Inteligência Artificial: Conceitos e Heurísticas

Capacidade de resolver problemas, usar o conhecimento, raciocinar e aprender. Não possui uma definição universalmente aceita, mas pode ser vista como o estudo de como computadores podem realizar tarefas que atualmente exigem habilidades humanas.

Jogos de estratégia, demonstração de teoremas matemáticos e processamento de linguagem natural.

Sistemas de decisão baseados em sistemas biológicos, com aprendizagem automática e incremental. São úteis para tarefas como reconhecimento de padrões, robótica, processamento de dados e linguagem natural.

A Inteligência Artificial visa solucionar problemas complexos que são difíceis de serem resolvidos por métodos convencionais. Os principais desafios que a A.I. enfrenta são:

1. Incapacidade de usar modelos da realidade: Dificuldade em abstrair e modelar o mundo real.
2. Explosão combinatória: A complexidade de encontrar soluções em um espaço de busca muito grande.

A necessidade de conhecimento para funcionar. Este conhecimento pode ser vasto, complexo e dinâmico. É a base para o desenvolvimento de sistemas especialistas.

Aplicações comerciais que utilizam conhecimento específico de uma área para resolver problemas. Exemplo: Sistemas que diagnosticam doenças, analisam dados financeiros ou oferecem suporte técnico especializado.

O conhecimento usado na Inteligência Artificial deve ser representável de forma geral, compreensível para os humanos e facilmente modificável.

Um teste que avalia se uma máquina pode imitar um ser humano em uma conversa.

A Inteligência Artificial atual foca em ajudar as pessoas a resolver problemas usando as vantagens de ambas, máquinas e humanos.

A explosão combinatória é um problema que surge quando se tenta testar todas as possibilidades para resolver um problema.

Heurísticas são regras empíricas que ajudam a encontrar soluções satisfatórias, mesmo que não sejam as melhores, para evitar a explosão combinatória.

O conhecimento heurístico se baseia em experiência passada e não necessariamente em fatos científicos. Ele pode ser impreciso e incerto.

O espaço de estados é uma representação gráfica que mostra todas as possibilidades e caminhos possíveis para resolver um problema.

Para definir um problema em termos de espaço de estados, precisamos identificar os estados, os operadores que permitem mudar de estado e o estado final desejado.

Um nó que representa um estado no grafo do espaço de estados. Pode conter informações como o nó que o gerou, heurística e pontuação.

Uma transição de estado no grafo do espaço de estados, geralmente representada por uma seta.

Uma técnica para explorar o grafo do espaço de estados, começando pelo nó inicial e expandindo os nós em ordem de profundidade.

Uma técnica para explorar o grafo do espaço de estados, começando pelo nó inicial e expandindo os nós em ordem de largura.

Uma variante da procura em largura que considera o custo da transição entre os estados. O objetivo é encontrar o caminho mais barato.

Lista que armazena os nós do espaço de estados que ainda não foram explorados.

Lista que armazena os nós do espaço de estados que já foram explorados.

Um tipo de raciocínio que usa a generalização ou extrapolação para chegar a conclusões.

Um tipo de raciocínio que utiliza regras lógicas para inferir novas informações.

Um tipo de raciocínio que usa observações para procurar uma explicação provável.

Um sistema computacional baseado em regras de comportamento, onde cada regra tem uma precondição e uma ação.

O processo de pesquisa de regras que correspondem ao estado atual do mundo.

O processo de execução das ações associadas às regras correspondentes.

Um tipo de encadeamento que inicia com dados conhecidos e aplica regras para obter novas informações.

Um tipo de encadeamento que inicia com um objetivo e procura evidências para sustentá-lo.

Em métodos de busca, o espaço do estado é um grafo. Se o estado sucessor já estiver em ABERTOS ou FECHADOS, o nó correspondente não é adicionado a ABERTOS. Essa verificação garante que não se expandem os mesmos nós múltiplas vezes, evitando ciclos e aumentando a eficiência da busca.

O algoritmo Breadth-First explora o espaço de estados expandindo os nós em níveis de profundidade. A cada iteração, os nós de um determinado nível são expandidos, garantindo que todos os nós a uma distância menor sejam alcançados antes dos nós a uma distância maior.

O algoritmo Custo Uniforme escolhe sempre o nó com o menor custo acumulado para expandir. Ele garante que o caminho mais barato para qualquer nó seja encontrado, trabalhando com a expansão dos nós mais promissores.

O algoritmo Depth-First aprofunda o espaço de estados explorando um ramo específico até o final. Ele é útil para encontrar soluções rapidamente, mas pode acabar percorrendo caminhos longos antes de encontrar a solução ideal.

O algoritmo Depth-First é modificado para considerar um nó em ABERTOS com o mesmo estado do nó gerado, mas com um custo g menor ou igual. Se o nó em ABERTOS for mais promissor, o nó gerado é descartado. Essa regra garante que o caminho mais barato para um estado seja priorizado.

Em um grafo, o algoritmo Depth-First pode encontrar um nó com o mesmo estado em FECHADOS. Se o custo g do nó em FECHADOS for menor ou igual ao do nó gerado, o nó antigo é removido e o nó gerado é adicionado a ABERTOS. Essa regra garante que o caminho mais barato encontrado até agora seja usado e que nós com custos mais altos não obstruam a busca.

Métodos heurísticos usam funções de avaliação para guiar a busca, focando em nós que parecem mais promissores. Eles são mais eficientes que os métodos cegos, mas a eficácia da heurística depende do problema e da qualidade da função de avaliação.

Funções de avaliação (f(n)) medem o quão promissor um nó é, considerando diversos fatores como custo acumulado e distância estimada até o objetivo. A lista de nós ABERTOS é ordenada por ordem crescente de f(n), priorizando os nós mais promissores.

Representa a confiança que se tem na conclusão de uma regra, calculada através da multiplicação da confiança da regra em si pela confiança composta das suas premissas.

O ciclo de vida do desenvolvimento de um sistema pericial é iterativo e é baseado na abordagem espiral, permitindo o refinamento constante do sistema com base em feedback obtido a cada iteração.

Um dos principais desafios no desenvolvimento de sistemas periciais é a necessidade de capturar e representar o conhecimento de um especialista de forma estruturada, utilizando uma linguagem compreensível para o sistema.

Deve ter em conta a utilização de conhecimento especializado, a necessidade de uma abordagem não convencional, a disponibilidade de especialistas no domínio, a alta valorização da captura do conhecimento especializado e a aceitabilidade de sucesso limitado.

Os tipos de tarefas que se adequam a sistemas periciais envolvem raciocínio simbólico (resolver problemas usando símbolos), heurísticas (regras de thumb) e conhecimentos específicos de um domínio, não conhecimento geral.

O especialista fornece o conhecimento do domínio, o engenheiro do conhecimento codifica esse conhecimento e o utilizador avalia a aplicabilidade do sistema.

É o indivíduo que detém o conhecimento de um domínio específico.

Tem responsabilidade pela aquisição, codificação e inserção do conhecimento do especialista na base de conhecimento do sistema.