Exercícios de IA - N2

Prévia do material em texto

PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS
ESCOLA DE CIÊNCIAS EXATAS E DA COMPUTAÇÃO
GRADUAÇÃO EM ENGENHARIA DE COMPUTAÇÃO
EXERCÍCIOS N2 – INTELIGÊNCIA ARTIFICIAL
WILLGNNER FERREIRA SANTOS
GOIÂNIA
2021
WILLGNNER FERREIRA SANTOS
EXERCÍCIOS N2 – INTELIGÊNCIA ARTIFICIAL
Exercícios N2, apresentados à disciplina Inteligência Artificial – CMP1110 – A01, como requisito parcial para obtenção de nota de N1.
Orientador(a): Prof. Dr. Talles Talles Marcelo Gonçalves de Andrade Barbosa.
GOIÂNIA
2021
Item 1 Resolver a “lista-de-revisao.pdf”, exercícios sobre resolução de problemas usando buscas, total: 10 exercícios.
1) A figura a seguir representa um mapa enviado a um agente inteligente embutido num robô móvel. A função do agente em questão é decodificar o mapa (Matriz de adjacência) e encontrar um caminho. Proponha uma medida de desempenho para a função de agente apresente no mínimo duas soluções para a implementação da função de agente e ao final responda à seguinte questão. Qual das soluções propostas maximiza a medida de desempenho?
Tabela 1: matriz de adjacência para um grafo direcionado.
Na teoria dos grafos, busca em profundidade (ou busca em profundidade-primeiro, também conhecido em inglês por Depth-First Search - DFS) é um algoritmo usado para realizar uma busca ou travessia numa árvore, estrutura de árvore ou grafo. Intuitivamente, o algoritmo começa num nó raiz (selecionando algum nó como sendo o raiz, no caso de um grafo) e explora tanto quanto possível cada um dos seus ramos, antes de retroceder(backtracking).
Com base nos dados da matriz, os seguintes arcos foram direcionados para montar o seguinte grafo: 0-1, 0-3, 1-2, 1-3, 2-3, 2-5, 3-0, 5-4.
Figura 1: grafo direcionado.
Medição de desempenho: complexidade de tempo;
A primeira solução: pesquise a largura primeiro;
A segunda solução busca profundidade;
A complexidade de tempo de BFS , onde b é o fator de ramificação e d é a profundidade da primeira solução. 
A complexidade de tempo de DFS , onde m é a profundidade máxima da árvore. 
Comparando os dois, o BFS é melhor porque não é necessário atravessar a profundidade máxima das árvores em todos os casos.
2) Sugira especificações para os agentes a serem utilizados nas seguintes aplicações.
(a) Controle de velocidade em veículos de passeio.
Deve ser considerado variáveis ​​como a velocidade máxima permitida, a condição do asfalto (se está molhado ou não por exemplo), a velocidade dos outros veículos à frente e implementação de uma árvore de decisão para reduzir e aumentar a velocidade.
(b) Controle de velocidade em veículos esportivos.
Implementar uma árvore de decisão com mais parâmetros para torná-la mais competitiva e tentar superar a velocidade do corredor à frente, as condições da pista (como ângulo de viragem e velocidade máxima que pode ser alcançada por exemplo), etc.
(c) Elevador.
Sensores para cima, para baixo e amortecedor.
O sensor de peso / carga de até 200 kg por metro quadrado e não deve fechar a porta caso passe o limite permitido, se isso acontecer, um alarme sonoro deve disparar.; Sensor de chão, sensor de emergência. Quando alguém está presente, o sensor de presença não pode fechar a porta próximo a beirada. 
(d) Bomba de infusão de medicamentos.
Deve ser implementando uma árvore de decisão que inclua os níveis de certas substâncias no corpo, o tempo em que a dose deve ser usada e as variáveis ​​que determinam quando e quanto medicamento deve ser administrado para manter estável o nível do medicamento no corpo.
(e) Posicionamento de telescópio astronômico.
Sensor de luz pode evitar danos aos olhos com luz do espaço, como o sol; A ampliação pode ser "ampliada".
(f) Controle de temperatura de uma incubadora.
Estabelecer um agente que possa ler os dados do termômetro e ative os ventiladores de ar quente e frio de acordo com as leis físicas que descrevem as mudanças no calor do ambiente e mantêm a temperatura estável.
3) Utilizando orientação a objetos, construa um modelo para a representação do conhecimento necessário a um agente inteligente. Em seguida, converta a informação em uma rede semântica.
“Um Ford é um tipo de automóvel. Bob possui dois automóveis. Bob estaciona seu automóvel em casa. A casa dele é na Califórnia, que é um estado. Sacramento é a capital do estado da Califórnia. Automóveis circulam em outras estradas, tais como rota 101 e rodovia 81”
Representação do conhecimento:
Rede semântica:
4) Crie uma árvore de decisão que permita a identificação de um item de uma categoria de seu interesse (Ex: automóveis, futebol, animais, filmes etc.). 
5) Um avião não tripulado ou UAV foi construído para a patrulha de fronteira. Ele deve visitar cada uma das cidades é um conjunto de cidades e retornar à cidade de partida. O agente inteligente embutido no robô aéreo deve encontrar o caminho mais curto que permita que ele visite cada uma das cidades. Assim:
a) Defina um modelo para a representação do conhecimento necessário para que a função do agente possa ser implementada. Para isso, considere uma instancia particular do problema. 
Esse exemplo usa o caixeiro viajante, onde os vértices são os estados e as arestas os pesos, então a fórmula fica: .
Os pesos são as distâncias dos estados, que vai ter , ou seja: , de Goiânia por exemplo é possível se deslocar para 5 outros estados, quando um percurso é escolhido, fica , , e assim sucessivamente. 
b) O que aconteceria quando o número de cidades aumentar? Suponha que “n”. Representa a quantidade de cidades que o UAV devera sobrevoar. Então, mostre que a solução algoritma implementada pela função do agente tem complexidade ou , caso a cidade de início seja desconsiderada.
O avião vai voar sobre n estados.
Quando partir de Goiânia, vai ter 5 opções disponíveis, sendo que o total de caminhos possíveis são: Que gera o resultado de .
Quantidade de caminhos .
É possível concluir então que a quantidade de caminhos é .
Uma heurística para esse exemplo é escolher um vizinho mais próximo para o avião poder visitar. Se o número de cidades aumenta, as rotas aumentam muito mais, gerando uma complexidade de criar n! Ou n-1! Excluindo inicialmente, isso leva a um grande peso de cálculo, complicando o peso computacionalmente. 
6) O que significa dizer que um método de busca é monotônico? Quão desejável é essa propriedade? Descreva um método de busca e aponte a monotonicidade desses métodos.
Monótono significa que, ao usar essa abordagem heurística para o resultado desejado, o custo será reduzido.
Muito necessário, pois se as heurísticas forem consistentes, os melhores resultados podem ser garantidos.
No algoritmo de pesquisa usando heurísticas de caminho, ele tem um custo em linha reta. Isso é consistente porque o custo é otimizado ao usar a meta como parâmetro para se aproximar da meta.
7) Escreva um programa (na linguagem de sua preferência) para resolver o problema da navegação autônoma usando o algoritmo . O veículo é guiado quando está em um ponto (), pode se deslocar para qualquer um dos pontos vizinhos (), desde que está posição esteja livre. Inicialmente é fornecida uma lista das posições em que existem obstáculos, e, portanto, não ser ocupada pelo veículo. Para medir o custo de movimentação de um ponto ao seu vizinho, adota-se:
Custo = 
Faça inicialmente . Coloque uma opção no seu programa para que o usuário possa variar . Investigue e discuta o efeito da variação de xd na rota encontrada pelo algoritmo ().
Adote como heurística para medir o custo do movimento entre a posição atual e a posição final a distância direta entre 2 posições -, ignorando os possíveis obstáculos. O programa deverá fornecer como saída (se possível na forma... (imagem cortada). 
8) Uma forma de se resolver um problema de minimização unidimensional é gerar uma sequência , , ..., de modo que à medida que . Para tal, pode-se promover um mecanismo para obtenção de um novo ponto a partir de um ponto k arbitrário, de modo que .
a. Construa o espaço de estados para uma função polinomial degrau 2.
Resposta...
b. Apresente o algoritmo para implementar a função do agente, que deseja encontrar o mínimo global. Para isso, utilize um exemplo numérico.
Resposta...
9) Considere o problema do labirinto, ilustrado abaixo. Já sabemos que a resposta desejada para este problema é o caminho que nos leva da entrada até a saída.
a) Modelo o espaço de estados por meio de um grafo, cotulando os nós. 
Grafo logo em seguida. 
b) Aplique os procedimentos de busca estudados em sala: Largura, profundidade, custo uniforme, melhor escolha e A*. Para as buscas informadas, defina claramente a função de custo g(n) e a função heurística h(n), quando estas forem necessárias para a composição da função de avaliação f®. Apresente os resultados por meio de grafos resultantes. 
Grafo logo em seguida.
Busca em largura.
Busca em profundidade.
Melhor escolha:
Heurística de aplicação: a distância em quadrinho do nó até o destino
c) Apresente uma análise crítica para os resultados obtidos.
A busca em largura nós dá a resposta em relação a caminho mínimo. É retornado o menor o caminho mínimo da entrada até a saída, como a resposta desejada é o caminho que leva de entrada até a saída, independente se o mais curto ou não, desde que seja um caminho.
A busca em profundidade também retorna um caminho, mas dependendo do vértice descoberto primeiro, o caminho poderá ser maior que para a busca em largura, porém ainda é um caminho. Essa ganha em relação ao consumo de memória, pois consome menos que a outra. 
10) Algoritmos de busca que se preocupam em examinar todos os caminhos, como a busca em largura, são métodos força-bruta. Qual a implicação do uso desses algoritmos na implementação de uma função de agente? Proponha uma heurística para o exercício 5.
Possuem alto custo computacional, o que inviabiliza sua aplicação. Em muitos casos, esse algoritmo pode levar vários séculos para fornecer resultados. Pode tentar usar por exemplo, o algoritmo de Dijkstra e passar o caminho mais curtos do que todos os caminhos, porque o objetivo é ir de um ponto a outro, não é necessário atravessar todas as arestas.
Item 2 Utilizando Java ou Python apresentar a solução para os dois exercícios que estão ao final dos slides, no arquivo “BuscaLocal.pdf”.
1) Aplicar o mesmo método e tecnologia para o “exercício 5” da lista de exercícios proposta na aula passada e relatar os resultados.
Considerar: circuito com 20 cidades de fronteira. Par isso, usar o mapa do Brasil com as respectivas distâncias. Critério de parada: 5 minutos de execução. 
Resposta...
2) Usando AG, faça a modelagem e apresente os resultados para o problema de encontrar o valor máximo para a função matemática , com na faixa de 1 a 15, sendo em radianos. Aplique o mesmo procedimento para o “exercício 8” da lista de exercícios proposta na aula passada.
Dica: estudar a 14.8 do livro de Bem Coppin.
Resposta...
Item 3 Ler o cap. 18 (do livro de Bem Coppin) e fazer os exercícios da Seção 18.12, 18.1 18.11.
18.1 Explique a diferença entre as lógicas bivalente e polivalente. Qual tipo de lógica é mais familiar para você?
Na lógica bivalente, existem dois valores de verdade possíveis: a proposição é verdadeira ou falsa, envolvendo dois valores lógicos. A lógica polivalente é usada para raciocinar sobre o princípio da incerteza, em física quântica. Aceita uma série de valores possíveis, verdadeiro, falso e indeterminado. A lógica mis familiar é a ideia "sim, não, talvez, provavelmente sim, provavelmente não e não sei."
18.2 O que é a lei do terceiro excluído? Argumente contra a necessidade desta lei.
A descrição legal de terceiros excluídos tem apenas dois valores possíveis para uma dada proposição, a saber, certo ou errado.
A lei não considera vários aspectos da realidade que podem ser descritos com valores menos precisos. Por exemplo, a classificação de objetos por adjetivos pode ter bastante subjetividade em tais adjetivos, por exemplo, não é bonita nem feia, mas há um certo grau de diferença entre esses dois extremos. Portanto, o princípio de terceiros excluídos não é uma regra, mas um caso especial em que o valor do valor verdadeiro é determinado como 100% de certeza e o valor de todos os outros valores verdadeiros é zero.
18.3 O que é uma variável linguística? Dê 10 exemplos de variáveis linguísticas que você usaria para descrever um edifício.
Variáveis ​​de linguagem são palavras que usamos para descrever objetos em linguagem natural, como adjetivos alto, magro etc. Na linguagem natural, mesmo que não seja definido com um valor alto, aprendemos a processar frases muito altas ou médias-altas e torná-las significativas.
Exemplos: Prédio, condomínio, construção, imóvel, edificação, bloco, casa, monumento, obra, torre. 
18.4 O que são modificadores? Aponte cinco modificadores que se apliquem as variáveis linguísticas que você deu em resposta à questão 18.3.
Modificadores são qualificadores de conjuntos difusos, como "muitos", "razoável", "extremo" ou "pouco". Quando um desses qualificadores é aplicado a conjuntos nebulosos, como "humano alto", um novo conjunto é criado. Por exemplo, ao aplicar o modificador "muito" o "humano alto", é produzido um subconjunto de "humanos altos", chamados de "humanos muito altos". Da mesma forma, é possível gerar um novo conjunto de "humanos razoavelmente altos" ou "humanos poucos altos".
18.5 Como conjuntos nebulosos diferem de conjuntos tradicionais? Qual é a ligação entre variáveis linguísticas e conjuntos nebulosos?
Os conjuntos nebulosos estão em contraste com os conjuntos usados ​​na teoria tradicional de conjunto, às vezes chamado de conjunto nítidos. O conjunto nítido pode ser definido pelos valores nele contidos. Se o valor está fortemente concentrado, ou seja, nos conjuntos tradicionais todo e qualquer valor que esteja contido em um conjunto natural, por exemplo, só pode existir se estiver dentre as delimitações do conjunto, já os conjuntos nebulosos podem assumir valores indeterminados. Uma variável deve ser entendida como um identificador que pode assumir um dentre vários valores. Desta forma, as variáveis ​​de linguagem podem assumir um conjunto de termos linguísticos.
18.6 Qual é a ligação entre conjuntos nebulosos e lógica nebulosa?
Sobre conjuntos nebulosos podem ser feitas operações com operadores lógicos. A forma como esses operadores agem em conjuntos nebulosos é a lógica nebulosa.
Ficam definidos os operadores:
Por meio desses operadores lógicos pode-se construir proposições, inferir sobre uma proposição e construir tabelas verdadeiras para proposições.
18.7 Explique cuidadosamente como a lógica nebulosa difere da lógica aristotélica tradicional.
A lei dos terceiros excluídos é a regra básica da lógica clássica, que determina a proposição deve ser verdadeira ou falsa: quando a proposição não pode ser verdadeira ou falsa ao mesmo tempo, uma frase não pode ser correta nem errada. Esta é a base da lógica aristotélica. Na lógica nebulosa, uma frase pode ser verdadeira e falsa ao mesmo tempo, ou nem verdadeiro nem falso. Embora na lógica clássica, podemos definir axiomas como verdadeiros e falsos, mas em a lógica difusa não vale a pena. Até certo ponto, pode ser errado ou verdadeiro até certo ponto: leis de terceiros são inválidas na lógica difusa.
18.8 Explique como a inferência de Mamdani funciona.
A inferência de Mamdani ou o significado de Mamdani é geralmente usado em sistemas nebulosos. A inferência de Mamdani permite que o sistema tenha os seguintes valores de um conjunto claro de entradas (de um conjunto de sensores ou entradas a partir de um operador humano) e aplique um conjunto de regras nebulosas a estes valores, a fim de derivar um único valor nítido de saída ou uma recomendação para uma ação. 
18.9 Explique o que significa desnebulização. Como ela é realizada?
É o processo que transforma o conjunto dos valores de pertinência de conjuntos nebulosos, em um valor numérico de saída. Esse valor é calculado como o centro de massa da combinação das áreas dos conjuntos nebulosos.18.10 Quais vantagens os sistemas especialistas nebulosos têm em relação aos sistemas especialistas tradicionais? Haveria alguma desvantagem?
A vantagem está em combinar a experiência de vários profissionais em um único modelo, a precisão e correção será mais alta. Em um caso de diagnóstico médico por exemplo, um sistema fuzzy especialista emular uma segunda opinião médica.
Não tem desvantagem pois os modelos fuzzy simulam bem a realidade humana por considerarem variáveis linguísticas. 
18.11 O que é um sistema neuronebuloso? Como ele aprende? Compare e contraste os sistemas neuro neuronebulosos com as redes neuronais tradicionais? 
Um sistema neuronebuloso é uma rede neuronal que aprende a classificar dados usando regras e classificações nebulosas (conjuntos nebulosos). O sistema neuronebuloso aprende usando as mesmas técnicas usadas pelas redes neuronais tradicionais. A aprendizagem é realizada pelo ajuste do peso das conexões entre os neurônios na rede. Um sistema neuronebuloso apresenta vantagens em relação a outros sistemas nebulosos tradicionais: uma rede neural tradicional é geralmente descrita como uma “caixa-preta”, no sentido de que uma vez que seja treinada, será muito difícil entender por que dá uma certa resposta a um conjunto de entrada. Isto pode ser uma desvantagem quando redes neuronais são usadas em tarefas de missão crítica, onde é importante saber por que uma componente falha.
Item 4 Utilizando o Matlab (toolbox de Lógica Fuzzy) ou o Python (skfuzzy) simular os seguintes sistemas de controle fuzzy: 
a) Sistema de controle do guindaste (veja slides); 
	[System]
Name='Fuzzy_Sistema_de_controle_do_guindaste'
Type='mamdani'
Version=2.0
NumInputs=2
NumOutputs=1
NumRules=3
AndMethod='min'
OrMethod='max'
ImpMethod='min'
AggMethod='max'
DefuzzMethod='centroid'
[Input1]
Name='Distância'
Range=[0 10]
NumMFs=3
MF1='Longe':'trimf',[0 0 4]
MF2='Média':'trimf',[1 5 9]
MF3='Perta':'trimf',[6 10 10]
[Input2]
Name='Ângulo'
Range=[-45 45]
NumMFs=3
MF1='Negativo':'trimf',[-45 -45 -5]
MF2='Zero':'trimf',[-10 0 10]
MF3='Positivo':'trimf',[5 45 45]
[Output1]
Name='Potência'
Range=[0 25]
NumMFs=3
MF1='Baixa':'trimf',[0 0 5]
MF2='Média':'trimf',[0 12.5 25]
MF3='Alta':'trimf',[16 25 25]
[Rules]
1 1, 3 (1) : 2
2 0, 2 (1) : 2
3 3, 1 (1) : 2
Aplicando as regras:
Implementação Fuzzy do Sistema de controle do guindaste:
b) Sistema de controle do freio de um veículo (cap 18 – Ben Coppin);
Resposta...
c) Sistema de controle para o ar condicionado.
	[System]
Name='Fuzzy_Sistema_de_controle_para_o_ar_condicionado'
Type='mamdani'
Version=2.0
NumInputs=2
NumOutputs=1
NumRules=9
AndMethod='min'
OrMethod='max'
ImpMethod='min'
AggMethod='max'
DefuzzMethod='centroid'
 
[Input1]
Name='Temperatura'
Range=[20 50]
NumMFs=3
MF1='Baixa':'trimf',[20 20 30]
MF2='Média':'trimf',[20 30 40]
MF3='Alta':'trimf',[30 50 50]
 
[Input2]
Name='Umidade'
Range=[0 100]
NumMFs=3
MF1='Baixa':'trimf',[0 0 50]
MF2='Média':'trimf',[0 50 70]
MF3='Alta':'trimf',[50 70 70]
 
[Output1]
Name='Consumo'
Range=[20 150]
NumMFs=3
MF1='Baixo':'trimf',[20 20 80]
MF2='Médio':'trimf',[20 80 130]
MF3='Alto':'trimf',[80 150 150]
 
[Rules]
1 1, 1 (1) : 1
1 2, 1 (1) : 1
1 3, 2 (1) : 1
2 1, 2 (1) : 1
2 2, 2 (1) : 1
2 3, 2 (1) : 1
3 1, 3 (1) : 1
3 2, 3 (1) : 1
3 3, 2 (1) : 1
 
Aplicando as regras:
Implementação Fuzzy do Sistema de controle para o ar condicionado:
Item 5 Sobre o assunto Raciocínio Probabilístico e Redes Bayesianas faça os ex. sobre modelagem (utilizando a ferramenta de sua preferência) p. 34 e os ex. 12.12 (Bem Coppin) p. 54.
Exercício simulado no Netica. 
Para esse exercício, foi criado 5 tabelas/nós simulando os nós: C, S, P, E e F.
Os valores das médias dos nós são os seguintes:
Vai ingressar na faculdade: (sim 50%) e (não 50%);
Vai estudar: (pouco 40%) e (muito 60%);
Vai frequentar festas: (sim 50%) e (não 50%);
Bem sucedido nos exames: (sim 63.8%) e (não 36.2%);
Se divertirá: (sim 65%) e (não 35%).
a) Dado uma pessoa que ingressou na faculdade e frequenta festas, qual a probabilidade de ela ser bem sucedida nos exames?
.
b) Dado uma pessoa que ingressou na faculdade, estuda muito e não frequenta festas, qual a probabilidade de ela ser bem sucedida nos exames?
.
c) Dado uma pessoa que ingressou na faculdade, frequenta festas e estuda pouco, qual a probabilidade dela se divertir?
.
d) Dado uma pessoa que ingressou na faculdade e não frequenta festas, qual a probabilidade de ela ser bem sucedida nos exames?
.
e) Dado uma pessoa que ingressou na faculdade, não frequenta festa e estuda muito, qual a probabilidade dela se divertir?
.
A rede bayesiana para esse domínio é dada na Figura 14.2. A estrutura da rede mostra que o roubo e os terremotos afetam diretamente a probabilidade de o alarme disparar se o telefonema de João e Maria depender apenas do alarme. A rede representa, portanto, nossas suposições de que eles não percebem roubos diretamente, não notam pequenos terremotos e não conferem antes de telefonar.
Exercício simulado no Netica. 
Para esse exercício, foi criado 5 tabelas/nós simulando os nós: R, T, A, J e M.
Os valores das médias dos nós são os seguintes:
Roubo: (sim 94%) e (não 6%);
Terremoto: (sim 29%) e (não 71%);
Alarme: (sim 95.7%) e (não 4.26%);
João vai ligar: (sim 86.6%) e (não 13.4%);
Maria vai ligar: (sim 68.3%) e (não 31.7%).
a) Dado que houve roubo e terremoto, qual a probabilidade de o alarme tocar?
.
b) Dado que João ligue e Maria não ligue, qual a probabilidade de o alarme tocar?
.
c) Dado que João não ligue, Maria não ligue e não haja terremoto, qual probabilidade de o alarme tocar?
.
12.1 Explique o que é entendido por probabilidade condicionada de um evento.
A probabilidade condicional se refere à probabilidade de um evento ocorrer com base em um evento anterior. Obviamente, esses dois eventos precisam ser combinados, não vazio pertencente a um espaço de amostra limitado. Por exemplo, no processo de lançamento de dois dados ao mesmo tempo, os números são obtidos na superfície superior.
12.2 O teorema de Bayes usa uma probabilidade condicionada e duas probabilidades a priori para calcular apenas uma probabilidade condicionada. Isso não parece muito útil. Discuta esse comentário.
O teorema explica como alterar a probabilidade anterior com base em novas evidências para obter a probabilidade posterior. O teorema de Bayes é uma fórmula matemática usada para calcular a probabilidade de um evento assumindo que outro evento ocorreu, chamada de probabilidade condicional. A priori é o conhecimento ou razão independente da experiência.
O teorema de bays é dado por:
Temos: 
 Probabilidade condicionada;
 Probabilidade priori.
12.4 Explique como o teorema de Bayes pode ser usado para desenvolver sistemas de aprendizagem. 
Ao calcular a probabilidade de uma hipótese sob a suposição de que um evento ocorreu, pode ser usado a hipótese com a maior probabilidade de tomada de decisão.
12.5 Explique como o classificador ótimo de Bayes é o classificador ingênuo de Bayes funcionam.
O classificador ótimo de bays calcula a probabilidade de um evento considerando que haja relação entre todas as hipóteses. O classificador ingênuo calcula a hipótese de um evento considerando que os atributos dos dados são independentes.
12.6 Explique por que filtragem colaborativa é uma técnica tão útil. Quão bem sucedida você acha que ela pode ser? O que poderia limitar sua eficácia?
Com o crescimento explosivo da informação na era digital, especialmente após o surgimento da Web, os usuários continuam a ser expostos a uma variedade de informações, das quais apenas uma pequena parte está totalmente relacionada às suas reais necessidades. É necessário encontrar uma forma de filtrar este enorme volume de conteúdo e apenas delegar (possivelmente) informações relevantes aos usuários para atender aos seus dados pessoais e/ou necessidades "pessoais".Um dos pontos principais para isso é poder limitar sua eficácia porque a quantidade de dados coletados dos usuários será minimizada, tornando sua base menos centralizada.