Regras de Produção e Raciocínio Dedutivo

Sistemas Periciais

• Sistemas periciais são sistemas de apoio à decisão que usam conhecimento especializado para resolver problemas complexos.
• Eles diferem da informática convencional por recorrerem ao conhecimento humano representado por heurísticas e modelos, não apenas a algoritmos.
• A resolução de problemas complexos, sem soluções algorítmicas conhecidas.
• Utilizam heurísticas, ou seja, conhecimento humano, modelos e teorias para obter resultados mais precisos.
• A realidade é demasiado complexa, necessitando modelos para interagir com ela e resolver problemas.

Algoritmo

• Sequência finita de instruções bem definidas e não ambíguas, para resolver um problema particular num intervalo de tempo finito.
• Possui uma quantidade finita de esforço.
• Definição formal para resolver problemas.

Inteligência Artificial

• O objetivo da inteligência artificial é desenvolver máquinas para resolver problemas em que, no momento, os seres humanos são melhores.

Problema

• Frequentemente as pessoas são capazes de resolver problemas sem uma solução algorítmica conhecida.
• A informática convencional tem dificuldades em resolver esse tipo de questões.
• Esse tipo de problemas exige recorrer a técnicas de Inteligência Artificial.

Modelos vs. Teorias

• Um modelo é uma simplificação da realidade.
• Uma teoria é um modelo internamente consistente em termos sintáticos, ou seja, não contém contradições (e semânticas).
• Uma boa teoria deve ser válida, i.e., deve ser um modelo semanticamente consistente.

Exemplos de Sistemas Periciais

• Sistema de produção de papel da PORTUCEL
  • Utiliza modelos heurísticos ao invés de modelos físicos, por sua complexidade.
• Gestão de carteiras de ativos
  • Modelos matemáticos falíveis. Modelos de preferências e utilidade são utilizados, conhecidos por serem subjetivos.
• MYCIN
  • Sistema de diagnóstico de infecções bacteriológicas.
  • Sistema de prescrição de terapia baseada no diagnóstico.

XYCIN

• Sistema pericial na forma de um bloco de notas ativo.
• Utiliza a linguagem natural para interagir com o especialista.
• Desempenho comparável ao de especialistas.

Modelagem Indireta do Conhecimento do Especialista

• O especialista utiliza conhecimento simbólico, factos, regras e raciocínio lógico.
• O sistema pericial representa e manipula este conhecimento para resolver problemas.

Arquitectura de Sistemas Periciais

• A Arquitectura representa os compostos de dados, base de conhecimento, máquina de inferência e interface inteligente para a resolução do problema.
• Possui módulos de aprendizagem e explicação.

Características dos Principais Componentes

• Base de Conhecimento:
  • Modelos do domínio
  • Factos e regras
  • Hipótese do "mundo fechado"
  • Natureza declarativa
• Máquina de Inferência
  • Mecanismos lógicos de raciocínio
  • Independente do domínio
  • Natureza procedimental

Explicação

• Um sistema pericial pode errar devido a conhecimento incompleto do especialista ou a uma base de conhecimento incompleta.
• Necessário que o sistema tenha mecanismos de validação.
• O módulo de explicação indica as regras aplicadas e a instanciação com os dados da base de conhecimento.

DIPMETER ADVISOR

• Sistema pericial para a interpretação de medições geofísicas.
• Identifica estruturas baseadas em compostos orgânicos.
• Usa um bloco de notas ativo, permitindo uma análise detalhada do problema.

XCON

• Sistema pericial para a configuração de computadores da família VAX.
• Problema complexo. Mais de 400 componentes, 5000 regras e 20000 componentes.
• Elevado sucesso prático.

AUTHORIZER'S ASSISTANT

• Sistema pericial para a análise de problemas do crédito da American Express.
• Problema de grande escala com mais de 35.000 regras.
• Aumento de 20% da produtividade e redução de 33% de crédito não concedido.

Shells

• Ferramentas para o desenvolvimento de sistemas periciais.
• Análogas às ferramentas CASE e são aplicaveis a qualquer domínio.
• Permite a reutilização da máquina de inferência.
• Natureza sintático, independente do domínio de aplicação.
• Necessário construir a base de conhecimento.

Raciocínio Lógico

• Dedução: Usa o silogismo lógico e resultados garantidamente válidos (ex: modus ponens, modus tollens).
• Indução: Generalização e extrapolação de resultados não garantidamente válidos.
• Abdução: Explora as observações para encontrar uma explicação provável e resultados não garantidamente válidos. (Frequente em medicina).

Lógicas Quantificadas

• Lógica proposicional ou de ordem zero. Conjuntos de expressões sintáticas. (fórmulas bem formadas ou fbfs).
• Lógica predicativa ou de primeira ordem. Fbfs podem ser quantificáveis e decompõem-se em termos (constantes, variáveis e predicados).
• Lógica modal ou de ordem superior. Inclui predicados de ordem superior com predicados como argumentos.

Raciocínio Dedutivo

• Modus Ponens:
  • Se P, então Q
  • P
  • Logo, Q.
• Modus Tollens:
  • Se P, então Q
  • Não Q
  • Logo, Não P.

Encadeamento para a Frente (Forward Chaining)

• Começa com os factos conhecidos.
• Utiliza as regras para derivar novas conclusões.

Encadeamento para Trás (Backward Chaining)

• Começa com a conclusão pretendida.
• Utiliza as regras para determinar os factos necessários.

Sistemas de Produção

• Sistema computacional baseado em regras.
• Cada regra possui uma precondição (lado esquerdo) e uma ação (lado direito).
• Se uma precondição for satisfeita, a ação é "disparada".

Base de Conhecimento

• Factos: dados sobre o domínio. Regras conectam os factos. Regras (R1).

Emparelhamento (Matching)

• Comparação de padrões em relação aos factos na base do conhecimento.
• Substituição (ex: variáveis pelos factos).

Ativação de Regras

• Processo de verificar se o LHS de uma regra se encontra com os factos na base de conhecimento (matching).
• Se verificada ação do RHS.

Resolução de Conflitos

• Seleção entre várias regras que podem ser ativadas ao mesmo tempo.
• Critérios heurísticos utilizados (ex: regra com maior número de premissas).

Tipos de Nós na Rede

• Nó raíz: origem da árvore (não possui antecedentes).
• Nó padrão (alfa): representa um padrão.
• Nó junção (beta): ligação entre os nós padrão ou mais nós alfa para representação de novas conclusões.

NÓS BETA

• Método para derivar nós beta a partir de nós alfa.

Raciocínio Inexato

• Análise de situações com incerteza, na vida real.

Lógica Sem Incerteza

• Valores lógicos precisos e definidos.
• Exemplos de valores, verdadeiro ou falso.
• Problemas de situações incertas do mundo real.

Fontes de Incerteza

• Incerteza no conhecimento, nas regras de inferência (ex: grau de confiança).
• Necessidade de considerar o grau de confiança dos factos.
• Incerteza nos dados do problema analisado.

Modelação da Incerteza

• Incerteza subjetiva: Lógica "Fuzzy"
• Incerteza "Objetiva": Probabilidades e Lei de Bayes.

Lógica Fuzzy

• Valor entre 0 e 1 para valores e premissas incertas.
• Inclui funções de pertinência.

Hard Sets vs. Fuzzy Sets

• Conjuntos rígidos com valores lógicos discretos (0 ou 1).
• Conjuntos fuzzy com valores lógicos contínuos (entre 0 e 1).

Combinação de Valores Lógicos Fuzzy

• Negação: inverso do valor, 1 - valor original.
• Conjunção: mínimo dos valores.
• Disjunção: máximo dos valores.

Entropia de Shannon

• Medida de incerteza, usado em sistemas de classificação.

Entropia e Estados

• Quanto mais microestados, mais incerteza.
• Entropia é a medida desta incerteza.

Entropia e Equilíbrio Termodinâmico

• Sistema tende a estados com mais microestados (aplicado a situações de estabilidade).
• Equilíbrio é atingido quando a entropia é máxima.
• Fórmula: S = k*log(w)
• S é entropia, k é a constante de Boltzmann e W é a probabilidade termodinâmica (número de microestados).

Representação Logarítmica da Entropia

• Entropia em função do logaritmo do número de microestados.

Entropia Informacional

• Medida da quantidade de informação contida em mensagens.
• Usando o logaritmo na base 2: 1 bit.

Entropia de uma String

• Calcula a entropia de uma sequência de dados (como os bits).

Entropia de um Sistema de Comunicação

• Medida da informação transmitida num sistema de comunicação.

Entropia de um Atributo

• É a medida da informação que o atributo fornece numa tarefa de classificação.

Cálculo da Entropia de um Atributo

• Fórmula para calcular.
• Os menores valores de entropia são os nós escolhidos (raiz da árvore).

Exemplo de Aplicação

• Investimento em fundos no mercado accionista.
• Variáveis de classificação (ex: Valor de fundo: alto, médio, baixo).

Problema de Classificação

• Determinar o tipo de fundo.
• Variáveis: Tipo de fundo, taxas de juro, liquidez, tensão internacional.
• Classes: Valor Elevado, Médio e Baixo.

Árvore de Decisão

• Representação gráfica de decisões conduzindo a uma conclusão.
• Usando os valores dos atributos possíveis, que levam a conclusões.

Conversão de Árvore de Decisão em Regras

• Conversão uma árvore de decisão numa lista de regras de produção.

Árvore Mínima

• Redução da complexidade da árvore de decisão pela eliminação de ramos e nós não válidos.
• O algoritmo ID3 utilizado em sistemas de classificação para encontrar a árvore mais eficiente para o problema.

O Algoritmo ID3

• Algoritmo para a construção de árvores de decisão.
• Minimiza a entropia informacional.

Desenvolvimento de Sistemas Periciais

• Considerações: Incerteza elevada, desenvolvimento feito à medida, alto ROI exigido.

Escolha do Domínio de Aplicação

• Utilize conhecimento especializado.
• Necessidade por abordagem não convencional para o problema.
• Disponibilidade de especialistas, valorização do conhecimento.

Participação no Desenvolvimento

• Especialistas: fornecem entendimento do problema e do conhecimento.
• Engenheiros: transformam o conhecimento.
• Utilizadores: feedback e contribuições sobre o funcionamento.

Aquisição de Conhecimento

• Aquisição direta de especialistas (o ideal, porém pode ser complicado, demandando grande tempo dos especialistas) .
• Através de registos históricos, usando a indução de regras.

Indução de Regras

• Método alternativo à aquisição com especialistas.

Objectos, Atributos e Valores

• Atributos descrevendo os objectos para construção de sistemas de classificação.

Árvore de Decisão

• Uma árvore com perguntas sobre os atributos (nós) que levam a conclusões (folhas).

Conversão de Árvore em Regras

• Transforma-se a árvore de decisão em regras de produção.

Teste seus conhecimentos sobre regras de produção e o processo de raciocínio dedutivo. Explore questões sobre emparelhamento, ativação de regras e o papel da memória de trabalho. Este quiz vai desafiar sua compreensão dos conceitos fundamentais envolvidos em lógica e inteligência artificial.