inteligência artificial -...

Inteligência Artificial

Inteligência Artificial – Faculdade de Ciencias 4º ano 1


Apresentar os conceitos básicos e fundamentais da AI; Estudar e compreender seus métodos, técnicas e aplicações; Pesquisar e utilizar software, ferramentas e outros recursos da IA; Capacitar para a realização de futuros estudos em maior profundidade em áreas específicas da IA

Objetivos



Estudo dos conceitos, modelos,

métodos, técnicas e aplicações da

Inteligência Artificial.

Ementa N



Introdução e Conceitos Básicos.

Agentes Inteligentes e Sistemas Multiagentes.

Estratégias de Pesquisa em Espaços de Estados.

Representação e Raciocínio.

Elaboração de Planos.

Modelos Conexionistas.

Sistemas Subsimbólicos.

Complexidade, Caos e Auto-organização.

Aprendizado de Máquina.

Comunicação, Percepção e Ação.

Aplicações Avançadas

Programa Inteligência Artificial


BITTENCOURT, Guilherme: Inteligência Artificial –

Ferramentas e Teorias. Editora da UFSC. 2ª. Edição.

Florianópolis, 2001. 362p. RICH, Elaine; KNIGHT, Kevin: Inteligência Artificial. Makron

Books. 2ª. Edição. São Paulo, 1994. 722p.

RUSSELL, Stuart; NORVIG, Peter: Articial Intelligence.

Prentice-Hall. New Jersey, 2003. (2a. edição) 1080p. RUSSEL, Stuart; NORVIG, Peter: Inteligência Artificial.

Campus, São Paulo, 2004. 1040p. WINSTON, Patrick Henry: Artificial Intelligence. 3rd. Edition.

Addison-Wesley. Reading, 1992. 735p. Articial Intelligence - A Modern Approach, P. Norvig, S.

Russell,

2Ed., 2002.

Bibliografia



A disciplina está organizada em 12 módulos, cada um abordando um aspecto da IA, com seus

próprios objetivos, conteúdos, recursos, metas de pesquisa, exercícios e tarefas para

entregar em datas pré-definidas ;

· Além disso há um Trabalho Final, que deve ser desenvolvido e implementado ao longo de todo

semestre.

· O Trabalho Final será avaliado em três momentos: O projeto, o protótipo e o relatório final ou

artigo

· Como qualquer cadeira ministrada neste curso, a disciplina exige elevado grau de autonomia

e iniciativa por parte dos alunos, que controlam em grande parte a própria aprendizagem. A

avaliação é formativa e a abordagem pedagógica é construtivista, centrada no aluno.


Introdução e Conceitos Básicos

Módulo 1


1. Introdução e Conceitos Básicos


Objetivos do Módulo

Leituras Recomendadas

Estudo Complementar

Exercícios e Tarefas

Módulo 1

http://ia.ucpel.tche.br/~lpalazzo/Aulas/IA/m01/m01.htm







Situar a Inteligência Artificial (IA) como ciência em função de seus

conceitos e objetivos essenciais.

Estudar as diferentes abordagens adotadas na IA e o seu

relacionamento com outras ciências, como filosofia, psicologia,

linguística, etc.

Relatar aspectos do desenvolvimento da IA ao longo do tempo e

estabelecer o estado da arte vigente no momento atual.

Objetivos do Módulo


• O que é a IA? • Perspectiva histórica • Estado da arte • 4 perspectivas diferentes sobre o que é a IA:


O que é a IA?



Definição

• Nossa espécie é denominada como Homo sapiens – homem sábio – isso porque nossa capacidade mental é muito importante para nós.

• Há milhares de anos procura-se entender como pensamos.

• A IA vai mais além: ela tenta não apenas compreender, mas também construir entidades inteligentes.



Inteligência Artificial (IA) é um ramo da Ciência da Computação que reúne uma

extensa gama de disciplinas relacionadas com a reprodução, em sistemas

artificiais, do pensamento e das características normalmente associadas à

inteligência humana. O escopo da IA é portanto muito amplo e abrange desde

estudos epistemológicos e filosóficos até a robótica e sistemas adaptativos,

passando por modelos formais de raciocínio, redes neurais artificiais, teoria do

caos, algoritmos genéticos e assim por diante.

No presente módulo aborda-se o estudo da IA em abrangência, visando oferecer

ao estudante uma visão panorâmica da área , suas aplicações e potencialidades.




• Russell & Norvig (1995)

• Sistemas que pensam como humanos

• Sistemas que agem como humanos

• Sistemas que pensam racionalmente

• Sistemas que agem racionalmente


“Inteligência Artificial (IA) é a área da ciência da computação orientada ao

entendimento, construção e validação de sistemas inteligentes, isto é, que

exibem, de alguma forma, características associadas ao que chamamos

inteligência”.

(Rich & Knight, 1994)





Actuar como os humanos: o teste de Turing

• Turing (1950) "Computing machinery and intelligence": • “As máquinas podem pensar?" “As máquinas podem ter um comportamento inteligente?“ • Previsão de que no ano 2030 uma máquina teria 80% de hipóteses de simular comportamento humano • Dominou desenvolvimento da IA nos 50 anos seguintes • Introdução das componentes principais da IA: conhecimento, raciocínio, comunicação, aprendizagem



• Filosofia (428 a.C.)

• Matemática (800)

• Economia (1776)

• Neurociência (1861)

• Psicologia (1879)

• Engenharia da Computação (1940)

• Linguística (1957)

Fundamentos da IA



Filosofia

• Como a mente (intelecto) se desenvolve a partir de um cérebro físico?

• De onde vem o conhecimento?

• Como o conhecimento conduz a ação?

Aristóteles (385 – 322 a.C.)



Matemática

• Quais são as regras formais para obter conclusões válidas?

• O que pode ser computado?

• Como raciocinamos com informações incorretas?

George Boole (1815 – 1864)



Economia

• Adam Smith trata a economia como ciência.

• A economia estuda como pessoas fazem escolhas que levam a resultados preferenciais.



Neurociência

• Estudo do sistema nervoso em particular o cérebro.

• O cérebro está envolvido com o pensamento.

• Ainda uma batalha para cientistas da área.



Psicologia

• Visão do cérebro como um dispositivo de processamento de informações , que envolve uma certa forma de inferência lógica inconsciente.



Engenharia de computadores

• Como podemos construir um computador eficiente?

• O software da ciência da computação contribuiu e contribui com SO, linguagens de programação e ferramentas.



Linguística

• Como a linguagem se relaciona com o pensamento? ▫ Representação do conhecimento.



• Filosofia --> Lógica, raciocínio, mente como sistema físico, fundamentos de aprendizagem, linguagem, racionalidade • Matemática - -> Representação formal e algoritmos, provas, computação, probabilidade • Economia --> utilidade, investigação operacional • Neurologia --> componente física da actividade mental • Psicologia --> fenómeno da percepção e do controlo motor, técnicas experimentais • Engenharia de computadores --> computadores eficientes • Linguística --> representação , gramática



• 1943 McCulloch & Pitts: modelo do cérebro usando um circuito Booleano • 1950 Artigo Turing "Computing Machinery and Intelligence" • 1956 Encontro de Dartmouth: nome “Inteligência Artificial" • 1950s Primeiros sistemas da IA, incluindo jogo de xadrez de Samuel, Demonstrador de Teoremas Lógicos, de Newell & Simon, Engenho de Geometria de Gelernter • 1965 Algoritmo completo para raciocínio lógico de Robinson • 1966-73 IA descobre complexidade computacional • 1969-79 Início do desenvolvimento de sistemas baseados em conhecimento • 1980- IA como indústria • 1987- IA como ciência • 1995- Agentes inteligentes

História da IA



Estado da arte • Deep Blue venceu campeão mundial de xadrez Garry Kasparov em 1997 • Prova de uma conjectura matemática (conjectura de Robbins) que ficou por resolver durante décadas • Piloto automático em 98% do tempo entre Pittsburgh e San Diego (4000km) • Durante a guerra do golfo de 1991, as forças americanas desenvolveram um programa de planeamento e escalonamento envolvendo 50,000 veículos, carga e pessoas • Planeador autónomo a bordo de uma nave espacial da NASA controla o escalonamento das operações • Proverb resolve palavras cruzadas melhor do que a maioria dos humanos



Pensar racionalmente: “leis do pensamento“ • Aristóteles: quais são os argumentos correctos / processos do pensamento? • Escolas Gregas desenvolveram várias formas de lógica: notação e regras de derivação para o pensamento; • Relação entre matemática e filosofia e a IA moderna • Problemas: 1. Nem todo o comportamento inteligente resulta de uma deliberação lógica 2. Qual é o objectivo do pensamento? Que pensamentos devo ter?



Pensar Racionalmente

• A abordagem das Leis do Pensamento.

• Origem: os silogismos de Aristóteles.

• Conexão direta da matemática e da filosofia com a IA moderna.

• Obstáculos:

• não é fácil representar o conhecimento informal

• Há uma grande diferença entre resolver um problema em “princípio ” e resolvê-lo na prática.



Pensar como os humanos: modelação do conhecimento

• “Revolução do conhecimento” em 1960 com a Psicologia e a Neurologia • Necessidade de uma formulação científica sobre a actividade do cérebro • Processo de validação? 1) Estimativa e teste do comportamento humano (abordagem topo-base/top-down) ou 2) Identificação directa de dados neurológicos (abordagem base-topo/bottom-up)



Pensar como Humano

• A abordagem da Modelagem Cognitiva

• Como os seres humanos pensam?

• A Ciência Cognitiva é hoje uma área paralela, que inspira a IA e é inspirada por ela.



• Como podemos dizer que um programa pensa como um ser humano?

▫ A ciência cognitiva se baseia na investigação experimental de seres humanos ou animais.

▫ O caso é que temos acesso apenas a computadores para realizar experimentação.


Pensar como Humano


Agir como Humano

• A abordagem do Teste de Turing

• O computador passará no teste se um interrogador humano, depois de propor algumas perguntas por escrito, não conseguir descobrir se as respostas escritas vêm de uma pessoa ou não.



Agir como Humano



• Antecipou todas as grandes questões da IA:

• Processamento da Linguagem Natural: para permitir que ele se comunique com sucesso em um idioma natural.

• Representação de Conhecimento: para armazenar o que sabe e ouve.

• Automação do Raciocínio: armazenar respostas e perguntas e tirar novas conclusões.

• Aprendizado de Máquina: adaptação.

Dessa forma o computador precisaria ter todas as capacidades acima.


Agir como Humano


Pensar como os humanos Pensar racionalmente

Actuar como os humanos Actuar racionalmente

A nossa perspectiva é “actuar racionalmente”



Faça um resumo de no máximo DUAS páginas das leituras realizadas, destacando os pontos que você considerou de maior importância e interesse para o seu aprendizado e as dúvidas ou questões que possam ter surgido dessas leituras.

Tarefa 1:




Agentes Inteligentes

Modulo 2



Agentes Inteligentes Objetivos do Módulo Estudo Complementar Exercícios e Tarefas




Modulo 2

http://bp2.blogger.com/_Pu86u0fArN4/Ru1WgQgigUI/AAAAAAAAABE/rPT396xuPe4/s320/ai.bmp



Objectivos do Módulo 2

· Levar o aluno a entender com clareza o conceito de agente inteligente, sua estrutura e atributos essenciais; · Introduzir as principais taxonomias empregadas na classificação dos agentes inteligentes; · Pesquisar as principais ferramentas empregadas na programação de agentes inteligentes e seus ambientes, ilustrando-as com aplicações específicas.




Agentes inteligentes são artefatos de software que apresentam uma série de atributos, tais como autonomia, orientação a objectivos e mobilidade, aliados à capacidade de raciocinar sobre a própria acção, planeiando e controlando seus actos para atingir seus objectivos da forma mais eficaz possível.



• Um agente é tudo o que é capaz de captar/perceber o ambiente onde se encontra, através de sensores e actua nesse ambiente através de actuadores • Agente Humano – Sensores: olhos, orelhas e outros órgãos – Actuadores: mãos, pernas, boca e outras partes do corpo • Agente Robótico – Sensores: câmaras e infravermelhos – Actuadores: partes motoras

Agentes



• A função agente mapeia uma sequência de percepções em acções: [f: P* A] • O programa agente é executado numa plataforma para produzir f • agente = plataforma + programa\

Agentes e ambientes



• Percepções [localização, conteúdo] – Localização: A, B – Conteúdo: Limpo, Sujo • Acções: Esquerda, Direita, Aspirar

Mundo do aspirador



Agente aspirador



Função AgenteAspirador ([posição, estado]) devolve acção Se estado = Sujo então devolve Aspirar Senão se posição = A então devolve Direita Senão se posição = B então devolve Esquerda

Agente aspirador



• Agente Racional: Por cada sequência de percepções possível, um agente racional deve seleccionar uma acção que é suposto maximizar a sua medida de desempenho, dada a informação disponibilizada pela sequência de percepções e eventualmente pelo conhecimento que o agente possui.

Agentes racionais



• Um agente deve procurar fazer “o que está certo", baseado nas suas percepções e nas acções que pode tomar • A acção certa é aquela que dá maior expectativa de sucesso ao agente • Medida de desempenho: critério objectivo que mede o sucesso do comportamento do agente • Por exº, medida de desempenho do agente aspirador pode ser a sujidade aspirada, tempo utilizado, electricidade consumida, ruído gerado, etc.

Agentes racionais



Racionalidade ≠ omnisciência – Percepções podem não disponibilizar conhecimento que é importante

Racionalidade ≠ clarividência – Resultado de uma acção pode não estar de acordo com o esperado

Logo, racionalidade ≠ sucesso Racionalidade exploração, aprendizagem, autonomia

Agentes racionais



• Um agente é autónomo se o seu conhecimento for determinado apenas pela sua experiência (com capacidade de aprender e adaptar-se)

Agente autónomo

Agentes podem tomar acções para obter informações úteis (recolha de informação, exploração)



– Performance (medida de desempenho) – Environment (ambiente) – Actuators (actuadores) – Sensors (sensores)

Caracterização de um agente

• PEAS



• Desempenho – Notas dos alunos no teste

• Ambiente – Conjunto de alunos

• Actuadores – Monitor: exercícios, sugestões, correcções

• Sensores – Teclado: respostas

PEAS: agente prof. de Inglês



• Desempenho – Saúde do paciente, custos

• Ambiente – Paciente, hospital, funcionários

• Actuadores – Monitor: questões, testes, diagnósticos, tratamentos

• Sensores – Teclado: sintomas, respostas

PEAS: agente médico



• Desempenho – Segurança, destino, lucros, legalidade, conforto

• Ambiente – Clientes, estradas, trânsito, transeuntes, tempo

• Actuadores – Volante, acelerador, travão, buzina, pisca

• Sensores – GPS, conta km, velocímetro, nível do depósito, temperatura do óleo

PEAS: agente taxista



Tipos de Ambientes



• Completamente observável (vs. parcialmente observável): Os sensores do agente dão acesso ao estado completo do ambiente em cada instante de tempo.

• Determinístico (vs. estocástico): O estado seguinte do ambiente é determinado somente em função do estado actual e da acção executada pelo agente. (Se o ambiente é sempre determinístico excepto para as acções de outros agentes, então o ambiente é estratégico)

Tipos de Ambientes



Tipos de Ambientes



• Episódico (vs. sequencial): A experiência do agente está dividida em episódios atómicos (em que cada episódio consiste em percepção+acção do agente) e a escolha de cada acção em cada episódio depende apenas do próprio episódio.

• Estático (vs. dinâmico): o ambiente não é alterado enquanto o agente decide que acção vai tomar. (O ambiente é semi-dinâmico se o ambiente permanece inalterado com a passagem do tempo mas o desempenho do agente (pontuação) é alterado)

Tipos de Ambientes



Tipos de Ambientes



• Discreto (vs. contínuo): O agente tem um número limitado de percepções e acções distintas que estão claramente definidas.

• Agente único (vs. multi-agente): Só existe um agente no ambiente.

Tipos de Ambientes



• O tipo de ambiente determina o tipo de agente • O mundo real é:

– Parcialmente observável – Estocástico – Sequencial – Dinâmico – Contínuo – Multi-agente



Tipos de Agentes



• Agentes de reflexos simples • Agentes de reflexos com estado interno • Agentes guiados por objectivos • Agentes baseados em utilidade • Agentes com aprendizagem

Tipos de Agentes



• Motivação: ignorar a história de percepções para tornar as regras condição-acção mais simples • Representação gráfica – Forma rectangular para estado interno – Forma oval para informação adicional

Agentes de reflexos simples



Função AgenteReflexosSimples (percepção) devolve acção Estático: regras (conjº de regras condição-acção) estado InterpretaInput (percepção) regra EmparelhaRegra (estado,regras) acção RegraAcção [regra] devolve acção



• Só funciona correctamente se o ambiente for completamente observável – Agente aspirador entraria em ciclo




• Motivação: necessidade de lidar com ambientes parcialmente observáveis • Solução: manter um estado interno que depende do historial de percepções • Necessidade de informação adicional – Evolução do mundo independentemente do agente – Evolução do mundo em função das acções do agente

Agentes de reflexos simples com estado interno



Agentes de reflexos simples com estado interno



Função AgenteReflexosComEstado (percepção) devolve acção Estático: estado (descrição do estado do mundo) regras (conjº de regras condição-acção) acção (a acção mais recente) estado ActualizaEstado(estado,acção,percepção) regra EmparelhaRegra(estado,regras) acção RegraAcção[regra] devolve acção



• Para além de ter um conjunto de regras condição-acção, tem também um (ou mais) objectivo(s) • Por ex, considere-se um agente taxista que cujo objectivo é chegar a um destino – Chegando a um cruzamento, o agente decide avançar, virar à direita ou virar à esquerda em função do objectivo

• Acrescenta a um agente de reflexos simples considerações sobre o futuro, a fim de alcançar os objectivos

Agentes guiados por objectivos



• Para além de ter um conjunto de regras condição-acção, tem também uma função de utilidade • Por exº, considere-se um agente taxista que pretende chegar a um destino – A função de utilidade permite distinguir as diferentes formas de chegar ao estino, em função do tempo, da despesa, da segurança, …

Agentes baseados em utilidade



• A função de utilidade permite estabelecer preferências entre sequências de estados que permitem atingir os mesmos objectivos – Deve ser especificado o que fazer no caso de existirem objectivos que entram em conflito – Se nenhum dos objectivos puder ser alcançado com segurança deve ser feita uma “pesagem” em função da importância dos objectivos




• Motivação: o agente começa por actuar num ambiente desconhecido e vai ficando mais eficiente face à sua actuação anterior • 4 componentes principais – Aprendizagem – Desempenho – Crítica – Gerador de problemas

Agentes com aprendizagem



• Aprendizagem: usa feedback da crítica sobre actuação do agente e determina modificações ao desempenho para actuar melhor no futuro • Desempenho: o que anteriormente considerávamos como o agente – recebe percepções e devolve acções • Crítica: comunica ao elemento de aprendizagem como está a ser a actuação do agente face a uma medida de desempenho • Gerador de problemas: sugere acções que podem levar a experiências novas e informativas




Exemplos de Agentes

inteligência artificial -...

Documents