1

Sistemas Especialistas (SE)

Definio
sistemas que empregam o conhecimento humano para resolver problemas que requererem a presena de um especialista. rea de aplicao de mais sucesso da IA Exemplo mais emblemtico dos knowledge-based systems

Utilidade
capacitar no-especialistas servir de assistente a especialistas servir de repositrio de conhecimento valioso para a empresa etc.

Programa Clssico X Sistema Especialista

DADOS

DADOS

MOTOR DE INFERNCIA

BASE DE CONHECIMENTO

RESULTADO

IHM - RESULTADOS

Conceitos Bsicos
Expertise
conhecimento especializado adquirido por longo treinamento, leitura e experincia

Especialista
Quem possui o conhecimento, experincia, mtodos e a habilidade de aplic-los para dar conselhos e resolver problemas.

Engenheiro de conhecimento
Guia a aquisio, representao do conhecimento especializado, bem como a implementao e refinamento do SE.

Atores de um SE
Construtor de Ferramentas
Constri Usa

Especialista
Testa

Equipe de Suporte
Fornece Suporte

Conhecimento Documentado

Adquire Conhecimento Constri

Ferramentas, Linguagens
Fornece

Usa Usa

Engenheiro de Conhecimento
Coopera

Sistema Especialista
Usa

Vendedor

Construtor do sistema

Conecta

Usurio Final

Como o SE desenvolvido?
Nvel de Conhecimento

AQUISIO

Nvel Lgico

FORMULAO
BC

Nvel de Implementao

IMPLEMENTAO

REFINAMENTO

Desenvolvimento...
1) Construo da base de conhecimento
Aquisio de conhecimento!!! Representao de conhecimento (formalizao)

2) Implementao
Codificao Construo do sistema de explicao, interface, etc.

3) Refinamento e validao
Metodologia RUDE

Aquisio de Conhecimento
Aquisio/Explicitao de conhecimento
acumulao, transferncia e transformao de alguma fonte de conhecimento para um computador (base de conhecimento). Espcie de engenharia de requisitos mais complexa

Pode originar-se de vrias fontes:

especialistas, livros e documentos, filmes, etc.

Principais fases da aquisio

identificar caractersticas do problema isolar os conceitos principais e suas relaes (ontologia) identificar inferncias sobre estes conceitos

Gargalo na construo de SEs

Dificuldade de introspeco
o especialista quase nunca est ciente de como usa o conhecimento Algumas solues so intuitivas ou compiladas. o especialista tem dificuldade de verbalizar sob presso

Uso de vocabulrio prprio (jargo) O conhecimento expresso pode ser irrelevante

quantidades enormes de informaes suprfluas so coletadas, para em seguida serem organizadas. desafio: evitar informao irrelevante sem bloquear a descoberta de conceitos adicionais.

10

Gargalo na construo de SEs

O conhecimento expresso pode ser incompleto
o especialista pode no lembrar o conhecimento aprofundado para resolver um problema especialista pular pontos importantes

O conhecimento expresso pode ser incorreto ou inconsistente

Afinal quem garante a qualidade da soluo, j que ela coisa de especialista? a racionalidade que se deseja modelar limitada (H. Simon)!

11

Como minimizar o gargalo da aquisio?

Sistemas especialistas de segunda gerao

Mtodos de aquisio: automatizao

12

Mtodos de aquisio
3 categorias: Manual, Semi-automtico e Automtico Manual
Entrevistas (estruturadas ou no estruturadas) Tracking methods (anlise de protocolos e observao)

especialista Engenheiro de codificao Base de conhecimento conhecimento documentao

13

Mtodos de aquisio
Semi-automticos
ajuda ao especialista (grid repertory analysis) ajuda ao engenheiro de conhecimento (editores, documentadores, etc.)
especialista Ferramentas interativas de entrevista Engenheiro de conhecimento Base de conhecimento

Automtico:
machine learning
Casos e exemplos Induo automtica Regras

14

Aprendizagem...
Veremos mais tarde, porm...

15

Experincia: o que o especialista tem de mais valioso Novo

Sistemas Especialistas convencionais
Experincia (exemplos)

Problema Deduo

Regras Engenheiro de conhecimento

Aprendizagem gulosa: ID3, Version Space, ...

Experincia (exemplos)

Regras Induo

Deduo

Aprendizagem preguiosa: kNN, CBR,...

Experincia (exemplos)

Induo

S O L U O

16

Questo
E com aprendizagem no se precisa mais do engenheiro de conhecimento? No, porque preciso...
Identificar quais so os exemplos e quais deles so relevantes Descrever (e as vezes simplificar) os exemplos Escolher o(s) algoritmos(s) de aprendizagem Parametrizar tais algoritmos Interpretar os resultados...

Mas mais fcil assim mesmo ;-)

Arquitetura de Sistemas Especialistas Baseados em Regras

Usurio

O formalismo mais usado!

Dados do problema Respostas

Mquina de Inferncia

Explicao do raciocnio

Especialista

Memria de trabalho

Base de conhecimento

Ferramentas de aquisio

Engenheiro de conhecimento

18

Elementos Principais
Base de Conhecimento: permanente
conhecimento, escrito em uma linguagem de representao, necessrio para a formulao e soluo do problema Em outras palavras: ontologias, regras e heursticas

Memria de Trabalho: voltil

descrio do problema em particular hipteses e decises intermedirias, sub-objetivos, etc. aes potenciais (regras disparveis)

Mquina de Inferncia: 3 elementos principais...

Interpretador (unificao, casamento e execuo) Resolvedor de conflitos (ordena segundo heursticas) Verificador de consistncia (TMS)

19

Elementos Principais
Subsistema de Explicao
Objetivo: Explicar o comportamento do SE atravs de questes como:
Porque uma certa pergunta foi feita pelo SE ? Como a concluso foi alcanada? Porque alguma alternativa foi rejeitada? Qual o plano para alcanar a soluo?

Exemplo:
Porque preciso saber o preo? Resposta: REGRA #5 SE preo = alto E pagamento = prestao ENTO pagamento mensal determinado

20

Ferramentas para construo de SEs

Opes
Shell (OPS, ExpertSinta, KAS, ...) : o mais utilizado Linguagens de programao para IA (Prolog) Linguagens de programao gerais (OOP) Linguagens hbridas (componentes de IA): regras + objetos (CLIPS, JESS, NeOpus, JEOPS, etc.)

Critrios de escolha
Facilidade de uso Flexibilidade Interface com sistema Desempenho Semntica

21

Balano

22

Benefcios do S.E.
Criao de repositrio de conhecimento Crescimento de produtividade e qualidade Habilidade de resolver problemas complexos Flexibilidade e modularidade Operao em ambientes arriscados Credibilidade

Habilidade de trabalhar com informaes incompletas ou incertas

Fornecimento de treinamento

23

Problemas e Limitaes
Aquisio ainda difcil e est sujeita a um grande nmero de preconceitos Avaliao de desempenho difcil Desenvolvimento longo e manuteno delicada

S trabalham muito bem em domnios estreitos

No aprendem e no so robustos

ltimos desenvolvimentos e tendncias

Ferramentas de desenvolvimento + OOP Integrao com outros sistemas
ex. banco de dados e sistemas de suporte deciso

24

Tratamento de incerteza
Redes Bayesianas

Aprendizagem de mquina