INTELIGNCIA
ARTIFICIAL
Inteligncia Artificial
COORDENADORES DE CURSOS
ISBN: 978-85-7463-346-6
Boa Leitura !!
Vincius Machado
UNIDADE 01
11 HISTRICO & CONCEITOS EM INTELIGNCIA ARTIFICIAL
CONCEITOS GERAIS.......................................................................................11
HISTRICO E EVOLUO DA IA........................................................................14
UNIDADE 02
23 RESOLUO DE PROBLEMAS ATRAVS DE BUSCAS
UNIDADE 03
45 APRENDIZAGEM DE MQUINA
Aprendizagem Supervisionado..................................................................... 45
REDES NEURAIS.............................................................................................55
ALGORITMOS GENTICOS.............................................................................65
UNIDADE 04
75 REPRESENTAO DO CONHECIMENTO
AQUISIO DO CONHECIMENTO...................................................................75
MTODOS DE REPRESENTAO DE CONHECIMENTO...................................79
UNIDADE 05
87 AGENTES INTELIGENTES
DEFINIES.................................................................................................. 87
AMBIENTES DE AGENTES.............................................................................. 90
TIPOS DE AGENTES........................................................................................91
SISTEMAS MULTIAGENTE..............................................................................96
UNIDADE 06
105 INTRODUO A ROBTICA
DEFINIES....................................................................................................105
TIPOS DE ROBS............................................................................................106
ORGANIZAO FUNCIONAL DE UM ROB................................................... 107
DISPOSITIVOS DE ROBTICA.......................................................................... 108
LINGUAGEM DE PROGRAMAO DE ROBS...................................................112
ROBTICA E INTELIGNCIA ARTIFICIAL...........................................................113
PLICAES.....................................................................................................114
UNIDADE 01
Histrico & Conceitos em
Inteligncia Artificial
Resumindo
A Inteligncia Artificial (IA) uma rea de pesquisa da cincia da computao que busca mtodos ou
dispositivos computacionais que simulam a capacidade humana de resolver problemas. Desde sua
criao, as pesquisas em Inteligncia Artificial tentam implementar computacionalmente sistemas que
pensam e agem de forma racional e que pensam e agem de forma semelhante aos seres humanos. Essas
quatro vertentes mostram que h uma teoria ou paradigma unificado estabelecido que guia a pesquisa
em IA.
Nesta unidade, vimos em que diferem essas abordagens da IA, ao tempo em que fizemos um resgate
histrico de todas as fases das pesquisa em Inteligncia Artificial, desde da sua concepo passando pela
fase de encantamento at a realidade das aplicaes atuais.
Objetivo
1. Entender como surgiu a IA;
2. Compreender os princpios conceituais da Inteligncia Artificial;
3. Estudar a evoluo das pesquisas em IA;
4. Categorizar as aplicaes em IA;
5. Distinguir as aplicaes quando programadas utilizando IA.
HISTRICO & CONCEITOS EM
INTELIGNCIA ARTIFICIAL
CONCEITOS GERAIS
Humanamente Racionalmente
Agem como Humanos Agem Racionalmente
INTELIGNCIA ARTIFICIAL 11
Sistemas que Agem como Seres Humanos
Teste de Turing
12 UNIDADE 01
(aprendizagem - machine learning).
Vale ressaltar que at hoje, nenhuma mquina conseguiu passar no
teste de Turing, premissa para que um sistema agisse como ser humano.
INTELIGNCIA ARTIFICIAL 13
Agentes Racionais
HISTRICO E EVOLUO DA IA
14 UNIDADE 01
(BITTENCOURT, 2010).
Dada a impossibilidade de uma definio formal precisa para
IA, visto que para tanto seria necessrio definir, primeiramente, a prpria
inteligncia, foram propostas algumas definies operacionais: uma mquina
inteligente se ela capaz de solucionar uma classe de problemas que
requerem inteligncia para serem solucionados por seres humanos'' (MICHIE
& MELTZER, 1969); Para Barr & Feigenbaum (1981), Inteligncia Artificial
a parte da cincia da computao que compreende o projeto de sistemas
computacionais que exibam caractersticas associadas, quando presentes no
comportamento humano, inteligncia''.
INTELIGNCIA ARTIFICIAL 15
Logic Theorist (LT) - programa que era capaz de provar teoremas (Allen
Newell e Herbert Simon).
Surge o nome Inteligncia Artificial (John McCarthy).
1952 - 1969: Perodo de muito entusiasmo e grandes expectativas (muitos
avanos com sucesso).
Inicialmente, a pesquisa em manipulao de smbolos se concentrou
no desenvolvimento de formalismos gerais capazes de resolver qualquer tipo
de problemas. O sistema GPS, General Problem Solver, projetado por Ernst
e Newell (1969), um exemplo deste tipo de pesquisa. O GSP imitava o
homem na forma de resolver problemas. Chegou-se concluso de que a
forma em como dividia um objetivo em subobjetivos e possveis aes era
similar forma em como o homem o fazia. Estes esforos iniciais ajudaram a
estabelecer os fundamentos tericos dos sistemas de smbolos e forneceram
rea da IA uma srie de tcnicas de programao voltadas manipulao
simblica, por exemplo, as tcnicas de busca heurstica.
Os sistemas gerais desenvolvidos nesta poca obtiveram resultados
interessantes, por vezes, at impressionantes, mas apenas em domnios
simplificados, onde o objetivo era principalmente a demonstrao da tcnica
utilizada, e no a soluo de um problema real. O problema com os sistemas
gerais que a sua extenso a domnios de problemas reais se mostrou invivel.
Isto se deveu a duas razes, uma relacionada com caractersticas tericas
dos mtodos utilizados, e outra associada natureza do conhecimento do
mundo real.
16 UNIDADE 01
sense, onde descrevia um programa hipottico designado por Advice
taker, o qual pode ser visto como o primeiro sistema completo da IA. Este
artigo no perdeu a sua relevncia ao fim de mais de 40 anos.
INTELIGNCIA ARTIFICIAL 17
DENDRAL - Anlise de compostos orgnicos para determinar a sua
estrutura molecular.
MYCIN Sistema pericial (expert system) capaz de diagnosticar infeces
no sangue (dispunha de mais de 450 regras). Este sistema tinha um
desempenho to bom quanto de alguns mdicos especialistas e melhor
do que de mdicos ainda com pouca experincia.
1972: Linguagem Prolog (programao em lgica).
90 - 20XX: IA moderna
18 UNIDADE 01
a forma em como as frases so compostas.
2000: Comeam a surgir brinquedos inteligentes.
2001: Computador se comunica ao nvel de uma criana com 15 meses.
Atualmente, os SE's (sistemas especializados) so considerados
como parte de uma tecnologia de desenvolvimento de software'' estabelecida,
sendo objeto de diversas conferncias internacionais e submetida a avaliaes
rigorosas de desempenho. Entre os diversos benefcios associados ao
desenvolvimento de SE's podem-se citar: distribuio de conhecimento
especializado, memria institucional, flexibilidade no fornecimento de
servios (consultas mdicas, jurdicas, tcnicas, etc.), facilidade na operao
de equipamentos, maior confiabilidade de operao, possibilidade de tratar
situaes a partir de conhecimentos incompletos ou incertos, treinamento,
entre outros. Hoje j existem milhares de SE's em operao nos mais variados
domnios, e a influncia da IA em outros campos da computao, como
engenharia de software, bancos de dados e processamento de imagens vem
crescendo constantemente.
As principais reas de pesquisa em IA simblica so atualmente:
sistemas especialistas, aprendizagem, representao de conhecimento,
aquisio de conhecimento, tratamento de informao imperfeita, viso
computacional, robtica, controle inteligente, inteligncia artificial distribuda,
modelagem cognitiva, arquiteturas para sistemas inteligentes, linguagem
natural e interfaces inteligentes. Alm das linhas conexionista e simblica,
observa-se ainda, o crescimento de uma nova linha de pesquisa em IA,
baseada na observao de mecanismos evolutivos encontrados na natureza,
tais como a auto-organizao e o comportamento adaptativo. Nesta linha,
os modelos mais conhecidos so os algoritmos genticos e os autmatos
celulares.
A gradativa mudana de metas da IA, desde o sonho de construir
uma inteligncia artificial de carter geral, comparvel do ser humano at
os bem mais modestos objetivos atuais, de tornar os computadores mais
teis atravs de ferramentas que auxiliam as atividades intelectuais de seres
humanos, coloca a IA na perspectiva de uma atividade que praticamente
caracteriza a espcie humana: a capacidade de utilizar representaes
externas, seja na forma de linguagem, seja atravs de outros meios (HILL,
1989). Deste ponto de vista, a computao, em geral, e a IA, em particular,
so o ponto culminante de um longo processo de criao de representaes
de conhecimento, iniciado com as primeiras pinturas rupestres. Esta nova
INTELIGNCIA ARTIFICIAL 19
perspectiva coloca os programas de IA como produtos intelectuais no mesmo
nvel dos demais, ressaltando questes cuja importncia central para os
interesses atuais da IA, por exemplo, como expressar as caractersticas
individuais e sociais da inteligncia utilizando computadores de maneira a
permitir uma maior produtividade, e como as propriedades das representaes
utilizadas auxiliam e moldam o desenvolvimento de produtos intelectuais.
EXERCCIOS
20 UNIDADE 01
UNIDADE 02
Resoluo de Problemas
Atravs de Buscas
Resumindo
Quando ns, humanos, nos deparamos com um problema, intuitivamente pensamos em todas as
possveis solues para escolher dentre estas a que tenha a melhor soluo. Essa mesma filosofia
utilizada pela IA para resolver problemas que seguem uma determinada formulao.
Esta unidade dedicada a estudar os mecanismos de busca que permitem a resoluo de problemas.
Estudamos como formular tais problemas e como resolv-los sem informao (busca cega) e com
informao.
Vimos tambm, como avaliar o desempenho desses mecanismos de busca e como lidar em situaes
que existe competio (busca competitiva). Ao final da unidade, os exerccios permitem, alm de fixar os
conceitos aprendidos, que se resolvam problemas usando as tcnicas vistas nesta unidade.
Objetivo
1. Aprender como formular problemas na IA;
2. Mensurar o desempenho de busca de solues para um problema;
3. Aprender os principais mtodos de busca cega;
4. Reconhecer mecanismos de busca com informao;
5. Identificar o mecanismo de busca em jogos com dois adversrios.
RESOLUO DE PROBLEMAS
ATRAVS DE BUSCAS
INTELIGNCIA ARTIFICIAL 23
Portanto, um problema em IA definido em termos de:
um espao de estados possveis, incluindo:
um estado inicial, que descreve a situao inicial do problema;
um (ou mais) estado final (objetivo);
exemplo 1: dirigir de Teresina a Parnaba;
espao de estados: todas as cidades da regio
exemplo 2: jogo de 8-nmeros
4 5 8 1 2 3
1 6 4 5 6
7 2 3 7 8
24 UNIDADE 02
Exemplo de Formulao de Problemas (Jogo de 8 nmeros):
estados = cada possvel configurao do tabuleiro;
estado inicial = qualquer um dos estados possveis;
teste de trmino = ordenado, com branco na posio [3,3];
operadores = mover branco (esquerda, direita, para cima e para baixo);
custo do caminho = nmero de passos da soluo.
Ida para Parnaba:
estados = cada possvel cidade do mapa;
estado inicial = Teresina;
teste de trmino = estar em Parnaba;
operadores = dirigir de uma cidade para outra;
custo do caminho = nmero de cidades visitadas, distncia percorrida,
tempo de viagem, grau de divertimento, etc
INTELIGNCIA ARTIFICIAL 25
O desempenho de um algoritmo de busca depende de alguns fatores:
Completeza: sempre encontra uma soluo se esta existir;
Otimizao: encontra a soluo tima;
Complexidade de tempo: tempo gasto para encontrar uma soluo;
Complexidade de espao: memria necessria para encontrar uma
soluo.
Alm disso, podemos dizer que a busca possui um custo total, que
a soma do custo da soluo (esforo para expandir os ns e o custo da busca
(a quantidade de ns visitados at o n soluo).
MTODOS DE BUSCA
26 UNIDADE 02
Medida de Desempenho na Busca
Busca em Largura
Raiz
INTELIGNCIA ARTIFICIAL 27
custo de cada n seja diferente de 0, o tempo e o espao so iguais ao
nmero de ns com custo(n) menor que o custo(soluo tima), e tima,
j que os ndulos expandem em ordem crescente de custo(n).
Raiz
Raiz
A B C
1 5 15 Raiz
Expande-se primeiro o
n de menor custo que
ser somado a cada nvel A B C
5 15
Raiz
G
11
A B C
15
G
11
5
Figura 4: Ordem de expanso dos ns na busca de custo uniforme
Busca em Profundidade
28 UNIDADE 02
possui filhos - n folha (). Ento a busca retrocede (backtrack) e comea no
prximo n. Numa implementao no-recursiva, todos os ns expandidos,
recentemente, so adicionados a uma pilha, para realizar a explorao.
Raiz
Limite = Nvel 0
Limite = Nvel 1
Limite = Nvel 2
Limite = Nvel 3
.....
INTELIGNCIA ARTIFICIAL 29
Busca com Informao
Busca Gulosa
30 UNIDADE 02
71
Oradea
Neamt
Zerind
Iasi
87
151
75
92
Arad 140
Sibiu 99
Faragas
Vaslui
118 80
Timisoara Rimnicu 211
142
111
Lugoj Urziceni 98 Hirsova
70
97
Pitesti 86
Mehadia 146 101 Bucharest 86
90
75 138
Giurgui
Dobreta
Eforie
120
Craiova
Figura 7: Mapa com as distncias entre as cidades da Romnia
Fonte: Russel & Norvig 2003
INTELIGNCIA ARTIFICIAL 31
Tabela 1: Distncia em linha reta a at Bucarest
Cidade Distncia Cidade Distncia
Arad 366 Arad 366
Bucharest 0 Bucharest 0
Craiova 160 Craiova 160
Dobreta 242 Dobreta 242
Eforie 161 Eforie 161
Fagaras 178 Fagaras 178
Giurgiu 77 Giurgiu 77
Hirsova 151 Hirsova 151
Iasi 226 Iasi 226
Lugoj 244 Lugoj 244
Raiz
Arad
(366)
Rimnicu Fagaras
(193) (178)
Bucharest
(178)
Algoritmo A*
32 UNIDADE 02
estratgia completa, quando a heurstica admissvel, isto , quando ela
sempre subestima o custo real (Custo (Caminho Percorrido)), para todo n.
Da mesma forma, tima para heursticas admissveis, garantindo
mais eficincia do que qualquer outro algoritmo completo e timo, usando a
mesma heurstica, e seu tempo e espao so, no pior caso, O(bd), onde d =
profundidade da soluo de menor custo.
Retornando ao exemplo da busca gulosa (Figura 7), poderemos,
realmente, encontrar a rota mais curta entre Arad e Bucarest, tendo em vista
que a reduo ao mnimo de f(n) = g(n) + h(n) combina as vantagens da
busca com custo uniforme e a busca gulosa. Quando se repetem os estados
que so analisados e se assegura que h(n) nunca faa uma superestimativa,
encontramos o melhor caminho, segundo a busca A*.
g(n) = Custo da rota de partida ao n n
h(n) = Custo da rota mais barata que vai de n meta
f(n) = Custo estimado da soluo mais barata passando por n
f(n)= g(n) + h(n)
Vejamos como o diagrama da viagem de Arad a Bucarest por meio
da busca A*:
Zerind
f(n)=75+374
f(n)=449
Oradea
f(n)=291+380
f(n)=671
f(n)=g(n)+h(n)
f(n)=0+366
Fagaras
Arad f(n)=366
Sibiu
f(n)=239+178
f(n)=140+253 f(n)=417
f(n)=393
f(n)=220+193
f(n)=447
Timisoara
f(n)=413
Rimnicu Bucharest(Guloso)
f(n)=450+0
f(n)=450
Bucharest
Pitesti
f(n)=418+0
f(n)=317+98 f(n)=418
Craiova
f(n)=415
f(n)=366+160
f(n)=526
INTELIGNCIA ARTIFICIAL 33
total = 447;
Zerind est a 75 km de Arad e a 374, Em linha reta, de Bucarest: total =
449;
Sibiu est a 140 km de Arad e a 253, Em linha reta, de Bucarest: total =
393;
Sibiu a primeira escolha do algoritmo A*. Partindo de Sibiu, o
algortmo pode conduzir s cidades de Fagaras ou Rimnicu Vilcea. Fagaras
est a 239 km de Arad e a 178, em linha reta, de Bucarest: total = 417. Rimnicu
Vilcea est a 220 km de Arad e a 193 (via Pitesti), em linha reta de Bucarest:
total = 413. Rimnicu Vilcea est a 220 km de Arad e a 146 de Craiova que, em
linha reta de Bucarest, dista 160 km fazendo um total de 526km.
Resultado do caminho escolhido pelo algoritmo A*: Arad->Sibiu-
>Rimnicu Vilcea->(via Pitesti)->Bucarest
34 UNIDADE 02
distncia do n corrente ao n objetivo).
Busca Competitiva
INTELIGNCIA ARTIFICIAL 35
A soma nula, ou seja, o que um ganha o outro perde e a informao
completa, pois os agentes conhecem as aes um do outro. Os componentes
de procura so os seguintes:
Estado Inicial - que inclui as posies no tabuleiro e a identificao de
quem ir jogar.
Funo Sucessor ou Operadores - retorna os ns resultantes dos
movimentos legais.
Teste Terminal - que determina se o jogo acabou.
Funo de Utilidade - atribui valores aos estados terminais, avaliando
numericamente o resultado final do jogo para cada um dos jogadores.
No caso do Jogo da Velha, a Funo de Utilidade pode atribuir trs
valores diferentes aos ns terminais: 1 se o jogador ganha; 0 se o jogador
empata; -1 se o jogador perde.
O mtodo de busca consiste na ideia de maximizar a utilidade (ganho)
supondo que o adversrio vai tentar minimiz-la. O Minimax faz busca cega
em profundidade, o agente Max e o adversrio Min (Figura 10).
MAX (X)
X X X
MIN (O) X X X
X X X
X O X O X ...
O
MAX (X)
X O X X O X O ...
X X
MIN (O)
36 UNIDADE 02
Se fosse o caso de se tratar de uma pesquisa normal, bastava
percorrer-se a rvore at aos nodos terminais e escolher o caminho que
levasse ao nodo com maior valor de utilidade. Mas no assim, visto existir
outro jogador.
Dessa maneira, necessrio, escolher a partir de cada nodo filho,
o menor valor de utilidade, e copi-lo para o nodo pai, recursivamente at
ao nodo inicial. Isto se deve ao fato, de o jogador MIN tentar minimizar o
ganho do jogador MAX, pelo que ele tentar escolher a jogada, dentro das
possveis, que d menos pontos ao jogador adversrio.
Observando a Figura 11 podemos observar que apesar de o jogador
MAX querer obter o maior valor possvel (14 pontos), ele no poder seguir
pelo caminho A3, pois o jogador MIN, como resposta, poder seguir o caminho
A33, o que far com que o jogador MAX obtenha uma pontuao de 2 pontos.
Assim sendo, aps terem sido copiados o menor dos valores dos ns filhos
para os ns pais (que representam as melhores jogadas possveis do jogador
MIN), o jogador MAX, ir escolher o n com o maior valor dentro destes.
MAX A1 A2 A3
MIN
3 2 2
3 12 8 2 4 6 14 5 2
INTELIGNCIA ARTIFICIAL 37
ramificao e m a profundidade e complexidade no espao O (bm)
explorao primeiro em profundidade, a complexidade vai de encontro com o
tipo de jogo em questo, ou seja, ir variar consoante o nvel de dificuldade
do jogo. Exemplo o jogo de xadrez tem um nvel de dificuldade muitssimo
superior ao do jogo da velha, o que leva ao fato do nvel de complexidade
no caso do jogo de xadrez ser muito mais elevado. Logo, perceptvel que o
problema invivel para qualquer jogo minimamente complexo.
Corte Alpha-Beta
38 UNIDADE 02
3
MAX A1 A2 A3
MIN
3 <=2 2
3 12 8 2 14 5 2
EXERCCIOS
4
2 3
5 6 7 8 9
10 11 12 13
INTELIGNCIA ARTIFICIAL 39
Explique cada um deles.
5. Assinale V (verdadeiro) ou F (falso) para as seguintes afirmativas:
a. ( ) O uso de informaes amenizam o problema da explorao cega
dos algoritmos de busca.
b. ( ) O algoritmo de busca em profundidade utiliza mais memria que o
de busca em largura.
c. ( ) Busca uma tcnica da IA que serve para solucionar qualquer
problema que possa ser visto como um espao de busca, isto , como
um conjunto de estados e trasies. Porm, em alguns problemas esse
espao difcil de ser definido.
d. ( ) O teste de Turing serve para verificar se algo foi construdo com
tcnicas de IA.
e. ( ) No caso da busca heurstica, se o clculo do valor de h for sempre
0, a busca heurstica se comporta exatamente como a busca em largura
com custo.
6. Considere a rvore de jogo de profundidade 3 e fator de ramificao 3
abaixo.
4
Nvel de maximizador 5
16
2
Nvel de minimizador 7
9
3
2
1
2
5
6
2
Nvel de maximizador 9
3
5
3
1
1
4
2
6
1
9
3
7
8*
40 UNIDADE 02
Para responder a questo objetiva, execute obrigatoriamente os passos
indicados abaixo. A questo objetiva somente ter valor se os seguintes
passos forem executados.
a. Encontre os valores minimax do n raiz (estado inicial), utilizando a
poda alfa-beta. Comece a explorao pela ramificao mais abaixo,
indicada por um *.
b. Circule os ns que no so necessrios para a avaliao do valor-
minimax do n raiz.
c. Quantas avaliaes de folhas so necessrias para encontrar o valor-
minimax do n raiz?
7. Considere as seguintes colocaes:
a. A busca minimax do tipo em profundidade; ento, em qualquer
instante temos de considerar os ns ao longo dos vrios caminhos na
rvore, independente do n ser de MIN ou de MAX.
b. A efetividade (eficincia) do algoritmo minimax altamente dependente
da ordem em que os sucessores so examinados.
c. O algoritmo alfa-beta permite podar grandes partes do espao de busca
do jogo inteiro, conseqentemente, ele no tem de fazer a busca em toda
a distncia at os estados terminais.
d. O algoritmo minimax no timo, pois ele gera o espao de busca do
jogo inteiro.
Marque a alternativa correta:
i. Somente III e IV esto corretas
ii. Somente II e III esto corretas
iii. Somente I, III e IV esto corretas
iv. Somente IV esto corretas
v. Todas esto erradas.
8. Descreva, com suas palavras, o algoritmo de poda alfa-beta.
9. Explique cada uma das estratgias abaixo, destacando qual n da fronteira
escolhido, como a fronteira se comporta e o desempenho para cada uma
delas:
a. Busca por custo uniforme (menor primeiro)
b. Busca heurstica pelo melhor primeiro (gulosa)
c. Busca heurstica em profundidade
d. Busca A*
10. Crie uma funo heurstica h para o quebra-cabea de 8 peas que as
vezes realize estimativas exageradas (d um exemplo, pelo menos), e mostre
INTELIGNCIA ARTIFICIAL 41
como ela pode levar o algoritmo A* a uma soluo no tima em um problema
especfico. Prove que, se a funo h nunca superestimar por um valor maior
que c, A* usando h retornar uma funo cujo custo excede o da soluo
tima por no mais que c.
42 UNIDADE 02
UNIDADE 03
Aprendizagem de Mquina
Resumindo
Uma das formas de fazer o ser humano melhorar, continuamente, a realizao de suas tarefas o
processo de aprendizado. Quanto mais se aprende melhora capacidade de se realizar uma determinada
ao. A aprendizagem de mquina, estudada nesta unidade, proporciona diversos mecanismos para que
sistema computacional possa aprender e assim, melhorar seu desempenho a cada execuo.
Aqui estudamos algumas das diferentes abordagens da chamada aprendizagem de mquina que
possibilitaro tal aprendizado.
Em um primeiro momento vimos as diferenas entre aprendizagem supervisionada e no-supervisionada.
Em seguida, so mostrados os conceitos que norteiam os estudos da aprendizagem por reforo. Falamos
ainda dos fundamentos terico das redes neurais umas das tcnicas mais pesquisadas atualmente e suas
principais aplicaes. Encerramos esta unidade, mostrando como funcionam os algoritmos genticos.
Os exerccios complementam o que foi estudado atravs de situaes prticas e reforo na teoria
apresentada.
Objetivo
1. Compreender o Aprendizado de Mquina;
2. Diferenciar aprendizado supervisionado do no supervisionado;
3. Reconhecer o funcionamento da aprendizagem por reforo;
4. Identificar o funcionamento das redes neurais;
5. Entender o funcionamento dos algoritmos genticos.
APRENDIZAGEM DE MQUINA
Aprendizado Supervisionado
INTELIGNCIA ARTIFICIAL 45
Aprendizado supervisionado (Atividades de Predio):
Classificao: previso de classes discretas pr-definidas
Regresso: previso de um valor numrico contnuo
O algoritmo de aprendizado (indutor) recebe um conjunto de
exemplos de treinamento para os quais os rtulos da classe associada so
conhecidos. Cada exemplo (instncia ou padro) descrito por um vetor de
valores (atributos) e pelo rtulo da classe associada. O objetivo do indutor
construir um classificador que possa determinar corretamente a classe de
novos exemplos ainda no rotulados.
Algoritmo ID3
46 UNIDADE 03
Passos para construo de uma rvore de deciso:
1. Seleciona um atributo como sendo o nodo raiz;
2. Arcos so criados para todos os diferentes valores do atributo selecionado
no passo 1;
3. Se todos os exemplos de treinamento sobre uma folha pertencerem a
uma mesma classe, esta folha recebe o nome da classe. Se todas as
folhas possuem uma classe, o algoritmo termina;
4. Seno, o nodo determinado com um atributo que no ocorra no trajeto
da raiz, e arcos so criados para todos os valores. O algoritmo retorna
ao passo 3.
Tomemos como exemplo os dados da Tabela 2. A classe selecionada
para esse caso emprstimo (sim/no).
A Figura 13 apresenta um exemplo de rvore de Deciso, na qual
constam os dados da Tabela 2 que relatam as condies para uma pessoa
receber um emprstimo. Nesse caso, existem duas possveis classes: Sim
(receber emprstimo) e No (no receber emprstimo). O atributo Montante
foi selecionado primeiro, pois maior ganho de informao, ou seja, quando
selecionado o baixo o algoritmo j consegue classificar como emprstimo a
ser concedido, independente de qualquer para atributo/valor da tabela.
A base de dados dividida entre os dados que possuem
montante=mdio e montante=alto. Para cada uma dessas subdivises
escolhido outro atributo, aquele que tiver maior ganho de informao. E assim
sucessivamente. No exemplo da Figura 13, para o ramo montante=mdio
foi escolhido o atributo salrio e para o ramo montante=alto foi escolhido o
atributo conta.
INTELIGNCIA ARTIFICIAL 47
12 baixo jovem baixo no sim
13 baixo snior alto sim sim
14 alto mdia baixo no no
montante
salrio sim conta
no sim no sim
Aprenizado No-Supervisionado
48 UNIDADE 03
Exemplo: clusterizao conceitual
INTELIGNCIA ARTIFICIAL 49
feito um agrupamento por semelhana dos registros. Um exemplo dessa
classificao pode ser vista na Figura 14.
Animais
Cobweb
50 UNIDADE 03
n
CU(C) =
1
n P(Ck ) i j
P(Ai=Vij Ck )2
i j
P(Ai=Vij )2
k=1
Ambiente
Estado Reforo Ao
Agente
INTELIGNCIA ARTIFICIAL 51
de modo a maximizar seus reforos. Sendo assim, por um lado o agente
deve aprender quais aes maximizam os valores das recompensas obtidas
no tempo, e, por outro, deve agir de forma a atingir esta maximizao,
explorando aes ainda no executadas ou regies pouco visitadas do
espao de estados.
importante, portanto, estabelecer uma poltica mista de explotao
e explorao (poltica -greedy), que inclua a escolha intencional (com
probabilidade ) de se executar uma ao que no considerada a melhor
no estado atual, visando a aquisio de conhecimentos a respeito de estados
ainda desconhecido ou pouco visitados. A escolha desta ao ocorre de
forma aleatria. Em uma poltica de explotao pura (greedy), escolhem-se
as aes que se julguem (talvez erroneamente, caso o algoritmo de AR ainda
esteja longe da convergncia) serem as melhores para resolver o problema.
Padres estocsticos so aqueles que surgem por meio de eventos aleatrios. Por exemplo,
o lanar de dados resulta em numricos estocsticos, pois qualquer uma das 6 faces do dado
tem iguais probabilidades de ficar para cima quando de seu arremesso.
52 UNIDADE 03
A funo valor indica o ganho acumulado em longo termo a partir
de um estado, levando em conta os estados que sucedem o estado em
considerao:
V(s) = E[rt+1 + rt+2 + rt+3 + : st = s]
J o Modelo do Ambiente imita o comportamento do prprio ambiente.
Dados o estado e a ao, o modelo antecipa o prximo estado e o ganho
Estado corrente no instante t: s
Ao a ser tomada: a
Modelo antecipa o prximo estado:
P(st+1=s' | st= s, at = a)
Esses modelos so usados para planejamento (qualquer mtodo
para decidir um curso de ao ao considerarmos situaes futuras, antes de
encontr-las).
Existem duas classes de modelos: especificado atravs de equaes
do Processo de Deciso Markoviano e o definido implicitamente, que no caso,
usa-se um simulador.
O modelo de equaes representado como segue:
Espao de estados
Conjunto de aes que podem ser tomadas em cada estado:
A(s) para s S
Probabilidades de transio:
P(st+1= s' | st = s, at = a)
Ganhos:
P(rt+1 = r | st+1 = s', st = s, at = a)
Em outro modelo, desenvolve-se um simulador do ambiente. Dado o
estado corrente st e a ao at, o simulador responde com o prximo estado
st+1 e o ganho rt+1.
INTELIGNCIA ARTIFICIAL 53
que identifica as imperfeies do oponente e aprende a maximizar as
chances de vitria. Uma soluo satisfatria no pode ser obtida atravs de
tcnicas clssicas. A tcnica MiniMax, por exemplo, baseada na teoria dos
jogos, assume um comportamento particular do oponente. Os mtodos de
otimizao para problemas de deciso sequencial (programao dinmica)
so capazes de calcular uma soluo tima. Contudo, eles exigem uma
especificao completa do oponente, incluindo distribuies de probabilidade
de seus movimentos.
O comportamento do adversrio pode no ser conhecido a priori, mas
podemos identific-lo a partir das seguintes interaes:
Jogar com o oponente e identificar o modelo, at um certo nvel de
confiana
Aplicar tcnicas de programao dinmica para calcular a poltica de
deciso tima
Como podemos observar a aprendizagem de mquina no muito
diferente dos passos acima.
Aplicando AR ao jogo da velha
Criamos uma tabela de nmeros, V(s), com uma entrada para cada
estado s do jogo.
V(s) a estimativa mais recente de vencermos o jogo a partir do estado s.
V(s) o valor do estado s.
A tabela V representa a funo valor.
Um estado s1 considerado melhor do que um estado s2, se V(s1) >
V(s2). Uma linha com trs Xs tem probabilidade 1 de vitria j ganhamos o
jogo. Uma linha com trs Os tem probabilidade 0 de vitria o jogo j est
perdido. Para os demais estados, chutamos probabilidade de vitria.
Na maioria das vezes selecionamos o movimento que nos leva ao
estado com maior valor, ou seja, o estado com maior probabilidade de vitria
(explotar). Ocasionalmente, selecionamos aleatoriamente dentre os demais
movimentos possveis (vasculhar / explorar).
Enquanto jogamos, atualizamos a tabela V e tentamos obter estimativas
mais precisas das probabilidades de vencer. Para tanto, atualizamos o valor
do estado aps cada movimento guloso (explotao). O valor corrente
ajustado para se tornar mais prximo do ltimo valor.
Como regra de atualizao, utilizamos:
V(s) V(s) + [V(s) V(s)], onde um nmero positivo pequeno,
chamado de passo (taxa de aprendizagem).
54 UNIDADE 03
A regra de atualizao acima chamada de mtodo de aprendizagem
por diferena temporal (temporal-difference learning method).
A partir de um modelo simples como apresentado acima, um agente
com aprendizagem por reforo explora as fraquezas do oponente, a partir de
sua prpria experincia. Com o passar do tempo, a experincia convertida
em valores da funo valor-estado V(s). Esta experincia induz a poltica de
controle/deciso.
REDES NEURAIS
Dentritos (Recepo
Axnio
Terminais do
Axnio (Transmiso)
Corpo
Figura 16: Modelo de neurnio humano
INTELIGNCIA ARTIFICIAL 55
K+ (Potssio), e o resultado disto pode ser estendido por todo o corpo humano.
Esta grande rede proporciona uma fabulosa capacidade de processamento e
armazenamento de informao.
As redes neurais artificiais consistem em um mtodo de solucionar
problemas de inteligncia artificial, construindo um sistema que tenha
circuitos que simulem o crebro humano, inclusive seu comportamento, ou
seja, aprendendo, errando e fazendo descobertas. So mais que isso, so
tcnicas computacionais que apresentam um modelo inspirado na estrutura
neural de organismos inteligentes e que adquirem conhecimento atravs da
experincia. Uma grande rede neural artificial pode ter centenas ou milhares
de unidades de processamento, enquanto que o crebro de um mamfero
pode ter muitos bilhes de neurnios.
O Neurnio Artificial
X1 Bias
B1
Funo de
W1
Sinais Ativao
Sada
de X2 V1
(.)
W2
Y1
Entrada
Wn
Xn Pesos
Sinpticos
56 UNIDADE 03
feita a soma ponderada dos sinais que produz um nvel de atividade;
Se este nvel de atividade exceder um certo limite (threshold) a unidade
produz uma determinada resposta de sada.
Suponha que tenhamos p sinais de entrada X1, X2, ..., Xp e pesos w1,
w2, ..., wp e limitador t; com sinais assumindo valores booleanos (0 ou 1) e
pesos valores reais.
Neste modelo, o nvel de atividade a dado por:
a = w1X1 + w2X2 + ... + wpXp
A sada y dada por:
y = 1, se a >= t ou
y = 0, se a < t.
A maioria dos modelos de redes neurais possui alguma regra de
treinamento, onde os pesos de suas conexes so ajustados de acordo com
os padres apresentados. Em outras palavras, elas aprendem atravs de
exemplos.
Treinamento de um Perceptron
INTELIGNCIA ARTIFICIAL 57
Onde:
O par de treinamento (X, d) corresponde ao padro de entrada e a sua
respectiva resposta desejada;
O erro E definido como: Resposta Desejada - Resposta Obtida (d - O);
A taxa de aprendizado neta uma constante positiva, que corresponde
velocidade do aprendizado.
Wnovo = Wanterior + EX
E = Resposta Desejada - Resposta Obtida
58 UNIDADE 03
aprender importantes mapeamentos. Como resultado, padres de entrada
com estruturas similares, fornecidos do mundo externo, que levem a
sadas diferentes no so possveis de serem mapeados por redes sem
representaes internas, isto , sem camadas intermedirias. Um exemplo
clssico deste caso a funo ou-exclusivo (XOR).
Minsky e Papert (1969) analisaram matematicamente o Perceptron
e demonstraram que redes de uma camada no so capazes de solucionar
problemas que no sejam linearmente separveis. Como no acreditavam
na possibilidade de se construir um mtodo de treinamento para redes com
mais de uma camada, eles concluram que as redes neurais seriam sempre
suscetveis a essa limitao.
Contudo, o desenvolvimento do algoritmo de treinamento
backpropagation, por Rumelhart, Hinton e Williams em 1986 (RUMELHART
et. al., 1986), precedido por propostas semelhantes ocorridas nos anos 70
e 80, mostrou que possvel treinar eficientemente redes com camadas
intermedirias, resultando no modelo de Redes Neurais Artificiais mais
utilizado atualmente, as redes Perceptron Multi-Camadas (MLP), treinadas
com o algoritmo backpropagation.
Nessas redes, cada camada tem uma funo especfica. A camada
de sada recebe os estmulos da camada intermediria e constri o padro
que ser a resposta. As camadas intermedirias funcionam como extratoras
de caractersticas, seus pesos so uma codificao de caractersticas
apresentadas nos padres de entrada e permitem que a rede crie sua prpria
representao, mais rica e complexa, do problema.
Backpropagation
INTELIGNCIA ARTIFICIAL 59
regra delta, apropriada para redes multicamadas: a regra delta generalizada.
A regra delta padro essencialmente implementa um gradiente descendente
no quadrado da soma do erro para funes de ativao lineares. Redes sem
camadas intermedirias, podem resolver problemas onde a superfcie de
erro tem a forma de um parabolide com apenas um mnimo. Entretanto,
a superfcie do erro pode no ser to simples, como a ilustrada na figura
abaixo, e suas derivadas mais difceis de serem calculadas. Nestes casos,
devem ser utilizadas redes com camadas intermedirias. Ainda assim, as
redes ficam sujeitas aos problemas de procedimentos hill-climbing, ou seja,
ao problema de mnimos locais.
A regra delta generalizada funciona quando so utilizadas na
rede unidades com uma funo de ativao semilinear, que uma funo
diferencivel e no decrescente. Note que a funo threshold no se enquadra
nesse requisito. Uma funo de ativao amplamente utilizada, nestes casos,
a funo sigmoid.
A taxa de aprendizado uma constante de proporcionalidade no
intervalo [0,1], pois este procedimento de aprendizado requer apenas que a
mudana no peso seja proporcional neta.
Entretanto, o verdadeiro gradiente descendente requer que sejam
tomados passos infinitesimais. Assim, quanto maior for essa constante,
maior ser a mudana nos pesos, aumentando a velocidade do aprendizado,
o que pode levar uma oscilao do modelo na superfcie de erro. O ideal
seria utilizar a maior taxa de aprendizado possvel que no levasse a uma
oscilao, resultando em um aprendizado mais rpido.
O treinamento das redes MLP com backpropagation pode demandar
muitos passos no conjunto de treinamento, resultando um tempo de
treinamento consideravelmente longo. Se for encontrado um mnimo local, o
erro para o conjunto de treinamento para de diminuir e estaciona em um valor
maior que o aceitvel. Uma maneira de aumentar a taxa de aprendizado sem
levar oscilao modificar a regra delta generalizada para incluir o termo
momentum, uma constante que determina o efeito das mudanas passadas
dos pesos na direo atual do movimento no espao de pesos.
Desta forma, o termo momentum leva em considerao o efeito de
mudanas anteriores de pesos na direo do movimento atual no espao de
pesos. O termo momentum torna-se til em espaos de erro que contenham
longas gargantas, com curvas acentuadas ou vales com descidas suaves,
como o apresentado na figura acima.
60 UNIDADE 03
Treinamento do MLP
Resumo do Algoritmo:
1. Inicializao: Inicialize os pesos sinpticos e os bias aleatoriamente,
com valores no intervalo [-1;1];
2. Apresentao dos Exemplos de Treinamento:
Treinamento on-line: para cada exemplo do conjunto de treinamento,
efetue os passos 3 e 4.
Treinamento "em lote": para cada "poca" do conjunto de treinamento,
efetue os passos 3 e 4.
3. Computao para Frente (Propagao): Depois de apresentado o
exemplo do conjunto de treinamento T = {(x(n),d(n)}, sendo x(n) a
entrada apresentada rede e d(n) a sada desejada, calcule o valor
da ativao vj e a sada para cada unidade da rede, da seguinte forma:
1
vj=i=1
m
wji xi + b, para o clculo do valor da ativao e f(v) =
(- av)
, para
1+e
o clculo da sada y da unidade k, utilizando a funo sigmide, como
no exemplo, ou uma outra funo se necessrio.
Utilize a sada das unidades de uma camada como entradas para a
seguinte, at a ltima camada. A sada das unidades da ltima camada
ser a resposta da rede.
4. Calcule o Sinal de Erro: Fazendo a sada yj = Oj(n), ser Oj(n) a resposta
da rede, calcule o sinal de erro atravs da seguinte formula:
ej(n)=dj(n)-Oj(n) , onde dj(n) a sada desejada com resposta para cada
unidade na interao (n).
Este sinal de erro ser utilizado para computar os valores dos erros
das camadas anteriores e fazer as correes necessrias nos pesos
sinpticos.
5. Computao para Trs (Retropropagao): Calcule os erros locais, d,
para cada unidade, desde a camada de sada at a de entrada. O
INTELIGNCIA ARTIFICIAL 61
gradiente local definido por:
j (n)=ej (n) Oj (n)(1-Oj (n)) para a unidade da camada de sada ou
j (n)=Oj (n)(1-Oj (n))kwjk, para as unidades das demais camadas.
Onde:
Oj(1-Oj) - a funo de ativao diferenciada em funo do argumento,
i.e., valor de ativao;
dk - o erro das unidades da camada anterior conectadas a unidade j;
wjk - so os pesos das conexes com a camada anterior.
Aps o clculo dos erros de cada unidade, calcule o ajuste dos pesos
de cada conexo segundo a regra delta generalizada e atualize os
pesos:
wkj (n+1)=wkj(n)+jyj, para o clculo dos ajustes dos pesos
Faa: w(n+1)=w(n)+wkj (n), para atualizar os pesos sinpticos, onde:
- a constante de , quando a=0, esta funo funciona como a regra
delta comum;
- a taxa de aprendizado;
dj - o erro da unidade;
yj - a sada produzida pela unidade j;
6. Interao: Refaa os itens 3, 4 e 5 referentes propagao, clculo
do erro e retropropagao, apresentando outros estmulos de entrada,
at que sejam satisfeitas as condies de treinamento; as quais podem
ser:
O erro da rede est baixo, sendo pouco alterado durante o treinamento;
O nmero mximo de ciclos de treinamento foi alcanado.
62 UNIDADE 03
Em um sistema de rede neural, a informao pode parecer ter
representao redundante, porm, o fato de que ela se encontre distribuda
por todos os elementos da rede significa que mesmo que parte da rede seja
destruda, a informao contida nesta parte ainda estar presente na rede,
e poder ser recuperada. Portanto, a redundncia na representao de
informaes em uma rede neural, diferente de outros sistemas, transforma-
se em uma vantagem, que torna o sistema tolerante a falhas. Os atributos de
uma rede neural, tais como aprender atravs de exemplos, generalizaes
redundantes, e tolerncia a falhas, proporcionam fortes incentivos para a
escolha de redes neurais como uma escolha apropriada para aproximao
para a modelagem de sistemas biolgicos. Todo o potencial de uma rede
neural pode ser enumerado nos pargrafos seguintes.
O modelo de rede neural tem muitos neurnios conectados por pesos
com capacidade de adaptao que podem ser arranjados em uma estrutura
paralela. Por causa deste paralelismo, a falha de alguns nurons no causam
efeitos significantes para a performance de todo o sistema, o que chamado
de tolerncia a falhas.
A principal fora na estrutura de redes neurais reside em sua habilidade
de adaptao e aprendizagem. A habilidade de adaptao e aprendizagem
pelo ambiente significa que modelos de redes neurais podem lidar com
dados imprecisos e situaes no totalmente definidas. Uma rede treinada
de maneira razovel tem a habilidade de generalizar quando apresentada
entradas que no esto presentes em dados j conhecidos por ela.
A caracterstica mais significante de redes neurais est em sua
habilidade de aproximar qualquer funo continua no linear de um grau de
correo desejado. Esta habilidade das redes neurais as tem tornado til
para modelar sistemas no lineares na combinao de controladores no
lineares.
Redes Neurais podem ter vrias entradas e vrias sadas, eles so
facilmente aplicveis sistemas com muitas variveis. Com o avano em
tecnologias de hardware, existem componentes com funes voltadas
sistemas com implementaes voltadas para redes neurais, o que traz uma
velocidade adicional computao neural.
INTELIGNCIA ARTIFICIAL 63
Aplicaes de Redes Neurais Artificiais
64 UNIDADE 03
filtros contra rudos eletrnicos;
anlise de imagens;
anlise de voz;
avaliao de crdito;
anlise de aroma e odor - um projeto que est em desenvolvimento,
buscando a anlise de odor via nariz eletrnico;
anlise e diagnstico de descargas parciais pelo reconhecimento
do padro acstico - trata-se de uma tese de mestrado, cujo
objetivo, criar um sistema com capacidades de classificar o
padro acstico de uma descarga parcial .
ALGORITMOS GENTICOS
INTELIGNCIA ARTIFICIAL 65
sobre uma populao de candidatos em paralelo. Assim, elas podem fazer
a busca em diferentes reas do espao de soluo, alocando um nmero
de membros apropriado para a busca em vrias regies. Os Algoritmos
Genticos (AGs) diferem dos mtodos tradicionais de busca e otimizao,
principalmente em quatro aspectos:
1. AGs trabalham com uma codificao do conjunto de parmetros e
no com os prprios parmetros;
2. AGs trabalham com uma populao e no com um nico ponto;
3. AGs utilizam informaes de custo ou recompensa e no derivadas
ou outro conhecimento auxiliar;
4. AGs utilizam regras de transio probabilsticas e no determinsticas.
Algoritmos Genticos so muito eficientes para busca de solues
timas, ou aproximadamente timas, em uma grande variedade de problemas,
pois no impem muitas das limitaes encontradas nos mtodos de busca
tradicionais.
Alm de ser uma estratgia de gerar-e-testar muito elegante, por
serem baseados na evoluo biolgica, so capazes de identificar e explorar
fatores ambientais e convergir para solues timas, ou aproximadamente
timas em nveis globais.
"Quanto melhor um indivduo se adaptar ao seu meio ambiente, maior
ser sua chance de sobreviver e gerar descendentes": este o conceito
bsico da evoluo gentica biolgica. A rea biolgica mais proximamente
ligada aos Algoritmos Genticos a Gentica Populacional.
Os pesquisadores referem-se a "algoritmos genticos" ou a "um
algoritmo gentico" e no "ao algoritmo gentico", pois AGs so uma classe
de procedimentos com muitos passos separados, e cada uma destes passos
possui muitas variaes possveis.
Conceitos Bsicos
66 UNIDADE 03
alfabeto utilizado (binrio, inteiro ou real).
Fentipo - cromossomo codificado.
Populao - conjunto de pontos (indivduos) no Espao de Busca.
Gerao - iterao completa do AG que gera uma nova populao.
Aptido bruta - sada gerada pela funo objetivo para um
indivduo da populao.
Aptido normalizada - aptido bruta normalizada, entrada para o
algoritmo de seleo.
Aptido mxima - melhor indivduo da populao corrente.
Aptido mdia - aptido mdia da populao corrente.
Deve ser observado que cada cromossomo, chamado de indivduo
no AG, corresponde a um ponto no espao de solues do problema de
otimizao. O processo de soluo adotado nos algoritmos genticos
consiste em gerar, atravs de regras especficas, um grande nmero de
indivduos, populao, de forma a promover uma varredura to extensa
quanto necessria do espao de solues.
Funcionamento do Algoritmo
INTELIGNCIA ARTIFICIAL 67
fazer parte da prxima gerao, atravs de um sorteio de roleta.
Neste mtodo, cada indivduo da populao representado na roleta
proporcionalmente ao seu ndice de aptido (Figura 20). Assim, aos indivduos
com alta aptido dada uma poro maior da roleta, enquanto aos de aptido
mais baixa dada uma poro relativamente menor da roleta. Finalmente, a
roleta girada um determinado nmero de vezes, dependendo do tamanho
da populao, e so escolhidos, como indivduos que participaro da prxima
gerao, aqueles sorteados na roleta.
Operaes Genticas
68 UNIDADE 03
0 0 0 0 Pais 1 1 1 1
0 0 1 1 Filhos 1 1 0 0
INTELIGNCIA ARTIFICIAL 69
mutao (P, t);
avaliao (P, t);
sobrevivem (P, t)
}
}
Onde:
t - tempo atual;
d - tempo determinado para finalizar o algoritmo;
P populao.
Parmetros Genticos
70 UNIDADE 03
maior parte da populao ser substituda, mas com valores muito
altos pode ocorrer perda de estruturas de alta aptido. Com um valor
baixo, o algoritmo pode tornar-se muito lento.
Aplicaes
EXERCCIOS
INTELIGNCIA ARTIFICIAL 71
ATRIBUTOS Conduo
Zona Trfego Cansao
Cidade Intenso Elevado Calma
Estrada Baixo Baixo Desportiva
Estrada Baixo Elevado Desportiva
Estrada Intenso Baixo Desportiva
Estrada Intenso Elevado Calma
Cidade Baixo Elevado Calma
Cidade Baixo Baixo Desportiva
72 UNIDADE 03
UNIDADE 04
Representao do
Conhecimento
Resumindo
O conhecimento ao ser inserido em um sistema computacional passa por uma srie de processos,
tais como, aquisio (descoberta de conhecimento), minerao e finalmente a representao do
conhecimento propriamente dita.
Estes processos tm como finalidade formalizar o conhecimento, ou seja, disponibiliz-lo de uma forma
que possa ser facilmente usado e interpretado pelos prprios sistemas computacionais e pelos usurios
desses sistemas.
Nesta unidade, apresentamos os principais modelos para representar o conhecimento, dando destaque
ao processo de descoberta de conhecimento em base de dados e as principais formas de se representar
o conhecimento como rvores de deciso, frames e ontologias.
Objetivo
1. Entender a importncia da aquisio do conhecimento;
2. Estudar mtodos primrios de aquisio do conhecimento;
3. Compreender o processo de descoberta de conhecimento em base de dados;
4. Conhecer os principais modelos de representao do conhecimento.
REPRESENTAO
DO CONHECIMENTO
AQUISIO DO CONHECIMENTO
INTELIGNCIA ARTIFICIAL 75
de aquisio em que o tipo de conhecimento esperado definido. Estas
tcnicas so comuns aos sistemas de representao de conhecimento e aos
sistemas de gerenciamento de bancos de dados. Por outro lado, uma base
de conhecimento pode ser examinada periodicamente com a finalidade de
detectar incoerncias eventualmente introduzidas no processo de aquisio.
Este mtodo limitado pelo fato de que linguagens de representao
razoavelmente expressivas no contam com procedimentos completos de
verificao conhecidos. Finalmente, deve-se observar que a adequao do
formalismo de representao ao tipo de conhecimento do mundo real a ser
representado fundamental para a eficincia do processo de aquisio.
Entrevistas no estruturadas
Entrevistas estruturadas
76 UNIDADE 04
desvantagens encontradas so: alguns conceitos no relatados na entrevista
podem no ser abordados; fornece uma compreenso fraca do conhecimento
procedural, como regras ou estratgias para solucionar problemas.
As tcnicas de entrevistas discutidas nesta seo so de natureza
introspectiva. O especialista tenta responder s questes recorrendo a
seus conceitos e compreenso sobre o problema. Estudos em psicologia
demonstraram que a introspeo no uma maneira eficaz de obter um
conhecimento completo e confivel para a resoluo de problemas.
Estudo de caso
INTELIGNCIA ARTIFICIAL 77
de descoberta do conhecimento em bases de dados e suas etapas. A origem
diversa dos dados que sero utilizados, coletados em diferentes instantes
de tempo em lugares distintos, cria um esforo inicial de consolidao e
agrupamento de toda a informao que ir servir de base para o processo. A
compreenso do negcio e do ambiente no qual os dados esto inseridos
crtica para o entendimento dos mesmos.
78 UNIDADE 04
MTODOS DE REPRESENTAO DE CONHECIMENTO
Lgica
INTELIGNCIA ARTIFICIAL 79
humano. A lgica preposicional considerada a forma mais comum da
lgica. Baseia-se em que proposio s pode ter um dos seguintes valores:
verdadeira ou falsa. A lgica de predicados considerada como uma extenso
da lgica preposicional. Na lgica de predicados os elementos fundamentais
so, alm do objeto, tambm os seus predicados.
Uma das principais formas de representar conhecimento em lgica
e tambm manipul-lo atravs da linguagem PROLOG. Prolog uma
linguagem de programao lgica e declarativa. Isso significa que em vez de
o programa estipular a maneira de chegar soluo, passo a passo, (como
nas linguagens procedimentais ou imperativas), limita-se a fornecer uma
descrio do problema que se pretende computar. Usa uma coleo base
de dados de fatos e de relaes lgicas (regras) que exprimem o domnio
relacional do problema a resolver.
Redes
80 UNIDADE 04
Frames
rvores de Deciso
INTELIGNCIA ARTIFICIAL 81
montante
salrio sim conta
no sim no sim
Ontologias
82 UNIDADE 04
planetas, assim como indivduos abstratos como nmeros e palavras.
Para ser exato, uma ontologia no precisa necessariamente incluir
indivduos, porm, um dos propsitos gerais de uma ontologia
apresentar um meio de classificao de indivduos, mesmo que estes
no sejam explicitamente parte da ontologia.
Classes (conceitos) so grupos abstratos, conjuntos ou colees
de objetos. Eles podem conter indivduos, outras classes, ou uma
combinao de ambos.
Ontologias se diferenciam nos seguintes aspectos: se classes podem
conter outras classes, se uma classe pode pertencer a si mesma, se existe
uma classe universal (isto , uma classe contendo tudo), etc. Algumas vezes
estas restries so feitas para evitar alguns paradoxos conhecidos.
Uma classe pode incluir ou estar includa em outras classes. Por
exemplo, Veculo inclui Carro, j que (necessariamente) qualquer coisa que
membro de Carro tambm membro de Veculo. A relao de incluso
utilizada para criar uma hierarquia de classes, geralmente com uma classe
geral como Coisa no topo, e classes especficas, como Ford Fiesta 2002 na
base.
Objetos em uma ontologia podem ser descritos atravs de atributos.
Cada atributo tem pelo menos um nome e um valor, e utilizado para
armazenar informao que especfica para o objeto ligado a ele.
O valor de um atributo pode ser um tipo de dados completo; neste
exemplo, o valor do atributo chamado Motor uma lista de valores, no um
valor simples.
Um uso importante dos atributos a descrio de relacionamentos
(tambm conhecidos como relaes) entre objetos na ontologia. Geralmente,
uma relao um atributo cujo valor outro objeto na ontologia. Muito do
poder das ontologias vem da habilidade de descrever estas relaes. O
conjunto de todas as relaes descreve a semntica do domnio.
O tipo mais importante de relao a relao de incluso
(-superclasse-de, -um, -subtipo-de ou -subclasse-de), que define
quais objetos so membros de quais classes de objetos. A adio de
relacionamentos -um cria uma taxonomia hierrquica, uma estrutura de
rvore que descreve que objetos se relacionam com quais outros. Nesta
estrutura, cada objeto um "filho" de uma "classe pai". Outro tipo comum de
relao a do tipo parte-de que representa como objetos se combinam para
formar objetos compostos.
INTELIGNCIA ARTIFICIAL 83
Alm das relaes comuns como -um e parte-de, as ontologias,
geralmente, incluem outros tipos de relaes que refinam ainda mais a
semntica do modelo. Estas relaes geralmente so especficas do domnio
e so utilizadas para responder tipos particulares de questes.
EXERCCIOS
84 UNIDADE 04
UNIDADE 05
Agentes Inteligentes
Resumindo
Os agentes inteligentes tm sido amplamente utilizados em vrias reas de cincia da computao. Esse
paradigma de implementao o que mais se assemelha com o comportamento humano, trazendo
consigo conceitos como percepo, autonomia e aprendizado.
Alm disso, o uso de vrios agentes em conjunto, caracterizando um sistema multiagente, vem se
tornando uma alternativa, quando se fala em inteligncia artificial distribuda.
Nesta unidade, apresentamos as principais caractersticas dos agentes e seus diferentes tipos, assinalando
ainda os atributos necessrios para a implementao dos sistemas multiagente.
Objetivo
1. Compreender o paradigma de agentes;
2. Analisar os ambientes em que os agentes podem estar inseridos;
3. Conhecer os diversos tipos de agentes;
4. Compreender o funcionamento em conjunto de vrios agentes (sistemas multiagente);
5. Identificar a comunicao e coordenao de sistemas multiagente.
AGENTES INTELIGENTES
DEFINIES
INTELIGNCIA ARTIFICIAL 87
aes autnomas neste ambiente em ordem de cumprir seus objetivos.
sensores
percepes
ambiente ?
agente
aes
atuadores
Figura 24: Agente segundo
Fonte: Russel & Norvig, 2003
88 UNIDADE 05
Figura 25: Ambiente do Agente de Limpeza
Fonte: Russel & Norvig, 2003
Sequncia de Percepes Ao
[A, limpo] Direita
[A, sujo] Aspirar
[B, limpo] Esquerda
[B, sujo] Aspirar
[A, limpo] [A, limpo] Direita
[A, limpo] [A, sujo] Aspirar
... ...
[A, limpo] [A, limpo] [A, limpo] Direita
[A, limpo] [A, limpo] [A, sujo] Aspirar
Medidas de desempenho:
quantidade de lixo retiradas X horas de trabalho
quantidade de lixo retiradas X horas de trabalho descontadas a
Com base nos conceitos vistos, para um agente racional para o
mundo do aspirador de p (agente de limpeza) temos:
Medida de Desempenho: 1 ponto de bonificao para cada quadrado
limpo em cada unidade de tempo, ao longo de 1.000 perodos;
Conhece a geografia do ambiente, mas no sabe onde tem sujeira
e nem a posio inicial;
Quadrados limpos permanecem limpos e aspirar limpa o quadrado
atual;
As aes Esquerda e Direita movem o agente nestas direes; exceto
quando isto leva o agente para fora do ambiente (fica parado);
Aes disponveis: Esquerda, Direita, Aspirar, NoOP (no faz nada);
INTELIGNCIA ARTIFICIAL 89
O agente percebe: a sua posio e se nessa posio existe sujeira.
Outras questes tambm devem ser levadas em considerao
quando se fala no conceito de agentes, como por exemplo, a racionalidade
e autonomia. Um agente racional, na viso da Inteligncia Artificial, uma
entidade capaz de agir de forma a alcanar resultados otimizados. Dessa
forma, um Agente s possui sentido baseado nos seus objetivos e na
sua capacidade de atingi-los. Na maioria das vezes, devido s incertezas
do ambiente de tarefas, o resultado procurado pode ser apenas o melhor
resultado esperado, um mximo local do problema.
Um agente racional deve ser autnomo. Isso quer dizer que, dentre
outras coisas, ele deve aprender baseado na sua percepo e nos efeitos
para cada ao que realiza. Quando um agente se baseia somente no
conhecimento anterior de seu projetista ele no tem autonomia. Contudo, se
o agente consegue aprender por experincia e alterar seu comportamento
ele pode ter autonomia funcional.
Agente autnomo deve aprender o que puder para compensar o
conhecimento prvio parcial ou incorreto. Na prtica, raramente os agentes
tm autonomia completa desde o incio.
Agentes autnomos so mais flexveis, podem se adaptar a novas
condies de ambiente como, por exemplo, um agente de reconhecimento
de fala que possui um conjunto pr-definido de padres, mas pode aprender
o sotaque de um novo usurio. Um agente inteligente, verdadeiramente
autnomo, deveria ser capaz de operar com sucesso em uma grande
variedade de ambientes, dado um tempo suficiente para se adaptar.
Um agente definido em um programa de agente, que caracterizado
por uma funo de agente. A funo de agente responsvel por determinar
uma ao, baseada na percepo atual, ou em uma sequncia de percepes.
A funo de agente dependente das caractersticas do ambiente de tarefas.
Ela responsvel por maximizar a medida de desempenho do agente.
importante ressaltar que o conceito de agente racional apenas uma
ferramenta de modelagem para facilitar o entendimento de problemas, e no
um conceito que determina o que e o que no racional.
AMBIENTES DE AGENTES
90 UNIDADE 05
ambiente de tarefa de forma to completa quanto possvel. Existem vrias
caractersticas que devem ser levadas em considerao para definir um
ambiente:
Acessibilidade: Um ambiente acessvel quando o agente tem
acesso, atravs de seus sensores, todas informaes relativas ao
ambiente e que influem em seu processo de deciso.
Determinstico ou Estocstico: Se o prximo estado do ambiente pode
ser determinado pelo prximo estado do agente, ento o ambiente
determinstico.
Episdico ou sequencial: Um ambiente dito episdico quando a
experincia do agente dividida em episdios que no dependam
de aes passadas. Neste caso, cada episdio = percepo + ao.
Dinmico ou esttico: Se o estado do ambiente pode mudar enquanto
o agente est processando informaes ento o ambiente dinmico,
caso contrrio, ser esttico.
Discreto ou contnuo: Se o nmero de aes e percepes limitado
ento o ambiente discreto, caso contrrio, ser contnuo.
Agente nico ou agentes simples: Refere a quantidade de agentes no
ambiente. Por exemplo, em um jogo de palavras cruzadas o ambiente
agente nico. J no Xadrez temos agentes mltiplos em ambiente
competitivo. Na tarefa de dirigir txi, o ambiente possui agentes
mltiplos cooperativos. Ambiente com agentes mltiplos precisam de
uma forma de comunicao.
TIPOS DE AGENTES
INTELIGNCIA ARTIFICIAL 91
e tenta associar sua percepo com um regra previamente programada,
retornando a primeira regra que "casou" com a descrio do estado.
92 UNIDADE 05
Figura 27: Modelo de agente reativo com estado interno
Fonte: Russel & Norvig, 2003
INTELIGNCIA ARTIFICIAL 93
A seleo da ao baseada em objetivo pode ser:
Direta: quando o resultado de uma nica ao atinge o objetivo ou
Complexa: quando ser necessrio longas sequncias de aes para
atingir o objetivo.
94 UNIDADE 05
Agentes com Aprendizagem
INTELIGNCIA ARTIFICIAL 95
SISTEMAS MULTIAGENTE
96 UNIDADE 05
4. Como administrar conflitos e incertezas (resolver conflitos e coordenar
as aes dos agentes);
5. Como definir que linguagens e ambientes de programao devem ser
utilizados para a implementao dos agentes.
IAD se dividiu em dois enfoques: a soluo distribuda de problemas
(SDP - distributed problem solving) e sistemas multiagentes (SMA - multiagent
systems).
A SDP tem como foco principal, o problema conforme a tradio na
IA simblica. Seus objetivos so utilizar a capacidade de processamento
e a robustez oferecidas pela tecnologia de redes para atacar problemas
naturalmente distribudos ou excessivamente complexos. Para a SDP os
agentes so pr-programados para cooperar e seus mtodos visam garantir
que esta cooperao ocorra de maneira coerente, robusta e eficiente. A
qualidade de um sistema de SDP medida pelo desempenho global do
sistema e os agentes envolvidos em SDP so programados dividir tarefas e
comunicar-se de maneira confivel.
Sistemas Multiagente
INTELIGNCIA ARTIFICIAL 97
do problema.
Uma das razes para se utilizar a abordagem de SMA que em
algumas aplicaes, o conhecimento essencialmente distribudo e um
problema pode ser dividido em partes menores, facilitando a sua resoluo.
Baseando-se no grau de cooperao existente entre os agentes, pode se
distinguir dois tipos de sistemas multiagentes:
CMAS Cooperative Multiagent Systems (Sistemas Cooperativos
Multiagentes).
Abrangem sistemas onde os agentes desenvolvidos pelo mesmo
projetista, buscando o melhor aproveitamento do sistema.
Para estes sistemas, o desempenho de cada agente em particular
no um fator decisivo;
SMAS Self-Interested Multiagents System (Sistemas Multiagentes
com Interesses Prprios).
Sistemas onde os agentes foram programados por diferentes
projetistas, visando no o benefcio na cooperao, mas os benefcios
procedentes de sua atuao autnoma.
Os sistemas multiagentes dividem-se em duas classes principais:
Agentes Reativos e Agentes Cognitivos (RUSSELL & NORVIG, 2003). A
abordagem reativa baseia-se na ideia de que agentes com aes elementares
podem realizar trabalhos complexos.
Segundo Alvares (1997), nos sistemas multiagentes reativos no h
representao explcita do conhecimento; no h representao do ambiente;
no h memria das aes; a organizao etolgica, ou seja, similar a dos
animais; e existe grande nmero de membros.
Os agentes reativos so muito simples e no possuem representao
do seu ambiente. Suas reaes dependem unicamente de sua percepo
deste ambiente. A Inteligncia Artificial clssica define um problema de uma
maneira global, criando mtodos de resoluo que se aplicam diretamente e
exclusivamente sobre esta definio. Os modelos de SMA Reativos, por outro
lado, concebem o problema como sendo um conjunto de agentes interagindo
entre si, onde cada um destes possui seus prprios objetivos individuais.
Uma forma usual de representar os comportamentos dos agentes atravs
de um conjunto de regras.
Os sistemas multiagente cognitivos so baseados em modelos
organizacionais humanos, como grupos, hierarquias e mercados. Nestes
sistemas os agentes mantm uma representao explcita de seu ambiente e
98 UNIDADE 05
dos outros agentes da sociedade; podem manter um histrico das interaes
e aes passadas; a comunicao entre os agentes direta, atravs de
mensagens; seu mecanismo de controle deliberativo, ou seja, os agentes
raciocinam e decidem seus objetivos, planos e aes; seu modelo de
organizao sociolgico; uma sociedade contm poucos agentes.
Apesar da classificao (Figura 31), os sistemas multiagente podem
no ser totalmente cognitivos ou reativos. Um sistema pode ser uma mistura
dos dois para atender a soluo de um determinado problema.
Sistemas Multiagentes
Agentes Agentes
Reativos Cognitivos
Sistemas Hbridos
INTELIGNCIA ARTIFICIAL 99
nas quais necessria a comunicao entre agentes. Tais situaes incluem:
Trocar informaes entre os agentes a respeito da parte do sistema
que cada um deles est;
Consultar outros agentes sobre determinados aspectos do ambiente;
Responder as solicitaes de outros agentes;
Aceitar requerimento e propostas;
Compartilhar experincias e conhecimento.
A comunicao pode ocorrer de forma indireta, utilizando uma
arquitetura do tipo quadro-negro e de forma direta, utilizando arquiteturas
baseadas em trocas de mensagens, atravs das linguagens de comunicao
de agentes (ACL).
A coordenao de agentes o processo de gerenciar dependncias
entre atividades (MALONE, 1994), em que agentes se engajam para garantir
que um grupo de agentes tenha um comportamento coerente (NWANA &
JENNINGS, 1996). Exemplos:
controle de trfego areo;
time de futebol;
desfile de carnaval;
trnsito de automveis em uma cidade;
operao militar;
voo de bando de pssaros;
sistema imunolgico animal;
construo de avio, estrada, etc.;
operao cirrgica;
orquestra.
A coordenao um pressuposto fundamental para o trabalho
conjunto. Um SMA pressupe coordenao entre seus agentes. Porque,
geralmente, h dependncias entre as aes uma vez que nenhum agente
pode resolver o problema sozinho. Contudo, devem-se respeitar as restries
globais e garantir a harmonia na execuo conjunta de tarefas.
Portanto, em outras palavras, coordenao em um SMA o processo
pelo qual um agente raciocina sobre suas aes locais e as de outros
agentes para garantir que a comunidade funcione coerentemente, visando
garantir que todas as partes necessrias existam na sociedade e a interao
que possibilite a execuo das atividades. Alm disso, a coordenao deve
garantir que todos atuem consistentemente e que tudo seja feito com dos
recursos disponveis.
100 UNIDADE 05
Para haver coordenao com sucesso preciso:
Uma estrutura...
Flexibilidade nas interaes
Comunicao
Negociao
Conhecimento e raciocnio
Para reconhecer interaes potenciais entre planos de ao.
EXERCCIOS
Resumindo
Das subreas da IA uma das que chamam mais ateno a robtica. Tanto que, atualmente considerada
por muito uma rea cientfica desassociada da inteligncia artificial.
Muita dessa ateno se deve ao fato que a robtica um campo de pesquisa com maior penetrao
social. Seja pelo cinema, seja pela utilizao na maioria das indstrias, ou seja, pelo seu uso no cotidiano
das pessoas.
Nesta unidade apresentamos as principais definies de termos associados robtica, explicando
atravs deles, como se organiza funcionalmente um rob. Mostramos ainda as principais aplicaes da
robtica.
Objetivo
1. Entender o que um rob;
2. Compreender os fundamentos da robtica;
3. Identificar os diferentes tipos de robs;
4. Conhecer os dispositivos que integram um rob.
INTRODUO A ROBTICA
DEFINIES
TIPOS DE ROBS
106 UNIDADE 06
cujo sistema de controle permite governar o movimento de seus membros
das seguintes formas:
manual, quando o operador controla diretamente os movimentos;
de sequncia varivel, quando possvel alterar algumas das
caractersticas do ciclo de trabalho.
Operador / Mquina
Sistema de Comunicao
Sistema
Inteligente
Sistema de Deciso
Manipulador
DISPOSITIVOS DE ROBTICA
108 UNIDADE 06
Os robs usam sensores para obter informaes do seu mundo em
volta, para desempenhar as suas tarefas, em especial, no manuseio de
objetos. H sensores para muitas grandezas, tais como: posio, distncia,
viso, acsticos e muitos outros.
E quanto a natureza destes sensores, tambm h muitos tipos: ticos,
fotoeltricos, infravermelhos e ultrassnicos. Em geral, um sensor mede uma
caracterstica do ambiente ou espao em que ele est e proporciona sinais
eltricos. Estes dispositivos simulam os sentidos humanos, principalmente a
viso. Mas os robs tm a vantagem de poder detectar caractersticas fsicas
que ns humanos no conseguimos detectar com os nossos sentidos, como
por exemplo: os campos magnticos, ondas ultrassnicas, entre outros.
As dificuldades que os sensores, por vezes, tm so relacionadas
com a interferncia nas medidas que fazem, ou em outras. Ora o sensor
pode sofrer a interferncia, ora ele pode interferir em algumas grandezas
do sistema. Por exemplo, os medidores de esforo ou presso podem ser
sensveis temperatura.
Em comum, um sensor d a sua medida como um sinal eltrico. Se
desejarmos a medida em outras grandezas, necessrio usar um transdutor.
Transdutores so dispositivos que transformam um determinado tipo de
medida (ou grandeza fsica) num outro tipo diferente.
Os sensores ticos podem medir quase todas as grandezas fsicas.
Estes sensores so chamados de ticos porque usam tcnicas magntico-
ticas, ou de laser, ou com fibras pticas, ou de reflexo de luz ou outras
radiaes eletromagnticas.
As vantagens dos sensores pticos (sobre os sensores no ticos
ou convencionais) so uma maior sensibilidade na medio, passividade
eltrica, larga amplitude dinmica, configurao de ponto e distribuda (isto ,
podem medir localmente ou uma regio grande) e capacidade multiplexadora,
significa que podem receber ou enviar vrios sinais em um mesmo canal de
comunicao.
Os sensores fotoeltricos de luz so uma forma de viso para ak
robtica. Estes sensores mudam a resistncia, o dodo, ou o transistor
conforme detecta luz. Ou seja, quando um feixe de luz detectado eles
respondem seja criando ou trocando um sinal eltrico que ser analisado
permitindo que o dispositivo tome uma deciso. Com o uso de filtros um
sensor de luz pode criar respostas seletivas com as quais o rob, unicamente,
poder perceber determinadas cores. O uso de sensores de luz permite aos
110 UNIDADE 06
mencionados acima:
Acelermetro: Detecta movimentos, vibraes, e ngulos com
respeito gravidade.
Sensor de corrente: Mede o uso de corrente e potncia pelo rob.
Bssola digital: Detecta orientao com respeito ao campo magntico
terrestre.
Encoders: (Linear ou translacional Rotary ou de rotao e Slot ou de
ranhura): Usado para determinar distncia translacional, velocidade
rotacional e/ou ngulo das partes mveis do rob.
Emissor e detector infravermelho: Emite e detecta raios infravermelhos.
Pode ser usado para sinalizar, para evitar obstculos, e para detectar
cor.
Sensores de carga e de momento (torque): Mede momentos e outras
foras do rob.
Rangefinder: Detecta limites de obstculos de poucos centmetros
at vrios metros. Modulado para estar imune a irradiaes de
infravermelho do ambiente.
Sonar ou sensor ultrassnico: Detecta obstculos e pode determinar
a dureza / maciez dos objetos pela eco-locao.
Chaves tteis de choques: Detecta contacto fsico do rob quando
colide com algo.
Sensor piroeltrico: Detecta fogo e outras fontes de calor (como velas
acesas, chamas, etc.). Tambm usado para detectar movimento de
pessoas e animais, pois irradiam calor do seu corpo.
Atuadores
112 UNIDADE 06
e sua converso em comandos para o rob.
As categorias bsicas de programao podem ser por aprendizagem
e atravs de linguagem. A programao por aprendizagem consiste em fazer
o rob movimentar-se, em fase de aprendizagem, segundo uma sequncia de
movimento requisitado e registrar o movimento na memria do controlador.
Na programao por linguagem textual possvel definir coordenadas e
estabelecer a lgica e sequncia do ciclo de trabalho. O uso de linguagem
amplia as possibilidades de clculos, permite o detalhamento do fluxo lgico
e um maior uso de sensores e comunicao.
Durante o desenvolvimento industrial, alguns equipamentos
programveis acabaram por se beneficiar com a padronizao de suas
linguagens de programao. Essa padronizao altamente vantajosa,
permitindo a migrao rpida de programas entre plataformas e fazendo
com que o aprendizado da linguagem seja til em uma grande quantidade
de equipamentos. impossvel deixar de citar os Controladores Lgicos
Programveis (CLP) que usam, por exemplo, a linguagem LADDER e os
Comandos Numricos Computadorizados (CNC) que empregam, em sua
maioria, a linguagem conhecida popularmente como Cdigo G. Apesar da
padronizao, deve ficar claro que h pequenas diferenas entre equipamentos
devido s caractersticas particulares de cada um, que acabam levando a
adaptaes da linguagem utilizada.
Pelo fato desses equipamentos possurem grandes diferenas
entre suas configuraes e aliado ao fato de poderem ser aplicados a
tarefas extremamente distintas, cada fabricante acabou desenvolvendo sua
prpria linguagem. Uma pesquisa na Internet revela a grande quantidade de
linguagens existentes.
Os modernos conceitos de controle de robs, assim como, de
utilizao de sensores de viso e tteis, tm suas razes nas pesquisas sobre
inteligncia artificial. Assim, em vez de armazenar imagens de peas e objetos
dentro da memria dos sistemas de viso, certas caractersticas dos objetos
so armazenadas, como, por exemplo, permetro, rea, nmero de furos e
assim por adiante. Conforme os sistemas vo-se tornando mais complexos
e comeam a ter capacidade para tratar em ambientes tridimensionais
APLICAES
114 UNIDADE 06
de mquinas automatizadas. Muitos outros exemplos ainda poderiam ser
acrescentados. Uma lista completa de indstrias que usam automao e
robtica seria infindvel.
Na sociedade, os robs esto nas linhas de montagens da indstria
metalrgica e de preciso, podero auxiliar idosos, deficientes ou enfermos
nas atividades dirias, viro como companheiros na formas de pequenos
animais como cachorro e gatos, e continuaro a prestar seus servios na
segurana pblica, na prospeco a grandes profundidades ou nos pontos
distantes do espao.
EXERCCIOS
BERRY, M.; LINOFF G., Mastering Data Mining: The Art and Science of
Customer Relationship Management. John Wiley & Sons, 2000.
116 REFERNCIAS
DAWKINS, R. The selfish gene. Oxford: Oxford, 1976. 352p.
FAYYAD, U.; SHAPIRO, G. P.; SMITH, P. The KDD process for extracting
useful knowledge from volumes of Data. Communications of the ACM,
New York, v. 39, n. 11, p. 27-35 , Nov. 1996.
NEWELL & SIMON, GPS, a program that simulates human thought, apud E.
Feigenbaum e J. Feldmann, Hrsg. (1995) Computers and Thought. 1995.
118 REFERNCIAS
Florida Artificial Intelligence Research Symposium - FLAIRS, 2004, Miami.
FLAIRS 2004 Proceedings. Palo Alto, CA : American Association for Artificial
Intelligence, 2004. v. 1.
WEBLOGRAFIA
Inteligncia Artificial
http://www.papociencia.ufsc.br/IA1.htm
Teste de Turing
http://www.din.uem.br/~ia/maquinas/turing.htm
Definio de problema
http://www.cin.ufpe.br/~vtc/Res04.doc
Resolues de Problemas
http://www.professeurs.polymtl.ca/michel.gagnon/Disciplinas/Bac/IA/
ResolProb/resproblema.html
Algoritmos Genticos
http://www2.dem.inpe.br/ijar/Algrgene1.doc
Aprendizagem de Mquina
http://tecsofia.wordpress.com/2007/11/13/aprendizado-de-maquina/
120 REFERNCIAS
Padres estocticos
http://pt.wikipedia.org/wiki/Estoc%C3%A1stico
Redes Neurais
http://www.gildario.com.br/index.php?option=com_content&view=article&id=
63&Itemid=65
Sistemas Inteligentes
h t t p : / / w w w. e s p i e . c i n t e d . u f r g s . b r / ~ d s b i t / t r i m e s t r e 1 / r o s a / s i s t e m a s _
inteligentes.doc
Agentes Inteligentes
http://www.cic.unb.br/~jhcf/MyBooks/ciber/doc-ppt-html/AgentesInteligentes.
html
122 REFERNCIAS
Robs na Indstria
http://www.demnet.ubi.pt/~felippe/texts/robotica_cap3.pdf
Robtica
http://www.ele.ita.cta.br/~tojo/arquivos/robotica_doc.doc