paradigmas de inteligência artificial
DESCRIPTION
Paradigmas de Inteligência Artificial. Jacques Robin Geber Ramalho CIn-UFPE. Paradigmas de IA. Várias metáforas para modelagem computacional de raciocínio e conhecimento: Simbólico Probabilista Conexionista Evolucionista Nebuloso Multiagente Híbrido Diferenças chaves: - PowerPoint PPT PresentationTRANSCRIPT
Paradigmas de Inteligência Artificial
Jacques RobinGeber Ramalho
CIn-UFPE
Paradigmas de IA
Várias metáforas para modelagem computacional de raciocínio e conhecimento: Simbólico Probabilista Conexionista Evolucionista Nebuloso Multiagente Híbrido
Diferenças chaves: Forma de representar o conhecimento Forma de raciocinar com esse conhecimento Forma de adquirir esse conhecimento Ciências provendo metáfora
IA Simbólica
Raciocinar como manipulação de símbolos representando as entidades, relações, eventos de domínio de aplicação
Construção de novas sentenças a partir de sentenças já conhecidas
Deve-se assegurar que o raciocínio é plausível (sound) Exemplo:
representar entidades, relações e eventos como formulas da lógicausar provador de teorema para raciocinar dedutivamente com tais formulas
fatos fatos
sentenças sentenças
Mundo
Representação
segue-se
implica
semântica
semântica
IA Simbólica
Inspirada na lógica, semiologia, lingüística e psicologia cognitiva
IA via mímica do “software” do cérebro humano Representação do conhecimento: todos os tipos Raciocínio: todos os tipos Aquisição do conhecimento: todos os tipos Já vimos vários exemplos:
Capitão West é criminoso Codificação em lógica de conhecimento de agente explorador do
mundo do wumpus
IA Simbólica
Mais antiga, mais versátil e ainda mais utilizada Inadequada para:
Raciocínio pelo qual eliciar conhecimento explícito é muito difícil Raciocínio de baixo nível de interpretação de percepção
Reconhecimento de padrões, visão computacional, processamento da fala
Raciocínio de baixo nível para disparo de ações reflexas Controle dos motores dos efetuadores do robôs
Raciocínio com conhecimento incerto ou muito ruidoso Raciocínio envolvendo cálculo ou probabilidades
IA Conexionista
Raciocinar como ativações de ligações em uma redes(de neurônios, de eventos, de entidades)
Inspirada na neurologia IA via mímica do “hardware” do cérebro humano Representação do conhecimento: conjunto de atributo-valores
de poder expressivo equivalente a lógica proposicional Raciocínio: indutivo ou analógico durante treinamento,
dedutivo, abdutivo ou analógico durante utilização Aquisição do conhecimento: aprendizagem
Redes neurais: exemplo do mundo do Wumpus
Entrada da rede:codificação binária depares atributos-valores
Saída da rede:codificação binária depares atributos-valores
nenhuma percepção
00000
stench 00001
breeze 00010
glitter 00100
scream 01000
batida 10000
... ...stench breeze glitter scream
01111
forward000101111
right 001
left 010
shoot 011
pick 100
out 101
Redes Neurais: princípios
wji
w1i
wni
s(i)
e(i) e(i) w ji sj
s(i) f (e(i))
s1
sj
sn
camadade entrada camada
de saídacamadaescondida
Redes Neurais: princípios
Criar base de exemplos: Exemplos positivos: pares (seqüência de percepção,seqüência de ação) que resultaram no explorador sair da caverna vivo com o ouro
Exemplos negativos: pares (seqüência de percepção,seqüência de ação) que resultaram no explorador morrer
Dividir essa base em treinamento e teste Iniciar pesos da rede com valores aleatórias Codificar todas as seqüências de percepção em bits de entrada
da rede Propagar cada vetor de percepção e comparar saída da rede
com codificação binária da melhor ação escolhida ma média das seqüências bem sucedidas
Ajustar pesos por retro-propagação para minimizar distância média quadrada entre saída da rede e dessa melhor ação
Iterar até convergir rede implementar comportamento quase ótimo no conjunto de treinamento
IA Conexionista
Adequada para: Raciocínio pelo qual eliciar conhecimento explícito é muito difícil Raciocínio de baixo nível de interpretação de percepção
Reconhecimento de padrões, visão computacional, processamento da fala
Raciocínio de baixo nível para disparo de ações reflexas Controle dos motores dos efetuadores do robôs
Inadequada: Para domínios relacionais requerem representação da 1a ordem Para aplicações críticas requerendo explicações detalhadas e claras do porque das decisões do agentes (ex, central nuclear, cirurgia, investimento de grande porte)
IA Evolucionista
Raciocinar como construção de soluções por um processo iterativo de geração semi-aleatório de hipóteses seguida por uma seleção das mais adaptadas ao ambiente
Inspirada na teoria da evolução, paleontologia, socio-biologia IA via mímica do “processo de desenvolvimento” do cérebro
humano Representação do conhecimento: conjunto de atributo-valores
de poder expressivo equivalente a lógica proposicional Raciocínio: indutivo durante treinamento, dedutivo ou abdutivo
durante utilização Aquisição do conhecimento: aprendizagem
Algoritmos genéticos: exemplo no mundo do Wumpus
Entrada: vocabulário básico de atributos e domínio de valores glitter, stench, breeze, ... {yes/no} action {forward,turnRight,turnLeft,shoot,pick, ...}
Saída: árvore de decisão cujos ramos testam valores de (alguns) atributos e cujas folhas indicam decisão a tomar
1a geração de indivíduo: conjunto de árvores de decisão gerados aleatóriamente
Cada par (atributo,valor) é visto como um gen Cada árvore de decisão é visto como um genótipo
glitter?
turnRightshoot
yes no
turnLeft pick
breeze?
yes no
breeze?
yes no
Indivíduo 1
...
Indivíduo N
stench?
pick
yes pick
stench?
yes no
pick
Algoritmos genéticos: princípio
Os indivíduos da geração i são testados no ambiente Função de fitness determina métrica de desempenho e limiar
de sobrevivência A geração i+1 é formada por:
Cruzamento dos genótipos dos sobrevivente da geração i (reprodução) Cortar e colar aleatória da árvore pai com a árvore mãe
Mutação dos sobreviventes da geração i Modificação aleatória da árvore
Iteração até uma geração conter indivíduo com desempenho acima de limiar desejado
Algoritmos genéticos: reprodução
glitter?
turnRightshoot
yes no
turnLeft pick
breeze?
yes no
breeze?
yes no
Pai
Filho
shoot
yes
turnLeft
breeze?
yes no
Filha glitter?
turnRight
no
pick
breeze?
yes no
stench?
pick
yes
stench?
yes no
pick
Mãe
pick
no
stench?
pick
no
pick
yes
stench?
yes no
pick
Algoritmos genéticos: mutação
glitter?
turnRightshoot
yes no
turnLeft pick
breeze?
yes no
breeze?
yes no
Original
glitter?
shoot
yes no
turnLeft pick
breeze?
yes no
Mutante 3
glitter?
turnRightshoot
yes no
turnLeft pick
stench?
yes no
breeze?
yes no
Mutante 1
glitter?
yes no
shootturnLeft
breeze?
yes no
turnRightpick
breeze?
yes no
Mutante 2
IA Evolucionista
Adequada para: Raciocínio pelo qual eliciar conhecimento explícito é muito difícil Raciocínio de baixo nível de interpretação de percepção
Reconhecimento de padrões, visão computacional, processamento da fala
Raciocínio de baixo nível para disparo de ações reflexas Controle dos motores dos efetuadores do robôs
Inadequada para domínios relacionais requerem representaçãoda 1a ordem
IA Nebulosa
Raciocinar em termos intuitivos com “palavras” e “quantidades qualitativas” do quotidiano “alto”, “baixo”, “muito”, “pouco”, ... “Voce vai ao cinema hoje?” “Vou de tardezinha.” “Estou com muita vontade de ir”
Inspirada na lingüística e lógicas não booleanas com valores de verdades contínuas
IA via mímica do “software” do cérebro humano Representação do conhecimento: versões nebulosas de lógica
e regras Raciocínio: dedução e abdução Aquisição do conhecimento: manual
Teoria de Conjunto Convencional (Booleano):
““Febre Alta”Febre Alta”
40.1°C40.1°C
42°C42°C
41.4°C41.4°C
39.3°C39.3°C
38.7°C38.7°C
37.2°C37.2°C
38°C38°C
Teoria de Conjunto Fuzzy:
40.1°C40.1°C
42°C42°C
41.4°C41.4°C
39.3°C39.3°C
38.7°C38.7°C
37.2°C37.2°C
38°C38°C
“mais ou menos“ ao invés de “ou isto ou aquilo”!
IA nebulosa
Função de pertinência mA de elemento X a conjunto nebuloso A mA: X -> [0,1]
1
X(m)
altobaixo1
X(m)
altobaixo
1,55 1,80
mALTO(1,70) = 0.6, lêia-se 1,70 pertence à classe alto c/ pertinência de 0.6
IA Nebulosa
r = 1 - rr = 1 - r
rr11 rr22 = min (r = min (r11,r,r22) ou r) ou r11 rr22 (t-norma)(t-norma)
rr11 rr22 = max ( = max (r1,r,r22) ou r) ou r11 rr22 (s-norma)(s-norma)
rrii = min (r = min (r11,r,r22), i ), i U U
rrii = max (r = max (r11,r,r22), i ), i U U
rr11 rr22 = min (r = min (r11,r,r22))
IA Nebulosa
Nova teoria dos conjuntos => nova lógicarejeita os axiomas da consistência (P P F) e do terceiro excluído (P P T)
Operadores lógicos: Sendo r, r1 e r2 fórmulas bem formadas
IA Nebulosa
Lógica Fuzzy define a Lógica Fuzzy define a estratégia de controle no estratégia de controle no nível linguístico!nível linguístico!
LinguisticLevel
NumericalLevel
Measured Variables
Measured Variables
(Numerical Values)
(Linguistic Values)Inference + compositionCommand Variables
Defuzzification
Plant
Fuzzification
(Linguistic Values)
Command Variables(Numerical Values)
Lógica nebulosa: exemplo no mundo do Wumpus
X,Y m(loc(X,Y),smelly,1) m(loc(X+1,Y),safe,0.10) X,Y m(loc(X,Y),smelly,1) m(loc(X-1,Y),safe,0.10) X,Y m(loc(X,Y),smelly,1) m(loc(X,Y+1),safe,0.10) X,Y m(loc(X,Y),smelly,1) m(loc(X,Y-1),safe,0.10) X,Y m(loc(X,Y),breezy,1) m(loc(X+1,Y),safe,0.10) X,Y m(loc(X,Y),breezy,1) m(loc(X-1,Y),safe,0.10) X,Y m(loc(X,Y),breezy,1) m(loc(X,Y+1),safe,0.10) X,Y m(loc(X,Y),breezy,1) m(loc(X,Y-1),safe,0.10) m(loc(1,1),smelly,0) m(loc(1,1),breezy,0) m(loc(1,1),safe,?) m(loc(1,2),smelly,0) m(loc(1,2),breezy,1) m(loc(1,1),safe,?) m(loc(1,2),smelly,1) m(loc(1,2),breezy,1) m(loc(1,1),safe,?)
Lógica nebulosa: exemplo no mundo do Wumpus
X,Y m(loc(X,Y),smelly,1) m(loc(X+1,Y),safe,0.25) X,Y m(loc(X,Y),smelly,1) m(loc(X-1,Y),safe,0.25) X,Y m(loc(X,Y),smelly,1) m(loc(X,Y+1),safe,0.25) X,Y m(loc(X,Y),smelly,1) m(loc(X,Y-1),safe,0.25) X,Y m(loc(X,Y),breezy,1) m(loc(X+1,Y),safe,0.25) X,Y m(loc(X,Y),breezy,1) m(loc(X-1,Y),safe,0.25) X,Y m(loc(X,Y),breezy,1) m(loc(X,Y+1),safe,0.25) X,Y m(loc(X,Y),breezy,1) m(loc(X,Y-1),safe,0.25) m(loc(1,1),smelly,0) m(loc(1,1),breezy,0)
m(loc(1,1),safe,0.56) m(loc(1,2),smelly,0) m(loc(1,2),breezy,1)
m(loc(1,1),safe,0.19) m(loc(1,2),smelly,1) m(loc(1,2),breezy,1)
m(loc(1,1),safe,0.06)
IA Probabilista
Raciocinar usando as leis das probabilidades e da estatística representando eventos de domínio de aplicação como variáveis aleatórias
Inspirada na probabilidade e estatística IA como escolha da decisão que maximiza a esperança
matemática da utilidade dado uma distribuição de probabilidades de eventos
Representação do conhecimento: distribuição de probabilidade ou versões com anotações probabilistas dos formalismos simbólicos
Raciocínio: todos os tipos Aquisição do conhecimento: todos os tipos Adequado para ambientes não-deterministas e conhecimento
incerto
Redes Bayesianas: exemplo no mundo do Wumpus
Redes Bayesianas: princípios
IA Híbrida
Híbrida: Metáforas Formalismos de representação do conhecimento Máquina de inferência Metodologias de aquisição do conhecimento
De: Vários paradigmas Vários sub-paradigmas
Hibridação é conceitual enquanto integração é apenas arquitetural
Métodos de IA Simbólica
Simbólica
Árvores Regras LógicaClasse
sInstâncias
Modelagem ManualÁrvores
de Decisão
Sistemas de Produção
Provadoresde Teoremas
Frames
OOPL
Programaçãoem Lógica
LógicasDescritivas
Aprendizagem de Máquina
ID3 ILPKNNCBR
Representação do Conhecimento
Aquisição do Conhecimento
Sistemas híbridos simbólicos
Engenharia manual do conhecimento:Regras + Lógica: Programação em lógicaClasses + Lógica: Lógicas DescritivasRegras + Classes + Procedimentos: Sistemas de Produção Orientados a Objetos (EOOPS)
Regras + Classes + Lógica: Programação em Lógica Orientada a Objetos (OOLP)
Numérica
Evolucionista
Conexionista
Probabilista Outras
Modelagem Manual Cadeiasde Markov
Aprendizagem de Máquina
AlgoritmosGenéticos
Redes Neurais
Classificador Bayesiano
Ingênuo
Aprendizagem Q
Métodos de IA Numérica
Representação do Conhecimento
Aquisição do Conhecimento
Sistemas híbridos numéricos
Aprendizagem de máquina:Conexionista + Nebuloso: Sistemas neuro-fuzzyEvolucionista + Nebuloso: Sistemas fuzzy-genéticosEvolucionista + Conexionista: Sistemas neuro-genéticosEvolucionista + Conexionista + Nebuloso: Sistemas neurofuzzy-genéticos
Sistemas híbridos numérico-simbólicos
Engenharia manual do conhecimento: Numérica + lógica: Lógica nebulosa
Aprendizagem de máquina:Conexionista + regras: Sistemas neuro-simbólico
Engenharia manual do conhecimentoe/ou aprendizagem de máquina: Conexionista + probabilista + simbólico: Redes Bayesianas
IA Distribuída e Sistemas Multi-Agentes
Processo de desenvolvimento de agentes baseado em conhecimento
Identificar as características do ambiente do agente Escolher a arquitetura de agente mais adequada para tais
características Para cada elemento nessa arquitetura:
Identificar: Tipos de raciocínios necessários Tipos de conhecimentos necessários Disponibilidade de conhecimento na forma de especialista humano, literatura ou
documentação, ontologia parcialmente re-aproveitável Disponibilidade de dados, exemplos, casos ou ambiente de simulação
Em função disso, escolher: Paradigma de IA Formalismo de representação de conhecimento Máquina de inferência Métodos e ferramentas de aquisição de conhecimento
Aplicar sub-processo de desenvolvimento da base de conhecimento Integrar os elementos Testar o protótipo completo e possivelmente iterar
Ementa da disciplina
Por exemplo: agente deliberativo
Am
bie
nte
Sensores
Efetuadores
BCD: modelo dos ambientespassados e atual
BCD: modelo de ambientesfuturos hipotéticos
BCD: Objetivos
BCE: interpretaçãodas percepções
BCE: atualizaçãodo modelo do ambiente
BCE: atualizaçãodo objetivos
BCE: predição deambientes futuros
BCE: estratégia deescolha de ações
Máquina deinferência
AskTell
Retract
Ask