A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

CIn- UFPE 1 Implementando Raciocínio na Ciência da Computacao Lógica de Predicados/Primeira Ordem Métodos Formais para Desenvolvimento de Sistemas Banco.

Apresentações semelhantes


Apresentação em tema: "CIn- UFPE 1 Implementando Raciocínio na Ciência da Computacao Lógica de Predicados/Primeira Ordem Métodos Formais para Desenvolvimento de Sistemas Banco."— Transcrição da apresentação:

1 CIn- UFPE 1 Implementando Raciocínio na Ciência da Computacao Lógica de Predicados/Primeira Ordem Métodos Formais para Desenvolvimento de Sistemas Banco de Dados Dedutivo Inteligência Artificial

2 CIn- UFPE 2 Lógica Já viram com Ruy… Raciocínio dedutivo (regras de inferência) Os silogismos, que nós trabalhamos são um exemplo… Nenhum tirano é amado. Dionísio é tirano. Dionísio não é amado Também trabalharam com procedimentos de prova, como a Dedução natural, resolução, por exemplo. –Um provador que utiliza dedução natural é o Alfie, disponível em: –http://www.cs.chalmers.se/~sydow/alfie/

3 CIn- UFPE 3 Métodos Formais para o Desenvolvimento de Sistemas Motivação Crise de Software –Desenvolvimento é ad-hoc –Não há um padrão para o processo –É preciso utilizar técnicas, teorias, métodos, ferramentas Profissionais Incapazes de Controlar –Custo –Tempo de duração do processo de construção do software –Qualidade do Produto desenvolvido Manutenção toma 70-80% do esforço

4 CIn- UFPE 4 O Problema da Especificação de Software Especificação  Projeto  Implementação  Manutenção Especificação: informal Projeto: informal ou estruturado, semi-formal JSD, Yourdon, OMT, BON, UML,... Implementação: sem garantia de realizar o projeto Verificação e validação são ignorados!

5 CIn- UFPE 5 O que são Métodos Formais em Engenharia de Software Método de desenvolvimento de software através do qual se pode definir precisamente um sistema e desenvolver implementações garantidamente corretas em relação a esta definição.

6 CIn- UFPE 6 Um Exemplo de Especificação Tipo: pilha-int Funções vazia: -> pilha-int push: int pilha-int -> pilha-int pop: pilha-int -> pilha-int top: pilha-int -> int e_vazia: pilha-int -> bool Axiomas pop (push (i, p)) = p top (push (i, p)) = i e_vazia (p) = (p = vazia)

7 CIn- UFPE 7 Programas Abstratos... Podem derivar Programas “Reais” Descrições de estado Exemplo de estado Variáveis x, y, e z Uma fórmula descreve um estado se ela é tornada verdadeira pelos mapeamentos do estado x = 2 x + z < y  x = 2  y = 17  z = 3 Um estado satisfaz uma fórmula se aquela fórmula descreve ele Cálculo de predicados xyzxyz

8 CIn- UFPE 8 Então... Primeiro, especificamos o sistema via pré e pós-condições; Depois, esta descrição matemática é transformada gradualmente em código  refinamento do programa! Se tivermos as propriedades da especificação codificadas em uma linguagem lógica, conseguimos prová-las. Resumindo... Usando técnicas de raciocínio lógico, podemos: (1) verificar se o programa produz o que se espera; (2) verificar se o progrmaa termina; (3) derivar código para construir programas que satisfazem a uma especificação; (4) transformar um sistema em outro equivalente;

9 CIn- UFPE 9 Uma pausa... Banco de Dados Um Banco de Dados... É uma coleção de dados relacionados... Mais precisamente... Um BD é projetado, construído e preenchido com dados para um objetivo específico. Tem um público alvo e algumas aplicações nas quais os usuários estão interessados. Um banco de dados pode ser: Manual: catálogo de cartões da biblioteca; Computadorizado: sistema de alunos da universidade.

10 CIn- UFPE 10 Porque usar Banco de Dados? Banco de Dados X Sistema de Arquivos Dados Manipulados por vários usuários com uma única visão Registros físicos compostos de campos Agrupamento de um conjunto de arquivos, compartilhados por usuários diferentes, concorrentes e... competidores Dados manipulados por vários usuários com visões diferentes

11 CIn- UFPE 11 E mais... Os Sistemas Gerenciadores de Bancos de Dados Um SGBD é uma coleção de programas para criação e manutenção de um banco de dados. É um sistema de propósito geral. Facilita os processos de definição, construção e manipulação do Banco de Dados. Tem por objetivos... Eliminar ou Reduzir –Redundância e Inconsistência de Dados –Dificuldade no Acesso aos Dados –Isolamento dos Dados –Anomalias de Acesso Concorrente –Problemas de Segurança

12 CIn- UFPE 12 Um SGBD tem esta cara Usuários/Programadores Aplicações/Queries Acesso aos dados Processamento de Queries Meta- Dados BD

13 CIn- UFPE 13 SGBD Dedutivo Definição: Um SGBD Dedutivo é um sistema que inclui capacidade para definir regras que podem deduzir ou inferir informações adicionais dos fatos que estão armazenados no banco de dados. Parte da fundamentação teórica destes sistemas é a lógica matemática e, por isso, eles também são referidos como banco de dados lógicos.

14 CIn- UFPE 14 Bancos de Dados Dedutivos - Conceitos Básicos Dois tipos de especificação são usados: Fatos - são especificados como relações, exceto pelo fato que o nome dos atributos não interessa mas sim a posição deles na tupla. Regras - especificam relações virtuais (similares às visões relacionais) que não estão armazenadas no banco mas que podem ser criadas a partir dos fatos, aplicando o mecanismo de dedução baseado nas regras.

15 CIn- UFPE 15 E mais...Conceitos Básicos Um mecanismo de dedução (ou inferência) em um sistema pode deduzir novos fatos no banco de dados através da interpretação das regras. O modelo usado pelos BD dedutivos é relacionado à Programação em Lógica (Prolog). Eles trabalham com a linguagem Datalog.

16 CIn- UFPE 16 SGBD Dedutivo Existem outros sistemas que incorporam esta capacidade de inferência, chamados sistemas de banco de dados especialistas ou sistemas baseados em conhecimento, incluindo técnicas da inteligência artificial. Estes sistemas diferem do sistemas dedutivos por: tratar dados sempre em memória principal extrair o conhecimento dos especialistas das aplicações e não dos dados.

17 CIn- UFPE 17 SGBD Dedutivo A principal contribuição dos banco de dados dedutivos é a possibilidade de especificar regras recursivas e prover uma maneira de inferir novas informações baseada nas regras especificadas. Forma geral de uma regra: cabeça (head) :- corpo (body) Conclusão Premissa

18 CIn- UFPE 18 Um Exemplo de SGBD Dedutivo Exemplo: Regras: superior (X,Y) :- supervisiona (X,Y) superior (X,Y) :- supervisiona (X,Z), superior(Z,Y) Fatos conhecidos: supervisiona (francisco, joão) supervisiona (francisco, roberto) supervisiona (francisco, jane) supervisiona (maria, alice) supervisiona (maria, antônio) supervisiona (tiago, francisco) supervisiona (tiago, maria) supervisiona (X,Y) é falso para qualquer outra combinação

19 CIn- UFPE 19 Um exemplo... cont Exemplo (cont.): Fatos derivados pela regra 1 superior (francisco, joão) superior (francisco, roberto) superior (francisco, jane) superior (maria, alice) superior (maria, antônio) superior (tiago, francisco) superior (tiago, maria) pela regra 2 superior (tiago, joão) superior (tiago, roberto) superior (tiago, jane) superior (tiago, alice) superior (tiago, antônio)

20 CIn- UFPE 20 Inteligência Artificial (IA): definição Surgiu na década de 50 Objetivo: desenvolver sistemas para realizar tarefas que, no momento são melhor realizadas por seres humanos que por máquinas, ou não possuem solução algorítmica viável pela computação convencional Se o ser humano pode, por que não a máquina? (tese de Church-Turing) problemas que não possuem uma solução algorítmica problemas solúveis por seres humanos IA

21 CIn- UFPE 21 Aplicações Matemática: demonstração de teoremas, resolução simbólica de equações, geometria, etc. Pesquisa operacional: otimização e busca heurística em geral Jogos: xadrez, damas, go, etc. Processamento de linguagem natural: tradução automática, verificadores ortográficos e sintáticos, interfaces para BDs, etc. Sistemas tutores: modelagem do aluno, escolha de estratégias pedagógicas, etc. Percepção: visão, tato, audição, olfato, paladar... Robótica (software e hardware): manipulação, navegação, monitoramento, etc. Sistemas especialistas: diagnóstico, previsão, monitoramento, análise, planejamento, projeto, etc.

22 CIn- UFPE 22 Categorias de Raciocínio na IA Dedução: fatos + regras => novos fatos causa => conseqüência Inferência preserva a verdade –Ex. (Onde há fogo(V) => há fumaça(V)) + aqui tem fogo => aqui tem fumaça Indução: fatos => regras conseqüência => causa Inferência preserva a falsidade!!! –Ex.. Aqui tem fumaça e tem fogo => onde há fumaça(F) => há fogo(F) –Algumas reações químicas geram fumaça sem fogo –Se Sr. Antônio, assim como D. Maria, tem dor de cabeça e dengue, então todo mundo que tem dengue tem dor de cabeça. Analógico: casos similares + regras de adaptação => novos casos –EX. Para construir este hospital, vou me basear no projeto daquele outro…

23 CIn- UFPE 23 Como escolher um tipo de raciocínio? Sistemas Inteligentes: São sistemas capazes de “raciocinar” para resolver um problema Conhecimento => modelo do problema (regras) SIM Dedução –Sistemas baseados em conhecimento Modelo do problema NÃO & exemplos de solução SIM Indução –Sistemas baseados em aprendizagem automática Modelo do problema FRACO & exemplos de solução SIM Analogia –Sistemas de raciocínio baseado em casos

24 CIn- UFPE 24 Esclarecendo... Dados: cadeias numéricas ou alfanuméricas que não possuem significado associado podem ser fatos ou figuras a processar Informação: dados organizados significam alguma coisa para quem os recebe Conhecimento: representa objetos (entidades) de algum domínio, com suas propriedades e relações Conhecimento em extensão = exemplos Conhecimento em intenção = regras

25 CIn- UFPE 25 Problema… West é criminoso ou não? “A lei americana diz que é proibido vender armas a uma nação hostil. Cuba possui alguns mísseis, e todos eles foram vendidos pelo Capitão West, que é americano” Como resolver automaticamente este problema?

26 Solucionando o problema em linguagem natural A)  odo americano que vende uma arma a uma nação hostil é criminoso B) Todo país em guerra com uma nação X é hostil a X C) Todo país inimigo político de uma nação X é hostil a X D) Todo míssil é um arma E) Toda bomba é um arma F) Cuba é uma nação G) USA é uma nação H) Cuba é inimigo político dos USA I) Irã é inimigo político dos USA conhecimento prévio J) West é americano K) Existe um mísseis em cuba L) Os mísseis de cuba foram vendidos por West conhecimento do problema novo conhecimento M) Cuba possui um míssel M1- de K O) M1 é uma arma- de D e N P) Cuba é hostil aos USA- de F, G, H e C Q) M1 foi vendido a Cuba por West- de L, M e N R) West é crimonoso- de A, J, O, F, P e Q

27 CIn- UFPE 27 Sistemas Baseados em Conhecimento: Dedução Utilizam conhecimento em intenção e um mecanismo de raciocínio dedutivo (inferência) para resolver problemas Principais componentes: Base de Conhecimento (arquivo) Mecanismo de Inferência (procedimento que implementa a capacidade de raciocinar) Base de Conhecimento: contém sentenças em uma Linguagem de Representação de Conhecimento –representa conhecimento de forma “tratável” pelo computado Mecanismo (máquina) de Inferência: responsável por raciocinar (inferir), a partir do conhecimento da base, novos fatos ou hipóteses intermediárias

28 CIn- UFPE 28 Linguagens de Representação do Conhecimento Uma Linguagem de Representação do Conhecimento é definida por: 1) uma sintaxe, que descreve as configurações que podem constituir sentenças daquela linguagem; 2) uma semântica, que liga cada sentença aos fatos no mundo que ela representa –cada sentença faz uma afirmação a respeito do mundo; –o agente acredita nas sentenças que correspondem a sua configuração interna. E geralmente... tem um mecanismo de inferência associado = raciocínio

29 CIn- UFPE 29 Representação & Raciocínio Raciocínio: processo de construção de novas sentenças a partir de sentenças existentes. Raciocínio plausível: garante que as novas sentenças representam fatos que se seguem dos fatos representados pelas sentenças existentes na Base de Conhecimento. implementa a relação de “implicação” entre sentenças implica sentenças Representação semântica sentenças Mundo fatos semântica segue-se fatos

30 Solucionando o problema em LPO A)  x,y,z Americano(x)  Arma(y)  Nação(z)  Hostil(z)  Vende(x,z,y)  Criminoso(x) B)  x Guerra(x,USA)  Hostil(x) C)  x InimigoPolítico(x,USA)  Hostil(x) D)  x Míssil(x)  Arma(x) E)  x Bomba(x)  Arma(x) F) Nação(Cuba) G) Nação(USA) H) InimigoPolítico(Cuba,USA) I) InimigoPolítico(Irã,USA) conhecimento prévio J) Americano(West) K)  x Possui(Cuba,x)  Míssil(x) L)  x Possui(Cuba,x)  Míssil(x)  Vende(West, Cuba,x) conhecimento do problema novo conhecimento M) Possui(Cuba,M1)- Eliminação: quantificador existencial e N) Míssil(M1) conjunção de K O) Arma(M1)- Modus Ponens a partir de D e N P) Hostil(Cuba)- Modus Ponens a partir de C e H Q) Vende(West,Cuba,M1)- Modus Ponens a partir de L, M e N R) Criminoso(West)- Modus Ponens a partir de A, J, O, F, P e Q

31 Implementando a solução do problema: algumas possibilidades Prolog Linguagem de alto nível baseada em LPO Tem mecanismo de inferência embutido Java Linguagem orientada a objetos Mecanismo de inferência separado da linguagem –Exemplos: Jess, JEOPS (CIn-UFPE) Shells para criar sistemas baseados em regras de produção Regras de produção são fáceis de escrever (if-then) Sistemas gerados restringem a LPO Mecanismo de inferência embutido

32 CIn- UFPE 32 Sistemas de Aprendizagem Automática: Indução Modelo do problema NÃO & exemplos de solução SIM Conhecimento em extensão (exemplos) Conhecimento em intenção (regras, definições) Exemplos dia 29, a Caxangá estava engarrafada dia 30, a Caxangá estava engarrafada dia 01, a Caxangá estava engarrafada dia 03, a Caxangá estava engarrafada Hipótese indutiva Todo dia, a Caxangá está engarrafada Sistema de aprendizagem

33 CIn- UFPE 33 Sistemas de Aprendizagem Indutiva: Como o Sistema Aprende? Técnicas de treinamento do sistema: Aprendizagem supervisionada: certo ou errado –Dado um conjunto de exemplos pré-classificados, o sistema deve aprender (induzir) uma descrição geral que encapsula a informação contida nesses exemplos, e que pode ser usada para prever casos futuros (generalização) –ex. concessão de crédito Aprendizagem não-supervisionada: ? –Dado um conjunto de dados não classificados, agrupá-los por regularidades –ex. caixa de supermercado empacotando Aprendizagem por reforço: recompensa/punição –ex. jogo de xadrez: é por aí!

34 CIn- UFPE 34 Sistemas de Aprendizagem Indutiva: Árvore de Decisão A partir de um conjunto de propriedades, decide sim ou não Representação de árvores de decisão Cada nó interno testa um atributo Cada ramo corresponde a um valor do atributo Cada folha atribui uma classificação Exemplo Soparia (by Carlos Figueira) predicado-objetivo: vaiASoparia Atributos considerados: –Sono: Estou com sono? –Transporte: Tenho como ir de carro? Carona? etc. –CONIC: Devo estar amanhã cedo no CONIC? –Álcool: Estou precisando de álcool? –Sair: Quero sair de casa? –Fome: Estou com fome?

35 CIn- UFPE 35 Árvore de Decisão “pensada” Sono? CONIC? Carro Não. Outros CONIC? Carona Sim Sim. Não Não. Não Quer sair? Sim Não. Sim. Não Meio de transporte? Pouco Sim Não. Sim. Não Precisa de álcool? Sim Sim. Não Não. atributo valores

36 CIn- UFPE 36 ID3: exemplos da Soparia Atributos: (Sono, Transporte, CONIC, Álcool, Sair, Fome)-> propriedade-objetivo E01: (Pouco,Carro,Sim,Sim,Não,Sim) -> Sim! E02: (Pouco,Carona,Não,Não,Sim,Sim) -> Sim! E03: (Sim,Carro,Não,Sim,Sim,Sim) -> Não. E04: (Pouco,Carona,Não,Não,Sim,Não) -> Sim! E05: (Sim,Outros,Sim,Sim,Sim,Não) -> Não. E06: (Pouco,Outros,Não,Sim,Não,Sim) -> Não. E07: (Pouco,Carro,Sim,Não,Sim,Sim) -> Sim! E08: (Pouco,Carona,Não,Não,Não,Sim) -> Não. E09: (Sim,Carro,Não,Sim,Sim,Não) -> Não. E10: (Não,Outros,Sim,Sim,Sim,Sim) -> Sim! E11: (Não,Carro,Não,Sim,Sim,Não) -> Sim! E12: (Não,Carona,Não,Sim,Sim,Sim) -> Sim!

37 CIn- UFPE 37 Indução top-down de árvores de decisão Loop principal: 1. A  o “melhor” atributo de decisão para o próximo nó 2. Atribua A como atributo de decisão para nó 3. Para cada valor de A, crie um novo descendente para nó 4. Classifique os exemplos de treinamento nos nós folha 5. Se os exemplos de treinamento estão classificados perfeitamente, então PARE, senão comece novamente a partir dos novos nós folha

38 CIn- UFPE 38 +: E1,E2,E4, E7 -: E6,E8 Árvore de Decisão “Induzida” +: E1,E2,E4,E7,E10,E11,E12 -: E3, E5, E6, E8, E9 Sono? Não Pouco Sim +: : E3, E5, E9 +: E10,E11,E12 -: Sim.Não. Outros Carro Carona Meio de transporte? +: : E6 +: E1,E7 -: : E2,E4 -: E8 Sim.Não. Quer sair? SimNão +: E2,E4 -: : : E8 Sim.Não.

39 CIn- UFPE 39 Sistemas de Aprendizagem Automática: Implementação Selecionar exemplos para treinamento e teste do Sistema Classificados ou não Apresentar os exemplos a um algoritmo de aprendizagem automática Shells –WEKA (ID3, AG,…) Simuladores de Redes Neurais –Ex…

40 CIn- UFPE 40 Raciocínio Baseado em Casos: Analogia Modelo do problema FRACO & exemplos de solução SIM Conhecimento em intenção e em extensão É um método de resolução de problemas onde novos problemas são resolvidos adaptando-se soluções de antigos problemas similares Um caso é um episódio vivido contém a descrição de problema + solução exemplos: um paciente, um projeto arquitetônico, uma situação, uma causa jurídica, etc.

41 CIn- UFPE 41 Casos: experiência vivida Classificação: “Os problemas de ouvido deste paciente são casos típicos de otite média” Soluções compiladas: “Os sintomas de coração do paciente X podem ser explicados da mesma maneira que aquele paciente Y” Avaliando medidas: Minha casa é como aquela que foi vendida mais em baixo nesta rua por R$25.000,00 mas ela tem uma vista melhor” Concepção (design): para projetar este hospital, vou me basear naquele que já fiz com um número de leitos parecido, embora tenha de adaptá-lo pois este é de esquina Avaliando opções: se nós atacássemos as instalações dos mísseis cubanos/russos, seria como no caso de Pearl Harbor

42 novo caso (alvo) caso recupe- rado (fonte) problema Casos Reutilizar Recuperar Reter Revisar novo caso (alvo) solução sugerida solução final caso solução caso testado e corrigido caso aprendido Indexar Funcionamento do RBC: ciclo dos 4 RE´s

43 CIn- UFPE 43 Exemplo Usos - classificação (casa dos meus sonhos?) - estimativa de preços (adaptação)

44 CIn- UFPE 44 Algumas aplicações na WEB FindMe agents sugere filmes e carros em locadoras raciocino através de exemplos Help Desk sistema responde às dúvidas mais simples, restringindo a necessidade em contatar seus engenheiros

45 CIn- UFPE 45 Os Sistemas Multi-Agentes “Duas Cabeças Pensam Melhor que Uma” Por que SMA? Às vezes a computação centralizada não é possível. A informação é distribuída, residindo em sistemas complexos. Algumas Características Precisam se comunicar – protocolos de interação. Ambientes abertos com design descentralizado Agentes são autônomos e distribuídos, podendo ser “bonzinhos” ou mais egoístas.

46 CIn- UFPE 46 Aplicações de SMA Marcação de Reuniões Automática; Gerenciamento de Redes; Gerenciamento de Informação em Ambientes como a Internet. Entretenimento Otimização de Processos de Produção Simulação de Fenômenos Sociais. Análise de Negócios

47 CIn- UFPE 47 Questões do Design de SMA Cada Agente é Limitado – precisam interagir. Não há (muitas vezes) o controle central. Autonomia. Coordenação Agentes com atitudes de Cooperação/ Competição Teoria dos Jogos Dependência entre Eles. Problema da Comunicação

48 CIn- UFPE 48 Uma Aplicação de SMA Robocup


Carregar ppt "CIn- UFPE 1 Implementando Raciocínio na Ciência da Computacao Lógica de Predicados/Primeira Ordem Métodos Formais para Desenvolvimento de Sistemas Banco."

Apresentações semelhantes


Anúncios Google