Parte 1 Inteligencia Artificial

SAVE OFFLINE

Inteligência Artificial – Parte 01

Inteligência Artificial - Prof. Edson Ceroni

O que é inteligência artificial?

?

Barr & Feigenbaum (1981) “IA é a parte da ciência da computação que se preocupa em desenvolver sistemas computacionais inteligentes, isto é, sistemas que exibem características, as

quais nós associamos com a inteligência no comportamento humano - por exemplo, compreensão da linguagem, aprendizado, raciocínio, resolução de problemas, etc.”

Nils Nilsson (1982) “Muitas atividades mentais -como escrever programas de computadores, matemática, raciocínio do senso comum, compreensão de línguas e até dirigir um automóvel demandam “inteligência”. Nas últimas décadas, vários sistemas computacionais foram construídos para realizar estas tarefas. Dizemos que tais sistemas possuem algum grau de Inteligência Artificial.”

Charniak & McDermott (1987) “IA é o estudo de faculdades mentais através do uso de modelos computacionais.”

Nilson & Genesereth (1987) estudo do comportamento inteligente. Seu objetivo final é uma

“IA

é

o

teoria da inteligência que explique o comportamento das entidades inteligentes naturais e que guie a criação de entidades capazes de comportamento inteligente.”

Kurzweil (1990) “IA é a arte de criar máquinas que executam funções que requerem inteligência quando executadas por pessoas.”

Winston (1992)

“Inteligência Artificial é o estudo das computações que tornam possível perceber, raciocinar e agir.”

Luger & Stubblefield (1993) “IA pode ser definida como o ramo da ciência da computação que se preocupa com a automação do comportamento inteligente.” “IA é a coleção de problemas e metodologias estudadas pelos pesquisadores de IA.”

Elaine Rich & Kevin Knight (1993)

“Inteligência Artificial é o estudo de como fazer os computadores realizarem coisas que, no momento, as pessoas fazem melhor.”

O que é Inteligência Artificial (IA)? Há milhares de anos o homem busca entender como pensamos. Como somo capazes de perceber, compreender, prever e manipular o mundo? Filosofia, psicologia e neurociência tentam responder essas questões.

O campo da Inteligência Artificial vai mais além. Tenta também construir sistemas ou entidades inteligentes.

Atualmente a IA abrange uma variedade de temas.

Exemplos de implementações Jogos Jogo da Velha / Jogo da Forca / Jogo de cartas Jogo de Damas / Jogo de xadrez / Jogo de truco

Logística e Transporte: Veículos autônomos, determinar a menor rota entre dois pontos. Reconhecimento de Padrões (facial, de voz, etc.) Gastronomia: Escolha de vinho com um prato Ensino: escolha de livro de acordo com a idade e gostos, avaliação e desempenho Segurança: Detecção de Fraudes

Exemplos de implementações Vestuário: Qual roupa escolher a cada dia (moda) Serviços: Sistema de Help Desk de atendimento, serviço de busca e localização Saúde: Controle nutricional, Diagnóstico médico Esportes: Determinar o melhor esporte para uma criança. Vestibular: construção de exames e provas Engenharia: escolha de materiais para construção de casas Geral: Executar atividades humanas Etc., etc.

Categorias de IA As abordagens para o estudo de IA se dividem em 4 categorias: Humano Pensamento Comportamento

Racional

Sistemas que pensam como seres humanos

Sistemas que pensam racionalmente

Sistemas que agem como seres humanos

Sistemas que agem racionalmente

Pensando de forma humana: modelagem cognitiva A modelagem cognitiva surgiu nos anos 60 para tentar construir teorias precisas e verificáveis sobre os processos de funcionamento da mente humana. Como validar? Top-down: Prevendo e testando o comportamento de sujeitos humanos (ciência cognitiva). Bottom-up: Identificação direta de dados neurológicos (neurociência cognitiva).

Hoje em dia são áreas separadas de IA.

Categorias de IA As abordagens para o estudo de IA se dividem em 4 categorias: Humano Pensamento Comportamento

Racional

Sistemas que pensam como seres humanos

Sistemas que pensam racionalmente

Sistemas que agem como seres humanos

Sistemas que agem racionalmente

Agindo de forma humana: Teste de Turing Turing em 1950 propôs o famoso Teste de Turing no artigo “Computing machinery and intelligence”. O teste foi proposto para fornecer uma definição operacional de inteligência. O computador passará no teste se um interrogador humano, depois de propor algumas perguntas por escrito, não for capaz de distinguilo de um humano.

Agindo de forma humana: Teste de Turing Para passar no teste, o computador precisa ter como capacidades: Processamento de linguagem natural Representação de conhecimento Raciocínio automatizado Aprendizado de máquina O teste evita a interação física direta para focar na inteligência. O chamado “Teste de Turing Total” inclui um sinal de vídeo para testar habilidades de percepção e também permite manipulação de objetos (robótica). A crítica principal em relação ao teste é que ele não é uma definição a partir de princípios básicos e sim de imitação.

Categorias de IA As abordagens para o estudo de IA se dividem em 4 categorias: Humano Pensamento Comportamento

Racional

Sistemas que pensam como seres humanos

Sistemas que pensam racionalmente

Sistemas que agem como seres humanos

Sistemas que agem racionalmente

Pensando racionalmente: “leis do pensamento” Filósofo grego Aristóteles: tentou codificar os raciocínios corretos = silogismos. “Sócrates é um homem; todos os homens são mortais; então, Sócrates é mortal”. O estudo dessas leis deu início ao campo da lógica = notação e regras de derivação para pensamentos. Existem programas que, em princípio, podem resolver qualquer problema solucionável descrito em notação lógica. Obstáculos na prática: Não é fácil enunciar o conhecimento informal em termo formal. Esgotamento dos recursos computacionais. Qual é o propósito prático do “pensamento”?

Categorias de IA As abordagens para o estudo de IA se dividem em 4 categorias: Humano Pensamento Comportamento

Racional

Sistemas que pensam como seres humanos

Sistemas que pensam racionalmente

Sistemas que agem como seres humanos

Sistemas que agem racionalmente

Agindo racionalmente: a abordagem do agente racional Comportamento racional = agir corretamente na hora certa. Agir corretamente = fazer o que é esperado para atingir seus objetivos, dada a informação disponível. Não necessariamente involve pensamentos (raciocínios lógicos). A ação pode ser resultado de um reflexo. Ex.: Tirar a mão de um objeto quente.

O raciocínio lógico deve ser usado para alcançar um objetivo.

Agentes Racionais Um agente é algo que percebe e age. Esse curso se concentrará nos princípios gerais de agentes racionais e nos componentes para construílos. Abstratamente, um agente é uma função que mapeia uma seqüência de percepções em uma ação. [f: P*

A]

Para cada tipo de ambiente e tarefa, buscamos o agente com o melhor desempenho. Às vezes limitações computacionais impedem a racionalidade perfeita. Racionalidade limitada: fazer o melhor possível dentro das limitações computacionais.

Categorias de IA As abordagens para o estudo de IA se dividemFidelidade em ao4 categorias: desempenho humano Pensamento

Comportamento

Racionalidade

Sistemas que pensam como seres humanos

Sistemas que pensam racionalmente

Sistemas que agem como seres humanos

Sistemas que agem racionalmente Visão do curso

A “Pré-História” da IA Filosofia (de 428 A.C. até a atualidade) Lógica, métodos de raciocínio, mente como um sistema físico, origens do aprendizado (indução), racionalidade

Matemática (cerca de 800 até a atualidade) Representações formais, algoritmos, computabilidade, intratabilidade, probabilidade

Economia (de 1776 até a atualidade) Conceito de utilidade, teoria da decisão, teoria dos jogos

Neurociência (de 1861 até a atualidade) Substrato físico para a atividade mental

Psicologia (de 1879 até a atualidade) Percepção e controle motor, técnicas experimentais

Engenharia da computação (de 1940 até a atualidade) Construção de computadores rápidos, ambientes computacionais, conceitos de programação

Linguística (de 1957 até a atualidade) Representação do conhecimento e gramática

Breve Histórico da IA 1943 1950 1956 1950s 1965 1966—73 1969—79 1980-1986-1987-1995--

McCulloch & Pitts: Modelo booleano do cérebro Turing publica "Computing Machinery and Intelligence" Encontro em Dartmouth: o termo “Inteligência Artificial" é criado Primeiros programas de IA, incluindo o jogador de damas de Samuel, o Logic Theorist de Newell & Simon e o Geometry Theorem Prover de Gelernter. Robinson descobre um método de raciocínio lógico completo IA enfrenta o problema da complexidade computacional A pesquisa em redes neurais quase desaparece. Desenvolvimento de sistemas especialistas IA (sistemas especialistas) se torna uma indústria Retorno das redes neurais IA se torna uma ciência Surgimento de agentes inteligentes

Como funciona a inteligência humana ? Não sabemos ainda exatamente como a mente funciona, mas com os conhecimentos adquiridos pelos cientistas, podemos fazer certas suposições sobre como pensamos e aplicar essas suposições ao projeto dos programas de inteligência artificial.

OBJETIVOS Todo o pensamento nos ajuda a conseguir alguma coisa. Quando um despertador toca de manhã, um processo de pensamento deve ser empregado para guiar sua mão até ele e desligá-lo. Não é uma reação automática; buscou-se uma resposta específica para a solução de um determinado problema. Os resultados finais para os quais todos os nossos processos de pensamento estão dirigidos são chamados Objetivos. Uma vez tendo alcançado o objetivo de travar o despertador, sua mente imediatamente se confrontará com outros objetivos a serem alcançados, como, por exemplo, ir ao banheiro, escovar dentes, se vestir, preparar e tomar café da manhã e assim por diante.

OBJETIVOS

Todos os objetivos alcançados podem levar à um objetivo maior, que é chegar na Fatec na hora certa. Nenhum dos pensamentos que o guiam para esse resultado final é aleatório ou arbitrário. Eles foram ativados porque em cada etapa do caminho você tinha um objetivo específico em mente. Quando comprometida com a mais simples tarefa ou como a mais complexa atividade mental, a mente se concentra fortemente em um objetivo. Sem objetivos, não temos razão para pensar.

EXEMPLOS DE OBJETIVOS 1. Traçar o menor caminho entre São Paulo e Rio de Janeiro. 2. Decidir o melhor tipo de vinho para se beber com um certo peixe. 3. Aprender a amarrar os sapatos. 4. Saber determinar se meu filho entende os conceitos de aritmética. Quando se projeta um sistema de IA, o objetivo do sistema deve sempre ser mantido em mente. Lembre-se: Não fazemos as coisas porque pensamos; pensamos porque existem coisas que temos que fazer.

FATOS E REGRAS

Todos sabemos que a mente humana possui um amplo estoque de conhecimentos relacionados a uma incontável lista de objetos e idéias. Nossa sobrevivência depende de nossa habilidade em aplicar esses conhecimentos em qualquer situação que apareça e aprender continuamente com as novas experiências, para que sejamos capazes de responder a situações similares no futuro. Aquilo que geralmente é considerado “inteligência” pode ser dividido em uma coleção de fatos e um meio de se utilizar esses fatos para alcançar os objetivos. Isto é feito em parte pela formulação de conjuntos de regras relacionadas a todos os fatos armazenados no cérebro.

EXEMPLOS DE FATOS E REGRAS

Fato/regra conjunto 1: Fato 1: Um forno aceso fica quente. Regra 1: SE eu puser minha mão em um forno aceso, ENTÃO eu vou me queimar. Fato/regra conjunto 2: Fato 2: Durante a hora do rush as ruas ficam repletas de carros. Regra 2: SE eu tentar atravessar uma avenida a pé durante a hora do rush, ENTÃO eu posso ser atropelado por um carro.

EXEMPLOS DE FATOS E REGRAS

Fato/regra conjunto 3: Fato 3a: Ruas escuras e pouco movimentada são perigosas. Fato 3b: Pessoas de idade geralmente não cometem crimes violentos. Fato 3c: A polícia protege as pessoas contra o crime. Regra 3a: SE eu estou em uma rua escura e pouco movimentada e vejo uma pessoa idosa, ENTÃO eu não devo ficar particularmente preocupado com minha segurança.

EXEMPLOS DE FATOS E REGRAS

Regra 3b: SE eu estou em uma rua escura e pouco movimentada e vejo um policial, ENTÃO eu devo me sentir seguro. Fato/regra conjunto 4: Fato 4: Quando fazemos adição de dois dígitos cuja soma é maior que nove, usamos o procedimento do transporte (ou vaium). Regra 4: SE eu tiver de somar uma coluna de dígitos e a soma for maior que nove, ENTÃO eu tenho de fazer referência ao fato 4 para saber como concluir a adição.

EXEMPLOS DE FATOS E REGRAS

Note que nos exemplos anteriores, todas as regras são expressas numa relação SE-ENTÃO, ou relação condicional. Ou seja, SE uma certa condição existe ENTÃO ocorrerá uma ação ou outra resposta. Alguns fatos são obviamente mais complicados que outros, e algumas regras dizem respeito a mais de um fato. Em geral os seres humanos têm a capacidade de relacionar conjuntos de regras e fatos muito complexos na tentativa de alcançar alguns objetivos complicados.

Poda Quando a mente humana parte para a solução, até mesmo de um problema simples, ela tem uma vasta quantidade de informações a serem coletadas para determinar o curso de ação a ser tomada. Vamos voltar ao exemplo que usamos anteriormente. Você sai de casa para o trabalho e anda até a esquina. Enquanto você espera para atravessar a rua, seu cérebro é bombardeado com todos os tipos de dados. A velocidade e o volume do tráfego, a distância até a outra calçada, os semáforos no cruzamento – todos esses fatores devem ser considerados antes de você faça qualquer movimento.

Poda Além disso, um número enorme de impressões sensoriais que são totalmente irrelevantes para o problema de cruzar a rua também está sendo processado ao mesmo tempo – condições do tempo, a cor e o modelo dos carros que passam a sua frente, o tipo e a altura da árvores na calçada, a aparência das construções próximas. Sem dúvida você também está pensando aonde está indo, com que rapidez quer chegar lá, quem vai ver quando chegar e assim por diante. Como você pode notar, se tivesse de lidar com essa enormidade de fatos diretamente relacionados, indiretamente relacionados ou totalmente sem relação antes de colocar o pé fora da calçada, você poderia demorar alguns anos para atravessar a rua.

Poda Se realmente temos tantos fatos e regras a processar todo o tempo, como é que a mente extrai rapidamente o conjunto certo de regras para se adaptar a uma determinada situação? Quando você quer atravessar a rua, como é que a mente sabe aplicar, entre outros, o fato/regra conjunto 2, que diz respeito ao tráfego, e não ao fato/regra conjunto 4, que diz respeito à aritmética? Existe um sistema mais sofisticado que guia a seleção de uma resposta adequada a uma situação específica. Este processo é chamado de poda (pruning). Como o próprio nome sugere, o processo de poda elimina os caminhos de pensamento que não são relevantes para o objetivo imediato de se alcançar uma meta.

MECANISMOS DE INFERÊNCIA Quando alcançamos um objetivo, não estamos apenas resolvendo um problema imediato; estamos também adquirindo novos conhecimentos ao mesmo tempo. Considere a seguinte informação: 1. Os pais de José são João e Maria. 2. Os pais de Joana são João e Maria. O objetivo é determinar o parentesco entre José e Joana. O mecanismo de poda se concentra em uma regra guardada em segurança no cérebro, que acaba com o mistério instantaneamente: SE uma pessoa do sexo masculino e uma pessoa do sexo feminino têm os mesmos pais, ENTÃO eles são irmãos.

MECANISMOS DE INFERÊNCIA Alcançamos nosso objetivo inferindo a resposta da pergunta sobre o parentesco entre José e Joana da regra que já havíamos aprendido anteriormente. E no processo de alcançar o objetivo, um novo fato é deduzido: José e Joana são irmãos. A parte da inteligência que nos ajudou a chegar a esse novo fato é chamada de mecanismo de inferência. Ele é central em nossa habilidade de aprender com a experiência porque nos permite gerar novos fatos a partir dos já existentes aplicando o conhecimento adquirido em novas situações.

RESUMO

1. Um objetivo específico coloca nosso processo de pensamento em ação. 2. Uma vasta coleção de fatos e as regras que a eles se relacionam esperam ser chamados para ajudar a alcançar um objetivo.

RESUMO

3. A poda nos ajuda a realizar uma procura rápida e eficiente apenas das regras que dizem respeito a um objetivo imediato. 4. O mecanismo de inferência completa o processo fazendo inferências a partir das regras que foram chamadas pelo mecanismo de poda e gerando novos fatos que instantaneamente se tornam parte de nosso depósito de conhecimento.

DESENVOLVENDO UM SISTEMA DE INTELIGÊNCIA ARTIFICAL Todos os elementos nos quais consiste o processo humano de tomada de decisão – objetivos, fatos, regras, mecanismos de inferência e poda – devem ser reunidos em um programa de computador para que ele possa ser realmente qualificado como um programa que possui inteligência artificial. Definindo os objetivos

Definindo a solução

Definindo fatos

“Componentes de um sistema de IA baseado em regras”

Obtendo dados

Obtendo novos objetivos via regras e inferências

O mecanismo de inferência obtém novos fatos para verificar se os objetivos foram encontrados corretamente

DEFININDO OS OBJETIVOS Como o alcance dos objetivos é a meta de qualquer sistema IA, a primeira etapa no planejamento deste sistema é definir um conjunto de objetivos. Precisamos saber que tipo de problema queremos solucionar e ser capaz de descrevê-los em termos concretos antes de começar a criar um programa para resolvê-los. Voltando ao exemplo anterior cujo objetivo era chegar a Fatec. Considere que o seu sistema de inteligência humana guiou-o com segurança e rapidez ao atravessar a rua. Agora você está no ponto de ônibus e tem apenas um minuto ou dois para resolver qual dos dois ônibus que passam neste ponto é o melhor para você.

DEFININDO OS OBJETIVOS

A meio quarteirão de distância está o ônibus que pára em todos os pontos, e ele está se aproximando rapidamente. Você quer pegar esse ônibus ou esperar o ônibus expresso? Esta decisão – que ônibus será melhor – é o objetivo. Há um número de fatos essenciais a ser pesado antes que a decisão possa ser tomada, todos eles baseados na experiência anterior de pegar ônibus para ir para a FATEC.

DEFININDO OS OBJETIVOS Por exemplo, quanto tempo vai demorar para o ônibus expresso chegar? Em qual dos dois ônibus será mais provável eu viajar sentado? Algumas regras entram também em jogo, graças à poda, como “SE eu tiver de esperar mais de 10 minutos pelo ônibus expresso, ENTÃO demorará mais para eu chegar a FATEC do que se eu tomar o ônibus que pára em todos os pontos”. As regras estão funcionando todo o tempo, mesmo aquelas dentro do mecanismo de poda, que supervisiona todos os processos de pensamento localizando as regras específicas que são necessárias para tomar a decisão imediatamente.

DEFININDO OS FATOS

Os fatos são ingredientes essenciais em um sistema de IA. Sem eles não haveria jeito de se alcançar os objetivos. Para alcançar o objetivo de decidir qual ônibus tomar; alguns fatos de apoio específicos daquela situação foram necessários. Obviamente como toda a situação tem seu cenário particular, todo objetivo tem seus próprios fatos.

OBTENDO DADOS

Qual ônibus está chegando ?

Lento/Expresso

intervalo

S1$ (5min)

Horário

S2$ (10:00)

Conforto

S3$

Computador

Banco de Dados

Qual é o intervalo de tempo entre os ônibus expresso e aquele que pára em todas as paradas (lento) ? Já peguei o ônibus nesse horário? Qual ônibus é mais confortável ? Isto é equivalente ao que nosso cérebro faz quando tenta decidir que ônibus tomar.

REGRAS E INFERÊNCIAS

O Processo de se alcançar os objetivos é conhecido como encadeamento para a frente, isto é, o uso dos dados para se chegar a uma conclusão. Ele nos permite prosseguir de uma maneira lógica de uma etapa para outra, como mostra a figura abaixo. Definindo os objetivos

Definindo a solução

Definindo fatos

“Componentes de um sistema de IA baseado em regras”

Obtendo dados

Obtendo novos objetivos via regras e inferências

O mecanismo de inferência obtém novos fatos para verificar se os objetivos foram encontrados corretamente

VERIFICAÇÃO POR MEIO DO MECANISMO DE INFERÊNCIA

Suponha que um assassinato tenha sido cometido; uma mulher é encontrada trancada em um apartamento, com três tiros. O médico-legista exclui a possibilidade de suicídio por causa do ângulo dos ferimentos (processo de poda em ação), e a polícia começa a trabalhar no caso imediatamente.

VERIFICAÇÃO POR MEIO DO MECANISMO DE INFERÊNCIA A primeira coisa que analisam é quem mais, além da vizinha, tinha a chave do apartamento. Interroga o proprietário do apartamento e vários vizinhos, que dizem que a pessoa assassinada tinha um amigo que frequentava o apartamento. Investigações posteriores revelam que os dois discutiram muito recentemente. A polícia tem agora um suspeito. Eles são capazes de inferir, a partir de dados dos interrogatórios, que o amigo da vítima é provavelmente o assassino (encadeamento para frente), mas precisam de algumas evidências concretas para arrematar o caso.

VERIFICAÇÃO POR MEIO DO MECANISMO DE INFERÊNCIA

A melhor chance que eles tem para apanhar o suspeito em flagrante é encontrar a arma do crime. Obtém então um mandato de busca para o apartamento do amigo da vítima e procuram em todos os seus pertences, mas é inútil. Finalmente um detetive encontra um revólver dentro de uma lixeira nas proximidades. Um exame das impressões digitais comprova que o revólver foi realmente manuseado pelo amigo, e um teste de balística estabelece que aquela é a arma do crime. Caso resolvido.

VERIFICAÇÃO POR MEIO DO MECANISMO DE INFERÊNCIA

Obtendo novos dados e verificando se eles eram consistentes com a conclusão original, a polícia atingiu o objetivo de identificar o assassino. O processo de usar uma conclusão para procurar por dados que a sustentem é conhecido como encadeamento para trás. Neste caso a conclusão é o suspeito e os dados, a arma.

VERIFICAÇÃO POR MEIO DO MECANISMO DE INFERÊNCIA

Em um programa de Inteligência Artificial, o objetivo também é comprovado por meio de um processo similar. O objetivo foi atingido , mas, para determinar se ele foi atingido corretamente, precisamos abordar o problema novamente, com novos dados e regras.

VERIFICAÇÃO POR MEIO DO MECANISMO DE INFERÊNCIA Pegando os novos dados derivados do mecanismo de inferência, que assume que a conclusão está correta, e comparando-os com os dados originais para efeito de verificação, teremos um outro exemplo de encadeamento para trás. Como o nome indica, o encadeamento para trás anda na direção oposta do encadeamento para frente. Em lugar de se deslocar na direção de um objetivo definindo fatos e obtendo dados, o encadeamento para trás começa depois que o objetivo tiver sido inicialmente alcançado.

VERIFICAÇÃO POR MEIO DO MECANISMO DE INFERÊNCIA

Encadeamento para frente Dado

Configuração e operação de um programa de IA

Obtendo dados

Obtendo novos objetivos via fatos, regras e inferências

O mecanismo de inferência obtém novos fatos para verificar se os objetivos foram alcançados corretamente

Encadeamento para trás

PODA

No cérebro, o mecanismo de poda guia a pesquisa por regras adicionais que comprovam o objetivo até que todos os caminhos possíveis tenham sido esgotados. Como o cérebro possui uma imensa quantidade de informações armazenadas, podem existir várias regras a serem aplicadas no alcance ou comprovação de um único objetivo, sendo que algumas ou todas elas podem ser chamadas em um determinado momento.

PODA A poda permite que o computador pule ou processe qualquer parte do banco de conhecimentos de acordo com sua relevância para um determinado objetivo. Isto elimina o processamento de percursos que não ajudarão a alcançar nosso objetivo.

PODA

A poda simplesmente anula as considerações desnecessárias e irrelevantes tanto no cérebro como em um sistema de inteligência artificial. Uma regra de poda para nosso exemplo de como chegar ao trabalho poderia ser: SE estiver chovendo muito forte, ENTÃO ignore todas as informações relativas ao ônibus, expresso ou não, e pegue o primeiro ônibus que passar.

Perguntas?_

61