Inteligência Artificial - IA Comentários Breves

O que é IA ? IA é um campo da ciência que estuda entidades inteligentes, ou seja, procura uma maior compreensão a respeito de nós mesmos – homo sapiens ! IA  filosofia e psicologia, pois, além do entendimento, objetiva a “construção” de entidades inteligentes.

Inteligência Artificial Agente Inteligente perceber, entender, inferir e manipular um mundo “complicado”!

Inteligência Artificial Formalmente iniciada em 1956 com o advento do computador, porém, por mais de 2000 anos filósofos tentam entender como a gente vê, aprende, lembra e raciocina ! O objetivo da IA é o desenvolvimento de algoritmos que requerem que as máquinas desenvolvam “pensamento” cognitivo .

Um sistema IA deve ser capaz armazenar conhecimento, utilizar o conhecimento armazenado para resolver problemas e adquirir novos conhecimentos através de experiências.

Componentes de um sistema IA representação (linguagem de símbolos para representar o conhecimento), racionalização (habilidade de resolver problemas) aprendizado

Realidade em IA Estamos “longe” (será ?) de desen-volvermos um sistema com “inteligência artificialmente humana” Sistema Especialista Algoritmo Genético Lógica Nebulosa Redes Neurais Classificadores Estatísticos ...

Pattern Recognition Reconhecimento de padrões Área da ciência que tem utilizado técnicas de IA para a solução de uma infinidade de problemas de engenharia

Reconhecimento de Padrões O estágio de desenvolvimento de uma sociedade pode ser medido pela quantidade de informação e conhecimento que a mesma gera “Até o ano 2000 seria alcançado o limite da mente humana de absorver informação” (Harvard, 60’s)

Reconhecimento de Padrões 1830: 300 periódicos científicos  1976: 60.000 periódicos científicos, 2,5 milhões de artigos em 50 idiomas  2000:??? 1976: 20 bilhões de cheques eram processados anualmente nos EUA  1980: U.S. Post Office manuseava anualmente 116 bilhões de pacotes

Reconhecimento de Padrões Quanto de formulários de Imposto de Renda deve ser processado todos os anos? Quantas impressões digitais devem ser consultadas para se chegar há uma pessoa ? Quanto de informação um médico deve saber para interpretar um exame de coração ? E se for uma doença desconhecida naquela região ? Quantos parâmetros devem ser levados em consideração para se recomendar uma dosagem racional de nitrogênio ?

Era da Informação Precisamos automatizar a manipulação de tantas informações. Precisamos imitar a mente humana na sua tarefa de “reconhecimento de padrões”.

Reconhecimento de Padrões Pattern Recognition Reconhecimento de Padrões é o desenvolvimento de técnicas para a classificação de objetos em determinadas classes

Reconhecimento de Padrões Um atributo básico de seres humanos e outros seres: Reconhecemos objetos a nossa volta Reconhecemos uma voz de uma pessoa conhecida Reconhecemos escritas à mão e impressas Reconhecemos um rosto que há muito não víamos

Como funciona a mente Ao perceber um padrão, sua mente faz uma inferência indutiva e associa essa percepção com algum tipo de conceito ou regra que foi derivada da experiência passada Associação do dado de entrada com um conjunto (população) É um problema estatístico Comparação entre o dado de entrada com populações, não com indivíduos, procurando características ou atributos entre os membros da população

Pattern Recognition Reconhecimento de padrões: caracterização do dado de entrada em classes, extraindo significantes propriedades ou atributos do resto que não é significante para o problema Desenvolvimento de classificadores

Definição da Característica O primeiro problema no desenvolvimento de um sistema de RP: como representar o dado de entrada qual o parâmetro a ser medido no objeto a ser classificado Vetor do padrão ou padrão

Padrão (descritor) Tem que ser discretizado em caso de problemas contínuos Pode ser pensado como um ponto em um espaço Euclideano de dimensão “n” O processo de representar objetos com medidas (padrões) pode ser considerado como um processo de codificação

Exemplo do futebol americano x jockers Cada padrão é representado por duas medidas w1  w2 => nem sempre acontece na prática - pode existir um erro de classi-ficação e se n > 3 ?

Dimensão do vetor O segundo problema no desenvolvi-mento de um RP: como extrair o atributo ou a característica do dado de entrada como reduzir a dimensão do vetor de padrões “feature extraction”

Feature selection Medir automaticamente os atributos que discriminam entre as classes e apresentam uma menor dimensão Retirar as informações redundantes Pode ser um sistema simples como “look-up-table” ou um mais complexo de de-correlação

Análise dos Componentes Principais - ANP Transforma os dados do espaço original para um mais eficiente (consegue armazenar as informações com dimensões menores) Técnica estatística e de álgebra linear (auto valores e auto vetores)

ANP - Representação gráfica

definir a técnica ótima para a tomada de decisão Funções de Decisão Terceiro problema no desenvolvimento um sistema RP: definir a técnica ótima para a tomada de decisão

Funções de Decisão Métodos Heurísticos (“heuristic”) com base em intuição e experiência Métodos Matemáticos Determinístico: não aplica explicitamente teoria estatística (treinamento) Estatístico: assume uma distribuição para a população Métodos lingüísticos

Exemplo da Jujuba Atributos: área perímetro eixos maior e menor alongamento circularidade solidez massa ...

Exemplo Jujuba Objetivo: desenvolver um sistema que classifique as 3 classes de jujubas Tipo de classificador: classificação de padrões pela distância mínima (problema linear ? ) Amostra: 3 jujubas aleatoriamente amostradas (isto representa a população ?) Avaliar: 10 jujubas (qual o parâmetro de avaliação?)

Exemplo da espiga de milho Objetivo: desenvolver um sistema que classifique o grão do milho da parte central e extrema da espiga Parâmetros (automatizar ?): Comprimento Largura Espessura Área projetada Perímetro, etc ...

Exemplo da espiga de milho Tipo de classificador: classificação de padrões pela distância mínima (não se sabe se resolverá o problema - problema linear ? ) Amostra: 20 grãos aleatoriamente amostrado das partes da espiga em estudo (isto representa a população ?) Avaliar: 10 grãos aleatoriamente amostrados (qual o parâmetro de avaliação?)

Folha: “Aprendizado Supervisionado”