Paradigmas de Inteligência Artificial

Apresentação em tema: "Paradigmas de Inteligência Artificial"— Transcrição da apresentação:

1 Paradigmas de Inteligência Artificial
Jacques Robin Geber Ramalho CIn-UFPE

2 Paradigmas de IA Várias metáforas para modelagem computacional de raciocínio e conhecimento: Simbólico Probabilista Conexionista Evolucionista Nebuloso Multiagente Híbrido Diferenças chaves: Forma de representar o conhecimento Forma de raciocinar com esse conhecimento Forma de adquirir esse conhecimento Ciências provendo metáfora

3 IA Simbólica Raciocinar como manipulação de símbolos representando as entidades, relações, eventos de domínio de aplicação Construção de novas sentenças a partir de sentenças já conhecidas Deve-se assegurar que o raciocínio é plausível (sound) Exemplo: representar entidades, relações e eventos como formulas da lógica usar provador de teorema para raciocinar dedutivamente com tais formulas fatos fatos sentenças sentenças Mundo Representação segue-se implica semântica

4 IA Simbólica Inspirada na lógica, semiologia, lingüística e psicologia cognitiva IA via mímica do “software” do cérebro humano Representação do conhecimento: todos os tipos Raciocínio: todos os tipos Aquisição do conhecimento: todos os tipos Já vimos vários exemplos: Capitão West é criminoso Codificação em lógica de conhecimento de agente explorador do mundo do wumpus

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

6 IA Conexionista Raciocinar como ativações de ligações em uma redes (de neurônios, de eventos, de entidades) Inspirada na neurologia IA via mímica do “hardware” do cérebro humano Representação do conhecimento: conjunto de atributo-valores de poder expressivo equivalente a lógica proposicional Raciocínio: indutivo ou analógico durante treinamento, dedutivo, abdutivo ou analógico durante utilização Aquisição do conhecimento: aprendizagem

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

8 Redes Neurais: princípios
w1i e(i) sj wji ó õ s(i) wni sn camada de entrada camada de saída camada escondida

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

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

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

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

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

14 Algoritmos genéticos: reprodução
Filha glitter? turnRight no pick breeze? yes Mãe Pai stench? pick no glitter? stench? pick yes stench? no Filho shoot yes turnLeft breeze? no yes no yes no breeze? breeze? stench? pick yes no yes no yes no turnLeft shoot pick turnRight pick pick

15 Algoritmos genéticos: mutação
Original glitter? Mutante 1 glitter? yes no yes no breeze? breeze? stench? breeze? yes no yes no yes no yes no turnLeft shoot pick turnRight turnLeft shoot pick turnRight Mutante 2 glitter? Mutante 3 glitter? yes no yes no turnRight pick breeze? yes no shoot turnLeft breeze? yes no breeze? yes no turnLeft shoot pick

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

17 IA Nebulosa Raciocinar em termos intuitivos com “palavras” e “quantidades qualitativas” do quotidiano “alto”, “baixo”, “muito”, “pouco”, ... “Voce vai ao cinema hoje?” “Vou de tardezinha.” “Estou com muita vontade de ir” Inspirada na lingüística e lógicas não booleanas com valores de verdades contínuas IA via mímica do “software” do cérebro humano Representação do conhecimento: versões nebulosas de lógica e regras Raciocínio: dedução e abdução Aquisição do conhecimento: manual

18 IA nebulosa Teoria de Conjunto Convencional (Booleano):
Teoria de Conjunto Fuzzy: 42°C 39.3°C “Febre Alta” 38.7°C d,fcnas.dfknj aösl.dkjf ölaskdjf öaslkjdf öaslkdfj as df as df a sdf asd f as df asdf df asdf 38°C 37.2°C 40.1°C 41.4°C “mais ou menos“ ao invés de “ou isto ou aquilo”! 42°C 39.3°C 37.2°C

19 IA Nebulosa Função de pertinência mA de elemento X a conjunto nebuloso A mA: X -> [0,1] 1 X(m) alto baixo 1, ,80 Incerteza... no dia a dia se vive para tratar ambiguidade linguistica imprecisao mALTO(1,70) = 0.6, lêia-se 1,70 pertence à classe alto c/ pertinência de 0.6

20 IA Nebulosa Nova teoria dos conjuntos => nova lógica
rejeita os axiomas da consistência (P Ù Ø P Þ F) e do terceiro excluído (P Ú Ø P Þ T) Operadores lógicos: Sendo r, r1 e r2 fórmulas bem formadas Ø r = 1 - r r1 Ù r2 = min (r1,r2) ou r1 ´ r2 (t-norma) r1 Ú r2 = max (r1,r2) ou r1 + r2 (s-norma) $ ri = min (r1,r2), i Î U " ri = max (r1,r2), i Î U r1 Þ r2 = min (r1,r2) o Propriedades: comutatividade, associatividade, monotonicidade, elemento neutro, ...

21 IA Nebulosa Lógica Fuzzy define a estratégia de controle no nível linguístico! Measured Variables Command Variables Inference + composition (Linguistic Values) (Linguistic Values) Linguistic Level Fuzzification Defuzzification Numerical Level Measured Variables Plant Command Variables (Numerical Values) (Numerical Values)

22 Lógica nebulosa: exemplo no mundo do Wumpus
 X,Y m(loc(X,Y),smelly,1)  m(loc(X+1,Y),safe,0.10)  X,Y m(loc(X,Y),smelly,1)  m(loc(X-1,Y),safe,0.10)  X,Y m(loc(X,Y),smelly,1)  m(loc(X,Y+1),safe,0.10)  X,Y m(loc(X,Y),smelly,1)  m(loc(X,Y-1),safe,0.10)  X,Y m(loc(X,Y),breezy,1)  m(loc(X+1,Y),safe,0.10)  X,Y m(loc(X,Y),breezy,1)  m(loc(X-1,Y),safe,0.10)  X,Y m(loc(X,Y),breezy,1)  m(loc(X,Y+1),safe,0.10)  X,Y m(loc(X,Y),breezy,1)  m(loc(X,Y-1),safe,0.10) m(loc(1,1),smelly,0)  m(loc(1,1),breezy,0)  m(loc(1,1),safe,?) m(loc(1,2),smelly,0)  m(loc(1,2),breezy,1)  m(loc(1,1),safe,?) m(loc(1,2),smelly,1)  m(loc(1,2),breezy,1)  m(loc(1,1),safe,?)

23 Lógica nebulosa: exemplo no mundo do Wumpus
 X,Y m(loc(X,Y),smelly,1)  m(loc(X+1,Y),safe,0.25)  X,Y m(loc(X,Y),smelly,1)  m(loc(X-1,Y),safe,0.25)  X,Y m(loc(X,Y),smelly,1)  m(loc(X,Y+1),safe,0.25)  X,Y m(loc(X,Y),smelly,1)  m(loc(X,Y-1),safe,0.25)  X,Y m(loc(X,Y),breezy,1)  m(loc(X+1,Y),safe,0.25)  X,Y m(loc(X,Y),breezy,1)  m(loc(X-1,Y),safe,0.25)  X,Y m(loc(X,Y),breezy,1)  m(loc(X,Y+1),safe,0.25)  X,Y m(loc(X,Y),breezy,1)  m(loc(X,Y-1),safe,0.25) m(loc(1,1),smelly,0)  m(loc(1,1),breezy,0)  m(loc(1,1),safe,0.56) m(loc(1,2),smelly,0)  m(loc(1,2),breezy,1)  m(loc(1,1),safe,0.19) m(loc(1,2),smelly,1)  m(loc(1,2),breezy,1)  m(loc(1,1),safe,0.06)

24 IA Probabilista Raciocinar usando as leis das probabilidades e da estatística representando eventos de domínio de aplicação como variáveis aleatórias Inspirada na probabilidade e estatística IA como escolha da decisão que maximiza a esperança matemática da utilidade dado uma distribuição de probabilidades de eventos Representação do conhecimento: distribuição de probabilidade ou versões com anotações probabilistas dos formalismos simbólicos Raciocínio: todos os tipos Aquisição do conhecimento: todos os tipos Adequado para ambientes não-deterministas e conhecimento incerto

25 Redes Bayesianas: exemplo no mundo do Wumpus

26 Redes Bayesianas: princípios

27 IA Híbrida Híbrida: De:
Metáforas Formalismos de representação do conhecimento Máquina de inferência Metodologias de aquisição do conhecimento De: Vários paradigmas Vários sub-paradigmas Hibridação é conceitual enquanto integração é apenas arquitetural

28 Métodos de IA Simbólica
Árvores Regras Lógica Classes Instâncias Modelagem Manual de Decisão Sistemas de Produção Provadores de Teoremas Frames OOPL Programação em Lógica Lógicas Descritivas Aprendizagem de Máquina ID3 ILP KNN CBR Representação do Conhecimento Aquisição do Conhecimento

29 Sistemas híbridos simbólicos
Engenharia manual do conhecimento: Regras + Lógica: Programação em lógica Classes + Lógica: Lógicas Descritivas Regras + Classes + Procedimentos: Sistemas de Produção Orientados a Objetos (EOOPS) Regras + Classes + Lógica: Programação em Lógica Orientada a Objetos (OOLP)

30 Métodos de IA Numérica Numérica Evolucionista Conexionista
Representação do Conhecimento Numérica Evolucionista Conexionista Probabilista Outras Modelagem Manual Cadeias de Markov Aprendizagem de Máquina Algoritmos Genéticos Redes Neurais Classificador Bayesiano Ingênuo Aprendizagem Q Aquisição do Conhecimento

31 Sistemas híbridos numéricos
Aprendizagem de máquina: Conexionista + Nebuloso: Sistemas neuro-fuzzy Evolucionista + Nebuloso: Sistemas fuzzy-genéticos Evolucionista + Conexionista: Sistemas neuro-genéticos Evolucionista + Conexionista + Nebuloso: Sistemas neurofuzzy-genéticos

32 Sistemas híbridos numérico-simbólicos
Engenharia manual do conhecimento: Numérica + lógica: Lógica nebulosa Aprendizagem de máquina: Conexionista + regras: Sistemas neuro-simbólico Engenharia manual do conhecimento e/ou aprendizagem de máquina: Conexionista + probabilista + simbólico: Redes Bayesianas

33 IA Distribuída e Sistemas Multi-Agentes

34 Processo de desenvolvimento de agentes baseado em conhecimento
Identificar as características do ambiente do agente Escolher a arquitetura de agente mais adequada para tais características Para cada elemento nessa arquitetura: Identificar: Tipos de raciocínios necessários Tipos de conhecimentos necessários Disponibilidade de conhecimento na forma de especialista humano, literatura ou documentação, ontologia parcialmente re-aproveitável Disponibilidade de dados, exemplos, casos ou ambiente de simulação Em função disso, escolher: Paradigma de IA Formalismo de representação de conhecimento Máquina de inferência Métodos e ferramentas de aquisição de conhecimento Aplicar sub-processo de desenvolvimento da base de conhecimento Integrar os elementos Testar o protótipo completo e possivelmente iterar

35 Ementa da disciplina

36 Por exemplo: agente deliberativo
Ambiente Sensores Efetuadores BCD: modelo dos ambientes passados e atual BCD: modelo de ambientes futuros hipotéticos BCD: Objetivos BCE: interpretação das percepções BCE: atualização do modelo do ambiente do objetivos BCE: predição de ambientes futuros BCE: estratégia de escolha de ações Máquina de inferência Ask Tell Retract