CIn- UFPE

1

Implementando Raciocínio na Ciência da Computacao

Lógica de Predicados/Primeira Ordem

Métodos Formais para Desenvolvimento de Sistemas

Banco de Dados Dedutivo

Inteligência Artificial

CIn- UFPE

2

Categorias de Raciocínio

Dedução: fatos + regras => novos fatos• causa => conseqüência• Inferência preserva a verdade

– (Onde há fogo(V) => há fumaça(V)) + aqui tem fogo => aqui tem fumaça

Indução: fatos => regras• conseqüência => causa • Inferência preserva a falsidade!!!

– Aqui tem fumaça e tem fogo => onde há fumaça(F) => há fogo(F)– Algumas reações químicas geram fumaça sem fogo

– Se Sr. Antônio, assim como D. Maria, tem dor de cabeça e dengue, então todo mundo que tem dengue tem dor de cabeça.

Analógico: casos similares + regras de adaptação => novos casos– Para construir este hospital, vou me basear no projeto daquele outro…

CIn- UFPE

3

Lógica

Já viram • Raciocínio indutivo• Raciocínio dedutivo (regras de inferência)

– Os silogismos que nós trabalhamos são um exemplo…Nenhum tirano é amado.Dionísio é tirano.Dionísio não é amado

Também trabalharam com procedimentos de prova• Dedução natural

– Um provador que utiliza dedução natural é o Alfie, disponível em http://www.cs.chalmers.se/~sydow/alfie/

• Resolução

CIn- UFPE

4

Desenvolvimento de Sistemas:Problemas

Crise de Software• Desenvolvimento é ad-hoc• Não há um padrão para o processo de desenvolvimento • É preciso utilizar técnicas, teorias, métodos, ferramentas

Profissionais são incapazes de controlar• Custo• Tempo de duração do processo de construção do software• Qualidade do Produto desenvolvido

Manutenção toma 70-80% do esforço

CIn- UFPE

5

Desenvolvimento de Sistemas:Uma Solução

Uso de Métodos Formais em Engenharia de Software

São métodos de desenvolvimento de software através dos quais se pode:• definir precisamente um sistema e

• a partir destas definições, desenvolver implementações garantidamente corretas

– implementações que façam o que foi inicialmente especificado, terminem, e sejam eficientes

CIn- UFPE

6

O Problema da Especificação de Software

Especificação

Projeto

Implementação

Manutenção

Especificação: informal

Projeto: informal ou estruturado, semi-formal • JSD, Yourdon, OMT, BON, UML, ...

Implementação: sem garantia de realizar o projeto

Verificação e validação são ignorados!

CIn- UFPE

7

Um Exemplo de Especificação

Tipo: pilha-int

Funções vazia: -> pilha-int push: int pilha-int -> pilha-int pop: pilha-int -> pilha-int top: pilha-int -> int e_vazia: pilha-int -> bool

Axiomaspop (push (i, p)) = p top (push (i, p)) = i e_vazia (p) = (p = vazia)

CIn- UFPE

8Programas Abstratos... Podem derivar

Programas “Reais”

Descrições de estado• Exemplo de estado

Variáveis x, y, e z

• Uma fórmula descreve um estado se ela é tornada verdadeira pelos mapeamentos do estado

x = 2 x + z < yx = 2y = 17 z = 3

• Um estado satisfaz uma fórmula se aquela fórmula o descreve

• Cálculo de predicados

xyz

2173

CIn- UFPE

9

Então...

Primeiro, especificamos o sistema via pré e pós-condições;

Depois, esta descrição matemática é transformada gradualmente em código refinamento do programa!

Se tivermos as propriedades da especificação codificadas em uma linguagem lógica, conseguimos prová-las.

Resumindo... Usando técnicas de raciocínio lógico, podemos: (1) verificar se o programa produz o que se espera; (2) verificar se o programa termina; (3) derivar código para construir programas que satisfazem a uma

especificação; (4) transformar um sistema em outro equivalente;

CIn- UFPE

10

Bancos de Dados

Um Banco de Dados é uma coleção de dados relacionados

Mais precisamente...• Um BD é projetado, construído e preenchido com dados para

um objetivo específico• Tem um público alvo e algumas aplicações nas quais os

usuários estão interessados.

Um banco de dados pode ser:• Manual: catálogo de cartões da biblioteca;• Computadorizado: sistema de alunos da universidade.

CIn- UFPE

11

Por que usar Banco de Dados?

Banco de Dados X Sistema de ArquivosDados manipulados porvários usuários com umaúnica visão

Registros físicos compostos de campos

Agrupamento de um conjunto de arquivos, compartilhados por usuários diferentes, concorrentes e... competidores

Dados manipulados por vários usuários com visões diferentes

CIn- UFPE

12

Sistemas Gerenciadores de Bancos de Dados

Um SGBD é uma coleção de programas para criação e manutenção de um banco de dados.

Facilita os processos de definição, construção e manipulação do Banco de Dados.

Tem por objetivo eliminar ou reduzir• Redundância e inconsistência de dados• Dificuldade no acesso aos dados• Isolamento dos Dados• Anomalias de acesso concorrente• Problemas de segurança

CIn- UFPE

13

Um SGBD tem esta cara

Usuários/Programadores

Aplicações/Queries

Acesso aos dados

Processamento de Queries

Meta-Dados

BD

CIn- UFPE

14

SGBD Dedutivo

Um SGBD Dedutivo é um sistema capaz de deduzir informações adicionais a partir dos fatos e das regras que estão armazenados no banco de dados. • Fatos - são especificados como relações.• Regras - especificam relações virtuais que não estão

armazenadas no banco, mas que podem ser deduzidas a partir dos fatos.

Também são conhecidos como banco de dados lógicos.

O modelo usado pelos BDs dedutivos é relacionado à Programação em Lógica (Prolog) • Eles trabalham com a linguagem Datalog

CIn- UFPE

15

Um Exemplo de SGBD Dedutivo

Regras:• cabeça (premissa) :- corpo (conclusão)(1) superior (X,Y) :- supervisiona (X,Y)(2) superior (X,Y) :- supervisiona (X,Z), superior(Z,Y)

Fatos conhecidos:• supervisiona (francisco, joão)• supervisiona (francisco, roberto)• supervisiona (francisco, jane)• supervisiona (maria, alice)• supervisiona (maria, antônio)• supervisiona (tiago, francisco)• supervisiona (tiago, maria)• supervisiona (X,Y) é falso para qualquer outra combinação

CIn- UFPE

16Um exemplo: Fatos derivados pelas regras

pela regra (1)

superior (francisco, joão)superior (francisco, roberto)superior (francisco, jane)superior (maria, alice)superior (maria, antônio)superior (tiago, francisco)superior (tiago, maria)

pela regra (2)

superior (tiago, joão)superior (tiago, roberto)superior (tiago, jane)superior (tiago, alice)superior (tiago, antônio)

CIn- UFPE

17

Inteligência Artificial (IA): definição Surgiu na década de 50

Objetivo: desenvolver sistemas para realizar tarefas que, no momento• são melhor realizadas por seres humanos que por máquinas, ou• não possuem solução algorítmica viável pela computação

convencional

Se o ser humano pode, por que não a máquina? (tese de Church-Turing)

problemas que não possuemuma solução algorítmica

problemas solúveispor seres humanos

IA

CIn- UFPE

18

Aplicações

Matemática: demonstração de teoremas, resolução simbólica de equações, geometria, etc.

Pesquisa operacional: otimização e busca heurística em geral Jogos: xadrez, damas, go, etc. Processamento de linguagem natural: tradução automática,

verificadores ortográficos e sintáticos, interfaces para BDs, etc. Sistemas tutores: modelagem do aluno, escolha de estratégias

pedagógicas, etc. Percepção: visão, tato, audição, olfato, paladar... Robótica (software e hardware): manipulação, navegação,

monitoramento, etc. Sistemas especialistas: diagnóstico, previsão, monitoramento,

análise, planejamento, projeto, etc.

CIn- UFPE

19

Sistemas Inteligentes

São sistemas capazes de “raciocinar” para resolver um problema

Como escolher o tipo de raciocínio a usar?

Depende do que eu sei e da natureza do problema• Conhecimento => modelo do problema (regras) SIM

– Dedução: Sistemas baseados em conhecimento

• Modelo do problema NÃO & exemplos de solução SIM– Indução: Sistemas baseados em aprendizagem automática

• Modelo do problema FRACO & exemplos de solução SIM– Analogia: Sistemas de raciocínio baseado em casos

CIn- UFPE

20

Esclarecendo...

Dados:• cadeias numéricas ou alfanuméricas que não possuem

significado associado• podem ser fatos ou figuras a processar

Informação:• dados organizados• significam alguma coisa para quem os recebe

Conhecimento:• representa objetos (entidades) de algum domínio, com suas

propriedades e relações• Conhecimento em extensão = exemplos• Conhecimento em intenção = regras

CIn- UFPE

21

Problema…

West é criminoso ou não? • “A lei americana diz que é proibido vender armas a uma

nação hostil. Cuba possui alguns mísseis, e todos eles foram vendidos pelo Capitão West, que é americano”

Como resolver automaticamente este problema?

Solucionando o problema em linguagem natural

A) odo americano que vende uma arma a uma nação hostil é criminosoB) Todo país em guerra com uma nação X é hostil a XC) Todo país inimigo político de uma nação X é hostil a XD) Todo míssil é um armaE) Toda bomba é um armaF) Cuba é uma naçãoG) USA é uma naçãoH) Cuba é inimigo político dos USAI) Irã é inimigo político dos USAco

nhec

imen

to p

révi

o

J) West é americanoK) Existe um mísseis em cubaL) Os mísseis de cuba foram vendidos por West co

nhec

imen

to

do p

robl

ema

novo

co

nhec

imen

to

M) Cuba possui um míssel M1 - de KO) M1 é uma arma - de D e NP) Cuba é hostil aos USA - de F, G, H e CQ) M1 foi vendido a Cuba por West - de L, M e NR) West é crimonoso - de A, J, O, F, P e Q

CIn- UFPE

23

Sistemas Baseados em Conhecimento:Dedução

Utilizam conhecimento em intenção e um mecanismo de raciocínio dedutivo (inferência) para resolver problemas

Principais componentes:• Base de Conhecimento • Mecanismo de Inferência

Base de Conhecimento:• contém sentenças em uma Linguagem de Representação de

Conhecimento– representa conhecimento de forma “tratável” pelo computador– Ex. LPO

Mecanismo (máquina) de Inferência:• responsável por raciocinar (inferir), a partir do conhecimento da

base, novos fatos ou hipóteses intermediárias

Solucionando o problema em LPO

A) x,y,z Americano(x) Arma(y) Nação(z) Hostil(z) Vende(x,z,y) Criminoso(x)B) x Guerra(x,USA) Hostil(x)C) x InimigoPolítico(x,USA) Hostil(x)D) x Míssil(x) Arma(x)E) x Bomba(x) Arma(x)F) Nação(Cuba)G) Nação(USA)H) InimigoPolítico(Cuba,USA)I) InimigoPolítico(Irã,USA)co

nhec

imen

to p

révi

o

J) Americano(West)K) x Possui(Cuba,x) Míssil(x) L) x Possui(Cuba,x) Míssil(x) Vende(West, Cuba,x) co

nhec

imen

to

do p

robl

ema

novo

co

nhec

imen

to M) Possui(Cuba,M1) - Eliminação: quantificador existencial eN) Míssil(M1) conjunção de KO) Arma(M1) - Modus Ponens a partir de D e NP) Hostil(Cuba) - Modus Ponens a partir de C e HQ) Vende(West,Cuba,M1) - Modus Ponens a partir de L, M e NR) Criminoso(West) - Modus Ponens a partir de A, J, O, F, P e Q

Implementando a solução do problema:algumas possibilidades

Prolog • Linguagem de alto nível baseada em LPO• Tem mecanismo de inferência embutido

Java• Linguagem orientada a objetos• Mecanismo de inferência separado da linguagem

– Exemplos: Jess, JEOPS (CIn-UFPE)

Shells para criar sistemas baseados em regras de produção• Regras de produção são fáceis de escrever (if-then)• Sistemas gerados restringem a LPO• Mecanismo de inferência embutido

CIn- UFPE

26

Sistemas de Aprendizagem Automática:Indução

Modelo do problema NÃO & exemplos de solução SIM

Conhecimento em extensão(exemplos)

Conhecimento em intenção(regras, definições)

Exemplosdia 29, a Caxangá estava engarrafadadia 30, a Caxangá estava engarrafadadia 01, a Caxangá estava engarrafadadia 03, a Caxangá estava engarrafada

Hipótese indutivaTodo dia, a Caxangá está engarrafada

Sistema de aprendizagem

CIn- UFPE

27

Como o Sistema Aprende?

Técnicas de treinamento do sistema:• Aprendizagem supervisionada: certo ou errado

– Dado um conjunto de exemplos pré-classificados, o sistema deve aprender (induzir) uma descrição geral que encapsula a informação contida nesses exemplos, e que pode ser usada para prever casos futuros (generalização)

– ex. concessão de crédito

• Aprendizagem não-supervisionada: ? – Dado um conjunto de dados não classificados, agrupá-los por

regularidades– ex. caixa de supermercado empacotando

• Aprendizagem por reforço: recompensa/punição– ex. jogo de xadrez: é por aí!

CIn- UFPE

28Sistemas de Aprendizagem Indutiva:

Árvore de Decisão

A partir de um conjunto de propriedades, decide sim ou não

Representação de árvores de decisão• Cada nó interno testa um atributo• Cada ramo corresponde a um valor do atributo• Cada folha atribui uma classificação

Exemplo Soparia (by Carlos Figueira)• predicado-objetivo: vaiASoparia• Atributos considerados:

– Sono: Estou com sono?

– Transporte: Tenho como ir de carro? Carona? etc.

– CONIC: Devo estar amanhã cedo no CONIC?

– Álcool: Estou precisando de álcool?

– Sair: Quero sair de casa?

– Fome: Estou com fome?

CIn- UFPE

29

Árvore de Decisão “pensada”

Sono?

CONIC?

Carro

Não.

Outros

CONIC?Carona

Sim

Sim.

Não

Não.

Não

Quer sair?Sim

Não.

Sim.

Não

Meio detransporte?

PoucoSim

Não.

Sim.

Não

Precisa deálcool?

Sim

Sim

Sim.

Não

Não.

atributovalores

CIn- UFPE

30

ID3: exemplos da Soparia

Atributos: (Sono, Transporte, CONIC, Álcool, Sair, Fome)-> propriedade-objetivo• E01: (Pouco,Carro,Sim,Sim,Não,Sim) -> Sim!• E02: (Pouco,Carona,Não,Não,Sim,Sim) -> Sim!• E03: (Sim,Carro,Não,Sim,Sim,Sim) -> Não.• E04: (Pouco,Carona,Não,Não,Sim,Não) -> Sim!• E05: (Sim,Outros,Sim,Sim,Sim,Não) -> Não.• E06: (Pouco,Outros,Não,Sim,Não,Sim) -> Não.• E07: (Pouco,Carro,Sim,Não,Sim,Sim) -> Sim!• E08: (Pouco,Carona,Não,Não,Não,Sim) -> Não.• E09: (Sim,Carro,Não,Sim,Sim,Não) -> Não.• E10: (Não,Outros,Sim,Sim,Sim,Sim) -> Sim!• E11: (Não,Carro,Não,Sim,Sim,Não) -> Sim!• E12: (Não,Carona,Não,Sim,Sim,Sim) -> Sim!

CIn- UFPE

31

+: E1,E2,E4, E7-: E6,E8

Árvore de Decisão “Induzida”

+: E1,E2,E4,E7,E10,E11,E12-: E3, E5, E6, E8, E9

Sono?Não

PoucoSim

+: - - --: E3, E5, E9

+: E10,E11,E12-: - - -

Sim.Não.

OutrosCarro Carona

Meio detransporte?

+: - - --: E6

+: E1,E7-: - - -

+: E2,E4-: E8

Sim. Não.Quer sair?Sim Não

+: E2,E4-: - - -

+: - - --: E8

Sim. Não.

CIn- UFPE

32

Sistemas de Aprendizagem Automática:Implementação

Selecionar exemplos para treinamento e teste do Sistema• Classificados ou não

Apresentar os exemplos a um algoritmo de aprendizagem automática• Shells

– WEKA (ID3, KNN, Redes Bayesianas, …)• Simuladores de Redes Neurais

– SNNS (Stuttgart Neural Network Simulator)

CIn- UFPE

33

Raciocínio Baseado em Casos:Analogia

Modelo do problema FRACO & exemplos de solução SIM• Conhecimento em intenção e em extensão

É um método de resolução de problemas onde novos

problemas são resolvidos adaptando-se soluções de

antigos problemas similares

Um caso• é um episódio vivido• contém a descrição de problema + solução• exemplos: um paciente, um projeto arquitetônico, uma situação,

uma causa jurídica, etc.

CIn- UFPE

34

Casos: experiência vivida

Classificação: “Os problemas de ouvido deste paciente são casos típicos de otite média”

Soluções compiladas: “Os sintomas de coração do paciente X podem ser explicados da mesma maneira que aquele paciente Y”

Avaliando medidas: Minha casa é como aquela que foi vendida mais em baixo nesta rua por R$25.000,00 mas ela tem uma vista melhor”

Concepção (design): para projetar este hospital, vou me basear naquele que já fiz com um número de leitos parecido, embora tenha de adaptá-lo pois este é de esquina

Avaliando opções: se nós atacássemos as instalações dos mísseis cubanos/russos, seria como no caso de Pearl Harbor

novocaso(alvo)

casorecupe-

rado(fonte)

problema

CasosReutilizar

Recuperar

Reter

Revisar

novocaso

(alvo)

soluçãosugerida

soluçãofinal

casosolução

casotestado

ecorrigido

casoaprendido

Indexar

Funcionamento do RBC: ciclo dos 4 RE´s

CIn- UFPE

36

Exemplo

Usos- classificação (casa dos meus sonhos?)- estimativa de preços (adaptação)

CIn- UFPE

37

Algumas aplicações na WEB

FindMe agents• sugere filmes e carros em locadoras• raciocíno através de exemplos

Help Desk• sistema responde dúvidas mais simples, diminuindo a

necessidade em contatar seus engenheiros

CIn- UFPE

38

Os Sistemas Multi-Agentes

“Duas Cabeças Pensam Melhor que Uma”

Por que SMA?• Às vezes a computação centralizada não é possível• A informação é distribuída, residindo em sistemas complexos

e dinâmicos

Algumas Características• Precisam se comunicar – protocolos de interação• Ambientes abertos com design descentralizado• É preciso coordenar o esforço conjunto• Agentes são autônomos e distribuídos, podendo ter

diferentes atitudes em relação ao grupo:– Interessados neles mesmos;– Interessados no bem coletivo.

CIn- UFPE

39

Aplicações de SMA

Marcação de Reuniões Automática;

Gerenciamento de Redes;

Simulação de Tráfego

Gerenciamento de Informação em Ambientes como a Internet.

Entretenimento

Otimização de Processos de Produção

Simulação de Fenômenos Sociais.

Análise de Negócios

CIn- UFPE

40Uma Aplicação de SMA

Robocup