Paradigmas de Inteligncia Artificial Jacques Robin Geber Ramalho

Paradigmas de Inteligência Artificial Jacques Robin Geber Ramalho CIn-UFPE

Paradigmas de IA E Várias metáforas para modelagem computacional de raciocínio e conhecimento: E Simbólica E “Navegacionista” E “Restricionista” E Probabilista E Conexionista E Evolucionista E Multi-agente E Híbrido E Diferenças chaves: E Forma de representar o conhecimento: de entrada, de saída, interno E Tipo de processamento subjacente para raciocinar com esse conhecimento E Forma de adquirir esse conhecimento E Ciência provendo a metáfora da inteligência

Paradigmas da IA: quadro geral Processamento subjacente ao raciocínio Simbólico • Esquema: manual • Dados: manual Engenharia do conhecimento • Esquema: manual • Dados: aprendizagem Numérico Simbólico. Numérico • Simbólica • Multi-agente • Navegacionista • Restricionista • Probabilista • Nebulosa • Redes Bayesianas • CLP Simbólica Multi-agente Navegacionista Probabilista Conexionista • Neuro-fuzzy • Redes Bayesianas • Evolucionista

Paradigma de IA: fontes de inspirações Paradigma Inspiração Simbólico Semiologia, Lógica, Lingüística “Navegacionista” Algorítmica, Pesquisa Operacional “Restricionista” Álgebra Linear, Cálculo Probabilista Probabilidades e Estatística Conexionista Neurologia Evolucionista Paleontologia Multi-Agentes Sociologia, Lingüística, Entomologia

Paradigmas de IA: hibridação E E E E Redes Bayesianas: Bayesianas simbólica + conexionista + probabilista Programação em lógica com restrições: restrições simbólica + restricionista Aprendizagem por reforço hierárquico: hierárquico navegacionista + simbólico ou navegacionista + conexionista Sistemas nebulosos: nebulosos simbólico + numérico Sistemas neuro-nebulosos: -nebulosos simbólico + numérico + conexionista Sistemas neuro-geneticos: geneticos conexionista + evolucionista etc. . .

IA Simbólica E Raciocinar como manipulação de símbolos representando as entidades, relações, eventos de domínio de aplicação E Construção de novas sentenças a partir de sentenças já conhecidas E Exemplo de técnica: E Representar entidades, relações e eventos como formulas da lógica E Usar provador de teorema para raciocinar dedutivamente com tais formulas E Já vimos vários exemplos de aplicações E Capitão West é criminoso E Mundo do wumpus

IA Simbólica E Inspirada na lógica, semiologia, lingüística e psicologia cognitiva E IA via mímica do ”software” do cérebro humano E Fonte de inteligência: capacidade de manipular abstrações conceituais de entidades, relações e eventos do mundo real E Representação do conhecimento: E E E Lógica proposicional ou conjunto de atributos-valores Lógica da 1 a ordem Regras Classes e objetos Hibridação entre estes E Raciocínio: dedução, abdução ou analogia E Aquisição do conhecimento: manual ou aprendizagem

IA Simbólica E Mais versátil e ainda mais utilizada E Inadequada para: E Raciocínio pelo qual eliciar conhecimento explícito é muito difícil E Raciocínio de baixo nível de interpretação de percepção E Reconhecimento de padrões, visão computacional, processamento da fala E Raciocínio de baixo nível para disparo de ações reflexas E Controle dos motores dos efetuadores do robôs E Raciocínio com conhecimento incerto ou muito ruidoso E Raciocínio envolvendo cálculo ou probabilidades

IA “Navegacionista” E IA via navegação de um espaço de possibilidades E Com conhecimento prévio de uma mapa aproximativa: aproximativa resolução de problemas por meio de busca E Sem conhecimento prévio de uma mapa: aprendizagem por reforço E Representação do conhecimento funcional, analógica e extensional: E Função de estado sucessor E Função booleana de estado objetivo E Função numérica de custo de cada escolha navegacional E Função numérica de estimativa heurística do custo cumulativo até estado objetivo E Raciocínio: E Aquisição de conhecimento: E Manual (resolução de problema por meio de busca) E Aprendizagem (por reforço)

IA “Navegacionista” E O que é uma heurística? E É um método de encontrar uma solução para um determinado problema E Que utiliza atalhos e aproximações do problema real E Para encontrar uma solução rapidamente e com recursos limitados na maioria dos casos E Mas que pode não funcionar em alguns raros casos pelos quais não existe atalho e nem aproximação adequada e requerem exploração sistemática E Reutiliza técnicas de algorítmica, otimização e pesquisa operacional E Adequada para: E Ambientes accessíveis, estacionários, deterministas, discretos, pequenos e não diversos E Problemas cuja formulação em termos de navegação é natural

IA “Navegacionista”: exemplo do mundo do wumpus E Espaço a navegar: E Conjunto de crenças do agente sobre: Localização das paredes, dos buracos e do wumpus E Localização do agente, do ouro e da flecha E Saúde do wumpus E E Representação possível: E Array 4 x 4, um célula por quadrado da caverna E Valor da célula = conjunto de inteiro ou bit string codificando crenças do agente sobre quadrado da caverna E ex. {“ 0010011”, ” 1010011”} para crença que na célula: não buraco, nem agente, nem ouro E mas há um wumpus morto e uma flecha E não se sabe se há parede ou não E

IA “Navegacionista”: exemplo do mundo do wumpus E Estado inicial: E Agente em [1, 1] com flecha e sem o ouro E Wumpus vivo E Resto desconhecido E Estados objetivos: E Agente em [1, 1] com o ouro E Resto não importa E Funções de estado sucessor: E crenças(t) = f(crenças(t-1), percepções(t-1)) E crenças(t) = f(crenças(t-1), ação(t-1)) E Solução: árvore de decisão E Nós: crenças sobre estado da caverna E Arcos de profundidade impares: percepções E Arcos de profundidade par: ações

IA “Restricionista” E Inspirada na álgebra linear, no cálculo e na pesquisa operacional E IA via resolução total ou parcial de sistemas de equações e inequações E Representação do conhecimento: E Conjunto de variáveis pertencendo a determinados domínios, domínios geralmente estruturados por uma ordem E Conjunto de equações e inequações entre essas variáveis E Raciocínio: resolução de restrições E As variáveis podem representar causas ou efeitos E As equações e inequações podem representar medidas de similaridade ou dissimilaridade E Pode ser então usado para implementar dedução, abdução e analogia E Aquisição do conhecimento: manual E Aprendizagem de restrições área de pesquisa ainda não consolidada

IA “Restricionista”: exemplo do mundo do wumpus E ? ?

IA Conexionista E Raciocinar como ativações de ligações em uma redes (de neurônios, de eventos, de entidades) E Inspirada na neurologia E IA via mímica do ”hardware” do cérebro humano E Representação do conhecimento: conjunto de atributo-valores de poder expressivo equivalente a lógica proposicional E Raciocínio: E Entrada e saída da rede pode representar causas ou efeitos E Indutivo ou analógico durante treinamento, dedutivo, abdutivo ou analógico durante utilização E Aquisição do conhecimento: aprendizagem

Redes neurais: exemplo do mundo do Wumpus E Entrada da rede: codificação binária de pares atributos-valores nenhuma percepção 00000 stench 00001 breeze 00010 glitter 00100 scream 01000 batida 10000 . . . stench breeze glitter scream . . . 01111 E Saída da rede: codificação binária de pares atributos-valores forward 000 101 111 right 001 left 010 shoot 011 pick 100 out 101

Redes Neurais: princípios s 1 w 1 i sj wji sn e(i) ó õ s(i) wni camada de entrada camada escondida camada de saída

Redes Neurais: princípios E Criar base de exemplos: E Exemplos positivos: pares (seqüência de percepção, seqüência de ação) que resultaram no explorador sair da caverna vivo com o ouro E Exemplos negativos: pares (seqüência de percepção, seqüência de ação) que resultaram no explorador morrer E Dividir essa base em treinamento e teste E Iniciar pesos da rede com valores aleatórias E Codificar todas as seqüências de percepção em bits de entrada da rede E Propagar cada vetor de percepção e comparar saída da rede com codificação binária da melhor ação escolhida ma média das seqüências bem sucedidas E Ajustar pesos por retro-propagação para minimizar distância média quadrada entre saída da rede e dessa melhor ação E Iterar até convergir rede implementar comportamento quase ótimo no conjunto de treinamento

IA Conexionista E Adequada para: E Raciocínio pelo qual eliciar conhecimento explícito é muito difícil E Raciocínio de baixo nível de interpretação de percepção E Reconhecimento de padrões, visão computacional, processamento da fala E Raciocínio de baixo nível para disparo de ações reflexas E Controle dos motores dos efetuadores do robôs E Inadequada: E Para domínios relacionais requerem representação da 1 a ordem E Para aplicações críticas requerendo explicações detalhadas e claras do porque das decisões do agentes (ex, central nuclear, cirurgia, investimento de grande porte)

IA Evolucionista E Raciocinar como construção de soluções por um processo iterativo de geração semi-aleatório de hipóteses seguida por uma seleção das mais adaptadas ao ambiente E Inspirada na teoria da evolução, evolução paleontologia, socio-biologia E IA via mímica do “processo de desenvolvimento” do cérebro humano E Representação do conhecimento: conjunto de atributo-valores de poder expressivo equivalente a lógica proposicional E Raciocínio: indutivo durante treinamento, dedutivo ou abdutivo durante utilização E Aquisição do conhecimento: aprendizagem

IA evolucionista: exemplo no mundo do Wumpus E Entrada: vocabulário básico de atributos e domínio de valores E glitter, stench, breeze, . . . {yes/no} E action {forward, turn. Right, turn. Left, shoot, pick, . . . } E Saída: árvore de decisão cujos ramos testam valores de (alguns) atributos e cujas folhas indicam decisão a tomar E 1 a geração de indivíduo: conjunto de árvores de decisão gerados aleatóriamente E Cada par (atributo, valor) é visto como um gen E Cada árvore de decisão é visto como um genótipo stench? glitter? yes no breeze? yes no turn. Left shoot pick turn. Right Indivíduo 1 . . . stench? yes no pick Indivíduo N pick

IA evolucionista: princípio E Os indivíduos da geração i são testados no ambiente E Função de fitness determina métrica de desempenho e limiar de sobrevivência E A geração i+1 é formada por: E Cruzamento dos genótipos dos sobrevivente da geração i (reprodução) E Cortar e colar aleatória da árvore pai com a árvore mãe E Mutação dos sobreviventes da geração i E Modificação aleatória da árvore E Iteração até uma geração conter indivíduo com desempenho acima de limiar desejado

IA evolucionista: reprodução Pai Mãe glitter? yes stench? yes no breeze? stench? breeze? yes no turn. Left shoot pick turn. Right pick Filho stench? yes no turn. Left shoot pick glitter? Filha yes no breeze? yes no no stench? pick breeze? yes no pick turn. Right

IA evolucionista: mutação Original Mutante 1 glitter? yes no breeze? glitter? yes breeze? no stench? breeze? yes no turn. Left shoot pick turn. Right Mutante 2 Mutante 3 glitter? yes no breeze? glitter? yes breeze? no breeze? yes no pick turn. Right turn. Left shoot pick

IA Evolucionista E Adequada para: E Raciocínio pelo qual eliciar conhecimento explícito é muito difícil E Raciocínio de baixo nível de interpretação de percepção E Reconhecimento de padrões, visão computacional, processamento da fala E Raciocínio de baixo nível para disparo de ações reflexas E Controle dos motores dos atuadores de robôs E Inadequada para domínios relacionais requerem representação da 1 a ordem