UCA001 GestaoSistemasInformacao Tema14

Prévia do material em texto

Sistemas inteligentes de apoio à decisão
Jeanne Louize Emygdio
Introdução
A complexidade dos processos decisórios representa um desafio crescente para as empre-
sas, especialmente em função da necessidade de realização de análises complexas sobre bases 
de dados gigantescas e em um período de tempo curto, para que as decisões possam levar as 
empresas a patamares cada vez maiores de eficiência e competitividade.
Nesta aula, você estudará as formas pelas quais a inteligência artificial (IA) pode auxiliar os 
seres humanos a resolverem questões complexas no processo de tomada de decisão.
Objetivos de aprendizagem
Ao final desta aula, você será capaz de:
 • compreender os conceitos de sistemas inteligentes;
 • identificar quais são os tipos de sistemas inteligentes.
1 Os sistemas inteligentes no processo de decisão
A inteligência artificial contribui com técnicas inteligentes que permitem ao homem simular 
seu próprio raciocínio e comportamento em sistemas com base em computador (tanto software 
como hardware) de forma a reduzir o tempo de estudo e detecção de informações relevantes para 
os negócios em grandes massas de dados.
Figura 1 – A inteligência artificial e a simulação do raciocínio humano
Fonte: Giovanni Cancemi/Shutterstock.com
Outra vantagem é a de reunir, nestes sistemas, conhecimentos sobre domínios específi-
cos, individuais ou coletivos e compartilhá-los dentro do contexto empresarial, proporcionando 
aumento do conhecimento global além de maior agilidade e qualidade nas decisões.
A análise sobre grandes conjuntos de dados permite a descoberta de padrões e comporta-
mentos que podem servir de base para o desenvolvimento de aplicações para diagnósticos médi-
cos, para o delineamento de novas estratégias mercadológicas, para a realização de investimentos 
na bolsa de valores ou para o desenvolvimento de diversos equipamentos domésticos mais inte-
ligentes, por exemplo.
Dentre os maiores desafios da IA para a simulação do raciocínio humano encontram-se: 
o reconhecimento da linguagem humana, a identificação de objetos e a tomada de decisões 
fundamentadas.
Segundo Laudon e Laudon (2014), as técnicas inteligentes aplicadas nos contextos empresa-
riais e que serão detalhadas na próxima seção são:
 • os sistemas especialistas;
 • a estratégia de raciocínio com base em casos;
 • os algoritmos genéticos;
 • as redes neurais;
 • os sistemas de lógica difusa;
 • os agentes inteligentes.
2 Tipos de sistemas inteligentes
Sistemas especialistas são construídos para reproduzir o comportamento de um especia-
lista humano na resolução de problemas do mundo real. Para tanto, o domínio de conhecimento 
deste especialista é moldado em regras para a elaboração de uma base de conhecimentos, sobre 
a qual o sistema atuará. Quando uma nova demanda de solução para problemas relacionados 
surge, ele se utiliza de um mecanismo de inferência para pesquisar a coleção de regras e apresen-
tar as conclusões para as questões propostas.
FIQUE ATENTO!
Estas regras, que podem variar em número de 200 a milhares, possuem interconexão 
e entrelaçamento muito mais complexos do que as regras de sistemas de software 
tradicionais, pois visam a resolução de problemas muito específicos que dependem 
de profissionais raros ou onerosos para serem mantidos em uma empresa.
Entre os benefícios no uso desses sistemas encontram-se: decisões melhores, menos erros, 
custos mais baixos, redução do tempo em treinamento, elevação da qualidade e do atendimento. 
Por outro lado, sua aplicação é direcionada a problemas cujas soluções são limitadas e previa-
mente conhecidas, não sendo, portanto, úteis à solução de problemas semiestruturados enfrenta-
dos pelos gerentes.
SAIBA MAIS!
Você poderá acompanhar o processo de criação de um sistema especialista de 
apoio ao diagnóstico médico assistindo ao vídeo disponível no endereço: <https://
www.youtube.com/watch?v=iNl8YeI6_K0>.
A estratégia de raciocínio baseado em casos proporciona uma ampliação funcional dos sis-
temas especialistas, uma vez que permite a captura de perícia e conhecimentos coletivos desen-
volvidos por uma organização. Os conhecimentos capturados passam a ser representados em 
forma de casos e, assim como ocorre com os sistemas especialistas, são armazenados em uma 
base de conhecimentos para uso posterior. Sempre que a empresa apresentar uma demanda de 
solução de problemas, o sistema efetuará uma pesquisa na base de conhecimentos para localizar 
soluções aplicadas a casos semelhantes ocorridos no passado e apresentá-las como solução 
para a nova demanda.
Acompanhe na figura a seguir a representação do raciocínio baseado em casos.
Figura 2 – Tipos de decisões por grupos-chave em uma empresa
1.
2.
3.
4.
5.
 O usuário descreve 
o problema
 O sistema procura 
casos semelhantes
no banco de dados
 O sistema faz perguntas 
adicionais ao usuário 
para limitar a pesquisa
 O sistema encontra o 
caso que mais se ajusta
 e recupera a solução
 O sistema modifica a 
solução para ajustá-la da 
melhor forma ao problema
NÃO SIM
6.
O sistema armazena o 
problema e a solução 
bem-sucedida no
banco de dados
Bem-sucedida?
Banco de
dados de
casos
Fonte: LAUDON e LAUDON, 2014, p. 381.
Os sistemas de diagnóstico médico e os de call center são exemplos de aplicação 
desta técnica.
Os sistemas de lógica difusa (nebulosa, ou “fuzzi”), assim como seu nome sugere, baseiam-se 
em regras que buscam alcançar a imprecisão do raciocínio humano, bem distante das regras tradi-
cionais “se-então”. Os fenômenos ou processos particulares são linguisticamente descritos e, depois, 
representados em um pequeno número de regras flexíveis, com valores aproximados ou subjetivos.
EXEMPLO
O sistema de metrô de Sendai, no Japão, utiliza controles com lógica difusa para 
acelerar de forma tão suave que torna-se praticamente imperceptível para os pas-
sageiros, mesmo para aqueles que encontram-se de pé.
Pela capacidade de lidar com problemas imprecisos, esses sistemas são adequados ao uso 
em lavadoras de roupa, geladeiras, ar-condicionado, injeção eletrônica e elevadores.
Acompanhe, na figura a seguir, a estrutura de um processo gerenciado por um controlador de 
lógica difusa, em que são evidenciados seus componentes básicos: a interface de “fuzzyficação”, 
a base de conhecimentos, a base de dados, o procedimento de inferência e a interface de 
“defuzzyficação”.
Figura 3 – Gerenciador de lógica difusa
Controlador Fuzzy
Base de Dados
Base de 
Conhecimento
Interface de
Fuzzificação
Procedimento
de Inferência
Interface de
Defuzzificação
Sensores Processo Atuadores
Fonte: MATTIELLO et al, 2015, p. 113.
As redes neurais utilizam-se do hardware e software sob os quais são construídas, imitando 
o mecanismo de processamento do cérebro humano de forma a manipular volumes gigantescos 
de dados com o objetivo de estabelecer padrões de funcionamento sob as mais diversas circuns-
tâncias. Estes padrões são estabelecidos a partir da filtragem dos dados, da busca por relações 
entre eles e da construção e refinamento de modelos.
Vale destacar que estas redes são capazes de aprender com os próprios erros, o que des-
perta a preocupação dos cientistas quanto ao desenvolvimento da inteligência artifi cial sem os 
devidos mecanismos éticos limitadores.
FIQUE ATENTO!
De acordo com Laudon e Laudon (2014), é possível treinar uma rede neural alimen-
tando-a com dados de treinamento para os quais as entradas possam produzir 
um conjunto conhecido de saídas ou conclusões, o que auxilia o computador a 
“aprender” uma solução correta, por exemplo, e até mesmo a efetuar as correções 
necessárias em modelos previamente estabelecidos.
As redes neurais são aplicáveis na ciência e nos negócios para lidar com problemas de clas-
sifi cação de padrões, previsão e análisefi nanceira, controle e otimização.
EXEMPLO
A Visa International utiliza redes neurais para auxílio na detecção de fraudes com 
cartões de crédito, a partir do monitoramento do uso dos cartões e de mudanças 
nos padrões de compra dos clientes.
Acompanhe na imagem a seguir como uma rede neural foi treinada para distinguir entre as 
compras legítimas e as fraudulentas.
Figura 4 – Funcionamento de uma rede neural
Resultados
Compra válida
Compra fraudulenta
Dados
• Idade
• Renda
• Histórico de compras
• Frequência de compras
• Valor médio da compra
Camada de entrada Camada oculta Camada de saída
Uma rede neural utiliza regras “aprendidas” a partir de padrões em dados para construir uma camada oculta de lógica. 
A camada oculta então processa as entradas, classificando-as com base na experiência do modelo. Nesse exemplo, a 
rede neural foi treinada para distinguir entre compras com cartão de crédito fraudulentas e legítimas. 
Fonte: adaptada de LAUDON e LAUDON, 2014, p. 382.
Estas redes são ainda aplicáveis no campo da medicina para a realização de exames de 
doenças coronárias, diagnósticos de epilepsia, mal de Alzheimer e para gerar padrões de reconhe-
cimento de imagens patológicas.
SAIBA MAIS!
A leitura do artigo “Mapeamento digital de solos por redes neurais artificiais” irá 
auxiliá-lo a perceber formas de aplicação desta tecnologia para estudo dos solos. O 
artigo encontra-se disponível no endereço: <http://www.scielo.br/scielo.php?scrip-
t=sci_arttext&pid=S0100-06832013000200004>.
Alguns desafios ainda precisam ser vencidos para melhor utilização dessas redes, como: 
torná-las capazes de explicar porque chegaram a uma determinada solução para um problema 
e torná-las eficientes no processamento de arquivos de treinamento muito pequenos ou muito 
grandes. Geralmente, as redes neurais são utilizadas como apoio às decisões, não substituindo os 
profissionais das áreas onde são empregadas.
Os algoritmos genéticos utilizam técnicas que baseiam-se em métodos inspirados na biolo-
gia evolucionária, como herança, mutação, seleção e cruzamento, para a localização de soluções 
de problemas dinâmicos e complexos. Seu processamento, em alta velocidade, envolve centenas 
ou milhares de variáveis ou fórmulas, e o exame de grande volume de soluções alternativas. Apli-
cam-se à otimização de projeto de turbinas a jato para aeronaves ou em softwares de gestão da 
cadeia de suprimentos para otimização dos modelos de programação e produção.
Os agentes inteligentes compreendem programas de software autônomos que auxiliam as 
empresas a navegar por grandes volumes de dados, inclusive da internet, para localizar e utilizar 
informações consideradas importantes. A partir do uso de uma base de conhecimento embutida, 
estes softwares executam tarefas específicas, repetitivas e até mesmo previsíveis, relacionadas a 
um usuário, processo de negócio ou software aplicativo.
FIQUE ATENTO!
Os agentes inteligentes utilizam base de conhecimento embutida ou aprendida 
para a realização de tarefas ou a tomada de decisões como: apagar e-mails indese-
jados ou programar compromissos.
São utilizados em aplicativos para sistemas operacionais, sistemas de e-mail, softwares de 
computação móvel e ferramentas de rede.
Fechamento
Ao concluir esta aula, você passou a conhecer as tecnologias surpreendentes que podem ser 
utilizadas como ferramentas de apoio à decisão nos mais diversos campos da atividade humana.
Nesta aula, você teve a oportunidade de:
 • compreender os conceitos de sistemas inteligentes e sua importância nos processos 
decisórios;
 • identificar quais são os tipos de sistemas inteligentes, como os sistemas especialistas 
e os sistemas de lógica difusa, além de suas principais características e aplicações.
Referências
ARRUDA, Gustavo Pais de; DEMATTÊ, José Alexandre M.; CHAGAS, César da Silva. Mapeamento 
digital de solos por redes neurais artificiais com base na relação solo-paisagem. Revista Brasileira 
de Ciência do Solo, vol. 37, n. 2, Viçosa, mar./apr. 2013. Disponível em: <http://www.scielo.br/
scielo.php?script=sci_arttext&pid=S0100-06832013000200004>. Acesso em: 08 fev. 2017.
FERREIRA, Luiz Antonio Menozzi. Sistemas especialistas: uma abordagem de apoio ao processo 
de diagnóstico médico. Monografia (TCC – Bacharelado em Sistemas da Informação) – UFSCAR 
– SP, 2012. Disponível em: <https://www.youtube.com/watch?v=iNl8YeI6_K0>. Acesso em: 08 fev. 
2017.
LAUDON, Kenneth; LAUDON, Jane. Sistemas de Informações Gerenciais. Tradução de Célia 
Taniwaki. 11ª ed. São Paulo: Pearson Education do Brasil, 2014.
MATIELLO, Caciano D.; BORSOI, Beatriz T.; LINARES, Kathya C.; FAVARIM, Fábio. Controle de atitude 
para veículos aéreos não tripulados do tipo quadricóptero: PID vs lógica fuzzi. In: Computer on 
the beach 2015. 2015. Florianópolis. p. 111-120. Disponível em: <http://siaiap32.univali.br/seer/
index.php/acotb/article/view/7017/3954>. Acesso em: jan. 2016.