquia de objetos, analogia com taxonomia da biologia

37

História da inteligência artificial A IA se torna uma indústria (1980 – hoje)

Digital Equipment Corporation – R1 (pedidos de novos computadores

Economia de 40 milhões de dólares

1988 – O grupo de IA da DEC tinha 40 sist. especialistas entregues

Du Pont

100 SEs em uso e 500 em desenvolvimento

Economia de 10 milhões de dólares

38

História da inteligência artificial O retorno das redes neurais (1986-presente)

Desenvolvimento continuou em outras áreas

Uso/desenvolvimento de algoritmos “back-propagation”

IA Tradicional x Redes Neurais

Eventos recentes (1987-1995-2000)

Avanços e utilização de tecnologia para reconhecimento de imagem e fala/som.

Belief networks, "probabilidade" que permite formalismo para tratar incertezas.

Desenvolvimento de mecanismos lógicos para tratar incerteza. Ex: lógica fuzzy, lógica modal, etc.

39

O estado-da-arte O que pode ser feito (usando IA) atualmente?

Planejamento autônomo e escalonamento (NASA)

Jogos: Programa da IBM derrota campeão mundial de xadrez

Controle autônomo: Sistema de visão computacional ALVINN treinado para dirigir um automóvel

Diagnóstico: Programas de diagnóstico médico com explicação

Planejamento logístico e programação de execução de transporte

Robótica: Ao ponto de ajudarem em microcirurgias

Reconhecimento de linguagem e resolução de problemas

40

Atualmente... Duas vertentes principais

Simbólica Símbolos (objetos, frames) Regras

Conexionista Redes neurais Reconhecimento de padrões

Tentativa de unir os dois paradigmas => sistemas hibrídos

Lógica difusa (ou fuzzy) Algoritmos Genéticos

41

Atualmente... Ramos da IA

Sistemas especialistas

Processamento de linguagem natural

Robótica

Aprendizado de Máquina

Reconhecimento de Padrões

...

42

Sistema Inteligente

Definição segundo Turing (1950):

“Um sistema é inteligente se e somente se ele produz a mesma saída simbólica que um ser humano produziria, dada a mesma entrada simbólica”

Características Heurísticas ao invés de algoritmos pré-determinados

Problemas diferentes, soluções diferentes

A solução tem que ser construída

43

Heurística X Algoritmo Metodologia empregada para resolver problemas de IA

Mais heurística do que sistemática, algorítmica

Algoritmo Regra Premissas conhecida => resultados esperados Solução lógica, verdade, regra matemática (resolver eq. de 2º) Verificável

Heurística Não é verificável – matematicamente provável Solução obtida através de tentativas e erros Regras práticas desenvolvidas através da experiência