Introdução aos Sistemas Especialistas Professor Celso A A Kaestner, Dr. Eng.

Inteligência Artificial O campo da Inteligência Artificial (IA) tenta compreender as entidades inteligentes para construir entidades inteligentes. Construir máquinas (computadores) com um nível de inteligência igual ou superior aos humanos! As abordagens de IA podem organizar-se em 4 categorias:

Modelação do Ser Humano Inteligência Artificial Sistemas que pensam como os Humanos Sistemas que pensam Racionalmente Raciocínio/ Pensamento Sistemas que agem como os Humanos Sistemas que agem Racionalmente Comportamento Modelação do Ser Humano Outros Modelos Foco de Interesse

IA Simbólica Fundamenta-se em: Representação do conhecimento; e Métodos de Busca.

IA Simbólica Representação do conhecimento: Lógica proposicional e predicativa; Regras de produção; Redes semânticas; Frames e scripts; ...

IA Simbólica Métodos de Busca: Espaço de estados; Busca em profundidade; Busca em largura; Busca heurística (A*); Busca em feixe; Têmpera simulada; ...

Exemplo: um pequeno jogo... Estado inicial: <XX_YY> Estado objetivo: <YY_XX> Ações (operações): X_ => _X e _Y => Y_ XX_ => _XX e _YY => YY_ XY_ => _YX e _XY => YX_

Exemplo: uma solução <XX_YY> (estado inicial) <X_XYY> (ação 1a) <XYX_Y> (ação 2b) <XYXY_> (ação 1b) <XY_YX> (ação 3a) <_YXYX> (ação 3a) <Y_XYX> (ação 1b) <YYX_X> (ação 3b) <YY_XX> (ação 1a)

Exemplo: uma falha <XX_YY> (estado inicial) <X_XYY> (ação 1a) <XYX_Y> (ação 2b) <XYXY_> (ação 1b) <XY_YX> (ação 3a) <XYY_X> (ação 1b) Falha !!!!

Exemplo: árvore de busca <XX_YY> (estado inicial) <X_XYY> (ação 1a) OU <XXY_Y> (ação 1b) OU <_XXYY> (ação 2a) OU <XXYY_> (ação 2b) Qual escolher ? (heurística ?)

Sistemas Especialistas Os especialistas humanos são capazes de atingir um alto desempenho na medida em conhecem muito bem as suas áreas de especialização; Um Sistema Especialista (SE) é um programa de computador que utiliza conhecimento específico do domínio de um problema e emula a metodologia e desempenho de um especialista para obter soluções de problemas neste domínio.

Sistemas Especialistas O conhecimento inerente a um Sistema Especialista é um ponto chave na sua construção, e é normalmente definido por engenheiros do conhecimento; Para tal são consultados especialistas no domínio do problema e tenta-se codificar numa linguagem formal todo o conhecimento que estes adquiriam ao longo da sua experiência, nomeadamente heurísticas e truques.

Sistemas Especialistas Os Sistemas Especialistas não imitam necessariamente a estrutura da mente humana, nem os mecanismos da inteligência; São programas práticos que usam estratégias heurísticas desenvolvidas por humanos na resolução de classes específicas de problemas; São uma classe de programas na área da Inteligência Artificial, e têm contribuído para o sucesso desta área através de vários produtos comerciais desenvolvidos e aplicações.

Sistemas Especialistas

Categorias dos Problemas Interpretação: formar conclusões a partir de dados; Predição: projetar consequências de situações; Diagnóstico e reparo : determinar a causa de maus funcionamentos, e prescrever e implementar soluções; Projeto: configurar componentes de forma a atingir um objetivo; Planejamento: obter a sequência de passos para atingir um objetivo; Monitoração: comparar o comportamento de um sistema com aquilo que seria de esperar; Tutoriais: detectar e corrigir deficiências, e auxiliar processos de aprendizagem; Controle: governar o comportamento de um sistema.

Tecnologia dos Sistemas Especialistas Arquitetura ESPECIALISTA/ ENG. CONHECIMENTO/ PROGRAMADOR SHELL BASE DE CONHECIMENTO DADOS ESPECÍFICOS DO CASO MOTOR DE INFERÊNCIA INTERFACE COM USUÁRIO: PERGUNTA/RESPOSTA ORIENTADO POR MENUS LINGUAGEM NATURAL GRÁFICO USUÁRIO EXPLANAÇÃO APRENDIZAGEM

Quando desenvolver um SE O problema justifica o custo e esforço de construção do SE; Não existem especialistas disponíveis (no local) para resolver diretamente o problema; Existem especialistas para cooperarem na construção do SE; O problema pode ser solucionado através de raciocínio simbólico (próximo dos humanos); O problema não requer “senso comum”; O problema não pode ser resolvido através de métodos computacionais tradicionais; O problema não é demasiado grande nem demasiado genérico.

Desenvolvimento de SE Envolve o Engenheiro de Conhecimento, o Especialista do domínio do problema e o Usuário final; Criação Rápida de Protótipos: Metodologia Centrada no Cliente; Sucessivas iterações nas quais as possibilidades são postas à prova pelos futuros usuários. Aquisição do Conhecimento Modelagem do Sistema Correção Programação

Criação de SE Linguagens de Programação: C++, LISP, PROLOG Shells: Acadêmicos: MYCIN - EMYCIN, CLIPS, GUIDON, TEIRESIAS, VM, CENTAUR... Comerciais: Deciding Factor, Exsys, M-1, Savoir, Expert- Ease, Guru, Crystal... Ambientes de Programação (de IA): ILOG... Aplicações: Business Insight...

Raciocínio Baseado em Regras Representação do conhecimento para a resolução do problema através de regras do tipo “se...então...” (regras de produção) Exemplo: Se (Qualifica = SIM) e (Média < 3,5) e (Experiência >= 2) Então (Posição = engenheiro de serviço)

Arquitetura Clássica de um SE Base de Conhecimento Memória de Trabalho Motor de Inferência: Controle e Inferência Regras Fatos Subsistema de aquisição de conhecimento Subsistema de explanação Interface com o usuário Usuário Especialista / Eng. Conhecimento

Motor de Inferência Regras (MR) Fatos (MF) Pattern Matching Conjunto de conflitos (CC) Motor de Inferência: Controle e Inferência Resolução de conflitos Regra (s) escolhida(s) Disparo da(s) regra(s) Alterações em MF (MR)

Exemplo: um pequeno SE Problema: Oferta de emprego a um candidato em uma empresa. Variáveis de entrada: Descoberta (Sim / Não), Diploma (Sim / Não), Experiência (em anos), Média (nota média do histórico); Variáveis de saída: Posição (Nenhuma / Pesquisa / Eng. De Serviço / Eng. De Produto), Qualifica (Sim / Não).

Exemplo: um pequeno SE Variáveis: Descoberta: o candidato fez alguma descoberta? Diploma: o candidato tem curso superior ? Experiência: quantos anos de experiência tem o candidato ? Média: qual a nota média do candidato em seu curso superior ? Posição:que posição deve ser oferecida ao candidato ? Qualifica: o candidato se qualifica para uma posição ?

Exemplo: um pequeno SE Regras: R1: SE (Diploma = Não) ENTÃO (Posição =Nenhuma); R2: SE (Diploma = Sim) ENTÃO (Qualifica = Sim); R3: SE (Diploma = Sim) E (Descoberta = Sim) ENTÃO (Posição = Pesquisa);

Exemplo: um pequeno SE R4: SE (Qualifica = Sim) E (Média <= 7,0 ) E (Experiência >= 2) ENTÃO (Posição = Eng. De Serviço); R5: SE (Qualifica = Sim) E (Média < 7,0) E (Experiência < 2) ENTÃO (Posição = Não);

Exemplo: um pequeno SE R6: SE (Qualifica = Sim) E (Média > 7,0) ENTÃO (Posição = Eng. de Produto);

Encadeamento para frente Procedimento básico: Até que a solução pertença a MF faça: Compare a MF e MR e obtenha o CC; Escolha uma (várias) regra(s) no CC (resolução de conflitos); Dispare a(s) regra(s) escolhida(s) (acrescenta / retira fatos da MT).

Encadeamento para frente Fatos iniciais (M0): F0: (Diploma = Sim); F1: (Experiência = 1,5); F2: (Média = 8,0); F3: (Descoberta = Não). Inferência 1: Dispara R2; F4: (Qualifica = Sim);

Encadeamento para frente Fatos atuais (M1): F0: (Diploma = Sim); F1: (Experiência = 1,5); F2: (Média = 8,0); F3: (Descoberta = Não). F4: (Qualifica = Sim); Inferência 2: Dispara R6; F5: (Posição = Eng. De Produto).

Encadeamento para frente Fatos atuais (M2): F0: (Diploma = Sim); F1: (Experiência = 1,5); F3: (Média = 8,0); F4: (Descoberta = Não). F5: (Qualifica = Sim); F6: (Posição = Eng. De Produto). Não há mais regra a disparar.

Encadeamento para trás Procedimento básico: Escolha uma hipótese H da Pilha de Hipóteses; Até que a hipótese seja comprovada (pertença a MF): Escolha uma regra R cuja conclusão seja H; Tente provar as premissas de R (recursivamente); Se não for possível , escolha outra hipótese.

Encadeamento para trás Fatos iniciais (M0): F0: (Diploma = Sim); F1: (Experiência = 1,5); F2: (Média = 8,0); F3: (Descoberta = Não).

Encadeamento para trás Possui Pilha de Hipóteses a serem provadas / negadas. Hipótese: H0: (Posição = Nenhuma); Pela regra R1, substituída por: H1: (Diploma = Não), é negada por M0; A hipótese é descartada.

Encadeamento para trás Nova hipótese: H2: (Posição = Pesquisa); Pela regra R3, substituída por (H3) e (H4): H3: (Diploma = Sim), e H4: (Descoberta = Sim). H3 confirmada por M0, H4 não; Não há regra cuja conclusão seja H4, logo H4 e H2 são descartadas.

Encadeamento para trás Nova hipótese: H5: (Posição = Eng. De Serviço); Pela regra R4, substituída por (H6), (H7) e (H8): H6: (Qualifica = Sim); H7: (Média < 7,0); H8: (Experiência >= 2). H7 negada por M0, (como também H8), H5 descartada.

Encadeamento para trás Nova hipótese: H9: (Posição = Eng. De Produto); Pela regra R6, substituída por (H10) e (H11): H10: (Qualifica = Sim); H11: (Média > 7,0). H10 e H11 confirmadas por M0, H9 confirmada.

Encadeamento para trás Outra possibilidade: inquisição do usuário a cada passo: Caso não haja regra cuja conclusão confirme a hipótese, uma pergunta é feita ao usuário para se obter o valor da variável.

Raciocínio Baseado em Modelos Em vez de se utilizarem heurísticas na resolução de um problema; A análise é fundamentada diretamente na especificação e funcionalidade do sistema físico (um modelo do sistema); Normalmente aplica-se no diagnóstico; O sistema é simulado assim como a estrutura e funcionamento das suas componentes; Exemplo de um circuito de somadores e multiplicadores.

Raciocínio Baseado em Casos Regras heurísticas e modelos teóricos são dois tipos de informação que os especialistas humanos utilizam para resolver problemas; Outra estratégia utilizada é o raciocínio baseado em casos (Case-Based Reasoning - CBR); Utiliza uma base de dados com soluções de problemas para resolver novas situações; Exemplos: medicina, justiça, programação de computadores, arquitetura, história...

Algoritmo de inferência 1. Procurar casos similares na memória, aqueles cuja solução pode ser aplicada à nova situação (características comuns) 2. Modificar um desses casos para aplicar à situação nova (alterar sequência dos passos que levam de um estado inicial a um estado final) 3. Aplicar o caso transformado ao novo problema 4. Guardar a solução com uma medida do sucesso ou insucesso para uso futuro.

Raciocínio Baseado em Regras vantagens: modo direto modular desempenho facilidades de explanação as regras encaixam-se naturalmente na procura num espaço de estados o processo de inferência é fácil de seguir e depurar os passos para a solução do problema são facilmente inspecionáveis separação do controle e do conhecimento

Raciocínio Baseado em Regras desvantagens: regras altamente heurísticas, falta de profundidade não manuseiam falta de informação ou valores inesperados a explicação baseia-se na prova e não nas bases teóricas muito específico na aplicação

Raciocínio Baseado em Casos vantagens: codificação direta de conhecimento histórico (e.g. reparações) permite obter a solução a partir de um caso apropriado não necessitando de todo o processo de resolução do problema evita erros do passado e explora os sucessos (aprendizagem)

Raciocínio Baseado em Casos vantagens: não é necessária uma análise extensiva do domínio do conhecimento aquisição de conhecimento e sua codificação relativamente fáceis

Raciocínio Baseado em Casos desvantagens: explanação difícil desempenho computacional (bases de dados extensas) difícil definir critérios de similaridade

Raciocínio Baseado em Modelos vantagens: uso de conhecimento funcional/estrutural robustez (ao contrário do baseado em regras) algum conhecimento é transferível entre tarefas (teorias genéricas...) explicação causal

Raciocínio Baseado em Modelos desvantagens: falta de conhecimento heurístico requer um modelo explícito do domínio (nem sempre é possível (e.g. finanças) complexidade situações excepcionais (um componente avariado)

Outras possibilidades Raciocínio Baseado em Representações Híbridas regras+casos regras+modelos modelos+casos Raciocínio com Incerteza ou Informação Incompleta: Probabilidades Fatores de certeza Sistemas difusos

Referências Sobre IA em geral: S.J. Russel; P. Norvig. Artificial Intelligence. Prentice Hall, 1995, http://aima.cs.berkeley.edu/. E. Rich; K. Knight. Inteligência Artificial. Makron Books, 1994, http://www.cs.utexas.edu/users/ear/ e http://www.isi.edu/natural-language/people/knight.html .

Referências Sobre SE: M. Stefik. “Introduction to Knowledge Systems”, Morgan Kaufmann, 1995. P. Harmon, D. King. “Expert Systems: AI in Business”, John Wiley & Sons, 1985. K. Parsaye, M. Chignell. “Expert Systems for Experts”, John Wiley & Sons, 1988.