trabalho inteligencia artificial

Prévia do material em texto

Anhanguera Educacional
Unidade Santo André
Curso de Graduação em Sistemas de Informação
Matheus Carvalho
Ra:7087573663
Trabalho de programa de recuperação de aprendizagem
Inteligência artificial
Santo André
 2017
Matheus Carvalho
Ra:70875663
Trabalho de programa de recuperação de aprendizagem
Inteligência artificial
Trabalho de recuperação de aprendizagem . 
Orientador: Cleonice reis 
Santo André
2017
ERIC GRAVES CAMOLLEZ 7244587081
AGRADECIMENTOS
Agradeço a todos que me apoiaram durante toda a minha vida e também aos meus pais que me incentivaram e me apoiaram para que eu chegasse até aqui.
Agradeço também a Deus por ter me ajudado em todos os momentos para passar pelas dificuldades e desafios enfrentados.
Aos amigos que colaboraram de todas as formas para a realização das etapas do trabalho e também aos orientadores que nos direcionou da melhor forma possível.
RESUMO
O estudo da inteligência artificial teve origem há mais de dois mil anos. A busca por métodos ou dispositivos capazes de simular o raciocínio humano vem sendo o objetivo dessa área desde muito tempo. Teve início com os filósofos procurando entender como são realizados os processos de visão, lembranças, aprendizagem e raciocínio, várias tentativas para mecanizar a inteligência foram efetuadas. Desde suas origens na década de 50, a área da Inteligência Artificial, ou IA vem se desenvolvendo em vários ramos da ciência e várias linhas de pesquisa com o objetivo de fornecer ao computador a habilidades para efetuar funções que apenas o cérebro humano é capaz de solucionar.
	
ABSTRACT
This work initially will address technical concepts considered fundamental about technology, theoretical and historical contexts intended to illustrate in figures formats, planned environment in its origins, and finally address the issues related to applications and key features of a business tool.
Data Warehouse is a database tool applied in large organizations and have a fundamental basis for the integration of data provide support for the extraction of reports and information related to decision-making, whether operational, and especially tactical or strategic, which in turn have a high degree of importance, the main system that integrates and controls the data is called Business Intelligence.
For the initial data can be generated and delivered to the customer, there is an OLAP tool called (Online Analytical Processing), which in turn has the function to make the collection, analysis, organization and sharing of all data relevant to the organization. This query is performed by the Data Warehouse data source.
Keywords: Data Warehouse; Pentaho; Business Intelligence (BI); Online Analytical Processing (OLAP).
 
Sumário
AGRADECIMENTOS	15
RESUMO	16
ABSTRACT	17
Introdução	19
O Que é a Inteligência Artificial?	20
Aplicações da Inteligência Artificial	21
Sistemas MultiAgentes	23
Introdução sistema MultiAgentes	24
Sistemas multiagentes reativos	25
Sistemas MultiAgentes cognitivos	27
Definição de regra em SMAR	28
Considerações Finais	30
REFERÊNCIAS	31
 
Introdução
O homem tem a capacidade única de raciocínio e durante milhares de anos, ele procurou entender como o pensamos: isto é, como um mero punhado de matéria pôde compreender, perceber, prever e manipular um mundo muito maior e muito mais complexo que ele próprio. O campo da inteligência artificial vai ainda mais além: ele tenta não apenas compreender, mas também construir entidades inteligentes. 
A inteligência artificial é uma das ciências mais recentes, teve início após a Segunda Guerra Mundial e, atualmente, abrange uma enorme variedade de subcampos, desde áreas de uso geral, como aprendizado e percepção, até tarefas específicas como jogos de xadrez, demonstração de teoremas matemáticos, criação de poesia e diagnóstico de doenças. A inteligência artificial sistematiza e automatiza tarefas intelectuais e, portanto, é potencialmente relevante para qualquer esfera da atividade intelectual humana. Nesse sentido, ela é um campo universal (RUSSELL; NORVIG, 2004).
O Que é a Inteligência Artificial?
Quando se fala de Inteligência Artificial, é difícil defini-la, mas ao longo do tempo ela seguiu quatro linhas de pensamento: 
I. Sistemas que pesam como seres humanos: “O novo e interessante esforço para fazer os computadores pensarem... máquinas com mentes, no sentido total e literal”. (HAUGELAND, 1985). 
II. II. Sistemas que atuam como seres humanos: “A arte de criar máquinas que executam funções que exigem inteligência quando executadas por pessoas.” (KURZWEIL, 1990). 
III. III. Sistemas que pensam racionalmente: “O estudo das faculdades mentais pelo seu uso de modelos computacionais.” (CHARNIAK; MCDERMOTT, 1985). 
IV. IV. Sistemas que atuam racionalmente: 
“A Inteligência Computacional é o estudo do projeto de agentes inteligentes.” (POOLE et al., 1998). 
No geral, as linhas de pensamento I e III referem-se ao processo de pensamento e raciocínio, enquanto as II e IV ao comportamento. Além disso, as linhas de pensamento I e II medem o sucesso em termos de fidelidade ao desempenho humano, enquanto na III e IV medem o sucesso comparando-o a um conceito ideal que de inteligência, que se chamará de racionalidade. Um sistema é racional se “faz tudo certo”, com os dados que tem (RUSSELL; NORVIG, 2004). 
Historicamente, todas as quatros dimensões para o estudo da inteligência artificial têm sido seguidas. Como se poderia esperar existe uma tensão entre abordagens centradas em torno de seres humanos e abordagens centradas em torno da racionalidade. Uma abordagem centrada nos seres humanos deve ser de ciência empírica, envolvendo hipóteses e confirmação experimental. Uma abordagem racionalista envolve uma combinação de matemática e engenharia (Ide, 2004).
Aplicações da Inteligência Artificial
A inteligência artificial é um ramo da Ciência da Computação cujo interesse é fazer com que os computadores pensem ou se comportem de forma inteligente. Por ser um tópico muito amplo, IA também está relacionada com psicologia, biologia, lógica matemática, linguística, engenharia, filosofia, entre outras áreas científicas, conforme mostra a Figura 1.
Vale destacar algumas aplicações desenvolvidas por esse sistema que podem ser assim explicitadas:
Sistemas Especialistas
Um Sistema Especialista é uma importante área da IA, desenvolvido a partir das necessidades de processamento das informações não numéricas, um sistema especialista é capaz de apresentar conclusões sobre um determinado tema, desde que devidamente orientado e alimentado.
É uma forma de sistema baseado no conhecimento e foi especialmente projetado para emular a especialização humana de algum domínio específico. Este sistema foi construído por uma base de conhecimento formada de fatos, regras e heurísticas sobre o domínio, tal como um especialista humano faria, e deve ser capaz de oferecer sugestões e conselhos aos usuários e, também, adquirir novos conhecimentos e heurísticas com essa interação (BARONE, 2003).
Na década de 70, os primeiros sistemas especialistas que obtiveram sucesso em seus objetivos foram os sistemas DENDRAL, citado anteriormente, e o MYCIN . A partir dessa época, vários sistemas foram desenvolvidos para atuação em diferentes domínios, como por exemplo, agricultura, química, sistemas de computadores, eletrônica, engenharia, geologia, gerenciamento de informações, direito, matemática, medicina, aplicações militares, física, controle de processos e tecnologia espacial (BARONE, 2003)
.
Robótica
Os robôs são agentes físicos que executam tarefas manipulando o mundo físico. Para isso, eles são equipados com efetuadores como pernas, rodas articulações e garras (RUSSELL; NORVIG, 2004). Os efetuadores têm o único propósito de exercer forças físicas sobre o ambiente. Os robôs também estão equipados com uma diversidade de sensores, que lhes permitem perceber o ambiente: câmeras, ultrassom, giroscópios , acelerômetros .
A maior parte de robôs atuais se enquadra em três tipos de categorias: manipuladores, móveis e híbridos. Os manipuladores, ou braços robôs, estão fisicamente ancorados (ou fixos) ao seu local de trabalho, como por exemplos os robôs de linha industrial. O movimento do manipulador em geral envolve uma cadeia inteira de circulações controláveis, permite que esses robôs coloquem seus efetuadores em qualquer posição dentro do local de trabalho. Os manipulares são a maioria, quando se trata de robôs, existem mais de um milhão de unidades instaladas em todo o mundo e sua utilização esta focada no ramo industrial (RUSSELL; NORVIG, 2004).
Os robôs móveis se deslocam pelo ambiente usando rodas, pernas ou mecanismos parecidos. Eles foram projetados para entrega alimentos em hospitais, mover contêineres em docas de carga e tarefas semelhantes (Ide, 2004). Os robôs móveis podem ser classificados em quatro tipos:
Veículos Terrestres não tripulados (Unmanned Land Vehicle - ULV): robôs como o NAVLAB que realiza a navegação autônoma sem condutor em autoestradas.
Veículos Aéreos não tripulados (Unmanned Air Vehicle - UAV): utilizados para vigilância, pulverização de lavouras, operações militares, dentre outras atividades do ramo.
Veículos Autônomos subaquáticos (Autonomous Underwater Vehicle - AUV): usados em explorações no fundo do mar.
E por último, os Viajantes Interplanetários, como o robô Sojourner mostrado na Figura 2.
O terceiro tipo de robôs é o híbrido: robô móvel equipado com manipuladores. Eles incluem o robô humanoide, como o mostrado na Figura 3. Os robôs híbridos podem utilizar os efetuadores adicionais em campos mais amplos que os manipuladores fixos, porém seu trabalho ser torna muito mais difícil, pois eles não possuem a rigidez que um ponto de fixação oferece.
O campo da robótica não se limita apenas aos três tipos citados acima, existem também os dispositivos protéticos (membros artificiais para seres humanos), ambientes inteligentes (casas superequipadas de sensores e efetuadores) e sistemas com vários corpos, nos quais a ação robótica é alcançada por enxames de pequenos robôs cooperativos (STAIRS; REYNOLDS, 2006).
 
 
Sistemas MultiAgentes
Os Sistemas MultiAgentes (SMA) formam uma sub-área da Inteligência artificial Distribuída e concentram-se no estudo de agentes autônomos em um universo multiagente. Para os SMA, o termo autônomo designa o fato de que os agentes têm uma existência própria, independente da existência de outros agentes. Usualmente, cada agente possui um conjunto de capacidades comportamentais que definem sua competência, um conjunto de objetivos, e a autonomia necessária para utilizar suas capacidades comportamentais a fim de alcançar seus objetivos. Um agente é uma entidade computacional com um comportamento autônomo que lhe permite decidir suas próprias ações. A decisão de qual ação levar a cabo é determinada pelo agente, tendo em consideração as mudanças acontecidas no ambiente em que atua e o desejo de alcançar seus objetivos. A ideia principal em um sistema multiagente é que um comportamento global inteligente pode ser alcançado a partir do comportamento individual dos agentes. Em um SMA não é necessário que cada agente seja individualmente inteligente para alcançar um comportamento global inteligente.
Introdução sistema MultiAgentes
A metáfora de inteligência utilizada pelos Sistemas Multiagentes é a comunidade inteligente, ou seja, o comportamento social que é base para a inteligência do sistema. A metáfora utilizada pela IA clássica é basicamente de origem psicológica, enquanto que aquela utilizada pela IAD (Inteligência Artificial Distribuída) pode ser de natureza sociológica ou etológica. Uma abordagem sociológica/etológica é interessante quando se deseja resolver problemas complexos, que requeiram conhecimento de vários domínios e que podem envolver dados fisicamente distribuídos. Segundo Demazeau [DEM 95], podemos decompor um sistema segundo uma metodologia de IAD, através dos conceitos definidos a seguir.
Dado um determinado sistema, denomina-se agente cada uma de suas entidades ditas ativas. Este conjunto de agentes forma uma sociedade. As entidades passivas serão designadas pelo termo ambiente. Um agente recebe informações e raciocina sobre o ambiente, sobre outros agentes e decide quais ações deve realizar e quais objetivos deve seguir. Um agente é uma entidade ativa, ou seja, capaz de controlar suas ações, diferentemente das noções estáticas tais como módulos, conjunto de regras e bases de conhecimentos.
Denomina-se interação entre agentes ou entre agente/ambiente uma troca de informações, que pode ser realizada de forma direta (comunicação explícita) ou de modo indireto (emissão de sinais através do ambiente). Uma organização define todas as restrições aplicadas aos agentes pertencentes a uma determinada sociedade, ou seja, os meios através dos quais o projetista do sistema pode garantir que cada agente desejará e realizará a resolução dos problemas propostos.
Não existe uma definição para agente que seja aceita por toda a comunidade de IAD. Uma possível definição é proposta por Ferber e Gasser [FER 91]: chama-se agente uma entidade real ou abstrata que é capaz de agir sobre ela mesma e sobre seu ambiente, que dispõe de uma representação parcial deste ambiente que, em um universo multiagente, pode comunicar-se com outros agentes, e cujo comportamento é conseqüência de suas observações, de seu conhecimento e das interações com outros agentes.
A definição proposta acima preocupa-se com os mecanismos internos para o tratamento de cada agente, não estabelecendo o tipo de comunicação possível nem a granularidade dos agentes. Em Gasser [GAS 92] temos uma definição que ressalta o aspecto da identidade de cada agente: um agente é uma entidade à qual pode-se associar uma identidade única, e que é capaz de realizar tarefas formalizadas. Um agente pode ser considerado como um meio que produz um certo número de ações a partir dos conhecimentos e mecanismos internos que lhe são próprios.
Os SMA podem ser caracterizados didaticamente em duas classes, que serão apresentadas a seguir. A primeira denomina-se Sistemas Multiagentes Reativos e trabalha com o desenvolvimento de sistemas que utilizam um grande número de agentes simples para a resolução de um determinado problema. A segunda abordagem, denominada Sistemas Multiagentes Cognitivos trabalha com poucos agentes que realizam tarefas mais complexas que os primeiros.
Sistemas multiagentes reativos
Os agentes reativos são baseados em modelos de organização biológica ou etológica (formigas, cupins, abelhas, etc.). O modelo de funcionamento de um agente reativo é formado pelo par Estímulo-Resposta (Ação-Reação). As principais características dos agentes e dos sistemas multiagentes reativos são destacadas a seguir [FER 91]:
· não há representação explícita do conhecimento: o conhecimento dos agentes é implícito (as suas regras de comportamento) e sua manifestação se externa através do seu comportamento e dos demais agentes;
· não há representação do ambiente: o comportamento (resposta) de cada agente é baseado no que ele percebe (estímulo) a cada instante. Não há uma representação interna explícita do ambiente;
· não há memória das ações: os agentes reativos não mantém nenhum tipo de histórico de suas ações, ou seja, o resultado de uma determinada ação passada não influencia diretamente na decisão de uma ação futura;
· organização etológica: a forma de organização dos SMA reativos é similar à observada por animais que vivem em grandes comunidades;
· grande número de membros: em geral, os SMA reativos possuem um grande número de agentes, com populações que podem chegar à ordem de milhares de membros.
Em suma, os agentes reativos são muito simples e não possuem representação do seu ambiente. Suas reações dependem unicamente de sua percepção deste ambiente. A Inteligência Artificial clássica define um problema de uma maneira global, criando métodosde resolução que se aplicam diretamente e exclusivamente sobre esta definição. Os modelos de SMA Reativos, por outro lado, concebem o problema como sendo um conjunto de agentes interagindo entre si, onde cada um destes possui seus próprios objetivos individuais. Uma forma usual de representar os comportamentos dos agentes é através de um conjunto de regras.
Dentre as principais aplicações que podem ser modeladas através de SMA Reativos, podemos destacar:
· Vida Artificial: Os SMA reativos abriram um amplo horizonte para o desenvolvimento de sistemas de Vida Artificial, devido a similaridade entre as suas características principais: criação de entidades simples, independentes e capazes de atuar num meio complexo. Neste caso, o conceito de agente reativo é modelado como um ser independente, que possui a capacidade de gerar novos agentes (descendentes) se uma determinada condição for satisfeita.
· Recuperação de Informações: busca de informações altamente específicas em ambientes de troca de dados heterogêneos, tais como rede de computadores.
· Telecomunicações: SMA reativos podem ser utilizados na construção de sistemas de telecomunicações mais abertos, flexíveis e, principalmente, interativos. De acordo com as ações realizadas nos pontos de transmissão e recepção, os agentes poderiam reconfigurar o sistema, adequando-se ao novo ambiente apresentado.
Sistemas MultiAgentes cognitivos
Os agentes cognitivos são baseados em organizações sociais humanas como grupos, hierarquias e mercados. Segundo Ferber e Gasser [FER 91], as principais características dos Sistemas Multiagentes Cognitivos são as seguintes:
· representação explícita do ambiente e dos outros agentes da sociedade;
· podem manter um histórico das interações e ações passadas e, graças a esta memória, são capazes de planejar suas ações futuras;
· seu sistema de percepção, que permite examinar o ambiente, e o de comunicação, que permite a troca de mensagens entre agentes, são distintos. A comunicação entre agentes é realizada de modo direto, através do envio e recebimento de mensagens;
· seu mecanismo de controle é deliberativo. Os agentes cognitivos raciocinam e decidem em conjunto sobre quais ações devem ser executadas, que planos seguir e que objetivos devem alcançar;
· considerando a última asserção, os modelos de organização dos SMA cognitivos são modelos sociológicos, como as organizações humanas;
· um SMA cognitivo contém, usualmente, poucos agentes, na ordem de algumas dezenas, no máximo.
Considerando como exemplo a arquitetura definida em Sichman [SIC 95], apud Álvares [ALV 97] p.29, pode-se visualizar a estrutura interna de um agente cognitivo, como visto na figura abaixo. Este agente é composto por mecanismos de percepção e recepção de mensagens (entrada de dados), ação e emissão de mensagens (saída de dados), raciocínio e decisão (estados internos) e revisão (revisão das crenças do agente). O agente raciocina socialmente sobre os demais agentes. Tal mecanismo utiliza as informações que o agente tem sobre os demais, armazenadas numa estrutura denominada descrição externa. O agente também possui diversos estados internos, como o estado de raciocínio (RS), de decisão (DS) e de engajamento (CS). Tais estados são modificados através da execução dos diversos mecanismos internos.
Definição de regra em SMAR
Segundo Rich [RIC 93] um conjunto de regras deve representar o conhecimento sobre os relacionamentos do mundo e o conhecimento sobre como solucionar problemas usando o conteúdo das regras. Existem duas formas de representar um conhecimento através de um conjunto de regras:
· representação declarativa: para este modelo, o conhecimento é especificado, mas o uso que será feito dele não é fornecido. Para utilizar este estilo de representação, deve-se ampliá-lo com um programa que especifique o que deve ser feito com o conhecimento e como. É importante salientar que existe uma maneira diferente de visualizar as definições lógicas declarativas, visualizandoas como um programa e não como dados de um programa. Neste aspecto, as declarações de implicação definem os caminhos legítimos de raciocínio e as declarações atômicas fornecem os pontos de partida desses caminhos;
· representação procedural: neste caso, as informações de controle necessárias ao uso do conhecimento estão embutidas no próprio conhecimento. Para usar uma representação procedimental, precisa-se ampliá-la com um interpretador que siga as instruções fornecidas no conhecimento.
Considerações Finais
A inteligência artificial é um campo que está sendo pesquisado e aprimorado em grande escala nos últimos anos, além das áreas citadas acima, a IA faz parte de muitas outras áreas. Hoje têm-se as Redes Neurais e os conceitos de Aprendizagem, além das grandes inovações no mundo tecnológico aplicados em áreas que não se achava possível sua utilização. Na medicina, por exemplo, existem robôs que auxiliam nas cirurgias e em alguns casos o médico apenas precisa controlá-los e sua presença na sala nem se faz necessária. Outro grande exemplo da utilização da IA é no mundo dos games e jogos eletrônicos, linguagens com PROLOG e LISP, aplicam seus conceitos em algoritmos cada vez mais inteligentes e nos jogos mais reais a máquina simula os acertos e erros de quem está por trás de tudo isso, os controladores humanos. A IA ainda é tabu dependendo do assunto abordado, ainda não se sabe se o homem vai ser capaz de criar a real inteligência artificial, ou ao menos desvendar os princípios do cérebro humano que é a base sua criação. Hoje, o que se sabe é que seus conceitos desenvolvidos ao longo de anos têm trazido grandes benefícios para humanidade e que de um modo geral ela sempre vai inovar e evoluir gradativamente (STAIRS; REYNOLDS, 2006).
REFERÊNCIAS
BARONE, Dante. Sociedades Artificiais: A Nova Fronteira da Inteligência nas Máquinas. 1. ed. Porto Alegre: Bookman, 2003.
CHARNIAK, Eugene; MCDERMOTT, Drew. A Bayesian Model of Plan Recognition. Massachusetts: Addison-Wesley, 1985.
HAUGELAND, John. Artificial Intelligence: The Very Idea. Massachusetts: The MIT Press, 1985.
KURZWEIL, Ray. The Age of Spiritual Machines. Massachusetts: The MIT Press, 1990.
LOPES, Silvana. Sistemas Especialistas na Educação. Ariquemes: Universidade Federal de Rondônia, 2008. 
MONARD, Maria Carolina; BARANAUKAS, José Augusto. Aplicações de Inteligência Artificial: Uma Visão Geral. São Carlos: Instituto de Ciências Matemáticas e de Computação de São Carlos, 2000. POOLE, D.; 
MACKWORTH, A. K.; GOEBEL, R. Computational Intelligence: A Logical Approach. Oxford: Oxford University, 1998. 
RUSSEL, Stuart; NORVIG, Peter. Inteligência Artificial. 2. Ed. Rio de Janeiro: Campos, 2004. STAIR, Ralph M.; REYNOLDS, George W. Princípios de Sistemas de Informação. São Paulo: Thomson, 2006
[ALV 97] ALVARES, L.O.; SICHMAN, J. Introdução aos Sistemas Multiagentes. In: JORNADA DE ATUALIZAÇÃO EM INFORMÁTICA, 16.; CONGRESSO DA SBC, 17., 1997, Brasília. Anais... Brasília: SBC, 1997. p.1-38.
[DEM 95] DEMAZEAU, Y. From interactions to collective behaviour agent-based system. In: EUROPEAN CONFERENCE ON COGNITIVE SCIENCE, 1., 1995, St. Malo. Proceedings... France: [s.n], 1995.
[FER 91] FERBER, J.; GASSER, L. Intelligence artificielle distribuée. In: INTERNATIONAL WORKSHOP ON EXPERT SYSTEMS & THEIR APPLICATIONS, 10., 1991, Avignon. Cours n. 9. France: [s.n], 1991.
[GAS 92] GASSER, L. Boundaries, identity and aggregation: plurality issues in multiagent systems. In: WERNER, E.; DEMAZEAU, Y. (Eds.). Decentralized AI 3. Amsterdam: North-Holland, 1992.
[RIC 93] RICH, E.; KNIGHT, K. Inteligência Artificial. São Paulo: Makron Books, 1993.
[SIC 95] SICHMAN, J. Du raisonnement social chez les agents: une approche fondée sur la théorie de la dépendance. Grenoble, France: INPG, 1995.Thèse de Doctorat.