MatLab Algoritmos Genéticos · Sistemas de Informação/Ciências da Computação –UNISUL ......
Transcript of MatLab Algoritmos Genéticos · Sistemas de Informação/Ciências da Computação –UNISUL ......
Sistemas Especialistas
Sistemas de Informação/Ciências da Computação – UNISUL
Aran Bey Tcholakian Morales, Dr. Eng.
(Apostila 6)
5
Os Sistemas Especialistas (SE) e os Sistemas Baseados em
Conhecimento (SBC) representam uma técnica de resolução de
problemas de interesse da Inteligência Artificial (IA).
Sistemas Baseados em Conhecimento
6
Um exemplo de um Sistema Baseado em Conhecimento que
não é um Sistema Especialista é a técnica chamada Raciocínio
Baseado em Casos, o qual é também uma técnica da IA que utiliza
as soluções de problemas antigos para resolver problemas similares
atuais.
Sistemas Baseados em Conhecimento
7
Sistemas Especialistas são programas de computadores que
imitam o comportamento de especialistas humanos dentro de
um domínio de conhecimento específico, baseado em processos
heurísticos.
O objetivo dos Sistemas Especialistas é captar o conhecimento
de um especialista em um determinado campo, representar este
conhecimento numa base e transmiti-o ao usuário, permitindo-lhe
obter respostas a perguntas relacionadas à base de conhecimento do
sistema.
Sistemas Especialistas
8
Todo o conhecimento que o Sistemas Especialistas contém, é
adquirido através de pessoas especialistas, que transferem o seu
conhecimento (acumulado durante toda sua vida profissional) para
o sistema.
Em resumo podemos afirmar que os Sistemas Especialistas são
uma técnica de Inteligência Artificial desenvolvida para resolver
problemas em um determinado domínio cujo conhecimento
utilizado é obtido de pessoas que são especialistas naquele
domínio.
Sistemas Especialistas
12
Máquina de
Inferência
Usuário
Dados do
problema
Base de
conhecimento
Respostas
Engenheiro de
conhecimento
Especialista
Representação
do Conhecimento
Memória
de
trabalho
Sistemas Especialistas: Arquitetura
Aquisição
do Conhecimento
Explicação
do raciocínio
13
O conhecimento adquirido deve ser representado apropriadamente no
computador, de tal forma que o mecanismo de inferências do SE possa
não só interpretar este conhecimento, mas também processa-o.
Uma representação é alguma coisa que está no lugar de outra.
Conclusões podem ser tiradas sobre as coisas representadas, olhando-se
apenas para o modelo.
Representação do Conhecimento
14
Na IA simbólica, a representação do conhecimento é feita através
de uma coleção de símbolos e com procedimentos de
interpretação.
Existem diferentes tipos de representação:
Lógica
Redes Semânticas
Frames
Regras de produção
Outros
Representação do Conhecimento
15
Regras de produção são uma técnica de representação do
conhecimento mais usada. Isto se deve principalmente a sua facilidade
de compreensão e programação.
Uma regra de produção é composta de duas partes:
• a parte IF (condição, premissa ou antecedente) de uma regra;
• a parte THEN (ação ou conseqüente) de uma regra.
A condição de uma regra define um caminho a ser casado contra o
conteúdo de uma memória de trabalho.
Uma ação define alguma modificação ou adição a ser feita na memória
de trabalho.
Representação do Conhecimento
16
O processo de coleta e estruturação do conhecimento é chamada de
aquisição de conhecimento, que é reconhecidamente o 'gargalo' do
processo de desenvolvimento de um SE.
Esta dificuldade está relacionada com a dificuldade de transmissão do
conhecimento, por parte do especialista; ou porque o conhecimento não
é bem definido, ou porque é difícil expressar e transmitir.
O engenheiro de conhecimento é a pessoa encarregada de construir o
SE, enquanto que a pessoa que possui o conhecimento necessário para o
desenvolvimento do SE é chamada de especialista.
Aquisição do Conhecimento
19
Máquina de
Inferência
Usuário
Dados do
problema
Base de
conhecimento
Respostas
Engenheiro de
conhecimento
Especialista
Representação
do Conhecimento
Memória
de
trabalho
Sistemas Especialistas: Arquitetura
Aquisição
do Conhecimento
Explicação
do raciocínio
20
Tipicamente um Sistemas Especialistas possui os seguintes
componentes principais:
base de conhecimento
mecanismo de inferências
memória de trabalho.
A base de conhecimento (BC) é o elemento que armazena o
conhecimento abstrato. Normalmente, a BC é conhecida como
base de regras onde o conhecimento abstrato é armazenado em um
conjunto de regras de produção do tipo:
Se (situação ) Então (conclusão ou ação).
Sistemas Especialistas
21
A memória de trabalho (MT) é o elemento que armazena o
conhecimento concreto, ou seja, o conhecimento que pode ser
considerado fato antes do processo de inferência.
Esta memória é de caracter transitório pois, novos fatos estão sendo
acrescentados continuamente ou fatos existentes são apagados.
Sistemas Especialistas
22
O mecanismo de inferências (MI) é o processador ou
interpretador de conhecimento, sendo considerado o coração do
SE .
Este é responsável por buscar, selecionar e avaliar as regras que
foram pegas na base de conhecimento. A sua principal função é
combinar o conhecimento abstrato contido na base de regras, com
o conhecimento concreto armazenado na base de fatos, inferindo
conclusões e gerando novos fatos.
Sistemas Especialistas
23
Na base de conhecimento, onde temos as regras do tipo Se-Então,
podemos identificar três tipos de variáveis:
Variáveis de entrada: são variáveis onde os valores são fornecidos pelo
usuário (são fatos do problema). Estas variáveis podem ser identificadas
porque somente aparecem na parte Se da base de regas;
Variáveis de objetivo ou meta: são variáveis que indicam quando o Se
vai parar seu processo de inferência, são variáveis calculadas.
Estas variáveis podem ser identificadas porque somente aparecem na
parte Então da base de regas;
Variáveis de inferência: são variáveis onde os valores são calculados e
são variáveis utilizadas para calcular o valor de outras variáveis.
Estas variáveis podem ser identificadas porque aparecem na parte Se de
algumas regras e na parte Então de outras regras.
Sistemas Especialistas
27
Programa Convencional Sistemas Especialistas
Representação e uso de dados Representação e uso de conhecimento
Algorítmico Heurístico
Processo iterativo Processo de inferenciação
Manipulação efetiva de grandes bases de dados Manipulação efetiva de grandes bases de
conhecimento
Sistemas Especialistas
28
Sistemas EspecialistasEspecialista Humano Sistema Especialista
Perecível Permanente
Difícil de transferir Fácil de transferir
Difícil de documentar Fácil de documentar
Não previsível Consistente
Caro Baixo custo
Criativo Sem inspiração
Adaptativo Necessita de comando
Experiência sensorial Entrada simbólica
Visão ampla na resolução de um problema Foco estreito
Bom senso Conhecimento técnico
30
• A BC de um SE, é imprecisa e contém incertezas, desde que é ela é
uma reposição do conhecimento humano que é impreciso por
natureza. Então podemos afirmar que a incerteza da informação das
BC induz alguma incerteza na validade de suas conclusões.
• Uma idéia importante no projeto de um SE, é a capacidade de
analisar a transmissão da incerteza desde as premissas até as
conclusões.
• A forma de computar essas incertezas pode ser: fatores de
confiança, probabilidades, lógica difusa.
Incertezas em SE
31
Fatores de Confiança:
Incertezas nas Regras da Base de Conhecimento:
As regras da BC contém incertezas por serem a reposição do
conhecimento humano.
SE Molho = Apimentado
ENTÃO Vinho = Tannat ( CNF=90%)
(grau de confiança da regra)
Incertezas em SE
32
Fatores de Confiança:
Caso 1: Quando queremos saber o valor final atribuído às variáveis
na conclusão de uma regra, quando os antecedentes da regra tem um
fator de confiança.
SE Molho = Apimentado ENTÃO Vinho = Tannat (CNF=90%)
Supondo que o grau de confiança da igualdade do antecedente
Molho = Apimentado é 80%
teremos que à variável de conclusão da regra “Vinho” será atribuído o
valor “Tannat”, com grau de confiança 0.80 * 0.90 = 0.72 = 72%.
CNF (Conclusão) = CNF(Regra) * CNF (Antecedente)
Incertezas em SE
33
Caso 2: Cálculo do grau de confiança quando temos vários
antecedentes com o operador E.
Se possuirmos duas igualdades var1 = value1 e var2 = value2, com os
respectivos graus de confiança c1 e c2, temos que a sentença var1 =
value1 E var2 = value2 retornará como valor de confiança
Mínimo (c1, c2).
Exemplo:
SE Molho = Apimentado (80%) E
Prato_Principal = Carne_Vermelha (70%)
O CNF do antecedente será: 70 % (o mínimo dos dois valores)
CNF(Antecedente) = Min(CNF(antecedente_1) . . . CNF(antecedente_k)
Incertezas em SE