Baixe o app para aproveitar ainda mais
Prévia do material em texto
Inteligência Artificial Aula 03 – Agentes Inteligentes com Aprendizagem Profa. Rafaella Nascimento rafaellalnascimento@fac.pe.senac.br Arquiteturas: Revisão Agente em IA A IA tem como objetivo escrever o programa do agente. Agente: Percebe seu ambiente através de sensores e age sobre o ambiente através de atuadores. Agente Racional Ambiente de tarefa: • Ambientes de tarefa, são essencialmente os “problemas” para os quais os agentes racionais são as “soluções”. • Especificação PEAS: (Performance, Environment, Actuators, Sensors – desempenho, ambiente, atuadores e sensores). • Os ambientes de tarefas podem ser divididos em categorias: - Completamente observável x Parcialmente observável - Determinístico x Estocástico - Episódico x Sequencial - Estático x Dinâmico - Discreto x Contínuo - Agente único x Multiagente Arquiteturas Agente Tabela: Tabela das ações que o agente toma em resposta a cada possível sequência de percepções. • Cada mapeamento de percepção/ação descreve um tipo diferente de agente. • Mapeamentos ideais descrevem agentes ideais. Limitações – Mesmo para problemas simples = tabelas muito grandes. – Nem sempre é possível construir a tabela. – Não há autonomia nem flexibilidade. Ex: A função raiz quadrada ● a sequência de percepção: a digitação de números ● a ação: mostrar o resultado correto Arquiteturas Agente Reativo Simples: Selecionam ações com base somente na percepção atual. Vantagens e desvantagens – Regras condição-ação ex. Se velocidade > 60 então multar – Não pode armazenar uma sequência perceptiva, pouca autonomia. – Ambiente completamente observável. Funcionará somente se a decisão correta puder ser tomada com base apenas na percepção atual. Arquiteturas Agente Reativo baseado em modelos: O agente deve manter um estado interno que depende do histórico de percepções e reflita os aspectos não observados no estado atual. - Observações parciais Arquiteturas Agente Reativo baseado em objetivos: O agente precisa de algum tipo de informação sobre o seu objetivo combinado ao resultado de suas ações. • A tomada de decisão envolve a consideração do futuro -> distinta das regras de condição-ação “O que acontecerá se eu fizer isso ou aquilo?” “O quanto isso me ajudará a atingir o objetivo?” Agentes com Aprendizagem Arquiteturas Agentes com aprendizagem • O agente pode ter algum conhecimento anterior • Ele também pode ganhar experiência e modificar e ampliar este conhecimento • Se o ambiente é previamente conhecido: • O agente não precisa aprender ou perceber • Somente agir de forma correta Quatro componentes conceituais de uma ag com aprendizagem: • Elemento de aprendizado • Crítico • Elementos de desempenho • Gerador de problemas Aprendizagem também permite ao agente atuar em ambientes totalmente desconhecidos e se tornar mais competente do que o seu conhecimento inicial poderia permitir. Arquiteturas Agentes com aprendizagem Elemento de aprendizado: -Responsável pela execução dos aperfeiçoamentos. -Utiliza realimentação do crítico sobre como o agente está funcionando. -Determina de que maneira o elemento de desempenho deve ser modificado para funcionar melhor no futuro. Crítico: -Informa ao elemento de aprendizado como o agente está se comportando em relação a um padrão fixo de desempenho. -É necessário pq as percepções não fornecem nenhuma indicação de sucesso. -O agente não deverá modificá-lo Elementos de desempenho: -Responsável pela seleção de ações externas (agente completo). -Recebe percepções e decide sobre ações. Gerador de problemas: -Responsável por sugerir ações que levarão a experiências novas e informativas. -Ações não ótimas a curto prazo para descobrir ações ótimas a longo prazo. Arquiteturas Elemento Desempenho: Conhecimento e procedimentos para dirigir. Crítico: Observa o mundo e repassa para o elemento de aprendizagem a reação dos outros motoristas a uma ação do agente. Elemento de aprendizagem: • É capaz de formular uma regra afirmando que a ação foi boa ou ruim. • Modifica o elemento de desempenho pela instalação da nova regra. Gerador de problemas: • Identifica áreas que precisam de melhorias. • Sugere experimentos: testar os freios em diferentes superfícies. Agente Motorista de Táxi com Aprendizagem Arquiteturas • O padrão de desempenho externo deve informar ao agente que falta de gorjetas é uma contribuição negativa para o seu desempenho geral. • Aprender que manobras violentas não contribuem. • O padrão Desempenho distingue parte da percepção de entrada como uma recompensa (ou penalidade) que realimenta a qualidade do comportamento do agente. Agente Motorista de Táxi com Aprendizagem Arquiteturas Agentes com aprendizagem Aprendizagem em agente inteligentes pode ser resumido como um processo de modificação de cada componente do agente, a fim de levar os componentes a uma melhor adequação às informações de realimentação disponíveis, melhorando o desempenho geral do agente. Arquiteturas: Resumo Diferentes tipos de ambiente requerem programas de agente diferentes. - Agente complexo: ambiente inacessível, dinâmico e contínuo. - Mundo real: não-determinístico. • O agente pode ter algum conhecimento anterior. • Ele também pode ganhar experiência e modificar e ampliar este conhecimento. • Se o ambiente é previamente conhecido: - O agente não precisa aprender ou perceber. - Somente agir de forma correta. - Mas este tipo de agente se torna muito frágil/limitado. - Característica de aprendizagem: melhora o desempenho geral do agente. Representações de Problemas do Agente Representação dos agentes • Os programas de agente consistem de vários componentes que ajudam a responder a perguntas do tipo: “Como o mundo está agora?” “Que ações devo tomar?” “O que minhas ações realizam?”. • Existem distinções básicas entre as várias maneiras como os componentes podem representar o ambiente em que o agente habita: EstruturadaAtômica Fatorada Fonte: Stuart J. Russell e Peter Norving. Inteligência Artificial - Uma Abordagem Moderna. LTC, 4º ed., 2022. Representação dos agentes Representação Atômica • Cada estado do mundo é indivisível - não tem estrutura interna. Ex. Quero encontrar o caminho de uma extremidade a outra de Pernambuco através de uma sequência de cidades. Reduzimos o estado do mundo para o nome da cidade em que estamos. Propriedade discernível = ser diferente ou igual • Algoritmos que formam a base de jogos trabalham com representações atômicas. Representação dos agentes Representação Fatorada • Divide cada estado em um conjunto fixo de variáveis ou atributos, cada um dos quais pode ter um valor. Ex. Quero encontrar o caminho de uma extremidade a outra de Pernambuco através de uma sequência de cidades. Precisamos nos preocupar com mais do que a localização de uma cidade, prestando atenção em quanto de gasolina há no tanque, nas coordenadas atuais do GPS, se a luz de advertência no painel está funcionando, quanto temos em dinheiro, se o ar condicionado funciona, etc. Propriedade = dois estados fatorados podem compartilhar atributos. • Lógica proposicional • Algoritmos de aprendizagem de máquina Representação dos agentes Representação Estruturada • Ambientes onde diferentes coisas estão relacionadas. Ex. Um grande caminhão à nossa frente está dando ré na entrada de carros de uma fazenda de gado leiteiro, mas há uma vaca solta impedindo a passagem do caminhão. Então, objetos como vacas, caminhões e seus diversos relacionamentos podem ser descritos. • São base de banco de dados relacionais e lógica de primeira ordem. • Compreensão da linguagem natural. Representação dos agentes O que eu quero dizer… • Atômica - Fatorada - Estruturada: Expressividade Crescente • A representação mais expressiva é muito mais concisa. Ex: Regras de Xadrez podem ser escritas em 1 ou 2 páginas de uma linguagem com representação estruturada. Regras de xadrez requeremmilhares de páginas quando escritas em linguagem fatorada. Regras de xadrez precisam de 1038 páginas quando escritas em linguagem atômica. O raciocínio e a aprendizagem se tornam mais complexos à medida que aumenta o poder expressivo da representação. Sistemas inteligentes precisam operar simultaneamente em todos os pontos ao longo do eixo da expressividade, para evitar limitações. Raciocínio Indutivo Indução x Dedução Método Dedutivo • É o método que começa com uma dedução que será examinada até que seja encontrado o resultado final. • O método dedutivo é usado para testar as hipóteses já existentes e, assim, provar teorias. Método Indutivo • Este método parte de generalizações recolhidas a partir de observações específicas. • Parte do específico para o geral. Em resumo, o indutivo parte de observações e o dedutivo da teoria. Indução x Dedução Exemplo de Dedução Animais vertebrados são aqueles que possuem vértebras Todos os gatos possuem vértebras Logo, todos os gatos são animais vertebrados Indução x Dedução Exemplos de Indução Indução x Dedução O que é Inteligência Artificial (IA)? Raciocínio Indutivo Um processo de raciocínio indutivo de maneira geral, é um raciocínio que parte do particular para o geral, da parte para o todo. Por exemplo, se notamos que: • Todos os pacientes com Déficit de Atenção atendidos em 2010 sofriam de Ansiedade • Todos os pacientes com Déficit de Atenção atendidos em 2011 sofriam de Ansiedade ... • Podemos inferir logicamente, que todos os pacientes que sofrem de Déficit de Atenção também sofrem de Ansiedade • Isto pode ser ou não verdade, mas propicia uma boa generalização. Aprendizado Indutivo Aprendizado Indutivo O objetivo do aprendizado indutivo é encontrar uma hipótese (h) que concorde com um conjunto de exemplos. Uma hipótese é considerada satisfatória quando possui uma boa capacidade de generalização APRENDIZAGEM DE MÁQUINA Tipos de Aprendizagem Aprendizagem de Máquina Big Data Aprendizagem de Máquina Definição: O Aprendizado de Máquina (Machine Learning) é um método que automatiza a construção de modelos utilizando dados. É um ramo da inteligência artificial baseado na ideia de que sistemas podem aprender com dados, identificar padrões e tomar decisões com o mínimo de intervenção humana. Utiliza o aprendizado indutivo: utilizado para a criação do modelo a partir de dados previamente observados. Portanto, um algoritmo de aprendizado induz um modelo para um conjunto de dados disponível. Aprendizagem de Máquina http://www.redesdesaude.com.br/aprendizado-de-maquina-machine-learning/ http://www.redesdesaude.com.br/aprendizado-de-maquina-machine-learning/ Aprendizagem de Máquina Focaremos nesta divisão: Existem outras aprendizagens como Semi-Supervisionada e Por Reforço. Aprendizado de Máquina Supervisionado Classificação Regressão Não Supervisionado Agrupamento Associação Caracterização dos Dados Qual o formato desses dados: DADOS ESTRUTURADOS • Possuem uma estrutura de organização definida • Podem estar em formato de tabelas, possuir estruturas de separação, título das variáveis... Chamamos esse conjunto de dados de BASE DE DADOS ou DATA SETS. Caracterização dos Dados Exemplos: Caracterização dos dados Conjunto de dados: objetos que podem representar um fenômeno do mundo físico. Id Nome Idade Sexo Altura Dor Febre Diagnóstico 1255 Ana 28 F 1,63 Sim Sim Dengue 3005 Carlos 18 M 1,80 Não Não Zika 3006 Felipe 49 M 1,77 Não Sim Dengue 5277 Júlia 18 F 1,70 Não Sim Dengue 5278 Anderson 19 M 1,88 Sim Sim Dengue 5279 João 23 M 1,75 Sim Sim Zika 36 Variáveis Caracterização dos dados Tipo e escala de variáveis: 37 Quantitativa Qualitativa Contínua Discreta Nominal Ordinal Peso, altura, temperatura Nº de filhos, nº de carros Sexo, cor dos olhos Classe social, grau de instrução Caracterização de dados Análise das variáveis Classificação Regressão Existe variável alvo na base de dados? Agrupamento Associação Caracterização dos dados A modelagem dependerá da pergunta/problema e da característica dos dados: • Classificação: Existe variável alvo do tipo categórica e o problema consiste em determinar rótulos ou classes (aprovado/reprovado, doente/saudável, alto/médio/baixo) • Regressão: Existe variável alvo do tipo numérica e o problema consiste em determinar valores numéricos (número de falhas de um componente eletrônico, preço de imóveis) • Agrupamento/Associação: Não existe variável alvo e o problema consiste em determinar estrutura ou padrões de similaridades nos dados (associações entre variáveis, encontrar perfis de alunos ou de clientes) Aprendizagem Supervisionada Aprendizagem de Máquina Aprendizagem Supervisionada Aprendizagem de Máquina Aprendizagem Supervisionada Podem ser representados a partir de características como: • Através de algoritmos, são construídos padrões e hipóteses sobre as instâncias de um problema a partir do aprendizado de um indutor sobre um conjunto anterior de exemplos. • Os indutores podem ser uma regressão ou um classificador. • A regressão é fundamentada na estimativa de valores reais dado um padrão de instância. • A classificação é articulada em prever a classe de uma instância não-rotulada a partir de suas características. Variável de interesse (variável resposta) Numérica ou Discreta (classe) Modelagem Classificação: Os dados devem ser rotulados com as características para que a máquina possa atribuir classes com base nelas. • Filtragem de spam; • Estimar se um aluno será aprovado ou reprovado; • Análise de sentimentos; • Reconhecimento de caracteres e números manuscritos; • Diagnóstico; • Detecção de fraude. Dar um empréstimo? Histórico Credor Fiador Rótulo Ruim Sim Não ? A nossa variável resposta, ou variável a ser estimada é uma classe ou categoria! Modelagem Regressão: É basicamente uma classificação em que prevemos um número em vez de uma categoria. • Previsões do preço das ações; • Análise de demanda e volume de vendas; • Estimar o preço de um produto no final do mês Nº Quartos Tamanho (m²) Ano Construção Valor 2 70 2009 R$ 100.000,00 3 95 2009 R$ 150.000,00 3 120 2010 R$ 120.000,00 3 100 2017 R$ 130.000,00 1 65 2018 R$ 134.000,00 4 160 2015 R$ 230.000,00 4 153 2015 R$ 156.000,00 3 134 2015 R$ 132.000,00 2 102 1994 R$ 100.000,00 2 80 1990 R$ 90.000,00 2 98 1980 R$ 87.000,00 1 60 2015 R$ 123.000,00Nº Quartos Tamanho (m²) Ano Construção Valor 3 120 2007 ? Dados para treinar o algoritmo Modelo que infere o valor A nossa variável resposta, ou variável a ser estimada é um valor numérico! Aprendizagem Não Supervisionada Aprendizagem de Máquina Aprendizagem Não-Supervisionada Aprendizagem de Máquina Aprendizagem Não-Supervisionada Podem ser representados a partir de características como: • O aprendizado não-supervisionado identifica semelhanças nos dados e reage conforme a presença ou ausência de tais semelhanças em cada novo dado. • O aprendizado não supervisionado possui dados não rotulados que o algoritmo deve tentar entender por conta própria. Aprendizagem de Máquina Aprendizagem Não-Supervisionada Agrupamento: 1. A análise de agrupamento, a qual busca detectar a existência de diferentes grupos, ou clusters, dentro de um determinado conjunto de dados, baseando-se em medidas de similaridade, determinando quais são esses clusters, dividindo grupos heterogêneos em subgrupos homogêneos. Regras de associação: 2. Procura identificar quais variáveis ou registros possuem forte relacionamento entre si, sugerindo relacionamentos causais entre os elementos. Uma regra de associação é definida como: "Se A então B” Modelagem Agrupamento: O algoritmo de clusterização tenta encontrar objetos semelhantes (por características) e mesclá-los em um grupo. • Segmentação de mercado (tipos de clientes, fidelidade); • Mesclar pontos próximos em um mapa; • Detectar um comportamento anormal. • Classificarfiliais de acordo com o desempenho de vendas; • Identificar grupos de opinião. Idade Renda Modelagem Associação: São regras que buscam a relação entre itens ou elementos. • Identificar vendas para definir descontos; • Para analisar mercadorias compradas em conjunto; • Para colocar os produtos nas prateleiras; • Para analisar padrões de navegação na web. Aprendizagem de Máquina Aprendizagem Não-Supervisionada Exemplos de problemas com Associação: https://medium.com/@bernardo.costa/uma-introdu%C3%A7%C3%A3o-ao-algoritmo-apriori-60b11293aa5a Exercício Identifique o tipo de Aprendizagem: Supervisionada: - Regressão - Classificação Não Supervisionada: - Agrupamento - Associação ( ) Diagnóstico de Paciente a partir de Seus Sintomas. ( ) Segmentação de mercado, buscando perfis de cliente de acordo com suas características e preferências. ( ) Identificação de produtos vendidos frequentemente juntos. ( ) Reconhecimento de pessoas por suas faces. ( ) Decidir a qual cliente fornecer crédito. ( ) Previsão de cotação de moedas. ( ) Verificar se os e-mails são spam. ( ) Montar e-mail marketing e vitrines personalizadas. ( ) Aumentar o tamanho da casa, também aumentará o seu preço? ( ) Quando as pessoas compram uma casa, o que mais compram de novo? Dúvidas? Profa. Rafaella Nascimento rafaellalnascimento@fac.pe.senac.br
Compartilhar