eugénio oliveira - lab. inteligência artificial e ciências da computação e feup [email protected]...

Eugénio Oliveira - Lab. Inteligência Artificial e Ciências da Computação e FEUP

[email protected]:www.fe.up.pt/~eol/MEMBERS/eco.html

Inteligência Artificial:

Uma perspectiva heterodoxaUma perspectiva heterodoxa

Eugénio Oliveira


O que é a Inteligência ArtificialO que é a Inteligência Artificial

ÍNDICE DA APRESENTAÇÃOÍNDICE DA APRESENTAÇÃO

Afirmação e Pragmatismo

Explorações perigosasExplorações perigosas

Ousadias aceites

Doença Infantil e Romantismo


Sistemas que “pensam”como os Humanos

Sistemas que “pensam” Racionalmente

Sistemas que agemcomo os Humanos

Sistemas que agem Racionalmente

Inteligência Artificial


INTELIGÊNCIA ARTIFICIAL:

Como tornar Sistemas Computacionais mais “inteligentes” e mais úteis usando a racionalidade?

“SE existem processos simbólicos identificáveis na base do raciocínio

ENTÃO tais processos podem ser estudados e simulados, sendo o Hardware - pessoa ou computador- um DETALHE de Implementação...”


1956 : O Início

Anos 60: Sistemas Genéricos (GPS, LN)

Anos 70-80: Sistemas Específicos (SP)

Anos 80: Paralelismo, Formalismos, Integração (RN,Ag)

Anos 90: Sociedades Sistemas Autónomos

Anos 2000: “Psicologia” e “Inteligência”


RN

Repr. Conh. Mét.Resol.Prob.

Arquitecturas “mentalistas” e “emocionais”

IA

Conh.Simb Inf.

Sub-Simb

Aquis. Conh.


Anos 60-70: O Romantismo

GPS

Comprensão da Linguagem Natural

InterfacesTradução AutomáticaCriação de Texto


Racionalidade das Linguagens Naturais


JAVA

PROLOG

LISP


Análise Lexical e MorfológicaAnálise Sintática

Análise SemânticaAnálise da Pragmática

Qual é a Universidade a que pertencem os alunos que assistem à palestra ?

E em que cidade fica?

Qual é a palestra a que pertencem os alunos que assistem à Universidade ?Erro Semântico

Quantos são as jogos do europeu de futebol?Erro de concordância

Linguagem Natural Computacional


Sistemas Periciais (“Expert Systems”)Conhecimento e Dedução

Memória Associativa operacionalização baseada em regras

Anos 70-80: O Pragmatismo

Incerteza e Incompletitude Probabilidades Objectivas e Probabilidades Subjectivas Lógicas Difusas

Aplicações: Diagnóstico Médico


Exemplo de Regra na Base de Conhecimento:

SE o grupo predominante regular existe e é tipo AE frequência cardíaca maior que 100E grupo predominante de ondas p homogéneas existeE polaridade da onda p na derivação avr é negativaOU polaridade da onda p na derivação d2 é positivaE a razão entre as ondas p e r é 1:1E a linha de base existeENTÃO diagnóstico é taquicardia sinusal ou auricular

Conjuntos Difusos Raciocínio impreciso

Muito alta

FC=0.8


Arquitectura de Sistema Pericial

Base de Conhecimentos

Factos

MetaConhecimento

Aquisição doConhecimento

Motôr de Inferência

Raciocínio Incerto

Explicações

Interface Utilizador / Especialista


Conhecimento Vs Ilusão

Inte

ligên

cia e

Con

hecim

ento

à p

riori

Leis da perspectiva


Redes Neuronais ComputacionaisAprendizagem Vs Adaptação

Indução e Reforço

Lógicas e FormalismosModaisNão Monótona

Anos 80: Paralelismo, Formalismos, Integração


Algoritmos das Redes Neuronais Artificiais permitem através da Aprendizagem das conexões entre nodos ganhar capacidade Adaptativa e de Generalização

O Cérebro Humano é composto por cerca de 1011 Neurónios.

O Cérebro aprende e opera em modo massivamente paralelo grandes quantidades de informação.

Processa informação incompleta, incerta e com “ruído” ..

Redes Neuronais


As Técnicas Conexionistas são prometedoras na resolução de problemas para os quais as aproximações algorítmicas tradicionais se revelam ineficazes e inoperantes.

Por exemplo:

• Reconhecimento de Formas• Classificação e tratamento do sinal• Comando reactivo de Robôs• Previsões baseados na análise de um historial

O resultado da aproximação Conexionista pode ser vista como a Aprendizagem de um processo de classificação de uma população de casos existentes.


Tentativa da sua modelação:

Neurónio formal


ei =

j=1

nwji *sj si = 1

1+exp(-ei ) ou si = 12

*arctg(ei)

Outras funções utilizadas são: função degrau, rampa, ...


APRENDIZAGEM SUPERVISIONADA

A Rede produz a sua própria resposta a uma configuração que lhe é apresentada à entrada, após o que o supervisor apresenta a resposta correcta.


PrevisõesReconhecimentosControlo robótico

nº ligações independentes < nº saídas*nº exemplos aprendizagem


APRENDIZAGEM POR REFORÇO (por Recompensa)

São atribuídas recompensas/punições de acordo com o facto de a saída ser apropriada ou não

“Aprendizagem com um crítico”


Algoritmos para a Evolução

(Evolutionary Programming)


Computação Evolucionária (Friedberg, 1958 ; JHolland, 1975):• Quando?

• Espaço de Pesquisa grande e complexo• Facilidade de implementação paralela• Não necessidade de solução óptima (mas boa)

• Exemplo: optimizar uma função f(x1,…,x100) sendo f muito complexa.se xi=0 ou xi=1, Espaço de pesquisa 2100 ~=1030

Pesquisa exaustiva fora de questão

Computação Evolucionária:• Porquê?

A Natureza permite a Evolução bem sucedida de organismos através de selecção e reprodução com alguma mutação

“O que é bom para a Natureza

é bom

para os Sist

emas Arti

ficiais”


Diagrama do Algoritmo para Evolução

População Inicial

Selecção

Emparelhamento

Cruzamento

Mutação

SIM

NãoFIM?


Questões:

Como representar os Indivíduos?Como Seleccionar os Indivíduos?Qual a Função de Adaptação?Como se reproduzem os Indivíduos?


ex: Treinar o disparo controlado por um AG sobre um alvo móvel.

Depende de variáveis como vento, velocidade do alvo, distância, tipo de arma....

Função de Adaptação: a distância a que o projéctil ficou do alvo

É um exemplo de problema em que os AGs são bem aplicados


Como representar os Indivíduos?Indivíduos representados como cadeias de caracteres (strings) sobre um alfabeto.

Indivíduos são representados pelos Genomas ou Cromossomas.

•Nº de Genes depende do Nº de Atributos a representar

•Se a Representação dos indivíduos é binária temos Algoritmos Genéticos

•A={0,1} 0 e 1 são os “alelos”


Qual a Função de Adaptação

Como se reproduzem os Indivíduos/Cromossomas? por Cruzamento e Mutação


0 1 0


• Exemplo:

Probabilidade de selecção

População inicial gerada aleatoriamente


Como operam os Algoritmos Genéticos?

Exemplo de problema:

Max f(x1, x2) = 21.5 + x1sin(4πx1) + x2sin(20πx2)

Onde – 3.0 ≤ x1 ≤ 12.1 and 4.1 ≤ x2 ≤ 5.8.

Valor da função


Anos 90: Distribuição e Sociedades

Durkheim Vs Turing

Conectividade


INTELIGÊNCIA ARTIFICIAL DISTRIBUÍDA:

•Estudo das “leis sociais” e implementação de Sistemas Multi-Agente Cooperantes, que permitam a resolução de problemascomplexos e Distribuídos (espaço , competências,...)


SISTEMAS PERICIAIS COOPERATIVOS:

GESTÃO DE REDES ELÉCTRICASINTEGRAÇÃO DE INFORMAÇÃO EM HOSPITAISSIMULAÇÃO DAS ORGANIZAÇÕES NO MERCAD0

YES

No

What?

Why?

Aplicação real

Aplicação real


Objetivolocal

SistemaEspecífico

Objetivolocal

SistemaEspecífico

Objetivolocal

SistemaEspecífico

Objetivolocal

SistemaEspecífico

Objetivo Global

CooperaçãoCooperação Cooperação

Aplicação: Monitorar e gerir grandes Redes EléctricasComo evitar o APAGÃO?

New Agent’s Architecture:AAM+SM+BB

Book “ARCHON…”Ed. Thies Wittig Ellis Horwood, 1992

ARCHON System

1 Architecture for Cooperative Agents:


Multiplos Agentes com Especialidades diversas Suporte da Decisão e Manutenção da Coerência Global/local

Airport Location?


Mercado Electrónico como SMA

agente C1

agente C2

agente V2

agente V1

agenteV3

agente V4

Mercado

Tácticas dependentes do Tempo

Linear

0

1

Time

Utility

Greedy

0

1

Time

Utility

Anxious

0

1

Time

Utility

Tácticas dependentes da situaçãoDependendo de factores em tempo de execução: Nº de oponentes…

Tácticas dependentes do ComportamentoDependendo do Comportamento dos oponentes


Lançamento de Agentes no ME (B2C)

Finanç.Legais

MAgt

EAgt

EAgt

EAgtContratos

EAgt

1. Negociação Automática em B2B Instituição Electrónica

Normas Regras

Ligações

instituições

dissolução E.V.

Q-Negociação

formação E.V.

Monitoração

operação E.V.

Ana Paula Rocha, Eugénio Oliveira


FacilitatorMachinery

Garage

Facilitator

Workers

Personnel

EdificationGarageStorehousePlanningPersonnelInterconnecting network

Edification

Machinery

Workers

Supervisors

Chief

Facilitator

FacilitatorExperts

Planning

Stocks managerFacilitator

Storehouse


Inter-coalitions protocol

Announcer A B C

90 for 50

The winner !!!

D

I need100 I can do 90

for 50

I can do 30for 20

I can do70 for 40

I can do50 for 30

30 for 20 70 for 40 50 for 30

Need 100

Coalition formation

Four useful coalitions: - C & D (cost=70) - B & C (cost=60) - A & C (cost=90) - A & D (cost=80)

Coalition team & best offer announcing to coordinators

Task announcing

Intra-coalition negotiation

Quit Leading50 55

New best offer announcing to coordinators

Leading

Quit

45

Leading


Agents activity cost calculation

Five components: Owning cost Operation cost Operator cost Displacement (if necessary) Profits

Fixed costs

OwningOperatorOperation Profits

OptimumAbsolute minimum

Movement

Negotiation margin

Zero loose

Variable costs

Fixed costs

D8R

Operation20%

Operator18%

Profits13%

Ow ning49%

Variablecosts


FC Portugal project

Simulation League:World Champions in 2000, Australia

Luis Paulo Reis, Nuno Lau


AGENTESAgentes que usam funções de utilidade são mais racionais

CARACTERÍSTICAS dos AGENTES (BDI)AutonomiaPró-actividadePersistênciaMobilidadeIntencionalidadeCrenças-Desejos-Intenções


ARQUITECTURA DE AGENTES BDI


Conceitos baseados em Emoções tem papeis diversos nos Sistemas Computacionais:

Reconhecimento da Emoção Humana poderá um C vir a reconhecer emoções melhor que os H?

Expressão de comportamentos semelhantes aos emotivos Personagens sintéticas; Robôs

Modelação e Simulação do Comportamento Humano Efeitos computacionais semelhantes a comportamentos Humanos


surpreso

calmo

iradotriste

felizKismet - MIT


- Damásio : O Erro de Descartes

- Daniel Goleman : Inteligência Emocional: Porquê pode ser mais importante que o QI?

- Rosalind Picard : Affective Computing

Damásio baseado em dois exemplos: Phileas Gage (1884) e Elliot (seu paciente): Acidentes na zona do lobo frontal esquerdo

Alteração de personalidade e perda de certas emoções

P1- Destruição no lobo frontal esquerdo altera capacidades emocionaisP2- Destruição no lobo frontal esquerdo altera inteligênciaC- Emoções são necessárias à Inteligência

Mas C não se conclui de P1 e P2!!

Damásio??


Mecanismo M pode ser condição necessária para A e B mas não mostra que A e B são necessárias uma à outra.

P’1- Bateria descarregada impede funcionamento da BuzinaP’2- Bateria desligada impede arranque do carroC’- Buzina a funcionar é essencial ao arranque do carro

Mas se C não ressalta de P1 e P2 não significa que CNão seja verdadeira. Pode ser!


A arquitectura para o pensamento humano segundo A.Sloman

Complexidade do raciocínio podetorná-lo perigosamente lento.Alarmes

Muitas emoções podem estar baseadas no sistema de alarmes

Alguns estados emocionais são úteis para a decisão quando falta informação ou o processamento fica lento

Esqueleto-Agente

Camada Controlo-básico

Camada Deliberativa

SobreviverGerar ObjControlo acçãopercepção

MonitorarPlanearPrevêrGerar ObjAvaliar d.Avaliar riscos

ConstruçãoAgenteComunicações

PlaneamentoPrevisãoRaciocínio topológicoTeste de Crenças

“Deliberadores”

Memória de Execução

Gestor de Objectivos:Obj. Específicos;PrioridadesRecursos (tempo cpu)Ciclo de execução

PerceptoresFormar Crenças das percepções

Memória de Trabalho:PlanosPrevisõesRev. Crenças

Estado Emocional

Auto-confiança

Ansiedade

Medo Gestor de Acções

Estado Agente:Dados percepção

Comandos deAcções:Motoras...

t

EA

i

t

EA

i

t

EA

i


emiEEF(g(t)i, [G(t)], [E(t)], [I(t)]) EAi(t, i, Pinput,Td)

t

emi(t1)

emi(t2)

EAi(t)

A estrutura Emocional básica:Conexão EEV-Função de Avaliação Emocional – Acumulador EmocionalResultados de EEF são inputs para a evolução temporal do AE que tem uma ctede decaimento variável

Para um Objetivo de [G(t)], existe uma EEF, capaz de produzir uma mudança [Em],no Estado Emocional do Agente [Em]:

[Em] = EEF(g i(t), [G(t)], [E(t)], [I(t)])


Esforço Computacional

Influência da Informação Emocional

ProcessamentoMotivado

ProcessamentoSubstantivo

AcessoDirecto

ProcessamentoHeurístico

Estratégias de Processamento

Baseado em Regras

Dirigido porObjectivos

Sem objectivos definidosPouca informaçãoSituações novas

AprenderJulgar...


Modelo da interacção dos conceitos relacionados com as Estratégias de Processamento de Informação:

• Emoção como Informação• Controlo dos Processos• Atribuição de Recursos

A([G(t)])

[Rj(t)]

[Rl(t)]

[R(t)]

[C(t)] Pl1 Pl2 ECl

[Emi(t)] : Acumuladores Emocionais

1 1

2

2

3

[Emi(t)] : Acumuladores Emocionais

Pk1 ECk

1

2

3

E como Controlo de Processos

E como Informação

E na Atribuição de Recursos3

2

1


• 3 Mecanismos Emocionais• “Medo”

• Perigos Imediatos (fogo, temperatura)

• Objectivo Fundamental em Risco

• “Ansiedade”• Perigos e dificuldades

futuras (preparação...)• Episódios sucessivos de

“Medo” (má adaptação...)

• “Auto-Confiança”• Sucesso nos Objectivos

de Alto nível


• Objectivo Fundamental em Risco• Concentrar o máximo de recursos na execução desse objetivo

e dos objectivos dependentes• aumentar atenção sobre as proximidades• cautelosa/pessimista Atitude (distâncias/cálculo de

riscos/limites)• Não desperdiçar tempo de processamento com coisas menos

urgentes (analisar/prever desenvolvimentos distantes)• Não implica “Reactividade” (ex: fugir!)

Medo


Medo“Fear” Emotional

AccumulatorTemperature

PerceptorClose Range Fire

Perceptor

Medium Range Fire Perceptor

PainPerceptor

BCA Proprio- Perception

Vision MapsOther Agent


Ansiedade

• Eventual dificuldade futura• Ex.: frente de fogo ampla embora localmente não haja perigo

imediato• aumentar atenção sobre as proximidades mas também tentar

acompanhar desenvolvimentos mais distantes• Atitude cautelosa• Grande gasto de CPU

• grande produção de Crenças para a eventual tomada de decisão (alteração estratégica local ou global)

• planeamentos mais cuidado• calculo de progressões frequente


•Auto-Confiança

• Sucesso nos objectivos de alto nível• “Relaxar” o processamento e condições em torno dos

objectivos imediatos • Direccionar CPU para actividades menos urgentes mas

possivelmente úteis • Atitude mais positiva/arriscada (descobrir novas

oportunidades – adaptação) (Combate ao fogo próximo)• No caso de Insucesso (decréscimo de AC)

• Motivar uma alteração de estratégias (reposicionamento ou mesmo desistência)


SMA para controlo de tráfego adaptativo


Processo de troca de conselhos

Aconselhado

Conselheiro

Ambiente1. Observa Estado

4. Conselho

5. Acção aconselhada

6. Integração

7. Decisão e acção

2. Pedir Conselho ?ScA * PA < PO or ConfusedAbout(State)

3.A Quem?TA,Ar * PAr(S) > TA,O * PO(S)

Conceitos:Auto-confiançaDesempenho“Trust”EstadoActores:AconselhadoConselheiroOutros Agentes


A queda dos MITOS aconselha prudência

As REALIZAÇÕES indiciam optimismo

Os OBJETIVOS tendenciais imitativos revelam atrazo

Os MEIOS são pré-históricos

O Desenvolvimento é exponêncial

CONCLUSÕES ?


A Vingança... … do Futuro ?

eugénio oliveira - lab. inteligência artificial e ciências da computação e feup [email protected]...

Documents