SELEÇÃO Organizações como Sistemas Complexos. Estrutura de Referência Conceitos Centrais.

Apresentação em tema: "SELEÇÃO Organizações como Sistemas Complexos. Estrutura de Referência Conceitos Centrais."— Transcrição da apresentação:

1 SELEÇÃO Organizações como Sistemas Complexos

2 Estrutura de Referência Conceitos Centrais

3

4 Somos uma só tribo. A dos Pensadores Complexos. Separados por uma paradoxologia

5

6

7

8

9

10

11 Charles Peirce já propunha no século XIX que as leis da vida se originam de um processo evolucionário. Bergson sugeriu a descrição do Universo como um ser vivo.

12

13 As próprias leis da Física seriam resultado de um processo evolutivo?

14 A descrição do Universo no qual a vida, variedade e estrutura são acidentes improváveis deve ser uma relíquia antiquada da ciência do século XIX. A Física do século XX deve levar, pelo contrário, à compreensão de que o universo é favorável à vida porque, para que o mundo exista, ele tem que estar repleto de estrutura e variedade (Smolin, 1997)

15

16 Christianne Te adoro!

17 Estrutura de Referência Conceitos Centrais

18 O ser humano é o melhor exemplo de sistema complexo que podemos imaginar

19

20 REDES NEURAIS Estruturas concebidas inicialmente à semelhança do sistema nervoso humano, com condutores elétricos (neurônios) e sinapses.

21 É um sistema de processamento de informações que apresenta certas características de performance em comum com a Rede Neural Biológica (Fausett,1994).

22 Redes neurais são capazes de aprender com a repetição, a associação entre pares de estímulos, ou mediante retroprogramação (backpropagation – sozinhas, portanto), aprimorando-se por experiência até um limite irredutível de erro; são capazes de realizar o reconhecimento de padrões; podem ser usadas como modelos de certas funções cerebrais, das quais, no entanto, diferenciam-se por uma série de características.

23 O neurônio biológico emite pulsos (comparados, às vezes, com códigos de barras) que variam entre valores positivos e isso é diferente da contagem binária (um, zero) da lógica booleana (de George Boole) empregada nas redes artificiais, bem como da capacidade que algumas têm de aceitar excitação negativa; as redes naturais não apresentam uniformidade no tipo de neurônios, salvo em algumas regiões, e não são capazes de cálculos recursivos.

24 Estamos todos em queda livre, no segundo andar de um hotel chamado tempo, com cinco possibilidades. O amos é uminstante de se ficar no ar, antes de mergulhar.

25 Redes Neurais Artificiais São técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência.

26 Publicações Históricas McCulloch e Pitts (1943) Hebb (1949) Primeiro modelo de redes neurais Modelo básico de rede de auto- organização

27 Publicações Históricas Rosemblatt (1957) Modelo Perceptron de simples camada e aprendizado supervisionado

28 Publicações Históricas Rumelhart (1986) Modelo Perceptron de multi- camadas com algoritmo de aprendizagem Backpropagation

29 O amor é aceitar o outro como legítimo outro. (Maturana)

30 Características das redes Esquema de unidade McCullock - Pitts Sinais apresentados à entrada

31 Características das redes Esquema de unidade McCullock - Pitts Cada sinal é multiplicado por um número, ou peso ( w ), que indica sua influência na saída da unidade.

32 Características das redes Esquema de unidade McCullock - Pitts É feita a soma ponderada dos sinais que produzem um nível de atividade. a=W1.X1+W2.X2+...+Wp.Xp

33 Características das redes Esquema de unidade McCullock - Pitts A saída y é dada por: y=1, se a >= t y=0, se a< t

34 Arquiteturas neurais

35 A metáfora da ciência contemporânea é a arte.

36 Treinamento da rede MLP

37 Processos de Aprendizado W novo = W anterior + E X y=f ( wi.entrada) Entrada Resposta Obtida

38 Ah, prometo àqueles meus professores desiludidos que na próxima vida eu vou ser um grande matemático Porque a matemática é o único pensamento sem dor. Mário Quintana

39 Treinamento Supervisionado

40 Algoritmo Backpropagation Baixa taxa de aprendizagem

41 Algoritmo Backpropagation Alta Taxa + momentum

42 O que me atrai não é o ângulo reto. (Fernando Pessoa)

43 A quantidade fundamental na genética é o número médio de descendentes de criaturas com um conjunto particular de genes que sobrevivem e se reproduzem. Os biólogos chamam esse número de fitness.

44

45 Organismos Naturais e Artificiais

46 O que se faz necessário para a reprodução e para a evolução de um sistema vivo? Organismos Naturais e Artificiais

47

48

49

50 ALGORITMOS GENÉTICOS Imaginados inicialmente para solucionar problemas que levariam décadas, séculos ou milênios para serem resolvidos, por mais velozes que fossem os computadores. Fazem parte de uma família que inclui a programação evolucionária e as estratégias evolucionárias.

51 Congelar a seta do tempo (Prigogine)

52 Não tenho inquietações... Tenho fome... De vida O que me atravessa... É o tempo.... A seta do tempo Me inquieto sim... Com essa seta... Que não consigo congelar

53

54

55

56

57 Todos correspondem à aplicação a programas de computador de métodos inspirados nos princípios biológicos de Darwin (Evolução das Espécies) e genéticos de Mendel (as leis de Mendel). A solução encontrada em algoritmos genéticos pode ser dita a mais adequada, em lugar de a verdadeira.

58 ALGORITMOS GENÉTICOS O bit corresponde, nos algoritmos genéticos, ao gene; o local onde fica o bit no cromossomo é o lócus; os pares de bits tomam da Biologia o nome de alelos. A seleção artificial se faz entre indivíduos de uma população, através do crossover entre cromossomos dos pais e de mutações, isto é, alterações de cadeia genética por troca simples (como um erro de cópia); inversão, translocação, apagamento e adição.

59

60

61 Inicialmente, o programa Watchmaker, produz uma seqüência de pequenas árvores, espalhadas em quadrados que preenchem toda a tela do computador, gerando assim uma primeira população. Cada uma destas árvores possuem características próprias que são controladas pelo número de genes.

62 A partir de uma árvore mãe, novas populações são formadas; as árvores sofrem variações de comprimento, largura ou número de galhos, por exemplo.

63 Ao pressionar o botão do mouse, o usuário seleciona uma das árvores da tela para ser o antecessor da próxima geração. A seqüência de seleções geram uma linha filogenética de árvores, onde cada uma varia um pouco da forma de seu parente.

64

65 A cada geração, um processo de seleção, feito por critérios estéticos do próprio Dawkins, escolhe as formas que devem sobreviver. Segundo o autor, nada em sua intuição de biologista, nos seus vinte anos de experiência programando computadores, e mesmo nos seus sonhos, serviu para prepará-lo para o que surgia na tela.

66 Alguns desenhos obtidos neste processo de transformações sucessivas parecem com insetos.

67 Ao todo, 16 genes controlam a forma de cada árvore. Alguns são fáceis de serem descritos, já outros dependem de complexas interações. Alguns genes controlam o número de galhos e o tamanho total, três outros genes são combinados para controlar a extensão horizontal dos galhos da árvore, enquanto outros cinco combinam-se entre si para controlar a extensão vertical. O programa tenta ilustrar a existência da variação nas populações.

68

69

70

71

72 IF AND SINNOT PLUSPDDD SETFAND DDD SETFDDD X X X + - * Y Z * XX * * / X X + XX

73 Questões Fundamentais: SELEÇÃO Organizações como Sistemas Complexos - Quais agentes e estratégia devem ser copiados e quais devem ser destruídos? - Como a seleção deve ser empregada para promover a adaptação?

74 Conjunto de processos que conduzem a um acréscimo ou decréscimo na freqüência de vários tipos de agentes, estratégias (e artefatos) (Axelrod & Cohen 2000) SELEÇÃO O que isso significa? Organizações como Sistemas Complexos

75 SELEÇÃO A seleção natural oferece um paradigma importante de como um sistema adaptativo pode funcionar, também tem sérias desvantagens quando comparada com métodos mais diretos de alcançar a adaptação. Qualquer momento que seja possível atribuir sucesso a algo mais específico do que todo o agente, há a possibilidade de selecionar estratégias ao invés de agentes. Organizações como Sistemas Complexos

76 SELEÇÃO Selecionar no nível de agentes inteiros e selecionar no nível de estratégias, compartilhar a necessidade de fazer cópias que retenham adaptações efetivas, incorporar variação para adaptações posteriores e ampliar o sucesso (e diminuir o fracasso) realmente ocorre. Mas, diferem no nível no qual operam – e a seleção nos dois níveis pode funcionar de forma diferente. Organizações como Sistemas Complexos

77 Definir critérios de sucesso. Determinar se a seleção está no nível dos agentes ou das estratégias. Atribuir crédito para o sucesso e o fracasso. Criar novos agentes ou estratégias. Um projeto para um sistema adaptativo de seleção deve lidar com quatro tópicos: SELEÇÃO Organizações como Sistemas Complexos

78 Os cientistas são todos toupeiras monomaníacas e cegas

79 SELEÇÃO Organizações como Sistemas Complexos Definir critérios de sucesso A seleção de agentes ou estratégias implica alguma métrica de sucesso.

80 Critério de sucesso ou medida de desempenho É um indicador usado por um agente ou designer para atribuir crédito na seleção de estratégias ou agentes com sucesso (ou insucesso). SELEÇÃO Organizações como Sistemas Complexos Definir critérios de sucesso

81 Critério de sucesso ou medida de desempenho Podem ser vistos como instrumentos que moldam quais eventos têm a probabilidade de ocorrer. SELEÇÃO Organizações como Sistemas Complexos Definir critérios de sucesso

82 Critério de sucesso ou medida de desempenho Estabelecer objetivos e os critérios que governam os processos de seleção é uma das principais intervenções para quem quer dominar a complexidade. SELEÇÃO Organizações como Sistemas Complexos Definir critérios de sucesso

83 Critério de sucesso ou medida de desempenho São definidos dentro do sistema. São modificados (ou mantidos) e aplicados ou descartados pelos próprios agentes. SELEÇÃO Organizações como Sistemas Complexos Definir critérios de sucesso

84 Critério de sucesso ou medida de desempenho Como o sucesso é definido afeta as chances do aprendizado efetivo. Ter mais de uma medida de desempenho pode melhorar dramaticamente a adaptação. SELEÇÃO Organizações como Sistemas Complexos Definir critérios de sucesso

85 A importância de saber o que contar como sucesso é um dos pontos chaves da adaptação de um sistema. SELEÇÃO Organizações como Sistemas Complexos

86 Dois processos básicos expandem o sucesso: a seleção de agentes ou estratégias. Determinando o Nível de Seleção SELEÇÃO Organizações como Sistemas Complexos

87 A seleção natural de agentes biológicos funciona por fazer um agente inteiramente novo sem a necessidade determinar a causa do sucesso de um dos pais ou ambos. Determinando o Nível de Seleção: Agentes ou Estratégias ? SELEÇÃO Organizações como Sistemas Complexos

88 A seleção de estratégias,por outro lado, cria novas estratégias para um agente existente. Envolve alguma decisão explícita sobre qual estratégia ou parte do agente foi responsável pelo sucesso. Determinando o Nível de Seleção: Agentes ou Estratégias ? SELEÇÃO Organizações como Sistemas Complexos

89 Determinando o Nível de Seleção: Agentes SELEÇÃO Organizações como Sistemas Complexos Sistemas biológicos, eleições, economia (falência liquidação de empresas), seleção de pessoal..., são exemplos de seleção de agentes.

90 Determinando o Nível de Seleção: Agentes SELEÇÃO Organizações como Sistemas Complexos Em todos os exemplos de seleção de agentes, deve haver acumulações de recursos para criar um novo agente. A necessidade de acumular recursos suficientes para corporificar um novo agente opera como um importante fator limitador na seleção a nível de agente.

91 Determinando o Nível de Seleção: Estratégias SELEÇÃO Organizações como Sistemas Complexos Três pontos comuns de diferença na seleção de agentes e estratégias: - Custo reduzido da cópia; -Tempo de espera; - Dificuldade de inferência.

92 Determinando o Nível de Seleção: Estratégias SELEÇÃO Organizações como Sistemas Complexos Seleção ao nível do agente e seleção ao nível de estratégia são famílias de mecanismos que têm forças complementares, dando origens a sistemas de seleção híbridos.

93

94 A atribuição de crédito refere-se a como um agente usa um critério de desempenho para aumentar a freqüência de estratégias de sucesso ou diminuir a freqüência dos sem sucesso. Atribuição de Crédito SELEÇÃO Organizações como Sistemas Complexos

95 Três diferentes problemas de atribuição de crédito em SAC. - erro de creditar ou culpar uma parte quando um conjunto maior é responsável; - erro de atribuir crédito ou culpa a um conjunto particular de fatores, quando de fato um conjunto diferente é responsável; Atribuição de Crédito SELEÇÃO Organizações como Sistemas Complexos

96 Três diferentes problemas de atribuição de crédito em SAC: (cont.) - erro de creditar uma estratégia mal interpretada, onde a ação envolvida apresentou sucesso, mas as condições nas quais a ação devia ser tomada foram mal compreendidas. Atribuição de Crédito SELEÇÃO Organizações como Sistemas Complexos

97 Criando novos agentes ou estratégias SELEÇÃO Organizações como Sistemas Complexos - O papel fundamental da cópia - Diferenças detalhadas entre processos genéricos de cópia

98 Exercendo Liderança Visível SELEÇÃO Organizações como Sistemas Complexos Um líder empresarial que deseja promover a produção ecológica pode tomar decisões que dão grande peso às questões ambientais. Mas se a firma é altamente visível e é capaz de mostrar que se torna mais bem sucedida devido a sua reputação e práticas ambientalistas, então uma dinâmica muito mais poderosa pode entrar em cena. A imitação das medidas de desempenho por outras firmas pode transformar a indústria.

99 Como os tópicos relacionados a seleção podem ser utilizados nos projetos e avaliações ergonômicas e no desenvolvimento das organizações? Organizações como Sistemas Complexos SELEÇÃO

100

101

102