1 inteligência artificial prof. dr. sérgio silva profª. josiane m. pinheiro
TRANSCRIPT
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