Inteligência Artificial
Prof. Dr. Sérgio Silva
Profª. Josiane M. Pinheiro
1
Motivação

Planejamento de Processos


Controle de despacho p/ centros de produção
Obtenção de recursos - estoque, fornecedores - prazo de entrega...

Alocação de recursos

Logística – recursos X tempo

Otimização de aproveitamento de recursos

Satisfação dos clientes (tempo, qualidade, custo)

Grandes quantidades de dados (data mining)

Maior capacidade de processamento e a melhoria dos algoritmos
permitem a resolução de problemas que eram computacionalmente
inviáveis
2
Motivação

Companhia Vale do Rio Doce

UNICAMP – Sistema especialista baseada em lógica difusa

Lógica difusa - frio/quente, cheio/vazio, alto/baixo

Despacho de trens com minério de ferro das Minas de Carajás para
o Porto de São Luiz

892 km de trilhos por onde trafegam 124 mil m3 de aço/dia

Sistema analisa o movi// dos trens e auxilia o planeja// do melhor
despacho de aço entre os mesmos

Aumento da quantidade de aço transportada em 15%

Redução do consumo de óleo diesel em 1,6l a cada mil m3 de aço
transportadas
3
O que é Inteligência Artificial (IA) ?
 A automação
das atividades
que associamos ao pensamento
humano, tais como: tomadas de
decisão, solução de problemas,
aprendizado. [BELLMAN, 1978].
 O estudo das faculdades
mentais usando modelos
computacionais. [CHARNIAK &
McDERMOTT, 1985]
 O estudo de como os
computadores fazem coisas que,
no momento, as pessoas são
melhores. [RICH + KNIGHT,
1991]
 O ramo da ciência da
computação que está relacionado
com a automação do
comportamento inteligente.
[LUGGER & STUBBLEFIELD,
1993].
4
O que é Inteligência Artificial (IA)?

Definição: O ramo da ciência da computação que trata da
automação do comportamento inteligente.

Tarefa: Compreender o comportamento inteligente para
construir entidades inteligentes.

Problema: O que é inteligência?
5
O que é INTELIGÊNCIA ?

Exatamente o que ocorre quando aprendemos?

O que é criatividade? O que é intuição?

Ela pode ser inferida de um comportamento observável ou
requer algum mecanismo interno particular?

Como o conhecimento é representado nos tecidos de um ser
vivo? Que lições isto traz para o design de máquinas
inteligentes? O que pode ser aproveitado dos seres vivos?
6
O que é INTELIGÊNCIA ?

Que papel a cultura exerce sobre a inteligência?

É necessário basear um computador inteligente sobre o que
se conhece sobre a inteligência humana ou uma abordagem
de engenharia é suficiente?

É possível atingir a inteligência em um computador ou
inteligência requer a capacidade de sentir e experienciar que
só existe em seres vivos?

O que é auto-conhecimento? Que papel ele exerce sobre a
inteligência?
7
Qual é o núcleo do problema?
Conhecimento
Aquisição
Representação
Uso
8
Sub-áreas de IA
Conhecimento
Aquisição
Representação
Uso
Aprendizagem
Simbólica
Conexionista
Social e emergente
Percepção
Visão
…
Lógica
Redes
Simbólica
Conexionista
Bayseana
Raciocínio
Planejamento
PLN
Robótica
…
9
Quatro pontos de vista sobre AI
Pensando
“A automação de atividades que nós
associamos com o pensamento
humano”
“O estudo das faculdades
mentais através do uso de
modelos computacionais”
Como humanos
“A arte de criar máquinas que
realizam funções que requerem
inteligência quando realizadas por
pessoas”
Racionalmente
“O ramo da Ciência da
Computação que estuda a
automação de comportamento
inteligente”
Agindo
10
Agindo como humanos: O teste de Turing

Turing (1950): “Computing Machinery and Intelligence”
[http://www.abelard.org/turpap/turpap.htm]

As máquinas podem pensar? As máquinas podem se comportar
inteligentemente?

Teste operacional para comportamento inteligente:

O JOGO DA IMITAÇÃO

Previu que, em 2000, as máquinas teriam 30% de chance de
enganar uma pessoa leiga por 5 minutos.

Antecipou os principais argumentos contrários à IA dos próximos
50 anos;
11
Agindo como humanos: O teste de Turing
O Interrogador
12
Agindo como humanos: O teste de Turing

Para passar no Teste de Turing é necessário:





Processamento de Linguagem Natural
Representação de Conhecimento
Raciocínio Automático
Aprendizagem de máquina
Teste de Turing Total


Visão Computacional
Robótica
13
Agindo como humanos: O teste de Turing

Softwares Existentes:


Eliza: http://shoel.cscmicro.com/eliza.html
Este programa simula um psicoterapeuta rogeriano. Não use
tempo passado ou pontuação. Eliza não entende sentença
fragmentadas como "all the time". Ela entende apenas algumas
simples sentenças completas como:
i am lonely
my dad hits me
i love my freedom



Júlia: http://fuzine.mt.cs.cmu.edu/mlm/julia.html
É um programa que tenta passar pelo Teste de Turing. Ele é
descendente do Eliza. Para acessar o programa dê o login como
"julia" sem senha.
...
14
Pensando como humanos: Modelagem Cognitiva

Programas pensam como humanos => como os humanos
pensam?

Como a mente humana trabalha por dentro?


Através de introspecção

Através de experimentos psicológicos
Uma teoria precisa do funcionamento da mente =>
possibilidade de expressar a teoria no computador
15
Pensando como humanos: Modelagem Cognitiva

Newell e Simon (1961) – General Problem Solver (GPS)


Ciência Cognitiva –modelos computacionais da IA + técnicas
experimentais da psicologia


Estavam preocupados em comparar as formas de seu raciocínio
às formas do raciocínio humano para resolver os mesmos
problemas
Tentar construir teorias precisas e testáveis a respeito dos processos de
funcionamento da mente humana
IA e ciência cognitiva ajudam uma a outra, especialmente em áreas
de visão computacional, linguagem natural e aprendizagem
16
Pensando racionalmente: as leis do pensamento

Aristóteles => pensamento correto => silogismos

Silogismos = conclusões corretas para premissas corretas

As leis do pensamento deveriam governar as operações da
mente => início da lógica

Desenvolvimento da lógica formal (séculos 19 e 20) =>
fornece uma notação precisa para declarar sobre todos os
tipos de coisas do mundo e as relações entre elas
17
Pensando racionalmente: as leis do pensamento


(1965) programas existentes

Entrada: descrição do problema em notação lógica + tempo e
memória

Saída: a solução do problema, se ela existir
Obstáculos da abordagem:

Dificuldade de passar conhecimento informal para termos
formais (notação lógica) – principalmente quando o
conhecimento é impreciso

Existe uma grande diferença entre ser capaz de resolver um
problema e fazer isto na prática (recursos computacionais)
18
Agindo racionalmente: o agente racional

Comportamento Racional  FAZER A COISA CERTA

A coisa certa é  aquilo que maximiza o objetivo, dada a
informação disponível

Uma agente é uma entidade que percebe e age

Leis do pensamento => inferências corretas

Fazer inferências corretas é parte de uma agente racional

Agir racionalmente é raciocinar logicamente sobre o objetivo que
uma dada ação irá alcançar, e então agir
19
Agindo racionalmente: o agente racional



Inferência correta nem sempre envolve racionalidade

Algo deve ser feito, mas não existe algo correto a fazer

Agir racionalmente às vezes não envolve inferência. Ex: tirar a mão de
algo quente
Vantagens sobre as outras abordagens

Mais geral do que as leis do pensamento => inferência correta é apenas
um mecanismo utilizado para alcançar racionalidade

É mais adequada ao desenvolvimento científico do que as abordagens
baseadas no comportamento e no pensamento humano => o padrão de
racionalidade é claramente definido e completamente geral
Obs.:

Limitações computacionais tornam a racionalidade perfeita inalcançável.
20
Fundamentos da inteligência artificial
IA
Filosofia
Matemática
Psicologia Computação Lingüística
21
Filosofia (428 B.C. - presente)

Tornaram a IA concebível

Considerando a idéia de que a mente é, em alguns aspectos,
semelhante a uma máquina

Ela opera sobre o conhecimento codificado em alguma linguagem
interna

E o pensamento pode escolher as ações que deverão ser executadas

Aristóteles (384-322 a.C.) – silogismos, noção de intuição

René Descartes (1596-1650) – Dualismo – mente isenta das leis da
física (matéria)

Wilhelm Leibniz (1646-1716) imaginava construir equipamentos
mecânicos que realizava operações mentais (materialismo)

materialismo, onde todas as coisas do mundo (inclusive o cérebro e a
mente) opera segundo leis físicas
22
Filosofia (428 B.C. - presente)

Quanto à fonte do conhecimento

Francis Bacon's (1561-1626) - empirismo, conhecimento está baseado
na observação e na experiência

Hume (1978) - princípio da indução - regras gerais são adquiridas
pela exposição e repetidas associações entre seus elementos

Bertrand Russel (1872-1970) - positivismo lógico - observações que
correspondem ao sensores de entrada

Atualmente existem várias teorias sobre como o conhecimento é
adquirido e representado

O elemento final do modelo filosófico da mente é a conexão entre o
conhecimento e a ação
23
Matemática (800-presente)

Forneceram as ferramentas para manipular


declarações de certeza lógica
declarações incertas e probabilísticas


Definiram a base para a compreensão da computação (algoritmo
forma) e do raciocínio inteligente

George Boole (1847) - linguagem formal para fazer inferências
lógicas (lógica booleana)

Gottlob Frege (1879) - formou a lógica de predicados de primeira
ordem, que é utilizada em boa parte dos sistemas atuais (RC)

Alfred Tarski (1902-1983) - teoria que mostra como relacionar
objetos em uma lógica a objetos do mundo real

Kurt Gödel (1931) - teorema da incompletude, o qual mostra que
para alguns problemas não podem ser estabelecidos um algoritmo
24
Matemática (800-presente)

Alan Turing (1936) - modelo da máquina de Turing determinar se um problema é ou não decidível

um problema é decidível se existe um algoritmo para ele

Cobham (1964) e Edmonds (1965) – intratabilidade - o
tempo de execução dos problemas chamados intratáveis
crescem exponencialmente em relação ao tamanho de suas
instâncias

Gerolamo Cardano (1501-1576) - teoria da probabilidade

Tomas Bayes (1702-1761) – análise Bayesiana - regras para
quantificar probabilidades subjetivas (tratamento de incerteza)

John Von Neumann e Oskar Morgenstern (1944) - teoria da decisão
– teoria da probabilidade + teoria da utilidade
25
Psicologia (1879-presente)

Idéia de que os seres humanos e os animais podem se
considerados máquinas de processamento de informações

John Watson (1878-1958) e Edward Lee Thorndike (18741949) - Behaviorism (comportamentalismo)


Rejeita a idéia de que a introspecção fornece evidências
confiáveis sobre o comportamento humano

Estuda somente medidas objetivas sobre a percepção (stimulus)
e as ações resultantes (response)

Teve sucesso na compreensão dos animais, mas teve pouco
sucesso na compreensão de humanos.
A psicologia cognitiva vê o cérebro como um dispositivo de
processamento de informações. Percepção envolvia uma
forma de inferência lógica inconsciente.
26
Psicologia (1879-presente)


Passos entre a percepção e as ações (Kenneth Craik, 1943). Craik
especificou três passos chaves de um agente baseado em
conhecimento:

(1) O estímulo é transformado em uma representação interna;

(2) A representação é manipulada por um processo cognitivo que deriva
novas representações internas; e

(3) Esta representação é traduzida em uma ação.
Forte interação entre IA e a ciência cognitiva (processos de
transformação do conhecimento bem definidos).
27
Computação (1940-presente)

A inteligência artificial necessita de duas coisas: inteligência e um
artefato. Atualmente o computador é o artefato mais adequado.

Máquina eletromecânica de Health Robison (1940) time de Alan
Turing - decifrar mensagens Alemãs

Colussus (1943) – máquina de uso geral – utilizava válvulas

Z-3 (Konrad Zuse, 1941, Alemanha), primeiro comp. programável

Primeiro computador eletrônico (USA)  ABC (John Atanasoff e
Clifford Berry, 1942)

ENIAC (2º guerra - primeiro computador digital de propósito geral)
– mais famoso pq seus conceitos ainda são utilizados

IBM 701 (1952 - primeiro com fins comerciais).
28
Computação (1940-presente)

Evolução do software: sistemas operacionais, linguagens de
programação e ferramentas necessárias para escrever programas
sofisticados.

Varias contribuições de IA para ciência da computação:
compartilhamento de tempo, conceitos de orientação a objetos e
desenvolvimento de programas com interfaces gráficas
29
Lingüística (1957-presente)

B. F. Skinner (1957) - Verbal Behavior - Abordagem
comportamentalista para o aprendizado da linguagem

Chomsky - exibiu como a teoria comportamentalista não está
direcionada a noção de criatividade na linguagem

Ela não explicava como uma criança podia compreender e formar frases
que nunca tinha ouvido antes.

IA + Lingüística = Lingüística computacional ou PLN

Compreensão da linguagem exige compreensão do assunto e do
contexto (e não somente sintaxe)

Representação do Conhecimento – como colocar o conhecimento em
uma forma que o computador possa utilizar – vinculado à linguagem
30
História da inteligência artificial

A gestação da inteligência artificial (1943-1956)

Warren McCulloch e Walter Pitts (1943) – modelo de neurônios
artificiais



Cada neurônio poderia estar “ligado” ou “desligado”
Troca para ligado ocorria como resposta aos estímulos para um
número suficiente de neurônios vizinhos
Conhecimento básico sobre fisiologia e as funções dos neurônios no
cérebro, lógica proposicional, teoria da computação

Marvin Minsky (tese) e Dean Edmonds construiram o primeiro
computador de redes neurais em 1951, possuía 40 neurônios

Primeiras conferências  atribuir o nome do campo a
Inteligência Artificial
31
História da inteligência artificial

Entusiasmo inicial (1952-1969)


Newell e Simon - General Problem Solver (GPS)

Programa projetado para resolver problemas como os humanos

Sebmetas e ações - semelhantes à ordem de resolução dos humanos
Herbert Gelernter (1959) – Geometry Theorem Prover


Demonstrava teoremas bastante complicados
Arthur Samuel (1952) – série de programas para jogar damas
que podiam aprender
32
História da inteligência artificial

McCarthy (1958) - Lisp - Um ano mais nova que FORTRAN



Advice Taker – 1º sistema de IA completo – princípios centrais de RC
e raciocínio
Escassez e custo dos recursos computacionais => time sharing
Minsky - Micromundos - Problemas em um contexto limitado
que requer inteligência para resolver

Ex: Mundo de blocos
33
História da inteligência artificial

Uma dose de realidade (1966-1974)

Herbert Simon – “futuro visível” – computadores lidarão com
uma variedade de problemas correspondente à mente humana

Dificuldade de tratar problemas complexos (exemplos testados
eram muito simples)

Principais problemas nas abordagens adotadas:


Os programas possuíam pouco, ou nenhum conhecimento sobre o
problema objeto
Problema de tradução Russo <-> inglês
34
História da inteligência artificial


Intratabilidade de alguns problemas que AI estava tentando
resolver (antes da teoria da NP-completude)

Ilusão do poder computacional ilimitado, computadores 1.000.000 x
mais rápidos não resolvem o problema – explosão combinatória

Problemas NP-completos existem e novas abordagens devem ser
adotadas

Machine evolution (algoritmos genéticos de hoje)
Limitação de estruturas "básicas" para gerar um comportamento
inteligente



Ex: Estrutura até então utilizada para representar redes neurais
Minsky (1969) – Os perceptrons podem aprender qualquer coisa que
eles são capazes de representar, mas eles podem representar muito
pouco.
Cai o mito que em pouco tempo teríamos máquinas “super
inteligentes”
35
História da inteligência artificial

Sistemas baseados em conhecimento (1969-1979)

Weak methods (pouco informação sobre o domínio) – necessidade maior
de computação

Surgimento dos Sistemas Especialistas

Conhecimento, heurísticas e regras sobre um determinada especialidade

Separação clara entre conhecimento (regras) e componente de raciocínio

DENDRAL – conhecimento de química reduz a quantidade de computação

Feignbaum e outros – MYCIN – diagnostico de doenças infecciosas (450 regras)

Problemas do mundo real – representação de conhecimento teve que
melhorar

Frames (Minsky), abordagem mais estruturada baseada em classes e
hierarquia de objetos, analogia com taxonomia da biologia
36
História da inteligência artificial

A IA se torna uma indústria (1980 – hoje)


Digital Equipment Corporation – R1 (pedidos de novos
computadores

Economia de 40 milhões de dólares

1988 – O grupo de IA da DEC tinha 40 sist. especialistas entregues
Du Pont

100 SEs em uso e 500 em desenvolvimento

Economia de 10 milhões de dólares
37
História da inteligência artificial


O retorno das redes neurais (1986-presente)

Desenvolvimento continuou em outras áreas

Uso/desenvolvimento de algoritmos “back-propagation”

IA Tradicional x Redes Neurais
Eventos recentes (1987-1995-2000)

Avanços e utilização de tecnologia para reconhecimento de imagem e
fala/som.

Belief networks, "probabilidade" que permite formalismo para tratar
incertezas.

Desenvolvimento de mecanismos lógicos para tratar incerteza.

Ex: lógica fuzzy, lógica modal, etc.
38
O estado-da-arte

O que pode ser feito (usando IA) atualmente?

Planejamento autônomo e escalonamento (NASA)

Jogos: Programa da IBM derrota campeão mundial de xadrez

Controle autônomo: Sistema de visão computacional ALVINN treinado
para dirigir um automóvel

Diagnóstico: Programas de diagnóstico médico com explicação

Planejamento logístico e programação de execução de transporte

Robótica: Ao ponto de ajudarem em microcirurgias

Reconhecimento de linguagem e resolução de problemas
39
Atualmente...

Duas vertentes principais

Simbólica



Conexionista



Símbolos (objetos, frames)
Regras
Redes neurais
Reconhecimento de padrões
Tentativa de unir os dois paradigmas => sistemas hibrídos


Lógica difusa (ou fuzzy)
Algoritmos Genéticos
40
Atualmente...

Ramos da IA

Sistemas especialistas

Processamento de linguagem natural

Robótica

Aprendizado de Máquina

Reconhecimento de Padrões

...
41
Sistema Inteligente

Definição segundo Turing (1950):
“Um sistema é inteligente se e somente se ele produz a mesma
saída simbólica que um ser humano produziria, dada a mesma
entrada simbólica”

Características

Heurísticas ao invés de algoritmos pré-determinados

Problemas diferentes, soluções diferentes

A solução tem que ser construída
42
Heurística X Algoritmo

Metodologia empregada para resolver problemas de IA


Algoritmo





Mais heurística do que sistemática, algorítmica
Regra
Premissas conhecida => resultados esperados
Solução lógica, verdade, regra matemática (resolver eq. de 2º)
Verificável
Heurística



Não é verificável – matematicamente provável
Solução obtida através de tentativas e erros
Regras práticas desenvolvidas através da experiência
43