Ensino Superior
Lógica Matemática e Computacional
6 – Introdução aos Sistemas Especialistas
Amintas Paiva Afonso
1
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:
2
Inteligência Artificial
Raciocínio/
Pensamento
Comportamento
Sistemas que
pensam como os
Humanos
Sistemas que
pensam
Racionalmente
Sistemas que
agem como os
Humanos
Sistemas que
agem
Racionalmente
Modelação do Ser
Humano
Outros Modelos
Foco de Interesse
3
IA Simbólica
Fundamenta-se em:
• Representação do conhecimento; e
• Métodos de Busca.
4
IA Simbólica
• Representação do conhecimento:
1.
2.
3.
4.
5.
Lógica proposicional e predicativa;
Regras de produção;
Redes semânticas;
Frames e scripts;
...
5
IA Simbólica
• Métodos de Busca:
1.
2.
3.
4.
5.
6.
7.
Espaço de estados;
Busca em profundidade;
Busca em largura;
Busca heurística (A*);
Busca em feixe;
Têmpera simulada;
...
6
Exemplo: um pequeno jogo...
• Estado inicial: <XX_YY>
• Estado objetivo: <YY_XX>
• Ações (operações):
1. X_ => _X
2. XX_ => _XX
3. XY_ => _YX
e
e
e
_Y => Y_
_YY => YY_
_XY => YX_
7
Exemplo: uma solução
1.
2.
3.
4.
5.
6.
7.
8.
9.
<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)
8
Exemplo: uma falha
1.
2.
3.
4.
5.
6.
<XX_YY> (estado inicial)
<X_XYY> (ação 1a)
<XYX_Y> (ação 2b)
<XYXY_> (ação 1b)
<XY_YX> (ação 3a)
<XYY_X> (ação 1b) Falha !!!!
9
Exemplo: árvore de busca
1.
2.
3.
4.
5.
<XX_YY> (estado inicial)
<X_XYY> (ação 1a) OU
<XXY_Y> (ação 1b) OU
<_XXYY> (ação 2a) OU
<XXYY_> (ação 2b)
Qual escolher ? (heurística ?)
10
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.
11
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.
12
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.
13
Sistemas Especialistas
P ro gram a
S istem a
E sp ecialista
R ep resen tação d o
C o n h ecim en to
Im p lícita
E xp licita
R ealid ad e exp ressa
em term o s d e
M od elos M a tem á ticos
M od elos C og nitiv os
C o n h ecim en to
trad u zid o em
A lg oritm os
O co m p u tad o r
execu ta
P rocessa m ento
num érico (cá lculos)
E strutura s hierá rq uica s
R ed es S em â ntica s
R eg ra s
Á rv ores d e d ecisã o
T a b ela s d e d ecisã o
R ed es d e Inferência
P rocessa m ento
sim b ólico (inferência s)
T ip o d e R esu ltad o s
N um éricos
C onhecim ento
14
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.
15
Tecnologia dos Sistemas Especialistas
Arquitetura
ESPECIALISTA/
ENG. CONHECIMENTO/
PROGRAMADOR
BASE DE
CONHECIMENTO
SHELL
INTERFACE COM USUÁRIO:
MOTOR DE
INFERÊNCIA
DADOS ESPECÍFICOS
DO CASO
PERGUNTA/RESPOSTA
ORIENTADO POR MENUS
LINGUAGEM NATURAL
GRÁFICO
USUÁRIO
EXPLANAÇÃO
APRENDIZAGEM
16
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.
17
Desenvolvimento de SE
• Envolve o Engenheiro de Conhecimento, o Especialista do
domínio do problema e o Usuário final;
• Criação Rápida de Protótipos:
Aquisição do Conhecimento
Modelagem
do Sistema
Correção
Programação
• Metodologia Centrada no Cliente;
• Sucessivas iterações nas quais as possibilidades são postas à
prova pelos futuros usuários.
18
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, ExpertEase, Guru, Crystal...
• Ambientes de Programação (de IA):
–
ILOG...
• Aplicações:
–
Business Insight...
19
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)
20
Arquitetura Clássica de um SE
Base de
Conhecimento
Regras
Fatos
Subsistema de
aquisição de
conhecimento
Memória
de Trabalho
Motor de
Inferência:
Controle e
Inferência
Subsistema de
explanação
Especialista / Eng. Conhecimento
Interface
com o usuário
Usuário
21
Motor de Inferência
Regras (MR)
Fatos (MF)
Pattern Matching
Conjunto de conflitos (CC)
Resolução de conflitos
Regra (s) escolhida(s)
Motor de
Inferência:
Controle e
Inferência
Disparo da(s) regra(s)
Alterações em MF (MR)
22
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).
23
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 ?
24
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);
25
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);
26
Exemplo: um pequeno SE
• R6: SE (Qualifica = Sim) E
(Média > 7,0)
ENTÃO (Posição = Eng. de Produto);
27
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)
(resolução de conflitos);
regra(s)
no
CC
– Dispare a(s) regra(s) escolhida(s)
(acrescenta / retira fatos da MT).
28
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);
29
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).
30
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.
31
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
(recursivamente);
premissas
de
R
• Se não for possível , escolha outra hipótese.
32
Encadeamento para trás
Fatos iniciais (M0):
• F0: (Diploma = Sim);
• F1: (Experiência = 1,5);
• F2: (Média = 8,0);
• F3: (Descoberta = Não).
33
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.
34
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.
35
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.
36
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.
37
Encadeamento para trás
• Outra possibilidade:
usuário a cada passo:
inquisição
do
• Caso não haja regra cuja conclusão
confirme a hipótese, uma pergunta é feita
ao usuário para se obter o valor da
variável.
38
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.
39
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...
40
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.
41
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
42
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
43
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)
44
Raciocínio Baseado em Casos
• vantagens:
– não é necessária uma análise extensiva do
domínio do conhecimento
– aquisição de conhecimento e sua codificação
relativamente fáceis
45
Raciocínio Baseado em Casos
• desvantagens:
– explanação difícil
– desempenho computacional (bases de dados
extensas)
– difícil definir critérios de similaridade
46
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
47
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)
48
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
49
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/naturallanguage/people/knight.html .
50
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.
51
52
Descargar

Sistemas Especialistas