Aula6_Lourdes

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 IRMÃ 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!