Anda di halaman 1dari 43

Inteligência Artificial

Pedro Paulo Balbi de Oliveira


pedrob@mackenzie.br

2o Semestre 2008
OBJETIVOS

Apresentar
Apresentaruma
umavisão
visãogeral
geraldas
dasttécnicas
écnicas usuais
usuaisde
de
inteligência
inteligênciaartificial
artificialpara
parasolu ção de
solução deproblemas.
problemas.


Distinguir
Distinguiros
osm étodos da
métodos daprogramação por
programação por
inteligência
inteligênciaartificial
artificialda
daprogramação convencional.
programação convencional.


Dar
Darelementos
elementossobre
sobrealgumas
algumasferramentas
ferramentas
computacionais
computacionaisapropriadas
apropriadasààInteligência
InteligênciaArtificial.
Artificial.


Prover
Proverum
umpanorama
panoramageral
geralda
daevolu ção da
evolução da
inteligência
inteligênciaartificial
artificialaté oopresente,
até presente,eeavaliar
avaliarsuas
suas
tendências
tendênciasfuturas.
futuras.
METODOLOGIA

 AULAS EXPOSITIVAS
 EXERCÍCIOS TEÓRICOS E/OU DE
PROGRAMAÇÃO DE TÉCNICAS DE IA

 TRABALHO
 AVALIAÇÃO
BIBLIOGRAFIA
 Bittencourt, Guilherme. Inteligência Artificial:
Ferramentas e Teorias, 3a edição, Editora da UFSC,
2006.
 Rich, E. Knight Inteligência Artificial, 2a. edição,
McGraw-Hill, 1988.
 Russel, S. and Norvig, P. Inteligência Artificial, Ed.
Campus, Tradução da 2a. ed. original , 2004.
 Winston, P. H. Artificial Intelligence, 2. ed. Readings:
Addison-Wesley, 1984.
 Turban, E. Expert Systems and Applied Artificial
Intelligence, 1992.
 Nilsson, Nils J. Artificial Intelligence: A New
Synthesis, Morgan Kaufmann, 1998.
BIBLIOGRAFIA (cont.)
 Adeli, H. and Hung, S. Machine Learning, John Wiley
and Sons, 1995.
 Adeli, H. Knowledge Engineering, Vol. II,
Applicattions, McGraw Hill, 1988.
 Waterman, D.A. A Guide to Expert Systems, Addison-
Wesley, 1984.
 Bratko, I. PROLOG - Programming for A.I., Addison-
Wesley, 1990.
 Bowen, K. Prolog and Expert Systems, McGraw Hill,
1991.
 Penrose, R. A Mente Nova do Rei, 1989.
 Gardner, H. A Nova Ciência da Mente, EDUSP, 1995.
BIBLIOGRAFIA (cont.)
 T. Bäck. Evolutionary Algorithms in Theory and Practice. 1st
ed, New York: Oxford University Press, 1996.
 T. Bäck, D.B. Fogel and Z. Michalewicz. Handbook of
Evolutionary Computation. Institute of Phyics Publishing.
Bristol, 1997.
 D.B. Fogel. Evolutionary Computation: Toward a New
Philosophy of Machine Intelligence, 2nd edition, John Wiley &
Sons, 1999.
 D.E. Goldberg. Genetic Algorithms in Search, Optimization and
Machine Learning. 1st ed, Reading, Massachussets: Addison
Wesley Publishing Company, 1989.
 M. Mitchell. An Introduction to Genetic Algorithms. Bradford
Book, Reprint edition, 1998.
 C. Jacob. Illustrating Evolutionary Computation with
Mathematica. Morgan Kauffman, 2001.
Capítulo 1

INTRODUÇÃO
à
INTELIGÊNCIA
ARTIFICIAL
O que é Inteligência Artificial?

O que é Inteligência?
Qualidades e Atributos da Inteligência Humana
Douglas Hofstadter, 1979
 Responder a perguntas com flexibilidade.
 Reconhecer importâncias relativas.
 Encontrar semelhanças entre situações.
 Definir distinções entre situações.
 Sintetizar novos conceitos.

M. Fischler & O. Firschein, 1987


 Atitudes mentais de crenças, desejos e intenções.
 Habilidade de aprender.
 Habilidade de transformar problemas grandes em pequenos.
 Conhecimento dos próprios limites.
 Habilidade de perceber e modelar o mundo.
 Uso de linguagem simbólica.
1. VISÕES DA I.A.

M áquinas que
Máquinas quepensam
pensameeaprendem.
aprendem.
São
Sãoprogramas
programasex óticos puramente
exóticos puramenteexperimentais,
experimentais,
sem
semnenhum
nenhumresultado
resultadopr ático ou
prático oucomercial.
comercial.

ÉÉuma
umaquestão
questãocombinat ória (Ex:
combinatória (Ex:Xadrez).
Xadrez).
Enumere
Enumeretodas
todasas
assolu ções eeescolha
soluções escolhaaamelhor.
melhor.
EXPLOSÃO
EXPLOSÃOCOMBINAT
COMBINATÓRIA ÓRIA
Problemas
Problemascomplexos
complexosexigem
exigemoouso
usode
demais
maisconhecimento
conhecimentode de
modo
modoaaevitar
evitaraacomputa ção de
computação deTODAS
TODASas ascombina ções.
combinações.

Conjunto
Conjuntodedettécnicas
écnicas para:
para:
--Representa ção do
Representação doconhecimento.
conhecimento.
--Pesquisar
Pesquisarsolu ções.
soluções.
TTécnicas
écnicas para
paraprocessar
processarinforma ção simb
informação ólica.
simbólica.
Visões

Visão dominante: A I.A. estuda técnicas que auxiliam


o computador a resolver tarefas que normalmente o ser
humano resolve. Estas técnicas são baseadas em
CONHECIMENTO, enquanto as técnicas convencionais
são normalmente baseadas em DADOS e
INFORMAÇÕES.

Fato inegável: O desconhecimento dos princípios que


fundamentam a inteligência, por um lado, e dos limites
práticos da capacidade de processamento dos
computadores, por outro, levou periodicamente a
promessas exageradas e a correspondentes decepções.
2. Algumas definições operacionais

• “Uma máquina é inteligente se ela é capaz de


solucionar uma classe de problemas que requerem
inteligência para serem solucionados por seres
humanos”. (McCarthy e Hayes, 1969).

• “Inteligência Artificial é a parte da ciência da


computação que compreende o projeto de sistemas
computacionais que exibam características
associadas, quando presentes no comportamento
humano, à inteligência”. (Handbook of AI, 1981).
Definições

• “Inteligência Artificial é o estudo das faculdades


mentais através do uso de modelos
computacionais”. (Charniak e McDermott, 1985).

• “É o estudo de como fazer os computadores


realizarem tarefas em que, no momento, as
pessoas são melhores”. (Elaine Rich, 1988).
3. HISTÓRICO
Precursores
(McCorduck, P. Machines Who Think, 1979):
• Jacques de Vaucauson (1738): Pato mecânico
• Barão von Kempelen (1769 ... 1854):
Autômato jogador de xadrês
• Mary Shelley (1818): Frankenstein
• Leibniz (1646-1716): Calculus Ratiocinator
• Charles Babbage (1835): Analytical Engine
• Boole, Frege e Russel (século XIX):
Ferramentas matemáticas necessárias à lógica
3. HISTÓRICO
• Quine, Carnap e Tarski (século XX):
Formalização do raciocínio e do conhecimento,
lógica moderna.
• McCulloch and Pitts (1943): primeiro modelo
matemático de neurônio artificial
• Alan Turing (“Computing Machinery and
Intelligence”, 1950): Máquinas podem pensar?
Introdução do Teste de Turing.
• Claude E. Shannon (“Automatic Chess
Player”, 1950): Em 1960 o campeão mundial de
xadrez será um computador.
3. HISTÓRICO
• John McCarthy, Marvin Minsky, Herbert
Simon e Allen Newell (1956): Nascimento oficial
da IA, com uma conferência de verão no
Dartmouth College, NH, USA. Na proposta da
conferência, escrita por John McCarthy
(Dartmouth), Marvin Minsky (Harvard), Nathaniel
Rochester (IBM) e Claude Shannon (Bell Labs) e
submetida à fundação Rockfeller, consta a intenção
dos autores de realizar “um estudo durante dois
meses, por dez homens, sobre o tópico inteligência
artificial”.
3. HISTÓRICO

Fase Romântica  de 56 a 70

Fase Clássica  década de 70

Fase Moderna  década de 80

Fase Pós-Moderna  a partir de 90


Romântica (1956-1970)
• Objetivo: simular a inteligência humana.
• Métodos: solucionadores gerais de
problemas e lógica.
• Motivo do fracasso: subestimação da
complexidade computacional dos problemas
(lógica de primeira ordem leva a uma explosão
combinatória; conhecimento é incompleto e impreciso.
Conseqüências: métodos formais de inferência mais fracos,
e métodos heurísticos e lógicas não-convencionais).
Clássica (1970-1980)
• Objetivo: simular a inteligência humana em
situações pré-determinadas.
• Métodos: formalismos de representação de
conhecimento adaptados ao tipo de problema,
mecanismos de ligação procedural visando maior
eficiência computacional (amadurecimento da
disciplina).
• Motivo do fracasso: subestimação da quantidade
de conhecimento necessária para tratar mesmo os
problemas mais banais de senso comum.
Moderna (1980-1990)
• Objetivo: simular o comportamento de um
especialista humano ao resolver problemas em um
domínio específico (presença na vida real).
• Métodos: Sistemas de regras, representação da
incerteza, conexionismo.
• Motivo do fracasso: subestimação da
complexidade do problema de aquisição de
conhecimento.
Pós-Moderna (a partir de 1990)
• Objetivo: simular a inteligência humana em
situações pré-determinadas, procurando-se
preservar sua origem biológica.
• Métodos: Sistemas híbridos e multi-agentes,
incorporando elementos simbólicos,
conexionistas e evolutivos.
• Motivo do fracasso: ??????????
4. PROBLEMAS ABORDADOS PELA I.A.
4.1 Características dos problemas adequados à I.A.
• São muito variados e têm pouco em comum.
• São difíceis.
• Exigem armazenamento de volumes imensos
de conhecimento.
• Conhecimento:
− Difícil de caracterizar.
− Impreciso.
− Muda constantemente.
4.2 Classes de Problemas

• Diagnóstico: médico, mecânico, hardware.


• Análise: crédito, composição química, sinais
(radar, sonar) e ameaças militares.
• Monitoramento: plantas industriais, transações.
• Interfaces Inteligentes: help inteligente, ensino
e treinamento (ITS).
• Planejamento: produção, admin. de portfólio.
• Conversação: interpretação, tradução.
• Robótica: montagem de peças, locomoção.
• Modelagem: cognitiva, sistemas físicos.
4.3 ÁREAS DE APLICAÇÃO

Medicina
Medicina Ex: Mycin ( infecções bacteriológicas )
Ex.: triagem dos beneficiários da Previd.
Governamental Social; reconhecimento de destinatários
Governamental
de cartas

Tecnologia
TecnologiaEspacial
Espacial Ex.: navegação de robôs autônomos

Automação Industrial
Automação Industrial Ex.: planejamento da produção

Financeira
Financeira Ex.: análise de crédito; de sinistros
5. Programação Convencional x I.A.

Inteligência Artificial Sistemas Convencionais

• Manipulação do • Manipulação de dados e


conhecimento. informações.

• Processamento simbólico • Processamento numérico.


• Soluções heurísticas • Soluções algorítmicas
(baseadas na experiência). (exatas).

• Controle separado do • Controle e conhecimento


conhecimento (flexibilização). integrados.
5.1 Heurística
“Heurística” vem do grego heuriskein que significa
achar (heureca!, de Arquimedes).
Uma heurística é um conjunto de informações
não exatas, normalmente adquiridas através da
experiência e da sensatez, que auxiliam na busca
de uma solução.

Ex: Diagnose de Problemas Mecânicos

Heurística: carros velhos são mais sujeitos a


curto-circuito na parte elétrica, descarregando a
bateria.
5.2 MODELO DE HIERARQUIA DE
INFORMAÇÕES

BOM-SENSO Desafio da pesquisa

CONHECIMENTO Inteligência Artificial


INFORMAÇÕES Sistemas tradicionais
DADOS
EXEMPLO
HIERARQUIA DE INFORMAÇÕES

BOM-SENSO Deve ser pela mudança de clima

CONHECIMENTO Recomendação: Aspirina e cama

INFORMAÇÕES Está com febre


DADOS Temperatura = 39oC
6. SUBDIVISÕES DA I.A.

I.A.
I.A. Simbólica
Simbólica
••Conhecimento
Conhecimentoexplícito
explícito
••Ciência
CiênciaCognitiva
Cognitiva
••Ex:
Ex:Estados,
Estados,LLógica,
ógica, Regras,
Regras,Casos.
Casos.
I.A.
I.A. Conexionista
Conexionista
••Conhecimento
Conhecimentoimplícito
implícito
••Neurociências
Neurociências
••Ex:
Ex:Redes
RedesNeuronais/Neurais.
Neuronais/Neurais.
I.A.
I.A. Evolutiva
Evolutiva
••Representa ção de
Representação desolu ções candidatas
soluções candidatas
••Ciência
CiênciaBiológica (em
Biológica (emparticular,
particular,Teoria
Teoriada
daEvolução)
Evolução)
••Ex:
Ex:Algoritmos
AlgoritmosGen éticos.
Genéticos.
6.1 Ciência Cognitiva
 É o campo de estudos que procura entender e
imitar os processos mentais (mais
tradicionalmente dos) humanos.
 No contexto da I.A.:
 Tenta modelar a aquisição de informações feita pelo
homem na busca do entendimento do mundo.
 O entendimento do mundo é subjetivo e depende:
 Experiências conscientes e inconscientes.
 Estímulos sensoriais externos.
 Contexto sócio-cultural.
 ...
7. PRINCIPAIS TÉCNICAS

 Estados e Busca Heurística


 Regras
 Lógica
 Casos
 Frames e Scripts
 Redes Semânticas
 Computação Evolutiva
 Redes Neurais
7.1 ESTADOS e BUSCA HEURÍSTICA
Problema
Problemado
doCarteiro
CarteiroViajante
Viajante
CAMP 180
130
Qual é o melhor
110
ITU 80 90 SJC percurso
SP ITU −> UBA ?
150
150
230
160 100
UBA
SANT 180

ITU
130 160 Solução:
80
CAMP SP SANT ITU - SP - SJC - UBA
100 110 230
100 Custo: 320 Km
X 90 180
SANT SJC CAMP SJC UBA SP
X X X Custo: 340 X
230 150
SANT UBA
X Custo: 320
7.2 LÓGICA
•Provar um teorema a partir de um conjunto de premissas.

• Exemplo:

Provar o teorema herbívoro(zebra), a partir das premissas:

animal(zebra).
vegetal(grama).
come(zebra, grama).
∀x∀y[animal(x) E come(x, y) E vegetal(y)=> herbívoro(x)].
7.3 REGRAS
Conhecimento
Conhecimentorepresentado
representadoem emregras
regrasdodotipo:
tipo:
SE
SE
<Condi ção 1>
<Condição 1>
<Condi ção 2>
<Condição 2>
ENTÃO
ENTÃO
SISTEMAS
SISTEMAS <Conclusão
<Conclusão1>
<Conclusão
1>
<Conclusão2> 2>
BASEADOS
BASEADOS EX:
EX: An álise de
Análise derestritivos
restritivos(em
(eminst.
inst.banc ária)
bancária)
EM SE
SE
EM tipo
tipo--restritivo
restritivo == AAção
ção de
deBusca
Busca
REGRAS
REGRAS EE pessoa
pessoa analisada
analisada == Jur ídica
Jurídica
EE quantidade
quantidadede deocorrências
ocorrências<<22
ENTÃO
ENTÃO
An álise Restritivo
Análise Restritivo==Não
NãoRelevante
Relevante
7.4 CASOS

Simulação de
Simulação deRaciocínio:
Raciocínio:

SISTEMAS
SISTEMAS Problemas
Problemasatuais
atuaissão
são
resolvidos
resolvidosatrav és da
através da
BASEADOS
BASEADOS analogia
analogiacom
comcasos
casosdo
do
EM passado,
passado,onde
onde problemas
EM CASOS
CASOS semelhantes
problemas
semelhantesforam
foram
solucionados.
solucionados.
Ex.
Ex.Diagnose
DiagnoseM édica.
Médica.
SISTEMAS
SISTEMASBASEADOS
BASEADOSEM
EMCASOS
CASOS

Principais Elementos:
BASE DE CASOS
ACESSO POR ANALOGIA
NOVO
CASO BASE DE
CASOS
ACESSO POR
ANALOGIA

CASOS
ANÁLOGOS
SISTEMAS
SISTEMASBASEADOS
BASEADOSEM
EMCASOS
CASOS

SISTEMA APOIO JURÍDICO

BASE COM
NOVO DADOS DE
PROCESSO PROCESSOS
ANTERIORES

POSSÍVEIS SOLU
POSSÍVEIS ÇÕES
SOLUÇÕES
7.5 Redes Neurais

Utiliza
Utilizaum
ummodelo
modelodo
doprocessamento
processamento
paralelo
paralelodo
doccérebro
érebro humano.
humano.

Cada
Cada neurônio
neurônio tem
tem liga ções m
ligações últiplas
múltiplas
com
com vvários
ários outros.
outros.

Cada
Cada liga ção tem
ligação tem um
um peso.
peso.

ÉÉtreinada
treinadapara
para““aprender”
aprender” vvários
ários
exemplos
exemplos(configura ção de
(configuração depesos).
pesos).
REDES
REDESNEURAIS
NEURAIS

E
N S
T A
R Í
A D
D A
A
7.6 COMPUTAÇÃO EVOLUTIVA
Ajuste do PID:
Kp,Ti e Td
PID Processo
0,00 > K,Ti,Td < 200,00
3 12
Espaço: (20.000) = 8 x 10
PID (Indivíduo): Kp Ti Td

População Inicial (100 indiv.): Kp Ti Td Kp Ti Td Kp Ti Td


...
Kp Ti Td Kp Ti TdTd Kp Ti Td

Crossover: Mutação: Seleção Adaptativa:


Kp Ti Td
Kp Ti Td Kp Ti Td os melhores indivíduos
Kp Ti Td Kp Ti Td Kp Ti Td sobrevivem
7.6 COMPUTAÇÃO EVOLUTIVA
Start

Population

Scoring of each individual


by means of a Fitness function

Selection of the
best ones

Is there a
Selected satisfactory Yes
sub-population candidate
solution?

No End
Aplication of Genetic Operators
(Reproduction, Crossover, Mutation...)
8. Conclusão:
da GOFAI à Nouvelle AI

Francisco Varela (89), comentando sobre a


perspectiva Enactiva, em Ciência Cognitiva:
“…assim como o conexionismo se desvinculou do cognitivismo
inspirado por uma maior contato com o cérebro, a perspectiva
enactiva dá um passo além, na mesma direção, de forma a
abranger também a temporalidade do ser vivo, seja ele visto
como uma espécie (evolução), como um indivíduo (ontogenia),
ou como um padrão social (cultura).”
Varela, Rosch & Evans: Artificial Intelligence
The Embodied Mind, MIT Press, 1991.
• Brooks
• Holland
Neurosciences • Winograd & Flores
• Grossberg • Lakoff
• Smolensky Linguistics
• Hinton
• Varela • Ballard
• Marr & Poggio
• Feldman
• Freeman • Simon & Newell • Searle
• Arbib
• Abeles • McCarthy
• Hubel & Wiesel
• Chomsky
• John • Barlow
• Fodor • Hofstadter
• Neisser
• Rummelhart • Pylyshin
• Dennet • Maturana
• Rosch • McClelland
Cognitivism
• Piaget • Dreyfus

• Rorty
Cognitive Emergence
Epistemology
Psychology
Enaction