Introduo aos Sistemas Inteligentes DCAFEECUNICAMP Prof Ricardo Gudwin

Introdução aos Sistemas Inteligentes DCA-FEEC-UNICAMP Prof. Ricardo Gudwin gudwin@dca. fee. unicamp. br http: //www. dca. fee. unicamp. br/~gudwin Telefone: (19) 3788 -3819

Sistemas Inteligentes z Sistemas Inteligentes y sistemas que exibem um comportamento considerado inteligente z Definições na Literatura y existem em profusão, desde as mais ingênuas, até as mais elaboradas e detalhadas y polêmicas y incompletas z Palavra-Chave y Inteligência y O que é isso ?

Inteligência z O que é inteligência ? y Envolve xconhecimento xraciocínio xpensamento xidéias y Capacidade de resolver problemas y Capacidade de compreender uma situação y Capacidade de planejar o futuro e realizar ações de modo que os plano se concretizem y Capacidade de aprender coisas novas y Capacidade de atingir objetivos y Capacidade de determinar objetivos

Inteligência z Sabemos o que é inteligência ? y Podemos avaliar se algum sistema em particular (natural ou artificial) é ou não inteligente y Podemos determinar diversos atributos para um sistema que consideremos inteligente y Não temos uma definição geral e completa para o que seja inteligência z Podemos dizer algumas coisas sobre a inteligência y existe em diferentes níveis (intensidades) y atua sobre diferentes domínios (múltiplas inteligências) y é uma propriedade composta e derivada y em seres humanos, pode ser desenvolvida

Inteligência z Quem se interessa por estudá-la ? y Filósofos - para entendê-la y Educadores - para desenvolvê-la em seres humanos y Engenheiros - para criar sistemas que a possuam z Desde quando a estudam ? y Desde os primeiros filósofos gregos z Áreas do conhecimento que lhe são afins y Filosofia (do pensamento), Pedagogia (desenvolvimento da inteligência), Biologia celular (comunicação celular), Medicina (sistemas imunológicos), Etologia (inteligência nos animais), Psicologia e Psiquiatria (distúrbios da inteligência), Engenharia dos Materiais (materiais inteligentes), Política (como negociar), Retórica (como convencer), Computação (sistemas inteligentes), etc. . .

Taxonomia das Inteligências z Inteligência Natural (Análise) y Inteligência y Inteligência de compostos materiais em compostos orgânicos celular em animais no homem xdesenvolvimento, terapêutica em distúrbios, modelagem, uso z Inteligência Artificial (Síntese) y dispositivos mecânicos/materiais y dispositivos eletrônicos (computadores) y software

Paradigmas e Inteligência z Dois hemisférios do cérebro humano y especializados em diferentes formas de tratar problemas y utilizando dois tipos distintos de paradigmas x. Sequencial ou Lógico: baseado em uma abordagem de solução de problemas que considera somente uma pequena porção das informações disponíveis em um dado instante de tempo qualquer x. Paralelo ou Gestalt: processa informação de forma global, ou “tudo de uma vez”. Percepção, por exemplo z Hemisfério esquerdo (paradigma sequencial) y produção e compreensão de linguagem, raciocício lógico, planejamento, tempo, … z Hemisfério direito (paradigma paralelo) y comparação e identificação de imagens visuais, raciocínio por analogia, coordenação, sentido de corpo, . . .

Inteligência Artificial z Inteligência Artificial y Termo cunhado em um workshop no Dartmouth College no verão de 1956 por John Mac. Carthy para o estudo da inteligência z Núcleo da Inteligência Artificial y tem suas raízes nas teorias funcionais/estruturais da inteligência y estruturas físicas e formais como uma base para o comportamento inteligente z Evolução Histórica y ciclos de altos e baixos, principalmente devido a promessas não cumpridas e expectativas exageradas em função dos primeiros resultados obtidos y fracassos levaram a uma visão mais realista e madura, permitindo um ressurgimento a partir da década de 80

Inteligência Artificial e Sistemas Inteligentes z Problemas nos Métodos da Inteligência Artificial y Frame Problem: impossibilidade de se manter um modelo simbólico do mundo em ambientes complicados evoluindo em tempo real y Symbol-Grounding Problem: diz respeito ao vazio da representação simbólica em termos do que acontece realmente no ambiente, pois os símbolos somente apoiam-se uns nos outros y Frame-of-Reference Problem: diz respeito às diferenças entre os significados símbolos utilizados pelo sistema e pelos designers do sistema na elicitação do conhecimento y Situatedness: diz respeito ao mundo em constante mudança z Limitações na Computação Simbólica y Problema Numérico-Simbólico

Sistemas Inteligentes z Campo da ciência e engenharia de computação que procura estudar e reproduzir por meios computacionais sistemas com características normalmente atribuídas à inteligência humana, tais como: y Soluções de Problemas y Lógica y Métodos de Raciocínio e Pensamento y Representação e Processamento de Conhecimento y Tomada de Decisões y Aprendizagem y Percepção e Visão y Compreensão de Linguagem (e signos de um modo geral) y Emoções e Julgamento de Valores

O ABC da Inteligência Biológica Artificial Inteligência Computacional

Inteligência Computacional Sistemas e Lógica Fuzzy Redes Neurais Computação Evolutiva Inteligência Artificial Sistemas Cognitivos Redes Neurais Semiótica Computacional Inteligência Computacional Computação Evolutiva e Probabilística Sistemas Inteligentes

Evolução Histórica z Década de 40: Cibernética (Wiener) z Década de 50: Estratégias de Busca e Outras (Shannon, Turing) 1956: Dartmouth Summer Research Project on Artificial Intelligence z Década de 60: LISP, Robótica, Visão, Sistemas Especialistas, Evolução, Fuzzy z Década de 70: Representação do Conhecimento, Algoritmos Genéticos z Década de 80: Aprendizagem, Redes Neurais, Indústria da IA z Década de 90: Inteligência Computacional, Agentes, Semiótica, Vida Artificial, Swarm Intelligence

Panorama dos Sistemas Inteligentes Inteligência Artificial Clássica Busca em Grafos Inteligência Computacional Lógica Fuzzy Representação do Conhecimento Lógica e Inferência Sistemas Especialistas LISP e Prolog Novos Paradigmas Sistemas Multi-Agentes Semiótica Computacional Redes Neurais Computação com Palavras Computação Evolutiva Computação com Emoções

Inteligência Artificial Clássica Representação e Solução de Problemas Algoritmos de Busca Estratégias de Jogos Lógica Matemática Sistemas Especialistas (Sistemas Baseados em Conhecimento) Redes Bayesianas

Áreas Clássicas da Inteligência Artificial Sistemas Especialistas KBS Processamento de Linguagem Natural Apredizagem IA Base de Dados Estratégias de Busca Representação de Conhecimento Programação Automática Lógica Solução de Problemas Computação Simbólica Robótica/ Sistemas de Sensoriamento Visão/ Reconhecimento de Imagens

Representação e Solução de Problemas z Problema y abstraído na forma de: xconjunto de estados xações possíveis: transições entre estados y grafo z Sistema Resolvedor de Problemas y sistema decide sequências de ações que levarão do estado atual ao estado desejado z Meta y definição das condições que gerarão à satisfação do problema z Formulação do Problema y escolha dos estados e ações a serem considerados y define o grau de detalhamento na abordagem do problema

Representação e Solução de Problemas z Solução y sequência de ações que levarão à satisfação do problema y encontrada por meio de um mecanismo de busca y uma vez encontrada, leva o sistema à fase de execução y um problema pode ter mais de uma solução z Algoritmo de Busca y algoritmo que, a partir do estado inicial, percorre os nós do grafo que representa o problema, buscando por um caminho ou nó que represente a solução do problema z Questões y Busca é a melhor maneira de resolver o problema ? y Quais algoritmos de busca resolvem o problema ? y Qual algoritmo é o mais eficiente para um dado problema ?

Algoritmos de Busca z Algoritmos Básicos de Busca y não informados (busca cega) xdepth-first, breadth-first, non-deterministic y informados xhill-climbing, beam search, best-first z Outros Algoritmos de Busca y otimização xbranch and bound, programação dinâmica, simulated-annealing y heurísticos x. A, A* e variações z Aplicações y KBS, sequenciamento de produção, planejamento estratégico, logística, etc…

Árvores de Busca: Nomenclatura

Grafo e Árvore de Busca

Busca em Profundidade (Depth-first Search)

Busca em Amplitude (Breadth-first Search)

Busca Não-Determinística

Buscas do Tipo Best-first z Busca A* y Função de avaliação f(n) = g(n) + h(n) xg(n) - custo atual do caminho (cost-uniform search) xh(n) - função heurística (greedy search) y comprovadamente completa e ótima dada uma única restrição sobre h(n) - heurística admissível z Heurística Admissível y função h nunca deve superestimar o custo de se chegar à meta z Busca IDA* (Iterative Deepening A*) y semelhante ao ID search, mas ao invés de utilizar um limite de profundidade, utiliza um limite para a função f y cada iteração expande somente os nós dentro de um contorno para o valor corrente de f, aumentando gradativamente esse contorno

Exemplo de Busca SMA*

Jogos e Problemas de Busca z Presença do Oponente y introduz incerteza y estado é alterado não somente em função das decisões tomadas - problema da contingência z Complexidade da Árvore de Busca y número de estados a serem testados é muito maior y normalmente não há tempo suficiente para calcular todas as possíveis consequências de um movimento z Questões y Como encontrar o suposto melhor movimento ? y Como agir quando o tempo de decisão é limitado ? y Como agir quando o jogo inclui algum tipo de não-determinismo ?

Estratégia Minimax z Max e Min y dois jogadores z Problema de Busca y estado inicial, conjunto de operadores, teste de terminação, estados terminais e função de utilidade z Estratégia y conjunto de movimentos que levem a um nó terminal, independentemente das jogadas adversárias y inclui o movimento correto de Max para qualquer possível movimento de Min z Estratégia Minimax y tenta maximizar a função de utilidade considerando que o oponente fará de tudo para minimizá-la a seu turno

Estratégia Minimax z Algoritmo y Gere toda a árvore do jogo, até os nós terminais y Aplique a função de utilidade para cada nó terminal para calcular seu valor y Use a utilidade dos nós terminais para calcular a utilidade dos nós um nível acima na árvore de busca xcaso o nível de cima seja jogada de Min escolha a mínima utilidade xcaso o nível de cima seja jogada de Max escolha a máxima utilidade y Continue até que a raiz da árvore seja atingida y Escolha sempre a jogada que trará uma maior utilidade

Variações da Estratégia Minimax z Estratégia Minimax y infactível, em seu formato original y busca até os nós terminais é impossível em casos práticos z Possível Variação y utilizar uma função de avaliação ao invés de uma função de utilidade y teste terminal pode ser substituído por um teste de término antecipado de busca, com profundidade arbitrária z Consequência y decisões imperfeitas y factibilidade de implementação z Dificuldades y encontrar uma função de avaliação adequada

Alfa-Beta Pruning (Poda Alfa-Beta) z Criação de Toda a Árvore de Busca y desnecessária e consumidora de recursos z Poda y corte de parte da árvore de busca, evitando sua criação z Estratégia Minimax y busca em profundidade z Alfa y valor da melhor escolha em um ponto do programa para uma decisão de Max z Beta y valor da melhor escolha (menor valor) em um ponto de programa para uma decisão de Min

Alfa-Beta Pruning (Poda Alfa-Beta) z Busca Alfa-Beta y atualiza continuamente os valores de alfa e beta, podando uma sub-árvore quando se sabe que esta será pior do que os valores correntes de alfa e beta z Efetividade do Método y depende da ordem em que os nós sucessores são avaliados y melhora significativamente a estratégia minimax e suas variações xreduz a complexidade de O(bd) para O(bd/2) no melhor caso z Variações do Método y podem levar a complexidade para O((b/log b)d) em média z Em alguns casos y podem fazer a diferença entre um novato e um especialista

Jogos com Inserção de Acaso z Alguns Jogos y incluem o elemento aleatório (cartas, dados, etc … ) y exemplo: gamão z Variação da Estratégia y incluir nós aleatórios em adição aos nós Max e Min z Ao invés de um valor Minimax y valor esperado - usa a média dos possíveis resultados z Dois valores esperados y Expectmin - jogada aleatória depois de Min y Expectmax - jogada aleatória depois de Max z Poda Alfa-Beta y pode ser utilizada também

Estado da Arte em Jogos z Melhoria do Hardware y não dos algoritmos y computadores específicos para o jogo de xadrez z Deep Thought - profundidade de 10 a 11 movimentos z Deep Blue - profundidade de 14 movimentos z Outros jogos y Damas, Othello, Gamão, Go z De maneira geral y cálculo da decisão ótima em jogos é ainda intratável y maioria dos algoritmos utiliza heurísticas e aproximações z Alternativas ao Minimax/Alfa-beta y Meta-reasoning e Planning

Lógica Matemática, Representação, Inferência z Lógica y linguagem formal pelo meio da qual podemos expressar conhecimentos y mecanismos de raciocínio nesta linguagem xmeios de processar o conhecimento expresso z Agentes que Raciocinam Logicamente y Criam representações do mundo y Usam um procedimento de inferência para obter novas representações sobre o mundo y Utilizam estas novas representações para deduzir o que fazer z Inferência y Mecanismo por meio do qual novos conhecimentos são gerados

Lógicas z Lógica Proposicional (Cálculo Proposicional) y simbolos representam proposições y conectivos Booleanos (e, ou , negação, implicação, equivalência) z Lógica de Primeira Ordem (Cálculo de Predicados) y objetos e predicados y quantificadores z Lógica Temporal y mundo ordenado por um conjunto de pontos ou intervalos (tempo) - verdades estão associadas a esses pontos z Lógica Fuzzy y valor-verdade pode conter valores intermediários entre 0 e 1 y baseada na teoria dos conjuntos fuzzy

Caracterização de uma Lógica z Premissa Ontológica y diz respeito ao tipo de fenômeno do mundo que pode modelar y o que existe no mundo z Premissa Epistemológico y diz respeito aos possíveis estados de conhecimento que um agente pode ter utilizando vários tipos de lógica y o que um agente pode dizer sobre o que existe no mundo

Caracterização de uma Lógica z Definição de uma Lógica y Sintaxe, Semântica e Regras de Inferência z Sintaxe y define sentenças bem formadas dentro de uma lógica y normalmente definida na forma de uma gramática z Semântica y define o mapeamento das premissas ontológicas nas premissas epistemológicas y normalmente definida na forma de uma tabela-verdade, ou na forma de uma expressão analítica derivada desta z Regras de Inferência y operadores que definem como podemos gerar novas sentenças a partir de sentenças bem formadas em uma lógica

Lógica Proposicional z Semântica y Supondo que: x. O é o conjunto das sentenças bem formadas x. E é o conjunto de estados lógicos que podem ser associados a uma sentença bem formada = {verdadeiro, falso} (ou {true, false}) y função de interpretação xf i : O E xtabela-verdade

Regras de Inferência Modus Ponens: And-Elimination: And-Introduction: Or-Introduction: Double-Negation Elimination: Resolution:

Lógica de 1ª Ordem z Lógica Proposicional y fatos ou proposições: entidades atômicas e diferenciadas y impossível generalizar conhecimentos envolvendo proposições semelhantes z Resultado y número muito alto de fatos e regras sendo processados y inviável uso prático mesmo em problemas simples z Lógica de 1 a ordem y permite uma descrição ontológica mais rica y mundo consiste de objetos, isto é, coisas com identidades individuais y objetos podem ter propriedades y podem existir relações e funções entre os objetos

Lógica de 1ª Ordem z Sintaxe para uma Lógica de 1 a ordem Sentença. Atômica Termo Conectivo Quantificador Constante Variável Predicado Função Sentença_Atômica | Sentença Conectivo Sentença | Quantificador Variável …. Sentença | (Sentença) Predicado (Termo, …) | Termo = Termo Função(Termo, . . . ) | Constante | Variável | | A | B | X 1 | FHC x | y | a | ……. Antes _De | Cor | …. Mãe | f | g |

Lógicas de Ordem Superior z Lógica de Primeira Ordem y permite o uso de quantificadores para objetos mas não para predicados, relações ou funções entre objetos z Lógicas de Ordem Superior y permitiriam o uso de quantificadores também para predicados, relações e funções entre objetos y x, y (x = y) ( p p(x) p(y)) y possuem maior poder expressivo do que a lógica de 1 a ordem y dificuldades em encontrar mecanismos de raciocínio para lógicas de ordem superior y sabe-se que problema geral de resolução de lógicas de ordem superior é indecidível y lógicas de ordem superior normalmente não são utilizadas

Sistemas Especialistas z Base de Conhecimento y conjunto de representações sobre o mundo (KB) xcada elemento do conjunto é uma sentença xsentença: expressão de uma linguagem de representação de conhecimento xbackground knowledge (conhecimento inicial) z Mecanismos para y Inserção de conhecimentos na base de conhecimentos y Consulta aos conhecimentos na base de conhecimentos z Mecanismo de Inferência y permite, a partir de uma consulta, derivar conhecimentos que estão armazenados na base de conhecimentos de maneira implícita

Engenharia do Conhecimento Aplicação Base de Conhecimento Aplicação Especialista Aplicação Engenheiro do Conhecimento

Construindo Bases de Conhecimento z Engenharia do Conhecimento y processo de construção de bases de conhecimento z Engenheiro do Conhecimento y investiga algum domínio do conhecimento em particular y determina quais conceitos são importantes y cria uma representação formal para os objetos e relacionamentos nesse domínio y normalmente não é um especialista no domínio em questão, mas se serve de uma interação com esses especialistas para construir a base de conhecimento z Lógica de 1 a ordem y ferramenta para a representação do conhecimento e raciocínio y não oferece nenhum conselho sobre quais fatos devem ser expresso nem o vocabulário a ser utilizado

Construindo Bases de Conhecimento z Aquisição do Conhecimento y metodologia para a elicitação do conhecimento necessário para representar um domínio y normalmente obtém-se o conhecimento por meio de entrevistas com especialistas do domínio xcriação de cenários e estudos de casos z Engenharia de Ontologias y metodologia para a escolha da terminologia e representação de conhecimentos gerais sobre algum domínio em particular, em uma linguagem formal z Engenharia do Conhecimento y semelhante, sob certos aspectos, à fase de análise da engenharia de software, quando se tenta levantar a organização de processos do mundo real e criar uma descrição destes

Mecanismo de Inferência: Encadeamento Direto procedure FORWARD_CHAIN(KB, p) if there is a sentence in KB that is a renaming of p then return Add p to KB for each (p 1 … pn q) in KB such that for some i, UNIFY(pi, p) = succeeds do FIND_AND_INFER(KB, [p 1, …. , pi-1, pi+1, …. , pn], q, ) end procedure FIND_AND_INFER(KB, premises, conclusion, ) if premises = [ ] then FORWARD_CHAIN(KB, SUBST( , conclusion) else for each p’ in KB such that UNIFY(p’, SUBST( , FIRST(premises))) = 2 do FIND_AND_INFER(KB, REST(premises), conclusion, COMPOSE( , 2)) end

Mecanismo de Inferência: Encadeamento Reverso function BACK_CHAIN(KB, q) returns a set of substitutions BACK_CHAIN_LIST(KB, [q], {}) function BACK_CHAIN_LIST(KB, qlist, ) returns a set of substitutions inputs: KB, a knowledge base; qlist, a list of conjuncts forming a query ( already applied); , the current substitution local variables: answers, a set of substitutions, initially empty if qlist is empty then return { } q FIRST(qlist) for each qi’ in KB such that i UNIFY(q, qi’) succeeds do Add COMPOSE( , i) to answers end for each (p 1 … pn qi’) in KB such that i UNIFY (q, qi’) succeeds do answers BACK_CHAIN_LIST(KB, SUBST( i, [p 1 … pn ], COMPOSE( , i)) answers end return the union of BACK_CHAIN_LIST(KB, REST(qlist), ) for each answers

Redes Bayesianas z Valor-Verdade de Proposições y Pode ser substituído pela idéia de Crença z Relações entre Crenças y Inferência Probabilística (Indutiva) z Relações de Dependências entre Crenças y Podem ser representadas em um grafo y Propagação probabilística de Crenças segue a regra de Bayes P(A/B) = P(B/A)P(A) P(B) P(A/B, E) = P(B/A, E)P(A/E) P(B/E) A B S

Redes Bayesianas z Rede Bayesiana y grafo orientado, no qual todas as variáveis são associadas a distribuições de probabilidade discretas y representam distribuições de probabilidade em problemas de tomada de decisão com grande número de variáveis z Duas maneiras básicas de construir uma rede Bayesiana y obter a estrutura da rede e os valores de probabilidade de um especialista; xesta estratégia de aplicação é comum em Inteligência Artificial, visando substituir os Sistemas Especialistas. y análise estatística de dados experimentais e do uso de técnicas de estimação para gerar valores de probabilidade

Redes Bayesianas

Tipos de Inferência em Redes Bayesianas z Causal (da causa para o efeito) y P(John. Calls/Roubo) = 0, 86 Roubo Alarme John. Calls Evidência Query z Diagnóstico (do efeito para a causa) y P(Roubo/John. Calls) = 0, 016 John. Calls Evidência Alarme Roubo Query

Tipos de Inferência em Redes Bayesianas z Intercausal (entre causas com um efeito comum) y P(Roubo/Alarme) = 0, 376 y P(Roubo/Alarme Terremoto) = 0, 373 Alarme Roubo Query Terremoto Evidência z Mista (combinando duas ou mais das de cima) y P(Alarme/John. Calls Terremoto) = 0, 03 y Este é um uso simultâneo de inferência causal e diagnóstico. John. Calls Evidência Alarme Query Terremoto Evidência

Redes Bayesianas z Interessantes do ponto de vista computacional y algoritmos de tomada de decisão podem ser implementados de forma eficiente neste modelo. y cada nó de uma rede Bayesiana é associado a uma variável y Reprodução do raciocínio humano indutivo y Eficiência no cálculo de probabilidades z Aplicações Típicas y Auxílio à tomada de decisão y Análise de Risco y Análise de Cenários Estatísticos y Aplicações em Finanças, Detecção de Falhas, Diagnóstico Médico y Data Mining

Inteligência Computacional Sistemas e Lógica Fuzzy Redes Neurais Computação Evolutiva

Sistemas e Lógica Fuzzy z Constatação Básica y O ser humano é capaz de realizar tomadas de decisão utilizando -se de termos vagos, tais como: x. Preço é ALTO x. Custo é BAIXO x. Risco é MÉDIO z Pergunta Básica y Como isso é possível ? z Teoria dos Conjuntos Fuzzy y Nebulosos ? Difusos ? Borrosos ? z Sistemas Fuzzy z Lógica Fuzzy

Conjuntos A Conjunto x y Universo x Dicotomia A = { x R 2 x 5 } Universo X = Números Reais A = { 1, 2, 4, 7, 8 } Universo X = {1, 2, 3, 4, 5, 6, 7, 8, 9}

Função de Pertinência A(x) 1 1 2 5 A = { x R 2 x 5 } A: X {0, 1} R 1 2 3 4 5 6 7 8 9 X A = { 1, 2, 4, 7, 8 }

Problema da Dicotomia Uma semente não constitui uma pilha, nem duas ou três … por outro lado, todos concordaremos que 100 milhões de sementes constituem uma pilha. Qual será então o limite apropriado ? Podemos dizer que 325. 647 sementes não constituem uma pilha, mas 325. 648 sementes o fazem ? Borel, 1950

Temperatura “Confortável” 20 C temp Por volta de 20 C temp

Conjunto Fuzzy A Conjunto Fuzzy x z Universo x A: X [0, 1] y

Função de Pertinência A(x) Conjunto Fuzzy Função de Pertinência 1 A: X [0, 1] X

Operações sobre Conjuntos Fuzzy - União C=A B A, B e C em X x X C(x) = max {A(x), B(x)}, s : [0, 1] x X C(x) = A(x) s B(x) A(x) C=A B 1 1 A B X 2 4 5 7 X

Operações sobre Conjuntos Fuzzy - União s-normas s : [0, 1] Comutatividade xsy=ysx Associatividade x s (y s z) = (x s y) s z Monotonicidade If x y and w z then x s w y s z Condições de Contorno 1 s x = 1, 0 s x = x

Operações sobre Conjuntos Fuzzy - União Exemplos União x y = max (y, x) Soma Probabilística x� y = x + y - xy Soma Limitada x y = min (1, x + y) Soma Drástica

Operações sobre Conjuntos Fuzzy - Interseção C=A B A, B e C em X x X C(x) = max {A(x), B(x)}, t : [0, 1] x X C(x) = A(x) t B(x) A(x) 1 A(x) A C=A B B 1 A C=A B X B 2 4 5 7 R

Operações sobre Conjuntos Fuzzy - Interseção t-normas t : [0, 1] Comutatividade xty=ytx Associatividade x t (y t z) = (x t y) t z Monotonicidade If x y and w z then x t w y t z Condições de Contorno 1 t x = x, 0 t x = 0

Operações sobre Conjuntos Fuzzy - Interseção Exemplos Interseção x y = min (y, x) Produto Algébrico x y = xy Produto Limitado x y = min (1, x + y) Produto Drástico

Operações sobre Conjuntos Fuzzy - Complemento A em X A (x) = 1 - A(x), x X C : [0, 1] A (x) = C (A(x)) 1 A x X A C(1) = 0 and C(0) =1 C(x) C(y) if x y, x, y [0, 1] C(C(x)) = x, x [0, 1] X Condições de Contorno Monotonicidade Involução

Variáveis Linguísticas (X, T(X), X, G, M) Velocidade Variável Linguística Conjunto de Termos Linguísticos Baixa Alta Média Regra Semântica Baixa Média Alta 1 Variável Base x Universo X

Granulação da Informação Granulação Larga (Partição) 1 X Granulação Fina (Partição) 1 X

Representação do Conhecimento • Unidade Básica de Informação é uma proposição do tipo: O ( atributo ) de ( objeto ) é ( valor ) • Examplo: A temperatura do forno é alta temperatura (forno) é alta • Forma Geral (canônica) p: X é A

Exemplo: O Clima está Ameno Fuzzy Quente 1 Frio Ameno Quente C Crisp 1 Frio Ameno Quente Frio C

Inferência Fuzzy Velocidade Y, km/h Distância entre carros, X (m) Distância X Velocidade Y Inferência Fuzzy (Decisão) Z Redução de Velocidade (Força nos Freios)

Regras Fuzzy Regra 1 Se a Distância entre dois carros é Pequena e a Velocidade do carro é Alta Então Freie Forte Regra 2 Se a Distância entre dois carros é Moderadamente Alta e a Velocidade do carro é Alta Então Freie Moderadamente Forte (assumindo-se que o carro da frente se move em velocidade constante

Funções de Pertinência Z S 0 M Distância L 50 Z L km Z: Zero S: Short M: Moderately Long L: Long 0 M H 80 km/h Velocidade Z: Zero L: Low M: Moderately High H: High L M H 0 Freio 100 % L: Light M: Moderately Hard H: Hard

Inferência Fuzzy S 50 0 km 0 M 0 H H 80 km/h 0 km 0 80 km/h % 100 % M H 50 100 0 M H Freie mais forte que moderadamente forte 0 Freio 100 %

Controle Fuzzy Base de Regras Inferência Decoder Encoder Base de Regras

Lógica Fuzzy z Valores Fuzzy y Podem ser atribuídos ao valor-verdade de uma proposição y Lógica Fuzzy 1 incerto indeciso certo Valor verdade

Redes Neurais z Histórico e Relevância z Córtex Humano y 100 bilhões de neurônios ( 1011 ) y Cada neurônio com 1. 000 dendritos y Logo: 100. 000 bilhões ( 1014 ) de sinapses y Sinapse: opera a 100 Hz y Velocidade operação: 10. 000 bilhões ( 1016 ) con/seg z Aplicações

Neurônio Biológico e Artificial pesos Dendritos Axônio Sinapses x 1 w 1 xi wi xn wn Função de ativação y

Redes Neurais xr xi yk xj xn

Processamento Convencional Sensor Pré-processamento Objeto Projeto Algoritmo e Implementação Análise e Modelagem Dados

Processamento Neural Sensor Pré-processamento Objeto Bug Aprendizagem Rede Neural

Modelos de Redes Neurais Artificiais Redes Neurais Feedforward Singlelayer Networks Multilayer Networks Radial Basis Networks Feedback Competitive Networks Kohonen SOM Hopfield Networks ART Models

Classificação de Padrões Classificador de Padrões Normal Anormal

Agrupamento de Dados Aproximação Funcional y f f* x Clustering Aproximação

Previsão de Séries Temporais Otimização y B C E ? A D t 1 t 2 t 3 tk Previsão tk+1 t Otimização

Memória Associativa Memória Endereçada pelo Conteúdo

Controle de Processos Perturbações Entrada Processo Controlador Saída

Aprendizagem Supervisionada de um Neurônio 1. 0 x 1 1. 0 0 0 -1. 0 tempo w 1 tempo y 1. 0 x 2 0 -1. 0 w 2 1. 0 tempo y 0 Correção -1. 0 Ligada tempo Desligada do H LC C Erro “Professor”

Aprendizagem Competitiva x 1 xi xn wij yj

Aprendizagem Hebbiana x 2 yi x 1 i x 2 j w yj wij wo x 1

Rede Perceptron Multicamadas xu du Camada de Entrada Camadas Intermediárias Camada de Saída Retro-Propagação do Erro (Backpropagation)

Rede de Kohonen x 1 x 2 (i, j) xn SOM - Self Organizing Maps

Computação Evolutiva z Computação Evolutiva y Ferramenta adaptativa para a solução de problemas y Modelo computacional de processos evolutivos naturais y Elemento gerador de criatividade xferramenta de design artístico ou de engenharia z Objetivos y criação, na forma de programas computacionais, de novas formas de organização (designs) xsistemas inteligentes (inteligência artificial) xformas de vida (vida artificial) z Habilidades Envolvidas y auto-replicação, aprendizado, adaptação, controle do meio, representação e processamento de informação altamente eficientes

Evolução z Evolução y método de busca (em paralelo) de soluções dentre um número muito grande de candidatos, sujeitos a condições de adaptação variáveis z Regras Básicas y as espécies evoluem aleatoriamente (via operadores de mutação, recombinação e outros), estando sujeitas à seleção natural sob recursos limitados. y os indivíduos mais adaptados sobrevivem e se reproduzem, propagando seu material genético às próximas gerações y indivíduos menos dotados perecem e não participam das próximas gerações

Evolução z Bases Biológicas y Genética e Hereditariedade y Teoria da Evolução e Seleção Natural (Darwin) z Terminologia Biológica y cromossomo y genes y recombinação (crossover) y mutação y genótipo y fenótipo

Algoritmos Genéticos z Características Principais y GA's trabalham com a codificação de um conjunto de parâmetros, e não com os próprios parâmetros y GA's fazem busca sobre uma população de pontos e não sobre um único ponto y GA's utilizam funções de custo (funções objetivo), e não derivadas ou outro tipo de conhecimento auxiliar y GA's utilizam regras de transição probabilística, e não regras determinísticas z Algoritmo Genético Clássico y Codificação binária, Reprodução e Seleção Natural via algoritmo Roulette Wheel, Crossover Simples, Mutação

Algoritmos Genéticos z Roullete Wheel y Probabilidade de seleção de um cromossomo é diretamente proporcional a seu valor da função de fitness. z Exemplo N 1 2 3 4 Cromossomo 00011001010101 101111010010101001 Fitness 6. 0 3. 0 1. 5 Graus 180 90 45 45

Algoritmos Genéticos

Algoritmos Genéticos z Problemas com o algoritmo clássico y Permite a perda de indivíduo ótimo y Posição do gene influi na probabilidade de realizar crossover y Dificuldades quando os parâmetros são números reais z Algumas estratégias de solução y Codificação em strings de números reais y Crossover Uniforme y Mecanismos alternativos de seleção z Algoritmo Genético Modificado y Geração de Sub-populações por meio de operações sobre membros da população inicial e das próprias sub-populações y Reprodução e re-classificação da população intermediária y Seleção para nova geração

Algoritmos Genéticos

Algoritmos Genéticos z Exemplos de Operações y Crossover Simples entre indivíduos aleatórios (Roulette Wheel) y Crossover Simples entre indivíduo aleatório (Roulette Wheel) e melhor indivíduo y Crossover Uniforme entre indivíduos aleatórios (Roulette Wheel) y Crossover Uniforme entre indivíduo aleatório (Roulette Wheel) e melhor indivíduo y Mutação de Indivíduos Aleatórios (Roulette Wheel) da População Inicial e/ou Sub-populações x. Mutação aleatória x. Mutação indutiva (somente p/ codificação real) y Mutação do Melhor indivíduo x. Mutação aleatória x. Mutação indutiva (somente p/ codificação real)

Algoritmos Genéticos z Exemplo de Mecanismos de Seleção y Seleção Elitista – são selecionados os N melhores indivíduos da população intermediária y Seleção Aleatória – são selecionados aleatoriamente N indivíduos da população intermediária · Salvacionista – seleciona-se o melhor indivíduo e os outros aleatoriamente · Não-salvacionista – seleciona aleatoriamente todos os indivíduos x Distribuição uniforme – todos têm a mesma chance x Distribuição proporcional x roulette wheel por fitness com sigma scaling x seleção de Boltzmann x seleção por rank

Algoritmos Genéticos z Outros Mecanismos de Seleção y Seleção por diversidade – são selecionados os indivíduos mais diversos na população intermediária, a partir do melhor indivíduo y Seleção bi-classista – são selecionados o P% melhores indivíduos e os (100 -P)% piores indivíduos y Seleção por Torneio – dois indivíduos são escolhidos aleatoriamente. Um número aleatório r entre 0 e 1 é gerado. Se r < k (parâmetro) o melhor dos indivíduos é escolhido. Senão o outro é escolhido. y Seleção Steady-State – a população original é mantida, com a excessão de alguns poucos indivíduos menos adaptados.

Algoritmos Genéticos z Codificação y Determinação da estrutura dos cromossomos xcomo um cromossomo representa uma (ou parte da) solução do problema y Determinação da função de avaliação y Etapa crítica no desenvolvimento de soluções de problemas utilizando GA’s z Características y Codificação deve ser simples e representar a solução do problema como um todo y Modificação de cromossomos por crossover/mutação deve gerar novos indivíduos válidos

Algoritmos Genéticos z Problemas a serem evitados y Codificações em que novos cromossomos gerados por crossover/mutação possam ser inválidos y Codificações em que a medida da função de avaliação seja dificultada z Abordagens y Abordagem Michigan – a população como um todo é a solução para o problema y Abordagem Pittsburgh – cada elemento da população corresponde a uma solução do problema z Variações y GA’s com população variável y m. GA's - Messy Genetic Algorithms

Sistemas Classificadores (Classifier Systems) z Sistemas Classificadores y Sistemas baseados em regras, trabalhando massivamente em paralelo e com passagem de mensagens, capazes de aprender utilizando as técnicas de credit assignment (algoritmo Bucket Brigade) e rule discovery (algoritmo genético). z Operam em ambientes com as seguintes características: y Eventos novos e sucessivos, acompanhados de largas doses de ruído e dados irrelevantes y Necessidade de agir de maneira contínua e em tempo real y Metas implícitas ou inexatas y Recompensas esparsas, obtidas depois de ações longas z Criados p/ absorver novas informações continuamente, y Avaliando conjuntos de hipóteses competindo entre si, sem prejudicar as capacidades já adquiridas.

Sistemas Classificadores

Sistemas Classificadores

Programação Genética z O que define a programação genética? y é uma tentativa de tratar uma das questões centrais em ciência da computação: x"Como os computadores podem aprender a resolver problemas sem serem explicitamente programados para tal? x. Ou seja, como os computadores podem fazer o que deve ser feito sem serem orientados exatamente para fazerem isto? " z A maior barreira para se atingir este objetivo y está na característica determinística da grande maioria dos ramos de pesquisa em inteligência artificial xpropriedades principais que um programa deve apresentar para ser um candidato à solução de problemas de interesse prático são: correção, consistência, motivação lógica, precisão, ordenação, parcimônia, definibilidade y a programação genética, entretanto, inverte esta lógica

Programação Genética z Programação genética y evolução de programas de computador usando analogias com mecanismos utilizados pela evolução biológica natural. z Aspecto Distintivo y embora demande aperfeiçoamentos, muitos problemas práticos já têm sido resolvidos com programação genética z Programa Computacional y seqüência de aplicações de funções a argumentos xparadigma funcional z Implementação de Programação Genética y imediata, quando associada a linguagens de programação funcionais, e. g. LISP

Programação Genética z Programas y codificados por meio de: xlistas, filas, árvores e grafos y cromossomos “não lineares” y operações sobre estruturas

Algoritmos Meméticos z Algoritmos Genéticos y Podem encontrar boas soluções no âmbito global, mas têm dificuldades em realizar uma otimização local z Algoritmos Meméticos y Algoritmos genéticos modificados, que além dos processos de crossover e mutação, promovem uma busca local em cada indivíduo, após a aplicação dos operadores padrão y Podem ser bastante efetivos em problemas de otimização mais complexos

Novas Tendências em Sistemas Inteligentes Agentes e Sistemas Multi-Agentes Vida Artificial Autômatos Celulares Inteligência Coletiva (Swarm Intelligence) Colônias de Insetos Engenharia Imunológica Sistemas Endócrinos Semiótica Computacional Cognição Artificial

Agentes Inteligentes z Agentes Inteligentes y entidades de hardware ou de software que nos auxiliam a resolver problemas, atuando de forma autônoma em ambientes complexos z Aplicações y gerenciamento de tráfego e serviços de transporte; y controle de redes de comunicação e de computadores; y controle de sistemas de potência; y gerenciamento de transações em bancos, comércio; y monitoração, supervisão e controle de processos industriais e sistemas de manufatura; y atendimento e serviços médicos, y etc. . .

Definição e Características z Agente y qualquer entidade que perceba um ambiente através de sensores, execute tarefas de processamento de informações e de conhecimento e atue sobre o ambiente através de atuadores (Russell & Norvig 1995). Percepção Sensores Agente Ambiente Atuação Atuadores

Características Desejáveis z Direcionabilidade y capaz de receber diretrizes de usuários e outros agentes z Autonomia y comportamento determinado pela própia experiência z Persistência y capaz de operar por longos períodos sem atenção z Confiabilidade y desempenho de acordo com expectativas z Antecipação y antecipar necessidades, resultados, informações, aprendizagem

Características Desejáveis z Pró-atividade (Iniciativa) y capaz de iniciar atividades e comportamentos buscando a solução de problemas por conta própria z Cooperação y entre sistemas e outros agentes; resolução de conflitos; capacidade de negociação, etc. z Flexibilidade y estruturas heterogêneas de agentes e fontes de informação z Adaptação y capacidade de modificar seus objetivos, adotar novas prioridades, desenvolver novas tarefas, aprendizagem

Estruturas de Agentes z Centralizadas y Agentes Mecânicos y Agentes Reativos x. Agentes Reflexivos x. Agentes Dinâmicos x. Agentes Orientados por Metas x. Agentes Orientados por Utilidade x. Agentes Emocionais y Agentes Comunicativos y Agentes Semióticos z Distribuídas y Agentes Uniformes y Agentes Especializados x. Agentes Interface x. Agentes Tarefa x. Agentes Informação y Agentes Especializáveis z Sistemas Multi-Agentes y podem atuar como agentes em um nível hierárquico superior

Sistemas Multiagentes e Sociedades de Agentes z Coleção de agentes x Sociedade de Agentes y interação entre agentes z Protocolos de comunicação y mecanismo para trocar e entender mensagens z Protocolos de interação y mecanismo para negociar e cooperar z Características de ambientes multiagentes y Infraestrutura especificando protocolos de comunicação e interação y Tipicamente aberto, sem elemento central y Agentes autônomos, distribuídos, competitivos (self-interested) ou cooperativos

Coordenação de Sistemas Multi -Agentes Coordenação sem antagonismo com antagonismo Cooperação Competição Planejamento Negociação Centralizado Distribuído

Vida Artificial z Definição Genérica y método de geração, a partir de componentes interativos, simples e "microscópicos", de comportamentos em nível "macroscópico" que podem ser interpretados como análogos a processos de vida z Abordagem Reducionista e Sintética y explicação de comportamentos de alto nível recorrendo a causas de baixo nível y construção de sistemas mais complexos a partir de elementos mais simples, possivelmente interdependentes z Reducionismo y entendimento de um sistema em estudo em termos das propriedades de suas partes e suas interações

Vida Artificial z Vida Natural y não existe uma definição universalmente reconhecida de vida y consenso de que a vida é um conjunto de atributos tais como: xauto-organização, adaptação, emergência, autonomia, desenvolvimento, crescimento, reprodução, evolução, adaptação e metabolismo y presença de alguns destes atributos (não todos) já é tido como suficiente para se implementar processos de vida. y alguns cientistas acreditam que o conceito de vida pode variar de espécie para espécie, não aceitando, portanto, uma definição única e fechada.

Vida Artificial z Pioneiros da vida artificial y 1950 (von Neumann): autômatos celulares; estudo dos fenômenos de auto-organização e reprodução. y 1952 (Turing): publicação de um trabalho sobre morfogenia (desenvolvimento de formas biológicas). Os resultados deste trabalho continuam sendo explorados até hoje. z Após os primeiros desenvolvimentos y parcialmente "esquecidos” y foco de atenção : inteligência artificial y falta da capacidade computacional necessária para simular os fenômenos de vida artificial. z No início dos anos 80 y Artificial Life - termo cunhado em 1987 por Christopher Langton

Autômatos Celulares

Inteligência Coletiva (Swarm Intelligence) z Swarm Intelligence: “Qualquer tentativa de se desenvolver algoritmos ou dispositivos distribuídos de resolução de problemas inspirados no comportamento coletivo de colônias de insetos sociais ou outras sociedades animais” [Bonabeau, Dorigo, and Theraulaz, 1999] z Colônias de Insetos Sociais y Podem desenvolver x sistemas complexos inteligentes flexíveis e confiáveis y A partir de elementos x Estereotipados, não-inteligentes e simples z Cada indivíduo de uma sociedade y Segue regras simples, comunicação local (trilhas de odores, sons, toques), de baixa demanda computacional z Estrutura Global do Sistema y Emerge a partir dos comportamentos individuais

Swarm Intelligence

Swarm Intelligence

Colônias de Insetos z Colônias de Insetos Sociais (Formigas, Cupins, Abelhas, Vespas, etc. ) y Comportamentos complexos y Flexíveis e robustos y Capacidade da colônia transcende a do inseto individualmente y Comportamento do Inseto depende do de outros iguais a ele z Como esse comportamento inteligente de grupo surge ? y Auto-organização y Interações Locais x Inseto a inseto x Inseto com o ambiente y Especialização x Na morfologia do inseto (soldados, rainhas, trabalhadoras, etc. ) x No comportamento do inseto (insetos iguais, mas com tarefas distintas – podem mudar de tarefa dependendo-se do contexto x Por idade (mais velhos são mais agressivos)

Colônias de Insetos z Alguns resultados práticos y Algoritmos de Otimização por Colônias de Formigas x. Extremamente bem-sucedidos na otimização de uma grande variedade de problemas combinatoriais de otimização de grande dificuldade x. Algumas das melhores soluções para alguns problemas conhecidos y Controle de Sistemas de Telecomunicações Baseados em Formigas x. Soluções extremamente flexíveis x. Melhor solução para alguns problemas

Simulação de Colônia de Formigas

Robótica baseada em Swarms z Múltiplos Robôs y Vantagens significativas em relação a robôs individuais x Sensoreamento e ação em múltiplos lugares x Reconfiguração dependente da tarefa x Divisão de trabalho eficiente x Robustez devido à redundância x Auto-organização e emergência de comportamento

Engenharia Imunológica z Engenharia Imunológica y Engenharia + Imunologia z Motivação y A cooperação e competição entre muitos indivíduos (agentes) simples resulta em sistemas complexos. y Aplicação do conceito de “swarm-intelligence” aproveitando-se de conceitos da imunologia z Exemplos y linfócitos (sistema imunológico), etc.

Engenharia Imunológica z Engenharia convencional y especificação detalhada do comportamento preciso de cada componente do sistema (procedimentos passo-a-passo). z Engenharia imunológica y especificação geral, ou aproximada, de alguns aspectos do comportamento global do sistema, como uma medida de desempenho ou função de adaptabilidade (afinidade) y extração de informações contidas no próprio problema para obtenção de soluções dedicadas z Aplicações potenciais da engenharia imunológica: y reconhecimento de padrões, otimização, aproximação de funções, controle, etc.

Seleção Clonal

Seleção Clonal x Algoritmo Genético

Seleção Clonal x Algoritmo Genético

Teoria da Rede Imunológica z Rede de moléculas e células que se reconhecem (possuem atividade) mesmo na ausência de estímulos externos z Abordagem sistêmica que fornece uma medida mais precisa de comportamentos emergentes como aprendizagem e memória, tolerância ao próprio, dimensão e diversidade populacional

Sistemas de Partículas e Fractais z Objetivo y Representar a complexidade dos objetos do mundo real, principalmente em aplicações de computação gráfica e realidade virtual y Simulação e Visualização de Dados Complexos z Aplicações y Utilizado para modelagem e rendering : x fogo, água, explosões, fumaça, terrenos, explosões, nuvens, grama, . . . y Estão intimamente ligados com animação x Movimentos de cobras e vermes y A sua utilização em um ambiente virtual contribui para que esses fenômenos (e outros) possam ser visualizados com maior realismo. y Aplicação em sistemas inteligentes: x Vida Artificial

Sistemas de Partículas z Um sistema de partículas é definido por: y Uma coleção de partículas que se desenvolvem ao longo do tempo. y Possuem vida própria y Podem: gerar novas partículas, ganhar novos atributos, morrer, se mover. z Partículas individuais: y Movem-se no espaço 3 D y Trocam seus atributos z Parâmetros que podem ser utilizados: y y y y Posição inicial Velocidade e direção inicial Tamanho inicial Cor inicial Transparência inicial Forma e tempo de vida Utilização dos parâmetros ao longo do tempo.

Geometria Fractal z Fractal (Benoit Mandelbrot) y Modelagem de elementos com características irregulares z Caracterícticas: y Porções menores representam exatamente porções maiores z Exemplo: y Fractal representado por uma figura geométrica inicial (segmento de reta) y E uma regra de subdivisão (divide em 4 partes com inclinação em duas delas)

Sistemas Endócrinos z Glândulas Endócrinas y Liberam hormônios que regulam parâmetros importantes do corpo humano x. Tensão muscular, diminuição das pupilas, controle de temperatura x. Emoções y Homeostase z Complexo Sistema de Controle y Mesmos hormônios são utilizados simultaneamente para diversas finalidades y Função de Auto-preservação x. Aplicações múltiplas

Sistemas Endócrinos Projeto WAMOEBA-2 z Sistema Endócrino Artificial y Utilizado para o controle de diversos parâmetros de controle em robôs y Projeto WAMOEBA-2 z Função de Homeostase

Sistemas Endócrinos Projeto WAMOEBA 2

Semiótica Computacional z O que tem a haver Inteligência com Semiótica ? y Semiótica é o estudo dos processos de significação xcomo signos são criados xcomo signos são usados xcomo signos “significam” y uma das vertentes mais recentes no estudo dos sistemas inteligentes, identifica a capacidade de processar signos como a fonte da inteligência, em todas as classes de sistemas z Ou seja, y um sistema é inteligente porque processa signos y sua inteligência dependerá da quantidade e dos tipos de signos que está apto a processar y estudar semiótica é a chave para o entendimento dos sistemas inteligentes, e a criação de sistemas que sejam mais inteligentes

Semiótica Computacional Modelo Diádico (Estruturalismo) z Modelos de Signos Modelo Triádico (Peirceano)

Pospelov e o Controle Situacional Semiótico

Pendergraft e os Autognomes z Módulos Auto-Organizáveis y Operando sobre conhecimentos x. Monádico, diádico e triádico y Múltiplos níveis Hierárquicos z Enclaves y Abdução x. Geração de Conhecimento y Dedução x. Extração de Conhecimento y Indução x. Teste de Conhecimento

Estrutura de um Enclave

Semiótica Computacional Outras Abordagens z Semiose Multiresolucional y Albus & Meystel z Semiótica Organizacional y Stamper e Liu z Sistemas de Processamento Cognitivo Semiótico y Rieger z Agentes Semióticos y Rocha & Joslyn z Sistemas Intelectuais y Perlovsky z Abordagem Ecológica Semiótica y Prueitt

Abordagem Semiônica Intérprete (Agente Semiônico) Signo (Signlet) R 1 (e. g. simbólica) R 2 (e. g. icônica) Objeto Interpretante (Signlet)

Abordagem Semiônica SNToolkit

Semiótica Computacional: Aplicações z Modelagem Organizacional y Modelagem e simulação de empresas y Reengenharia Virtual z Modelagem de Sistemas Flexíveis de Manufatura y Plantas industriais com necessidades de reconfiguração dinâmica z Modelagem de Sistemas Híbridos de Inteligência Computacional y Sistemas Fuzzy, Redes Neurais, Computação Evolutiva z Modelagem de Sistemas de Controle de Robôs Autônomos y Mentes artificiais

Cognição Artificial z Estudo dos Processos Cognitivos y Ciência Cognitiva y Simulação Computacional de Processos Cognitivos x. SOAR x. ACT-R z Conceito de Mente em Filosofia y Inteligência, Criatividade, Memória, Atenção, Aprendizagem, Consciência y Auto-organização, emergência, complexidade z Mentes Artificiais y Modelos Computacionais de Mentes x. Daniel Dennet – Tipos de Mentes y Sistemas de Controle de Agentes Inteligentes x. Robótica Evolutiva

Cognição Artificial z Evolução da Linguagem y Abordagens Computacionais z Resolvendo o Symbol Grounding Problem y Paul Vogt, Ron Sun, Angelo Cangelosi, Luc Steels z Consciência em Agentes de Software y Stan Franklin y Ricardo Manzotti y Benny Shanon z Edital do DARPA BAA 02 -21 y Tecnologias de Processamento Cognitivo de Informações

CONCLUSÃO

Objetivo Principal do Estudo dos Sistemas Inteligentes z Obter soluções eficientes para classes de problemas que não são passíveis de serem resolvidos por métodos computacionais convencionais y Problemas para os quais não existem soluções algorítmicas, sendo necessário pesquisar (buscar) a solução. y Problemas que não podem ser modelados matematicamente por métodos clássicos porque envolvem considerações difíceis de serem tratadas, e. g. , conhecimento prático e intuitivo, incerteza, etc. y Problemas cujo domínio de aplicação encontra-se em constante mudança, ou é originalmente desconhecido, demandando algum tipo de aprendizagem pelo sistema. y Compreensão de linguagem, interpretação de imagens, de dados, robótica autônoma, etc.

Aplicações Práticas z Diagnóstico de Falhas z Detecção de Anormalidades z Apoio Operacional z Configuração e Reconfiguração z Análise de Processos z Planejamento e Programação de Produção z Sequenciamento e Sincronização de Produção z Movimentação de Materiais e Controle de Estoques z Controle de Qualidade z Controle de Processos e Automação da Manufatura z Planejamento de Processos de Fabricação z Simulação de Sistemas z Modelagem Qualitativa de Sistemas e Processos z Sistemas de Suporte à Tomada de Decisão z Logística

Referências Bibliográficas Mais Importantes z Artificial Intelligence: A Modern Approach y S. Russel & P. Norvig, Prentice Hall, 1995 z Introduction to Fuzzy Sets: Analysis and Design y W. Pedrycz & F. Gomide, MIT Press, 1998 z Neural Networks: A Comprehensive Foundation y S. Haykin, Prentice Hall, 1994 z Evolutionary Computation 1: Basic Algorithms and Operators y T. Bäck, D. B. Fogel & Z. Michalewicz (eds. ) Inst. of Physics Publishing, 2000 z Evolutionary Computation 2: Advanced Algorithms and Operators y T. Bäck, D. B. Fogel & Z. Michalewicz (eds. ) Inst. of Physics Publishing, 2000 z Multiagent Systems -A Modern Approach to Distributed Artificial Intelligence, y G. Weiss (Ed. ), MIT Press, Cambridge, USA, 1999.