prointer 2022 - inteligencia artificial

Prévia do material em texto

FACULDADE ANHANGUERA DE CAMPINAS
UNIDADE 4
 
VICTOR DANIEL RODRIGUES DO NASCIMENTO 
GABRIEL SIQUEIRA PARDIOLA 
THIAGO HENRIQUE DINIZ SARACENI
 TRABALHO DE PROJETO INTEGRADO
1º SEMESTRE
	
TEMA:
INTELIGÊCIA ARTIFICIAL
CAMPINAS 
 2022.
INTELIGÊCIA ARTIFICIAL
Projeto Interdisciplinar aplicado ao curso de Tecnologia desenvolvimento de sistemas Prointer I sob orientação e mentoria da Prof. Graziella
INTELIGÊCIA ARTIFICIAL
Campinas, ____ de ______________de 2022.
Orientadora:
Prof. Graziella
 Coordenadora:
 Francine Fabrega
CAMPINAS
2022
RESUMO
O termo inteligência artificial foi criado por John McCarthy em 1956 embora seu desenvolvimento tenha começado logo após a segunda guerra mundial com um artigo do matemático inglês Alan Turing. Inteligência Artificial (IA) é um ramo da ciência da computação que se propõe a elaborar dispositivos que simulem a capacidade humana de raciocinar, perceber tomar decisões e resolver problemas nas organizações privadas, órgãos públicos e, até mesmo, no nosso dia a dia, a Inteligência Artificial vem ganhando cada vez mais espaço e transformando os processos a fim de torná-los mais ágeis e eficazes, e essas evoluções tecnológicas transformam a nossa sociedade, como nos relacionamos e nos comunicamos e, claro, a forma das empresas se relacionarem com os clientes e colaboradores, contribuindo para modificar de forma substancial a maneira como lidamos com os desafios. 
Sumário
Introdução	6
Inteligência Artificial na Robótica	7
Inteligência Artificial Redes Neurais	9
INTRODUÇÃO
A inteligência artificial mais conhecida como IA ou AI Artificial Intelligence, é um avanço tecnológico que permite que sistemas simulem uma inteligência similar um ser humano. Além da programação de ordens específicas para tomar decisões de forma autônoma, baseadas em padrões de enorme banco de dados. Pode se dizer que é um assunto bem interessante, mas complicado, porém é um campo de estudo académico que não começou ontem. Há algumas décadas, se estuda o que se chamou de "agentes inteligentes", que percebem seu ambiente, entendem como podem operar e qual a melhor forma. Credita-se que ao professor Jhon McCarthy o uso de termo pela primeira vez em 1965, em uma conferência de especialistas em Darmouth Colege, chamada "o Eros Eletrônico", que definiu como "a ciência e a engenharia de produzir maquinas inteligentes".
1.1 INTELIGENCIA ARTIFICIAL NA ROBÓTICA
A inteligência artificial no robô somente foi aplicada nos sensores de leitura da distância entre os oponentes porque nos sensores de detecção de linha bastava determinar se o robô tocou ou não a linha branca, que representa uma informação bem definida. No robô em questão existia uma programação em que a velocidade era fixa, independentemente da distância do oponente e do modo de operação do robô (busca ou ataque).
 A lógica Fuzzy foi implementada a fim de variar a velocidade do robô de acordo com a distância do oponente sendo possível transformá-lo de um veículo pré-programado para um veículo dotado de certa inteligência, permitindo perceber, interagir e modificar sua interação com o meio em que está inserido. Aplicando essa variação, eliminou-se ainda um problema pré-existente em que o robô atingia velocidade muito alta mesmo estando longe do oponente, o que por vezes causava a eliminação do robô da competição por não detectar a linha em tempo devido à rapidez dos motores durante o modo procura.
Foi integrada no robô sumo a inteligência artificial, de dois modelos de lógica Fuzzy sendo o trapezoidal e triangular. E após os testes feitos através dos dados colhidos na leitura da velocidade, o que mais se encaixou foi o modelo Fuzzy de grau de pertinência trapezoidal. Porque modelo triangular não foi possível ter mais que 3 (três)Pontos de variação, somente variando entre meio perto, meio longe.
 A lógica Fuzzy praticamente não fez diferença, pois com outra programação poderia ser definido 3valoresfixos para determinar se a distância é perto, meio e longe e deixando a velocidade citado de cada estado. No modelo trapezoidal foi possível perceber êxito maior do que no modelo triangular, pois houve variação entre os estados e a ação da lógica Fuzzy, determinando a velocidade após a Fuzzyficação da distância e velocidade e assim gerando um melhor desempenho nas batalhas. Futuramente poderia ser tentando juntar os dois modelos de Fuzzyficação. 
 Deixando o modelo trapezoidal para tomada de mudança em relação a distância e o modelo triangular para mudança de velocidade, pois no modelo triangular a velocidade da resposta da velocidade pode ser mais ágil, pelo fato que não existe muitos níveis de variação, e obtendo vantagem do seu oponente. Por fim, vale registrar que essa técnica, assim como as demais técnicas de controle, pode apresentar resultados mais satisfatórios quando aplicada a um processo que necessite manter a variável de entrada o mais próximo possível do valor citado, o que não se apresenta para um robô lutador de sumô. 
Em se falando de robôs ou veículos autônomos, a lógica fuzzy provavelmente vai apresentar melhores resultados em um robô seguidor de linha, por exemplo, onde é preciso manter a leitura dos sensores da linha num valor pré-determinado, variando os pinos de saída da velocidade dos motores para compensar o erro.
1.3 INTELIGENCIA ARTIFICIAL REDES NEURAIS
A primeira rede neural foi concebida por Warren McCulloch e Walter Pitts em 1943. Eles escreveram um artigo seminal sobre como os neurônios devem funcionar e, então, modelaram suas ideias criando uma rede neural simples com circuitos elétricos. Esse modelo inovador pavimentou o caminho para pesquisas de redes neurais em duas áreas: Processos biológicos no cérebro e Aplicação de redes neurais em Inteligência Artificial (I.A.)
Pesquisas em IA aceleraram rapidamente, com Kunihiko Fukushima a primeira rede neural multicamada de verdade em 1975.
O objetivo original da abordagem de rede neural era criar um sistema computacional capaz de resolver problemas como um cérebro humano. No entanto, com o passar do tempo, os pesquisadores mudaram o foco e passaram a usar redes neurais para resolver tarefas específicas, desviando-se de uma abordagem estritamente biológica. Desde então, as redes neurais têm oferecido suporte às mais diversas tarefas, incluindo visão computacional, reconhecimento de fala, tradução de máquina, filtragem de redes sociais, jogos de tabuleiro ou vídeo-game e diagnósticos médicos. Conforme o volume de dados estruturados e não-estruturados aumentou a níveis de big data, as pessoas desenvolveram sistemas de Deep Learning que são, essencialmente, redes neurais com muitas camadas. Deep Learning permite a captura e a mineração de mais e maiores volumes de dados, incluindo dados não-estruturados.
2