Baixe o app para aproveitar ainda mais
Prévia do material em texto
Profa. Dra. Lourdes Brasil Apresentação Informática em Saúde Sistemas Especialistas (SE) Temas �Sistemas Especialistas �Redes Neurais Artificiais �Computação Evolucionária �Lógica Fuzzy �Ontologia �Processamento de Sinais Biológicos e de Imagens Médicas �Sistemas de Apoio à Decisão Informática em Saúde Sistemas Especialistas � Abordagens � Representação do Conhecimento � Definições � Sistema Especialista � Aquisição do Conhecimento � Base de Conhecimento � Máquina de Inferência � Aplicação Sumário Abordagem • Simbólica – Utiliza formalismos do tipo lógico para simular o comportamento inteligente expresso através da linguagem – Base para os Sistemas Especialistas Representação de Conhecimento Introdução • A representação do conhecimento é uma das áreas mais ativas da Inteligência Artificial (IA), envolvendo os maiores desafios. Introdução • Como já foi visto, os cientistas ainda não chegaram a um acordo sobre conhecimento e inteligência, razão pela qual os pesquisadores de IA enfocaram mais o aspecto pragmático, implementando os seus programas no sentido de que prioritariamente demonstrassem serem inteligentes. Introdução • A parte mais importante no projeto de um SE, SBC, SSD, etc. é a escolha do método de representação de conhecimento. • A linguagem associada ao método escolhido deve ser suficientemente expressiva para permitir a representação do conhecimento a respeito do domínio escolhido de maneira completa e eficiente. Introdução • Em tese, uma representação geral como a lógica seria suficientemente expressiva para representar qualquer tipo de conhecimento. • No entanto, problemas de eficiência, facilidade de uso e a necessidade de expressar conhecimento incerto e incompleto levaram ao desenvolvimento de diversos tipos de formalismos de representação de conhecimento. Introdução • A seguir, apresentam-se alguns dos formalismos de representação de conhecimento mais utilizados. O que é Representação de Conhecimento? • Uma representação de um objeto, por sua vez, é a tradução deste objeto para um sistema, gerando uma imagem que pode ser trabalhada, relacionada com outras imagens, identificada e entendida. O que é Representação de Conhecimento? • Então, a representação pode ser feita de múltiplas formas, como através de textos, fórmulas matemáticas, figuras, maquetes, filmes, discos, protótipos e muitas outras alternativas. • Um texto específico pode ser composto de sentenças do cálculo de predicados. Ainda, esse texto pode estar na forma binária em memória do computador, para processamento digital. O que é Representação de Conhecimento? • Alternativamente, o conhecimento pode estar embutido nos valores de determinados componentes em um circuito, como é o caso de redes neurais Por quê representar o conhecimento? • Representa-se o conhecimento para posteriormente recuperá-lo, para raciocinar com ele e para adquirir mais conhecimento. Tipos de RC: IA Simbólica • No caso da IA simbólica frequentemente é buscada uma representação do conhecimento localizada. • Esta representação pode ser feita usando vários paradigmas e deve servir de apoio à real implementação Tipos de RC: IA Simbólica Lógica formal • A lógica é a base para a maioria dos formalismos de representação de conhecimento, seja de forma explícita, como nos Sistemas Especialistas (SE) baseados na linguagem Prolog, por exemplo, seja disfarçada na forma de representações específicas, que podem facilmente ser interpretadas como proposições ou predicados. Tipos de RC: IA Simbólica Lógica formal • Lógica: é o estudo de argumentos. • Argumentos: é uma sequência de enunciados no qual um dos enunciados é a conclusão e os demais são premissas, que servem para provar a conclusão. Tipos de RC: IA Simbólica Lógica formal • Lógica formal: é o estudo das formas de argumentos, modelos abstratos comuns a muitos argumento distintos. • Por exemplo: • Se P, então Q • P • ∴ Q Tipos de RC: IA Simbólica Lógica formal • Lógica Proposicional • É o meio de representar o tipo de conhecimento do mundo de que um sistema de IA poderia precisar, onde se representa os fatos do mundo real como proposições lógicas escritas como fbf´s, podendo as mesmas terem valores “verdade” ou “falso”. Tipos de RC: IA Simbólica Lógica formal • Exemplo: • • P ou Q • Não é o caso de P • ∴ Q • [1] Fbf´s: fórmulas bem formadas. • 1. P ∨ Q • 2. ~ P • ∴ Q Tipos de RC: IA Simbólica Lógica formal • Lógica de Predicados (ou Lógica de Primeira Ordem) • É uma maneira de se representar o conhecimento como declarações escritas com fbf´s, isto é, envolvendo variáveis, somando- se aos operadores lógicos usados no cálculo proposicional, os quantificadores lógicos universal (∀) e existencial (∃). Tipos de RC: IA Simbólica Lógica formal • Exemplo: • 1. ∀x (Sx→ Px) • 2. ∃x (Sx ∧ Px) • 3. ∀(x,y,z)(filho(x,y) ∧ filho(y,z)→ neto(x,z)) • Obs.: lógica de predicados é a combinação de ALGUM, TODO E NENHUM + Lógica Proposicional. Tipos de RC: IA Simbólica Lógica formal • Exemplo: • 1. ∀x (Sx→ Px) • Qualquer que seja x, se x é S, então x é P. Tipos de RC: IA Simbólica Regras de produção • É a representação de um domínio específico do conhecimento na forma de um conjunto de regras (SE... ENTÃO...). • Essas regras formam a base de conhecimentos do sistema. Tipos de RC: IA Simbólica Regras de produção • Constitui a técnica mais famosa utilizada pelos sistemas especialistas. • As premissas servem como parâmetro para mapear a memória de trabalho - contém os antecedentes da conclusão, ou seja, as condições que permitem ao sistema chegar a determinados resultados. Tipos de RC: IA Simbólica Regras de produção • A conclusão representa o resultado de um encadeamento lógico das premissas, além de poder representar as possíveis saídas do sistema. • Implica uma alteração ou adição de novos fatos à memória de trabalho. Tipos de RC: IA Simbólica Regras de produção • Exemplo: Se Paciente com glicemia de jejum entre 200-250 mg/dl E Paciente incapaz de fazer dieta E Paciente incapaz de fazer exercícios Então Iniciar tratamento com Metformin Tipos de RC: IA Simbólica Regras de produção • As regras de produção têm sido largamente utilizadas no desenvolvimento de SE na área Médica e em outros domínios. • Dentre eles, destaca-se o SE Mycin, desenvolvido por Shortliffe em 1977, para apoiar antibioticoterapia em doenças infecciosas. Tipos de RC: IA Simbólica Redes semânticas • As redes semânticas, que originariamente foram usadas para suporte à linguagem natural, hoje têm uso generalizado na representação do conhecimento. • O início de seu uso remonta a 1968, quando Ross Quillian as usou para representar modelos psicológicos de memórias associativas. Tipos de RC: IA Simbólica Redes semânticas • Basicamente as redes semânticas são representações gráficas do conhecimento. • Como uma árvore de decisão, elas consistem em nós (vértices) que são representados por círculos, e arcos (arestas) que são representados por linhas com setas. • Os nós contém informações, e os arcos mostram a relação entre ela. Tipos de RC: IA Simbólica Redes semânticas • Em princípio, as redes semânticas admitem qualquer tipo de ligação (rótulos nos arcos), contanto que elas tenham a capacidade de transmitir o mais fielmente possível o que devem. • Os tipos de ligação mais comuns são: is-a (é- um, é-uma), ako (um tipo de), is-part-of (é- parte-de) e part-of (parte-de). Tipos de RC: IA Simbólica Redes semânticas • Para elaborarmos um exemplo de rede semântica, consideremos o texto seguinte: • “O computador é de Márcia. Ela o usa para escrever um importante livro. O livro é parte dos trabalhos de pesquisa que Márcia realiza na Universidade”. Tipos de RC: IA Simbólica Redes semânticas Tipos de RC: IA Simbólica Frames • Marvin Minsky, em 1975, fez a conjectura que seria útil para armazenar conhecimentos, quebrá-los em pequenos conhecimentos quase elementares aos quais chamou frames, em português,“molduras” ou “quadros”. Tipos de RC: IA Simbólica Frames • Frames se tornaram populares principalmente quando se faz mister armazenar conhecimento esteriotipado em um determinado domínio. • Este tipo de representação é apropriada na interpretação de uma seqüência específica observada e, também, para prever a ocorrência de certos acontecimentos que não foram mencionados. Tipos de RC: IA Simbólica Frames • São conjuntos de slots (campos) e de valores, cuja estrutura contém informações referentes a determinados objetos, as quais são armazenadas de forma hierárquica. • Os frames podem ser criados a partir de uma coleção de frames já existentes conectados entre si. Isto se torna possível uma vez que um atributo de um frame pode ser outro frame. Tipos de RC: IA Simbólica Frames FATOS E REGRAS • MENTE HUMANA: LISTA DE OBJETOS E IDÉIAS • INTELIGÊNCIA PODE SER DIVIDIDA EM UMA COLEÇÃO DE FATOS E UM MEIO DE SE UTILIZAR ESSES FATOS PARA ALCANÇAR OS OBJETIVOS. • FATOS: EXPRESSAM RELAÇÕES ENTRE OBJETOS OU INDIVÍDUOS. • EX: FATO 1 - MIRNA É FILHA DE SONIA FATO 2- TIAGO É FILHO DE SONIA • REGRAS: SÃO ASSERTIVAS DA FORMA SE/ENTÃO. – ONDE: SE - ANTECEDENTE ou CONDIÇÃO ENTÃO - CONSEQÜENTE ou AÇÃO ou CONCLUSÃO • EX: • SE MIRNA É FILHA DE SONIA E TIAGO É FILHO DE SONIA ENTÃO MIRNA É IRMà DE TIAGO. EXEMPLOS DE FATOS/REGRAS • FATO 1: UM FORNO ACESO FICA QUENTE – REGRA 1: SE EU PUSER MINHA MÃO EM UM FORNO ACESO, ENTÃO EU VOU ME QUEIMAR. • FATO 2: DURANTE A HORA DO RUSH AS RUAS FICAM REPLETAS DE CARROS. – REGRA 2: SE EU TENTAR ATRAVESSAR UMA AVENIDA A PÉ DURANTE A HORA DO RUSH, ENTÃO EU POSSO SER ATROPELADO POR UM CARRO. PODA • COMO É QUE A MENTE EXTRAI RAPIDAMENTE O CONJUNTO CERTO DE REGRAS PARA SE ADAPTAR A UMA DETERMINADA SITUAÇÃO? • DEFINIÇÃO: É UM SISTEMA QUE GUIA A SELEÇÃO DE UMA RESPOSTA ADEQUADA A UMA SITUAÇÃO ESPECÍFICA. (PODA = PRUNING) EXEMPLO DE PODA BASE DE CONHECIMENTO • DEFINIÇÃO: • ARMAZEMANENTO DOS FATOS E REGRAS EM UMA ÁREA DO COMPUTADOR. • EXEMPLO: DILEMA DOS ÔNIBUS. • QUANDO VOCÊ SE CONFRONTA COM O DILEMA DOS ÔNIBUS, NEM TODAS AS CONSIDERAÇÕES SÃO IGUAIS. ESTE É O MOTIVO PELO QUAL OS NÚMEROS ENTRE PARÊNTESES SÃO CHAMADOS DE FATORES DE PESO. MECANISMO DE INFERÊNCIA • QUANDO ALCANÇAMOS UM OBJETIVO NÃO ESTAMOS APENAS RESOLVENDO UM PROBLEMA EMEDIATO, ESTAMOS TAMBÉM ADQUIRINDO NOVOS CONHECIMENTOS AO MESMO TEMPO. • EX: OS PAIS DE JIM SÃO JOÃO E MARIA. OS PAIS DE JANE SÃO JOÃO E MARIA. • QUAL É O PARENTESCO ENTRE JIM E JANE? • USANDO-SE O MECANISMO DE PODA, OU SEJA, ELE SE CONCENTRA EM UMA REGRA GUARDADA EM SEGURANÇA NO CÉREBRO, QUE ACABA COM O MINISTÉRIO INSTANTANEAMENTE: • SE uma pessoa do sexo masculino e uma pessoa do sexo feminino têm os mesmos pais, ENTÃO eles são irmãos. • ALCANÇADO O OBJETIVO - UM NOVO FATO É DEDUZIDO: JIM E JANE SÃO IRMÃOS. • A PARTE DA INTELIGÊNCIA QUE NOS AJUDOU A CHEGAR A ESSE NOVO FATO É CHAMADO DE MECANISMO DE INFERÊNCIA (MOTOR DE INFERÊNCIA). • O MECANISMO DE INFERÊNCIA PERMITE: • GERAR NOVOS FATOS A PARTIR DOS JÁ EXISTENTES APLICANDO O CONHECIMENTO ADQUIRIDO EM NOVAS SITUAÇÕES. • DETECTAR ERROS EM NOSSOS PENSAMENTOS. • PERMITE MODIFICAR E APRIMORAR AS REGRAS QUE USAMOS PARA ALCÁNÇAR NOSSOS OBJETIVOS. VERIFICAÇÃO POR MEIO DO MECANISMO DE INFERÊNCIA • EXEMPLO: SUPONHA QUE UM ASSASSINATO TENHA SIDO COMETIDO. • ENCADEAMENTO PARA FRENTE • USO DOS DADOS PARA SE CHEGAR A UMA CONCLUSÃO. • ENCADEAMENTO PARA TRÁS • PROCESSO DE USAR UMA CONCLUSÃO PARA PROCURAR POR DADOS QUE A SUSTENTEM. ESTRATÉGIAS DE BUSCAS • BUSCA EM PROFUDIDADE; • BUSCA EM AMPLITUDE; • GERAR-E-ESTAR; • SUBIDA DE ENCOSTA. • BUSCA PELA MELHOR ESCOLHA; • REDUÇÃO DE PROBLEMAS; • SATISFAÇÃO DE RESTRIÇÕES; • ANÁLISE MEIOS-FINS. • SUGESTÃO: VER REFERÊNICA ELAINE RICH, 1994. HEURÍSTICA • PARA RESOLVER EFICIENTEMENTE MUITOS PROBLEMAS DIFÍCEIS, GERALMENTE É NECESSÁRIO COMPROMETER AS EXIGÊNCIAS DE MOBILIDADE E SISTEMATICIDADE E CONSTRUIR UMA ESTRUTURA DE CONTROLE QUE NÃO MAIS GARANTA ENCONTRAR A MELHOR RESPOSTA, MAS QUE QUASE SEMPRE ENCONTRE UMA RESPOSTA MUITO BOA. • DESTE MODO, APRESENTAMOS A IDÉIA DE HEURÍSTICA. • ORIGEM GREGA: HEURISKEIN = DESCOBRIR DEFINIÇÕES DE HEURÍSTICA • É UMA TÉCNICA QUE MELHORA A EFICIÊNCIA DE UM PROCESSO DE BUSCA, POSSIVELMENTE SACRIFICANDO PRETENSÕES DE COMPLETEZA [RICH94]. • A HEURÍSTICA É COMO UM GUIA DE TURISMO. • ENTENDE-SE POR HEURÍSTICAS OS MÉTODOS DE SOLUÇÃO DE PROBLEMAS EM QUE SE USA A TENTATIVA E O ERRO, ISTO É, TENTA-SE UM CAMINHO PARA A SOLUÇÃO; SE NÃO DER CERTO, TENTA-SE OUTRO, ATÉ SE CONSEGUIR CHEGAR AO OBJETIVO. EXEMPLOS DE PROBLEMAS CLÁSSICOS UTILIZANDO HEURÍSTICAS • MISSIONÁRIOS E CANIBAIS; • TORRES DE HANOI; • PROBLEMA DOS MACACOS E DAS BANANAS; • O PROBLEMA DO CAIXEIRO-VIAJANTE; • JOGO DE XADREZ; • OUTROS. REGRAS HEURÍSTICAS • NÃO SÃO FORMULADAS COMO RESULTADO DE UM CONHECIMENTO COMUM E RECONHECIDO POR TODOS. ELAS SÃO REGRAS QUE APENAS UM ESPECIALISTA CONHECE. • EXEMPLO: DERRAMAMENTO DE ÓLEO EM UM RIO. • SE existe uma fábrica ao longo do rio a um distância de 1 quilômetro da localização calculada do derramamento, ENTÃO assuma que esta é a fábrica que causou o derramamento. MECANISMO DE PESQUISA HEURÍSTICA • EM UM SISTEMA ESPECIALISTA, UM MECANISMO DE PODA QUE UTILIZA REGRAS HEURÍSTICAS É CHAMADO DE MECANISMO DE PESQUISA HEURÍSTICA. • REGRA PRÁTICA É SINÔNIMO DE REGRA HEURÍSTICA. FATORES DE CERTEZA • ESTA ABORDAGEM TEVE COMO PIONEIRO O SISTEMA MYCIN [SHORTLIFFE76], O QUAL TENTA RECOMENDAR TERAPIAS APROPRIADAS PARA PACIENTES COM INFECÇÕES BACTERIOLÓGICAS. • NO MYCIN, O GRAU DE CONFIRMAÇÃO FOI ORIGINALMENTE DEFINIDO COMO UM FATOR DE CERTEZA (FC), QUE É A DIFERENÇA ENTRE CRENÇA E DESCRENÇA. • DEFINE-SE ENTÃO: • FC[H,E] = MC[H,E] - MD[H,E] • ONDE: • FC = [H,E] É O FATOR DE CERTEZA NA HIPÓTESE H DADA Á EVIDÊNCIA E • MC = [H,E] MEDIDA DE CRENÇA EM H DADO E • MD = [H,E] MEDIDA DE DESCRENÇA EM H DADO E Informática em Saúde Sistemas Especialistas SUMÁRIO • DEFINIÇÃO • COMO SURGIU • HISTÓRICO • ÁREAS DE APLICAÇÃO • ESTRUTURA DOS SISTEMAS ESPECIALISTAS • EXEMPLOS DE SISTEMAS ESPECIALISTAS SISTEMA ESPECIALISTA (SE) • DEFINIÇÃO: • UM SISTEMA DE IA CRIADO PARA RESOLVER PROBLEMAS EM UM DETERMINADO DOMÍNIO É CHAMADO DE SE. • QUEM DESENVOLVE UM SE”? • O ENGENHEIRO DE CONHECIMENTO. • COMO ELE O DESENVOLVE? • COLETANDO OS DADOS, AS REGRAS E AS REGRAS HEURÍSTICAS E OS ORGANIZA EM UM PROGRMA DE INTELIGÊNCIA ARTIFICIAL. Especialistas são pessoas que possuem um alto grau de conhecimento em um dado domínio, além da habilidade para transmitir esse conhecimento. Em muitos casos, eles são a fonte de conhecimento para a funcionalidade de um sistema inteligente. Quem é o Especialista? Eficácia; Eficiência; Versatilidade; Características: DEFINIÇÃO • • Sistemas Especialistas podem ser definidos como • programas de computador desenvolvidos para representar • o conhecimento humano num domínio específico. Quanto • mais especializados e identificáveis forem os domínios ou • área do problema, maiores são as chances de se obter • sucesso na aquisição, estruturação e representação do • domínio nas bases de conhecimento. PRINCIPAIS CARACTERÍSTICAS DOS ESPECIALISTAS • Eficácia: eles usam o conhecimento para solucionar problemas e são, na maioria das vezes, bem sucedidos. • Eficiência: não basta apenas obter sucesso na solução de um problema. Os especialistas são capazes de fazê-la rápida e eficiente. Eles podem deduzir soluções mais prováveis e determinar as informações mais relevantes. • Consciência das limitações: especialistas são conscientes do que eles são capazes de manipular, bem como seus limites. • Versatilidade: são capazes de obter uma boa performance em situações relativamente não muito familiares. Eles podem interpretar resultados e modificar suas ações de acordo com a situação. COMO SURGIU � No início do anos 70 pesquisadores em IA perceberam as limitaçõesdos métodos gerais de solução de problemas e das técnicas de busca desenvolvidas na década anterior. � Eles notaram que para resolver determinados problemas complexos era requerido conhecimento específico sobre o domínio de aplicação de interesse, em lugar de conhecimento amplo e geral que se aplica a inúmeros domínios. �Durante a década de 70, vários sistemas especialistas apareceram. Entre os que mais se destacaram estão o Mycin, um sistema para detecção e diagnóstico de doenças infecciosas; �Prospector, um sistema para dar suporte a geólogos na exploração mineral. HISTÓRICO � No início, as estratégias de resolução de problemas de propósitos gerais, da IA, se mostraram muito ineficientes na solução de problemas complexos. � Na década de 70, ficou claro para os pesquisadores de IA que para conseguir que seus sistemas resolvessem satisfatoriamente problemas reais, era necessário incorporar neles grandes quantidades de conhecimento sobre o problema. � Surgimento da necessidade da criação do campo da “Engenharia do Conhecimento” que procura formas de usar conhecimentos de especialistas na solução de problemas complexos. � Essa tecnologia resultante desse campo de estudos, chamada sistemas especialistas, hoje é bastante usada em aplicações comerciais. � Exemplos: � SE de análise de crédito para bancos; � SE nas áreas de fabricação (tomada de decisão rápida no gerenciamento de uma indústria); � SE em Engenharia de Software (Ambiente de Apoio ao Desenvolvimento de Software - Editores e Tradutores de linguagens adequadas às diversas fases de desenvolvimento de software ; � Ferramentas de análise para verificar a consistência, a completeza e a dinâmica dos sistemas em desenvolvimento - Ferramentas de documentação, Banco de Dados; � SE em Controle de Processo (conjunto de funções: medição, monitoração, alarmes, sequência de manobras e proteção que são incorporados aos SE para controle, numa subestação de energia elétrica). ÁREAS DE APLICAÇÃO Os SE foram aplicados com sucesso a diversas classes de aplicações entre as quais Turbam (1995) destaca as seguintes: Interpretação: Os SE inferem descrições de situações a partir de observações. Este tipo de aplicação inclui sistemas para entendimento de fala, análise de imagens e interpretação de sinais. Previsão: Os SE inferem consequências prováveis a partir de uma dada situação. Este tipo de aplicação inclui sistemas para previsão do tempo, previsões demográficas, previsões econômicas, estimativas de colheitas, e previsões de mercado, militares e financeiras. • Diagnóstico: Os SE inferem disfunções de um sistema a partir de observações. Tipicamente relacionam irregularidades de comportamento às suas causas. Este tipo de aplicação inclui sistemas de diagnóstico médico, eletrônico, mecânico e de software. • Projeto: Os SE desenvolvem configurações de objetos que satisfazem as restrições de um projeto. Este tipo de aplicação inclui projeto de layout de circuitos, projeto de construção e plantas. Planejamento: Os SE desenvolvem planos para atingir a objetivos dados. Este tipo de aplicação inclui programação automática, planejamento de projetos, roteamento, comunicações, desenvolvimento de produtos, aplicações militares e planejamento financeiro. Monitoração: Os SE comparam observações com planos, sinalizando exceções. Este tipo de aplicação inclui a monitoração de processos industriais, de tráfego aéreo e a monitoração fiscal. Depuração: Os SE, a partir de capacidades de planejamento, projeto e previsão criam especificações ou recomendações para corrigir um problema diagnosticado. Reparação: Os SE desenvolvem e executam planos para reparar um problema diagnosticado. Estes sistemas incorporam capacidades de depuração, planejamento e execução. Instrução: Os SE diagnosticam, depuram e corrigem o desempenho de estudantes. Estes sistemas, em geral, de início, constroem uma descrição hipotética do conhecimento do estudante. A seguir, eles diagnosticam deficiências e identificam as maneiras de superar estas deficiências. Finalmente, eles planejam uma interação que permita ministrar o conhecimento necessário ao estudante. Controle: Os SE interpretam a situação corrente de um sistema, preveem o futuro, diagnosticam causas de problemas antecipados, formulam planos de solução e monitoram a sua execução. ESTRUTURA DOS SISTEMAS ESPECIALISTAS Usuário INTERFACE Base de Conhecimento Motor de Inferência Aquisição do Conhecimento Engenheiro Conhecimento Especialista Interface: um sistema especialista deve possuir duas interfaces: - interface com o usuário - interface de desenvolvimento Aquisição do Conhecimento (AC): é o módulo do sistema especialista responsável por acumular, transferir e transformar a “esperteza” do especialista para a Base de Conhecimento. É o processo de identificar, extrair, analisar e documentar o conhecimento obtido de um especialista de domínio com o propósito de construir um Sistema Especialista. [CHETUPUZHA92] Definição: AC 1. Definição ou Análise Inicial: decisão de qual conhecimento é necessário; seleciona especialistas do domínio ou outras fontes de informação. Fases da Aquisição de Conhecimento 2. Conceitualização: Os conceitos primários são descritos e relacionados pelo especialista. Fases da Aquisição de Conhecimento 3. Representação do Conhecimento: codificação do conhecimento na linguagem interna do sistema. Fases da Aquisição de Conhecimento 4. Implementação: É a seleção do conhecimento formalizado para uma estrutura representativa de uma ferramenta de desenvolvimento de um Sistema Inteligente. Fases da Aquisição de Conhecimento 4. Testes: É a avaliação quanto a eficácia do sistema. É escolhido um cenário de teste (conj. de problemas) e o resultado obtido é usado para corrigir o protótipo. Fases da Aquisição de Conhecimento A EC é uma das etapas da AC, ou seja, é a etapa mais importante em que o engenheiro de conhecimento realmente extrai o conhecimento do domínio do especialista. [CHETUPUZHA92] Elicitação de Conhecimento (EC) �Técnicas Aplicáveis a um Especialista Humano �Observação �Entrevista �Discussão Focalizada �Análise de Protocolo �Geração de Matriz �Análise da Grade de Repertório Técnicas para EC �Técnicas Aplicáveis a um Especialista Humano �"Laddering" �Análise de Discurso �Vinte Questões �"Role-Play"/Simulação � Análise Comportamental para Solução de Problema Clínico Técnicas para EC �Técnicas Aplicáveis a um Especialista Humano �"Teachback" �"Probe" �Simulação Adiantada de Cenário �Decomposição de Meta �Observação Inquisitiva Técnicas para EC �Técnicas Aplicáveis a um Especialista Humano �Classificação �Conexões Sistemáticas de Sintoma-Defeito �Elicitação de Decisão �Elicitação de Conduta Analítica �Revisão Técnicas para EC �Técnicas Aplicáveis a Múltiplos Especialistas Humanos �"Brainstorming" �Técnica de Grupo Nominal �Técnica Delphi �Técnica de Votar �"Brainwriting" Técnicas para EC �Técnicas Aplicáveis a Múltiplos Especialistas Humanos �"Brainwriting" �Sistemas de Suportes de Grupo (GSS) Técnicas para EC • Base de Conhecimento: todo o conhecimento sobre o problema está representado neste módulo. Dados, problemas, explicações e verificações Especialista Engenheiro de Conhecimento Conhecimento Formalizado Base de Conhecimento � A base de conhecimento pode estar sob a forma de regras de produção, quadros, redes semânticas ou outra forma. � A base de conhecimento é criativa, capaz de certos tipos de controle sobre si mesma, podendo até suprir algumas informações ausentes. � É esta ultima características que a distingue das bases de dados. Fontes de Conhecimento �Especialista �É a fonte primária �Usuários Finais �Normalmente têm uma boa visão geral do domínio do problema. �Podem fornecer informações valiosas durante as investigações iniciais. Fontes deConhecimento �Especialistas Secundários �Podem favorecer conhecimento especializado de subproblemas. �Podem levar a conselhos conflitantes. Literatura, Relatórios, “Guidelines”, Livros, Manuais, etc. Oferecem “background” e informações nos estágios iniciais Visão Geral MÁQUINA DE INFERÊNCIA • Motor de Inferência: Este módulo contém o conjunto de métodos que selecionam e aplicam o conhecimento contido no Banco de Conhecimento. MÁQUINA DE INFERÊNCIA Segundo Minsky, “... O conhecimento é útil somente quando podemos explorá-los para ajudar a alcançarmos nossos objetivos.” [MINSKY 86] MÁQUINA DE INFERÊNCIA Inferência:Inferência:Inferência:Inferência: é o processo usado dentro de algum raciocínio, onde é derivada uma nova informação através de uma informação já conhecida. É o programa que possibilita a geração de hipóteses a partir das informações na base de conhecimento. • Busca de Regras: Identificar a(s) regra(s), como relevante à situação do problema (premissa). • Resolução de Conflitos: resolver os conflitos, resultando uma. • Execução: Chegar a conclusão decorrente de suas premissas. • Prioridades atribuídas estaticamente; • Características da estrutura das regras como complexidade, simplicidade e especialidade; • Características dos dados associados às regras como o tempo decorrido desde sua obtenção, sua confiabilidade ou seu grau de importância; e • Seleção de caso. Critérios de resolução de conflitos: • Nebuloso (Fuzzy); • Probabilista; • Possibilista; • Fatores de Certeza; • Evidência. Representação de Incerteza: Atribuem aos fatos e regras uma medida numérica que represente de alguma forma á “confiança” do especialista. Profa. Lourdes Brasil – IA Simbólica - 104 MÁQUINA DE INFERÊNCIA Quadro Negro ou Memória de Trabalho ⇒Armazena informações ao efetuar inferências. ⇒ Todo SE usa quadro negro. Modos de Raciocínio Aplicáveis a Regras de Produção Encadeamento para Frente • É conhecido como raciocínio dirigido a eventos, é utilizado no processo de solução para alguns problemas, começa geralmente coletando informações. • Estas informações leva a deduzir conclusões lógicas. • Este processo é chamado de encadeamento para frente em função de que a busca por novos fatos é realizada a partir do lado esquerdo das regras para o direito. Encadeamento para Frente • Por exemplo, • Um médico normalmente começa um diagnóstico, após a primeira pergunta que ele faz para seu paciente sobre seus sintomas. • Febre, dor de cabeça ou tosse são as respostas mais comuns. • O médico usa então esta informação para deduzir uma conclusão razoável ou estabelecer hipóteses. Encadeamento para Trás • É também conhecido como raciocínio dirigido, as metas é utilizada quando se tem uma meta como ponto de partida e se deseja satisfazê-la. • A partir da meta todas as hipóteses que possam satisfazê-la são verificadas. • Então o ponto de partida sendo uma meta que se deseja alcançar e somente as regras que podem satisfazer essa meta são acionadas para esse fim. Encadeamento para Trás • Por exemplo: • um médico suspeita de algum problema com um paciente, ele tenta então provar procurando por certos sintomas. Vantagens do Encadeamento para Frente • É eficiente quando o problema geralmente começa pelo acúmulo de informações e ele pode até estar inserido no contexto. • Exemplo: Paciente tem uma temperatura alta, dor de cabeça e garganta dolorida Desvantagens do Encadeamento para Frente • Ele pode não reconhecer que algumas evidências são mais importante que outras. • Exemplo: Você acredita que você está tendo um ataque de coração? Seu nariz está escorrendo sangue? Vantagens do Encadeamento para Trás • Ele trabalha bem quando o problema geralmente começa formando uma hipótese, e então é concluído que este pode ser provado. • Exemplo: Eu acredito que o paciente está com a garganta inflamada. Desvantagens do Encadeamento para Trás • A principal desvantagem do sistema Encadeamento para Trás é que ele sempre continuará seguindo uma determinada linha de raciocínio. Escolhendo entre para Frente e para Trás • Poderemos fazer a escolha mais adequada, simplesmente analisando um especialista resolvendo um determinado problema. Escolhendo entre para Frente e para Trás • Por exemplo: �Um médico pode conhecer centenas de possíveis problemas que pode ocorrer com um indivíduo. �Seria uma tolice, o médico tentar provar um desses problemas sem primeiro obter alguns dados preliminares do paciente. �Neste caso, usaríamos o encadeamento para frente. Combinando para Frente e para Trás • Muitos sistemas especialistas usam as duas técnicas juntas Combinando para Frente e para Trás • Exemplo: • Um médico irá primeiro obter informação para formar alguma hipótese. • Após essa fase, o médico testaria a hipótese através da procura de informações. • O médico usa encadeamento para frente para a primeira tarefa e encadeamento para trás para a segunda. Estratégia de Busca • As definições de encadeamento nos sugerem que direção devemos seguir para obter um resultado desejável, o que não leva em consideração o desempenho com relação a rapidez de decisões e escolha de regras a serem utilizadas. • O motor de inferência necessita de uma estratégia de busca para guiar a pesquisa na memória de trabalho e na base de regras. • Este tipo de problema é conhecido como busca em espaço de estados. Estratégia de Busca – Técnica básica de busca • Uma árvore ou gráfico contendo nós que representam estados do problema e ramificações que representam caminhos ou relações entre estados. – Usando este estilo de representação, a resolução do problema pode ser visto como caminhar entre os nós e ramificações na procura de uma solução. Estratégia de Busca – Depth-First �A procura começa em algum nó inicial e continua até o último nível ou até a meta. �É uma técnica que procura por uma solução ao longo de cada ramificação de um espaço de problema para todo seu extensão vertical, então procede em alguma ordem definida, tal como da esquerda para direita. Estratégia de Busca • Vantagem: Garante solução • Desvantagem: Impróprio para espaço de problemas grandes Estratégia de Busca – Breadth-First Search �Uma técnica que procura por uma solução ao longo de todos os nós em um nível do espaço do problema antes de considerar os nós que estão um nível mais baixo. Estratégia de Busca • Vantagem: Garante solução • Desvantagem: Impróprio para espaço de problemas grandes Estratégia de Busca – BestBestBestBest----First SearchFirst SearchFirst SearchFirst Search �Técnica que usa o conhecimento sobre o problema para orientar a procura. Ele guia a procura em direção do nó-solução do espaço do problema. • Vantagem: usa o conhecimento para guiar a busca. • Desvantagem: Não tem garantia para encontrar a solução. EXEMPLOS DE SISTEMAS ESPECIALISTAS �São descritos dois sistemas, Mycin e Prospector. �Mycin, por tratar-se do primeiro sistema especialista que teve sucesso. �Prospector pelos excelentes resultados que demonstrou no campo da mineralogia, resultados estes que o consagraram. MYCIN � É um sistema especialista para diagnose e terapia de doenças infecciosas. � Foi desenvolvido como um projeto integrado, entre o Departamento de Ciência da Computação e o Departamento de Medicina da Universidade de Stanford (EUA). � Os dois principais pesquisadores envolvidos foram Edward H. Shortliffe do Departamento de Medicina e Bruce G. Buchanan do Departamento de Computação. � Mycin, sem dúvida é o sistema especialista mais conhecido no mundo, sendo seu nome adotado por inspiração de diversas drogas usadas no tratamento de doenças infecciosas, como por exemplo, “erythromycin, kanamycin”. �A partir do Mycin foi desenvolvida uma “shell”, chamada Emycin (de Essential Mycin), que serve para implementar outros sistemasespecialistas, acrescentando ao “software” padrão apenas a base de conhecimentos. �Emycin tem sido usado para desenvolver programas de consultoria em vários domínios: � doenças pulmonares, análise estrutural e diagnóstico de defeitos de computadores. PROSPECTOR � É um sistema especialista, projetado no fim da década de 70, com o objetivo de dar suporte aos geólogos na � avaliação de lugares com certos depósitos � na avaliação de recursos geológicos de uma região � na seleção dos melhores lugares para perfuração ou exploração de um depósito de minério de determinado tipo. � Os dois principais pesquisadores deste sistema foram Peter Hart e Richard Duda, sendo secundados por R. Rebl, K. Konolige, P. Barret e M. Einandi. � O Programa foi desenvolvido pelo Stanford Research Institute e o suporte geológico foi da U. S. Geological Survey. � Demonstração de uma implementação de um SE simbólico: �Sistema de detecção e avaliação de “Stress” �Reconhecimento e ensino de falhas de computadores (REFAC) Aplicação � “Software” – Expert Sinta �“Shell”, Manual, Versão 1.1b, www.lia.ufc.br, 1997. Aplicação OBRIGADA!
Compartilhar