I Simpósio do Programa de Pós-Graduação em Engenharia de Sistemas Dinâmicos e Energéticos Foz do Iguaçu, UNIOESTE, 30 Abril 2010 Máquinas Inteligentes Cairo L. Nascimento Jr. Instituto Tecnológico de Aeronáutica (ITA) Divisão de Engenharia Eletrônica Laboratório de Máquinas Inteligentes (LMI)

Contexto Social Historicamente os seres humanos: escravizaram os animais, escravizaram outros seres humanos. Razão principal: necessidades econômicas. Hoje não é mais socialmente aceitável tal exploração. Mas cada vez mais desejamos/precisamos de “escravos” eficientes (inteligentes, potentes e baratos). As máquinas atuais são “escravos” fortes mas ainda pouco inteligentes (Inteligência x Potência x Peso x Eficiência Energética).

Comportamento Inteligente Exemplos de comportamento inteligente útil: Reconhecimento de face e de voz, Compreensão de linguagem natural, Planejamento e otimização: roteamento considerando em tempo real informações sobre congestionamentos, ajuste dos tempos dos semáforos, roteamento na internet/telefonia. Interação com o meio-ambiente: capacidade de processar informações ruidosas e lidar com incertezas, Capacidade de “Health-Management” (PHM): detecção, isolamento e acomodação das falhas, prognóstico de degradação, Adaptação/aprendizado.

Algumas Técnicas de IA conhecimento intencional (regras) numérico Sistemas Fuzzy Redes Bayesianas Sistemas Baseados em Regras numérico simbólico Algoritmos Genéticos Sistemas de Aprendizagem Simbólica Indutiva Sistemas Baseados em Casos Redes Neurais Artificiais conhecimento extensional (exemplos)

Sistemas Baseados em Regras Técnicas de IA Sistemas Baseados em Regras Regras Motor de Inferência Entradas Resposta

Sistemas Baseados em Regras Técnicas de IA Sistemas Baseados em Regras Documentação do conhecimento dos Experts Humanos. Uniformalização da Base de Conhecimento. Importante para validar o desempenho do Expert Humano. Conhecimento nem sempre é explicíto. Aumento da dificuldade para o Expert Humano codificar o seu conhecimento com o número de variáveis de entrada.

Sistemas Baseados em Regras: Técnicas de IA Sistemas Baseados em Regras: Árvore de Decisão

Programa HARPIA TREE Modo GRÁFICO Modo TEXTO

Técnicas de IA Lógica Convencional x Lógica Fuzzy Ex.: Dias do fim-de-semana

Técnicas de IA Lógica Convencional x Lógica Fuzzy Funções de Pertinência ABRUPTA (Lógica Convencional) SUAVE (Lógica Fuzzy)

Técnicas de IA Controlador Fuzzy

Técnicas de IA Controlador Fuzzy

Técnicas de IA Controlador Fuzzy

Algoritmo A-estrela: Aplicações Técnicas de IA Algoritmo A-estrela: Aplicações

Algoritmo A-estrela: Aplicações Técnicas de IA Algoritmo A-estrela: Aplicações Solução encontrada: 29 movimentos, 1213 nós expandidos, cerca de 31 s.

Algoritmo A-estrela: Aplicações Técnicas de IA Algoritmo A-estrela: Aplicações Solução encontrada: 14 movimentos, 1319 nós expandidos, cerca de 1 m.

Algoritmo A-estrela: Ambiente dinâmico Técnicas de IA Algoritmo A-estrela: Ambiente dinâmico

Aplicação: Projeto ROMEO 23/8/2006 Aplicação: Projeto ROMEO Objetivos: analisar problemas e desenvolver soluções relacionados à navegação de robôs, aplicar estas soluções em um ambiente real através do projeto, construção e testes de plataformas móveis. ROMEO III.v2 ROMEO I ROMEO II ROMEO III 18

Aplicação: Projeto ROMEO 23/8/2006 Aplicação: Projeto ROMEO Mapeamento do ambiente estático usando sonares Planejamento de trajetória usando o algoritmo A-estrela 19

Aplicação: Projeto SLAM 23/8/2006 Aplicação: Projeto SLAM Objetivo: Navegação sem o conhecimento prévio do mapa do ambiente. 20

Aplicação: Projeto SLAM 23/8/2006 Aplicação: Projeto SLAM Navegação sem o conhecimento prévio do mapa do ambiente. 21

Aplicação: Projeto BALLBOT 23/8/2006 Aplicação: Projeto BALLBOT Pêndulo invertido sobre rodas 22

Aplicação: Projeto BALLBOT 23/8/2006 Aplicação: Projeto BALLBOT 23

Aplicação: Projeto VANT-CHESF 23/8/2006 Aplicação: Projeto VANT-CHESF 24

Aplicação: Projeto WEBLAB 23/8/2006 Aplicação: Projeto WEBLAB Objetivo: Comando e controle de dispositivos reais usando tecnologia WEB. 25

“Adversarial Search”: Algoritmo Min-Max Técnicas de IA “Adversarial Search”: Algoritmo Min-Max Planejamento considerando possíveis ações do adversário. Informação completa x incompleta. Ambiente determinístico ou estocástico. Tomada de decisões em tempo limitado.

Como uma “máquina” pode aprender? Técnicas de IA Como uma “máquina” pode aprender? Depende do nível de Supervisão: Supervisão Muito Forte: o supervisor insere os parâmetros (ou as regras) no modelo, aprendizado “instantâneo”. Supervisão Forte: o supervisor fornece exemplos de entrada- saída (pares x,y), aprendizado “supervisionado”. Supervisão Fraca: o supervisor classifica apenas os casos típicos, aprendizado “não-supervisionado”. Supervisão Muito Fraca: o supervisor classifica como SUCESSO ou FALHA um conjunto de ações sucessivas, aprendizado por reforço.

Técnicas de IA Supervisão Forte: Aprendizado usando exemplos: supervisor seleciona pares [Xreal,Yreal]. Xreal e Yreal possivelmente são amostras ruidosas. Mapeamento entrada-saída é amostrado e aproximado pelo modelo. Idéia central: ajustar os parâmetros do modelo para diminuir o erro de aproximação para cada par [Xreal,Yreal] fornecido pelo supervisor.

Técnicas de IA Supervisão Forte: Redes Neurais tipo feedforward Algoritmo Back-Propagation

Aplicação: Reconhecimento de Caracteres com ruído

Aplicação: Reconhecimento de Caracteres com ruído Antes e depois do treinamento

Aplicação: Reconhecimento de Caracteres com ruído Representação Visual dos Pesos da Rede Neural

Aplicação: Reconhecimento de Caracteres com ruído Teste estatístico

Técnicas de IA Supervisão Fraca: Supervisor seleciona dados de entrada Xreal, É modificado apenas o peso W mais próximo de Xreal, Aprendizado dos possíveis agrupamentos de X.

Técnicas de IA Supervisão Fraca: Supervisor fornece saída Yreal apenas para entrada X “típico”, Os vetores X próximos de X “típico” recebem a mesma saída Yreal de X “típico”.

Técnicas de IA Supervisão Fraca: Conceito de Vizinhança: o peso W vencedor e os seus “vizinhos” topográficos são alterados.

Aplicação: Reconhecimento de Caracteres com ruído Antes e depois do treinamento

Aplicação: Reconhecimento de Caracteres com ruído Teste estatístico

Técnicas de IA Supervisão Muito Fraca: Aprendizado por Reforço “Learn by doing it…” Baseado na interação do agente com o seu ambiente. O supervisor fornece uma avaliação do resultado de uma sequência de ações (p. ex., SUCESSO ou FRACASSO) chamado de sinal de reforço r(t).

Técnicas de IA Supervisão Muito Fraca: Aprendizado por Reforço Agente Ambiente Ação a(t) Estado x(t) Reforço r(t) Supervisor

Técnicas de IA Supervisão Muito Fraca: Aprendizado por Reforço Problema: como escolher a sequência de ações de forma a otimizar uma certa função de desempenho, p. ex., maximizar a média do sinal de reforço. Dificuldade: Como distribuir a responsabilidade pelo resultado obtido entre as ações que foram executadas?

Técnicas de IA Supervisão Muito Fraca: Aprendizado por Reforço Idéia central: para cada estado manter uma tabela de possíveis ações com as suas estimativas de probabilidade de conduzir ao SUCESSO P(x(t),a(t)). Para o estado atual, selecionar aleatoriamente uma ação de acordo com a tabela de estimativa de probabilidade de SUCESSO. Aplicar tal ação no ambiente e obter o próximo estado x(t+1). Repetir o passo anterior até que um estado terminal seja alcançado. Obter o sinal de reforço para esta seqüência de ações r(t+N).

Técnicas de IA Supervisão Muito Fraca: Aprendizado por Reforço Se o sinal de reforço for POSITIVO: aumentar as estimativas de probablidades das ações tomadas em cada estado. Se o sinal de reforço for NEGATIVO: diminuir as estimativas de probablidades das ações tomadas em cada estado.

Aplicação: Navegação em ambiente desconhecido Antes e depois do treinamento

Aplicação: Projeto Robô com Pernas 23/8/2006 Aplicação: Projeto Robô com Pernas Aprendizado da coordenação dos atuadores das pernas 45

Aplicação: Projeto Robô com Pernas 23/8/2006 Aplicação: Projeto Robô com Pernas Aprendizado da coordenação dos atuadores das pernas 46

Conclusões Estamos rapidamente aumentando o nível de inteligência das nossas máquinas. Soluções inspiradas na natureza: é melhor encontrar rapidamente soluções boas do que demorar mais tempo para encontrar soluções ótimas. Área altamente concreta, aplicada, motivadora e multi- disciplinar. “Application-driven research”: a pesquisa (teórica e prática) é direcionada pela aplicação que se deseja desenvolver.

Conclusões Aplicações extremamente práticas e imediatas em diversas áreas. Tecnologia de ponta. Podemos desenvolver esta tecnologia no Brasil. Interesse mundial no desenvolvimento desta tecnologia. Grandes benefícios para o governo e para a indústria nacional.

Para mais detalhes Livro “Inteligência Artificial em Controle e Automação”, 2000 (re-impressões em 2002 e 2004) de Cairo L. Nascimento Jr. e Takashi Yoneyama, Ed. Edgard Blücher e FAPESP. Web site do livro: http://www.ele.ita.br/ia_contaut/

Muito obrigado pela atenção!! Cairo Nascimento (cairo@ita.br) Perguntas??