X Encontro de Iniciação Científica do Centro Universitário Barão de Mauá

Programação aplicada a métodos de Projetos de Arquitetura e Urbanismo

Kennedy de Souza Dias1, Denise Arruda2 Centro Universitário Barão de Mauá

1kennedysouzadias@gmail.com, 2denise.arruda@baraodemaua.brResumo

Este trabalho apresenta uma revisão bibliográfica sobre Algoritmos de aprendizado de máquina que poderão ser aplicados no estudo de Projetos de arquitetura e urbanismo, mais especificamente no estudo de estilos arquitetônicos. Introdução As pesquisas na área de arquitetura e urbanismo que utilizam a computação e programação para o estudo e desenvolvimento de projetos e as consequentes da contemporaneidade. Fundamentos e ferramentas computacionais podem ser empregados no estudo de arquitetura, como exemplo de aplicação, na classificação de estilos arquitetônicos. Estilos arquitetônicos são o conjunto de características formais, técnicas e materiais de obras arquitetônicas que as identificam como pertencentes a um determinado período da história e a um determinado local. Dentre os diferentes estilos apresentados na literatura, serão considerados estilos da arquitetura pós-renascentistas, arquitetura moderna, pós-moderna e clássica, como na Figura 1. O desenvolvimento inicial do trabalho consiste em realizar um estudo sobre ferramentas computacionais que poderão ser utilizadas para classificação de imagens. A inteligência artificial é uma área de estudos em computação que busca simular a mente humana e ser capaz de reconhecer dados, processá-los e produzir resultados de forma totalmente automatizada. Com isso, ela permitirá desenvolver algoritmos capazes de avaliar e catalogar dados de acordo com suas semelhanças.

Figura 1. Arquitetura clássica. Fonte: http://formatacaoabnt.blogspot.com.br/ (2016)

Algoritmos Genéticos Inicialmente foi realizado um estudo aprofundado em algoritmos genéticos, com a intenção de solucionar problemas arquitetônicos e se familiarizar com o processamento de grande volume de dados dispersos e avaliá-los, á procura de soluções de determinado problema. Os algoritmos genéticos são sistemas baseados em mecanismos de seleção natural e da genética, realizam buscas paralelas em dados de uma forma aleatória, mas direcionadas para a solução, procurando por melhores resultados e os inserindo no algoritmo para que possam ser geradas novas soluções com base nos resultados bem sucedidos anteriormente, garantido uma melhor população de dados a cada processo. Inteligência Artificial A inteligência artificial (IA) é um ramo da computação que busca desenvolver dispositivos capazes de simular a capacidade humana de reconhecer estímulos, raciocinar, tomar decisões e solucionar problemas através de modelagem cognitiva. De acordo com a definição de Alan Turing (1950), para um sistema ser considerado uma IA ela deve possuir um processamento de linguagem natural, representação de conhecimento para armazenar o que sabe e ouve, um raciocínio automatizado, aprendizado de máquina, visão computacional

X Encontro de Iniciação Científica do Centro Universitário Barão de Mauá

para perceber objetos e a robótica para manipular objetos físicos e movimentar-se. Aprendizado de Máquina O aprendizado de máquina (AM) é um campo de estudos da IA que procura desenvolver métodos capazes de extrair conhecimento a partir de dados previamente coletados. O AM permite rotular dados para uma ou mais classes na qual pertencem, de forma automatizada com o uso de programas de computador que toma decisões baseadas em experiências acumuladas de soluções bem sucedidas de atividades anteriores. Sendo classificada em três categorias, o Supervisionado, o Não Supervisionado e o Aprendizado de Reforço. Todos podendo ser aplicados em diversas situações, como mostra a Figura 2, mas um se adaptando melhor do que o outro em determinado cenário. Aprendizado Supervisionado Algoritmos do tipo Supervisionado são treinados para seguir e considerar certos padrões e ocorrências nos dados a que serão processados, eles fazem previsões com base em um conjunto de exemplos. O algoritmo procura por padrões nos rótulos de dados como datas, períodos, etc. Um exemplo prático de algoritmos Supervisionado seria a avaliação de cotações monetárias passadas para prever possíveis cotações futuras. Os algoritmos Supervisionados são subdivididos em Classificação, Regressão e Detecção de Anomalias. O tipo Classificação é utilizado quando os dados estiverem sendo utilizados para prever uma categoria, sendo feita com base nos atributos dos objetos avaliados e aprende a classificar cada vez mais à medida que observa novos exemplos. A Regressão é utilizada quando a intenção é prevê algo, ele associa os objetos com valores numéricos e índices, avaliando os números ao invés de atributos. Já o Aprendizado por Detecção de anomalias é utilizado para identificar situações incomuns em meio a um grande volume de dados, como encontrar golpistas apenas avaliando dados financeiros. Aprendizado Não Supervisionado Nos algoritmos Não Supervisionados, os dados não recebem rótulos e não são instruídos em como deve agrupar os dados. Ele deve aprender sozinho as relações entre os dados, avaliando os padrões, as

regularidades, características e etc. Assim organiza de forma autônoma e descreve as estruturas de acordo com suas semelhanças, por exemplo, agrupando notícias semelhantes publicadas por diferentes fontes, ou identificar padrões de compras dos consumidores e etc. Os algoritmos Não Supervisionados são subdivididos em Sumarização, Associação e Agrupamento. O tipo de algoritmos de Sumarização procura encontra uma descrição compacta para identificar um grupo de dados. Já o tipo por Associação processa os dados e identifica padrões frequentes de associação entre seus atributos. O Agrupamento coleta dados e os agrupa de acordo com suas semelhanças. Aprendizado de Reforço Algoritmos de Reforço trabalham com um modelo de tentativa e erro, onde tenta atingir um objetivo testando várias possibilidades e recebendo recompensas por cada avaliação. Com isso, o algoritmo modifica sua estratégia de busca para alcançar melhores padrões e consequentemente receber maiores recompensas. Um exemplo prático para sua aplicação seria encontrar a saída de um labirinto, onde o algoritmo iria testar vários caminhos e aprendendo com seus erros até encontrar o caminho correto.

Figura 2. Algumas áreas de aplicações do Aprendizado de Máquina

Resultados e Discussões Como resultados preliminares da revisão da literatura, foi realizada uma busca por técnicas de aprendizado de máquina que são empregadas na classificação de imagens. Entre elas, destaca-se o uso de redes neurais (neural networks), máquinas de vetores de suporte (support vector) e Random Forests.

X Encontro de Iniciação Científica do Centro Universitário Barão de Mauá

Redes Neurais Faz parte do Aprendizado Supervisionado. Um dos algoritmos mais famosos. Ele busca simular o comportamento da mente humana criando sinapses de um cérebro em um sistema cognitivo baseado em experiências passadas. Por exemplo, caso apresente uma imagem para a máquina, onde há um rosto humano e ela responde que não existe então o sistema é notificado sobre o erro e o algoritmo corrige o seu resultado de avaliação e passa a usar como padrão para futuras avaliações de reconhecimentos. Isso tudo se dá pela forma que o algoritmo relaciona os dados, criando conexões entre eles. Ele processa o dado de entrada, reconhecem seus atributos, consulta à base de dados procurando relacionamentos semelhantes e gera um resultado de saída como base nas semelhanças encontradas, como na figura 3. Com isso, será possível a aplicação em reconhecimento e classificação de imagens arquitetônicas, uma vez treinada em identificar estruturas físicas iniciais de obras, será necessário apenas alimentar sua base de dados para que melhore cada vez mais sua capacidade de reconhecimento.

Figura 3. Relacionamento de dados com Redes Neurais

Máquina de Vetores Suporte Faz parte do Aprendizado Supervisionado, onde busca tomar dados de entrada e classifica-los em uma entre duas categorias. Possuí um fundamento na teoria de estatísticas, mapeando os dados em um hiperplano (um hiperplano é uma superfície em espaço multidimensional que o separa em duas metades de espaço). Uma vez treinada, a máquina de vetores é capaz de avaliar novas entradas em relação ao hiperplano divisor e classifica-las em uma entre as duas categorias, como na Figura 4. Isso permitirá o reconhecimento em um número menor de

estilos arquitetônicos, mas com um maior nível de confiabilidade.

Figura 4. Hiperplano dividido em duas categorias de dados

Random Forest É um algoritmo do tipo Supervisionado, um método eficiente que pode operar rapidamente sobre grandes bases de dados que gera muitos classificadores e que agrega aos seus resultados. Uma de suas vantagens é o alto desempenho com uma grande base de dados e trabalhando bem com dados que possuem muitos atributos e poucos exemplos. O aprendizado por Random Forest pode ser utilizado, por exemplo, na identificação de spans em meio a um grande número de e-mails. Com este algoritmo, será possível o reconhecimento de imagens com estilos específicos com um maior grau de eficiência. Conclusão Tais técnicas possuem a vantagem de serem robustas em dados ruidosos, garantindo um bom desempenho na análise de imagens. Uma comparação entre o desempenho das técnicas será realizada em trabalhos futuros com intuito de aplicar na classificação do estilo arquitetônico de imagens, O processamento de dados de acordo com as características que definem cada estilo será o próximo passo a ser realizado. Referências KOCH, W. Dicionário de estilos arquitetônicos. São Paulo, Martins Fontes, 1999.

X Encontro de Iniciação Científica do Centro Universitário Barão de Mauá

RUSSEL S., NORVIG, P. Inteligência Artificial – uma abordagem moderna. Editora Campus, 2004. ESTEVES, R.; LORENA, A. C.; DO NASCIMENTO, Marcelo Zanchetta. Aplicação

de técnicas Aprendizado de Máquina na Classificação de Imagens Mamográficas. (Disponível em: http://ic.ufabc.edu.br/II_SIC_UFABC/resumo/paper_5_150.pdf)