Origem do Universo, da vida e da mente???? Charles Peirce já propunha no século XIX que as leis da vida se originam de um processo evolucionário

Origem do Universo, da vida e da mente????

Charles Peirce já propunha no século XIX que as leis da vida se originam de um processo

evolucionário.

As teorias de Pierce visam o entendimento de como os seres humanos manipulam símbolos (ou

signos).

Para Pierce, os signos não existem isolados na mente, mas sim na forma de uma tríade, devendo

ser considerados os objetos (associados a um contexto de mundo), os próprios símbolos

(associados a uma forma de representação dos mesmos) e a interpretação mental dos símbolos

(significado).

Bergson sugeriu a descrição do Universo como um ser vivo.

As próprias leis da Física seriam resultado de um processo evolutivo?

A descrição do Universo no qual a vida, variedade e estrutura são acidentes improváveis deve ser

uma relíquia antiquada da ciência do século XIX. A Física do século XX deve levar, pelo contrário, à

compreensão de que o universo é favorável à vida porque, para que o mundo exista, ele tem que estar repleto de estrutura e variedade (Smolin,

1997)

O ser humano é o melhor exemplo de sistema inteligente que podemos imaginar

LI

NG

UA

GEM

LIN

GU

AG

EM

SiNTA

XE

SiNTA

XE

MORF

OLO

GIA

MORF

OLO

GIA

SEMÂNTI

CA

SEMÂNTI

CA

LÉXICOLÉXICO

ORGANIZAÇÃO DOS SERES VIVOSMÁQUINAS ALOPOIÉTICAS MAQUINAS AUTOPOIÉTICAS

ORGANIZAÇÃO DOS SERES VIVOSMÁQUINAS ALOPOIÉTICAS MAQUINAS AUTOPOIÉTICAS

O fenômeno de Anelamento em metais, a enorme capacidade de processamento do

Sistema Nervoso Central de animais superiores, obtidos através da ação paralela de uma

complexa rede de neurônios lentos e ruidosos, e o processo estocástico de evolução natural,

fornece inspiração para os paradigmas de computação denominados Anelamento Simulado, Redes Neuronais Artificiais e

Computação Evolucionária (CE), respectivamente (Tanomaru, 1995).

Em termos computacionais, CE incorpora uma das metáforas mais apelativas: CE encara a

teoria da Evolução Darwiniana como um processo adaptativo de

otimização, sugerindo um modelo em que populações de

estruturas computacionais evoluem de modo a melhorar, em média, o desempenho geral

da população com respeito a um dado problema, ou seja, a

“adequabilidade” da população com respeito ao ambiente.

Somos uma só tribo. A dos Pensadores Complexos.

Separados por uma paradoxologia, segundo Lewis Carrol.

CONTADITORIEDADE

As coisas são e não são.

Estamos todos em queda livre, no segundo andar de um hotel chamado tempo, com cinco possibilidades.

O amor é um instante de se ficar no ar, antes de mergulhar.

INACABAMESTO - CONSISTÊNCIA

Tem uma biblioteca que tem um livro sobre tudo o que tem na biblioteca.Tem um livro que tem um personagem que escreveu um livro ...

INDETERMINAÇÃO - INCERTEZA

Para onde vai a chama quando a vela se apaga?Ficou o sorriso ... Cadê o gato?

Atualmente CE engloba um número crescente de paradigmas e métodos, dos quais os mais importantes são os Algoritmos Genéticos (AGs), Programação Evolucionária (PE), Estratégias Evolucionárias (EEs), Programação Genética (PG) e Sistemas Classificadores (SCs), entre outros. De fato, SCs e PG podem ser vistas como aplicações especiais de AGs, enquanto que PE e EEs foram desenvolvidas independentemente dos AGs, e somente agora começam a interagir. De modo geral, técnicas em CE dão origem aos chamados Algoritmos Evolucionários (AEs).

Redes Neurais Artificiais

São técnicas computacionais que apresentam um modelo

matemático inspirado na estrutura neural de organismos inteligentes

e que adquirem conhecimento através da experiência.

Publicações Históricas

McCulloch e Pitts (1943)

Hebb (1949)

Primeiro modelo de

redes neurais

Modelo básico de rede de auto-

organização

Rosemblatt (1957)

Modelo Perceptron de

simples camada e

aprendizado supervisionado

Rumelhart (1986)Modelo Perceptron de

multi-camadas com algoritmo de aprendizagem

Backpropagation

REDES NEURAIS

Estruturas concebidas inicialmente à semelhança do sistema nervoso humano, com condutores elétricos (neurônios) e sinapses.

É um sistema de processamento de informações que apresenta

certas características de performance

em comum com a Rede Neural

Biológica (Fausett,1994) .

O neurônio biológico emite pulsos (comparados, às vezes, com códigos de barras) que variam entre valores positivos e isso é diferente da contagem binária (um, zero) da lógica booleana (de George Boole) empregada nas redes artificiais, bem como da capacidade que algumas têm de aceitar excitação negativa; as redes naturais não apresentam uniformidade no tipo de neurônios, salvo em algumas regiões, e não são capazes de cálculos recursivos.

As redespodem aprender mediante retroprogramação (backpropagation – sozinhas, portanto), aprimorando-se por experiência até um limite irredutível de erro; são capazes de realizar o reconhecimento de padrões; podem ser usadas como modelos de certas funções cerebrais, das quais, no entanto, diferenciam-se por uma série de características.

Características das redes

Esquema de unidade McCullock - Pitts

Sinais apresentados à entrada



Cada sinal é multiplicado por um número, ou peso ( w ), que indica sua influência na saída da unidade.



É feita a soma ponderada dos sinais que produzem um nível de atividade. a=W1.X1+W2.X2+...+Wp.Xp



A saída y é dada por: y=1, se a >= t

y=0, se a< t

Arquiteturas neurais

A metáfora da ciência contemporânea é a arte.

O amor é aceitar o outro como legítimo outro. (Maturana)

Treinamento da rede MLP

Processos de Aprendizado

W novo = W anterior + E X

y=f (wi .entrada)Entrada RespostaObtida

Ah, prometo àqueles meus professores desiludidos que na próxima vida eu vou ser um grande matemático

Porque a matemática é o único pensamento sem dor.

Mário Quintana

Treinamento Supervisionado

Algoritmo Backpropagation

Baixa taxa de

aprendizagem

Algoritmo Backpropagation

Alta Taxa+ momentum

ALGORITMOS GENÉTICOS

Imaginados inicialmente para solucionar problemas que levariam décadas, séculos ou milênios para serem resolvidos, por mais velozes que fossem os computadores.

Fazem parte de uma família que inclui a programação evolucionária e as estratégias evolucionárias.

A quantidade fundamental na genética é o número médio de descendentes de criaturas com um

conjunto particular de genes que sobrevivem e se reproduzem. Os biólogos chamam esse número de

fitness.

Todos correspondem à aplicação a programas de computadorde métodos inspirados nos princípios biológicos de Darwin (Evolução das Espécies) e genéticos de Mendel (as leis de Mendel). A solução encontrada em algoritmos genéticos pode ser dita a mais adequada, em lugar de “a verdadeira”.

ALGORITMOS GENÉTICOSO bit corresponde, nos algoritmos genéticos, ao gene; o local onde fica o bit no cromossomo é o lócus; os pares de bits tomam da Biologia o nome de alelos.A seleção artificial se faz entre indivíduos de uma população, através do crossover entre cromossomos dos pais e de mutações, isto é, alterações de cadeia genética por troca simples (como um erro de cópia); inversão, translocação,apagamento e adição.

O que se faz necessário para a reprodução e para a evolução de um sistema vivo?

Organismos Naturais e Artificiais

Para que uma população seja avaliada em um algoritmo genético

tradicional, é necessário uma rígida especificação de um critério de sobrevivência. Uma função de

avaliação, que escolha quais indivíduos (strings) irão passar

para próxima geração.

Pode-se pensar o ato de compor uma música apenas como um problema e, assim, encontrar a solução que possua o “melhor som”, entre todas as possibilidades de composições do espaço de

solução.

Biles, J. (1994) descreve um solista de Jazz baseado em genéticos. Horowitz, D. (1994)

descreve um algoritmo genético para a criação de ritmos. Bruce L. Jacob (1995), da Universidade de

Michigan, tem conseguido ótimos resultados. trabalhando sobre uma população de notas

musicais.

Inicialmente, o programa Watchmaker, produz uma seqüência de pequenas árvores,

espalhadas em quadrados que preenchem toda a tela do computador, gerando assim uma

primeira população. Cada uma destas árvores possuem características próprias que são

controladas pelo número de genes.

A partir de uma árvore mãe, novas populações são formadas; as árvores sofrem variações de

comprimento, largura ou número de galhos, por exemplo.

Ao pressionar o botão do mouse, o usuário seleciona uma das árvores da tela para ser o

antecessor da próxima geração.A seqüência de seleções geram uma linha

filogenética de árvores, onde cada uma varia um pouco da forma de seu parente.

A cada geração, um processo de seleção, feito por critérios estéticos do próprio Dawkins, escolhe as formas que devem sobreviver. Segundo o autor,

nada em sua intuição de biologista, nos seus vinte anos de experiência programando computadores, e

mesmo nos seus sonhos, serviu para prepará-lo para o que surgia na tela.

Alguns desenhos obtidos neste processo de transformações sucessivas parecem com

insetos.

Ao todo, 16 genes controlam a forma de cada árvore. Alguns são fáceis de serem descritos, já

outros dependem de complexas interações.Alguns genes controlam o número de galhos e o tamanho total, três outros genes são combinados para controlar a extensão horizontal dos galhos da árvore, enquanto outros cinco combinam-se

entre si para controlar a extensão vertical. O programa tenta ilustrar a existência da variação

nas populações.

Meio-ambiente

créditos

Ajuste da força dasregras

Construção de novasregras

(Algoritmos Genéticos)

Detetores Efetores

correio

Mensagensde entrada

Mensagensde saída

cond 1 cond 2 mensagem

Lista deMensagens Se Então

Lista de Regras

Sistema Classificador

Um tipo de sistemas classificadores utilizada por Holland (op. cit.), o Echo, foi empregada por Dawkins (1986) para simular uma verdadeira

'corrida biológica'.

Um agente, nesta arquitetura possui cromossomas e um reservatório de genes que

podem ser obtidos de 'fontes de genes' existentes no meio-ambiente. A interação entre

agentes é determinada por uma seqüência simples de teste efetuados sobre etiquetas

(atacar, defender, casar); condições (combater, trocar, casar) e enzimas que determinam a capacidade de um agente capturar outros

recursos do meio-ambiente.

O campo da Programação Genética (PG), capitaneado por John Koza (1992, 1994) e James

Rice, de Stanford, aplica as idéias de AG a estruturas muito mais complexas que seqüências

binárias.

IF

AND

SINNOT

PLUSPDDD

SETFANDDDD

SETFDDD

X XX +

-

*

Y

Z

*

X X

*

*

/ X

X

+

X X

Estratégias Evolucionárias

Estratégias Evolucionárias tiveram sua origem na Alemanha com Reinchenberg e Schwefel (1994).

Enquanto Holland concebeu os AGs como modelos simplificados da evolução natural, os então estudantes alemães queriam basicamente

desenvolver um método eficiente de otimização de funções reais multi modais e não diferenciáveis.

No esquema mais simples de EE, o chamado EE-(1+1), um indivíduo-pai gera um só filho através

da aplicação de mutações de distribuição Gaussiana, média zero e variância variável, de modo que pequenas mutações ocorram mais freqüentemente que mutações mais radicais.

Sempre que um filho melhor que o pai é gerado, o pai é substituído e o processo é reiniciado. Para esta estrutura simples, chegou-se ao resultado

teórico conhecido como regra do 1/5 de sucesso, que diz que aproximadamente 20% das mutações

produzem indivíduos melhores que os pais. Outros modelos de EE usando recombinação em indivíduos pais são usados atualmente e esses

modelos são conhecidos como estratégias (m+1)

Programação EvolucionáriaOs métodos de Programação Evolucionária (PE)

foram originalmente desenvolvidos por Fogel (1966).

Tipicamente, em PE há uma população de N indivíduos que são copiados na totalidade numa população temporária. Um torneio estocástico é

então realizado para extrair a seguinte população deste grupo de 2N indivíduos. Não há nenhuma restrição formal que implique que o tamanho da

população deva ser constante, e não há recombinação.

Automata Celulares e Computação Emergente

Um automaton celular (AC) é uma máquina de estados finitos cercada por outros automata

celulares idênticos. Cada AC é um sistema dinâmico discreto, onde tempo, espaço e o número de

estados são finitos.

Numa malha regular, geralmente de uma ou duas dimensões, cada ponto é denominado uma célula e pode assumir dentre um conjunto finito de estados

possíveis.Todas as células mudam de estado em sincronia e

em tempos discretos, de acordo com regras de transição locais, o estado da própria célula e os

estados das células vizinhas (Casti, 1994), (Tofolli, 1995)

É particularmente interessante como ACs com regras simples podem dar origem a sistemas

complexos que exibem comportamentos emergentes.

O que me atrai não é o ângulo reto. (Fernando Pessoa)

Vida Artificial

Vida Artificial (VA) é um novo ramo de pesquisas que lida com biologia sintética, ou seja, formas de vida artificiais, diferentes das estruturas de

carbono observadas neste planeta. Embora não esteja diretamente ligado com AGs, o campo de

VA usa também uma metáfora evolucionária. Porém, no caso de VA, seres abstratos,

geralmente programas de computador, evoluem em ambientes cibernéticos.

Por exemplo, no sistema mais conhecido, o “Tierra”, programas de computador evoluem e

competem por tempo de CPU e memória (Mitchell, Forrest, 1994).

Organismos Naturais e Artificiais

Outros nomes que são encontrados na literatura incluem Geometria dos Fractais (GF), Ciências de

Sistemas Complexos (CSC), Inteligência Computacional (IC), Sistemas de Lógica Flexível

(SLF), dentre outros.

Podemos citar ainda: Computação Quântica e Computação Autonômica

Mudar é perigoso. Não mudar é morte certa (Lewis Carrol)

Os padrões auto-organizados surgem de instabilidades intrínsecas ao sistema (não surgem de fora)

Problema é diferente de enigma. Resolver um problema é produzir o futuro. Solucionar um enigma é resgatar o passado

A natureza é um campo de invenções, de problematizações. (Gilberto Simondon)

Congelar a seta do tempo (Prigogine)

Não tenho inquietações... Tenho fome... De vida

O que me atravessa... É o tempo.... A seta do tempo

Me inquieto sim... Com essa seta... Que não consigo congelar

Questões Fundamentais:

SELEÇÃO

Organizações como Sistemas Complexos

- Quais agentes e estratégia devem ser copiados e quais devem ser destruídos?

- Como a seleção deve ser empregada para promover a adaptação?

“Conjunto de processos que conduzem a um acréscimo ou decréscimo na freqüência de vários tipos de agentes, estratégias (e artefatos) ” (Axelrod & Cohen 2000)

SELEÇÃO

O que isso significa?


SELEÇÃO

A seleção natural oferece um paradigma importante de como um sistema adaptativo pode funcionar, também tem sérias desvantagens quando comparada com métodos mais diretos de alcançar a adaptação.

Qualquer momento que seja possível atribuir sucesso a algo mais específico do que todo o agente, há a possibilidade de selecionar estratégias ao invés de agentes.


SELEÇÃO

Selecionar no nível de agentes inteiros e selecionar no nível de estratégias, compartilhar a necessidade de fazer cópias que retenham adaptações efetivas, incorporar variação para adaptações posteriores e ampliar o sucesso (e diminuir o fracasso) realmente ocorre.

Mas, diferem no nível no qual operam – e a seleção nos dois níveis pode funcionar de forma diferente.


Definir critérios de sucesso.

Determinar se a seleção está no nível dos agentes ou das estratégias.

Atribuir crédito para o sucesso e o fracasso.

Criar novos agentes ou estratégias.

Um projeto para um sistema adaptativo de seleção deve lidar com quatro tópicos:

SELEÇÃO


Os cientistas são todos toupeiras monomaníacas e cegas

SELEÇÃO


Definir critérios de sucesso

A seleção de agentes ou estratégias implica alguma métrica de sucesso.

Critério de sucesso ou medida de desempenho

É um indicador usado por um agente ou designer para atribuir crédito na seleção de estratégias ou agentes com sucesso (ou insucesso).

SELEÇÃO




Podem ser vistos como instrumentos que moldam quais eventos têm a probabilidade de ocorrer.

SELEÇÃO




Estabelecer objetivos e os critérios que governam os processos de seleção é uma das principais intervenções para quem quer “dominar” a complexidade.

SELEÇÃO




• São definidos dentro do sistema.

• São modificados (ou mantidos) e aplicados ou descartados pelos próprios agentes.

SELEÇÃO




• Como o sucesso é definido afeta as chances do aprendizado efetivo.

• Ter mais de uma medida de desempenho pode melhorar dramaticamente a adaptação.

SELEÇÃO



A importância de saber o que contar como sucesso é um dos pontos chaves da adaptação de um sistema.

SELEÇÃO


Dois processos básicos expandem o sucesso: a seleção de agentes ou estratégias.

Determinando o Nível de Seleção

SELEÇÃO


A seleção natural de agentes biológicos funciona por fazer um agente inteiramente novo sem a necessidade determinar a causa do sucesso de um dos pais ou ambos.

Determinando o Nível de Seleção: Agentes ou Estratégias ?

SELEÇÃO


• A seleção de estratégias,por outro lado, cria novas estratégias para um agente existente.

•Envolve alguma decisão explícita sobre qual estratégia ou parte do agente foi responsável pelo sucesso.

Determinando o Nível de Seleção: Agentes ou Estratégias ?

SELEÇÃO


Determinando o Nível de Seleção: Agentes

SELEÇÃO


Sistemas biológicos, eleições, economia (falência liquidação de empresas), seleção de pessoal..., são exemplos de seleção de agentes.

Determinando o Nível de Seleção: Agentes

SELEÇÃO


• Em todos os exemplos de seleção de agentes, deve haver acumulações de recursos para criar um novo agente.

• A necessidade de acumular recursos suficientes para corporificar um novo agente opera como um importante fator limitador na seleção a nível de agente.

Determinando o Nível de Seleção: Estratégias

SELEÇÃO


Três pontos comuns de diferença na seleção de agentes e estratégias:

- Custo reduzido da cópia;

-Tempo de espera;

- Dificuldade de inferência.

Determinando o Nível de Seleção: Estratégias

SELEÇÃO


Seleção ao nível do agente e seleção ao nível de estratégia são famílias de mecanismos que têm forças complementares, dando origens a sistemas de seleção híbridos.

A atribuição de crédito refere-se a como um agente usa um critério de desempenho para aumentar a freqüência de estratégias de sucesso ou diminuir a freqüência dos sem sucesso.

Atribuição de Crédito

SELEÇÃO


Três diferentes problemas de atribuição de crédito em SAC.

- erro de creditar ou culpar uma parte quando um conjunto maior é responsável;

- erro de atribuir crédito ou culpa a um conjunto particular de fatores, quando de fato um conjunto diferente é responsável;


SELEÇÃO


Três diferentes problemas de atribuição de crédito em SAC: (cont.)

- erro de creditar uma estratégia mal interpretada, onde a ação envolvida apresentou sucesso, mas as condições nas quais a ação devia ser tomada foram mal compreendidas.


SELEÇÃO


Criando novos agentes ou estratégias

SELEÇÃO


- O papel fundamental da cópia

- Diferenças detalhadas entre processos genéricos de cópia

Exercendo Liderança Visível

SELEÇÃO


•Um líder empresarial que deseja promover a produção ecológica pode tomar decisões que dão grande peso às questões ambientais.

•Mas se a firma é altamente visível e é capaz de mostrar que se torna mais bem sucedida devido a sua reputação e práticas ambientalistas, então uma dinâmica muito mais poderosa pode entrar em cena.

•A imitação das medidas de desempenho por outras firmas pode transformar a indústria.

Como os tópicos relacionados a seleção podem ser utilizados nos projetos e avaliações ergonômicas e no desenvolvimento das organizações?


SELEÇÃO

A glória do homem é servir de ponte entre o antes do homem e o depois do homem.

Estamos grávidos de muitos futuros.

A diferença entre Platão e Frida Khalo e´que o vinho dos gregos era aguado e a tequila mexicana queima.

O homem é um ser que se move pelo desejo.

Documents

Origem do Universo, da vida e da mente???? Charles Peirce já propunha no século XIX que as leis da vida se originam de um processo evolucionário