Inteligência Artificial - IA

Comentários Breves

O que é IA ? IA é um campo da ciência que estuda

entidades inteligentes, ou seja, procura uma maior compreensão a respeito de nós mesmos – homo sapiens !

IA filosofia e psicologia, pois, além do entendimento, objetiva a “construção” de entidades inteligentes.

Inteligência Artificial

Agente Inteligente

perceber, entender, inferir e manipular um mundo

“complicado”!

Inteligência Artificial Formalmente iniciada em 1956 com o

advento do computador, porém, por mais de 2000 anos filósofos tentam entender como a gente vê, aprende, lembra e raciocina !

O objetivo da IA é o desenvolvimento de algoritmos que requerem que as máquinas desenvolvam “pensamento” cognitivo .

Um sistema IA deve ser capaz armazenar conhecimento, utilizar o

conhecimento armazenado para resolver problemas e adquirir novos conhecimentos através de experiências.

Componentes de um sistema IA representação (linguagem de

símbolos para representar o conhecimento),

racionalização (habilidade de resolver problemas)

aprendizado

Realidade em IA Estamos “longe”

(será ?) de desen-volvermos um sistema com “inteligência artificialmente humana”

Sistema Especialista

Algoritmo Genético

Lógica Nebulosa Redes Neurais Classificadores

Estatísticos ...

Pattern Recognition Reconhecimento de padrões

Área da ciência que tem utilizado técnicas de IA para a solução de uma infinidade de problemas de

engenharia

Reconhecimento de Padrões O estágio de desenvolvimento de

uma sociedade pode ser medido pela quantidade de informação e conhecimento que a mesma gera

“Até o ano 2000 seria alcançado o limite da mente humana de absorver informação” (Harvard, 60’s)

Reconhecimento de Padrões 1830: 300 periódicos científicos  1976: 60.000 periódicos científicos,

2,5 milhões de artigos em 50 idiomas 

2000:??? 1976: 20 bilhões de cheques eram

processados anualmente nos EUA  1980: U.S. Post Office manuseava

anualmente 116 bilhões de pacotes

Reconhecimento de Padrões Quanto de formulários de Imposto de Renda

deve ser processado todos os anos? Quantas impressões digitais devem ser

consultadas para se chegar há uma pessoa ? Quanto de informação um médico deve

saber para interpretar um exame de coração ? E se for uma doença desconhecida naquela região ?

Quantos parâmetros devem ser levados em consideração para se recomendar uma dosagem racional de nitrogênio ?

Era da Informação

Precisamos automatizar a manipulação de tantas

informações. Precisamos imitar a mente humana na sua tarefa de “reconhecimento de padrões”.

Pattern Recognition

Reconhecimento de Padrões

é o desenvolvimento de técnicas para a classificação de objetos em

determinadas classes

Reconhecimento de Padrões Um atributo básico de seres

humanos e outros seres: Reconhecemos objetos a nossa volta Reconhecemos uma voz de uma

pessoa conhecida Reconhecemos escritas à mão e

impressas Reconhecemos um rosto que há muito

não víamos

Como funciona a mente Ao perceber um padrão, sua mente faz uma

inferência indutiva e associa essa percepção com algum tipo de conceito ou regra que foi derivada da experiência passada

Associação do dado de entrada com um conjunto (população)

É um problema estatístico Comparação entre o dado de entrada com

populações, não com indivíduos, procurando características ou atributos entre os membros da população

Pattern Recognition Reconhecimento de padrões:

caracterização do dado de entrada em classes, extraindo significantes propriedades ou atributos do resto que não é significante para o problema

Desenvolvimento de classificadores

Definição da Característica O primeiro

problema no desenvolvimento de um sistema de RP:como representar o

dado de entradaqual o parâmetro a

ser medido no objeto a ser classificado

Vetor do padrão ou padrão

Padrão (descritor) Tem que ser discretizado em caso de

problemas contínuos Pode ser pensado como um ponto em

um espaço Euclideano de dimensão “n”

O processo de representar objetos com medidas (padrões) pode ser considerado como um processo de codificação

Exemplo do futebol americano x jockers Cada padrão é

representado por duas medidas

w1 w2 => nem sempre acontece na prática - pode existir um erro de classi-ficação

e se n > 3 ?

Dimensão do vetor O segundo problema no

desenvolvi-mento de um RP:como extrair o atributo ou a

característica do dado de entradacomo reduzir a dimensão do vetor

de padrões“feature extraction”

Feature selection Medir automaticamente os atributos

que discriminam entre as classes e apresentam uma menor dimensão

Retirar as informações redundantes Pode ser um sistema simples como

“look-up-table” ou um mais complexo de de-correlação

Análise dos Componentes Principais - ANP Transforma os dados do espaço

original para um mais eficiente (consegue armazenar as informações com dimensões menores)

Técnica estatística e de álgebra linear (auto valores e auto vetores)

ANP - Representação gráfica

Funções de Decisão Terceiro problema no

desenvolvimento um sistema RP:

definir a técnica ótima para a tomada de decisão

Funções de Decisão Métodos Heurísticos (“heuristic”)

com base em intuição e experiência Métodos Matemáticos

Determinístico: não aplica explicitamente teoria estatística (treinamento)

Estatístico: assume uma distribuição para a população

Métodos lingüísticos

Exemplo da Jujuba Atributos:

área perímetro eixos maior e menor alongamento circularidade solidez massa ...

Exemplo Jujuba Objetivo: desenvolver um sistema que

classifique as 3 classes de jujubas Tipo de classificador: classificação de

padrões pela distância mínima (problema linear ? )

Amostra: 3 jujubas aleatoriamente amostradas (isto representa a população ?)

Avaliar: 10 jujubas (qual o parâmetro de avaliação?)

Exemplo da espiga de milho Objetivo: desenvolver um sistema

que classifique o grão do milho da parte central e extrema da espiga Parâmetros (automatizar ?):

Comprimento Largura Espessura Área projetada Perímetro, etc ...

Exemplo da espiga de milho

Tipo de classificador: classificação de padrões pela distância mínima (não se sabe se resolverá o problema - problema linear ? )

Amostra: 20 grãos aleatoriamente amostrado das partes da espiga em estudo (isto representa a população ?)

Avaliar: 10 grãos aleatoriamente amostrados (qual o parâmetro de avaliação?)

Folha: “Aprendizado Supervisionado”