tópicos de inteligência artificial curso de mestrado em ... · pdf...

Tópicos de Inteligência Artificial Notas de apoio às aulas

Curso de Mestrado em Sistemas de Informação Geográfica

DECivil, IST

João Bento

Jorge Côrte-Real

Secção de Mecânica Aplicada

Departamento de Engenharia Civil

-1-

Parte I

INTRODUÇÃO

-2-

Se a elucidação da mente é a última fronteira

das ciências da vida,

a consciência parece ser o último mistério da

elucidação da mente.

(António Damásio, in «O Sentimento de Si»)

-3-

Programa Introdução

Um conceito de Inteligência Artificial (IA) Fontes da IA Síntese Histórica da IA Modelação e resolução de problemas Utilização de computadores em apoio das actividades de modelação em problemas mal estruturados Métodos computacionais aplicados à resolução de problemas

Programação procedimental Programação declarativa

Conceitos básicos para a aplicação de técnicas de IA aos SIG Métodos básicos de resolução de problemas (problem-solving)

Espaços de estados Redução de problemas Procura num espaço de estados

Abordagens Simbólicas Paradigmas formais para a representação do conhecimento

Tipos de inferência Estratégias de raciocínio

Sistemas periciais Sistemas fundados no Raciocínio Baseado em Casos (RBC) Sistemas de indução

Abordagens Conexionistas Redes Neuronais Artificiais

Exemplos de aplicação e casos de estudo Sistemas periciais Sistemas de indução Sistema fundados no RBC Sistemas de extracção, classificação e de extrapolação com Redes Neuronais Artificiais

Introdução ao uso de ferramentas para a construção de sistemas inteligentes

Programação em lógica: PROLOG Lógica e objectos: XLOG+ Sistemas de produção / enquadramentos: KAPPA-PC Sistemas fundados no RBC: ESTEEM Sistemas de indução Redes Neuronais Artificiais: NeuroSolutions

-4-

Detalhe do Programa

Matéria Apresentação Introdução

Um conceito de Inteligência Artificial (IA) Fontes da IA Síntese Histórica da IA Modelação e resolução de problemas Utilização de computadores em apoio das actividades de modelação em problemas mal estruturados Métodos computacionais aplicados à resolução de problemas

Programação procedimental Programação declarativa

Conceitos básicos para a aplicação de técnicas de IA aos SIG Métodos básicos de resolução de problemas (problem-solving)

Espaços de estados Redução de problemas Procura num espaço de estados

Abordagens Simbólicas Paradigmas formais para a representação do conhecimento

Tipos de inferência Estratégias de raciocínio

Introdução ao uso de ferramentas para a construção de sistemas inteligentes

Programação em lógica: PROLOG Lógica e objectos: XLOG+

Sistemas Periciais Introdução ao uso de ferramentas para a construção de sistemas inteligentes

Sistemas de produção / enquadramentos: KAPPA-PC Abordagens Simbólicas

Sistemas fundados no Raciocínio Baseado em Casos (RBC) Introdução ao uso de ferramentas para a construção de sistemas inteligentes

Sistemas fundados no RBC: ESTEEM Sistemas de indução

Abordagens Conexionistas Redes Neuronais Artificiais Introdução ao uso de ferramentas para a construção de sistemas inteligentes

Redes Neuronais Artificiais: NeuroSolutions

-5-

Bibliografia

Além de textos manuscritos de apoio às aulas, a fornecer casualmente ao longo do período, sugere-se, a seguinte bibliografia de apoio (não essencial):

ALEXANDER, I.; MORTON, H., An Introduction to Neural Computing, Chapman & Hall, London, 1990.

DIM, C.; LEVITT, R., Knowledge-based Systems in Engineering, McGraw-Hill, 1991. KOLODNER, J., Case-Based Reasoning, Georgia Institute of Technology, Morgan Kaufmann Publishers Inc., 1993

HERTZ, J.; KROGH, A.; PALMER, R., Introduction to the Theory of Neural Computation, Santa Fe Institute, Addison Wesley, 1991.

PARSAY, K.; CHIGNELL, M., Expert Systems for Experts, John Wiley and Sons, Inc., New York, 1988.

PATTERSON, D., Artificial Neural Networks: Theory and Applications, Prentice Hall, 1995.

RICH, E.; KEVIN KNIGHT: Artificial Intelligence-Second Edition, McGraw-Hill Inc., New York, 1991.

RUSSELL, S.; NORVIG, P.: Artificial Intelligence-A Modern Approach, Prentice Hall, New Jersey, 1995.

Avaliação Modelo 1:

• exame: 60% nota final; • trabalho: 40% nota final;

Modelo 2:

• trabalho de nível de dificuldade superior: 100% nota final.

Horário e calendário Ano lectivo de 2000/01:

• Quinta-feira: 12:00 - 14:30; • 10-12 semanas

-6-

«Posicionamo-nos no limiar de uma nova era susceptível de

vencer a dicotomia primária entre inteligência humana e

artificial, em que o desafio desta última consistia em

imitar de forma cada vez mais perfeita a primeira. No

universo da inteligência colectiva ou partilhada as

pirâmides são substituídas por árvores do conhecimento e a

aprendizagem produz-se em sistemas abertos e ligados em

rede, ou seja, mediante a construção de verdadeiras

comunidades do saber…»

(Roberto Carneiro, Ex-Ministro de Educação, membro da

Comissão Internacional para a Educação no séc. XXI,

1998).

-7-

Outros temas de reflexão: 1- «The opposite of artificial intelligence is natural

stupidity»; 2- «O computador é um objecto naturalmente estúpido»; 3- A natureza estática, definitiva e fechada da maior parte

dos programas comerciais e o seu uso indevido estão na

origem de novos problemas relacionados com a utilização

de computadores: «contrariamente ao que seria de esperar,

a informatização generalizada popularizou os projectos de

estruturas e, simultaneamente, reduziu drasticamente a

sua qualidade. A utilização indiscriminada, e sem

qualquer controlo, de programas de cálculo automático em

que os projectistas não têm necessidade de intervir

activamente nas diferentes fases do cálculo, e a

confiança cega nos resultados do computador, conduzem à

perda de sensibilidade estrutural […] Ainda que

inconscientemente, a utilização destes programas traduz-

se, por vezes, na demissão das responsabilidades do

projectista» (Lourenço et al., 1999);

4- Se é certo que «até agora, aprendemos quase nada sobre as

capacidades e métodos cognitivos humanos a partir do

desenvolvimento de programas de jogos de xadrez» (Casti,

1988), pelo menos foi possível demonstrar que «as

capacidades dos computadores podem suplantar as

capacidades humanas numa área significativa da cognição

humana… e que as investigações aprenderam algo das

estratégias cognitivas dos jogadores de xadrez, ainda que

os programas desenvolvidos não raciocinem como eles»

(Cross, 1999).

-8-

Inteligência Artificial (IA)

Possível definição:

Domínio científico que visa o estudo da inteligência humana

e o da construção de sistemas computacionais capazes de

evidenciar comportamento inteligente.

A IA, ao longo da sua história, tem produzido abordagens

distintas, das quais se podem destacar as seguintes (Russel

et al., 1995, p. 5):

(1) «Sistemas que pensam racionalmente»;

(2) «Sistemas que pensam como humanos»;

(3) «Sistemas que actuam racionalmente»;

(4) «Sistemas que actuam como humanos».

As duas primeiras orientam-se para os processos do

raciocínio e da cognição, enquanto que as últimas se

preocupam essencialmente com comportamentos. As perspectivas

associadas à racionalidade mobilizam aspectos da matemática

e da engenharia, enquanto que as centradas nos humanos

envolvem hipóteses e experiências para a sua validação.

-9-

Uma definição operacional de inteligência foi estabelecida

nos primórdios da IA, através do teste de Turing (1950).

Programar um computador para passar este teste exigiria

dotá-lo das seguintes capacidades:

- Comunicação, através do processamento de linguagem

natural;

- Representação do conhecimento, com a finalidade de o

armazenar e manipular;

- Raciocínio (Inferência) automático, a partir do

conhecimento armazenado, com a finalidade de responder a

quesitos ou de alcançar novo conhecimento;

- Aprendizagem Mecânica, de modo a permitir a adequação a

novas circunstâncias e a induzir relações e padrões.

-10-

Sensores Actuadores

Avaliação do Desempenho

Crítica

Base de Conhecimento

Específicocasos

exemplos

Genéricofunções

regras lógicas

Justificação

Orientação

Ambiente Exterior

AprendizagemJustificação

Orientação

Inferência

Sensores

INTERPRETAÇÃOANÁLISE

AVALIAÇÃOPROSPECÇÃO

Selecção

Sensores Actuadores

Avaliação do Desempenho

Crítica


Específicocasos

exemplos

Genéricofunções

regras lógicas

Justificação

Orientação

Justificação

Orientação

Ambiente Exterior

AprendizagemJustificação

Orientação

Inferência

Sensores



Selecção

Modelo de sistema com capacidades para evidenciar comportamento

inteligente (Andrade, 1999, p. 98)

-11-

Fontes e áreas de trabalho e resultados em

Inteligência Artificial

Inteligência Artificial

Fontes

Contribuições

•Representação do Conhecimento •Raciocínio •Apoio ao projecto •Aprendizagem •Ferramentas de software para IA •Planeamento •Processamento de línguas •Robótica •...

•Ciência da computação •Linguística •Lógica •Psicologia •Ciência cognitiva •...

•Sistemas Periciais •Animação comportamental •Demonstração de teoremas •Interfaces “inteligentes” •Planeamento •Raciocínio geométrico •Reconhecimento de padrões •Robótica e Controlo •Tradução automática •Visão •...

Áreas de trabalho

-12-

Fontes da Inteligência Artificial

A IA constitui um domínio autónomo ecléctico.

a) Da Filosofia

Dos mais de 2000 anos de tradição da filosofia, recebeu

teorias do conhecimento e da aprendizagem. Desde o século 5

a.c., que a epistemologia tem assumido três vias:

(1) A do racionalismo (de Platão, de Sócrates, de

Descartes), com o primado do abstrato, de absoluto, do

a priori e do dedutivo;

(2) A do construtivismo e do empirismo (dos Sofistas

gregos, de Bacon, de Locke e Hume), caracterizado pela

percepção, pelo relativo, pelo a posteriori, pelo

indutivo e pelo abdutivo;

(3) A do dualismo (de Aristóteles, Kant e Bertrand Russel).

b) Da Matemática

Dos mais de 400 anos da matemática, a IA incluiu teorias da

lógica, das probabilidades, da decisão e da computação.

A abordagem filosófica da lógica remonta a Aristóteles.

George Boole (1815-1864)definiu uma linguagem formal que

proporcionava inferências lógicas.

-13-

Em 1879, Gottlob Frege estabeleceu a lógica de predicados ou

lógica de 1ª ordem, a qual constitui, hoje, o sistema mais

básico de representação do conhecimento.

Gödel (1906-1978), através do teorema da incompletude,

demonstrou que, em qualquer linguagem suficientemente capaz

de descrever as propriedades dos números naturais, existem

afirmações cuja verdade não pode ser estabelecida por

nenhum algoritmo.

Em meados de 1960 Cogham estabeleceu a noção de

intractabilidade, estabelecendo a distinção entre problemas

cujo tempo de resolução tem um crescimento polinomial ou

exponencial em função da dimensão das entidades envolvidas.

Na mesma década surgiu, na teoria da complexidade, o

conceito de redução, através do qual é possível transformar

problemas de uma classe numa outra, de modo a que as

soluções da primeira classe possam ser encontradas na

segunda e, desse modo, possibilitar a resolução dos

problemas.

A noção de exprimir uma computação como um algoritmo formal

tem origens nos Árabes, no século IX.

A teoria da decisão, iniciada por Neumann (1944), combina a

teoria das probabilidades dom a teoria da utilidade.

c) Da Psicologia

Da psicologia, a IA aproveitou os processos de investigação

sobre a inteligência humana.

-14-

d) Da Linguística

Da linguística, a IA recebeu teorias da estrutura (a

sintaxe) e do significado da linguagem (a semântica). Por

outro lado, tem existido uma intricada colaboração entre a

linguística e a IA no que respeita à representação do

conhecimento.

e) Da Ciência da Computação

Finalmente, da ciência da computação, a IA tem recebido o

artefacto e o software de desenvolvimento.

O computador foi adoptado como o artefacto com a maior

capacidade de demonstrar inteligência. Até se chegar, em

1940, ao primeiro computador operacional actual,

desenvolvido por Alan Turing, diversos instrumentos de

cálculo o antecederam.

O ábaco existe à cerca de 7000 anos.

A máquina de Pascal, que subtraía e adicionava, foi criada

no século XVII.

O projecto de Babbage de uma máquina de computação

programável (com memórias endereçáveis, armazenamento de

programas e saltos condicionais), foi concebido no séc.

XVIII. O primeiro programador é considerado Ada Lovelace,

que escreveu programas para a máquina de Babbage.

A ciência da computação, em termos de software, proporcionou

os sistemas operacionais, as linguagens de programação e as

ferramentas necessárias para escrever os programas actuais.

-15-

f) Da Ciência Cognitiva

A ciência cognitiva começou por tentar explicar, a cognição,

a inteligência e a linguagem humana de uma forma

racionalista, defendendo que a representação simbólica é a

base, necessária e suficiente, da inteligência e

considerando que o comportamento inteligente é independente

do suporte em que ele se desenvolve (seja ele o cérebro ou o

computador) (Newell, Shaw, Simon, 1967). De acordo com esta

teoria:

(1) Os sistemas inteligentes raciocinam sobre

representações simbólicas do mundo real através de

processos independentes do suporte onde são executados;

(2) A resolução de problemas é o resultado de processos de

Procura num espaço confinado de potenciais soluções;

(3) A comunicação consiste na troca de informações.

Em contrapartida, os que se orientam para a abordagem

funcionalista, na qual a cognição humana é olhada,

essencialmente, na perspectiva da implementação de processos

sobre um determinado suporte, entendem que as actividades

cognitivas são condicionadas pelas limitações dos meios que

as implementam.

Clark (1990) salienta que nenhum estudo sério sobre a

inteligência pode ser conduzido num vácuo biológico.

-16-

Nesta óptica, a comunicação não tem por finalidade a troca

de informação e a linguagem não serve para descrever, mas

antes constitui uma acção que estabelece compromissos e

orientação mútua entre os agentes envolvidos.

O entendimento de uma mensagem só poderá ser alcançado se os

intervenientes tiverem conhecimentos e interesses comuns que

lhes permita o estabelecimento de orientações comuns.

O significado de uma mensagem é contextual e, por isso,

criado dentro da rede de compromissos estabelecida (Turk,

1998).

A modelação Cognitiva: (1) Fundamentos; (2) Avaliação; (3) Apoio.

(Andrade, 1999)

Teoria Cognitiva

InteligênciaArtificial

1InterpretaçãoIntrospecção

Psicologia cognitiva

1

AprendizagemTécnicas de IA

2

1

ActividadesCognitivas Humanas

3

21

1

Sistemas de Apoio

Teoria Cognitiva

InteligênciaArtificial

1InterpretaçãoIntrospecção


InterpretaçãoIntrospecção


1

AprendizagemTécnicas de IA

2

1

ActividadesCognitivas Humanas

3

21 21

1

Sistemas de Apoio

-17-

Síntese Histórica da Inteligência Artificial

Época Descrição 1943-

1956

A gestação da IA

1943- O modelo de neurónios artificiais de McCulloch e Pitts-> início da tradição lógica e do conexionismo na IA.

1949- Hebb propôs uma regra de adaptação das ligações entre neurónios, que proporcionava a aprendizagem automática.

1950- Shannon e Turing concebem programas de xadrez.

1951- Minsky constrói o primeiro computador de redes neuronais.

1956- Newell e Simon concebem o primeiro programa de inferência lógica.

É estabelecido o nome do novo domínio: Inteligência Artificial.

1952-

1969

Desenvolvimentos iniciais

1952- através de uma série de programas de jogos, Samuel refuta a ideia de que os computadores só conseguem executar aquilo para o qual foram programados.

1958- McCarthy define a linguagem Lisp, inventa o time sharing e descreve o Advice Taker, considerado o primeiro sistema completo de IA. Este sistema utiliza a estratégia de procura na resolução dos problemas, adopta uma representação formal explícita envolve processos dedutivos de manipulação deste conhecimento.

-18-

1959- Friedberg leva a cabo experiências na evolução mecânica (hoje designada por algoritmos genéticos), baseada no conceito da simples mutação do código máquina dos programas.

1963- Robinson descobre o método de resolução, um algoritmo de prova completo para a lógica de 1ª ordem.

1960- Widrow cria as redes adalines;

1962- Rosenblatt cria os perceptrões e prova o teorema de convergência do perceptrão, demonstrando que o seu algoritmo de aprendizagem é capaz de ajustar os pesos das ligações de um perceptrão de modo a corresponder a qualquer conjunto de dados de entrada, desde que essa correspondência exista.

1966- Green cria sistemas de pergunta, resposta e de planeamento; Shakey desenvolve projectos de robótica.

1966-

1974

Fase de Estagnação em resultado de: - Expectativas pouco consistentes;

- Desenvolvimentos aplicáveis apenas a universos

restritos;

- Manipulação meramente sintáctica de reduzido

conhecimento acumulado, sem nenhum enquadramento

proporcionado por conhecimento genérico, que originaram

erros graves, como o da tradução de «the spirit is

willing but the flesh is weak» em «the vodka is good but

the meat is rotten»;

- Dificuldades em abordar a intractabilidade de muitos

problemas;

- Limitações fundamentais nas estruturas básicas

utilizadas para gerar comportamentos inteligentes (e.g.

Minsky e Papert, demonstraram a incapacidade dos

perceptrões em lidar com a não separação linear).

-19-

1969- Bryson e Ho. descobrem o algoritmo de aprendizagem

por retro-propagação das redes neuronais, mas o seu

impacto só se fará sentir mais tarde.

1969-

1979

Sistemas Baseados no Conhecimento

As abordagens anteriores foram designadas de métodos fracos.

1969- Buchanan et al. desenvolvem o primeiro sistema bem sucedido possuidor de conhecimento do domínio, designado de DENDRAL. Desenvolvimentos subsequentes incorporam conhecimento na forma de regras, em moldes que permitem a sua clara separação dos componentes de inferência.

-A partir de um Projecto de Programação Heurística, são investigadas novas aplicações baseadas na nova metodologia dos sistemas periciais, designadamente no diagnóstico médico e no estudo da linguística natural.

-Surgem novas linguagens de representação do conhecimento. Umas baseadas na lógica, como a Prolog, outras baseadas na ideia de Minsky que originou uma abordagem mais estruturada designada por enquadramentos (1975).

1980-

1988

Desenvolvimentos comerciais

Diversas aplicações de sistemas periciais obtiveram sucessos comerciais em áreas específicas.

1986- ...

O ressurgimento das Redes Neuronais e dos Algoritmos Genéticos

- São identificadas as limitações dos sistemas periciais.

1986 - A reinvenção de algoritmo de aprendizagem por retro-propagação impulsiona o desenvolvimento das redes neuronais e permite suplantar a limitação identificada por Minsky.

- Holland revitaliza o potencial exploratório dos

algoritmos genéticos.

-20-

1987- ...

O Estado da Arte

- O modelo Conexionista;

- O Raciocínio Baseado em Casos;

- Os sistemas cooperativos de IA distribuída, nos quais os sistemas individuais constituem agentes autónomos, especializados num domínio específico, que interagem entre si para alcançar as funcionalidades globais;

- Os Algoritmos Genéticos;

- Os Sistemas Periciais;

- A participação colaborativa num universo multidisciplinar distribuído no espaço, no tempo e em conteúdo.

-21-

Introdução à Modelação e Resolução de Problemas De acordo com Simon et al. (1958) um problema bem

estruturado caracteriza-se por:

(1) Poder ser completamente descrito em termos

quantitativos;

(2) O objectivo a atingir poder ser descrito por uma

função objectivo;

(3) Existirem algoritmos que permitem obter e descrever

soluções quantitativamente.

Todos os problemas que não cumpram um destes requisitos são

considerados «fracamente estruturados».

Um problema pode ser descrito formalmente através dos

seguintes quatro componentes:

(1) Um estado inicial;

(2) Um conjunto de operadores;

(3) Uma função de teste do objectivo a atingir;

(4) Uma função de utilidade associada a cada caminho para

se alcançar o estado objectivo.

(5) O caminho que, no espaço de estados, une o estado

inicial ao estado objectivo constitui,

simultaneamente, a solução e a história da solução do

problema.

A abordagem tradicional da resolução de problemas estabelece

que, para cada problema «bem estruturado» resolúvel, existe

uma solução, possivelmente a melhor, a qual pode ser

encontrada no espaço do problema, entre um conjunto de

-22-

possíveis soluções disponíveis, através de um processo de

Procura mais ou menos inteligente.

Espaço de estados

As diversas soluções alternativas, assim como os estados

iniciais e intermédios que as antecederam, definem um espaço

de estados do problema.

O conceito da IA prevalecente na modelação de problemas é o

de que o espaço de estados contém todas as soluções

concebíveis num determinado domínio de aplicação.

Deste modo, a aplicação deste conceito proporciona

delimitações que permitem o emprego de estratégias de

procura e de planeamento.

Contudo, em muitos domínios complexos, este espaço é

infinito e muitos dos seus estados não são conhecidos a

priori. Esta é a situação que caracteriza os problemas

definidos como fracamente estruturados.

Abordagens da resolução de problemas

A resolução de problemas pode ser vista segundo duas

perspectivas:

(1) A derivativa;

(2) A generativa.

Na abordagem derivativa o espaço de estados é total e

previamente conhecido. Os estados objectivos representam

potenciais soluções e os estados iniciais são definidos

-23-

pelos dados do problema. Uma vez que todas as hipóteses que

conduzem a uma solução estão contidas na base de

conhecimento, a resolução do problema apenas consiste em

derivar hipóteses, a partir dos dados do problema, que em si

mesmo são uma parte da solução, ligando os estados iniciais

aos estados finais. Esta perspectiva, na qual a

identificação de soluções não é mais de que uma procura de

explicações para os dados do problema, modela adequadamente

actividades como as de diagnóstico.

As actividades criativas caracterizam-se por serem

generativas. Neste caso, não é possível antecipar o

conhecimento dos estados seguintes antes da sua criação. Na

resolução generativa de problemas, as soluções são

estabelecidas pela combinação de componentes das soluções

existentes na base de conhecimento. Estes componentes são

problemas «primitivos» – problemas que não são decomponíveis

e de solução trivial. A combinação dos componentes da

solução pode ser guiada por um conjunto de restrições e por

critérios de avaliação estabelecidos, que incluem

conhecimento heurístico.

Estratégias de resolução de problemas

Os sistemas que implementam a resolução de problemas

baseiam-se num modelo, que simula uma dada tarefa, criado e

representado numa base de dados com informações específicas

sobre o problema em causa. As soluções são encontradas

através de estratégias de procura ou de planeamento.

Na estratégia de procura o espaço de estados é percorrido

de modo a localizar uma ou a melhor solução, consoante a

formulação do problema. Este é um processo típico da

modelação orientada pelo produto, como no caso dos processos

-24-

de configuração, nos quais as composições dos artefactos são

estabelecidas por reorganização de componentes pesquisados

em memória.

Na estratégia de planeamento pretende-se encontrar

sequências de acções que permitam atingir um estado

objectivo a partir de um estado inicial. É a estratégia

adoptada na modelação orientada por processos. Neste modelo

as soluções não existem explicitamente na base de

conhecimento, mas antes são a tradução implícita dos

operadores empregues. Uma vez que são os operadores que

transformam os dados do problema em soluções, o aspecto

essencial deste paradigma também envolve uma procura, neste

caso, dos operadores mais apropriados a cada estado do

processo.

-25-

Programação Sequencial Procedimental (ou Imperativa)

Descrição: Um conjunto de números descrevendo o problema (input) é

mapeado para um outro conjunto de números que descreve os

resultados (output) pela aplicação sequencial e pré-

-estabelecida de um conjunto de rotinas ou procedimentos

previamente conhecidos – algoritmo.

INTERFACE

Procedimentos/ /Rotinas

Algoritmo/receita INPUT

(conjunto de números)

OUTPUT (conjunto de números)

Exemplo de programação Procedimental:

Programa de análise estrutural pelo Método dos Elementos Finitos

INTERFACE

Procedimentos/ /Rotinas

Algoritmo/receita INPUT

(conjunto de números)

OUTPUT (conjunto de

números)

Geometria, forças, características materiais, etc.

Modos vibração, esforços

deslocamentos, tensões, etc.

D

F = k δ F = m cx + kx

Menus

Rato

Janelas

esenhos

-26-

x +

-27-

Programação Declarativa

Descrição: Declara-se meramente o conhecimento existente sobre um dado

domínio, obedecendo a um determinado formalismo de

representação (usando conjuntos de símbolos habitualmente

não numéricos). Os mecanismos de inferência (raciocínio) que

podem operar sobre esse conhecimento ficam absolutamente

independentes do conhecimento expresso.

INPUT

(linguagem natural, sugestões)

OUTPUT (respostas, explicações,

sugestões)

Interface Máquina

de Inferência


factos

regras objectos

-28-

Principais características

que distinguem ambas as abordagens

Abordagem declarativa

• Problemas podem ser mal estruturados e não resolúveis

algoritmicamente (ou, sendo-o, provocam explosões

combinatórias de hipóteses).

• Separação clara entre base de conhecimentos e controlo do

programa;

• Capacidade de diálogo: podem fazer-se perguntas não

previstas antecipadamente e pedir-se explicações sobre as

respostas obtidas;

• Transparência na representação do conhecimento: pode

compreender-se uma base de conhecimentos através da sua

leitura, i.e. o conhecimento assim expresso está aberto à

introspecção;

• Capacidade de crescimento incremental: pode aumentar-se ou

diminuir-se a base de conhecimentos em qualquer altura,

sem necessidade de re-escrever outras partes;

• Processamento simbólico.

Abordagem procedimental

• Controlo embutido implicitamente no programa;

• Problemas podem ser modelados por processos algorítmicos;

• Processamento numérico;

• Conhecimento expressa, essencialmente, procedimentos.

-29-

Abordagens conexionistas vs. abordagens simbólicas em IA

Ambas as abordagens citadas visam abordar problemas do foro

cognitivo tais como representação de conhecimento,

raciocínio, resolução de problemas, aprendizagem, etc.

Tal dicotomia, resulta, em parte, do facto de as duas

famílias de modelos cognitivos mais proeminentes serem o

cognitivismo clássico e o conexionismo (Clark, 1989; Coyne,

1990). O primeiro centra-se na utilização de símbolos como

forma de representação mental. O segundo, ocupa-se da

representação implícita do conhecimento a um nível mais

baixo, replicando abordagens neuro-fisiológicas do

funcionamento do cérebro humano; evita, pois, a utilização

de estruturas proposicionais e a sua consequente

manipulação, para a representação de conhecimento e

raciocínio.

As principais diferenças que se identificam são as

seguintes:

Abordagens simbólicas:

• Representam conhecimento de forma explícita como, por

exemplo, em:

João é Professor ≡ Professor(João).

• Fornecem explicações para as inferências produzidas;

• Oferecem menor suporte para formas de “aprendizagem”

automática.

-30-

Abordagens conexionistas:

• Uma rede neuronal, por exemplo, não está aberta à

introspecção directa. O conhecimento que contém não existe

de uma forma explícita, senão enquanto um conjunto de

números (um conjunto de pesos associados às ligações entre

unidades);

• Não fornecem explicação sobre a forma como processa

informação e conhecimento;

• São muito mais vocacionadas para tarefas de aprendizagem.

i

j

kSaída k

Entrada i

Oculta j

Camadas:

Wjk

Wij

Arquitectura de um perceptrão de múltiplas camadas

-31-

Introdução aos Sistemas Periciais

De entre muitas outras disciplinas da área da IA, os

Sistemas Periciais ou Sistemas Baseados em Conhecimento,

emergiram como um dos casos de maior sucesso e de maior

impacto social.

Trata-se, à luz da classificação anterior, de uma disciplina

que se situa claramente do lado das abordagens simbólicas.

É, por outro lado, um resultado paradigmático da chamada

fase do conhecimento da IA, porquanto:

• se tratam de sistemas em que o conhecimento representado

sobre um domínio concreto de aplicação ocupa um papel

decisivo na capacidade de resolver problemas; i.e., em que

o uso desse conhecimento específico se sobrepõe à

manipulação sintáctica de estruturas de representação de

conhecimento, através de métodos genéricos de inferência;

• estão associados à aplicação comercial em larga escala da

IA.

Definição:

Programa de computador destinado a executar tarefas que

anteriormente eram desempenhadas unicamente por peritos no

domínio de conhecimento em causa.

-32-

Razões que permitiram o

aparecimento de Sistemas Baseados em Conhecimento

Sistemas Periciais

Trabalho teórico sobre representação e manuseamento de conhecimento

Novas técnicas de programação

Linguagens para manipulação simbólica: •Representação do conhecimento •Implementação de técnicas de emulação de raciocínio •dedução, abdução, indução

Metodologias para estruturação de conhecimento: •enquadramentos; •lógica; •redes semânticas; •regras de produção; •gestão e restrições; •agentes; •...

-33-

Sistemas Periciais

Principais componentes

1. Base de Conhecimentos: • Factos; • Regras; • Objectos; • Enquadramentos; • …

2. Máquina de Inferência; 3. Utilitário para Explicação; 4. Componente para aquisição automática de conhecimento; 5. Interface em língua natural.

Utilizador

Interface com utilizador

Utilitário de explicação

Máquina de inferência

Base de conhecimentos

Aquisição de conhecimento automática

Peritos(s)

Sensores, comunicações,

programas, etc.

Base de dados

externa

-34-

Um sistema baseado no conhecimento pode envolver três níveis de comunicação: 1) O do Conhecimento ou o Epistemológico- o nível mais

abstracto, revelador do conhecimento do sistema (e.g. «Humidade de precipitação em resultado de manchas concêntricas associadas a fendas».

2) O Lógico- codifica o conhecimento (e.g.

Sintoma(HumidadePrecipitação,ManchasConcêntricas,Fendas). 3) O de Implementação- o nível que é empregue no

desenvolvimento do sistema (e.g. uma matriz de caracteres “Sintoma(HumidadePrecipitação,ManchasConcêntricas,Fendas)” contida numa lista de matrizes de caracteres).

-35-

Representação do Conhecimento A finalidade da representação do conhecimento é a sua explicitação numa forma que seja manipulável pelo computador. Uma linguagem de representação do conhecimento é definida por dois aspectos: - A Sintaxe descreve as possíveis configurações das frases

(e.g. a sintaxe da frase Fumo=>Fogo indica uma relação de implicação entre dois factos);

- A Semântica determina o significado das frases,

estabelecendo uma ligação entre as frases e os factos do domínio em causa (e.g. a semântica da frase Fumo=>Fogo é verdadeira, uma vez que não há fumo sem fogo). As linguagens são caracterizadas Ontológica (a natureza da realidade que encerram) e Epistemologicamente (o conhecimento acerca dos possíveis estados da realidade representada).

Exemplos de Linguagens

Ontologia Epistemologia

Lógica de Proposições

Factos V/F/desconhecido

Lógica de Predicados

Factos,Objectos, Relações

V/F/desconhecido

Probabilidades Factos Certeza 0..1 Lógica Fuzzy Graus de Certeza Certeza 0..1

Inferência A inferência é todo o processo de construção de novas representações do conhecimento a partir das existentes. Este processo é correcto quando as novas representações têm correspondência a factos que estão relacionados com aqueles que correspondiam às representações existentes.

-36-

Representação de conhecimento e inferência

Exemplo introdutório (adaptado de Rich,1985):

Ferramenta: Lógica de 1ª ordem Representação do conhecimento: lógica de predicados Inferência: dedução (por resolução linear)

Questão: "Marco odiava César ?"

Base de conhecimentos:

• Marco era um homem. • Marco vivia em Pompeia. • Todos os cidadãos de Pompeia eram romanos. • César era um ditador. • Todos os romanos eram leais a César ou odiavam César. • Todos são leais a alguém. • As pessoas só tentam assassinar ditadores a quem não são

leais. • Marco tentou assassinar César. • Todos os homens são pessoas.

Representação formal do conhecimento expresso:

Bastaria ao utilizador re-escrever a base de conhecimentos de acordo com a gramática imposta pelo sistema em utilização. Exemplificando com o uso da linguagem XLOG (Feijó, 1897), far-se-ia:

• homem(Marco). • pompeu(Marco). • romano(x) se pompeu(x). • ditador(César). • leal a(x, César) ou odeia(x,César) se romano(x). • leal a(x, y). • ¬ leal a(x, y) se pessoa(x) e ditador(y) e tentou

assassinar(x,y). • tentou assassinar(Marco,César). • pessoa(x) se homem(x).

A pergunta poderia, então, ser feita através de: odeia(Marco,César) ?

-37-

Representação de conhecimento e inferência Exemplo introdutório

(continuação):

Tarefas a desempenhar relativamente ao conhecimento a

formalizar:

1º- Transformar o conhecimento expresso pelas frases declaradas para uma representação formalmente mais correcta em lógica de predicados:

• homem(Marco). • pompeu(Marco). • ∀ x, pompeu(x) → romano(x). • ditador(César). • ∀ x, romano(x) → leal a(x, César) ∨ odeia(x, César). • ∀ x, ∃ y → leal a(x, y). • ∀ x, ∀ y pessoa(x) ^ ditador(y) ^ tentou assassinar(x,y) →

¬leal a(x,y). • tentou assassinar(Marco, César). • ∀ x, homem(x) → pessoa(x).

2ª-Transformação de frases expressas em lógica de predicados para a forma clausal: […] várias etapas

• homem(Marco). • pompeu(Marco). • ¬ pompeu(s1) ∨ romano(s1). • ditador(César). • ¬ romano(s3) ∨ leal a(s3,César) ∨ odeia(s3,César).

• Leal a(x, s(x)). • ¬ pessoa(s4) ∨ ¬ditador(s5) ∨ ¬tentou assassinar(s4,s5) ∨ ∨ ¬leal a(s4,s5).

• tentou assassinar(Marco,César). • ¬ homem(s2) ∨ pessoa(s2).

-38-

Implementação de um mecanismo de dedução

Princípio da Resolução

Considerem-se as seguintes duas cláusulas

i. verão ∨ inverno. ii. ¬inverno ∨ frio

e note-se que a informação nelas contida pode ser mais

sinteticamente descrita pela cláusula iii, derivada a partir

das duas anteriores

iii. verão ∨ frio.

Para tal, analise-se o valor de ambas as cláusulas para

qualquer valor da preposição inverno:

• Repare-se que, caso inverno seja uma preposição verdadeira

a cláusula i também o é independentemente do valor de

verão; contudo, ¬inverno será falsa, pelo que, para que a

cláusula ii seja verdadeira é forçoso que frio também o

seja.

• Sendo óbvio que, caso inverno seja falsa, verão terá que

ser verdadeira e a validade da cláusula ii fica assegurada

independentemente do valor de frio, confirma-se que i e ii

podem ser substituídos por iii, pois para que i e ii sejam

ambas verdadeiras (independentemente do valor de inverno)

basta-nos assegurar que iii é verdadeira.

i. ii.

Verão ∨ inverno ¬inverno ∨ frio i ∧ ii V V → frio seja V V

F → verão seja V V V

inverno

-39-

Uma outra forma de compreender esta ilustração do princípio da resolução consiste em reparar como se pode derivar iii. a partir da seguinte representação de i. e ii baseadas no facto de ¬A ∨ B ser equivalente a A→B.

i. verão ∨ inverno ↔ ¬verão →inverno

ii. ¬inverno ∨ frio ↔ inverno → frio

iii. ∴ ¬verão → frio ↔ verão ∨ frio

-40-



Demonstração por redução ao absurdo:

Para demonstrar a validade de um dado teorema, pode

demonstrar-se que a sua negação é falsa. Pode, então,

adicionar-se uma cláusula correspondente essa negação, ao

conhecimento já existente e demonstrar que desse modo se

gera uma contradição, i.e. que o novo conhecimento assim

obtido é logicamente inconsistente.

Exemplo:

Para responder à pergunta "Marco odiava César ?", dever-se-á

tentar demonstrar que a negação dessa afirmação — " Marco

não odiava César" — está em contradição com o conhecimento

que se possui sobre Roma e Pompeia expresso na pequena base

de conhecimento em apreço.

Note-se, finalmente, que ao usar uma ferramenta para

construir sistemas periciais baseada em lógica (tal como no

exemplo analisado), bastaria ao utilizador re-escrever a

base de conhecimentos de acordo com a gramática imposta pelo

sistema em consideração. Todas as restantes operações não

ficariam a cargo do utilizador.

Caso se utilizasse o ambiente XLOG, por exemplo, tal

programa seria o seguinte:

homem(Marco) pompeu(Marco) romano(x) se pompeu(x) ditador(César) leal a(x César) ou odeia(x César) se romano(x) leal a(x y) não leal a(x y) se pessoa(x) e ditador(y) e tentou assassinar(x y) tentou assassinar(Marco César) pessoa(x) se homem(x)

A pergunta poderia, então, ser feita através de:

pergunta(odeia(Marco César))

-41-


Princípio da Resolução Atente-se, então, na construção e utilização do pequeno

sistema pericial sobre Pompeia acabado de analisar.

Base de conhecimentos: 1. homem(Marco). 2. pompeu(Marco). 3. ¬pompeu(s1) ∨ romano(s1). 4. ditador(César). 5. ¬romano(s3) ∨ leal a(s3,César) ∨ odeia(s3,César). 6. leal a(x, s(x)). 7. ¬pessoa(s4) ∨ ¬ditador(s5) ∨ ¬tentou assassinar(s4,s5)

∨ ¬leal a(s4, s5).

8. tentou assassinar(Marco,César). 9. ¬homem(s2) ∨ pessoa(s2).

Input:

0. ¬odeia(Marco,César).

Nas duas páginas seguintes, ilustra-se o processo de

inferência seguido para responder à pergunta anterior,

usando o algoritmo de resolução linear, para produzir a

demonstração pretendida, por dois caminhos possíveis.



0. 5.

10 3.

s3/M

¬romano(M) ∨ leal

134.

¬

) 2. 1
¬pompeu(M) ∨ leal a(M,C
-42-

127.

8. 14

( 15

161.

c

1

leal a(M,C)
¬pessoa(M) ∨ ¬ditador(C) ∨ ¬tentou
pessoa(M) ∨ ¬tentou

9.
¬pessoa
M
¬homem(
.q.d

M≡MarcoC≡César



0. 5.

¬ 10 7.

s3/M

romano(M) V leal

8.

¬19.

¬ 1

s2/M

4. 1
¬pessoa(M) V ¬ditador(C) V ¬tentou
-43-

¬1

M

1.

c

1

pessoa(M) V ¬tentou
2
pessoa(
3
homem(M)
4
.q.d

M≡MarcoC≡César

s4/M; /

-44-

Introdução ao

Raciocínio Baseado em Casos (RBC) No seio da IA, o RBC tem assumido diferentes perspectivas,

as quais constituem subdivisões desta abordagem, com

terminologia e conceitos específicos:

− Raciocínio baseado em exemplos ou protótipos- focaliza a resolução de problemas na sua associação com classes

previamente estabelecidas, as quais, por sua vez,

resultaram da uma agregação de exemplos conhecidos;

− Raciocínio baseado na memória– interpreta o RBC como um processo de resolução de problemas através da procura e

recuperação de casos afins de uma ampla memória;

− Raciocínio baseado na analogia– termo que foi

estabelecido para designar os processos que efectuam

comparações entre domínios de modo a permitir a

reutilização de casos de um domínio na resolução de

problemas de outro diferente;

− Raciocínio baseado em casos– este termo (incluído no

termo mais genérico RBC) está normalmente associado a

processos que manipulam representações explícitas e muito

estruturadas do conhecimento na adaptação dos casos

recuperados ao corrente contexto.

O Raciocínio Baseado em Casos tem sido reconhecido como uma

abordagem apropriada para lidar com conhecimento não

totalmente compreendido e adequado a domínios abertos.

-45-

O RBC é uma técnica da IA que se fundamenta na premissa de

que é útil inferir com base em analogias.

Materializa-se na procura, selecção e recuperação dos casos

passados, que mais se assemelham à situação em estudo, e na

sua posterior adaptação. Os projectistas adaptam as soluções

passadas à situação corrente estabelecendo preferências e

restrições e envolvendo indução, dedução, abdução, intuição

e experiência. Deste modo, o RBC é adequado para apoiar o

subprocesso de Síntese das estruturas que se estabelecerem.

A sua capacidade de aprendizagem decorre da integração das

novas soluções adaptadas ou de outros casos passados.

O RBC permite obviar limitações inerentes à representação e

processamento do conhecimento, designadamente no que se

refere ao apoio a tarefas essencialmente abdutivas (Smith,

1997). Igualmente contempla a intuição ou o «senso-comum»,

uma vez que lida com várias experiências passadas originadas

com base em diferentes concepções, adoptadas por diferentes

autores.

Esta técnica possui o potencial para assegurar apoio directo

à geração e utilização de conhecimento personalizado – seja

ele baseado em soluções ou em processos – a partir da

recuperação de casos ou fragmentos de casos passados, com

significado para a situação corrente. A personalização do

conhecimento através desta técnica pode ser alcançada quer

na organização dos casos passados guardados em memória, quer

na definição dos critérios para a sua recuperação, quer

ainda nas suas diferentes adaptações. «Nesta perspectiva, o

RBC pode constituir um poderoso meio de arquivar e

reutilizar conhecimento personalizado [...] , quer esse

-46-

conhecimento lide com concepção, modelação e análise ou com

o detalhe» (Fenves, 1998, p. 89).

descrição doCONTEXTO

RECUPERAÇÃOProcura Selecção

ADAPTAÇÃO



APRENDIZAGEM

Basede

Casos

RELAÇÃODE

AFINIDADE

Selecção

Uma modelação do Raciocínio Baseado em Casos (Andrade, 1999)

tópicos de inteligência artificial curso de mestrado em ... · pdf...

Documents