inteligência artificial para jogos - cbr e sistemas especialistas

Inteligência Artificial para Jogos

CBR e Sistemas Especialistas

GT-JEDI – Jogos DigitaisInteligência Artificial para Jogos

UNISINOS

Prof. MSc. João Ricardo Bittencourt

Update: 13 Set. [email protected]

Agradeço e dedico estasaulas ao Prof. Osório

“Tome a pílulavermelha”

http://creativecommons.org/licenses/by-nc-sa/2.5/br/

UNISINOS - João Ricardo Bittencourt

Sumário Inteligência Artificial Simbólica CBR (Case based reasoning) Sistemas inteligentes

Predicados lógicos Sistemas especialistas Fatores de certeza


IA Simbólica Aplicação de regras explícitas sob um conjunto

de símbolos Símbolo é um signo (marca,sinal) que

referencia um objeto/conceito Ênfase em representar os conceitos ao invés de

enfocar a aprendizagem Os símbolos são a essência de um sistema

cognitivo


IA Simbólica Como representar estes símbolos

(conhecimentos)? Como manipulá-los? Analogia – Case Based Reasoning Inferência – Sistemas baseados em regras Incerteza/possibilidade – certainty factor,

lógica difusa Probabilidade – redes bayesianas Linguagens – paradigma lógico – PROLOG Representação de alto nível conhecimento

• Senso comum, redes semânticas, ontologia


CBR Princípios básicos

“Problemas similiares tem soluções similares” “Problemas tem a tendência de se repetirem” “Aprendizado através das experiências

práticas” Raciocínio baseado em casos

Modelo cognitivo humano Novos problemas são resolvidos pela

adaptação das soluções dos problemas passados


CBR Para cada caso:

Conjunto de atributos• Quantitativos e qualitativos

Solução• Série de passos para resolver o problema

Adicional• Informações extras – sites, imagens,

vídeos, comentários, ...


CBR


CBR Atributos numéricos (quantitativos)

Similaridade euclidiana• (C1A1A2, C2A1A2) = SQRT ( SQR(C2A1 - C1A1) + SQR(C2A2 - C1A2) )

Similaridade normalizada• (C1A1, C2A1) = 1 - | C2A1 - C1A | / ( ValMax - ValMin)

Similaridade ponderada• Peso_A1 * Distância (C1A1, C2A1) + Peso_A2 * Distância (C1A2,C2A2)


CBR Atributos textuais (qualitativos)

Similaridade binária Similaridade da ordem pré-definida Similaridade usando tabela de relações Similaridade entre textos


Predicados lógicos Coleção de fatos + coleção de regras Prolog é o principal exemplo de uso de predicados

lógicos Baixem o SWI-Prolog. Programa gratuito

http://www.swi-prolog.org/ Podem ser feitas várias inferências sobre a base de

fatos Exemplos familia.pl e familia2.pl

http://www.inf.furb.br/~jomi/logica/exercicios/familia/index.html


Sistemas Especialistas Programa desenvolvido para resolver problemas

considerando o conhecimento de um especialista Um sistema especialista é formado por:

Base de conhecimentos – regras sobre o domínio

Memória de trabalho – os fatos coletados sobre o problema em questão

Máquina de inferência – combinar fatos e regras para chegar à conclusões sobre o problema


Sistemas Especialistas Exemplos de sistemas especialistas

DENDRAL• Desenvolvido em Stanford na década de 60• Resolver problemas de química orgânica

MYCIN• Desenvolvido em Stanford na década de 70

PROSPECTOR• Desenvolvido pela SRI International na

década de 70• Prospecção mineral


Sistemas Especialistas Elicitação do conhecimento

Entrevistas com o especialista Representação para um determinado formato

Em geral utiliza-se sistemas baseados em regras Rule Based System (RBS)

Criação da base de conhecimento Fatos (pressupostos) + regras


Sistemas Especialistas Regras do tipo IF..THEN

//DeduçãoIF <assertion> is True THEN

<new_assertion>

//ReaçãoIF <assertion> is True THEN

<conjunto de ações>


Sistemas Especialistas IF antecedente THEN consequente

Se todos antecedentes (IF ...) são verdadeiros, então a regra é ativada

... e os consequentes são consideradas novas suposições

... e poderão ativar novas regras!


Fatores de certeza Atribuir um valor de confiança para as regras e

fatos Os valores variam de -1 à +1

-1 indica que algo é totalmente falso +1 é totalmente verdadeiro 0 representa a dúvida

Não trata-se necessariamente de probabilidade, mas de quanto que o especialista confia na regra/fato


Fatores de certezaFatosA CF=0.8C CF=0.9D CF=0.7E CF=0.5

RegrasR1: IF A THEN B CF=1.0R2: IF C and D and E THEN B CF=0.6

A

C

D

E

0.8

0.9

0.7

0.5

R1

R2

1.0

0.6 B




A

C

D

E

0.8

0.9

0.7

0.5

R1

R2

1.0

0.6 B

Pegar o menor CF dos antecedentes das regras




A

C

D

E

0.8

0.9

0.7

0.5

R1

R2

1.0

0.6 B

Multiplicar pelo CF dasregrasPara R1:

0.8 x 1.0 = 0.8Para R2:

0.5 x 0.6 = 0.3




A

C

D

E

0.8

0.9

0.7

0.5

R1

R2

1.0

0.6 B

Combinando as duas regras (R1 e R2 positivos)

0.8 + 0.3 x (1-0.8) = 0.86

0.3 + 0.8 x (1-0.3) = 0.86

0.86


Fatores de certeza Combinando Cfs Novo CF (CFN) dado CF1 e CF2

Se CF1 e CF2 são positivos• CFN = CF1 + CF2 * (1-CF1)

Se CF1 e CF2 são negativos• CFN = CF1 + CF2 * (1+CF1)

Se CF1 e CF2 tem sinais opostos• CFN = (CF1 + CF2)/(1-Min(|CF1|,|CF2|))

inteligência artificial para jogos - cbr e sistemas especialistas

Documents