Baixe o app para aproveitar ainda mais
Prévia do material em texto
INTELIGÊNCIA ARTIFICIAL EINTELIGÊNCIA ARTIFICIAL E APRENDIZADO DE MÁQUINAAPRENDIZADO DE MÁQUINA APRENDIZAGEM DE MÁQUINAAPRENDIZAGEM DE MÁQUINA E REDES NEURAISE REDES NEURAIS Autor: Me. Jackson Luis Schirigatti Revisor : Rene Marcel ino Abr i t ta Te ixe ira IN IC IAR introdução Introdução O aprendizado de máquina é uma surpreendente área da inteligência arti�cial. Quando nos aprofundamos em conceitos sobre como as máquinas podem aprender, questionamos: teremos em um futuro próximo humanoides ou robôs convivendo e aprendendo ao nosso lado? Gostaria que você mesmo tirasse essa conclusão a partir do nosso estudo sobre a teoria do aprendizado de máquina e sobre os agentes inteligentes. Compreendemos que a teoria aprendizagem de máquina é formada por programas de computadores, que são algoritmos de aprendizagem e base de dados de conhecimento, cada qual com sua peculiaridade de aprendizado. Focaremos neste estudo a aprendizagem por conceito que trabalha com o viés indutivo e apresentaremos a aprendizagem no contexto dos agentes inteligentes e no contexto na mineração de dados, fundamentais para compreendermos a inteligência das máquinas. A capacidade da inteligência humana é aprender, e todo o progresso humano é o resultado dos esforços anteriores e da evolução do nosso entendimento. A aprendizagem automática das máquinas, também denominada Aprendizado de Máquina (AM), ou machine learning, é um ramo da ciência da computação em que cientistas há décadas vêm fazendo com que máquinas aprendam. Com o avanço da computação em termos de processamento e memória e através dos algoritmos de aprendizagem, eles contribuíram para a revolução da inteligência arti�cial. Atualmente, as máquinas já aprendem através dos sistemas inteligentes, e robôs em fábricas já estão sendo utilizados para automatizar diversas tarefas. A Figura 3.1 mostra um robô- secretária que realiza diversas tarefas em um escritório. Essa, hoje, é uma realidade próxima. Aprendizagem deAprendizagem de MáquinaMáquina A Aprendizagem de Máquina é uma das áreas mais importantes da inteligência arti�cial que trata do aprendizado das máquinas através de algoritmos, métodos e técnicas computacionais de aprendizagem, como a mineração de dados e as redes neurais. Para Luger (2013), o aprendizado é importante para aplicações práticas de inteligência arti�cial e acontece quando ocorrem mudanças em um sistema e este possui melhoras quando for repetida a mesma tarefa pela segunda vez. Caso contrário, a máquina não aprendeu. O aprendizado envolve a generalização a partir da experiência, e, para uma generalização ideal, o desempenho deve melhorar não apenas na repetição da mesma tarefa, e sim em tarefas semelhantes do domínio através de um viés indutivo. O aprendizado indutivo aplica o processo de generalização, ou seja, executa uma classi�cação de dados e cria grupos de objetos ou exemplos. Em nosso estudo de AM (aprendizagem de máquina), apresentaremos métodos, algoritmos e técnicas com base no viés indutivo, ou seja, da teoria da aprendizagem automática. Bengfort e Kim (2016) comentam que o objetivo do aprendizado de máquina é derivar modelos preditivos a partir de dados atuais e históricos. De acordo com as premissas, um algoritmo realiza o aprendizado quando obtém as Figura 3.1 - Robô-secretária, um desenho que representava um futuro distante, hoje, um futuro presente Fonte: Валерий Качаев / 123RF. devidas melhorias com uma excessiva quantidade de treinamento ou experiência. Tais resultados e�cientes são alcançados pelos algoritmos de aprendizado de máquina para domínios muito restritos usando modelos treinados a partir de um grande conjunto de dados. Já para Siegel (2017), os métodos de indução são os que estão por detrás do aprendizado de máquina. Os métodos de modelagem variam, mas todos enfrentam o mesmo problema: “aprender o máximo possível”. O objetivo do aprendizado de máquina é a indução , ou seja, é o raciocínio que parte de fatos detalhados para princípios gerais (do efeito para causa). Já diferente de dedução , que é o raciocínio que parte do geral para o particular (ou da causa para o efeito). A dedução é direta e parte da aplicação direta de regras. Já a indução parte dos detalhes para generalizar e veri�car padrões que continuarão se aplicando em situações ainda não vistas. Portanto, devemos compreender que: Indução = raciocínio que parte dos detalhes para a generalização, gerando novos conhecimentos = método indutivo = modelos preditivos = aprendizagem. Dedução = raciocínio que parte da generalização para os detalhes. Parte das experiências e dos fatos não produzindo conhecimentos novos. Vimos que existem dois tipos de modelagem de aprendizagem, uma é indução e outra é a dedução. A maior parte dos problemas de aprendizagem está relacionada à indução. Vejamos agora uma visão geral desses problemas e técnicas de aprendizagem. Visão Geral de Problemas e Técnicas Na aprendizagem arti�cial, existem várias formas de modelar a aprendizagem, como vimos, uma delas, a mais utilizada, é a do viés indutivo com informações de uma base de dados do passado e do presente. Essa abordagem, segundo Coppin (2017), compreende a maioria dos problemas de aprendizado, em que a tarefa é aprender a classi�car entradas de acordo com um conjunto �nito, ou até in�nito de classi�cações. Vimos em nossos estudos anteriores que um sistema de aprendizado possui uma base de dados de treinamento que é classi�cada manualmente. Um sistema somente aprende quando, a partir de uma base de treinamento, consegue realizar uma classi�cação e, em seguida, em uma nova base de dados não treinada, consegue realizar uma nova classi�cação. Existem duas maneiras de aprender: Por hábito; Por conceito; A palavra “hábito” vem de realizar uma tarefa ou comportamento permanente, frequente ou costumeiro. Na inteligência arti�cial, segundo Coppin (2017), a aprendizagem por hábitos está relacionada ao treinamento que envolve a armazenagem de cada fragmento de dados de treinamento e sua classi�cação. Após, é veri�cado se cada novo item de informação está armazenado na memória. Se estiver na memória, então a classi�cação que foi armazenada com aquele item será retornada. Nesse método o aprendiz só consegue classi�car os dados que já conhece, e não há esforços de aproximar a função de mapeamento. Na prática, esses tipos de sistemas ou robôs efetuam tarefas automatizadas e aprendem de acordo com novas informações armazenadas. Esses sistemas são os sistemas especialistas, que possuem uma base de fatos e dados (base de conhecimento). Sempre que a base é alimentada com novas informações, que se relacionam de acordo com fatos e regras (conhecimento), um aprendizado é realizado. A Figura 3.2 ilustra uma associação de tarefas programadas em uma linha de produção ou manutenção de robôs. O robô irá aprender de acordo com o que é ensinado em sua base de conhecimento. Nenhum outro mapeamento é realizado automaticamente. Uma diferença que devemos compreender com relação a um algoritmo que realiza um conjunto de tarefas pré-programadas, com um algoritmo que classi�ca dados através de critérios (regras) e fatos, gerando um resultado verdadeiro ou falso, é que o primeiro algoritmo é um conjunto de ações prede�nidas e o segundo é um conjunto de informações programadas que geram classi�cações e decisões. Figura 3.2 - Robôs montando robôs em uma fábrica Fonte: Macrovector / 123RF. Já o aprendizado por conceitos envolve determinar um mapeamento a partir de um conjunto de variáveis de entrada em um valor Booleano. Os métodos que conseguem mapear corretamente um conjunto de dados de treinamento em classi�cações, então também conseguirá mapear dados não observados anteriormente, ou seja, conseguirá realizar generalizações a partir de um saiba mais Saiba mais Dois elementos-chave são necessários para que os computadores aprendam a base de conhecimento e a inferência. A base deconhecimento é um conjunto de fatos e regras a respeito de um objeto. Já um mecanismo de inferência acessa, seleciona e interpreta um conjunto de regras do objeto, aplicando, assim, esse conjunto de regras aos fatos para compor novos fatos. Com isso, o computador aprendeu. Um exemplo de fato seria: Patrícia é esposa de Pedro, e consequentemente um novo fato ocorre: Pedro é marido de Patrícia. Já uma regra seria: se X é esposa de Y, então Y é marido de X. Dessa forma, o computador pode aplicar a regra ao fato. Fonte: Belmiro (2014, p. 34). A linguagem de programação Prolog realiza tal experiência de acesso e interpretação de regras de objetos. Para conhecer um tutorial de uso da linguagem Prolog, apresentado por Oliveira e Silva (2013), da Universidade Estadual de Maringá, acesse o link disponível em: ACESSAR https://www.seer.ufrgs.br/rita/article/view/rita_v20_n2_p155WesleyVol20Nr2_214 conjunto de dados de treinamento. Os métodos de aprendizado do tipo conceito podem ser de diversos tipos, conforme Luger (2013) explica: Aprendizado de máquina simbólico: é uma abordagem que se utiliza de um conjunto de símbolos que representam entidades e relações de um domínio do problema. Aprendizado de máquina conexionista: é uma abordagem que se utiliza da biologia ou das redes neurais. Aprendizado genético e emergente: é uma abordagem que considera algoritmos inspirados nos processos subjacentes da evolução: moldar uma população de indivíduos por meio da sobrevivência dos seus membros mais ajustados. Aprendizado probabilístico: é uma abordagem que utiliza ferramentas probabilísticas e tecnologias estocásticas para o aprendizado máquina. O Quadro 3.1 apresenta as características e os algoritmos, métodos ou técnicas de cada aprendizado máquina: Aprendizado Características Algoritmos, métodos, técnicas Aprendizado simbólico ● Os algoritmos estão baseados na suposição de que a principal in�uência sobre o comportamento do programa seja a sua base de conhecimento do domínio representada explicitamente. ● Baseada em sentenças em linguagem simbólica. Algoritmos de espaços de conceitos. Linguagem Lex: busca heurística. Algoritmo de eliminação de candidatos. Algoritmo ID3 para indução de árvore de decisão. Aprendizado conexionista ● O conhecimento está implícito na organização e na interação desses neurônios. ● Neurônios arti�ciais conectados. ● As redes neurais não aprendem adicionando representações à sua base de conhecimento, em vez disso, elas aprendem modi�cando sua estrutura global, de modo a se adaptar às contingências do mundo que habitam. Algoritmos de treinamento de perceptron. Aprendizado por retroprogramação. Aprendizado competitivo (o vencedor leva tudo, rede de Kohonen, redes outstar e contraprogramação, máquinas de vetor de suporte). Aprendizado hebbiano por coincidência. Redes de atratores ou “memórias”. Aprendizado genético e ● O aprendizado é realizado por meio de Modelos de aprendizado social e emergente. Quadro 3.1 - Características dos aprendizado de máquina Fonte: Adaptado de Luger (2013). Portanto, o aprendizado de máquina computacional é a aplicação de técnicas computacionais na tentativa de encontrar padrões explícitos e observáveis. Para Fawcett e Provost (2018), o aprendizado de máquina está preocupado com muitos tipos de melhorias de desempenho, incluindo campos da robótica e da visão computacional usando o conhecimento aprendido para raciocinar e interagir com o ambiente. Outro campo em que o aprendizado de máquina atua é a mineração de dados, que faz parte da descoberta do conhecimento, mas não atua no ambiente propriamente dito, e sim nas bases de dados, emergente adaptação por analogias biológicas. ● Aprendizado inspirado na evolução através da modelagem de uma população de indivíduos por meio da sobrevivência de seus membros mais ajustados. Algoritmo genético. Sistemas classi�cadores e programação genética. Algoritmos de autômatos celulares (o jogo da vida). Aprendizado de máquina probabilístico ● Representações complexas do mundo através das ferramentas probabilísticas. ● Os eventos podem ser relacionados um ao outro de forma probabilística. ● Os modelos estocásticos capturam bem as mudanças do mundo. Modelos estocásticos e dinâmicos de aprendizado: Modelo de Markov e Redes Bayesianas preparando e analisando os dados e criando modelos de aprendizagem para as e�cientes tomadas de decisões. Veremos agora como uma máquina pode aprender através de métodos e técnicas de mineração de dados, ou seja, na busca do conhecimento implícito ou não compreendido. Aprendizado de Máquina no Contexto de Mineração de Dados Todos os dias criamos dados de forma cada vez mais rápida do que em qualquer outra época da história humana, milhões de dados de pesquisa, vídeos e redes sociais são acessados diariamente. Essa é uma oportunidade sem �m para os computadores aprenderem e para os cientistas da computação testarem e re�narem as técnicas de aprendizado de máquina. Hoje, todos nós contribuímos com essa experiência através das pesquisas na internet, acessos aos links e nas redes sociais através de smartphones e computadores. Os sistemas inteligentes estão rastreando informações sobre nossas vidas, nossas preferências e o que fazemos. Nas organizações, as bases transacionais (bancos de dados que processam transações) são utilizadas para rastrear padrões e tendências para as complexas tomadas de decisões em qualquer nível organizacional. Uma área da inteligência arti�cial que está ajudando a encontrar conhecimento em grandes bases de dados para resolver problemas para a tomada de decisão é a mineração de dados. Castro e Ferrari (2016, p. 7) a�rmam que: [...] a mineração de dados pode levar a uma capacidade preditiva [e analítica poderosa de dados]. As funcionalidades da mineração de dados são usadas para especi�car os tipos de informações nas tarefas descritivas e preditivas. As tarefas descritivas caracterizam as propriedades gerais dos dados [já as preditivas fazem inferência a partir dos dados objetivando predições]. O software de mineração de dados inclui formas de inteligência arti�cial, como redes neurais, sistemas especialistas e abordagens simbólicas. As ferramentas de mineração de dados aplicam algoritmos a conjuntos de informações para a descoberta de tendências e padrões (BALTZAN, PHILLIPS, 2012). A Figura 3.3 ilustra um processamento da mineração de dados, onde se coletam dados de diversas bases transacionais, e, através de ferramentas e algoritmos se encontram padrões, agrupamentos ou estimativas para uma e�ciente tomada de decisão. Uma mineração não quer dizer que ela possui aprendizagem. Essa é uma próxima etapa possível da mineração de dados. Para encontrar informações necessárias, seria su�ciente chegar a uma análise descritiva ou a um agrupamento. Mas, para uma descoberta de conhecimento, em uma base de dados, é necessário fazer com que o algoritmo aprenda de acordo com seu desempenho (classi�cando, estimando ou associando dados). Os algoritmos de aprendizagem são ferramentas poderosas para a descoberta de conhecimento em bases de dados e podem atuar nas diversas etapas da mineração. Essas etapas podem ser: De análise descritiva de dados Análise de grupos Figura 3.3 - Processamento de mineração de dados Fonte: Pratyaksa / 123RF. Predição (classi�cação e estimação) Associação Na etapa de análise descritiva , é possível realizar uma sumarização e uma compreensão dos objetos da base e seus atributos através de distribuições de frequências, de medidas de centro e variação e de medidas de posição relativa e associação de dados. Na etapa predição , ė utilizado ou desenvolvido um modelo para avaliar a classe de um objeto não rotulado ou para estimar um valor de um ou mais atributos de dados objeto. A etapa de avaliação da classe, denominada também de tarefa de classi�cação e estimação do valor, é denominada de regressão ou estatística. Já a etapade análise de grupos é um processo de posicionamento ou segmentação de um conjunto de objetos em clusters de objetos similares. Na etapa de associação, são encontradas relações ou estimativas entre os objetos da base de dados. Na regra de associação são realizadas descobertas de regras de associação que apresentam valores de atributos de ocorrência conjunta na mesma base de dados transacionais (CASTRO; FERRARI, 2016). Portanto, é possível dividir uma mineração de dados em uma sequência para a descoberta do conhecimento: 1. Pré-processamento de dados: etapa que diz respeito ao processo de preparação da base de dados, limpeza, integração, redução, transformação e discretização dos dados. 2. Análise descritiva dos dados: etapa que diz respeito ao processo de visualização dos dados. 3. Análise de grupos: etapa que diz respeito ao processo de agrupamento de dados (similaridades e formas de representação dos agrupamentos). 4. Aprendizagem: é a etapa de aprendizagem através de algoritmos de aprendizagem que podem ser por classi�cação, estimação ou por regras de associação. Podemos visualizar com mais detalhes as características das etapas da mineração e seus benefícios através do Quadro 3.2. Podemos visualizar no Quadro 3.2 que, em termos de aprendizagem de máquina dentro de um processo de mineração de dados, temos o grupo de classi�cação de dados, estimação e associação. Alguns autores ainda dividem em quatro grupos de aprendizagem, acrescentando ao que já vimos, o grupo de regressão, que se refere a uma estimativa de um ou mais atributos de dados objeto. Veremos agora, com mais detalhes, como funciona o processo de aprendizagem por classi�cação através da compreensão de um modelo de aprendizagem máquina. praticar Vamos Praticar Quadro 3.2 – Características e benefícios das etapas da mineração de dados Fonte: Adaptado de Castro e Ferrari (2016) e Amaral (2016). A mineração de dados é dividida de forma que sejam realizados tratamentos e se chegue à descoberta do conhecimento a partir de uma base de dados. Marque a alternativa correta que se refere ao processo de visualização de dados dentro da mineração de dados. a) pré-processamento de dados. b) análise descritiva dos dados. c) análise de grupos dos dados. d) aprendizagem. e) reprocessamento dos dados. Em uma aprendizagem de máquina de classi�cação, segundo Amaral (2016), deve ser analisado quais são as características que de�nem cada forma e atribui esta a cada um dos grupos, como mostra a Figura 3.4. Nos retângulos, as formas já estão classi�cadas de acordo com seu tipo: triângulo, quadrado ou círculo. Já uma forma à esquerda do retângulo com uma interrogação ao centro ainda não teve seu tipo identi�cado. Em uma base de dados relacional, os dados já estão classi�cados como os elementos do retângulo, mas em categoria de clientes, produtos, fornecedores, compras, vendas, etc. Um algoritmo computacional de aprendizagem só aprende a classi�car objetos ou dados quando eles ainda não foram classi�cados por ele. Para isso, é necessário que o algoritmo realize comparações com uma base de treinamento, ou seja, uma base de objetos já classi�cados. Aprendizagem deAprendizagem de Máquina por Classi�caçãoMáquina por Classi�cação Como já vimos, o aprendizado de máquina pode ser dividido em três grandes grupos: classi�cação, estimação e associação. A tarefa mais comum é a de classi�cação. A classi�cação funciona com dados históricos. Contudo, em uma base de dados relacional de clientes ou produtos, essa classi�cação já está pronta, pois as tabelas ou a classe dos objetos já estão na forma estruturada. Porém, é necessário veri�car se os dados são necessários, convenientes e preparados para o propósito, caso contrário, será preciso aplicar a primeira etapa de pré-processamento (limpeza, integração, redução, transformação e discretização). Então, o próximo passo do aprendizado de máquina é criar um modelo preditivo a partir dos dados históricos já classi�cados. Um exemplo da construção de um modelo de aprendizado de máquina é ilustrado no diagrama na Figura 3.5. A partir de uma base de dados transacional, são extraídos os dados históricos do cliente. Uma parte dos dados disponíveis é usada para a geração do modelo preditivo (um conjunto de treinamento) e uma outra parte é usada para avaliar a qualidade do modelo (conjunto de teste). Figura 3.4 - Aprendizagem por classi�cação Fonte: Adaptado de Amaral (2016, p. 7). O treinamento do modelo de aprendizagem de máquina consiste de dados treinados para ajuste de parâmetros. Nos modelos preditivos de redes neurais, os parâmetros seriam os pesos, e, nos modelos de árvores de decisão, seriam os nós. Esse ajuste do modelo deve ser realizado para que haja um desempenho avaliado pela aplicação do modelo. A partir de nosso tópico de laboratório, compreenderemos sobre a tarefa de classi�cação. Essa tarefa é realizada com ferramentas e técnicas denominadas de árvore de decisão e suas etapas algorítmicas. Laboratório: Cenários de Aplicação Segundo Castro e Ferrari (2016, p. 158), “a classi�cação é a tarefa preditiva de identi�cação da classe à qual um objeto pertence. Para que isso seja possível, um modelo de classi�cação precisa ser construído, que é feito com base em um conjunto de treinamento previamente rotulado [...]”. O desempenho depende da qualidade do seu treinamento através da avaliação, ou seja, do percentual de classi�cação correta (acurácia preditiva). Uma forma de classi�car seria pela árvore de decisão (decision tree), ela é uma estrutura em forma de árvore na qual cada nó interno corresponde a um teste de atributo, cada ramo representa um resultado do teste e os nós folhas representam classes ou distribuições de classes. O nó mais elevado da árvore é conhecido como nó raiz, e cada caminho da raiz até um nó folha corresponde Figura 3.5 - Construção de um modelo preditivo Fonte: Elaborada pelo autor. a uma regra de classi�cação [...]. Uma vez construída a árvore, ela pode ser usada para classi�car um objeto de classe desconhecida. Para isso, basta testar os valores dos atributos na árvore e percorrê-la até atingir um nó folha, que corresponde à classe predita para aquele objeto. (CASTRO; FERRARI, 2016, p. 170). Na representação por Vieira et al . (2018), a árvore de decisão é constituída de uma cadeia de nós de decisão, conectados por rami�cações (ramos) estendendo-se do nó raiz até os nós folhas e tendo como requisito básico o atributo-alvo ou o atributo-problema. As árvores de decisões são técnicas con�áveis para a construção de modelos preditivos de apoio à tomada de decisão. Possuem uma forma hierárquica, como mostra o exemplo ilustrado na Figura 3.6, onde o primeiro nó (nó raiz) é o atributo-problema “peso”. Os valores do atributo se encontram nos ramos, e os testes são realizados (peso < 50, peso >= 50; sexo masculino, feminino), gerando, assim, um resultado (verdadeiro ou falso). Nos nós folhas são as distribuições das classes ou valores das classes (doente ou saudável). As árvores de decisão segmentam os dados heterogêneos através de suas similaridades em dados mais homogêneos em relação à variável-alvo. Elas possuem a capacidade do modelo em predizer no presente as interações que ocorrerão no futuro com certo nível de certeza (VIEIRA et al ., 2018). Figura 3.6 - Árvore de decisão Fonte: Adaptado de Amaral (2016, p. 98). Sua construção é materializada computacionalmente através de algoritmos denominados C.45 ou J48 e sua estrutura adota uma técnica de “dividir para conquistar”. O algoritmo de indução de árvore de decisão que constrói a árvore de cima para baixo, dividindo e conquistando, seria, de maneira resumida, os seguintes passos: 1. A árvore inicia com um nó raiz o qual representa a base de dados (no caso do exemplo, o atributo-problema é o nó peso). O problema-alvo está relacionado à classi�cação das pessoas que estão “doentes” e “saudáveis”. 2. Se todos os objetos pertencemà mesma classe, então, o próximo nó se torna um nó folha e rotula o objeto com aquela classe (não é o caso do exemplo da Figura 3.6). 3. Senão, o algoritmo calcula o atributo que melhor separa a classe em classes individuais (divisão: peso >= 50, classe doente, gerando um nó folha e o peso <50 gera um nó sexo). Nesse caso, o atributo pode se tornar o “atributo teste” (nó interno teste = sexo M ou F) ou realiza o atributo de decisão (peso >50), que, nesse caso, gerou o nó folha ou a classe doente). 4. Para cada valor conhecido do atributo teste (sexo = M ou F), a base é particionada seguindo esses valores. Gerando, assim, os nós folhas ou as classes saudável ou doente. 5. O algoritmo usa o mesmo processo recursivamente para formar uma árvore de decisão para os objetos de cada participação. 6. A recursividade é interrompida quando todos os objetos para um dado nó pertencem à mesma classe ou quando não há mais atributos para os quais os objetos precisam ser particionados. Uma divisão que mantém as proporções de classes em todas as partições é inútil. Já uma divisão onde em cada partição todos os exemplos são da mesma tem utilidade máxima. Fawcett e Provost (2018) comentam que a técnica de indução de árvore de decisão ou modelo estruturado fornece um modelo que pode representar exatamente o tipo de segmentação supervisionada que queremos, sendo, assim, possível prever valores para novos casos. Existem diversos algoritmos que constroem a árvore de decisão, como ID3, C 4.5 e J8 por Ross Quinlan. O Quadro 3.3 apresenta as características desses algoritmos que estão baseados na indução de árvore de decisão. Quadro 3.3 – Algoritmos que constroem árvores de decisão Fonte: Elaborado pelo autor. Como vimos, é possível, através de algoritmos avançados de aprendizagem, programar máquinas com uma grande equipe de programadores e técnicos que podem realizar automações em fábricas com robôs inteligentes. É possível também utilizar grandes bases transacionais, de marketing, produção, vendas e de outras áreas funcionais para que os algoritmos procurem padrões ou tendências e que aprendam em novas bases de dados. Algoritmo Características ID3 ● É considerado um dos algoritmos precursores de árvore de decisão; ● Tem como base à inferência; ● A partir de um conjunto de dados treinados ou exemplos, o algoritmos realiza a construção da árvore de decisão; ● A árvore resultante é utilizada para classi�car amostras futuras; ● O algoritmo realiza a separação de dados de treinamento em subconjuntos de classes exemplos. C 4.5 ● Abordagem recursiva de particionamento de base de dados ● Lida com atributos contínuos e discretos; ● Lida com dados de treinamento com atributos incompletos; ● Lida com atributos com diferentes custos; ● Poda de árvore após criação; ● Desenvolvido em Linguagem C. Contudo, também é possível ensinar as máquinas através do treinamento, ou seja, por hábitos perceptivos. Elas podem aprender com os humanos sem precisar programá-los. Assim, as máquinas podem realizar tarefas automatizadas enquanto os humanos podem se especializar em outras tarefas. Comentamos em alguns momentos de nosso estudo formas de aprendizagem na aplicação de modelos de aprendizagem, portanto, agora compreenderemos melhor esses tipos de aprendizagem, sendo elas de duas formas: supervisionada e não supervisionada. Aprendizado Supervisionado e não Supervisionado Castro e Ferrari (2016, p. 16) apresentam a de�nição de paradigma de aprendizagem: “um procedimento bem-de�nido para treinar uma técnica de aprendizagem de máquina (MA) que é denominado algoritmo de aprendizagem ou algoritmo de treinamento, e a maneira pela qual o ambiente in�uencia a técnica em seu aprendizado de�ne o paradigma de aprendizagem”. Portanto, para obtermos um melhor aprofundamento sobre a aprendizagem da máquina na Inteligência Arti�cial e sobre o conceito de aprendizado indutivo (que possui a capacidade de aprender a partir de exemplos), veremos dois paradigmas de aprendizagem mais comuns e que são amplamente utilizados com a mineração de dados e a Inteligência Arti�cial. No livro de Castro e Ferrari (2016, p. 16), temos dois principais paradigmas: 1. Aprendizado supervisionado: é baseado em um conjunto de objetos para os quais as saídas desejadas são conhecidas, ou em algum outro tipo de informação que presente o comportamento que deve ser apresentado pelo sistema. 2. Aprendizado não supervisionado: é baseado apenas em objetos de base, cujos rótulos são desconhecidos. Basicamente, o algoritmo deve aprender a “categorizar” ou rotular objetos. Para Coppin (2017), redes de aprendizado supervisionado aprendem quando são apresentadas a dados de treinamento classi�cados. Esses modelos são inspirados nos neurônios do cérebro humano e realizam o aprendizado através da modi�cação dos pesos das conexões de suas redes, já as redes neurais que não utilizam aprendizado supervisionado aprendem sem qualquer intervenção humana. Um exemplo de aprendizado não supervisionado é o mapa de Kohonen, que é uma rede neural que é capaz de aprender a classi�car um conjunto de dados de entrada sem ter sido informada sobre a classi�cação e sem receber dados de treinamento. Ainda quanto à aplicação do aprendizado supervisionado, Barth (2004, p. 38) comenta, por exemplo, em redes neurais, onde o aprendizado supervisionado “é aplicado quando de fato existe uma amostra do desenvolvimento, cujos elementos serão utilizados para oferecer uma crítica às tentativas de resposta da rede neural (com bases nessas críticas, a rede neural vai ‘aprendendo’ a gerar respostas mais precisas)”. Com relação à aplicação do aprendizado não supervisionado, Barth (2004, p. 38) comenta que “é aplicado quando não existe um conjunto de casos conhecidos cujas respostas são conhecidas (na verdade, a rede neural vai apenas agrupar os diversos casos de acordo com as similaridades nas características observáveis)”. O aprendizado de máquina tem sido amplamente utilizado em diversas tarefas que podem ser organizadas em diferentes critérios, e um deles refere- se ao paradigma de aprendizado. Esse paradigma adotado irá liderar a tarefa. De acordo com os critérios, as tarefas de aprendizado podem ser preditivas ou descritivas . As tarefas preditivas estão relacionadas à hipótese por indução, cujo objetivo é encontrar uma função (modelo ou hipótese) que, a partir de dados de treinamento, possa ser utilizada para prever um rótulo ou valor que caracterize um exemplo, com base nos valores de entrada. Os algoritmos que utilizam os modelos preditivos seguem o paradigma de aprendizado supervisionado. Isso signi�ca que a simulação é realizada por um supervisor externo. Já em tarefas de descrição, o objetivo é explorar ou descrever um conjunto de dados. Nesse modelo por descrição, não se utiliza o atributo saída, por isso, segue um padrão de aprendizado não supervisionado. Nas tarefas descritivas por agrupamento de dados, o algoritmo descritivo tem como objetivo encontrar objetos idênticos ao conjunto de dados ou até mesmo encontrar “regras de associação” que relacionam grupos por atributos. (FACELI, 2011). A Figura 3.7, esquematizada e adaptada de Faceli (2011, p. 6), ilustra a hierarquia de aprendizado de acordo com os tipos de tarefas de aprendizado. No topo da hierarquia, aparece o aprendizado indutivo, no qual são realizadas as generalizações a partir dos dados. Na sequência da hierarquia de aprendizado, há dois tipos de aprendizado: o supervisionado, relacionado à predição, e o não supervisionado, relacionado à descrição. As tarefas supervisionadas são divididas em classi�cação e regressão (tipos de rótulos de dados). Já o aprendizado não supervisionado é dividido em agrupamento (dados agrupados por similaridade), associação (encontram-se padrões frequentes entre os atributos de um conjunto de dados) e sumarização (descoberta de descrição simples e compacta para um conjunto de dados). praticar V P tiFigura 3.7 - Hierarquia de aprendizado Fonte: Adaptado de Faceli (2011, p. 6). praticar Vamos Praticar O processo de indução de hipóteses procura uma hipótese em uma base de treinamento ou base de testes e esta por si só realiza o aprendizado na base original, classi�cando os novos dados não observados durante o treinamento. Para Faceli (2011), os algoritmos podem realizar a indução de hipóteses através de um conjunto de critérios. Esses critérios são descritos através de técnicas como: a) critérios de raciocínio lógico. b) critérios de árvore de decisão. c) teste de Turing. d) teste de dedução por predicados. e) lógica nebulosa. Nas décadas que seguiram com os estudos da Inteligência Arti�cial, a preocupação dos cientistas e pesquisadores não era mais criar um robô tão inteligente quanto o ser humano, e sim com o entendimento do cérebro humano que soluciona problemas. As pesquisas que envolviam esse entendimento eram baseadas em algoritmos, heurísticas e metodologias. Consequentemente, as áreas que evoluíram foram: aprendizado de máquina, sistemas multiagente, vida arti�cial, visão por computador, planejamento e jogos (COPPIN, 2017). Durante as décadas de 1960 e 1970, predominou a Inteligência Arti�cial simbólica, denominada como a primeira onda de IA, de características relacionadas à manipulação simbólica e à memória. Os pesquisadores da época trabalharam com a emulação das funções do cérebro, pois acreditava- se que, através de um programa de computador, seria possível emular a mente. Com isso, foram aperfeiçoados os softwares inteligentes e especi�camente os sistemas especialistas, que solucionam problemas acoplados a imensos bancos de memória. Com esse acoplamento, o sistema especialista pode responder às consultas, fornecer conselhos e apoiar os Redes NeuraisRedes Neurais especialistas humanos. Na época, se destacaram os sistemas especialistas Mycin e o Prospector. O Mycin indicava medicação para os pacientes com infecções bacterianas, enquanto o Prospector auxiliava os geólogos na descoberta de metais raros (TEIXEIRA, 2014). Para Castro e Ferrari (2016), as técnicas tradicionais de Inteligência Arti�cial que surgiram na década de 1950 e prevaleceram até a década de 1980 �caram conhecidas como IA clássica e eram essencialmente simbólicas. As técnicas tradicionais propunham que uma manipulação algorítmica de estruturas simbólicas (palavras) seria su�ciente para o desenvolvimento de sistemas inteligentes. Para Teixeira (2014), no começo dos anos de 1980, se inicia a segunda onda da Inteligência Arti�cial, denominada de Inteligência Arti�cial conexionista. Essa onda não teve mais um pensamento de imitação da mente por meio de símbolos, e sim tratava da criação de um modelo do cérebro, construindo redes neurais a partir de neurônios arti�ciais. Redes Neurais Naturais vs. Arti�iciais Os neurônios arti�ciais, como os neurônios naturais (Figura 3.8), estão conectados entre si, podendo ser ativados ou inibidos através de conexões, funcionando como um sistema dinâmico, o qual espalha excitações e inibições entre os neurônios arti�ciais. Para a onda conectivista, não há distinção entre mente e cérebro, pois a mente emerge do cérebro e a inteligência surge do aumento da conectividade entre os neurônios. Figura 3.8 - Neurônios naturais Fonte: Natalia Romanova / 123RF. A Figura 3.8 ilustra os neurônios do cérebro humano (redes neurais naturais) e suas conexões, os quais podem estar em estado ativado ou de inibição. O sistema nervoso de qual faz parte o cérebro é um conjunto complexo de células que determinam o funcionamento e o comportamentos dos seres vivos. Ele está presente em todos os seres vivos vertebrados e na maioria dos invertebrados. A unidade fundamental do sistema nervoso é a célula nervosa, o neurônio, que se distingue de outras células por apresentar excitabilidade, que lhe permite responder a estímulos internos e externos. Isso possibilita a transmissão de impulsos nervosos a outros neurônios e a células musculares e glandulares. (FACELI et al., p. 108) Para Haykin (2007), o trabalho em redes arti�ciais, usualmente denominadas de “redes neurais” - ou RNAs, Redes Neurais Arti�ciais -, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano se comporta de forma diferente de um computador digital convencional de processamento complexo, paralelo, não linear. O cérebro tem a capacidade de organizar os neurônios de forma a realizar processamento de reconhecimento de padrões, percepção e controle motor muito mais rapidamente do que um computador digital de hoje em dia. Uma rede neural é formada por um conjunto de células nervosas (neurônios) que conduzem pulsos elétricos ou transmissão de sinais. Sistematicamente, é considerada unidade de processamento de informação e armazenamento do conhecimento tácito (experiências). A história da inteligência arti�cial continua através de pesquisas e avanços sobre as redes neurais e o aperfeiçoamento dos sistemas inteligentes. Haykin (2007) comenta que as redes neurais extraem seu poder computacional através de sua estrutura maciça paralela distribuída e da habilidade de aprender ou generalizar. O autor comenta, ainda, que generalizar se refere à capacidade de produzir saídas adequadas para as entradas que não foram observadas em uma base de dados durante o treinamento, para, assim, poder realizar a aprendizagem. As redes neurais estão sendo implementadas de maneira recorrente em nosso dia a dia. Isso está acontecendo através dos sistemas inteligentes híbridos, como, por exemplo, na veri�cação de peças defeituosas em uma linha de produção. Utilizar a visão computacional, uma das áreas de IA que trabalham com aquisição, processamento e entendimento da imagem, em conjunto com a implementação dos algoritmos de redes neurais, que trabalham com aprendizagem para diminuir o defeito das peças, pode potencializar a inteligência produtiva com qualidade e e�ciência. A rede neural arti�cial pode descobrir em uma base com milhares de informações que tipos de padrões de defeitos ocorrem em determinadas peças. Através dessa classi�cação, é possível fazer com que determinados parâmetros produtivos (temperatura, corte, componentes, matéria-prima, etc.) sejam ajustados pela própria máquina inteligente por meio de uma retroalimentação do sistema. Neurônio Arti�icial e Redes Neurais O neurônio arti�cial é um modelo computacional ou unidade fundamental de uma rede neural arti�cial inspirado em um neurônio biológico. Um neurônio arti�cial é ilustrado na Figura 3.9, constituído de entradas, pesos, bias, função de ativação e saída. Para Castro e Ferrari (2016), Rosenblatt, em 1958, introduziu a primeira rede neural arti�cial, o Perceptron, como a arquitetura mais básica de uma rede neural capaz de realizar a classi�cação de padrões linearmente separáveis. O Perceptron é um conjunto de elementos de uma rede maior neural, com uma única camada de pesos, ou seja, uma constituição de neurônios ou nós de entrada e neurônios ou nós de saída, com pesos sinápticos (pesos das conexões) e bias ajustáveis, como mostra a Figura 3.9. Portanto, o modelo ou arquitetura de um neurônio Perceptron possui as entradas à esquerda da Figura 3.10 e constituem o vetor . Os terminais de entrada são os pesos sinápticos imitando os dendritos dos neurônios do cérebro humano (caminhos que transmitem mensagens), representado por w = [ A segunda �leira é constituída das funções que recebem, combinam (somatório das entradas) e ponderam (pesos sinápticos) os valores recebidos pelas entradas. Essa função, segundo Faceli et al . (2011, p. 111), é denominada de função de ativação, sendo ela sigmoidal, representa uma aproximação contínua e diferenciável da função limiar. Essa função é uma soma ponderada de todas as entradas de outros neurônios que realizaram um disparo. Figura 3.9 - Neurônio arti�cial Fonte: Castro e Ferrari (2016, p. 209). x = [ , , … ]x0 x1xm x = [ , , … ]x0 x1 xm , , . . . ]w0 w1 wm . = . yn ∑ d j=1 xj wj A função é dada pela fórmula . Segundo Faceli et al . (2011, p. 111), [...] em uma rede neural arti�cial, os neurônios podem estar dispostos em uma ou mais camadas. Quando duas ou mais camadas são utilizadas, um neurônio pode receber em seus terminais de entrada valores de saída de (um ou mais) neurônio(s) da camada anterior e/ou enviar seu valor de saída para terminais de entrada de neurônio da camada seguinte. Essas camadas que recebem esses valores podem ser ilustradas na rede neural Perceptron Multilayer (MLP) (Figura 3.11), que apresenta uma rede de 3 camadas denominadas de multicamadas. Coppin (2017, p. 263) também comenta que “a maioria dos problemas da vida real não é linearmente separável e, embora Perceptron seja um modelo interessante para estudar como os neurônios arti�ciais podem funcionar, é necessário alguma coisa com mais capacidade”. O modelo MLP possui a arquitetura e as características a seguir: alimentação adiante e recorrente. = . yn ∑ d j=1 xj wj Figura 3.10 - Rede neural de uma camada Fonte: Castro e Ferrari (2016, p. 209). camada de entrada e saída. camada oculta ou intermediária. retropropagação. Vejamos mais detalhes sobre essas características e arquitetura da MLP: A MLP é uma rede Perceptron com pelo menos uma camada intermediária. A camada de entrada localiza-se mais à esquerda da rede neural. À primeira camada de neurônios recebem os valores de entrada e os neurônios da segunda camada recebem os valores da primeira camada (alimentação recorrente). A primeira e segunda camadas são denominadas camadas intermediárias. A terceira camada de neurônios recebem os valores de saída, denominada de camada de saída. As redes multicamadas Perceptron, segundo Faceli et al . (2011), utilizam nas camadas intermediárias funções de ativação não lineares, como a função sigmoidal. Cada neurônio da rede MLP realiza uma função combinada das funções da camada anterior. O processamento se torna cada vez mais complexo quando se avança para as últimas camadas, isso devido à combinação de funções das camadas anteriores. A Figura 3.12 ilustra o papel de cada neurônio da rede. A cada camada que avança para dentro da rede neural, novas classi�cações são realizadas pelas funções de ativação. Figura 3.11 - Rede neural MLP, Perceptron multicamada Fonte: Castro e Ferrari (2016, p. 215). Figura 3.12 - Papel de cada neurônio nas camadas da rede neural MLP Fonte: Faceli (2011, p. 216). Os neurônios realizam uma classi�cação (reconhecimento), como vimos na Figura 3.4, aprendendo a classi�car um novo objeto através de uma aprendizagem supervisionada (rotulando os dados, pré-classi�cados) e, portanto, sendo uma aprendizagem por conceito e não por hábito. Faceli et al . (2011) comenta que a rede aprende quando a classi�cação do objeto é correta e somente se o valor for o mais elevado produzido pela rede, este gerado pelo neurônio de saída que corresponde à classe correta do objeto. Caso exista um erro de classi�cação, os pesos são ajustados através de um método denominado retropropagação, atribuindo responsabilidades aos diferentes pesos, só assim a rede irá aprender corretamente (melhor desempenho). Segundo Rezende (2005, p. 158), “o principal objetivo de aprendizado em redes neurais é a obtenção de modelos de boa capacidade de generalização tendo como base o conjunto de dados”. Cada neurônio que é ativado, como em nosso cérebro humano, é uma pequena unidade de processamento que executa uma classi�cação de objetos através de pesos (aprendizagem por indução), e cada novo neurônio executa novas generalizações. A implementação das redes neurais através de algoritmos possui alta e�ciência para as atividades de classi�cação, reconhecimento de padrões escondidos em uma base de dados, predições ocultas, por exemplo, novos clientes, fornecedores e produtos, melhoria em processos de diagnósticos médicos, predições �nanceiras, identi�cação de imagens, análise de documentos e muitas outras aplicações. Veremos agora um laboratório para compreendermos melhor as ferramentas (algoritmos) e as aplicações das redes neurais arti�ciais. praticar Vamos Praticar O software de mineração de dados inclui formas de inteligência arti�cial, como as redes neurais. As ferramentas de mineração de dados aplicam algoritmos a conjuntos de informações para a descoberta de tendências e padrões. Marque a alternativa correta que apresenta características relacionadas aos algoritmos conexionistas RNAs. a) Utiliza classi�cadores em forma de árvores. b) Busca relações de co-ocorrência. c) Baseados em redes de unidades interconectadas. d) Baseados em estimação probabilística. e) Utiliza um conjunto de regras prede�nidas. As aplicações de redes neurais arti�ciais são vastas e podem ser aplicadas através de sistemas computacionais e robôs na produção de produtos, na medicina, na agricultura, nos investimentos, na segurança das cidades, ou seja, as redes neurais são implementadas para que as máquinas realizem as mais diversas tarefas automatizadas de maneira inteligente. Para Lucas (2006, p. 269-270), [...] as redes neurais provaram ser bastantes robustas em problemas de classi�cação. Suponha que sua �rma queira classi�car novos clientes em 3 tipos: os que provavelmente pagam suas contas em dia, os que podem levar de três a seis meses e provavelmente os que não pagarão. Você poderia projetar uma rede neural para tentar classi�car potenciais clientes. A entrada para a rede seriam as informações sobre o cliente, e a saída seria uma classi�cação em um dos quatro grupos correspondentes à categoria de probabilidades de pagamento. Redes Neurais eRedes Neurais e AplicaçõesAplicações Contudo, nesse exemplo dado por Lucas (2006), é necessário realizar a elaboração de uma rede neural Perceptron multicamadas (3 camadas por exemplo), de alimentação para frente e realizar seu treinamento. Para treinar a rede, o processo deve ser realizado no sentido de trás para a frente ajustando os pesos através de dados históricos. Somente assim, a rede irá aprender e obter o melhor desempenho. A tarefa de classi�cação/reconhecimento é realizada através do modelo preditivo, como vimos anteriormente na Figura 3.5. A Figura 3.13 mostra uma rede de neurônios treinada, onde as �guras geométricas são representações de informações já classi�cadas (base treinada). Nesse sentido, a estrutura da rede neural pode ser constituída de diversos algoritmos, um deles é o de treinamento. Para Rezende (2005, p. 158), “o objetivo dos algoritmos de treinamento deve se o de aproximar as funções geradoras [...] dos dados e não simplesmente o de minimizar o erro do conjunto de treinamento”. Figura 3.13 - Rede neural MLP com input para classi�cação do padrão e base de treino já classi�cada Fonte: Elaborada pelo autor. O input de um objeto é feito na entrada da primeira camada e será classi�cado pela rede neural, gerando o resultado da classi�cação. Vejamos agora como as redes neurais podem ser implementadas para a realização de aplicações inteligentes. Laboratório: Ferramentas As ferramentas que implementam as Redes Neurais Arti�ciais (RNAs) são os algoritmos que podem ser pseudocódigos de treinamento e execução de uma rede neural ou softwares que implementam esses algoritmos. Todos os algoritmos compilados para as máquinas e os computadores são combinados com outras ferramentas de IA. Dentro da área de automação e controle, por exemplo, as redes neurais com a combinação de ferramentas de sensoriamento e interfaceamento podem alcançar desempenhos satisfatórios como uma máquina inteligente. Já que a autonomia é um objetivo importante dos projetistas de sistemas de controle, no caso os controladores inteligentes (HAYKIN, 2007). Uma ferramenta inteligente híbrida surpreendente na área de automação e controle é a combinação da lógica nebulosa (sistemas difusos) com as redes neurais. Enquantoa lógica nebulosa, baseada em regras, quanti�ca as entradas linguísticas e fornece aproximação operacional para as regras de entrada dos sistemas, a lógica neural está na habilidade de aprender com os dados. Assim, temos uma máquina inteligente. A Figura 3.13 ilustra um exemplo de automação e controle em uma indústria. Com a combinação da lógica nebulosa (precisão), da robótica (automação e controle), do sensoriamento e da identi�cação de imagens (visão computacional) e da rede neural (aprendizado), a industrialização se torna mais precisa e autoajustável, obtendo um melhor desempenho e uma qualidade produtiva. Vimos que as redes neurais podem ser implementadas em conjunto com outras tecnologias de Inteligência Arti�cial, como sistemas especialistas, visão computacional e outras, formando uma inteligência híbrida para potencializar as tarefas das máquinas. Vejamos agora uma maior gama dos cenários onde são aplicadas as redes neurais arti�ciais. Exemplos de Aplicações As aplicações das redes neurais arti�ciais estão crescendo no nosso dia a dia. Além da automação e do controle inteligente, as RNAs são implementadas onde for necessário o aprendizado. Como, por exemplo, na IoT (Internet das Coisas), na Segurança da Informação, na Medicina, na Agronomia e outras. Redes Neurais na IoT Para Silva et al . (2019, p. 156), as redes neurais são aplicadas nas IoT (Internet das Coisas, IoT - Internet of Things) ou a “comunicação entre coisas”, sendo um conceito bastante útil, isso porque permite que uma rede de pequenos dispositivos seja capaz de interagir de forma descentralizada, processando as informações de cada elemento na nuvem, e os dados são processados pelo Figura 3.14 - Redes neurais e lógica nebulosa combinadas na automação e no controle industrial Fonte: Wklzzz / 123RF. conjunto de operações efetuadas por cada dispositivo. Essa rede se aproxima muito da rede de neurônios. Através de um smartphone, é possível controlar e receber informações dos diversos equipamentos e objetos de uma casa, escritório ou de um veículo. Em uma casa (Figura 3.14), é possível acionar as luzes intensi�cando-as ou não, nos diversos ambientes da residência ou ainda veri�car e comparar o consumo de energia com os meses anteriores. Também é possível acionar os diversos pontos de luzes em modos diferenciados, modo equilíbrio, alta energia, econômico, etc., como em um ar-condicionado, um exaustor para cozinha, em uma TV smart, em uma torneira de água quente, em um chuveiro elétrico ou até preparar o seu banho de maneira e�ciente veri�cando a temperatura do ambiente através de sensores instalados no banheiro. A automação e o controle inteligente são características da subárea do planejamento, da robótica e das redes neurais. Figura 3.15 - Redes neurais aplicados na IoTl Fonte: Cheskyw /123RF. No cenário industrial, a Internet das Coisas está relacionada com o desenvolvimento das plataformas industriais que, a partir dos dados coletados, podem obter e�ciência energética, redução de perdas, manutenção preventiva (planejamento) e preditiva (comparativa), o que antes, em termos de diagnósticos precoces, seriam inacessíveis (SILVA, 2018). Redes Neurais na Segurança da Informação Já a questão da garantia da segurança da informação nas plataformas industriais e nos sistemas de informações é um aspecto vital nessa nova saiba mais Saiba mais Atualmente, a aprendizagem de máquina (AM), também denominada de segunda onda de IA, é uma área de pesquisa que visa desenvolver programas capazes de automaticamente melhorar seu desempenho por meio da experiência. A área de AM está baseada em conceitos e resultados de muitas outras áreas, como estatística, inteligência arti�cial, �loso�a, teoria da informação, biologia, ciências cognitivas, complexidade computacional e teoria de controle. O link abaixo apresenta a aplicação da Inteligência Arti�cial, através de material cientí�co de Ricardo Torre Bispo, da Universidade de Brasília (2018), onde modelos de aprendizado profundo realizam a detecção de planetas extrassolares. Através dos algoritmos de aprendizagem de máquina, é possível fazer com que as máquinas aprendam com os dados e façam previsões classi�cando milhões de dados de maneira e�ciente e com alta velocidade. ACESSAR http://bdm.unb.br/handle/10483/2244 abordagem da Internet das Coisas, ou seja, de nada serve capturar todos os dados, nos quais os IoTs realizam bem, se houver falhas na transmissão, roubos na informação, envio de informação errada ou inadequada na aplicação. A Inteligência Arti�cial, através das redes neurais arti�ciais, pode atuar na análise de informações incompatíveis com padrões prede�nidos como aceitáveis em termos de segurança da informação. Tais padrões aceitáveis correspondem às boas práticas de segurança. Algumas dessas práticas de�nidas pelos especialistas são: a veri�cação da proteção em sistemas distribuídos, de�nição e aplicação de políticas claras assegurando que cada ponto em estruturas distribuídas esteja seguro e tenha controle contínuo de acesso; garantia de integridade das informações armazenada nos bancos de dados relacionais; proteção do armazenamento de dados e dos registros de logs dos bancos de dados; utilização de monitoramento e conformidade em tempo real para evitar a entrada de dados falsos; de�nição clara dos direitos e dos deveres de cada usuário, tendo, assim, permissões especí�cas de acesso e de como realizar o seu trabalho; utilização de criptogra�a (chaves públicas e privadas); controle de acesso granular para cada usuário; realização de auditorias granulares e protegidas dos dados e, ainda, a veri�cação da origem dos dados para assegurar a e�ciência do processo de segurança da informação (SILVA, 2018). O aprendizado de máquina é um dos direcionamentos para a identi�cação e respostas a incidentes, criando um cenário complexo de informações do ambiente vulnerável. Através da identi�cação de padrões, caso esses padrões não sejam aceitáveis com as práticas ou as políticas de segurança da informação, o sistema pode operacionalizar ações preventivas (aprendendo com o cenário) e corretivas. Redes Neurais na Medicina Silva et al . (2019) comentam que na medicina as RNAs têm sido aproveitadas para o processamento de imagens, onde, através da capacidade da rede de aprender sozinha, é possível um reconhecimento de padrões de imagens onde a ciência não tenha conhecimento. As redes neurais podem ser treinadas para varrer enormes bases de dados de imagens, como exames de ressonância magnética, tomogra�a e sequências de DNA, e buscar respostas ou encontrar irregularidades. A Figura 3.15 ilustra a aplicação da ressonância magnética, quando usada com as RNAs, pode construir imagens em um espaço menor de tempo, através de um entendimento da relação espaçotemporal de uma sequência de imagens (Silva et al ., 2019). En�m, as redes neurais, combinadas com outras áreas da Inteligência Arti�cial, potencializam as aplicações através de um raciocínio indutivo, compreendendo e aprendendo novos padrões, criando máquinas inteligentes para o benefício da humanidade. praticar Vamos Praticar Figura 3.16 - Redes neurais aplicados na medicina Fonte: Aurielaki / 123RF. A automação e o controle inteligente são características da subárea do planejamento, da robótica, da lógica nebulosa e das redes neurais da inteligência arti�cial. No cenário industrial, a Internet das Coisas está relacionada ao desenvolvimento de: a) Bases de dados especialistas. b) Processamento de exames de ressonância magnética. c) Processamento em sequências de DNA. d) Virtualização de sistemas. e) Plataformas industriais para a manutenção preventiva e preditiva. indicações Material Complementar LIVRO Inteligência Arti�icial Fabricio M. da Silva e colaboradores Editora: SAGAH Ano: 2019 Comentário: Uma ótima leitura complementar sobre o aprendizado de máquina através das redes neurais arti�ciais, apresentando os algoritmosneurais e suas aplicações. A obra traz re�exões sobre o tema de aprendizagem de máquina inteligente. FILME Chappie Ano: 2015 Comentário: O �lme mostra a aplicação da Inteligência Arti�cial em um robô pensante chamado Chappie. O �lme foi produzido em 2015, algo não tão distante do que está acontecendo com alguns humanoides construídos na atualidade. Chappie apresenta uma evolução em aprendizagem de máquina que impressiona e ao mesmo tempo preocupa alguns que são contra a evolução das máquinas inteligentes. Para conhecer mais sobre o �lme, assista ao seu trailer disponível em: TRA ILER conclusão Conclusão Podemos resumir nosso estudo em quatro partes: o que é a aprendizagem de máquina, a aplicação do aprendizado por classi�cação e o estudo das redes neurais, e suas aplicações. Na parte do aprendizado de máquina, compreendemos que a maioria dos problemas de aprendizagem é resolvida pelo método indutivo. Vimos também que as máquinas podem aprender pelos hábitos e por conceito. Pelo hábito aprendem através de tarefas ou comportamentos permanentes, frequentes ou costumeiros. Já a aprendizagem por conceito envolve mapear corretamente um conjunto de dados de treinamento em classi�cações, então também conseguirá mapear dados não observados anteriormente. No estudo das redes neurais, vimos que as máquinas aprendem e se modi�cam para se adaptar às contingências do mundo em que habitam. referências Referências Bibliográ�cas AMARAL, F. Introdução a ciência de dados : mineração de dados e Big Data. Rio de Janeiro: Alta Books, 2016. BALTZAN, P.; PHILLIPS, A. Sistemas de informação . São Paulo: Bookman, 2012. BARTH, N. L. Inadimplência : construção de modelos de previsão. São Paulo: Nobel, 2004. BELMIRO, N. J. Informática aplicada . São Paulo: Pearson Educação do Brasil, 2014. BENGFORT, B.; KIM, J. Analítica de dados com Hadoop : uma introdução para cientistas de dados. São Paulo: Novatec, 2016. CASTRO, L. N.; FERRARI, D. G. Introdução à Mineração de Dados . São Paulo: Saraiva, 2016. COPPIN, B. Inteligência Arti�cial . Rio de Janeiro: LTC, 2017. FACELI, K. et al . Inteligência Arti�cial : uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, 2011. FAWCETT, T.; PROVOST, F. Data Science para negócios : o que você precisa saber sobre mineração de dados e pensamento analítico de dados. Rio de Janeiro: AltaBooks, 2018. HAYKIN, S. Redes neurais: princípios e prática. 2. ed. Porto Alegre: Bookman, 2007. LUCAS, H. C. Tecnologia da Informação : tomada de decisão estratégica para administradores. Rio de Janeiro: LTC, 2006. LUGER, G. F. Inteligência arti�cial . 6. ed. São Paulo: Pearson Education do Brasil, 2013. REZENDE, S. O. Sistemas inteligentes : fundamentos e aplicações. São Paulo: Manole, 2005. SIEGEL, E. Análise preditiva : o poder de prever quem vai clicar, comprar, mentir ou morrer. Rio de Janeiro: Alta Books, 2017. SILVA, F. et. al . Inteligência Arti�cial . Porto Alegre: SAGH, 2019. SILVA, J. R. A. E. Gestão de Negócios : planejamento e organização para a indústria. São Paulo: Érica, 2018. TEIXEIRA, J. F. Inteligência Arti�cial . São Paulo: Editora Paulus, 2014. VIEIRA, E. M. A. et al . Avaliação de Performance do Algoritmo J48 para a construção de modelos baseados em árvores de decisão. Revista brasileira de computação aplicada, Paraíba, v. 10, n. 2, p. 80-90, 2018.
Compartilhar