A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

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

Apresentações semelhantes


Apresentação em tema: "Paradigmas de Inteligência Artificial Jacques Robin Geber Ramalho CIn-UFPE."— 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 fatosfatossentenças 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 stench00001 breeze00010 glitter00100 scream01000 batida stench  breeze  glitter  scream forward right001 left010 shoot011 pick100 out101

8 Redes Neurais: princípios  wji w1i wni s (i) e (i) s1s1 sjsj snsn 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:  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 1 a 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  1 a 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? turnRightshoot yesno turnLeftpick breeze? yesno breeze? yesno Indivíduo 1... Indivíduo N stench? pick yespick stench? yesno pick

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 glitter? turnRightshoot yesno turnLeftpick breeze? yesno breeze? yesno Pai Filho shoot yes turnLeft breeze? yesno Filha glitter? turnRight no pick breeze? yesno stench? pick yes stench? yesno pick Mãe pick no stench? pick no pick yes stench? yesno pick

15 Algoritmos genéticos: mutação glitter? turnRightshoot yesno turnLeftpick breeze? yesno breeze? yesno Original glitter? shoot yesno turnLeftpick breeze? yesno Mutante 3 glitter? turnRightshoot yesno turnLeftpick stench? yesno breeze? yesno Mutante 1 glitter? yesno shootturnLeft breeze? yesno turnRightpick breeze? yesno Mutante 2

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 1 a 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 Teoria de Conjunto Convencional (Booleano): “Febre Alta” 40.1°C 42°C 41.4°C 39.3°C 38.7°C 37.2°C 38°C Teoria de Conjunto Fuzzy: 40.1°C 42°C 41.4°C 39.3°C 38.7°C 37.2°C 38°C “mais ou menos“ ao invés de “ou isto ou aquilo”! IA nebulosa

19 Função de pertinência mA de elemento X a conjunto nebuloso A mA: X -> [0,1] 1 X(m) altobaixo 1 X(m) altobaixo 1,55 1,80 mALTO(1,70) = 0.6, lêia-se 1,70 pertence à classe alto c/ pertinência de 0.6 IA Nebulosa

20  r = 1 - r r1  r2 = min (r1,r2) ou r1  r2(t-norma) r1  r2 = min (r1,r2) ou r1  r2(t-norma) r1  r2 = max (,r2) ou r1  r2 (s-norma) r1  r2 = max ( r1,r2) ou r1  r2 (s-norma)  ri = min (r1,r2), i  U  ri = min (r1,r2), i  U  ri = max (r1,r2), i  U r1  r2 = min (r1,r2) r1  r2 = min (r1,r2) IA Nebulosa  Nova teoria dos conjuntos => nova lógica  rejeita os axiomas da consistência (P   P  F) e do terceiro excluído (P   P  T)  Operadores lógicos:  Sendo r, r1 e r2 fórmulas bem formadas

21 IA Nebulosa Lógica Fuzzy define a estratégia de controle no nível linguístico! Linguistic Level Numerical Level Measured Variables (Numerical Values) (Linguistic Values) Inference + composition Command Variables Defuzzification Plant Fuzzification (Linguistic Values) Command Variables (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:  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 Simbólica ÁrvoresRegrasLógicaClassesInstâncias Modelagem Manual Árvores de Decisão Sistemas de Produção Provadores de Teoremas Frames OOPL Programação em Lógica Lógicas Descritivas Aprendizagem de Máquina ID3ILP 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 Numérica EvolucionistaConexionistaProbabilistaOutras Modelagem ManualCadeias de Markov Aprendizagem de Máquina Algoritmos Genéticos Redes Neurais Classificador Bayesiano Ingênuo Aprendizagem Q Métodos de IA Numérica Representação do Conhecimento 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 BCE: atualização do objetivos BCE: predição de ambientes futuros BCE: estratégia de escolha de ações Máquina de inferência Ask Tell Retract Ask


Carregar ppt "Paradigmas de Inteligência Artificial Jacques Robin Geber Ramalho CIn-UFPE."

Apresentações semelhantes


Anúncios Google