inteligência artificial aplicada na sc&l - thiago richter - palestra 2009 pt br

Inteligência ArtificialInteligência Artificialaplicada na aplicada na SC&LSC&L

Thiago RichterEESC-USP

Delphi Automotive Systems

Thiago Richter 3

ÍÍndicendice

� Introdução a Inteligência Artificial;

� Agentes Autônomos� RAST

� Sistemas Fuzzy� Produção de Saquê

� Redes Neurais Artificiais� Aproximador de Funções� Forecasting de Vendas� Classificadores� Clustering

� Algoritmos Genéticos� Planejamento de Produção

� Tetris� Seqüenciamento de Produção� Layout de Fábrica� Roteirizador

� Caixeiro Viajante

Sistemas InteligentesSistemas Inteligentes

Thiago Richter 5


� O que são?� Ferramentas computacionais que buscam simular mecanismos

inteligentes encontrados na natureza.

� Grandes áreas:� Agentes Autônomos;� Sistemas de Inferência Nebulosos (Fuzzy);� Redes Neurais Artificiais;� Computação Evolutiva.

Thiago Richter 6


� Potenciais Áreas de Aplicações:� Controle de Processos:

� Controle de Aeronaves (Rockwell).� Operação do Metro de Sendai (Hitashi).� Transmissão Automática (Nissan, Subaru, GM).� Space Shuttle Docking (NASA).� (...)

� Otimização e Planejamento:� Elevadores (Mitsubishi, Hitachi, Fujteck, Schindler).� Estimação de Mercado de Ações (Yamaichi).� Otimização de Sistemas de Potência (Scada). � (...)

� Análise de Sinais e Imagens:� Ajuste de Imagem de TV (Sony).� Autofocus Para Câmeras de Vídeo (Canon, JVC).� Estabilizador de Imagens de Vídeo (Panasonic).� Diagnóstico Baseados em Imagens (Siemens, INPE).� (...)

Agentes AutônomosAgentes Autônomos

Thiago Richter 8

Agentes Autônomos Agentes Autônomos -- DefiniDefiniççãoão

� O que é?� Entidade cognitiva, ativa e autônoma, ou seja:

� Possui um sistema interno de tomada de decisões,� Age sobre um mundo e sobre os outros agentes que o rodeiam e, por fim, � É capaz de funcionar sem necessitar de algo ou de alguém para o guiar (tem mecanismos próprios de percepção do exterior).

Thiago Richter 9

Agentes Autônomos Agentes Autônomos -- CaracterCaracteríísticassticas

� Devem ter bases de conhecimento.

� Devem ter mecanismos de raciocínio.

� Devem ser capazes de reconhecer situação em que devam se ativar, sem que o usuário perceba, ou seja, de forma transparente ao usuário.

Thiago Richter 10

Agentes Autônomos Agentes Autônomos -- CaracterCaracteríísticassticas

� Ilustração de Características

Ambiente

Agente

Autonomia

Mobilidade

Racionalidade

Reatividade

Orientado-a-objetivo

Aprendizado

Pró-atividade

Comunicação

Cooperação

Coordenação

Thiago Richter 11

Agentes AutônomosAgentes Autônomos

� Exemplo: � Exemplo 2:

Thiago Richter 12

Agentes Autônomos Agentes Autônomos -- DARTDART

� Ferramenta de análise e re-planejamento dinâmicosDynamic Analysis and Replanning Tool

� Projeto do DoD-DARPA (USA) para realizar o Planejamento Logístico Automatizado e a Programação de Execução do Transportedurante a crise do Golfo Pérsico em 1991.

� Envolveu até 50.000 veículos, transporte de carga aérea e de pessoal ao mesmo tempo, e teve de levar em conta os pontos de partida, destinos, rotas e resolução de conflitos entre todos os parâmetros.

Thiago Richter 13


� Características:� Agentes inteligentes para auxiliar sistemas de apoio à decisão;

� Automatizar processos de decisão;

� Possibilitar aos Planejadores (humanos) que analisassem rapidamente a viabilidade logística de planos de combates;

Thiago Richter 14


� Impactos:� Logo no lançamento, resolveu vários “pesadelos” logísticos;� Permitiram a geração em algumas horas de um plano que exigiria

semanas com outros métodos.� Esta única aplicação compensou com folga os 30 anos de

investimentos da DARPA em IA.

Sistemas NebulososSistemas Nebulosos

Thiago Richter 16

Sistemas Sistemas FuzzyFuzzy

� Como trabalham os computadores (normalmente)?� Sim ou Não?� Verdadeiro ou Falso?� 1 ou 0?� Bits?

� A Lógica usada pelos computadores é chamada de Lógica Clássica.� Pertence ou Não Pertence a alguma classe,� Verdadeiro ou Falso,� etc.

Thiago Richter 17


� Lógica Clássica, ou, Lógica de Aristóteles:

� A velocidade é considerada Alta entre 100 e 140Km/h.

� 110Km/h é considerado Alta velocidade?� E 99Km/h?

Thiago Richter 18


� Lógica Nebulosa ou Lógica Fuzzy:

� Sim, Não, Mais ou Menos,Extremamente, Não Muito, etc.

Thiago Richter 19


� Sistemas de Inferência Nebulosos = Sistemas Fuzzy.

� O que são:� Exploram as formas que o cérebro usa para o tratamento de

informações qualitativas e incertas;

� Suportam os modos de raciocínio que são aproximados;

� Capazes de tratar informações vagas, aproximadas, as quais são expressas por regras lingüísticas.

� Consistem em aproximar a decisão computacional da decisão humana.

Thiago Richter 20


Infere que

RegrasRegras

Regras

Regras Lingüísticas:-Mais Ou Menos Assado;

-Extremamente Assado;

-Não muito Assado

“Defuzzyficação” �

Thiago Richter 21

Sistemas Sistemas FuzzyFuzzy -- ProduProduçção de Saquêão de Saquê

� Problema:� Produto característico do Japão;� Tecnologia de produção milenar;� Produção em Larga Escala usando “mestres de saquê”;� Mão de Obra escassa.

� Solução Proposta:� Substituir o processo de produção empírico por um sistema Fuzzy

baseado na experiência e conhecimento dos mestres.

J. Koizumi, Y. Tsuchiya, K. Suenari e S. Nagai. “Fuzzy Control for Japanese Sake Fuzzy Decision Controller and Fuzzy Simulator for Japanese sake fermentation”.

Thiago Richter 22


Entradas:

Mudança de

Temperatura(kn )

+ +

Dias de

Fermentação

Thiago Richter 23


Regras:

Resultados:

“Deffuzyficação”:

- Aumentar ou Diminuir a Temperatura

- Finalizar o Processo

Redes Neurais ArtificiaisRedes Neurais Artificiais

Thiago Richter 25

Redes Neurais Artificiais (RNA)Redes Neurais Artificiais (RNA)

� O que são?� Modelos computacionais inspirados nos mecanismos de

aprendizagem do cérebro humano;� E que tentam emular a forma com que o cérebro resolve

problemas.

� Características:� Aprender através de exemplos;� Capacidade de se adaptar ou aprender;� Capacidade de generalização;� Agrupar ou organizar dados;� Tolerância à Falhas;� Auto-Organização.

Thiago Richter 29

RNA RNA –– InspiraInspiraçção Biolão Biolóógicagica

Representação do Neurônio Biológico

Representação do Neurônio Artificial

Thiago Richter 30

RNA RNA –– TopologiasTopologias

� Topologia em RNA significa a forma como se conectam os neurônios artificiais (e suas configurações).

� Existem inúmeras Topologias, cada tipo de problema tem uma topologia desenvolvida.

� Também são Inspiradas no Cérebro:� Memória;� Associação/Classificação;� “Feeling” /Previsão/Estimação;� Etc.

Thiago Richter 31

RNA RNA –– Exemplo de TopologiaExemplo de Topologia

� Topologia Perceptron Multicamadas

Thiago Richter 32

RNA RNA -- AproximadorAproximador de Funde Funççõesões

0 100 200 300 400 500 600 700 800 9000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

segundos

0 100 200 300 400 500 600 700 800 9000.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

seconds

Norm

aliz

ed L

am

bda v

alu

es

Entradas:

Saída Desejada:

Thiago Richter 33

RNA RNA -- AproximadorAproximador de Funde Funççõesões

Resultados:

100 200 300 400 500 600 700 8000

0.2

0.4

0.6

0.8

1

Seconds

Target

Reached

240 260 280 300 320 340 360 380 400 420 4400

0.2

0.4

0.6

0.8

1

Seconds

Target

Reached

480 482 484 486 488 490 492 494 496 498 5000.23

0.24

0.25

0.26

0.27

0.28Relative Mean Error (%): 0.20619

Seconds

Target

Reached

Thiago Richter 34

RNA RNA –– InspeInspeçção de Produão de Produççãoão

� Inspeção de Placas de Circuito Impresso (Classificador).

A. Castellar. “Sistema de Inspeção Visual Automática de Resistores de Montagem em Superfície”, III WVC, UNESP.

Fotografia

Verificar o

componente 3

Classificador Neural

Imagem 3

Resultado

Satisfatório!

Thiago Richter 35

RNA RNA -- ClusteringClustering

� Problema: Agrupar características (pontos) do gráfico em 3 grupos.

� As características podem ser de Clientes, Produtos, Processos, etc.

0 500 1000 1500 2000 25000

500

1000

1500

2000

2500

Thiago Richter 36

RNA RNA -- ClusteringClustering

� Problema: Agrupar características (pontos) do gráficoem 3 grupos.

� As características podem ser de Clientes, Produtos, Processos, etc.

0 500 1000 1500 2000 25000

500

1000

1500

2000

2500

Algoritmos GenAlgoritmos Genééticosticos

Thiago Richter 38

Algoritmos GenAlgoritmos Genééticos ticos -- AGAG

� O que é?� Modelos computacionais que tentam imitar a natureza evolutiva

das espécies (Teoria da Evolução das Espécies);

� Principal ramo da chamada Computação Evolutiva.

� Principal Aplicação:� Problemas de Otimização

� MAXimizar ou minimizar.

Thiago Richter 39

AG AG -- FuncionamentoFuncionamento

População atual

Reprodução

Avaliação

Seleção

População inicial População final

Thiago Richter 41


� Avaliação: Determinação do grau de aptidão do indivíduo;

� Seleção: Mais aptos para representar a solução do problema;

� Reprodução: Cruza-se os indivíduos (normalmente os mais aptos) para gerar nova população, pode ser sexuado ou assexuado;

� Mutação: Modifica-se aleatoriamente alguns indivíduos;

� Predação: Introduz algum “vírus”, “predador” ou, simplesmente, “fuzila”uma parcela da população.

População atual

Reprodução,Mutação e

Predação.

Avaliação

Seleção

População inicial População final

Thiago Richter 43


� Reprodução:

Thiago Richter 44

AG AG -- ExemploExemplo

População inicial: População final:

Evolução da População:

Benefícios:

Maior possibilidade de encontrar os máximos ou mínimos Globais!

Busca é paralela, vários indivíduos!

Thiago Richter 45

AG AG -- RoteirizadorRoteirizador

� Problema do Caixeiro Viajante:� Caixeiro tem que passar por todas as cidades, na menor distância

e sem repetir as cidades.

Início:

Thiago Richter 46




Durante evolução:

Thiago Richter 47




Final, evoluído:

Thiago Richter 48

AGAG

Thiago Richter 49

AG AG –– TruckTruck LoadLoad

� Objetivo: Utilizar ao Máximo o espaço do Caminhão;

� Aplicável em outros problemas: Packing, Corte de Chapas, Estamparia, etc.

Evolução

População Evoluída

Thiago Richter 50

Algoritmos GenAlgoritmos Genééticosticos

� Planejamento de Produção� Job Shop

Sistemas HSistemas Hííbridosbridos

Thiago Richter 52

Sist. HSist. Hííbridos bridos -- ForecastingForecasting

Thiago Richter 53

� Coletores de Dados em Armazéns são bons para um WMS?� E em Frigoríficos?� Utiliza Fuzzy e RNA (topologia FAN – Free Associative Neurons).

Sist. HSist. Hííbridosbridos

M. B. de Paula. “Reconhecimento de Palavras Faladas usandoRedes Neurais Artificiais”, UFPEL.

Trechos

da Fala

Palavras Treinadas:

Classificador

NeuralTrecho

Classificado

Esquerda

-- Reconhecimento de VozReconhecimento de Voz

DDúúvidas? Sugestões?vidas? Sugestões?

Obrigado!Obrigado!

Thiago Richter

[email protected]

inteligência artificial aplicada na sc&l - thiago richter - palestra 2009 pt br

Documents