1

Inteligência ArtificialInteligência Artificial

Visão Geral

Prof. MSc. Thiago Richter

2

EEPO que O que éé IA?IA?

� Definição 1: Ferramentas computacionais que buscam simular mecanismos inteligentes encontrados na natureza.

� Para instigar, vamos ao overview.

3

EEPOverviewOverview

� Lógica Clássica (Aristóteles) versus Lógica Nebulosa (Fuzzy)

Algo familiar??O que tem a ver a “Picanha ao Ponto” com IA??

Resp.: Muito!

4

EEPOverviewOverview

� Lógica Clássica (Aristóteles) versus Lógica Nebulosa (Fuzzy)

� Lógica Clássica:� A velocidade é considerada Alta entre 100 e 140Km/h.

� 110Km/h é considerado Alta velocidade?� E 99Km/h?

5

EEPOverviewOverview

� Lógica Clássica (Aristóteles) versus Lógica Nebulosa (Fuzzy)

� Lógica Nebulosa ou Lógica Fuzzy:

� Sim, Não, Mais ou Menos,Extremamente, Não Muito, etc.

6

EEPOverviewOverview

� Robótica

� Como devemos programar um Robô (autônomo)?

� Programação Estruturada?

Asimo

RoboCup

1G1

EEP

BR

‘05

7

EEPOverviewOverview

� Visão Computacional� Conjunto de métodos e técnicas através dos quais sistemas

computacionais podem ser capazes de interpretar imagens

� O que é esta imagem?

8

EEPOverviewOverview

� Visão Computacional� A B C?

� 12 13 14?

Aibo

9

EEPAG AG -- FuncionamentoFuncionamento

� Algoritmos Genéticos� Teoria da Evolução?

� Sim.

� Avaliação� Determinação do grau de aptidão do indivíduo;

� Seleção� Mais aptos para representar a solução do problema;

� Reprodução� Cruza-se os indivíduos (normalmente os mais aptos) para gerar nova população, pode ser

sexuado ou assexuado;

� Mutação� Modifica-se aleatoriamente alguns indivíduos;

� Predação� Introduz algum “vírus”, “predador” ou, simplesmente, “fuzila” uma parcela da população.

10

EEPOverviewOverview

� Algoritmos Genéticos� Aplicações:

11

EEPOverviewOverview

� Sistemas Fuzzy� Exploram as formas que o cérebro usa para o tratamento de

informações qualitativas e incertas;� Suportam os modos de raciocínio que são aproximados; � Capazes de tratar informações vagas, aproximadas, as quais são

expressas por regras lingüísticas.� Consistem em aproximar a decisão computacional da decisão humana.

12

EEPOverviewOverview

Entradas:

Mudança de

Temperatura(kn )

+ +

Dias de Fermentação

� Sistemas Fuzzy� Produção de Saque

13

EEPOverviewOverview

Regras:

Resultados:

“Deffuzyficação”:

- Aumentar ou Diminuir a Temperatura

- Finalizar o Processo

� Sistemas Fuzzy� Produção de Saque

14

EEPOverviewOverview

� Agentes e Sistemas Multiagentes� O que são?

� Entidade cognitiva, ativa e autônoma

DARPA

Grand

Challenge

Swarm bots

15

EEPOverviewOverview

� Redes Neurais Artificiais (RNA)� O que são?

� Modelos computacionais inspirados nos mecanismos de aprendizagem do cérebro humano;

� E que tentam emular a forma com que o cérebro resolve problemas.

� Características:� Aprender através de exemplos;� Capacidade de se adaptar ou aprender;� Capacidade de generalização;� Agrupar ou organizar dados;� Tolerância à Falhas;� Auto-Organização.

16

EEP

Representação do Neurônio Biológico

Representação do Neurônio

Artificial

OverviewOverview

� Redes Neurais Artificiais (RNA)

17

EEP

Áreas de Aplicação:

� Reconhecimento de padrões� Reconhecimento de voz.� Reconhecimento de imagens.� Reconhecimento de assinaturas, etc.

� Previsão / Estimação� Previsão de tempo.� Análise de crédito.� Estimação do mercado de ações.

� Otimização de Sistemas� Problemas de otimização combinatorial.� Problemas de otimização não-linear.� Problemas de seqüenciamento de produção.

� Clustering/Categorização� Problemas de diagnóstico (médico).� Compressão de dados.� Garimpagem de Dados (Data Mining).

� Memórias Associativas� Recuperação de informações distorcidas.

� Organização de Informações ausentes.

� Aproximador Universal de Funções� Controle de processos.� Robótica.� Problemas de modelagem científica.� Identificação e Estimação de Sistemas.

OverviewOverview

18

EEPOverviewOverview

0 100 200 300 400 500 600 700 800 9000

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

segundos

0 100 200 300 400 500 600 700 800 9000.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

seconds

Norm

aliz

ed L

am

bda v

alu

es

Entradas:

Saída Desejada:

� Aproximador de Funções

19

EEP

Resultados:

100 200 300 400 500 600 700 8000

0.2

0.4

0.6

0.8

1

Seconds

Target

Reached

240 260 280 300 320 340 360 380 400 420 4400

0.2

0.4

0.6

0.8

1

Seconds

Target

Reached

480 482 484 486 488 490 492 494 496 498 5000.23

0.24

0.25

0.26

0.27

0.28Relative Mean Error (%): 0.20619

Seconds

Target

Reached

OverviewOverview

� Aproximador de Funções

20

EEPOverviewOverview

� Redes Neurais Artificiais (RNA)� Robótica

Autonomous walking robot under

neural control

Pattern Recognition UsingMulti Layer Perceptron Neural Networks

21

EEPOverviewOverview

� Processamento de Linguagem Natural (PLN)� ALICE

22

EEPOverviewOverview

� Data Mining

Visual Data-Mining an Image Collection

Busca de Padrões Moleculares

23

EEPOverviewOverview

� Sistemas Especialistas (SE)

http://www.ed.conpet.gov.br/converse.php

Um exemplo de SE que também envolve PLN