Brasília, ABIN, 24/Out/2007Brasília, ABIN, 24/Out/2007
Aplicações de Inteligência Aplicações de Inteligência Computacional em Sistemas de Computacional em Sistemas de
InformaçãoInformação
Prof. Dr. Cairo L. Nascimento Jr.Prof. Dr. Cairo L. Nascimento Jr.
Prof. Dr. Waldecir J. PerrellaProf. Dr. Waldecir J. PerrellaDivisão de Engenharia EletrônicaDivisão de Engenharia Eletrônica
Instituto Tecnológico de Aeronáutica (ITA)Instituto Tecnológico de Aeronáutica (ITA)
• Comportamento Inteligente:– Importante para Competição (Seleção Natural),– Adaptação (mudanças no meio-ambiente),– Reconhecimento de Padrões (visão, fala,
diagnóstico de falhas/doenças, aplicações financeiras),
– Planejamento (Modelos, Otimização) e Auxílio a Tomada de Decisões,
– Cooperação e Comunicação com outros indivíduos.
Técnicas de IA
Definição de Inteligência
Redes Neurais Artificiais
Redes Bayesianas
AlgoritmosGenéticos
Sistemas Fuzzy
Sistemas deAprendizagem
Simbólica Indutiva
conhecimento intencional
(regras)
conhecimento extensional (exemplos)
simbóliconumérico
SistemasBaseadosem Casos
Sistemas Baseados em Regras
Técnicas de IA
• Documentação do conhecimento dos Experts Humanos.
• Uniformalização da Base de Conhecimento.• Importante para validar o desempenho do
Expert Humano.• Conhecimento nem sempre é explicíto.• Aumento da dificuldade para o Expert Humano
codificar o seu conhecimento com o número de variáveis de entrada.
Técnicas de IA
Sistemas Baseados em Regras
Técnicas de IA
Sistemas Baseados em Regras
Entradas Motor de Inferência Resposta
Regras
Sistemas Baseados em Regras: Árvore de Decisão
Técnicas de IA
Ex.: Dias do fim-de-semana
Lógica Convencional x Lógica Fuzzy
Técnicas de IA
Funções de Pertinência
Lógica Convencional x Lógica Fuzzy
Técnicas de IA
ABRUPTA (Lógica Convencional)
SUAVE (Lógica Fuzzy)
Controlador Fuzzy
Técnicas de IA
Controlador Fuzzy
Técnicas de IA
6 7 8 9 10 11 12 13 14 15-100
-90
-80
-60
-40
-20
0
Time (Seconds)
bracoflc
Controlador Fuzzy
Técnicas de IA
Aplicação:Programa HARPIA TREE
• O Harpia Tree é um conjunto de programas escritos na linguagem Java que faz parte do Projeto Harpia, e que tem como função ser uma ferramenta para auxiliar os técnicos da SRF do Brasil no processo aduaneiro e na malha do imposto de renda.
• O Harpia Tree é uma ferramenta que auxiliará os técnicos da SRF do Brasil no processo de codificação e processamento do conhecimento, criando regras que permitiram avaliar o risco associado a cada ação fiscal.
• As regras podem ser escritas em lógica convencional (fronteiras abruptas) ou em lógica fuzzy (fronteiras suaves) possibilitando assim classificar melhor o nível de risco.
Programa HARPIA TREE
Modo TEXTO
Modo GRÁFICO
Algoritmo A-estrela: Aplicações
Técnicas de IA
Algoritmo A-estrela: Aplicações
Técnicas de IA
Solução encontrada:29 movimentos, 1213 nós expandidos, cerca de 31 s.
Algoritmo A-estrela: Aplicações
Técnicas de IA
Solução encontrada:14 movimentos, 1319 nós expandidos, cerca de 1 m.
Algoritmo A-estrela: Ambiente dinâmico
Técnicas de IA
Objetivos:• analisar problemas e desenvolver soluções relacionados
à navegação de robôs,• aplicar estas soluções em um ambiente real através do
projeto, construção e testes de plataformas móveis.
ROMEO I ROMEO II ROMEO III ROMEO III.v2
Aplicação:Projeto ROMEO
Aplicação:Projeto ROMEO
Mapeamento do ambiente estático usando sonares
Planejamento de trajetória usando o algoritmo A-estrela
Algoritmo Min-Max: Planejamento considerando possíveis ações do adversário
Técnicas de IA
Tipos Gerais de Aprendizado/Supervisão:1. Supervisão Muito Forte: o supervisor insere os parâmetros (ou as
regras) no modelo, aprendizado “instantâneo”.2. Supervisão Forte: o supervisor fornece exemplos de entrada-saída
(pares x,y), aprendizado “supervisionado”.3. Supervisão Fraca: o supervisor classifica apenas os casos típicos,
aprendizado “não-supervisionado”.4. Supervisão Muito Fraca: o supervisor classifica como SUCESSO
ou FALHA um conjunto de ações sucessivas, aprendizado por reforço.
Técnicas de IA
Como uma “máquina” pode aprender?
Supervisão Forte:• Aprendizado usando exemplos: supervisor seleciona
pares [Xreal,Yreal].• Xreal e Yreal possivelmente são amostras ruidosas.• Mapeamento entrada-saída é amostrado e aproximado
pelo modelo.• Idéia central: ajustar os parâmetros do modelo para
diminuir o erro de aproximação para cada par [Xreal,Yreal] fornecido pelo supervisor.
Técnicas de IA
Supervisão Forte:Redes Neurais tipo feedforwardAlgoritmo Back-Propagation
Técnicas de IA
Aplicação:Reconhecimento de Caracteres com ruído
Antes e depois do treinamento
Tipo e No. da Unidade
No.
do
padr
ão d
e en
trad
a
Iteração = 0, rmsE = 1.2145, PFlip = 5%, NE = 16
H2 H4 H6 H8 O2 O4 O6 O8 O0 OB OD OF
Pad2
Pad4
Pad6
Pad8
Pad0
PadB
PadD
PadF
Aplicação:Reconhecimento de Caracteres com ruído
Tipo e No. da Unidade
No.
do
padr
ão d
e en
trad
a
Iteração = 200, rmsE = 0.028162, PFlip = 5%, NE = 0
H2 H4 H6 H8 O2 O4 O6 O8 O0 OB OD OF
Pad2
Pad4
Pad6
Pad8
Pad0
PadB
PadD
PadF
0 5 10 15 20 25 30 35 40 45 500
10
20
30
40
50
60
70
80
90
100
Nível de Ruído (%)
Tax
a de
Ace
rto
(%)
Teste de Generalização
Aplicação:Reconhecimento de Caracteres com ruído
Teste estatístico
Supervisão Fraca:• Supervisor seleciona dados de entrada Xreal,• É modificado apenas o peso W mais próximo de Xreal, • Aprendizado dos possíveis agrupamentos de X.
Técnicas de IA
Supervisão Fraca:• Supervisor fornece saída Yreal apenas para entrada X “típico”,• Os vetores X próximos de X “típico” recebem a mesma saída
Yreal de X “típico”.
Técnicas de IA
Supervisão Fraca:• Conceito de Vizinhança: o peso W vencedor e os seus “vizinhos”
topográficos são alterados.
Técnicas de IA
Antes e depois do treinamento
Aplicação:Reconhecimento de Caracteres com ruído
Aplicação:Reconhecimento de Caracteres com ruído
Teste estatístico
Supervisão Muito Fraca: Aprendizado por Reforço• “Learn by doing it…”• Baseado na interação do agente com o seu ambiente.• O supervisor fornece uma avaliação do resultado de uma
seqüência de ações (p. ex., SUCESSO ou FRACASSO) chamado de sinal de reforço r(t).
Técnicas de IA
Agente
Ambiente
Ação a(t)
Estado x(t)
Reforço r(t)
Supervisor
Supervisão Muito Fraca: Aprendizado por Reforço
• Problema: como escolher a seqüência de ações de forma a otimizar uma certa função de desempenho, p. ex., maximizar a média do sinal de reforço.
• Dificuldade: Como distribuir a responsabilidade pelo resultado obtido para cada ação tomada?
Técnicas de IA
Supervisão Muito Fraca: Aprendizado por Reforço• Idéia central: para cada estado manter uma tabela de possíveis
ações com as suas estimativas de probabilidade de conduzir ao SUCESSO P(x(t),a(t)).
• Para o estado atual, selecionar aleatoriamente uma ação de acordo com a tabela de estimativa de probabilidade de SUCESSO.
• Aplicar tal ação no ambiente e obter o próximo estado x(t+1).• Repetir o passo anterior até que um estado terminal seja
alcançado.• Obter o sinal de reforço para esta seqüência de ações r(t+N).• Se o sinal de reforço for POSITIVO: aumentar as estimativas de
probablidades das ações tomadas em cada estado.• Se o sinal de reforço for NEGATIVO: diminuir as estimativas de
probablidades das ações tomadas em cada estado.
Técnicas de IA
Antes e depois do treinamento
Aplicação:Navegação em ambiente desconhecido
Conclusões
• Tecnologia de ponta, interesse mundial.• Soluções para aplicações extremamente práticas.
Alguns exemplos de pesquisas em aplicações práticas feitas no ITA:– classificação de empresas de telecomunicações,– classificação de sinais eletrocardiográficos,– temporarização de semafóros de tráfego urbano,– otimização de sequências de montagens,– previsão de preços de produtos,– detecção de fraudes.
• Grandes benefícios para o governo e para a indústria nacional.
• Estamos rapidamente aumentando o nível de inteligência das nossas máquinas.
• Soluções inspiradas na natureza: é melhor encontrar rapidamente soluções boas do que demorar muito mais para encontrar soluções ótimas.
• Área altamente multi-disciplinar e desafiadora.
• Muitas oportunidades para pesquisa teórica e aplicada.
Conclusões
Livro “Inteligência Artificial em
Controle e Automação”, 2000
(re-impressões em 2002 e 2004)
de Cairo L. Nascimento Jr. e
Takashi Yoneyama,
Ed. Edgard Blücher e FAPESP.
Web site do livro:http://www.ele.ita.br/ia_contaut/
Para mais detalhes