subsistema de gestão de modelos

Sistemas de Apoio à Decisão 1

Subsistema de Gestão de Modelos


Subsistema de gestão de modelos

“A good scientist is like a good cartoonist” --- J. Holland

• Um bom modelo é aquele que exagera as características principais e ignora grande parte dos detalhes.

• … é como o trabalho de um caricaturista. Em meia dúzia de traços salienta-se o principal; os detalhes ignoram-se.



Os modelos dos SADs são normalmente quantitativos.

Os SADs podem conter vários modelos:

• construidos directamente no software de desenvolvimento do SAD;

• construidos separadamente e propositadamente;

• acedidos pelo SAD quando necessário.



Diagramas de influência

É uma representação gráfica do modelo, usada para guiar o desenho e desenvolvimento do modelo (similar aos diagramas de fluxos de dados para o desenvolvimento de software).

- variáveis de decisão

- variáveis não controláveis ou intermédias - parâmetros

- resultados intermédios ou finais




As variáveis estão ligadas por setas que indicam a direcção da influência (relação). O tipo da seta também indica o tipo de relação.

• Certeza

• Incerteza

• Variáveis de risco

Quantidade produzida

Nº de encomendas

Vendas

Preço

VendasProcura

~




Exemplo:

Lucro = Rendimento - Despesas

Rendimento = Nº de unidades vendidas * Preço por unidade

Nº de unidades vendidas = 0,5 * Total gasto em publicidade

Despesas = custo de cada unidade * nº de unidades vendidas + custos fixos




Exemplo:

Preço por unidade

Custos fixos

Custo de cada

unidade

Nº de unidades vendidas

Rendimento

Lucro

Despesas

Total gasto em publicidade

~



Os modelos podem ser desenvolvidos e implementados numa grande variedade de linguagens de programação e sistemas (ferramentas de CASE e outras com geração automática de código).

Modelos em folhas de cálculo

Cada vez mais surgem "add-ins" para estruturar e resolver classes especiais de modelos no ambiente das folhas de cálculo.

Exemplos: Solver (Excel) programação linear e outros problemas de optimização, @Risk (Palisade) que corre sobre o Excel e permite executar simulações e análise de risco.



Análise de decisão com um número finito e pequeno de alternativas possíveis

As situações de decisão que envolvem um número finito e, geralmente, não muito grande de alternativas possíveis são modeladas utilizando as chamadas técnicas de análise de decisão, em que as alternativas são enumeradas juntamente com a sua prevista contribuição para o objectivo e a probabilidade de essa contribuição se verificar.



Incerteza

Incerteza - não sabemos a probabilidade de ocorrência de cada estado de natureza.

Deve sempre tentar-se obter informação suficiente para que o problema possa ser tratado numa situação de certeza ou risco.

Ex: maximínimo, maximáximo, minimax e realismo.

Alternativas Estados de natureza

Sólido crescimento Estagnação Inflação

Obrigações 12% 6% 3%

Acções 15 3 -2

Depósito bancário 6,5 6,5 6,5



Risco

Risco - sabemos a probabilidade de ocorrência de cada estado de natureza.

Critério do valor esperado de Bayes

Obrigações - 12*0,5 + 6*0,3 + 3*0,2 = 8,4

Acções - 15*0,5 + 3*0,3 - 2*0,2 = 8

Depósito bancário - 6,5*0,5 + 6,5*0,3 + 6,5*0,2 = 6,5

Estados de natureza

Alternativas Sólido crescimento0,5%

Estagnação0,3%

Inflação0,2%

Obrigações 12% 6% 3%

Acções 15 3 -2

Depósito bancário 6,5 6,5 6,5



Risco

Este critério é perigoso, porque quando o pior caso resulta numa perda catastrófica mesmo que com uma probabilidade de ocorrência infima, o valor esperado pode ser razoável.

Exemplo: Um investimento de 1000 contos com probabilidade de 0.9999 duplicar num dia e com a probabilidade de 0,0001 haver uma perca de 500 000 contos.

Valor esperado = 0,9999(2000-1000) + 0,0001(-500000-1000) = 949,8

O valor esperado é razoável, mas o pior caso é mesmo muito mau.

Outros ex: máxima verosimilhança, razão insuficiente, árvores de decisão, simulação, fuzzy logic.



Decisão com múltiplos critérios

Acontece, frequentemente, não termos apenas um objectivo a cumprir, mas sim vários objectivos simultâneos a alcançar, que podem não ser compatíveis. Há que definir prioridades entre os vários objectivos. Estas prioridades podem variar com o tempo e podem ser diferentes para cada decisor.



Decisão com múltiplos critérios

Alternativas Rendimento Segurança Liquidez

Obrigações 8,4% Elevada Elevada

Acções 8 Baixa Elevada

Depósito bancário 6,5 Muito elevada Elevada

Podemos ter modelos de decisão:

• Não compensatórios - comparação atributo a atributo

Ex: Maximin, Maximax, Restrições conjuntivas, Restrições disjuntivas, lexicográfico.

• Compensatórios - permite compensações entre atributos

Ex: Ponderação aditiva, Análise de concordância (Método Electre), Método de Análise Hierárquica (Método de Saaty).



Optimização

Os modelos de optimização são frequentemente incluidos em SADs.

A técnica de optimização mais conhecida é a programação linear, (muito usada em SADs) que faz parte da família de técnicas de programação matemática.



Fuzzy logic

Esta técnica simula o processo de raciocínio humano, permitindo ao computador comportar-se de forma menos precisa e lógica que convencionalmente.

A noção tradicional de lógica, em que algo ou é verdadeiro ou é falso é extendida de modo a permitir a definição de diversos “graus de verdade”.

Deixa de ser uma questão de preto ou branco, sim ou não e passamos a considerar zonas cinzentas e o termo “talvez”.

Exemplo:

Lógica tradicional – um carro derrapa ou não derrapa

... no entanto pode ser reconhecido um grau de derrapagem de acordo com o qual o sistema deva reagir de modo a controlar o movimento do carro.



Fuzzy logic

Vantagens:

• Flexibilidade;

• Criatividade;

• Permite lidar com problemas de decisão que não sejam facilmente descritos por modelos matemáticos;

• Fácil manutensão;

• Menor custo dos erros.

De acordo com Barron (1993) a produtividade dos decisores pode aumentar cerca de 30% com o apoio das técnicas de fuzzy logic.



Fuzzy logic

Exemplo:

O seguinte fuzzy set descreve uma pessoa alta:

Supondo que um indivíduo mede 1,75 m, pela teoria da probabilidade podemos dizer que ele tem 75% de probabilidade de ser considerado alto.

Altura Proporção dos votos

1,65 m 0,05

1,70 m 0,10

1,75 m 0,60

1,80 m 0,15

1,85 m 0,10



Fuzzy logic

Exemplo (continuação):

Em fuzzy logic dizemos que o indivíduo tem um grau de participação no conjunto das pessoas altas de 0,75.

Probabilisticamente, o indivíduo pode ser considerado alto ou não e nós não estamos completamente certos de que ele seja alto.

Em fuzzy logic concordamos que ele é mais ou menos alto. Então, podemos ter uma função de participação que indica a relação entre o indivíduo e o conjunto de pessoas altas:

< Indivíduo, 0,75 = Alto>



Fuzzy logic

As técnicas de fuzzy logic são dificeis de aplicar quando a avaliação dos dados é feita por pessoas (expressões vagas, subjectividade, dificuldade em fornecer as definições necessárias).

Estas técnicas são muito usadas em produtos de consumo em que o input é fornecido por sensores, por exemplo ar condicionado, microondas, ABS, máquina de lavar.

Outras aplicações:• Manter os veículos espaciais em órbitas estáveis;

• Auto-focus das câmeras;

• Controlo do movimento dos comboios;

• Desenvolvimento de sistemas de controlo ambiental.



Programação heurística

Muitas vezes a determinação de uma solução óptima para um problema complexo pode acarretar custos, quer em termos monetários quer em termos de tempo, que não são suportáveis. Nestes casos é possível chegar a uma solução satisfatória, mais rapidamente e com menos custos. Usam-se heurísticas.

A programação heurística consiste em usar heurísticas para encontrar soluções suficientemente boas (correspondentes a 90-99,9% do valor do objectivo de uma solução óptima) para problemas complexos.

As heurísticas são usadas principalmente na resolução de problemas não estruturados, mas podem também contribuir para encontrar soluções satisfatórias para problemas complexos estruturados mais rápida e economicamente que os algoritmos de optimização.




Devem usar-se heurísticas quando:

• os dados de entrada não são exactos;

• a realidade é muito complexa para se poder usar modelos de optimização;

• não existe nenhum algoritmo apropriado;

• o tempo de simulação é excessivo;

• é possível melhorar a eficiência do processo de optimização, usando heurísticas para gerar boas soluções iniciais;

• apenas é necessário processamento simbólico (como nos SP).




Vantagens:

• São mais rápidas, permitindo decisões mais rápidas,

• Produzem múltiplas soluções aceitáveis;

• Podem incorporar conhecimento que guia a busca de soluções;

• Permitem, muitas vezes, indicar a qualidade da solução obtida (distância à solução óptima);

• É possível aplicar heurísticas a modelos que possam ser resolvidos por programação matemática.

...., mas não garantem uma solução óptima.



Simulação

É uma técnica que permite conduzir experiências em modelos digitais da realidade. A simulação é uma das ferramentas mais usadas nos SADs, pois permite descrever situações complexas.

O processo de simulação consiste na repetição de uma experiência de modo a obter uma estimativa do efeito produzido por certas acções.

A simulação é um processo descritivo. Não há uma busca da solução óptima para o problema. A simulação descreve ou prevê as características de um dado sistema em diversas circunstâncias. Uma vez calculadas essas características, a melhor entre várias alternativas pode ser escolhida.



Simulação

Modelos representam a realidade

Simulação imita a realidade

Obtém-se uma simulação correndo um modelo.



Simulação

Vantagens:

• É um processo descritivo - permite análise "what-if";

• Compressão do tempo;

• Especificidade - o modelo de simulação é normalmente construido para a resolução de um problema específico (maior pormenor, precisão, mas menor reutilização);

• É aplicável a uma grande variedade de problemas (inventariação, planeamento a longo prazo);

• Permite a execução de experiências com diferentes variáveis, para determinar quais são mais importantes e com diferentes alternativas, para determinar qual é a melhor.



Simulação

Limitações:

• Não garante uma solução óptima;

• A construção do modelo de simulação pode ser um processo demorado e caro;

• As soluções e inferências fornecidas por um modelo de simulação não podem ser generalizadas para outros problemas (não reutilização);

• A simulação convencional apenas fornece dados estatísticos após a execução de várias experiências que poderão ser contraditórios à intuição do utilizador; os decisores não são parte integrante da simulação e a sua experiência e os seus julgamentos não são directamente incorporados no processo.



Simulação

Metodologia

A simulação envolve a construção de um modelo do sistema real que serve depois para a execução repetida de experiências.

• Definição do problema - o sistema real é examinado e classificado. Determina-se a necessidade do processo de simulação.

• Construção do modelo de simulação - obtenção dos dados necessários. Determinação das variáveis e das relações entre elas. O algoritmo é implementado.

• Teste e validação do modelo - permite assegurar a correcção do modelo (se a representação da realidade é fiel, pode ser feita utilizando dados reais).



Simulação

Metodologia (continuação)• Desenho (definição) das experiências - Decidir quanto deve

correr a simulação. Temos 2 objectivos em conflito: correcção ou precisão e custo. É importante determinar os cenários dos melhores e piores casos e também dos casos típicos. Isto permite estabelecer os intervalos de variação das variáveis de decisão.

• Condução das experiências - Envolve desde a geração de números aleatórios à apresentação dos resultados.

• Avaliações dos resultados - Interpretação dos resultados. Pode ser usada análise de sensibilidade.

• Implementação - O gestor está mais envolvido no processo de simulação do que em outros modelos.



O processo de simulação

Definição do

problema

Construção do modelo de simulação

Teste e validação do modelo

Desenho das experiências de simulação

Execução das

experiências

Avaliação dos

resultados

Implementação dos resultados

Problema real



Simulação visual

O utilizador pode construir graficamente um modelo, tendo à disposição uma série de funções (matemáticas, financeiras e lógicas). Uma vez seleccionada uma função é inserida num script que posteriormente irá regular a execução do modelo.

Em vez de células (tabelas) são usados elementos simbólicos.

Ex: as variáveis são representadas por círculos e as constantes por quadrados.



Soluções comerciais

Alguns SADs podem facilmente estabelecer a interface com aplicações independentes standards. Existem modelos quantitativos pre-programados que podem ser usados para acelerar e facilitar o processo de construção (programação) de um SAD.

Alguns destes programas constituem blocos de construção de outros modelos quantitativos (ex: um modelo de regressão pode ser uma parte de um modelo de previsão que suporta um modelo de planeamento financeiro).




• Pacotes estatísticos

Exemplo: SPSS executa análise de regressão, SAS.

• Pacotes de gestão

Existem várias centenas de pacotes de software no mercado para modelos desde controlo de inventários até gestão de projectos. Alguns sistemas para construção de SADs incluem facilidades de optimização e simulação.

Exemplo: Optimização: QBS+, IBM´s Optimization System Library (OSL), CPLEX; Simulação: GPSS, ProModel, SLAM, SIMAN e SIMSCRIPT.




• Pacotes financeiros

Muitos SADs e folhas de cálculo incluem funções financeiras. Existem sistemas independentes de modelação financeira embebidos em sistemas de desenvolvimento de SADs e SIEs.

• Outros

• @Risk (simulação para o Excel, Palisade Corp.),

• Solver (Frontline Systems Inc.),

• @Brain (redes neuronais para o Lotus 1-2-3, Talon Developmente, Co.),

• Evolver (algoritmos genéticos para o Excel, Palisade Corp.).



Um sistema eficiente de gestão de modelos faz com que os aspectos estruturais e algorítmicos da organização de modelos e do processamento de dados a eles associados se torne invisivel para o utilizador (ex: a especificação das relações explícitas entre os modelos e a determinação de que resultados de um modelo são as entradas de outro modelo devem ser feitas pelo sistema e não pelo utilizador).

Um SGBM deverá possuir capacidades similares aos SGBD.



No entanto, não existem no mercado nenhuns SGBM, isto porque:

• Cada organização usa os seus modelos algo diferentes;

• Não existe um conjunto definido de classes de modelos tal como existem as diferentes estruturas de base de dados (relacionais, hierárquicas, de redes e orientados por objectos);

• Algumas das capacidades necessárias a um SGBM (tais como seleccionar o modelo a utilizar ou decidir os valores a inserir) requerem conhecimento e raciocínio.

O desenvolvimento de SGBM representa uma potencial área de aplicação de técnicas de IA e SP.



Capacidades que um SGBM deve ter:

• Controlo - o sistema deve permitir a selecção automática e manual dos modelos mais adequados à resolução de cada situação. Deve permitir a introdução de informação subjectiva pelo utilizador;

• Flexibilidade - O utilizador deve poder usar modelos diferentes para conceber diferentes partes da solução do problema;

• Feedback - O SGBM deve fornecer, a qualquer momento, ao utilizador informação sobre o estado do processo de decisão;



Capacidades que um SGBM deve ter (continuação):

• Interface - o utilizador deve sentir-se confortável com a interface com os modelos;

• Redução de redundância - uso compartilhado de modelos;

• Aumento da consistência - através da utilização dos mesmos modelos por vários decisores;

• Comunicação - estabelecer os meios de comunicação entre modelos e a trocas de dados entre modelos combinados.



Um SGBM deve permitir ao utilizador:

• Aceder a modelos existentes;

• Executar e manipular os modelos existentes, instanciação, selecção e sintese de modelos;

• Armazenar modelos existentes;

• Fazer a manutensão dos modelos existentes de acordo com as necessidades (alteração das condições);

• Construir novos modelos com um esforço relativo, muitas vezes usando blocos construtivos.


Subsistema de Gestão de Conhecimento


Subsistema de gestão de

conhecimento

O subsistema de conhecimento pode melhorar e ampliar as capacidades do SAD, quer fornecendo sabedoria acerca do assunto em estudo, quer fornecendo conhecimento acerca da gestão e modelação de dados.


Subsistema de gestão de conhecimento

Inteligência Artificial versus Natural

• IA é permanente - as pessoas podem esquecer-se da informação ou mudar de emprego;

• IA é fácil de duplicar e disseminar - a transferência de conhecimento entre os seres humanos é demorado e nunca é total;

• IA pode ser mais barata;

• IA pode ser documentada - através de um tracking das actividades do sistema.

• IA pode executar algumas tarefas muito mais rapidamente -podem armazenar e processar grandes quantidades de informação.



Inteligência Artificial versus Natural (continuação)

• IN é criativa;

• IN permite a incorporação directa de dados adquiridos por experiência sensorial, ao passo que a IA tem que trabalhar com representações simbólicas e abstractas.

EX: uma fotografia de jornal são apenas pontos numa escala de cinzentos, mas nós facilmente identificamos os padrões que revelam caras e outros objectos.

• IN é mais globalizante - o ser humano pode usar toda a sua sabedoria (inclusive a adquirida noutros campos) para resolver um determinado problema. Os sistemas de IA são desenvolvidos para resolver problemas específicos e por isso são especializados numa área mais restrita de conhecimento.



Embora não possa adquirir experiência e conhecimentos como um ser humano, o computador pode usar o conhecimento fornecido por um perito humano.

Este conhecimento consiste em factos, conceitos, teorias, métodos heurísticos e procedimentos.

Todo o conhecimento relacionado com um determinado problema que é usado num sistema de IA é organizado numa base de conhecimento. Uma vez construída a base de conhecimento, as técnicas de IA são usadas para dar ao computador capacidade de inferência baseada nos factos e relações da base de conhecimento.



Processamento convencional

É baseado em algoritmos claramente definidos que descrevem passo-a-passo o procedimento a seguir para resolver um problema. Pode ser uma fórmula matemática ou um procedimento sequencial. O algoritmo é convertido num programa (lista sequencial de instruções) que indica ao computador exactamente o que ele tem que fazer.


Subsistema de gestão de conhecimentoTipo de processamento:

• Cálculo - execução de operações matemáticas, resolução de fórmulas;

• Operações lógicas - execução de operações lógicas ;

• Armazenamento - guardar factos em ficheiros;

• Obtenção - aceder a dados guardados em ficheiros ;

• Conversão - converter dados de um formato para outro;

• Ordenação - análise e colocação dos dados em determinada ordem;

• Edição - alteração, adição ou eliminação de dados;

• Controlo - controlo da operação de aparelhos externos;

• Monitorização.



Inteligência artificial

Baseada na representação e manipulação simbólica.

Símbolos : letra, palavra, número

usados para representar objectos, processos e suas relações.

Objectos : pessoas, coisas, ideias, conceitos, eventos ou factos.

Usando símbolos é possível contruir uma base de conhecimento que determina factos, conceitos e as suas relações. As técnicas básicas para manipular os símbolos e gerar conselhos para a resolução dos problemas são a busca e a comparação de padrões (pattern-matching).




É multidisciplinar, baseando-se em diversos campos da ciência, tais como a psicologia, linguística, matemática, estatística e gestão.

Fornece o fundamento científico para o desenvolvimento de várias tecnologias comerciais. EX: Sistemas periciais, linguagem natural, reconhecimento de voz, fuzzy logic, robótica, sistemas sensoriais.




Turban E. And Aronson J., 1998



Sistemas periciais

Apareceram em meados dos anos 60.

São sistemas computorizados que tentam imitar o processo de conhecimento e de raciocínio dos peritos, fornecendo conselhos para a resolução de problemas específicos. Usam o conhecimento humano armazenado num computador para resolver problemas que normalmente requerem a sabedoria humana.

Representam o maior uso das técnicas de IA. São ferramentas importantes para o apoio a decisões estratégicas.



Sistemas periciais

O objectivo de um sistema pericial não é substituir os peritos, mas tornar o seu conhecimento e experiência mais extensamente disponível.

Um sistema pericial permite aos não peritos melhorarem a sua produtividade e a qualidade das suas decisões, e resolverem problemas na ausência de um perito.



Conceitos básicos dos sistemas periciais

• Perícia

• Peritos

• Transferência de conhecimento

• Inferências

• Regras

• Capacidade de explicação



Sistemas periciais

Perícia

É o conhecimento alargado acerca de uma tarefa específica, adquirido através da experiência, treino e leitura.

A perícia pressupõe o conhecimento de diversa informação relacionada com a área do problema em estudo: • Teoria acerca de campo de estudo;

• Regras e procedimentos acerca do campo geral de estudo do problema;

• Estratégias globais para a resolução desse tipo de problemas;

• Meta-conhecimento;

• Factos acerca do campo de estudo do problema.



Sistemas periciais

Peritos

Que quantidade de sabedoria uma pessoa deve ter para ser considerada um perito?

Peritos humanos:

• reconhecem e formulam problemas;

• resolvem os problemas rapidamente e com bastante precisão (correcção);

• explicam como o fazem;

• julgam a certeza das suas conclusões;

• comunicam com outros peritos;



Sistemas periciais

Peritos humanos (continuação):

• aprendem com a experiência;

• podem mudar o seu ponto de vista de acordo com o problema;

• podem transferir conhecimento de uma área para outra;

• podem quebrar as regras quando necessário (conhecem as excepções às regras);

• usam ferramentas tais como modelos matemáticos e simulações para apoiarem as suas decisões.


Subsistema de gestão de conhecimentoSistemas periciais

Transferência de conhecimento

O objectivo de um SP é transferir conhecimento de um perito para um sistema computacional que depois será transferido para outras pessoas não peritas.

Este processo envolve 4 actividades:

Este conhecimento é guardado na base de conhecimento de acordo com a representação escolhida.

Podem distinguir-se 2 tipos de conhecimento: factos e regras.

• Aquisição de conhecimento (de peritos ou outras fontes);

• Representação do conhecimento;

• Inferência de conhecimento;

• Transferência de conhecimento para os utilizadores.


Subsistema de gestão de conhecimentoSistemas periciais

Inferências

A principal característica de um SP é sua capacidade de "pensar".

Regras

A maior parte dos SP comerciais são baseados em regras, isto é, o conhecimento é armazenado sob a forma de regras.

Exemplo de uma regra: "SE não houve um corte de energia eléctrica na zona E o quadro eléctrico não disparou E o interruptor está ligado, ENTÃO a lâmpada está fundida".

Capacidade de explicação

Outra característica importante de um SP é a sua capacidade de explicar a razão das suas recomendações.



Estrutura dos sistemas periciais

• Ambiente de desenvolvimento - usado para a construção dos componentes do sistema e da base de conhecimento;

• Ambiente de consulta - usado pelos não peritos para obter recomendações e perícia.



Estrutura dos sistemas periciais

• Base de conhecimento - Contém o conhecimento necessário para compreender, formular e resolver os problemas. Inclui factos (teoria sobre o campo do problema) e regras (que conduzem o uso do conhecimento para a resolução do problema específico);

• Mecanismo de inferência (cérebro do sistema) - programa que contém a metodologia de raciocínio acerca da informação existente na base de conhecimento.;

• Interface - mecanismos para facilitar a comunicação entre o sistema e o utilizador;

• Blackboard - corresponde a uma área de memória que contém a descrição do problema e que guarda os resultados e decisões intermédias.



Benefícios de um Sistema Pericial

• Aumento de produtividade - melhor desempenho dos não peritos, menos empregados;

• Redução do tempo de decisão - através das recomendações do sistema podem tomar-se decisões mais rápidas;

• Redução do número e tamanho dos erros cometidos;

• Angarição e multiplicação de conhecimentos raros - podem haver poucos peritos em determinada área de conhecimento, o perito pode reformar-se, os conhecimentos podem ser necessários em vários locais geograficamente distantes;

• Facilita o acesso ao conhecimento - libertando os peritos de tarefas rotineiras;



Benefícios de um Sistema Pericial (continuação)

• Aumento das capacidades de outros sistemas computacionais - quando integrados com outros sistemas contribuem para uma melhor performance destes;

• Capacidade de funcionamento com informação imcompleta, imprecisa ou incerta - o utilizador pode responder às questões do sistema com "não sei";

• Permitem a aprendizagem - Os utilizadeores de um SP vão-se tornando cada vez mais experientes no assunto à medida que usam o sistema, subsistema de justificação;

• Melhora a qualidade das decisões.



Problemas e limitações dos Sistemas Periciais

• Nem sempre existe conhecimento disponível;

• É dificil extrair o conhecimento dos peritos;

• Diferentes peritos podem ter diferentes modos de abordagem de um problema, embora todas correctas;

• Os SP funcionam melhor em áreas de conhecimento restritas (especializadas);

• Às vezes produzem recomendações erradas, outras não conseguem chegar a uma conclusão.



Gill [1995] descobriu que só 1/3 dos SP comerciais estudados sobreviveu 5 anos de utilização.

Causas: falta de aceitação por parte dos utilizadores, incapacidade de manter os construtores do sistema, problemas na fase de transição entre o desenvolvimento e a manutensão e alteração da política organizacional.

Factores de sucesso

• Grande envolvimento dos utilizadores na construção do sistema;

• Elevado nível de conhecimento introduzido no sistema;

• O problema deve ser suficientemente específico;

• A interface deve ser intuitiva e fácil de usar;

• Natureza do problema.



Tipos de Sistemas Periciais

• Rule-based

• Frame-based (object-oriented)

• Model-based

• Híbridos

• Ready-made

• Real-Time



Linguagem natural

Estas tecnologias permitem aos utilizadores comunicarem com o computador através da sua linguagem natural (ex: inglês).

• Compreensão da linguagem natural - métodos para permitir ao computador compreender instruções dadas em inglês corrente;

• Geração de linguagem natural - métodos que permitam aos computadores produzir frases em inglês corrente.

Reconhecimento de voz

Reconhecimento e compreensão de linguagem falada pelo computador.



Robótica e sistemas sensoriais

Um robot é um aparelho electromecânico que pode ser programado para desempenhar tarefas manuais.

Para um robot ser considerado inteligente tem que incluir sensores, tais como câmeras ou sistemas de tacto que lhe permitam recolher informação acerca da sua actividade e do ambiente que o envolve. A sua componente de inteligência permite-lhe, então, interpretar a informação recolhida e reagir de acordo com ela, adaptando-se a mudanças no ambiente, em vez de simplesmente seguir instruções.



Reconhecimento visual

O objectivo básico é interpretar cenários em vez de gerar imagens.

Programação automática

Programas especiais que assistem os programadores no processo de desenvolvimento de software: design, escrita, teste, debug e avaliação. No limite teriamos um sistema capaz de desenvolver software por si só, de acordo com as especificações do programador. Ex: algumas ferramentas de CASE.



Alguns SADs (self-evolving DSS) podem adaptar-se automaticamente a cada utilizador. Para isso são necessárias algumas capacidades extra:

• Menus dinâmicos que proporcionem diferentes hierarquias, de modo a corresponder aos requisitos dos diferentes utilizadores;

• Interface dinâmica que permita a utilização de diferentes representações dos resultados para diferentes utilizadores;

• SGBM inteligente que possa seleccionar os modelos apropriados, de modo a satisfazer as diferentes preferências dos utilizadores.



Funções da componente de conhecimento num SAD:

• Apoia os passos do processo de decisão que não podem ser desempenhados por processos matemáticos. Ex: a selecção apropriada dos dados de entrada dos modelos requer sabedoria;

• Apoia a construção, gestão e armazenamento de modelos num SAD com múltiplos modelos, melhorando as capacidades do SGBM;

• Apoia a análise de incerteza, onde é necessário saber seleccionar e aplicar as ferramentas apropriadas, desde de fuzzy logic até redes neuronais;

• Podem melhorar grandemente a interface com o utilizador, que tem um papel principal no campo dos SAD. EX: linguagem natural, reconhecimento de voz.

subsistema de gestão de modelos

Documents