brasília, abin, 24/out/2007 aplicações de inteligência computacional em sistemas de informação...

Brasília, ABIN, 24/Out/2007Brasília, ABIN, 24/Out/2007

Aplicações de Inteligência Aplicações de Inteligência Computacional em Sistemas de Computacional em Sistemas de

InformaçãoInformação

Prof. Dr. Cairo L. Nascimento Jr.Prof. Dr. Cairo L. Nascimento Jr.

Prof. Dr. Waldecir J. PerrellaProf. Dr. Waldecir J. PerrellaDivisão de Engenharia EletrônicaDivisão de Engenharia Eletrônica

Instituto Tecnológico de Aeronáutica (ITA)Instituto Tecnológico de Aeronáutica (ITA)

• Comportamento Inteligente:– Importante para Competição (Seleção Natural),– Adaptação (mudanças no meio-ambiente),– Reconhecimento de Padrões (visão, fala,

diagnóstico de falhas/doenças, aplicações financeiras),

– Planejamento (Modelos, Otimização) e Auxílio a Tomada de Decisões,

– Cooperação e Comunicação com outros indivíduos.

Técnicas de IA

Definição de Inteligência

Redes Neurais Artificiais

Redes Bayesianas

AlgoritmosGenéticos

Sistemas Fuzzy

Sistemas deAprendizagem

Simbólica Indutiva

conhecimento intencional

(regras)

conhecimento extensional (exemplos)

simbóliconumérico

SistemasBaseadosem Casos

Sistemas Baseados em Regras

Técnicas de IA

• Documentação do conhecimento dos Experts Humanos.

• Uniformalização da Base de Conhecimento.• Importante para validar o desempenho do

Expert Humano.• Conhecimento nem sempre é explicíto.• Aumento da dificuldade para o Expert Humano

codificar o seu conhecimento com o número de variáveis de entrada.

Técnicas de IA

Sistemas Baseados em Regras

Técnicas de IA

Sistemas Baseados em Regras

Entradas Motor de Inferência Resposta

Regras

Sistemas Baseados em Regras: Árvore de Decisão

Técnicas de IA

Ex.: Dias do fim-de-semana

Lógica Convencional x Lógica Fuzzy

Técnicas de IA

Funções de Pertinência

Lógica Convencional x Lógica Fuzzy

Técnicas de IA

ABRUPTA (Lógica Convencional)

SUAVE (Lógica Fuzzy)

Controlador Fuzzy

Técnicas de IA

Controlador Fuzzy

Técnicas de IA

6 7 8 9 10 11 12 13 14 15-100

-90

-80

-60

-40

-20

0

Time (Seconds)

bracoflc

Controlador Fuzzy

Técnicas de IA

Aplicação:Programa HARPIA TREE

• O Harpia Tree é um conjunto de programas escritos na linguagem Java que faz parte do Projeto Harpia, e que tem como função ser uma ferramenta para auxiliar os técnicos da SRF do Brasil no processo aduaneiro e na malha do imposto de renda.

• O Harpia Tree é uma ferramenta que auxiliará os técnicos da SRF do Brasil no processo de codificação e processamento do conhecimento, criando regras que permitiram avaliar o risco associado a cada ação fiscal.

• As regras podem ser escritas em lógica convencional (fronteiras abruptas) ou em lógica fuzzy (fronteiras suaves) possibilitando assim classificar melhor o nível de risco.

Programa HARPIA TREE

Modo TEXTO

Modo GRÁFICO

Algoritmo A-estrela: Aplicações

Técnicas de IA

Algoritmo A-estrela: Aplicações

Técnicas de IA

Solução encontrada:29 movimentos, 1213 nós expandidos, cerca de 31 s.

Algoritmo A-estrela: Aplicações

Técnicas de IA

Solução encontrada:14 movimentos, 1319 nós expandidos, cerca de 1 m.

Algoritmo A-estrela: Ambiente dinâmico

Técnicas de IA

Objetivos:• analisar problemas e desenvolver soluções relacionados

à navegação de robôs,• aplicar estas soluções em um ambiente real através do

projeto, construção e testes de plataformas móveis.

ROMEO I ROMEO II ROMEO III ROMEO III.v2

Aplicação:Projeto ROMEO

Aplicação:Projeto ROMEO

Mapeamento do ambiente estático usando sonares

Planejamento de trajetória usando o algoritmo A-estrela

Algoritmo Min-Max: Planejamento considerando possíveis ações do adversário

Técnicas de IA

Tipos Gerais de Aprendizado/Supervisão:1. Supervisão Muito Forte: o supervisor insere os parâmetros (ou as

regras) no modelo, aprendizado “instantâneo”.2. Supervisão Forte: o supervisor fornece exemplos de entrada-saída

(pares x,y), aprendizado “supervisionado”.3. Supervisão Fraca: o supervisor classifica apenas os casos típicos,

aprendizado “não-supervisionado”.4. Supervisão Muito Fraca: o supervisor classifica como SUCESSO

ou FALHA um conjunto de ações sucessivas, aprendizado por reforço.

Técnicas de IA

Como uma “máquina” pode aprender?

Supervisão Forte:• Aprendizado usando exemplos: supervisor seleciona

pares [Xreal,Yreal].• Xreal e Yreal possivelmente são amostras ruidosas.• Mapeamento entrada-saída é amostrado e aproximado

pelo modelo.• Idéia central: ajustar os parâmetros do modelo para

diminuir o erro de aproximação para cada par [Xreal,Yreal] fornecido pelo supervisor.

Técnicas de IA

Supervisão Forte:Redes Neurais tipo feedforwardAlgoritmo Back-Propagation

Técnicas de IA

Aplicação:Reconhecimento de Caracteres com ruído

Antes e depois do treinamento

Tipo e No. da Unidade

No.

do

padr

ão d

e en

trad

a

Iteração = 0, rmsE = 1.2145, PFlip = 5%, NE = 16

H2 H4 H6 H8 O2 O4 O6 O8 O0 OB OD OF

Pad2

Pad4

Pad6

Pad8

Pad0

PadB

PadD

PadF

Aplicação:Reconhecimento de Caracteres com ruído

Tipo e No. da Unidade

No.

do

padr

ão d

e en

trad

a

Iteração = 200, rmsE = 0.028162, PFlip = 5%, NE = 0

H2 H4 H6 H8 O2 O4 O6 O8 O0 OB OD OF

Pad2

Pad4

Pad6

Pad8

Pad0

PadB

PadD

PadF

0 5 10 15 20 25 30 35 40 45 500

10

20

30

40

50

60

70

80

90

100

Nível de Ruído (%)

Tax

a de

Ace

rto

(%)

Teste de Generalização

Aplicação:Reconhecimento de Caracteres com ruído

Teste estatístico

Supervisão Fraca:• Supervisor seleciona dados de entrada Xreal,• É modificado apenas o peso W mais próximo de Xreal, • Aprendizado dos possíveis agrupamentos de X.

Técnicas de IA

Supervisão Fraca:• Supervisor fornece saída Yreal apenas para entrada X “típico”,• Os vetores X próximos de X “típico” recebem a mesma saída

Yreal de X “típico”.

Técnicas de IA

Supervisão Fraca:• Conceito de Vizinhança: o peso W vencedor e os seus “vizinhos”

topográficos são alterados.

Técnicas de IA

Antes e depois do treinamento

Aplicação:Reconhecimento de Caracteres com ruído

Aplicação:Reconhecimento de Caracteres com ruído

Teste estatístico

Supervisão Muito Fraca: Aprendizado por Reforço• “Learn by doing it…”• Baseado na interação do agente com o seu ambiente.• O supervisor fornece uma avaliação do resultado de uma

seqüência de ações (p. ex., SUCESSO ou FRACASSO) chamado de sinal de reforço r(t).

Técnicas de IA

Agente

Ambiente

Ação a(t)

Estado x(t)

Reforço r(t)

Supervisor

Supervisão Muito Fraca: Aprendizado por Reforço

• Problema: como escolher a seqüência de ações de forma a otimizar uma certa função de desempenho, p. ex., maximizar a média do sinal de reforço.

• Dificuldade: Como distribuir a responsabilidade pelo resultado obtido para cada ação tomada?

Técnicas de IA

Supervisão Muito Fraca: Aprendizado por Reforço• Idéia central: para cada estado manter uma tabela de possíveis

ações com as suas estimativas de probabilidade de conduzir ao SUCESSO P(x(t),a(t)).

• Para o estado atual, selecionar aleatoriamente uma ação de acordo com a tabela de estimativa de probabilidade de SUCESSO.

• Aplicar tal ação no ambiente e obter o próximo estado x(t+1).• Repetir o passo anterior até que um estado terminal seja

alcançado.• Obter o sinal de reforço para esta seqüência de ações r(t+N).• Se o sinal de reforço for POSITIVO: aumentar as estimativas de

probablidades das ações tomadas em cada estado.• Se o sinal de reforço for NEGATIVO: diminuir as estimativas de

probablidades das ações tomadas em cada estado.

Técnicas de IA

Antes e depois do treinamento

Aplicação:Navegação em ambiente desconhecido

Conclusões

• Tecnologia de ponta, interesse mundial.• Soluções para aplicações extremamente práticas.

Alguns exemplos de pesquisas em aplicações práticas feitas no ITA:– classificação de empresas de telecomunicações,– classificação de sinais eletrocardiográficos,– temporarização de semafóros de tráfego urbano,– otimização de sequências de montagens,– previsão de preços de produtos,– detecção de fraudes.

• Grandes benefícios para o governo e para a indústria nacional.

• Estamos rapidamente aumentando o nível de inteligência das nossas máquinas.

• Soluções inspiradas na natureza: é melhor encontrar rapidamente soluções boas do que demorar muito mais para encontrar soluções ótimas.

• Área altamente multi-disciplinar e desafiadora.

• Muitas oportunidades para pesquisa teórica e aplicada.

Conclusões

Livro “Inteligência Artificial em

Controle e Automação”, 2000

(re-impressões em 2002 e 2004)

de Cairo L. Nascimento Jr. e

Takashi Yoneyama,

Ed. Edgard Blücher e FAPESP.

Web site do livro:http://www.ele.ita.br/ia_contaut/

Para mais detalhes

Muito obrigado pela sua atenção!!

Cairo (cairo@ita.br)

Perguntas??