paradigmas de inteligência artificial

Paradigmas de Inteligência Artificial

Jacques RobinGeber Ramalho

CIn-UFPE

Paradigmas de IA

Várias metáforas para modelagem computacional de raciocínio e conhecimento: Simbólico Probabilista Conexionista Evolucionista Nebuloso Multiagente Híbrido

Diferenças chaves: Forma de representar o conhecimento Forma de raciocinar com esse conhecimento Forma de adquirir esse conhecimento Ciências provendo metáfora

IA Simbólica

Raciocinar como manipulação de símbolos representando as entidades, relações, eventos de domínio de aplicação

Construção de novas sentenças a partir de sentenças já conhecidas

Deve-se assegurar que o raciocínio é plausível (sound) Exemplo:

representar entidades, relações e eventos como formulas da lógicausar provador de teorema para raciocinar dedutivamente com tais formulas

fatos fatos

sentenças sentenças

Mundo

Representação

segue-se

implica

semântica

semântica

IA Simbólica

Inspirada na lógica, semiologia, lingüística e psicologia cognitiva

IA via mímica do “software” do cérebro humano Representação do conhecimento: todos os tipos Raciocínio: todos os tipos Aquisição do conhecimento: todos os tipos Já vimos vários exemplos:

Capitão West é criminoso Codificação em lógica de conhecimento de agente explorador do

mundo do wumpus

IA Simbólica

Mais antiga, mais versátil e ainda mais utilizada Inadequada para:

Raciocínio pelo qual eliciar conhecimento explícito é muito difícil Raciocínio de baixo nível de interpretação de percepção

Reconhecimento de padrões, visão computacional, processamento da fala

Raciocínio de baixo nível para disparo de ações reflexas Controle dos motores dos efetuadores do robôs

Raciocínio com conhecimento incerto ou muito ruidoso Raciocínio envolvendo cálculo ou probabilidades

IA Conexionista

Raciocinar como ativações de ligações em uma redes(de neurônios, de eventos, de entidades)

Inspirada na neurologia IA via mímica do “hardware” do cérebro humano Representação do conhecimento: conjunto de atributo-valores

de poder expressivo equivalente a lógica proposicional Raciocínio: indutivo ou analógico durante treinamento,

dedutivo, abdutivo ou analógico durante utilização Aquisição do conhecimento: aprendizagem

Redes neurais: exemplo do mundo do Wumpus

Entrada da rede:codificação binária depares atributos-valores

Saída da rede:codificação binária depares atributos-valores

nenhuma percepção

00000

stench 00001

breeze 00010

glitter 00100

scream 01000

batida 10000

... ...stench breeze glitter scream

01111

forward000101111

right 001

left 010

shoot 011

pick 100

out 101

Redes Neurais: princípios

wji

w1i

wni

s(i)

e(i) e(i) w ji sj

s(i) f (e(i))

s1

sj

sn

camadade entrada camada

de saídacamadaescondida

Redes Neurais: princípios

Criar base de exemplos: Exemplos positivos: pares (seqüência de percepção,seqüência de ação) que resultaram no explorador sair da caverna vivo com o ouro

Exemplos negativos: pares (seqüência de percepção,seqüência de ação) que resultaram no explorador morrer

Dividir essa base em treinamento e teste Iniciar pesos da rede com valores aleatórias Codificar todas as seqüências de percepção em bits de entrada

da rede Propagar cada vetor de percepção e comparar saída da rede

com codificação binária da melhor ação escolhida ma média das seqüências bem sucedidas

Ajustar pesos por retro-propagação para minimizar distância média quadrada entre saída da rede e dessa melhor ação

Iterar até convergir rede implementar comportamento quase ótimo no conjunto de treinamento

IA Conexionista

Adequada para: Raciocínio pelo qual eliciar conhecimento explícito é muito difícil Raciocínio de baixo nível de interpretação de percepção

Reconhecimento de padrões, visão computacional, processamento da fala

Raciocínio de baixo nível para disparo de ações reflexas Controle dos motores dos efetuadores do robôs

Inadequada: Para domínios relacionais requerem representação da 1a ordem Para aplicações críticas requerendo explicações detalhadas e claras do porque das decisões do agentes (ex, central nuclear, cirurgia, investimento de grande porte)

IA Evolucionista

Raciocinar como construção de soluções por um processo iterativo de geração semi-aleatório de hipóteses seguida por uma seleção das mais adaptadas ao ambiente

Inspirada na teoria da evolução, paleontologia, socio-biologia IA via mímica do “processo de desenvolvimento” do cérebro

humano Representação do conhecimento: conjunto de atributo-valores

de poder expressivo equivalente a lógica proposicional Raciocínio: indutivo durante treinamento, dedutivo ou abdutivo

durante utilização Aquisição do conhecimento: aprendizagem

Algoritmos genéticos: exemplo no mundo do Wumpus

Entrada: vocabulário básico de atributos e domínio de valores glitter, stench, breeze, ... {yes/no} action {forward,turnRight,turnLeft,shoot,pick, ...}

Saída: árvore de decisão cujos ramos testam valores de (alguns) atributos e cujas folhas indicam decisão a tomar

1a geração de indivíduo: conjunto de árvores de decisão gerados aleatóriamente

Cada par (atributo,valor) é visto como um gen Cada árvore de decisão é visto como um genótipo

glitter?

turnRightshoot

yes no

turnLeft pick

breeze?

yes no

breeze?

yes no

Indivíduo 1

...

Indivíduo N

stench?

pick

yes pick

stench?

yes no

pick

Algoritmos genéticos: princípio

Os indivíduos da geração i são testados no ambiente Função de fitness determina métrica de desempenho e limiar

de sobrevivência A geração i+1 é formada por:

Cruzamento dos genótipos dos sobrevivente da geração i (reprodução) Cortar e colar aleatória da árvore pai com a árvore mãe

Mutação dos sobreviventes da geração i Modificação aleatória da árvore

Iteração até uma geração conter indivíduo com desempenho acima de limiar desejado

Algoritmos genéticos: reprodução

glitter?

turnRightshoot

yes no

turnLeft pick

breeze?

yes no

breeze?

yes no

Pai

Filho

shoot

yes

turnLeft

breeze?

yes no

Filha glitter?

turnRight

no

pick

breeze?

yes no

stench?

pick

yes

stench?

yes no

pick

Mãe

pick

no

stench?

pick

no

pick

yes

stench?

yes no

pick

Algoritmos genéticos: mutação

glitter?

turnRightshoot

yes no

turnLeft pick

breeze?

yes no

breeze?

yes no

Original

glitter?

shoot

yes no

turnLeft pick

breeze?

yes no

Mutante 3

glitter?

turnRightshoot

yes no

turnLeft pick

stench?

yes no

breeze?

yes no

Mutante 1

glitter?

yes no

shootturnLeft

breeze?

yes no

turnRightpick

breeze?

yes no

Mutante 2

IA Evolucionista

Adequada para: Raciocínio pelo qual eliciar conhecimento explícito é muito difícil Raciocínio de baixo nível de interpretação de percepção

Reconhecimento de padrões, visão computacional, processamento da fala

Raciocínio de baixo nível para disparo de ações reflexas Controle dos motores dos efetuadores do robôs

Inadequada para domínios relacionais requerem representaçãoda 1a ordem

IA Nebulosa

Raciocinar em termos intuitivos com “palavras” e “quantidades qualitativas” do quotidiano “alto”, “baixo”, “muito”, “pouco”, ... “Voce vai ao cinema hoje?” “Vou de tardezinha.” “Estou com muita vontade de ir”

Inspirada na lingüística e lógicas não booleanas com valores de verdades contínuas

IA via mímica do “software” do cérebro humano Representação do conhecimento: versões nebulosas de lógica

e regras Raciocínio: dedução e abdução Aquisição do conhecimento: manual

Teoria de Conjunto Convencional (Booleano):

““Febre Alta”Febre Alta”

40.1°C40.1°C

42°C42°C

41.4°C41.4°C

39.3°C39.3°C

38.7°C38.7°C

37.2°C37.2°C

38°C38°C

Teoria de Conjunto Fuzzy:

40.1°C40.1°C

42°C42°C

41.4°C41.4°C

39.3°C39.3°C

38.7°C38.7°C

37.2°C37.2°C

38°C38°C

“mais ou menos“ ao invés de “ou isto ou aquilo”!

IA nebulosa

Função de pertinência mA de elemento X a conjunto nebuloso A mA: X -> [0,1]

1

X(m)

altobaixo1

X(m)

altobaixo

1,55 1,80

mALTO(1,70) = 0.6, lêia-se 1,70 pertence à classe alto c/ pertinência de 0.6

IA Nebulosa

r = 1 - rr = 1 - r

rr11 rr22 = min (r = min (r11,r,r22) ou r) ou r11 rr22 (t-norma)(t-norma)

rr11 rr22 = max ( = max (r1,r,r22) ou r) ou r11 rr22 (s-norma)(s-norma)

rrii = min (r = min (r11,r,r22), i ), i U U

rrii = max (r = max (r11,r,r22), i ), i U U

rr11 rr22 = min (r = min (r11,r,r22))

IA Nebulosa

Nova teoria dos conjuntos => nova lógicarejeita os axiomas da consistência (P P F) e do terceiro excluído (P P T)

Operadores lógicos: Sendo r, r1 e r2 fórmulas bem formadas

IA Nebulosa

Lógica Fuzzy define a Lógica Fuzzy define a estratégia de controle no estratégia de controle no nível linguístico!nível linguístico!

LinguisticLevel

NumericalLevel

Measured Variables

Measured Variables

(Numerical Values)

(Linguistic Values)Inference + compositionCommand Variables

Defuzzification

Plant

Fuzzification

(Linguistic Values)

Command Variables(Numerical Values)

Lógica nebulosa: exemplo no mundo do Wumpus

X,Y m(loc(X,Y),smelly,1) m(loc(X+1,Y),safe,0.10) X,Y m(loc(X,Y),smelly,1) m(loc(X-1,Y),safe,0.10) X,Y m(loc(X,Y),smelly,1) m(loc(X,Y+1),safe,0.10) X,Y m(loc(X,Y),smelly,1) m(loc(X,Y-1),safe,0.10) X,Y m(loc(X,Y),breezy,1) m(loc(X+1,Y),safe,0.10) X,Y m(loc(X,Y),breezy,1) m(loc(X-1,Y),safe,0.10) X,Y m(loc(X,Y),breezy,1) m(loc(X,Y+1),safe,0.10) X,Y m(loc(X,Y),breezy,1) m(loc(X,Y-1),safe,0.10) m(loc(1,1),smelly,0) m(loc(1,1),breezy,0) m(loc(1,1),safe,?) m(loc(1,2),smelly,0) m(loc(1,2),breezy,1) m(loc(1,1),safe,?) m(loc(1,2),smelly,1) m(loc(1,2),breezy,1) m(loc(1,1),safe,?)

Lógica nebulosa: exemplo no mundo do Wumpus

X,Y m(loc(X,Y),smelly,1) m(loc(X+1,Y),safe,0.25) X,Y m(loc(X,Y),smelly,1) m(loc(X-1,Y),safe,0.25) X,Y m(loc(X,Y),smelly,1) m(loc(X,Y+1),safe,0.25) X,Y m(loc(X,Y),smelly,1) m(loc(X,Y-1),safe,0.25) X,Y m(loc(X,Y),breezy,1) m(loc(X+1,Y),safe,0.25) X,Y m(loc(X,Y),breezy,1) m(loc(X-1,Y),safe,0.25) X,Y m(loc(X,Y),breezy,1) m(loc(X,Y+1),safe,0.25) X,Y m(loc(X,Y),breezy,1) m(loc(X,Y-1),safe,0.25) m(loc(1,1),smelly,0) m(loc(1,1),breezy,0)

m(loc(1,1),safe,0.56) m(loc(1,2),smelly,0) m(loc(1,2),breezy,1)

m(loc(1,1),safe,0.19) m(loc(1,2),smelly,1) m(loc(1,2),breezy,1)

m(loc(1,1),safe,0.06)

IA Probabilista

Raciocinar usando as leis das probabilidades e da estatística representando eventos de domínio de aplicação como variáveis aleatórias

Inspirada na probabilidade e estatística IA como escolha da decisão que maximiza a esperança

matemática da utilidade dado uma distribuição de probabilidades de eventos

Representação do conhecimento: distribuição de probabilidade ou versões com anotações probabilistas dos formalismos simbólicos

Raciocínio: todos os tipos Aquisição do conhecimento: todos os tipos Adequado para ambientes não-deterministas e conhecimento

incerto

Redes Bayesianas: exemplo no mundo do Wumpus

Redes Bayesianas: princípios

IA Híbrida

Híbrida: Metáforas Formalismos de representação do conhecimento Máquina de inferência Metodologias de aquisição do conhecimento

De: Vários paradigmas Vários sub-paradigmas

Hibridação é conceitual enquanto integração é apenas arquitetural

Métodos de IA Simbólica

Simbólica

Árvores Regras LógicaClasse

sInstâncias

Modelagem ManualÁrvores

de Decisão

Sistemas de Produção

Provadoresde Teoremas

Frames

OOPL

Programaçãoem Lógica

LógicasDescritivas

Aprendizagem de Máquina

ID3 ILPKNNCBR

Representação do Conhecimento

Aquisição do Conhecimento

Sistemas híbridos simbólicos

Engenharia manual do conhecimento:Regras + Lógica: Programação em lógicaClasses + Lógica: Lógicas DescritivasRegras + Classes + Procedimentos: Sistemas de Produção Orientados a Objetos (EOOPS)

Regras + Classes + Lógica: Programação em Lógica Orientada a Objetos (OOLP)

Numérica

Evolucionista

Conexionista

Probabilista Outras

Modelagem Manual Cadeiasde Markov

Aprendizagem de Máquina

AlgoritmosGenéticos

Redes Neurais

Classificador Bayesiano

Ingênuo

Aprendizagem Q

Métodos de IA Numérica

Representação do Conhecimento

Aquisição do Conhecimento

Sistemas híbridos numéricos

Aprendizagem de máquina:Conexionista + Nebuloso: Sistemas neuro-fuzzyEvolucionista + Nebuloso: Sistemas fuzzy-genéticosEvolucionista + Conexionista: Sistemas neuro-genéticosEvolucionista + Conexionista + Nebuloso: Sistemas neurofuzzy-genéticos

Sistemas híbridos numérico-simbólicos

Engenharia manual do conhecimento: Numérica + lógica: Lógica nebulosa

Aprendizagem de máquina:Conexionista + regras: Sistemas neuro-simbólico

Engenharia manual do conhecimentoe/ou aprendizagem de máquina: Conexionista + probabilista + simbólico: Redes Bayesianas

IA Distribuída e Sistemas Multi-Agentes

Processo de desenvolvimento de agentes baseado em conhecimento

Identificar as características do ambiente do agente Escolher a arquitetura de agente mais adequada para tais

características Para cada elemento nessa arquitetura:

Identificar: Tipos de raciocínios necessários Tipos de conhecimentos necessários Disponibilidade de conhecimento na forma de especialista humano, literatura ou

documentação, ontologia parcialmente re-aproveitável Disponibilidade de dados, exemplos, casos ou ambiente de simulação

Em função disso, escolher: Paradigma de IA Formalismo de representação de conhecimento Máquina de inferência Métodos e ferramentas de aquisição de conhecimento

Aplicar sub-processo de desenvolvimento da base de conhecimento Integrar os elementos Testar o protótipo completo e possivelmente iterar

Ementa da disciplina

Por exemplo: agente deliberativo

Am

bie

nte

Sensores

Efetuadores

BCD: modelo dos ambientespassados e atual

BCD: modelo de ambientesfuturos hipotéticos

BCD: Objetivos

BCE: interpretaçãodas percepções

BCE: atualizaçãodo modelo do ambiente

BCE: atualizaçãodo objetivos

BCE: predição deambientes futuros

BCE: estratégia deescolha de ações

Máquina deinferência

AskTell

Retract

Ask