Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Eugénio Oliveira / FEUP
INTELIGÊNCIA ARTIFICIAL
Eugénio Oliveira
Ana Paula Rocha Henrique Lopes Cardoso
Think
INTELIGÊNCIA ARTIFICIAL
Sítio web Institucioanl: https://sigarra.up.pt/feup/pt/ucurr_geral.ficha_uc_view?pv_ocorrencia_id=399902 Sítio web específico: https://web.fe.up.pt/~eol/IA/1ia1718.html
Eugénio Oliveira / FEUP
OBJETIVOS GENÉRICOS DA UNIDADE CURRICULAR: Incursão em um novo “continente” do saber ! 3 Palavras chave:
* CONHECIMENTO (mais além do que Dados) * Novos PARADIGMAS (mais que algoritmia) * ENGENHARIA (além de Ciência)
INTELIGÊNCIA ARTIFICIAL
Objetivos:
* APRENDER novos MÉTODOS de resolver problemas * USAR outras TÉCNICAS de realizar Sistemas Comp. * REALIZAR diferentes PROGRAMAS para pesquisar soluções
Conclusão: APRENDER novas formas de:
PESQUISAR soluções para Problemas que requeiram CONHECIMENTO e ADQUIRIR esse Conhecimento.
Eugénio Oliveira / FEUP
INTELIGÊNCIA ARTIFICIAL
I
I-INTRODUÇÃO À INTELIGÊNCIA ARTIFICIAL • Metodologias e Objetivos
• Aspetos científicos e tecnológicos
• Debilidades metodológicas
específicos embora intersetando com outras áreas das Ciências da Computação e das C. Cognitivas, das Neurociências, da Sociologia, da Economia e da Electrónica
nos domínios da Programação, da Algoritmia, da Teoria das Probabilidades, da Estatística, da Análise Sistémica, da Perceção e Interpretação de dados, das Neurociências e de outros ramos da Engenharia.
Escassez, em certos casos, de formalização nos métodos e teorias propostas para alcançar os seus objetivos de compreender e implementar Sistemas dotados de “inteligência”
Eugénio Oliveira / FEUP
INTELIGÊNCIA ARTIFICIAL
CIÊNCIA DA COMPUTAÇÃO
ENGENHARIAS: Programação Eletrónica Robótica ...
INTELIGÊNCIA ARTIFICIAL: Ciência Versus Tecnologia
INTELIGÊNCIA ARTIFICIAL
Teoria da Decisão Teoria do Jogo
Economia
Probabilidades e
Estatístca
Psicologia Cognitiva
Sociónica
Neurociências
Eugénio Oliveira / FEUP
Comentários > ambígua (a definição contém o definido); > verdade de "Lapalice" (computadores mais úteis).
INTELIGÊNCIA ARTIFICIAL
Definições "A Inteligência Artificial é o estudo das ideias que, implementadas no computador, lhes permitam realizar os mesmos objetivos que fazem as pessoas parecer inteligentes". "Mais especificamente a IA tenta que os computadores sejam mais úteis e ao mesmo tempo estuda os princípios que tornam a inteligência possível" Patrick Winston: ex-director do Lab. de IA do M.I.T.
Eugénio Oliveira / FEUP
INTELIGÊNCIA ARTIFICIAL
Definições
Research priorities for robust and beneficial artificial intelligence (S.Russel et al. Jan 2015) for the last 20 years AI has been focused on the problems surrounding the construction of intelligent Agents - systems that perceive and act in some environment. In this context, the criterion for intelligence is related to statistical and economic notions of rationality - colloquially, the ability to make good decisions, plans, or inferences.
Eugénio Oliveira / FEUP
"O campo da Inteligência Artificial tem como pressuposto que existem processos comuns baseando perceção e pensamento e que estes processos podem ser compreendidos e estudados cientificamente. Além disso é completamente irrelevante para a teoria da IA quem (ou o quê) "percebe" ou "pensa" - homem ou computador. Isso é um detalhe de implementação...".
N. Nilsson ex-director do Stanford Research Institut; Stanford
Robotics Lab.
INTELIGÊNCIA ARTIFICIAL
Comentário:> polémico. A IA desviou-se, durante algum tempo deste
paradigma para se tornar mais realista, mais independente do funcionamento da mente humana.
Agora: Retorno aos fundamentos
Eugénio Oliveira / FEUP
"A IA é o estudo dos processos que possibilitam aos computadores realizar tarefas para as quais, no momento, as pessoas são mais aptas.“
E. Rich.
Comentário:> Vaga. Incompleta. Mas aproximativa da verdade na sua simplicidade
INTELIGÊNCIA ARTIFICIAL
Outra definição: A Inteligência Artificial é uma disciplina científica cujo objetivo fundamental é realizar sistemas computacionais capazes de exteriorizar comportamentos operacionais semelhantes aos humanos em situações estereotipadas.
Eugénio Oliveira / FEUP
INTELIGÊNCIA ARTIFICIAL
As técnicas de programação usadas, de pesquisa não deterministica, baseiam-se, pelo menos parcialmente, em Linguagens declarativas, sendo essencialmentalmente relacionais, baseadas na lógica ou funcionais.
Existem ferramentas (“Tools”) incluindo algoritmos de inspiração estatística (frequencista ou não) para extração de conhecimento baseados em dados
Eugénio Oliveira / FEUP
• EVOLUÇÃO: Psicologia da Cognição + Ciência da Computação Inteligência Artificial
Engenharia do Conhecimento
Agentes Autónomos “Data Science” Robótica
INTELIGÊNCIA ARTIFICIAL
• DIFERENCIAÇÃO: Técnicas de Inteligência Artificial para: i) problemas complexos requerendo aplicação ou extração de Conhecimento ii) Modelação do raciocínio e tomada de Decisão
Domínios de
Aplicação
Eugénio Oliveira / FEUP
Fazer as máquinas raciocinar…
Modelos Computacionais para o estudo da (ou de acordo com a) mente racional
Máquinas que realizam funções requerendo inteligência
Estudar processos computacionais que simulam ação inteligente
Definições de Inteligência Artificial organizada em 4 categorias
Sist. que “pensam” como humanos Sist. que “pensam” racionalmente Sist. que “agem” como humanos Sist. que “agem” racionalmente
INTELIGÊNCIA ARTIFICIAL
racionalidade humanos
pensar
agir
INTELIGÊNCIA ARTIFICIALINTELIGÊNCIA ARTIFICIAL : SINÓPSE CRONOLÓGICA
"Pré-História" Clássico Romântico Pragmático Difusão/Integração Refundação Antropomorfi.
1956 1962 1974 1982 1990
Filosofia (Lógica) Matemática : Boole
Frege Psicologia: Behaviorismo
Cognitivismo (experimentalismo W. James)
Cibernética
Teste de Turing
Teoria da Informação (SHANNON)
Modelo do Neurónio Artificial (McCulloch & Pits) Computação neuronal
(Doutoramento de Minsky)
Nascimento da IA: Reunião do Dartmouth College (Minsky, McCarthy, Simon, Newell, Shannon,..).
Logic Theorist e G.P.S. (Newell&Simon&Shaw)
Geometry P.S. (IBM) Jogo de Damas (A. Samuel)
LISP, Time-sharing (McCarthy) Pesquisa+ Conhecimento (advice taker) Grupos: MIT (Minsky) U.Stanford (McCarthy)
Computadores da 5º Geração (MITI) Hdw dedicado: Controlo "Fuzzy" ESPRIT
S.Baseados em Conhecimento divulgadosSOAR - Newell Aprendizagem AutomáticaML 1ª Conf. em. AGs
2000 AgentesEmocionaisKISMET
AgentesRobóticos
InteligênciaSocial /Redes
Data & TextMining
Semântica da LN + Web
E-Business Intelligence SMA Cognitivos
Robótica reactiva
(Brooks)
2017 Engª do Conhecimento
Sistemas Periciais: MYCIN
Raciocínio incerto e Probabilístico:
Prospector
Frames (Minsky)
PROLOG (Colmerauer)
(Feigenbaum) Dendral
Tom Mitchell em Stanford, “Formação de Conceitos (ML)
Redes Neuronais
Agentes "situados"
IA Distribuída: S.Multi-Agente Ag. cognitivos
IA + Web
Deep Blue
COG no MITRobô humanóide (R.Brooks)
NickJennings
A.T.
C.S..
M.M.
A.S..
Saída do Reconhecimentode Padróes
HEARSAYII- Blackboard
P. da Resolução
Cálculo Integral (SAINT) Gramática SIR (B.Raphael)
Eliza Minsky & Papert e a polémica dos perceptrões
(A.Robinson)
Perceptrão (Rosenblatt)Hiperplano separando 2 classes
J.Mc..
Robótica ("Shakey")
Shakey.
Neocognitron Fukushima
G.H..
Deep Learning App. (Geo. Hinton 2006 e outros antes)
Bringing Common Sense, Expert Knowledge, and Superhuman Reasoning to Computers
AIAssistants “The Master Algorithm”
INTELIGÊNCIA ARTIFICIALINTELIGÊNCIA ARTIFICIAL : SINÓPSE CRONOLÓGICA
"Pré-História" Clássico Romântico Pragmático Difusão/Inte Bk2Bs 1956 1962 1974 1982 1990
(A. Samuel)
AGs
2000
(Brooks)
2010
E.F. MYCIN
PROLOG (Colmerauer)
Tom Mitchell
Redes Neuronais
Ag. cognitivos
NickJennings
M.M.
(A.Robinson)
(Rosenblatt)
J.Mc..
Shakey.
Neocognitron Fukushima
G.H..
ML &DM
A.T.
C.S..
AI ETHICS
Elon Musk and Deep Mind Ethics..
BIG Data Applications +Deep Learning Intelligent Autonomous Systems Applications
Medicine, Militar, …
ASILOMAR AI Principles: The goal of AI research should be to create not undirected intelligence, but beneficial intelligence.
Eugénio Oliveira / FEUP
PROGRAMA DE INTRODUÇÃO À INTELIGENCIA ARTIFICIAL I INTRODUÇÃO
Objetivo Metodologia (ensino e avaliação) Evolução e Cronologia da Inteligência Artificial Documentação
II NOÇÕES BASICAS
III MÉTODOS DE RESOLUÇÃO DE PROBLEMAS
PROGRAMA
Definições: o que é a I. A. ? Aplicações: em que domínios ? Definições básicas de Agente Arquiteturas de Agentes: dos Reativos aos Cognitivos
Sistemas de "Produções" Estratégias de Controlo da Pesquisa Sistemática Encadeamento directo e inverso (Primeiro em Prof. e Primeiro em Largura) Pesquisa irrevogável: “Subir-a-colina” ( "hill climbing“) “Arrefecimento Simulado” (“Simulated Annealing”) Pesquisa por tentativas: "backtracking; Pesquisa em grafo Algoritmo “Branch and Bound” (ramifica e limita)
Eugénio Oliveira / FEUP
III MÉTODOS DE RESOLUÇÃO DE PROBLEMAS (cont.)
PROGRAMA
** Apresentação pelos alunos e mini-teste de avaliação na Aula Teórica
Computação Evolucionária (Algoritmos Genéticos) (“ML-Evolutionaries”) Pesquisa Heurística: "O melhor primeiro" Algoritmo A* e decréscimo progressivo da admissibilidade Análise Meios-Fins Métodos de Satisfação de Restrições: Princípios da "Relaxação" ** Pesquisa em "Jogos": Procedimento Minmax Cortes Alfa-Beta Exemplos em Prolog de estratégias básicas:
Interpretadores primeiro-em-largura e primeiro-em-profundidade
Eugénio Oliveira / FEUP
IV INTRODUÇÃO À REPRESENTAÇÃO DO CONHECIMENTO
V ENGENHARIA DO CONHECIMENTO
PROGRAMA
** Apresentação pelos alunos e avaliação na Aula Teórica
Definição de um Sistema de Representação Estruturas de Representação: Regras de Produção; Redes Associativas "Frames"; "Scripts" Lógica de Predicados e Outras Lógicas Raciocínio Inexacto: Modelo Probabilístico (Redes Bayesianas);(“ML-Bayesians”) Fatores de Certeza; Modelo Dempster-Schafer; ** Lógica dos Conjuntos Difusos Lógica: Logica Proposicional, Logica de Predicados, Lógica Intencional. (referência)
Sistemas Baseados em Conhecimento Sistemas Periciais: Caraterização Estrutura Rep. do Conhecimento e Meta-Conhecimento Motor de Inferência e Geração de Explicações Casos exemplares de Sistemas Periciais: ORBI; SMYCIN; ARCA Demonstrações Sistemas Genéricos : "Shells"
Eugénio Oliveira / FEUP
VI INTRODUÇÃO À LINGUAGEM NATURAL COMPUTACIONAL
VII APRENDIZAGEM AUTOMÁTICA (“ML- Symbolists”)
VIII INTRODUÇÃO ÀS REDES NEURONAIS (“ML- Connectionists”) IX APRENDIZAGEM AUTOMÁTICA AVANÇADA
PROGRAMA
** Apresentação pelos alunos e mini-teste de avaliação na Aula Teórica
Objetivos e dificuldades Análises Sintática e Semântica ATN; Redes Associativas; "Frames“; Casos Típicos (referência) Aproximação clássica e uso da Lógica : Gramáticas com Cláusulas Definidas; alguns ex. em Português Gramáticas de extraposição Abordagem estatística
Tipos de aprendizagem ap. de Conceitos; ap. pelo exemplo; ap. por analogia ap. Baseada em Explicações (EBL) : Descrição dos Algorítmos para EBG, mEBG e IOL; Exemplo Aprendizagem Indutiva: Algoritmos ID3 e C4.5: Exemplos
Princípios básicos ** Algoritmos fundamentais Exemplo de Aplicação
Text Mining e SVMs Deep Learning Considerações sobre ÉTICA
Eugénio Oliveira / FEUP
Acompanhamento dos Exercícios em Prolog e trabalhos
1 2 3 4 5 6 7 8 9 10 11 12
Intr. IANoções Básicas
Representação Conhecimento
LinguagemNatural
SPericiais Aprendizagem
Simb. Automática RNA
13
Agentes, pesquisa, minimax, AG, optimização
14 15 16 17 18 19 20 21 22 23 2524
Repres. Conhec;SP
Pesq.Sistem.
26
Lançamentotrabalhos
PROGRAMA
AG
LNatural
Aprend.
Métodos de Resolução de Problemas
Pesq.Heuríst.Pesq.Jogos
Eugénio Oliveira / FEUP
BIBLIOGRAFIA de Inteligência Artificial Quadros tópicos disponibilizados no “sítio web” da disciplina- Eugénio Oliveira
LIVROS• "ARTIFICIAL INTELLIGENCE: A Modern Approach", S.Russel and P.Norvig; Prentice Hall, 3rd Ed 2010
• “C4.5-Programs for Machine Learning" Ross Quinlan,Morgan Kaufmann,1993• Deep Learning Tutorial, LISA Lab, University of Montreal
http://deeplearning.net/tutorial/deeplearning.pdf• “Deep Learning using Tensor Flow, Eureka
https://www.youtube.com/watch?v=nl_4WFHQ4LU
• “The Master Algorithm”, Pedro Domingos, Basic Books, 2015.
• "INTELIGÊNCIA ARTIFICIAL-Fundamentos e Aplicações " E.Costa, A.Simões; FCA editores, 2004
BIBLIOGRAFIA
• REVISTAS
• “Autonomous Agents and Multi-Agent Sytems”, Springer • "ARTIFICIAL INTELLIGENCE“ Elsevier-North-Holland • "IEEE EXPERT" • "MACHINE LEARNING" Kluwer A.P.
Eugénio Oliveira / FEUP
Trabalhos práticos tipo Mini-Projecto
• B. Resolução de Problemas de Otimização B1. Otimização de Corte de Placas de madeira/vidro
B2. Otimização do Problema de Alocação de Lotes de Terreno B3. Otimização de Horários de Motoristas dos STCP B4. Otimização da Localização de Prontos-Socorro numa Cidade B5. Aplicação de Algoritmos Genéticos para localização de uma Barragem Métodos: Pesquisa Sistemática/Informada, Algoritmos Genéticos, Pesquisa Tabu, Arrefecimento Simulado
A. Pesquisa Sistemática/Informada de Soluções A1. Pesquisa de trajetos em redes de transportes públicos A2. Trajeto de um robô em ambiente conhecido A3. Pesquisa aplicada ao Problema de Alocação de Lotes de Terreno A4. Pesquisa aplicada à resolução do jogo Rush A5. Pesquisa aplicada à resolução do Solitário Sokoban
Métodos: Pesquisa em Profundidade, Largura, Profundidade Iterativa, Bidireccional, Gulosa, Algoritmo A*, Heurísticas
Eugénio Oliveira / FEUP
TRABALHOS
C. Pesquisa com Adversários – Jogos C1. Jogo de Tabuleiro – Tic-Tac-Ku C2. Jogo de Tabuleiro – Yinsh C3. Jogo de Tabuleiro – Hex C4. Jogo de Tabuleiro – Blockade C5. Jogo de Tabuleiro – Samurai de Reiner Knizia
Métodos: Algoritmo MiniMax com Cortes Alfa-Beta e variações deste; MCTS
D. Engenharia do Conhecimento e Linguagem Natural D1. Desenvolvimento de uma "Shell" (com fuzzy) D2. Sistema de Regras para controlo de dispositivos de Domótica, usando Jess D3. Informações sobre voos da TAP em Linguagem Natural D4. Informações sobre Filmes de Cinema em Cartaz em Linguagem Natural D5. Informações sobre Restaurantes na cidade do Porto em Linguagem Natural Métodos: Representação do Conhecimento, Raciocínio Incerto, Sistemas
Periciais, Linguagem Natural
Eugénio Oliveira / FEUP
TRABALHOS
E. Algoritmos de Aprendizagem e Redes Neuronais E1. Reconhecimento de Sinais de Trânsito utilizando Redes Neuronais E2. Aplicação de ID3 ou C4.5 à classificação de Área Destruída em Incêndio E3. Previsão de Área destruída num incêndio utilizando Redes Neuronais E4. Aplicação de ID3 ou C4.5 à classificação da Qualidade de Vinhos Verdes E5. Previsão da qualidade de um Vinho Verde utilizando Redes Neuronais E6. Aplicar “Aprendizagem Profunda” e comparar com outros métodos Métodos: Algoritmos de Aprendizagem ID3 e C4.5, Redes Neuronais
Artificiais (“Back propagation”), “Deep Learning” Text Mining: Usar WEKA ou RapidMiner sobre Data Sets como: spam/ no
spam; NIST;20NEwsGroup DS
Eugénio Oliveira / FEUP
• Cálculo das classificações:
– Exame 50% (mínimo 7,5 em 20)
– Frequência 50% (mínimo 7,5 em 20)
» Participação e avaliação nas Aulas 30% da freq. » Relatório + Trabalho Intercalar 15% “ » Qualidade e Apresentação final doTrabalho 40% “ » Relatório Final 15% “
AVALIAÇÃO
Eugénio Oliveira / FEUP
• Valor da Disciplina em ECTS = 6ECTS • 1 ECTS ~ 26-27H • Total ~ 156-162 H
• Aulas (T +TP): 64h (4h*16s) (importância das A. T.) • Trabalho: 50h • Estudo + preparação de Exames 44h
AVALIAÇÃO
Eugénio Oliveira / FEUP
- Nova abordagem: - Algoritmo: Cálculo das próximas configurações possíveis (filhos do nodo) encontra solução SENÃO considerar respostas possíveis para cada nó
TÉCNICAS
Abordagem tradicional: - Algoritmo simples
- Desvantagens
- Desvantagem: Mais tempo (todas as sequências possíveis antes de cada movimento) -Vantagem: Extensível, versátil (vários jogos,heurísticas; vários níveis), menos memória
Matriz M com todas as configurações possíveis de vetores (Vi) número ternário (configuração) à decimal indexar nova posição na Matriz Nova posição corresponde ao vetor resposta Vj
gasto de memória; introdução de todas as situações (erros);inflexível
Avançada: aprender com experiência
EXEMPLOS SIMPLISTAS e intuitivos da abordagem “orientada IA” (GOFAI): A- Pesquisa: Jogo do “Tic-Tac-Toe”
1 2 0 o 1 0 0 0
X O
O
0
Vetor: (1,2,0,0,1,0,0,0,0)
Eugénio Oliveira / FEUP
Exemplo B: Representação do conhecimento Reconhecimento de Letras
TÉCNICAS
- Uma alternativa: - Contar o nº de 1s em cada sub-área (ou a razão entre “1” e “0”) - Construir vector com os resultados - Computar distância para os padrões
B
Entradas: contagem de 0s e 1s da matriz analógica
(chave: nº 1s de 3 linhas da matriz e combine-as sem colisões numa f. de hashing)
Desvios de letras significativos ou não Existência de muitos padrões implicam colisões
- Desvantagens: I J l I
- Uma abordagem tradicional:
matriz analógica: tabela de “hashing” indexar padrões
Eugénio Oliveira / FEUP
- Nova abordagem: -Padrões como descrições de caraterísticas:
arc (a,b) AND up(a,b) AND line(b,c) AND left(c,b) AND (nil OR (line(b,d) AND down(d,b))) AND (nil OR (line(a,e) AND up(e,a))) - Algoritmo
- Vantagem
a
b c
d
e
TÉCNICAS
- Encontrar instâncias das primitivas (arcos, linhas) - Relacioná-los e comparar com os padrões - Selecionar o mais próximo
Permite variação de tamanhos; descrições alternativas com simplicidade
-TÉCNICAS DE IA envolvidas nos exemplos: PESQUISA E REPRESENTAÇÃO SIMBÓLICA
Outros métodos expeditos incluem uso de redes neuronais
Eugénio Oliveira / FEUP
• Pesquisa dinâmica de soluções (ex. Jogos Xadrez, …)
• Representação de Conhecimento (ex. usando Lógica)
• Extração de Conhecimento a partir de Dados
TÉCNICAS
-TÉCNICAS DE IA :
• Algoritmos de pesquisa em espaço de estados, • Representação Simbólica e • Classificação por cálculo frequencista
Eugénio Oliveira / FEUP
ALGUNS DOMÍNIOS DE INVESTIGAÇÃO E APLICAÇÃO
1 Compreensão Computacional da Linguagem Natural
compreender ≡ traduzir
Tópicos da INTELIGÊNCIA ARTIFICIAL
F --> SN SV SN --> Qt SN1 SN --> SN1 SN1 --> N FADJ Gramática elementarFADJ--> nil | FADJ ADJ SV --> V SN N --> João | bola |…ADJ --> branca | …Qt --> a | o | …V --> atira
Existem novas abordagens: baseadas em frequência e coocorrências
• Tratamento superficial : Análise Lexical (Ex: Eliza )• Análise em profundidade implica: Sintática, Semântica, Pragmática
Frase: João atira a bola branca
Abordagem tradicional: NLP
Eugénio Oliveira / FEUP
• Interpretação Semântica fundamental para selecção da Ação ex: Qual é o valor da Aptidão do solo à Agricultura no ponto X1,Y1 Depois da Análise sintática, a análise semântica gera: ponto(X1, Y1, D, V), a( 3, D, V-R). (em prolog) • A Ação é a produção da resposta às questões aqui definidas (objetivos).
Outras situações também requerendo análise semântica: O político mentiu/acertou sobre o assunto X à opinião neg/pos sobre o político
Análise mais expedita baseada em “Text Mining”
- Extração de Opiniões (“Sentiment analysis”) - Sumarização
Tópicos da INTELIGÊNCIA ARTIFICIAL
Eugénio Oliveira / FEUP
SISTEMAS PERICIAIS ("EXPERT SYSTEMS")
ESPECÍFICO VS GERAL
Conhecimento Vs "Inteligência"
SISTEMA SIMULADOR DO PERITO: Uso de Conhecimento SIMBÓLICO E HEURÍSTICO Uso de Conhecimento INCERTO, VAGO, INCOMPLETO Acesso ao Conhecimento MODULAR Conhecimento DEDUTIVO
Geração automática de EXPLICAÇÕES AQUISIÇÃO do Conhecimento (eventualmente automático)
Tópicos da INTELIGÊNCIA ARTIFICIAL
Eugénio Oliveira / FEUP
ROBÓTICA - ARQUITETURAS: Cognitivas e Reativas; Híbridas - PERCEÇÃO: Fusão sensorial e Interpretação de Cenas - DECISÃO: Geração Automática de Planos; Aprendizagem pelo Reforço - Linguagens: Nível Tarefa/ LNatural/reconhecimento de voz - Visão + Interpretação
- COORDENAÇÃO de Equipas de robôs
Tópicos da INTELIGÊNCIA ARTIFICIAL
Eugénio Oliveira / FEUP
* Indução de Regras e Classes baseada em: - analogia; exemplos; explicações * “Data e Text Mining” /Classificação para decisão - Representação e Criação de novo Conhecimento; - Reconhecimento de padrões (texto, imagem, música, PERFIS)
* Classificação e Agrupamento de itens; previsões:consumos, finanças * Adaptação progressiva à melhor solução (Alg. Evolucionários)/ Otimização
NOVAS LÓGICAS para o Racicinio Automático - de ordem n
- Modais e Intencionais - temporais - não-monótonas
APRENDIZAGEM, ADAPTAÇÃO E “DATA MINING”
Tópicos da INTELIGÊNCIA ARTIFICIAL
Eugénio Oliveira / FEUP
INTELIGÊNCIA ARTIFICIAL DISTRIBUÍDA -AGENTES DISTRIBUÍDOS E COOPERATIVOS
Aplicações em domínios DDD: - Gestão e análise de Redes (energia, sociais, distribuição) - Oficinas de Produção (CIM)
- Softbots (Pesquisadores, Shopbots,...) - Mercados Eletrónicos (Leilões, contratoção) - Instituições Eletrónicas (Empresas Virtuais,
Negociação, contratação) - Agentes “Emocionais”: simulação de comportamentos - Simulação de eco-sistemas, tráfego, desastres, ...
ARQUITETURAS CONETIVISTAS E NEURONAIS - Informação sub-simbólica:
• Previsão • Controlo adaptativo (de Robôs) • Reconhecimento de padrões (imagens, texto,…) • Deep Structured Learning (ANN) classificação (imagens, sons…)
Tópicos da INTELIGÊNCIA ARTIFICIAL
Eugénio Oliveira / FEUP
TUTORES INTELIGENTES
Representação de Conhecimento do domínio, Estratégias Pedagógicas de Ensino (Itinerários de formação adaptativos) Estratégias de Adaptação/Classificação e constituição de perfis
SIMULAÇÃO DE COMPORTAMENTOS Humanos/ animais Arquiteturas “mentalistas” e baseadas em “Emoções” (Modelos) Coordenação de equipas de entidades autónomas Sistemas ecológicos; mobilidade rodoviária; evacuações…
COMPUTAÇÃO ECONÓMICA BASEADA EM AGENTES (ACE) “Computational study of economic processes as dynamic systems of interacting agents” Modelos de mundos virtuais com leis económicas onde agentes de vários tipos interagem e evoluem no tempo
Tópicos da INTELIGÊNCIA ARTIFICIAL
Eugénio Oliveira / FEUP
AGENTES COMPUTACIONAIS * Agentes são entidades computacionais dispondo de capacidade de
perceção do ambiente exterior a si (através de "sensores") e de interação com esse ambiente (através de "efetuadores").
Introdução aos Agentes
* Agentes usam sequências percecionais juntamente com eventual conhecimento à priori para agirem de forma a maximizar o seu desempenho.
* Agentes dizem-se autónomos na medida em que o seu comportamento é baseado na sua própria experiência e perceções (e não só na do seu criador). Além disso pode responder positiva ou negativamente a solicitações.
Eugénio Oliveira / FEUP
Descrição "PAGE" dos Agentes: [Perceções, Ações, "Goals" (objetivos), "Environment" (ambiente)] Agora (PEAS- Performance measures, Environment, Actuators, Sensors)
Introdução aos Agentes
Exemplos de Agentes
Tipo Perceção Ações Objetivos Ambiente
Sistema de Diagnóstico/alerta Médico
SintomasSinais biológicosvitais
alertas Tratamentosdosagens
Saúde do Paciente Minimização dos custosp/ paciente
Bio-sinais doPaciente
HospitalCuidados intensivos
Robô Manip.
de pixeisdistâncias
intensidade
Forçaslocalizadores
pegar e largar peças
Juntar peças
localizar e colocar correcta- mente
mesas ou passadeiras com peças.
Humanos
Softbot bibliografico (ou um comprador)
análise de
de páginas Web
Localização de pg. Web filtragem de informação
Selecção de informação relevante
Computa- dores Internet Web pages
Eugénio Oliveira / FEUP
Aplicações de AGENTES
APLICAÇÕES de AGENTES e SMA
• Gestão dinâmica de Redes de Distribuição • Seleção de Recursos distribuídos em Empresas (por ex. de Construção) • Mercados Eletrónicos: de Bens de consumo e de Utilidades (Eletricidade) • Delegação de representação e negociação em Empresas Virtuais • Pesquisadores na Web
• Simulação para Gestão e Encaminhamento de Sistemas de Transportes • Agentes Robóticos de exploração ou deslocamento • Gestão de redes de Comunicação • Interfaces inteligentes e emocionais (Avatares)/ Jogos/Simulações • Sistemas Distribuídos de Apoio à Decisão
Eugénio Oliveira / FEUP
função esqueleto-agente (perceção) retorna ação
estática: memória /* a memória do mundo do agente memória <---- atualiza_mem (memória, perceção) ação <---- selecciona_melhor (memória) memória <---- atualiza_mem (memória, ação) retorna ação
Notas: a sequência de perceções é criada internamente. A medida do desempenho é exterior ao agente
Arquiteturas básicas
Eugénio Oliveira / FEUP
Desvantagens: • enormes tabelas. Tempo de construção da tabela • agente sem autonomia
• A IA tenta substituir a programação exaustiva por um código mais compacto
que permita gerar comportamento racional do agente
* agente mais elementar: agente_tabela função agente_tabela (perceção) retorna ação estática: memória /* a memória do mundo do agentetabela indexada pelas perceções. Inicialmente completamente especificada */
memória <---- atualiza_mem (memoria, perceção) ação <---- seleciona_melhor (memoria) memória <---- atualiza_mem (memoria, ação) retorna ação
Arquiteturas básicas
Agente trivial
Eugénio Oliveira / FEUP
* Um Agente com "raciocínio" pode tentar evitar estas desvantagens. * Como construir agentes capazes de melhor mapear as perceções em ações? * Consideremos cinco tipos de agentes:
Arquiteturas básicas
a) Reativos simples b) Baseados no Modelo do mundo c) Geridos por objetivos d) Baseados na utilidade e) Com Aprendizagem
Eugénio Oliveira / FEUP
Arquiteturas 1) Reativos simples : Usam um conjunto de regras "situação-ação" * válidos quando a decisão correta é só função da perceção atual
estado do
próxima
B
EN
AGENTE
mundo
Sensores
ação ?
Efetuadores
Regras:Condições->ação
AMBIENTE
Diagrama esquemático de um Agente Reacivo simples
função agente_reativo_simples( perceção ) retorna ação persistente: regras /*conjunto de regras situação-ação */ estado <----- interpreta_input ( perceção ) regra <----- selecciona ( estado, regras ) ação <----- conclusão_regra ( regra ) retorna ação
Eugénio Oliveira / FEUP
A tomada da decisão implica um conhecimento prévio do mundo.
função agente_reativo_c_mem (perceção) retorna ação persistente:estado , modelo /* descrição do estado (corrente) do mundo */ regras, ações /* conjunto de regras situação_ação */ estado <----- atualiza_estado (estado, ação,perceção, modelo) regra <----- selecciona_regra (estado, regras) ação <----- conclusão_regra (regra) retorna ação /*mesma perceção -->ações diferentes,(estado do mundo) */
Arquiteturas 2) Baseados no Modelo do mundo:
AGENTE
estado do mundo
Sensores
próxima ação ?
Efetuadores
Regras:Condições->ação
A M B I E N T E
Diagrama esquemático de um Agente com estado interno Modelando o Mundo
estado
evolução do mundo
resultados das ações
Eugénio Oliveira / FEUP
Para além da descrição do estado corrente o agente usa informação sobre os objetivos. Implica pesquisa e planeamento. É mais flexivel pois diferentes comportamentos são obtidos para o mesmo estado do mundo dependendo do objetivo.
Arquiteturas 3) Geridos por objetivos:
AGENTE
estado do mundo
Sensores
próxima ação ?
Efectuadores
A M B I E N T E
Diagrama esquemático de um Agente com objetivos explícitos
estado
evolução do mundo
resultados das ações
Objetivos
evolução do mundo se executar ação A
Regras:Condições->ação
Eugénio Oliveira / FEUP
Utilidades são medidas de "satisfação", para o agente, relativamente aos diversos estados. Utilidades podem ser usadas para decidir entre objetivos em conflito ou ainda (quando há incerteza nas ações) para medir a verosimilhança de atingir o objetivo. Agentes que usam a função utilidade são mais racionais.
Arquiteturas 4) Baseados na utilidade
Qual o grau de satisfação do Agente neste estado
AGENTE
estado do mundo
Sensores
próxima ação ?
Efetuadores
A M B I E N T E
Diagrama esquemático de um Agente baseado em Utilidades
estado
evolução do mundo
resultados das ações
Objetivos
evolução do mundo se executar acção A
Qual o grau de satisfação do Agente neste estado? Medida de Utilidade
Regras:Condições->ação
Eugénio Oliveira / FEUP
Arquiteturas 5) Agentes Adaptativos (na disciplina de AIAD)
AGENTE
Crítico
Sensores
agente executor
Efectuadores
AMBIENTE
Diagrama esquemático de um Agente Adaptativo
Aprendizagem
Gerador de Estados
feedback
Objectivos da Aprendizagem
Conhecimento
alterações
Medida do Sucesso
Sugestões