Universidade Federal do Rio de Janeiro
Núcleo de Computação Eletrônica
Inteligência Computacional
– “É o braço da Ciência da Computação que
estuda formas de criar máquinas espertas, i.e.
com capacidade de realizar funções
normalmente associadas à inteligência
humana.” Webster
Inteligência Computacional
Redes Neurais
2002/ 1
– Técnicas e sistemas computacionais que
imitam aspectos humanos tais como:
•
•
•
•
Percepção
Aprendizado
Evolução
Adaptação
Prof. A. C. G. Thomé, PhD – [email protected]
Anderson Canêdo de Oliveira – [email protected]
Inteligência Computacional
I nspiração na natureza
• Lógica Nebulosa
– Processamento
linguístico
• Algoritmos Genéticos
– Evolução biológica
• Redes Neurais
– Estrutura do cérebro
– Neurônios biológicos
• Sistemas Híbridos
– Aspectos combinados
Lógica Nebulosa
• Lógica Fuzzy provê um método de traduzir
expressões verbais, vagas, imprecisas e
qualitativas, comuns na comunicação humana
em valores numéricos.
Inteligência Computacional
• Exemplos
• Atuação
– Suporte à decisão
– Classificação de Dados
– Reconhecimento de
Padrões
– Previsão
– Otimização
– Controle
– Descoberta do
Conhecimento
– Fuji Bank
• Sistema de negociação
de Bolsa de Valores
(LN)
– Eletrobrás
• Previsão do consumo
mensal de energia
elétrica (RN)
– Embratel
• Classificação de clientes
(AG e RN)
Lógica Nebulosa
• Lógica tradicional
– “Tudo deve ser ou não ser, seja no presente ou no
futuro.” Aristóteles
“O Filósofo Cretense dizia que todos os Cretenses mentem.”
• Trata matematicamente informações imprecisas
usualmente empregadas na comunicação
humana.
• Abre as portas para se converter a experiência
humana em uma forma compreensível pelos
computadores.
Possibilidade de algo ser e não ser ao mesmo tempo
• Toda linguagem é vaga.
– Como classificar corretamente?
• Pessoas felizes
• Temperaturas altas
• Taxas de juros altas
• Salas pequenas
• Bons alunos
• Pessoas altas
1
Lógica Nebulosa
Lógica Tradicional
Lógica Nebulosa
(Aristóteles)
Não
Não
Sim
Sim
Lógica Nebulosa
• Pensando Nebulosamente
– Se a roda deslizar solte o freio um pouco
– Se a terra está muita seca e a temperatura
alta regue muito tempo
Medida Física
Idade = 35
Nota = 10
Nota = 8,5
Lógica Nebulosa
• Desvantagens
• Vantagens
– Utilizam regras que
expressam as imprecisões e
aproximações do mundo real
– Mais fáceis de entender,
manter e testar
– Podem ser prototipados em
menos tempo
– São robustos. Operam com
falta de regras ou regras
defeituosas
– Necessitam menos regras
– Avaliam regras paralelamente
– Necessidade do especialista
para construção da base de
regras
– Necessitam mais simulações e
testes
– Não aprendem facilmente
– Dificuldade de estabelecer
regras corretamente
– Não há uma definição
matemática precisa
Algoritmos Genéticos
• São algoritmos de otimização e busca baseados nos
mecanismos de seleção natural e genética.
• Fazem uso dos princípios de seleção e evolução natural
das espécies introduzido por Charles Darwin.
• Combina sobrevivência do mais apto e cruzamento
aleatório de informação.
• A melhor solução para um determinado problema
sobrevive e destaca-se das demais, após um número
razoável de gerações, graças ao seu melhor grau de
aptidão e adequabilidade ao problema.
Medida Nebulizada
Idade = meia, µmeia(i) = 0,8
Nota = A, µA(t) = 1,0
Nota = A, µA(t) = 0,87
Lógica Nebulosa
• Aplicações
– Sistemas de controle
– Sistemas de apoio à decisão
– Aproximação de funções
• Produtos Comerciais
– Sistemas ABS medem deslizamento e travamento das rodas para
controlar freios
– Mitsubishi desenvolveu sistema que controla suspensão, tração,
transmissão e ar
– Hitachi usa 150 regras para negociar bonds e mercados futuros
– Lavadoras de roupa medem peso e sujeira da roupas para
avaliar programa de lavagem
Algoritmos Genéticos
Evolução Natural
• Indivíduo
• Cromossoma
• Reprodução sexual
• Mutação
• População
• Gerações
• Meio ambiente
Algoritmos Genéticos
• Solução
• Representação
• Operador Cruzamento
• Operador Mutação
• Conjunto de Soluções
• Ciclos
• Problema
2
Algoritmos Genéticos
Algoritmos Genéticos
inicialização da população
Crossover
Pai
01011110 0110
Mãe
01010110 0100
Filho1
01011110 0100
Filho2
01010110 0110
cálculo da aptidão
solução
encontrada?
Mutação
sim
fim
Vant agens
Desvantagens
• Técnica de busca
global
• Dispensa formulação
matemática precisa
do problema
• Dificuldade na
representação do
cromossoma
• Evolução demorada
em alguns problemas
• Modelagem depende
de especialista em AG
(muitos parâmetros)
não
Pai
01010110 0110
seleção
2ª Geração
01010111 0110
reprodução
Algoritmos Genéticos
• Aplicações Industriais
• Aplicações Comerciais
– SearchSpace
– BBN
• Detecção de Fraude na
Bolsa de Londres
• Roteamento de
Telecomunicações
– IOC
– ATTAR
• Planejamento dos Jogos
Olímpicos
• Planejamento da
programação de TV
– CAP VOLMAC
– BRITISH GAS
• Avaliação de Crédito e
Análise de Risco
• Otimização da
Distribuição de Gás
Redes Neurais
Cérebro
Redes Neurais
•
•
•
•
•
•
•
•
•
•
•
•
•
•
Neurônio biológico
Rede de neurônios
10 bilhões de neurônios
Aprendizado
Generalização
Associação
Reconhecimento de
Padrões
Redes Neurais
Neurônio artificial
Estrutura em camadas
Centenas
Aprendizado
Generalização
Associação
Reconhecimento de
Padrões
Redes Neurais
• Neurônio Artificial
Sistemas
Convencionais
Entradas
Pesos
Algoritmo
Algoritmo
W
.
.
.
ff
W
W
Sinal
Saída
Conhecimento
Conhecimento
++
Solução
Solução
Sistemas
Especialistas
Redes Neurais
Algoritmo
Algoritmo
Algoritmo
Algoritmo
Conhecimento
Conhecimento
Histórico
Histórico
(Máquina
(Máquinade
deInferência)
Inferência)
(Dados)
(Dados)
3
Redes Neurais
Vant agens
Desvantagens
• Aprendizado
automático
• Tolerante a dados
ruidosos e
incompletos
• Resposta rápida
• Modelos compactos
• Ausência de
explicações
• Sensível a quantidade
de dados disponível
Redes Neurais
• Aplicações Industriais
– CRAM
• Sistema automático de
seleção de laranjas
– Reconhecimento de
objetos
– Locomoção de robôs
autônomos
• Aplicações Comerciais
– LabIC / I M / NCE
• Reconhecimento de
caracteres manuscritos
• Reconhecimento de
placas de automóveis
– Thomsom
• Sistemas de OCR
– St. George’s Hospital
• Sistema de classificação
de tumores
4