Baixe o app para aproveitar ainda mais
Prévia do material em texto
Inteligência computacional (IC) é o ramo da inteligência artificial (IA) que lida com computação macia (CM, ou SC do inglês soft computing), i.e. que explora imprecisão no projeto de algoritmos e sistemas. Uma conceitualização mais cuidadosa é apresentada na próxima sessão deste artigo. A IC é marcada pela ênfase em algumas técnicas e áreas do conhecimento, como explicitado nos 5 princípios da IC, de forma que um sistema (paradigmático) de IC é bioinspirado, complexo, e explora imprecisão (e.g. utiliza ruido para a varredura do espaço, lógica fuzzy para representar imprecisão semântica, e/ou estatística para eventos incertos), com aplicação na resolução de problemas (ou suporte à computação). As vantagens oferecidas por estes sistemas incluem (potencialmente): a simplicidade de aplicação, a otimização em espaços muito amplos para métodos tradicionais (e.g. em problemas NP-completos e NP-difíceis, quando gradientes e derivadas nulas encontram extremos locais, ou na inaptidão de aproximações polinomiais por minimização de distância euclidiana), a modelagem de fenômenos reais e imprecisos, análise de dados empíricos, e a exploração de sistemas complexos para fins científicos e estéticos. Base teórica e conceitual[editar | editar código-fonte] A IC é um conceito (ainda) sem definição consensual, assim como a IA e a própria inteligência. As bases teóricas destas áreas são transdisciplinares e carregadas de conceitos advindos da computação, cognição, e filosofia, além de inspiração recorrente nas ciências naturais e biológicas. Desta forma, segue uma apresentação elementar dos principais conceitos atualmente vinculados à IC e suas interrelações. IC, Computação Macia, Inteligência Artificial, Computação Natural[editar | editar código-fonte] IC é um quasi-sinônimo de duas áreas: computação macia (CM ou soft computing) e inteligência artificial. A IC é um termo com definição menos consensual que CM, sendo esta última simplesmente definida como computação com exploração de soluções inexatas.[3][4] Ambas a IC e a CM são subáreas da computação natural (CN): o modelo/paradigma básico é a mente ou o racioncínio humano.[5] A inteligência é geralmente atribuída aos humanos, mas em IC qualquer forma de vida, ou mesmo de sistema complexo ou de algum modo "inteligênte", pode ser usada, como formigas. A inteligência, neste contexto, está diretamente ligada à tomada de decisão e ao raciocínio. A IC é considerada subárea da IA ou, conforme alguns trabalhos sugerem, oposta à IA pela exploração da imprecisão (e.g. do erro, aproximação, indefinição semântica), e observando a IA como trabalhando sistemas que utilizam também (ou principalmente) aspectos booleanos. Neste sentido, a IA é aproximada do conceito de computação dura (em que há ênfase no paradigma booleano de verdade absoluta), enquanto a IC é aproximada do conceito de computação macia (com ênfase na lógica difusa e em problemas mal definidos, e.g. que difere de um problema bem- posto de Hadamard).[6][7] A IC também é conceituada como sinônimo de IA e até como termo preferido ao termo IA[1] por refetir melhor o fato de que a inteligência não é criada, mas imitada de sistemas considerados inteligêntes, e de forma simplificada. De fato, a definição de IC usada por[1] é a rigor a mesma que a utilizada por[8] (o clássico de IA, por Russel e Norvig): "inteligência computacional é o estudo do projeto de agentes inteligentes". O aprendizado de máquina tem sobreposição mas difere da área de IC: um sistema fuzzy nâo necessariamente aprende, e se um sistema de IC aprende, em geral ocorre por técnicas bioinspiradas. Pode-se considerar que o termo IC será usado para designar a área que trata de comportamento inteligente (no sentido metafórico, amplo, quase arbitrário de inteligência) em software; ou com exploração de imprecisão; ou automatizada (caso em que IC se torna sinônimo de IA). Alguns autores argumentam pelo termo inteligência sintética.[1] Por extensão dos resultantes (potenciais) sinônimos IC, IA, e inteligência sintética, em alguns contextos também podem ser usadas variantes como inteligência mecânica, automatizada, ou programada. Reconhecidamente, o termo inteligência é bastante ambíguo e sua aplicação para o comportamento de sistemas computacionais geram questões filosóficas severas.[9][10][8] Os 5 princípios da IC[editar | editar código-fonte] A literatura reporta 5 princípios historicamente estabelecidos na IC[11][12][13]: Lógica difusa/nebulosa/fuzzy (LD): para lidar com imprecisão semântica (indefinição conceitual).[14][15] Redes neurais artificiais (RNA): tradicionalmente fornecem capacidades de processamento distribuídas, cognitivas, bioinspiradas, de aprendizado, potencialmente úteis para a lidar com dados empíricos/reais, aos sistemas de IC. Computação evolutiva (CE)[16]: utiliza o princípio da evolução natural para derivar métodos computacionais. Um exemplo paradigmático é o dos algoritmos geneticos. Exemplos menos óbviamente (e menos consensualmente) relacionados à CE incluem: otimização por colônia de formigas, algoritmos imunológicos (imunoinspirados), inteligência de enxame (e.g. particle swarm optimization/PSO). Teoria do aprendizado (TA): área dedicada à análise e projeto de algoritmos de aprendizado de máquina. Métodos estatísticos (ME): para a lida com imprecisão de ocorrência (verdadeiro/falso, existência), chamada incerteza crispy no contexto da lógica difusa. Reflexão sobre os 5 princípios da IC[editar | editar código-fonte] Estes 5 princípios comportam o colapso de alguns itens: a CE e RN estão dentro da computação natural, ou computação bioinspirada, conceito que abriga com maior coerência e consenso a utilização de algorítmos imunológicos ou de inteligência de enxame,[5] por exemplo. Lógica crispy (probabilidade) e difusa são também coerentemente colapsados em um ítem único para lidar com imprecisão/ignorância .[17][18] Por outro lado, a prática da IC sugere que dois princípios sejam adicionados à lista principal: mineração de dados, e a inteligência artificial, e os cinco princípios podem ser descritos da seguinte forma[19][18][5][8]: Imprecisão difusa e probabilística: com os devidos tratamentos para ignorância ou imprecisão inerente à semântica e ocorrências, para modelagem, análise, otimização e aprendizado em geral. Computação natural, ou computação bioinspirada: reunindo RNA e CE, principalmente para realização de aprendizado e inspiração de modelos. TA. Mineração de dados: para a lida com armazenamento de dados, relatoria, e ferramentas em software, por exemplo. Inteligência artificial: um quasi-sinônimo de IC (veja a apresentação terminológica), fornece contexto e base teórica, filosófica e histórica. Aplicação da IC[editar | editar código-fonte] Dentre as principais aplicações da IC estão: biomedicina, engenharia, análise de dados, ciência da computação, e sistemas complexos.[20][21][22] Demais questões conceituais[editar | editar código-fonte] Navalha de Occam: estabelece prioridade para a concepção mais simples. Contrasta mas não conflita com o fenômeno da complexidade. Inserção de ruído para exploração do espaço de soluções VS obtenção determinística de regras. Sistemas complexos, propriedades emergentes Não-linearidade, lei de potência, exponencial, lei de Stevens, lei de Weber-Fechner. Algoritmos de otimização e aprendizado bioinspirados VS derivados de formalismos matemáticos. Reconhecimento de padrões. Noção primitiva/primeiros princípios, axioma. Teoria ingênua (construída sobre formalismosinexatos[23]). Conceitos mal definidos (fuzzy) e problemas mal definidos. Linguística, PLN, mineração de texto, linguística computacional. Cálculo estocástico Streaming (para exemplo de sistema em constante alteração) Processamento de sinais Problemas inversos Inteligência coletiva Teoria do caos Lógica polivalente Entropia de Tsallis e termodinâmica associada[24] Teoria dos padrões (Pattern theory[25]) Automato celular, sistema L (L-systems), fractal Teoria das evidências/de Dempster-Shafer/de funções de crença (DST), Medidas monotônicas (monotone measures), crença, plausibilidade, possibilidade, necessidade.[18] Generalizações da lógica fuzzy.[26] Metodologias que constituem a IC[editar | editar código-fonte] Várias metodologias foram e ainda estão sendo desenvolvidas, mas as principlais são: Redes Neurais Artificiais; Lógica Nebulosa; Programação natural; Métodos Baysianos; Máquinas de vetores de suporte; Outras; O Brasil e a IC[editar | editar código-fonte] Em 2013, uma mesa redonda foi aberta (BRICS-CCI, Recife, Brasil) para discutir os caminhos da IC.[27] Uma das conclusões é que a inteligência artificial precisa ser melhor conceitualizada principalmentes em seus objetivos, problemática já reportada anteriormente.[28] O impacto da área refletiu na mudança do nome do encontro de redes neurais no Brasil para inteligência computacional, e na premiação em 2013 de um artigo de IC no SIMEP.[29] Criatividade computacional[editar | editar código-fonte] As possibilidades artísticas são reconhecidamente amplas, de forma condizente, o espaço de busca da arte (sons, imagens, discursos, etc) é amplo. Os critérios estéticos são usualmente imprecisos semanticamente. Aspectos imateriais e materiais da criação artística são então convenientemente tratados pela IC. Por exemplo, parâmetros sonoros de estruturas musicais constituem um espaço amplo, cuja IC é apta a explorar via ruído ou computação natural. Já os critérios de estridência, sentimento, metáfora visual, etc., são adequadamente inseridos no sistema via lógica difusa. Idealizado, tal sistema permite ao usuário definir critérios próprios de classificação (fuzzy) e parâmetros sonoros que constituem o espaço de busca.[18][30][31] Reflexão conceitual e lúdica sobre as IA, IB, IC, e as IM, IN, IP, IT[editar | editar código-fonte] Considere computador qualquer sistema que computa. Os fenômenos reais são em geral complexos (alguns diriam fundamentalmente complexos, veja complexidade, sistema complexo, rede complexa), e uma das propriedades mais estudadas em sistemas complexos são os processamentos de informação de que realizam e de que são capazes.[32]Neste sentido, em que a máquina é apenas um caso muito especial de sistema capaz de computar, pode-se pensar um tripé principal na exploração tecnológica de inteligência: IA: mais consensual se admitidos conceitos imprecisos e generalistas de inteligência e artificial. IB: inteligência bayesiana, neste caso um sinônimo, ou quase, de inferência bayesiana, fornece estatísticas simples e informativas sobre o sistema, e.g. sobre o aprendizado. IC: trata da inteligência, e.g. tomada racional de decisões, no contexto computacional. Outros conceitos relacionados: IM (de máquina), IT (tecnológica), IP (primária, primitiva, de primata) Considere esta ontologia como o (I)ABC da IT, i.e. da tecnologia em inteligência, da inteligência em tecnologia, ou variante. Observe o hiato entre IC e IM. Reitere a reflexão sobre o computador não ser necessariamente eletrônico, ou com transístores de silício. Pense ao seu redor em todos os sistemas complexos, que (potencialmente) computam: nas nuvens (com seus ciclos de evaporação e chuva e dinâmicas com o vento), nos seus próprios órgãos internos (estômago, intestino, cérebro). Uma pia cheia de louças é um sistema complexo? computa? de que forma? Inteligências inspiradas em formigas, cupins, pássaros (e.g. PSO), cérebro, sistemas imunológicos, foram formalizadas, consideradas analiticamente, e constituem há décadas sistemas de IC com fins teóricos e práticos.[33] Pode-se argumentar que a tomada de decisão e a otimização são capacidades inerentes a estes sistemas, implicadas pela evolução natural.[34] A evolução natural é potencialmente válida para além dos reinos animal e vegetal, ou mesmo na taxonomia biológica. Pode-se considerar vivo o reino mineral e as estruturas estelares? Em que sentido? E inteligêntes? Há uma teoria do Roger Penrose (um dos físicos mais importantes vivos), em colaboração com a psiquiatria, que descreve a mente humana espelhada em estruturas cósmicas via espelhamento quântico[35]. É apenas uma teoria exótica, sem comprovação alguma, mas há reconhecidamente algo de glamuroso na consideração da inteligência em sistemas naturais, sejam eles biológicos (e.g. insetos, como formigas, abelhas, aranhas; o sistema imunológico humano; peixes individuais ou em cardume; etc), ou não biológicos (e.g. galáxias, em geral espiraladas, com um buraco negro massivo central, e diversos sistemas solares ou centrados em buracros negros secundários; água na forma de nuvens ou de rios superficiais, lençóis freáticos e mares). Por exemplo, como pode ser explorada, para computar, a propriedade natural (física) de campo nulo no interior de um material condutor eletrizado? É possível? Seria com isso possível realizar, com a alta velocidade da acomodação da carga elétrica na superfície do metal, procedimentos hoje impraticáveis? Esta é a discussão central da computação natural ou computação bioinspirada, e seu uso na IC complementa a precisão da estatística bayesiana no reconhecimento de padrões e outros aspectos considerados inteligentes. IM pode também significar inteligência molhada, se considerado o conceito de wetware. Ironicamente, IP pode significar inteligência de primata, ou primitiva, ou primária, ou primeira. Dada esta útil ambiguidade, neste vocabulário lúdico (modelo de brinquedo (en)), problema de brinquedo (en)), o termo preferencial é 'inteligência prima'. Conceitos que ampliam esta reflexão: panspermia, neuroastronomia. Nota mitológica[editar | editar código-fonte] A singularidade tecnológica é em geral concebida em termos de unificação da humanidade, transformação radical da realidade objetiva, e aprofundamento da conquista da realidade, o que, no contexto atual, sugere que máquinas, potencialmente inteligentes, estarão zelando pelo bem estar coletivo e individual, e facilitando transporte e comunicação. A visão distópica preve decadência, subserviência à IA, e aniquilação da espécie humana. Estas ideações influenciam o desenvolvimento tecnológico (vide a recorrência ética e até filantrópica do software livre, da W3C, da GNOME, da GNU), a literatura, e os padrões sociais de consumo.[36][37][38] Ver também[editar | editar código-fonte] Redes Neurais Lógica nebulosa Controle Inteligente Agentes Inteligentes Aprendizado de máquina Inteligência Artificial Bioinformática e Bioengenharia Economia computacional Robótica epigenética Mineração de dados Computação bioinspirada Referências 1. ↑ Ir para:a b c d David Poole; Alan Mackworth; Randy Goebel. Computational Intelligence: A Logical Approach. Oxford University Press. 1998. 2. Ir para cima↑ Rudolf Kruse, Christian Moewes, Christian Borgelt, Matthias Steinbrecher, Frank Klawonn, Pascal Held, Computational intelligence: a methodological introduction, Texts in Computer Science, Springer, 2013.3. Ir para cima↑ Zadeh, Lotfi A., "Fuzzy Logic, Neural Networks, and Soft Computing," Communications of the ACM, March 1994, Vol. 37 No. 3, pages 77-84. 4. Ir para cima↑ D. K. Chaturvedi, "Soft Computing: Techniques and Its Applications in Electrical Engineering", Springer, (2008). 5. ↑ Ir para:a b c CASTRO, L. N. Fundamentals of Natural Computing: Basic Concepts, Algorithms, and Applications, CRC Press, 2006. 6. Ir para cima↑ «Artificial Intelligence, Computational Intelligence, SoftComputing, Natural Computation - what's the difference? - ANDATA». www.andata.at. Consultado em 5 de novembro de 2015 7. Ir para cima↑ Bezdek (1994) 8. ↑ Ir para:a b c RUSSEL, S.; NORVIG, P. Artificial Intelligence: A Modern Approach. 3ª edição. Pearson, 2009. 9. Ir para cima↑ https://arxiv.org/abs/1712.06933 10. Ir para cima↑https://www.academia.edu/10356773/What_are_you_and_I_anthropological_physics_ fundamentals_ 11. Ir para cima↑ Siddique, Nazmul; Adeli, Hojjat (2013). Computational Intelligence: Synergies of Fuzzy Logic, Neural Networks and Evolutionary Computing. [S.l.]: John Wiley & Sons. ISBN 978-1-118-53481-6 12. Ir para cima↑ «IEEE Computational Intelligence Society History». Engineering and Technology history Wiki. 22 de julho de 2014. Consultado em 30 de outubro de 2015 13. Ir para cima↑ WANG, Fei-Yue and LIU, Derong, Advances in computational intelligence: theory and applications. Series in intelligent control and intelligent automation, v. 5, World Scientific, 2006. 14. Ir para cima↑ «Fuzzy Logic». Stanford Encyclopedia of Philosophy. Stanford University. 23 de julho de 2006. Consultado em 29 de setembro de 2008 15. Ir para cima↑ Zadeh, L.A. (1965). "Fuzzy sets", Information and Control 8 (3): 338–353. 16. Ir para cima↑ Fogel, L.J.; A. J. Owens; M. J. Walsh (1966). Artificial Intelligence through Simulated Evolution. New York: John Wiley 17. Ir para cima↑ https://www.edx.org/course/ignorance-wu-zhi-anux-igno101x 18. ↑ Ir para:a b c d ROSS, R. J. Fuzzy Logic with Engineering Applications, 4ª edição. Wiley, 2017. 19. Ir para cima↑ «Fuzzy Sets and Pattern Recognition». www.cs.princeton.edu. Consultado em 5 de novembro de 2015 20. Ir para cima↑ Lam, HK; Ling, SH; Nguyen, HT (eds) (2012). Computational Intelligence and its applications: evolutionary Computation, Fuzzy Logic, Neural Network, and Support Vector Machine Technique. Imperial College Press. 21. Ir para cima↑ Pires, J. G. (2012). “On the Applicability of Computational Intelligence in Transcription Network Modelling”. Thesis of Master of Science. Faculty of Applied Physics and Mathematics (Gdansk University of Technology): Gdansk, Poland. 22. Ir para cima↑ Pires JG (2014). Biomechanics, computational Intelligence, and systems biology with application on vitreous dynamics using Java: An incipient discussion. Acad. J. Sci. Res. 2(1):007-018. 23. Ir para cima↑ Teoria ingênua dos conjuntos, Paul Halmos 24. Ir para cima↑ Tsallis, Constantino. Introduction to nonextensive statistical mechanics: approaching a complex world. Springer Science & Business Media, 2009. 25. Ir para cima↑ Mumford, David, and Agnès Desolneux. Pattern theory: the stochastic analysis of real-world signals. CRC Press, 2010. 26. Ir para cima↑ Zhao, Yan-cai, et al. "Generalized Fuzzy Sets and Fuzzy Relations." International Conference on Oriental Thinking and Fuzzy Logic. Springer, Cham, 2016. 27. Ir para cima↑ 1st BRICS Countries & 11th CBIC Brazilian Congress on Computational Intelligence. http://brics-cci.org/. Acessado em Julho 2014. 28. Ir para cima↑ KOSKO, B. Neural Networks and Fuzzy Systems: a dynamical systems approach to machine intelligence. Prentice Hall, 1992. 29. Ir para cima↑ SIMPEP Simpósio de Engenharia de Produção 30. Ir para cima↑ Musical elements in the discrete-time representation of sound. Available at: https://arxiv.org/abs/1412.6853 31. Ir para cima↑ Colton, Simon, and Geraint A. Wiggins. "Computational creativity: The final frontier?." ECAI. Vol. 12. 2012. 32. Ir para cima↑ Santa Fe Institute. MOOC sobre complexidade. 2018 33. Ir para cima↑ Erro de citação: Código <ref> inválido; não foi fornecido texto para as refs de nome natProg 34. Ir para cima↑ SIMON, D. Evolutionary Optimization Algorithms. 1ª edição. Wiley, 2013. 35. Ir para cima↑ Through the wormhole 36. Ir para cima↑ Nuvens cognitivas e a unificação da espécie humana. Revista Cyberium, 2015. 37. Ir para cima↑ C. G. Jung, O homem e seus símbolos. 38. Ir para cima↑ Gibson W. Neuromancer. Aleph; 2015 Sep 16. Bibliografia adicional[editar | editar código-fonte] Computational Intelligence: An Introduction by Andries Engelbrecht. Wiley & Sons. ISBN 0-470-84870-7 Computational intelligence in complex decision systems Intelligência computacional em sistemas de decisão complexos. Da Ruan. Belgian Nuclear Research Centre (SCK— CEN). Atlantis Press. ISSN: 1875-7650 Ligações externas[editar | editar código-fonte] Inteligência Computacional (Scholarpedia) Learning and Nonlinear Models Blog de Sistemas Inteligentes en Madri+D Conscious Robots, blog sobre robótica cognitiva Grupo de investigacion - Sistemas Inteligentes Computação inteligente Revistas científicas[editar | editar código-fonte] Computational Intelligence JournalJornal de inteligência computacional International Journal of Computational Intelligence Jornal internacional de inteligência computacional International Journal of Computational Intelligence Research Jornal internacional de pesquisa em inteligência computacional Software[editar | editar código-fonte] Computational Intelligence Library (CILib) OAT (Optimization Algorithm Toolkit): A set of standard computational intelligence optimization algorithms and problems in Java. Um conjunto de otimizações em algoritmos e problemas em Java. Organizações[editar | editar código-fonte] IEEE Computational Intelligence Society Sociedade de inteligência computacional IEEE The Computational Intelligence and Machine Learning Virtual Community A comunidade de inteligência computacional e aprendizagem virtual
Compartilhar