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

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 Categorias de Raciocínio Dedução: fatos + regras => novos fatos causa => conseqüência Inferência preserva a verdade –(Onde há fogo(V) => há fumaça(V)) + aqui tem fogo => aqui tem fumaça Indução: fatos => regras conseqüência => causa Inferência preserva a falsidade!!! –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 –Para construir este hospital, vou me basear no projeto daquele outro…

3 CIn- UFPE 3 Lógica Já viram Raciocínio indutivo 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 Dedução natural –Um provador que utiliza dedução natural é o Alfie, disponível em http://www.cs.chalmers.se/~sydow/alfie/ Resolução

4 CIn- UFPE 4 Desenvolvimento de Sistemas: Problemas Crise de Software Desenvolvimento é ad-hoc Não há um padrão para o processo de desenvolvimento É preciso utilizar técnicas, teorias, métodos, ferramentas Profissionais são incapazes de controlar Custo Tempo de duração do processo de construção do software Qualidade do Produto desenvolvido Manutenção toma 70-80% do esforço

5 CIn- UFPE 5 Desenvolvimento de Sistemas: Uma Solução Uso de Métodos Formais em Engenharia de Software São métodos de desenvolvimento de software através dos quais se pode: definir precisamente um sistema e a partir destas definições, desenvolver implementações garantidamente corretas –implementações que façam o que foi inicialmente especificado, terminem, e sejam eficientes

6 CIn- UFPE 6 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 !

7 CIn- UFPE 7 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)

8 CIn- UFPE 8 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 o descreve Cálculo de predicados xyzxyz 2 17 3

9 CIn- UFPE 9 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 programa termina; (3) derivar código para construir programas que satisfazem a uma especificação; (4) transformar um sistema em outro equivalente;

10 CIn- UFPE 10 Bancos 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.

11 CIn- UFPE 11 Por que 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

12 CIn- UFPE 12 Sistemas Gerenciadores de Bancos de Dados Um SGBD é uma coleção de programas para criação e manutenção de um banco de dados. Facilita os processos de definição, construção e manipulação do Banco de Dados. Tem por objetivo eliminar ou reduzir Redundância e inconsistência de dados Dificuldade no acesso aos dados Isolamento dos Dados Anomalias de acesso concorrente Problemas de segurança

13 CIn- UFPE 13 Um SGBD tem esta cara Usuários/Programadores Aplicações/Queries Acesso aos dados Processamento de Queries Meta- Dados BD

14 CIn- UFPE 14 SGBD Dedutivo Um SGBD Dedutivo é um sistema capaz de deduzir informações adicionais a partir dos fatos e das regras que estão armazenados no banco de dados. Fatos - são especificados como relações. Regras - especificam relações virtuais que não estão armazenadas no banco, mas que podem ser deduzidas a partir dos fatos. Também são conhecidos como banco de dados lógicos. O modelo usado pelos BDs dedutivos é relacionado à Programação em Lógica (Prolog) Eles trabalham com a linguagem Datalog

15 CIn- UFPE 15 Um Exemplo de SGBD Dedutivo Regras: cabeça (premissa) :- corpo (conclusão) (1) superior (X,Y) :- supervisiona (X,Y) (2) 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

16 CIn- UFPE 16 Um exemplo: Fatos derivados pelas regras 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)

17 CIn- UFPE 17 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

18 CIn- UFPE 18 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.

19 CIn- UFPE 19 Sistemas Inteligentes São sistemas capazes de “raciocinar” para resolver um problema Como escolher o tipo de raciocínio a usar? Depende do que eu sei e da natureza do 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

20 CIn- UFPE 20 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

21 CIn- UFPE 21 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?

22 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

23 CIn- UFPE 23 Sistemas Baseados em Conhecimento: Dedução Utilizam conhecimento em intenção e um mecanismo de raciocínio dedutivo (inferência) para resolver problemas Principais componentes: Base de Conhecimento Mecanismo de Inferência Base de Conhecimento: contém sentenças em uma Linguagem de Representação de Conhecimento –representa conhecimento de forma “tratável” pelo computador –Ex. LPO Mecanismo (máquina) de Inferência: responsável por raciocinar (inferir), a partir do conhecimento da base, novos fatos ou hipóteses intermediárias

24 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

25 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

26 CIn- UFPE 26 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

27 CIn- UFPE 27 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!

28 CIn- UFPE 28 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?

29 CIn- UFPE 29 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

30 CIn- UFPE 30 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!

31 CIn- UFPE 31 +: 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.

32 CIn- UFPE 32 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, KNN, Redes Bayesianas, …) Simuladores de Redes Neurais –SNNS (Stuttgart Neural Network Simulator)

33 CIn- UFPE 33 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.

34 CIn- UFPE 34 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

35 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

36 CIn- UFPE 36 Exemplo Usos - classificação (casa dos meus sonhos?) - estimativa de preços (adaptação)

37 CIn- UFPE 37 Algumas aplicações na WEB FindMe agents sugere filmes e carros em locadoras raciocíno através de exemplos Help Desk sistema responde dúvidas mais simples, diminuindo a necessidade em contatar seus engenheiros

38 CIn- UFPE 38 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 e dinâmicos Algumas Características Precisam se comunicar – protocolos de interação Ambientes abertos com design descentralizado É preciso coordenar o esforço conjunto Agentes são autônomos e distribuídos, podendo ter diferentes atitudes em relação ao grupo: –Interessados neles mesmos; –Interessados no bem coletivo.

39 CIn- UFPE 39 Aplicações de SMA Marcação de Reuniões Automática; Gerenciamento de Redes; Simulação de Tráfego Gerenciamento de Informação em Ambientes como a Internet. Entretenimento Otimização de Processos de Produção Simulação de Fenômenos Sociais. Análise de Negócios

40 CIn- UFPE 40 Uma Aplicação de SMA Robocup