Baixe o app para aproveitar ainda mais
Prévia do material em texto
TECNOLOGIA EM SISTEMAS PARA INTERNET GERÊNCIA DE DADOS SEMI-ESTRUTURADOS Rodrigo Ramos Nogueira Emily Caroline da Silva Padilha Nátaly Nazário Quina REDES NEURAIS ARTIFICIAIS 1 INTRODUÇÃO A relação homem-máquina está presente em nossa sociedade desde a Primeira Revolução Industrial, que trouxe consigo as primeiras máquinas à vapor. Posteriormente, houve a Segunda Revolução Industrial, onde mais países começaram se industrializar e novos motores começaram a ser inventados. Na Terceira e mais recente Revolução Industrial temos os avanços tecnológicos como base. Tais avanços sempre possuem como objeto auxiliar-nos, de modo que as máquinas intensificam nossa força de trabalho, diminuindo o tempo do mesmo e trazendo consigo potência. A partir da última revolução, o estudo e aperfeiçoamento das máquinas e sistemas computacionais acabaram por trazer consigo uma forma científica de se estudar a inteligência, o qual busca formas replicá-la. Dentro deste contexto, no presente escrito, apresentaremos a abordagem conexionista da ciência descrita como Inteligência Artificial, para posteriormente tratarmos sobre o tema do artigo: Redes Neurais Artificiais (RNA). 2 INTELIGÊNCIA ARTIFICIAL, SUAS ABORDAGENS E O MODELO CONEXIONISTA Inteligência Artificial (IA) pode ser entendida como uma ciência que estuda formas de implementar em sistemas as atividades que um ser humano pode desenvolver. Esta por si, possui dois tipos de abordagens para alcançar seu objetivo, a Abordagem Cognitiva, também conhecida como “simbolista” e a Abordagem Conexionista, também conhecida como “biológica”. A abordagem cognitiva “dá ênfase aos processos cognitivos humanos” (SIMON apud FERNANDES, 2005, p. 3), utilizando basicamente de algoritmos (sequência de passos) e lógica para reproduzir o conhecimento adquirido, enquanto a abordagem conexionista baseia-se na nas redes neurais do cérebro humano. Tendo este breve conceito inicial sobre IA e seus dois segmentos de estudo, continuaremos daqui falando sobre a abordagem conexionista. Esta abordagem utiliza redes neurais artificiais para simular as ações legítimas do cérebro como em um organismo biológico. Inicialmente tivera diversas propostas de modelos eletroquímicos para realizar-se a simulação dos estímulos do sistema nervoso do cérebro humano, porém, foi no modelo matemático, em 1938, Rashevsky (FILHO apud FERNANDES, 2005, p. 58) que conseguiu-se avançar e que se mantém os estudos até os dias atuais. Conforme Braga, a base para o estudo dessa abordagem se dá pela “estrutura individual desses neurônios, a topologia de suas conexões e o comportamento conjunto desses elementos de processamento naturais”. Sendo assim, é preciso entender como os neurônios se comportam. 2.2 FUNCIONAMENTO DOS NEURÔNIOS Os neurônios são células que formam o nosso cérebro e são compostas por três partes: dentritos (terminais de entrada), que captam informações do ambiente ou de outras células do corpo; soma (corpo celular dos neurônios), responsável por processar as informações; e axônio (terminais de saída), que distribui para outros neurônios ou células do corpo a informação processada. O comportamento funcional de um único neurônio se dá pelos sinais de estímulo recebidos do neurônio antecessor deste. Sendo que, para que estes sinais de estímulo produzam uma ação neste neurônio, em que se chegaram, é necessário que haja um acúmulo mínimo de estímulos de entrada, assim ele poderá produzir dois tipos de ação por meio de neurotransmissores: a ação excitatória ou a ação inibitória. O tipo de ação que este neurônio enviará para o próximo dependerá da quantidade de cada entrada destas neste neurônio em questão. Quanto maior o número de células trabalharem em conjunto, enviando sinais de excitação ou sinais de inibição, maior as chances de emitir-se um impulso nervoso. 3 REDES NEURAIS ARTIFICIAIS Para o entendimento de qualquer conceito de Rede Neural Artificial, é preciso entender as três palavras-chaves: neurônio, arquitetura e aprendizagem. Neurônio é a unidade básica computacional da rede; arquitetura é a estrutura topológica de como os neurônios se conectam; e aprendizagem é o processo que adapta a rede de modo a realizar alguma tarefa. As Redes Neurais Artificiais são definidas como redes massivamente paralelas e interconectadas, de elementos simples, com organização hierárquica. Estes elementos devem interagir com objetos do mundo real da mesma maneira que o sistema nervoso biológico (KOHONEN apud FERNANDES, 2005, p. 57). A teoria das Redes Neurais surgiu de grupos que defendiam a inteligência humana como fruto do nosso cérebro organizado. No presente escrito, trataremos sobre as Redes Neurais, que voltaram a ser estudados com mais afinco após o avanço das neurociências. 3.1 Características Gerais Como visto, o funcionamento das redes neurais artificiais baseiam-se no mesmo funcionamento biológico. No geral, os modelos consistem em nós (que seriam os neurônios) e conexões. Assim, costumam possuir uma organização por camadas, onde há uma classificação de três grupos: A camada de entrada, as camadas intermediárias (onde os dados serão processados) e a camada de saída. A topologia de uma RNA deve possuir no mínimo duas camadas: a de entrada e a de saída (RUMMELHART apud FERNANDES, 2005, p. 72). Contudo, como esse tipo de topologia acaba limitando o desempenho da RNA, normalmente são adicionadas camadas intermediárias entre estas, conforme a necessidade de processamento. As ligações de cada nó dão-se imediatamente com os nós vizinhos. Existem dois tipos de arquitetura de redes neurais artificiais, e são definidas com base no ciclo do fluxo dos sinais, são elas: Feedforward e Feedback. Nas redes Feedforward o sinal é unidirecional, assim sendo, é propagado em uma única direção após sua entrada até sua saída. Já na Feedback, o sinal é multidirecional, podendo, da saída, entrar em qualquer outra entrada de neurônio.(FERNANDES, 2005, p. 61) O relacionamento de uma RNA com o ambiente dá-se por meio de chamados “paradigmas de aprendizado”, onde é determinado como será o seu monitoramento. Sendo eles, também, um modo de classificação dos tipos de RNA: ● Aprendizado supervisionado: Onde um agente externo fornece a saída desejada para comparação; ● Aprendizado não-supervisionado: Quando não há fornecimento de resposta final e a rede conduz por si, se auto-organizando; ● Reforço: Quando há avaliação da resposta por um crítico externo. (FERNANDES, 2005, p. 63 e ROSA, 2011, p.183) 3.2 Regras de Aprendizado As regras de aprendizado consistem em modelos de algoritmos RNA desenvolvidos e aperfeiçoados pelos estudos realizados. Estes modelos se tornaram a base para o desenvolvimento da RNA em conjunto com as características gerais já comentadas anteriormente. Por serem modelos base, eles normalmente definem a arquitetura e classificação da rede desenvolvida, havendo apenas reformulações que não são consideráveis para modificar os padrões de formaa criar-se uma nova “regra” ou modelo. Pode-se citar como exemplo o modelo/regra PERCEPTRON que é um modelo supervisionado e também utiliza a regra Delta desenvolvida por Widrow. Entre outras regras base podemos citar as realizadas por Hopfield, Hebb, McCulloch e Pitts, Rashevsky e Hodgen e Huxley. Entre as RNA modelos temos: LAM (Linear Associative Memories) por Anderson, Kohonen e Nakano; LVQ (Learning Vector Quantification) por Kohonen; ART (Adaptative Resonance Theory) por Grossberg, ADALINE (Adaptative Linear Element) e MADALINE (ManyADALINE) por Widrow e Hoff, entre muitas outras. 3.3 Processos de Aprendizado Basicamente, a determinação das etapas de desenvolvimento de uma RNA são: (i) Coleta e separação de dados, (ii) Configuração da rede, (iii) Treinamento (iv) Teste, (v) Integração (GURNEY apud FERNANDES, 2005, p. 80). (i) A coleta de dados deve ser realizada pensando nos dados de treinamento e testes, e os mesmos devem abranger tanto problemas rotineiros quanto exceções. A separação dos dados de treinamento pode possuir também uma subdivisão sendo o conjunto de validação da eficiência da rede. (ii) A configuração da rede divide-se em três etapas: a seleção do paradigma, determinação da topologia, e os parâmetros do algoritmo de treinamento e funções de ativação. (iii) O treinamento das redes é o passo fundamental para o processo de aprendizado de uma RNA, este, conhecidos também como Algoritmos de Treinamento, consistem na aplicação das regras de aprendizado, ajustando-as e aplicando também correções conforme a necessidade da rede. Como mencionado anteriormente, as abordagens destes algoritmos se dá por conceitos matemáticos, sendo assim, as entradas fornecidas a RNA consiste em “pesos”. A correção destes pesos pode ser executada de dois modos: Modo Padrão, onde a correção acontece a cada novo começo focando somente no erro apresentado neste, podendo ser então N correções. E o Modo Batch: Onde faz-se a correção ao final de um ciclo completo, sendo apenas uma correção por ciclo. O ajuste dos pesos é importante pois implicará no tempo necessário que a rede levará para concluir seu treinamento. Porém, também é necessário que hajam critérios de parada, sendo eles: Taxa de erro e capacidade de generalização. Esses dois critérios devem ser combinados com intuito de parada ao satisfazer uma taxa de erro mínima com uma capacidade de generalização máxima. Sendo que, a taxa de erro deve ser menor que um erro admissível. (iv) Os testes consistem na verificação da performance da rede, estes são realizados com dados que não foram previamente considerados. (v) A integração é a parte onde a rede é disponibilizada ao ambiente operacional para qual fora desenvolvida, onde este, em sua aplicação, poderá realizar o monitoramento da performance da rede para eventuais manutenções e re-treinamento por projetistas (FERNANDES, 2005, p. 63,80-83 e ROSA, 2011, p.184). 3.4 Aplicação Prática RNAs são mais comumente utilizados em aprendizados por meio de conjunto de dados. RNAs aplicam as seguintes tarefas: classificação, categorização (agrupamento ou clustering), aproximação, previsão e otimização. A tabela 1 mostra as principais tarefas que as RNAS podem executar e alguns exemplos de aplicação. Tarefas Algumas Aplicações Classificação Reconhecimento de caracteres Reconhecimento de imagens Diagnóstico (médico, equipamentos, etc.) Análise de risco de crédito Detecção de fraudes Detecção de falhas em sistemas industriais Categorização Agrupamento de sequências de DNA Mineração de dados Análise de expressão gênica Agrupamento de clientes Previsão Previsão do tempo Previsão financeira (câmbio, bolsa, etc.) Modelagem de sistemas dinâmicos Previsão de sequência de DNA Tabela 1. Fonte: BRAGA; CARVALHO; LUDERMIR, 2014. 4 CONSIDERAÇÕES FINAIS No presente escrito, discorremos acerca do tema Redes Neurais Artificiais, onde apresentamos uma visão geral sobre o mesmo e algumas de suas principais características e processos de aprendizado. Dentro do nosso contexto tecnológico atual, trabalhar em cima de conceitos de neurociência é mais do que necessário para que possamos continuar progredindo e obter cada vez mais eficácia ao trazer praticidade à realidade da sociedade. Referências FERNANDES, Anita Maria da Rocha. Inteligência Artificial: noções gerais. Florianópolis: VisualBooks, 2005. ROSA, João Luís Garcia. Inteligência Artificial. Rio de Janeiro: LTC, 2011. BRAGA, Antônio de Pádua; CARVALHO, André Ponce de Leon F. de; LUDERMIR, Teresa Bernarda. Redes Neurais Artificiais. Rio de Janeiro: LTC, 2014. ASSIS, Pablo de. O que são Redes Neurais?. Disponível em: <https://www.tecmundo.com.br/programacao/2754-o-que-sao-redes-neurais-.htm>. Acesso em: 25 nov. 2018. Redes Neurais Artificiais. Disponível em: <http://conteudo.icmc.usp.br/pessoas/andre/research/neural/>. Acesso em: 25 nov. 2018.
Compartilhar