Subsistema de Gestão de
Modelos
Sistemas de Apoio à Decisão
1
Subsistema de gestão de modelos
“A good scientist is like a good cartoonist” --- J. Holland
• Um bom modelo é aquele que exagera as características
principais e ignora grande parte dos detalhes.
• … é como o trabalho de um caricaturista. Em meia dúzia de
traços salienta-se o principal; os detalhes ignoram-se.
Sistemas de Apoio à Decisão
2
Subsistema de gestão de modelos
Os modelos dos SADs são normalmente quantitativos.
Os SADs podem conter vários modelos:
• construidos directamente no software de desenvolvimento
do SAD;
• construidos separadamente e propositadamente;
• acedidos pelo SAD quando necessário.
Sistemas de Apoio à Decisão
3
Subsistema de gestão de modelos
Diagramas de influência
É uma representação gráfica do modelo, usada para guiar o
desenho e desenvolvimento do modelo (similar aos diagramas
de fluxos de dados para o desenvolvimento de software).
- variáveis de decisão
- variáveis não controláveis ou intermédias
- parâmetros
- resultados intermédios ou finais
Sistemas de Apoio à Decisão
4
Subsistema de gestão de modelos
Diagramas de influência
As variáveis estão ligadas por setas que indicam a direcção da
influência (relação). O tipo da seta também indica o tipo de
relação.
• Certeza
• Incerteza
• Variáveis de risco
Sistemas de Apoio à Decisão
Nº de
encomendas
Quantidade
produzida
Preço
Vendas
~
Procura
Vendas
5
Subsistema de gestão de modelos
Diagramas de influência
Exemplo:
Lucro = Rendimento - Despesas
Rendimento = Nº de unidades vendidas * Preço por unidade
Nº de unidades vendidas = 0,5 * Total gasto em publicidade
Despesas = custo de cada unidade * nº de unidades vendidas +
custos fixos
Sistemas de Apoio à Decisão
6
Subsistema de gestão de modelos
Diagramas de influência
Exemplo:
Custos
fixos
Despesas
Custo de
cada
unidade
~
Total gasto
em publicidade
Nº de
unidades
vendidas
Lucro
Rendimento
Preço por
unidade
Sistemas de Apoio à Decisão
7
Subsistema de gestão de modelos
Os modelos podem ser desenvolvidos e implementados numa
grande variedade de linguagens de programação e sistemas
(ferramentas de CASE e outras com geração automática de
código).
Modelos em folhas de cálculo
Cada vez mais surgem "add-ins" para estruturar e resolver
classes especiais de modelos no ambiente das folhas de cálculo.
Exemplos: Solver (Excel) programação linear e outros
problemas de optimização, @Risk (Palisade) que corre sobre o
Excel e permite executar simulações e análise de risco.
Sistemas de Apoio à Decisão
8
Subsistema de gestão de modelos
Análise de decisão com um número finito e pequeno de
alternativas possíveis
As situações de decisão que envolvem um número finito e,
geralmente, não muito grande de alternativas possíveis são
modeladas utilizando as chamadas técnicas de análise de
decisão, em que as alternativas são enumeradas juntamente
com a sua prevista contribuição para o objectivo e a
probabilidade de essa contribuição se verificar.
Sistemas de Apoio à Decisão
9
Subsistema de gestão de modelos
Incerteza
Alternativas
Estados de natureza
Sólido crescimento
Estagnação
Inflação
12%
6%
3%
Acções
15
3
-2
Depósito bancário
6,5
6,5
6,5
Obrigações
Incerteza - não sabemos a probabilidade de ocorrência de cada
estado de natureza.
Deve sempre tentar-se obter informação suficiente para que o
problema possa ser tratado numa situação de certeza ou risco.
Ex: maximínimo, maximáximo, minimax e realismo.
Sistemas de Apoio à Decisão
10
Subsistema de gestão de modelos
Risco
Risco - sabemos a probabilidade de ocorrência de cada estado
de natureza.
Estados de natureza
Alternativas
Sólido crescimento
0,5%
Estagnação
0,3%
Inflação
0,2%
12%
6%
3%
Acções
15
3
-2
Depósito bancário
6,5
6,5
6,5
Obrigações
Critério do valor esperado de Bayes
Obrigações 12*0,5 + 6*0,3 + 3*0,2 = 8,4
Acções 15*0,5 + 3*0,3 - 2*0,2 = 8
Depósito bancário 6,5*0,5 + 6,5*0,3 + 6,5*0,2 = 6,5
Sistemas de Apoio à Decisão
11
Subsistema de gestão de modelos
Risco
Este critério é perigoso, porque quando o pior caso resulta numa
perda catastrófica mesmo que com uma probabilidade de
ocorrência infima, o valor esperado pode ser razoável.
Exemplo: Um investimento de 1000 contos com probabilidade de
0.9999 duplicar num dia e com a probabilidade de 0,0001 haver
uma perca de 500 000 contos.
Valor esperado = 0,9999(2000-1000) + 0,0001(-500000-1000) = 949,8
O valor esperado é razoável, mas o pior caso é mesmo muito mau.
Outros ex: máxima verosimilhança, razão insuficiente, árvores de
decisão, simulação, fuzzy logic.
Sistemas de Apoio à Decisão
12
Subsistema de gestão de modelos
Decisão com múltiplos critérios
Acontece, frequentemente, não termos apenas um objectivo a
cumprir, mas sim vários objectivos simultâneos a alcançar, que
podem não ser compatíveis. Há que definir prioridades entre os
vários objectivos. Estas prioridades podem variar com o tempo e
podem ser diferentes para cada decisor.
Sistemas de Apoio à Decisão
13
Subsistema de gestão de modelos
Decisão com múltiplos critérios
Alternativas
Obrigações
Acções
Depósito bancário
Rendimento
Segurança
Liquidez
8,4%
Elevada
Elevada
8
Baixa
Elevada
6,5
Muito elevada
Elevada
Podemos ter modelos de decisão:
• Não compensatórios - comparação atributo a atributo
Ex: Maximin, Maximax, Restrições conjuntivas, Restrições
disjuntivas, lexicográfico.
• Compensatórios - permite compensações entre atributos
Ex: Ponderação aditiva, Análise de concordância (Método
Electre), Método de Análise Hierárquica (Método de Saaty).
Sistemas de Apoio à Decisão
14
Subsistema de gestão de modelos
Optimização
Os modelos de optimização são frequentemente incluidos em
SADs.
A técnica de optimização mais conhecida é a programação linear,
(muito usada em SADs) que faz parte da família de técnicas de
programação matemática.
Sistemas de Apoio à Decisão
15
Subsistema de gestão de modelos
Fuzzy logic
Esta técnica simula o processo de raciocínio humano, permitindo
ao computador comportar-se de forma menos precisa e lógica que
convencionalmente.
A noção tradicional de lógica, em que algo ou é verdadeiro ou é
falso é extendida de modo a permitir a definição de diversos “graus
de verdade”.
Deixa de ser uma questão de preto ou branco, sim ou não e
passamos a considerar zonas cinzentas e o termo “talvez”.
Exemplo:
Lógica tradicional – um carro derrapa ou não derrapa
... no entanto pode ser reconhecido um grau de derrapagem de acordo com
o qual o sistema deva reagir de modo a controlar o movimento do carro.
Sistemas de Apoio à Decisão
16
Subsistema de gestão de modelos
Fuzzy logic
Vantagens:
• Flexibilidade;
• Criatividade;
• Permite lidar com problemas de decisão que não sejam
facilmente descritos por modelos matemáticos;
• Fácil manutensão;
• Menor custo dos erros.
De acordo com Barron (1993) a produtividade dos decisores pode
aumentar cerca de 30% com o apoio das técnicas de fuzzy logic.
Sistemas de Apoio à Decisão
17
Subsistema de gestão de modelos
Fuzzy logic
Exemplo:
O seguinte fuzzy set descreve uma pessoa alta:
Altura
Proporção dos votos
1,65 m
0,05
1,70 m
0,10
1,75 m
0,60
1,80 m
0,15
1,85 m
0,10
Supondo que um indivíduo mede 1,75 m, pela teoria da
probabilidade podemos dizer que ele tem 75% de probabilidade de
ser considerado alto.
Sistemas de Apoio à Decisão
18
Subsistema de gestão de modelos
Fuzzy logic
Exemplo (continuação):
Em fuzzy logic dizemos que o indivíduo tem um grau de
participação no conjunto das pessoas altas de 0,75.
Probabilisticamente, o indivíduo pode ser considerado alto ou não
e nós não estamos completamente certos de que ele seja alto.
Em fuzzy logic concordamos que ele é mais ou menos alto. Então,
podemos ter uma função de participação que indica a relação entre
o indivíduo e o conjunto de pessoas altas:
< Indivíduo, 0,75 = Alto>
Sistemas de Apoio à Decisão
19
Subsistema de gestão de modelos
Fuzzy logic
As técnicas de fuzzy logic são dificeis de aplicar quando a
avaliação dos dados é feita por pessoas (expressões vagas,
subjectividade, dificuldade em fornecer as definições necessárias).
Estas técnicas são muito usadas em produtos de consumo em que o
input é fornecido por sensores, por exemplo ar condicionado,
microondas, ABS, máquina de lavar.
Outras aplicações:
• Manter os veículos espaciais em órbitas estáveis;
• Auto-focus das câmeras;
• Controlo do movimento dos comboios;
• Desenvolvimento de sistemas de controlo ambiental.
Sistemas de Apoio à Decisão
20
Subsistema de gestão de modelos
Programação heurística
Muitas vezes a determinação de uma solução óptima para um
problema complexo pode acarretar custos, quer em termos
monetários quer em termos de tempo, que não são suportáveis.
Nestes casos é possível chegar a uma solução satisfatória, mais
rapidamente e com menos custos. Usam-se heurísticas.
A programação heurística consiste em usar heurísticas para encontrar
soluções suficientemente boas (correspondentes a 90-99,9% do valor
do objectivo de uma solução óptima) para problemas complexos.
As heurísticas são usadas principalmente na resolução de problemas
não estruturados, mas podem também contribuir para encontrar
soluções satisfatórias para problemas complexos estruturados mais
rápida e economicamente que os algoritmos de optimização.
Sistemas de Apoio à Decisão
21
Subsistema de gestão de modelos
Programação heurística
Devem usar-se heurísticas quando:
• os dados de entrada não são exactos;
• a realidade é muito complexa para se poder usar modelos de
optimização;
• não existe nenhum algoritmo apropriado;
• o tempo de simulação é excessivo;
• é possível melhorar a eficiência do processo de optimização,
usando heurísticas para gerar boas soluções iniciais;
• apenas é necessário processamento simbólico (como nos SP).
Sistemas de Apoio à Decisão
22
Subsistema de gestão de modelos
Programação heurística
Vantagens:
• São mais rápidas, permitindo decisões mais rápidas,
• Produzem múltiplas soluções aceitáveis;
• Podem incorporar conhecimento que guia a busca de soluções;
• Permitem, muitas vezes, indicar a qualidade da solução obtida
(distância à solução óptima);
• É possível aplicar heurísticas a modelos que possam ser
resolvidos por programação matemática.
...., mas não garantem uma solução óptima.
Sistemas de Apoio à Decisão
23
Subsistema de gestão de modelos
Simulação
É uma técnica que permite conduzir experiências em modelos
digitais da realidade. A simulação é uma das ferramentas mais
usadas nos SADs, pois permite descrever situações complexas.
O processo de simulação consiste na repetição de uma experiência
de modo a obter uma estimativa do efeito produzido por certas
acções.
A simulação é um processo descritivo. Não há uma busca da
solução óptima para o problema. A simulação descreve ou prevê as
características de um dado sistema em diversas circunstâncias.
Uma vez calculadas essas características, a melhor entre várias
alternativas pode ser escolhida.
Sistemas de Apoio à Decisão
24
Subsistema de gestão de modelos
Simulação
Modelos representam a realidade
Simulação imita a realidade
Obtém-se uma simulação correndo um modelo.
Sistemas de Apoio à Decisão
25
Subsistema de gestão de modelos
Simulação
Vantagens:
• É um processo descritivo - permite análise "what-if";
• Compressão do tempo;
• Especificidade - o modelo de simulação é normalmente
construido para a resolução de um problema específico (maior
pormenor, precisão, mas menor reutilização);
• É aplicável a uma grande variedade
(inventariação, planeamento a longo prazo);
de
problemas
• Permite a execução de experiências com diferentes variáveis,
para determinar quais são mais importantes e com diferentes
alternativas, para determinar qual é a melhor.
Sistemas de Apoio à Decisão
26
Subsistema de gestão de modelos
Simulação
Limitações:
• Não garante uma solução óptima;
• A construção do modelo de simulação pode ser um processo
demorado e caro;
• As soluções e inferências fornecidas por um modelo de
simulação não podem ser generalizadas para outros problemas
(não reutilização);
• A simulação convencional apenas fornece dados estatísticos
após a execução de várias experiências que poderão ser
contraditórios à intuição do utilizador; os decisores não são
parte integrante da simulação e a sua experiência e os seus
julgamentos não são directamente incorporados no processo.
Sistemas de Apoio à Decisão
27
Subsistema de gestão de modelos
Simulação
Metodologia
A simulação envolve a construção de um modelo do sistema real
que serve depois para a execução repetida de experiências.
• Definição do problema - o sistema real é examinado e
classificado. Determina-se a necessidade do processo de
simulação.
• Construção do modelo de simulação - obtenção dos dados
necessários. Determinação das variáveis e das relações entre
elas. O algoritmo é implementado.
• Teste e validação do modelo - permite assegurar a correcção do
modelo (se a representação da realidade é fiel, pode ser feita
utilizando dados reais).
Sistemas de Apoio à Decisão
28
Subsistema de gestão de modelos
Simulação
Metodologia (continuação)
• Desenho (definição) das experiências - Decidir quanto deve
correr a simulação. Temos 2 objectivos em conflito: correcção
ou precisão e custo. É importante determinar os cenários dos
melhores e piores casos e também dos casos típicos. Isto
permite estabelecer os intervalos de variação das variáveis de
decisão.
• Condução das experiências - Envolve desde a geração de
números aleatórios à apresentação dos resultados.
• Avaliações dos resultados - Interpretação dos resultados. Pode
ser usada análise de sensibilidade.
• Implementação - O gestor está mais envolvido no processo de
simulação do que em outros modelos.
Sistemas de Apoio à Decisão
29
Subsistema de gestão de modelos
O processo de simulação
Problema
real
Definição
do
problema
Construção do
modelo de
simulação
Teste e
validação
do modelo
Desenho das
experiências
de simulação
Execução
das
experiências
Avaliação
dos
resultados
Implementação
dos resultados
Sistemas de Apoio à Decisão
30
Subsistema de gestão de modelos
Simulação visual
O utilizador pode construir graficamente um modelo, tendo à
disposição uma série de funções (matemáticas, financeiras e
lógicas). Uma vez seleccionada uma função é inserida num script
que posteriormente irá regular a execução do modelo.
Em vez de células (tabelas) são usados elementos simbólicos.
Ex: as variáveis são representadas por círculos e as constantes por
quadrados.
Sistemas de Apoio à Decisão
31
Subsistema de gestão de modelos
Soluções comerciais
Alguns SADs podem facilmente estabelecer a interface com
aplicações independentes standards. Existem modelos
quantitativos pre-programados que podem ser usados para
acelerar e facilitar o processo de construção (programação) de um
SAD.
Alguns destes programas constituem blocos de construção de
outros modelos quantitativos (ex: um modelo de regressão pode
ser uma parte de um modelo de previsão que suporta um modelo
de planeamento financeiro).
Sistemas de Apoio à Decisão
32
Subsistema de gestão de modelos
Soluções comerciais
• Pacotes estatísticos
Exemplo: SPSS executa análise de regressão, SAS.
• Pacotes de gestão
Existem várias centenas de pacotes de software no mercado
para modelos desde controlo de inventários até gestão de
projectos. Alguns sistemas para construção de SADs incluem
facilidades de optimização e simulação.
Exemplo: Optimização: QBS+, IBM´s Optimization System
Library (OSL), CPLEX; Simulação: GPSS, ProModel, SLAM,
SIMAN e SIMSCRIPT.
Sistemas de Apoio à Decisão
33
Subsistema de gestão de modelos
Soluções comerciais
• Pacotes financeiros
Muitos SADs e folhas de cálculo incluem funções financeiras.
Existem sistemas independentes de modelação financeira
embebidos em sistemas de desenvolvimento de SADs e SIEs.
• Outros
• @Risk (simulação para o Excel, Palisade Corp.),
• Solver (Frontline Systems Inc.),
• @Brain (redes neuronais para o Lotus 1-2-3, Talon
Developmente, Co.),
• Evolver (algoritmos genéticos para o Excel, Palisade Corp.).
Sistemas de Apoio à Decisão
34
Subsistema de gestão de modelos
Um sistema eficiente de gestão de modelos faz com que os aspectos
estruturais e algorítmicos da organização de modelos e do
processamento de dados a eles associados se torne invisivel para o
utilizador (ex: a especificação das relações explícitas entre os
modelos e a determinação de que resultados de um modelo são as
entradas de outro modelo devem ser feitas pelo sistema e não pelo
utilizador).
Um SGBM deverá possuir capacidades similares aos SGBD.
Sistemas de Apoio à Decisão
35
Subsistema de gestão de modelos
No entanto, não existem no mercado nenhuns SGBM, isto porque:
• Cada organização usa os seus modelos algo diferentes;
• Não existe um conjunto definido de classes de modelos tal como
existem as diferentes estruturas de base de dados (relacionais,
hierárquicas, de redes e orientados por objectos);
• Algumas das capacidades necessárias a um SGBM (tais como
seleccionar o modelo a utilizar ou decidir os valores a inserir)
requerem conhecimento e raciocínio.
O desenvolvimento de SGBM representa uma potencial área de
aplicação de técnicas de IA e SP.
Sistemas de Apoio à Decisão
36
Subsistema de gestão de modelos
Capacidades que um SGBM deve ter:
• Controlo - o sistema deve permitir a selecção automática e
manual dos modelos mais adequados à resolução de cada
situação. Deve permitir a introdução de informação subjectiva
pelo utilizador;
• Flexibilidade - O utilizador deve poder usar modelos diferentes
para conceber diferentes partes da solução do problema;
• Feedback - O SGBM deve fornecer, a qualquer momento, ao
utilizador informação sobre o estado do processo de decisão;
Sistemas de Apoio à Decisão
37
Subsistema de gestão de modelos
Capacidades que um SGBM deve ter (continuação):
• Interface - o utilizador deve sentir-se confortável com a interface
com os modelos;
• Redução de redundância - uso compartilhado de modelos;
• Aumento da consistência - através da utilização dos mesmos
modelos por vários decisores;
• Comunicação - estabelecer os meios de comunicação entre
modelos e a trocas de dados entre modelos combinados.
Sistemas de Apoio à Decisão
38
Subsistema de gestão de modelos
Um SGBM deve permitir ao utilizador:
• Aceder a modelos existentes;
• Executar e manipular os modelos existentes, instanciação,
selecção e sintese de modelos;
• Armazenar modelos existentes;
• Fazer a manutensão dos modelos existentes de acordo com as
necessidades (alteração das condições);
• Construir novos modelos com um esforço relativo, muitas vezes
usando blocos construtivos.
Sistemas de Apoio à Decisão
39
Subsistema de Gestão de
Conhecimento
Sistemas de Apoio à Decisão
40
Subsistema de gestão de
conhecimento
O subsistema de conhecimento pode melhorar e ampliar as
capacidades do SAD, quer fornecendo sabedoria acerca do
assunto em estudo, quer fornecendo conhecimento acerca da
gestão e modelação de dados.
Sistemas de Apoio à Decisão
41
Subsistema de gestão de conhecimento
Inteligência Artificial versus Natural
• IA é permanente - as pessoas podem esquecer-se da informação
ou mudar de emprego;
• IA é fácil de duplicar e disseminar - a transferência de
conhecimento entre os seres humanos é demorado e nunca é
total;
• IA pode ser mais barata;
• IA pode ser documentada - através de um tracking das
actividades do sistema.
• IA pode executar algumas tarefas muito mais rapidamente podem armazenar e processar grandes quantidades de
informação.
Sistemas de Apoio à Decisão
42
Subsistema de gestão de conhecimento
Inteligência Artificial versus Natural (continuação)
• IN é criativa;
• IN permite a incorporação directa de dados adquiridos por
experiência sensorial, ao passo que a IA tem que trabalhar com
representações simbólicas e abstractas.
EX: uma fotografia de jornal são apenas pontos numa escala de
cinzentos, mas nós facilmente identificamos os padrões que
revelam caras e outros objectos.
• IN é mais globalizante - o ser humano pode usar toda a sua
sabedoria (inclusive a adquirida noutros campos) para resolver
um determinado problema. Os sistemas de IA são desenvolvidos
para resolver problemas específicos e por isso são especializados
numa área mais restrita de conhecimento.
Sistemas de Apoio à Decisão
43
Subsistema de gestão de conhecimento
Embora não possa adquirir experiência e conhecimentos como um
ser humano, o computador pode usar o conhecimento fornecido
por um perito humano.
Este conhecimento consiste em factos, conceitos, teorias, métodos
heurísticos e procedimentos.
Todo o conhecimento relacionado com um determinado problema
que é usado num sistema de IA é organizado numa base de
conhecimento. Uma vez construída a base de conhecimento, as
técnicas de IA são usadas para dar ao computador capacidade de
inferência baseada nos factos e relações da base de conhecimento.
Sistemas de Apoio à Decisão
44
Subsistema de gestão de conhecimento
Processamento convencional
É baseado em algoritmos claramente definidos que descrevem
passo-a-passo o procedimento a seguir para resolver um problema.
Pode ser uma fórmula matemática ou um procedimento sequencial.
O algoritmo é convertido num programa (lista sequencial de
instruções) que indica ao computador exactamente o que ele tem
que fazer.
Sistemas de Apoio à Decisão
45
Subsistema de gestão de conhecimento
Tipo de processamento:
• Cálculo - execução de operações matemáticas, resolução de
fórmulas;
• Operações lógicas - execução de operações lógicas ;
• Armazenamento - guardar factos em ficheiros;
• Obtenção - aceder a dados guardados em ficheiros ;
• Conversão - converter dados de um formato para outro;
• Ordenação - análise e colocação dos dados em determinada
ordem;
• Edição - alteração, adição ou eliminação de dados;
• Controlo - controlo da operação de aparelhos externos;
• Monitorização.
Sistemas de Apoio à Decisão
46
Subsistema de gestão de conhecimento
Inteligência artificial
Baseada na representação e manipulação simbólica.
Símbolos : letra, palavra, número
usados para representar objectos, processos e suas relações.
Objectos : pessoas, coisas, ideias, conceitos, eventos ou factos.
Usando símbolos é possível contruir uma base de conhecimento
que determina factos, conceitos e as suas relações. As técnicas
básicas para manipular os símbolos e gerar conselhos para a
resolução dos problemas são a busca e a comparação de padrões
(pattern-matching).
Sistemas de Apoio à Decisão
47
Subsistema de gestão de conhecimento
Inteligência artificial
É multidisciplinar, baseando-se em diversos campos da ciência,
tais como a psicologia, linguística, matemática, estatística e
gestão.
Fornece o fundamento científico para o desenvolvimento de
várias tecnologias comerciais. EX: Sistemas periciais, linguagem
natural, reconhecimento de voz, fuzzy logic, robótica, sistemas
sensoriais.
Sistemas de Apoio à Decisão
48
Subsistema de gestão de conhecimento
Inteligência artificial
Turban E. And Aronson J., 1998
Sistemas de Apoio à Decisão
49
Subsistema de gestão de conhecimento
Sistemas periciais
Apareceram em meados dos anos 60.
São sistemas computorizados que tentam imitar o processo de
conhecimento e de raciocínio dos peritos, fornecendo conselhos
para a resolução de problemas específicos. Usam o
conhecimento humano armazenado num computador para
resolver problemas que normalmente requerem a sabedoria
humana.
Representam o maior uso das técnicas de IA. São ferramentas
importantes para o apoio a decisões estratégicas.
Sistemas de Apoio à Decisão
50
Subsistema de gestão de conhecimento
Sistemas periciais
O objectivo de um sistema pericial não é substituir os peritos,
mas tornar o seu conhecimento e experiência mais extensamente
disponível.
Um sistema pericial permite aos não peritos melhorarem a sua
produtividade e a qualidade das suas decisões, e resolverem
problemas na ausência de um perito.
Sistemas de Apoio à Decisão
51
Subsistema de gestão de conhecimento
Conceitos básicos dos sistemas periciais
• Perícia
• Peritos
• Transferência de conhecimento
• Inferências
• Regras
• Capacidade de explicação
Sistemas de Apoio à Decisão
52
Subsistema de gestão de conhecimento
Sistemas periciais
Perícia
É o conhecimento alargado acerca de uma tarefa específica,
adquirido através da experiência, treino e leitura.
A perícia pressupõe o conhecimento de diversa informação
relacionada com a área do problema em estudo:
• Teoria acerca de campo de estudo;
• Regras e procedimentos acerca do campo geral de estudo do
problema;
• Estratégias globais para a resolução desse tipo de problemas;
• Meta-conhecimento;
• Factos acerca do campo de estudo do problema.
Sistemas de Apoio à Decisão
53
Subsistema de gestão de conhecimento
Sistemas periciais
Peritos
Que quantidade de sabedoria uma pessoa deve ter para ser
considerada um perito?
Peritos humanos:
• reconhecem e formulam problemas;
• resolvem os problemas rapidamente e com bastante precisão
(correcção);
• explicam como o fazem;
• julgam a certeza das suas conclusões;
• comunicam com outros peritos;
Sistemas de Apoio à Decisão
54
Subsistema de gestão de conhecimento
Sistemas periciais
Peritos humanos (continuação):
• aprendem com a experiência;
• podem mudar o seu ponto de vista de acordo com o
problema;
• podem transferir conhecimento de uma área para outra;
• podem quebrar as regras quando necessário (conhecem as
excepções às regras);
• usam ferramentas tais como modelos matemáticos e
simulações para apoiarem as suas decisões.
Sistemas de Apoio à Decisão
55
Subsistema de gestão de conhecimento
Sistemas periciais
Transferência de conhecimento
O objectivo de um SP é transferir conhecimento de um perito
para um sistema computacional que depois será transferido para
outras pessoas não peritas.
Este processo envolve 4 actividades:
• Aquisição de conhecimento (de peritos ou outras fontes);
• Representação do conhecimento;
• Inferência de conhecimento;
• Transferência de conhecimento para os utilizadores.
Este conhecimento é guardado na base de conhecimento de
acordo com a representação escolhida.
Podem distinguir-se 2 tipos de conhecimento: factos e regras.
Sistemas de Apoio à Decisão
56
Subsistema de gestão de conhecimento
Sistemas periciais
Inferências
A principal característica de um SP é sua capacidade de
"pensar".
Regras
A maior parte dos SP comerciais são baseados em regras, isto é,
o conhecimento é armazenado sob a forma de regras.
Exemplo de uma regra: "SE não houve um corte de energia
eléctrica na zona E o quadro eléctrico não disparou E o
interruptor está ligado, ENTÃO a lâmpada está fundida".
Capacidade de explicação
Outra característica importante de um SP é a sua capacidade de
explicar a razão das suas recomendações.
Sistemas de Apoio à Decisão
57
Subsistema de gestão de conhecimento
Estrutura dos sistemas periciais
• Ambiente de desenvolvimento - usado para a construção dos
componentes do sistema e da base de conhecimento;
• Ambiente de consulta - usado pelos não peritos para obter
recomendações e perícia.
Sistemas de Apoio à Decisão
58
Subsistema de gestão de conhecimento
Estrutura dos sistemas periciais
• Base de conhecimento - Contém o conhecimento necessário para
compreender, formular e resolver os problemas. Inclui factos
(teoria sobre o campo do problema) e regras (que conduzem o
uso do conhecimento para a resolução do problema específico);
• Mecanismo de inferência (cérebro do sistema) - programa que
contém a metodologia de raciocínio acerca da informação
existente na base de conhecimento.;
• Interface - mecanismos para facilitar a comunicação entre o
sistema e o utilizador;
• Blackboard - corresponde a uma área de memória que contém a
descrição do problema e que guarda os resultados e decisões
intermédias.
Sistemas de Apoio à Decisão
59
Subsistema de gestão de conhecimento
Benefícios de um Sistema Pericial
• Aumento de produtividade - melhor desempenho dos não
peritos, menos empregados;
• Redução do tempo de decisão - através das recomendações do
sistema podem tomar-se decisões mais rápidas;
• Redução do número e tamanho dos erros cometidos;
• Angarição e multiplicação de conhecimentos raros - podem
haver poucos peritos em determinada área de conhecimento, o
perito pode reformar-se, os conhecimentos podem ser
necessários em vários locais geograficamente distantes;
• Facilita o acesso ao conhecimento - libertando os peritos de
tarefas rotineiras;
Sistemas de Apoio à Decisão
60
Subsistema de gestão de conhecimento
Benefícios de um Sistema Pericial (continuação)
• Aumento das capacidades de outros sistemas computacionais quando integrados com outros sistemas contribuem para uma
melhor performance destes;
• Capacidade de funcionamento com informação imcompleta,
imprecisa ou incerta - o utilizador pode responder às questões
do sistema com "não sei";
• Permitem a aprendizagem - Os utilizadeores de um SP vão-se
tornando cada vez mais experientes no assunto à medida que
usam o sistema, subsistema de justificação;
• Melhora a qualidade das decisões.
Sistemas de Apoio à Decisão
61
Subsistema de gestão de conhecimento
Problemas e limitações dos Sistemas Periciais
• Nem sempre existe conhecimento disponível;
• É dificil extrair o conhecimento dos peritos;
• Diferentes peritos podem ter diferentes modos de abordagem
de um problema, embora todas correctas;
• Os SP funcionam melhor em áreas de conhecimento restritas
(especializadas);
• Às vezes produzem recomendações erradas, outras não
conseguem chegar a uma conclusão.
Sistemas de Apoio à Decisão
62
Subsistema de gestão de conhecimento
Gill [1995] descobriu que só 1/3 dos SP comerciais estudados
sobreviveu 5 anos de utilização.
Causas: falta de aceitação por parte dos utilizadores, incapacidade
de manter os construtores do sistema, problemas na fase de
transição entre o desenvolvimento e a manutensão e alteração da
política organizacional.
Factores de sucesso
• Grande envolvimento dos utilizadores na construção do sistema;
• Elevado nível de conhecimento introduzido no sistema;
• O problema deve ser suficientemente específico;
• A interface deve ser intuitiva e fácil de usar;
• Natureza do problema.
Sistemas de Apoio à Decisão
63
Subsistema de gestão de conhecimento
Tipos de Sistemas Periciais
•
Rule-based
•
Frame-based (object-oriented)
•
Model-based
•
Híbridos
•
Ready-made
•
Real-Time
Sistemas de Apoio à Decisão
64
Subsistema de gestão de conhecimento
Linguagem natural
Estas tecnologias permitem aos utilizadores comunicarem com o
computador através da sua linguagem natural (ex: inglês).
• Compreensão da linguagem natural - métodos para permitir ao
computador compreender instruções dadas em inglês corrente;
• Geração de linguagem natural - métodos que permitam aos
computadores produzir frases em inglês corrente.
Reconhecimento de voz
Reconhecimento e compreensão de linguagem falada pelo
computador.
Sistemas de Apoio à Decisão
65
Subsistema de gestão de conhecimento
Robótica e sistemas sensoriais
Um robot é um aparelho electromecânico que pode ser programado
para desempenhar tarefas manuais.
Para um robot ser considerado inteligente tem que incluir sensores,
tais como câmeras ou sistemas de tacto que lhe permitam recolher
informação acerca da sua actividade e do ambiente que o envolve. A
sua componente de inteligência permite-lhe, então, interpretar a
informação recolhida e reagir de acordo com ela, adaptando-se a
mudanças no ambiente, em vez de simplesmente seguir instruções.
Sistemas de Apoio à Decisão
66
Subsistema de gestão de conhecimento
Reconhecimento visual
O objectivo básico é interpretar cenários em vez de gerar imagens.
Programação automática
Programas especiais que assistem os programadores no processo de
desenvolvimento de software: design, escrita, teste, debug e
avaliação. No limite teriamos um sistema capaz de desenvolver
software por si só, de acordo com as especificações do
programador. Ex: algumas ferramentas de CASE.
Sistemas de Apoio à Decisão
67
Subsistema de gestão de conhecimento
Alguns SADs (self-evolving DSS) podem adaptar-se
automaticamente a cada utilizador. Para isso são necessárias
algumas capacidades extra:
• Menus dinâmicos que proporcionem diferentes hierarquias, de
modo a corresponder aos requisitos dos diferentes utilizadores;
• Interface dinâmica que permita a utilização de diferentes
representações dos resultados para diferentes utilizadores;
• SGBM inteligente que possa seleccionar os modelos
apropriados, de modo a satisfazer as diferentes preferências dos
utilizadores.
Sistemas de Apoio à Decisão
68
Subsistema de gestão de conhecimento
Funções da componente de conhecimento num SAD:
• Apoia os passos do processo de decisão que não podem ser
desempenhados por processos matemáticos. Ex: a selecção
apropriada dos dados de entrada dos modelos requer sabedoria;
• Apoia a construção, gestão e armazenamento de modelos num
SAD com múltiplos modelos, melhorando as capacidades do
SGBM;
• Apoia a análise de incerteza, onde é necessário saber
seleccionar e aplicar as ferramentas apropriadas, desde de fuzzy
logic até redes neuronais;
• Podem melhorar grandemente a interface com o utilizador, que
tem um papel principal no campo dos SAD. EX: linguagem
natural, reconhecimento de voz.
Sistemas de Apoio à Decisão
69