AULA 03 - Agentes Inteligentes e Aprendizagem

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