eco@fe.up.pt - PowerPoint PPT Presentation

About This Presentation
Title:

eco@fe.up.pt

Description:

Intelig ncia Artificial: Uma perspectiva heterodoxa Eug nio Oliveira eco_at_fe.up.pt http:www.fe.up.pt/~eol/MEMBERS/eco.html INTELIG NCIA ARTIFICIAL: Como tornar ... – PowerPoint PPT presentation

Number of Views:83
Avg rating:3.0/5.0
Slides: 71
Provided by: eug112
Category:

less

Transcript and Presenter's Notes

Title: eco@fe.up.pt


1
Inteligência Artificial Uma perspectiva
heterodoxa Eugénio Oliveira
eco_at_fe.up.pt httpwww.fe.up.pt/eol/MEMBERS/eco.ht
ml
2
FCUP
LIACC - Laboratório de Inteligência Artificial e
Ciências da Computação da Universidade do
Porto NIADR Núcleo de Inteligência
Artificial Distribuída Robótica (4D 17
Inv)
LIACC
FEUP
NIADR
FEP
U P
3
ÍNDICE DA APRESENTAÇÃO
O que é a Inteligência Artificial
4
  • 4 Agent-based System for EC
  • MAS architecture suitable for
  • B2C Business to Consumer
  • Agent Tactics and Strategies for Negotiation
  • Different negotiation tactics (time,
    opponents-dependent)
  • Adaptive to the market dynamics (Q learning)
  • Multi-issue negotiation
  • Developed Prototypes SMACE (MAS for EC)

5
  • Inteligência Artificial

Sistemas que pensam como os Humanos
Sistemas que pensam Racionalmente
Sistemas que agem Racionalmente
Sistemas que agem como os Humanos
6
  • INTELIGÊNCIA ARTIFICIAL
  • Como tornar Sistemas Computacionais mais
    inteligentes e mais úteis usando a
    racionalidade?
  • SE existem processos simbólicos identificáveis
    na base do raciocínio
  • ENTÃO tais processos podem ser estudados e
    simulados, sendo o Hardware - pessoa ou
    computador- um DETALHE de Implementação...

7
  • 1956 O Início
  • Anos 60 Sistemas Genéricos (GPS, LN)
  • Anos 70-80 Sistemas Específicos (SP)
  • Anos 80 Paralelismo, Formalismos, Integração
    (RN,Ag)
  • Anos 90 Sociedades Sistemas Autónomos
  • Anos 2000 Psicologia e Inteligência

8
(No Transcript)
9
  • Anos 60-70 O Romantismo
  • GPS
  • Comprensão da Linguagem Natural
  • Interfaces
  • Tradução Automática
  • Criação de Texto

10
Racionalidade das Linguagens Naturais
11
JAVA
LISP
PROLOG
12
Linguagem Natural Computacional
Análise Lexical e Morfológica Análise
Sintática Análise Semântica Análise da
Pragmática
Qual é a Universidade a que pertencem os alunos
que assistem à palestra ? E em que cidade fica?
Qual é a palestra a que pertencem os alunos que
assistem à Universidade ? Erro Semântico
Quantos são as jogos do europeu de
futebol? Erro de concordância
13
  • Anos 70-80 O Pragmatismo
  • Sistemas Periciais (Expert Systems)
  • Conhecimento e Dedução
  • Memória Associativa operacionalização baseada em
    regras
  • Incerteza e Incompletitude
  • Probabilidades Objectivas e Probabilidades
    Subjectivas
  • Lógicas Difusas
  • Aplicações Diagnóstico Médico

14
  • Exemplo de Regra na Base de Conhecimento

SE o grupo predominante regular existe e é tipo
A E frequência cardíaca maior que 100 E grupo
predominante de ondas p homogéneas
existe E polaridade da onda p na derivação avr é
negativa OU polaridade da onda p na derivação d2
é positiva E a razão entre as ondas p e r é
11 E a linha de base existe ENTÃO diagnóstico é
taquicardia sinusal ou auricular
15
  • Arquitectura de Sistema Pericial

Explicações
Aquisição do Conhecimento
Motôr de Inferência Raciocínio Incerto
Interface Utilizador / Especialista
16
Conhecimento Vs Ilusão
Inteligência e Conhecimento à priori
17
  • Anos 80 Paralelismo, Formalismos, Integração
  • Lógicas e Formalismos
  • Modais
  • Não Monótona
  • Redes Neuronais Computacionais
  • Aprendizagem Vs Adaptação
  • Indução e Reforço

18
  • Redes Neuronais
  • Algoritmos das Redes Neuronais Artificiais
    permitem através da
  • Aprendizagem das conexões entre nodos ganhar
    capacidade Adaptativa e
  • de Generalização

19
As Técnicas Conexionistas são prometedoras na
resolução de problemas para os quais as
aproximações algorítmicas tradicionais se
revelam ineficazes e inoperantes. Por exemplo
  • Reconhecimento de Formas
  • Classificação e tratamento do sinal
  • Comando reactivo de Robôs
  • Previsões baseados na análise de um historial

O resultado da aproximação Conexionista pode ser
vista como a Aprendizagem de um processo de
classificação de uma população de casos
existentes.
20
(No Transcript)
21
(No Transcript)
22
(No Transcript)
23
APRENDIZAGEM SUPERVISIONADA A Rede produz a sua
própria resposta a uma configuração que lhe é
apresentada à entrada, após o que o supervisor
apresenta a resposta correcta.
Se as duas respostas são idênticas, não há
necessidade de modificar os pesos das
conexões. Caso contrário, a diferença entre os
dois valores é utilizada para modificar o peso
das conexões existentes na Rede. Este método é
também denominado aprendizagem com um supervisor
24
APRENDIZAGEM SUPERVISIONADA A Rede produz a
sua própria resposta a uma configuração que lhe é
apresentada à entrada, após o que o supervisor
apresenta a resposta correcta.
25
  • Previsões
  • Reconhecimentos
  • Controlo robótico

nº ligações independentes lt nº saídasnº exemplos
aprendizagem
26
3. APRENDIZAGEM DA REDE
Na Aprendizagem da Rede Neuronal Computacional,
os pesos das conexões são modificados para
realizar, da melhor forma possível, a relação
entrada-saída desejada. Analogia com a
aprendizagem pelas modificações dos contactos
sinápticos
27
APRENDIZAGEM POR REFORÇO (por Recompensa) São
atribuídas recompensas/punições de acordo com o
facto de a saída ser apropriada ou não
Aprendizagem com um crítico
28
3.3 APRENDIZAGEM NÃO SUPERVISIONADA O algoritmo
extrai alguma estruturação (associação) inerente
às próprias amostras de entrada. Este método é
também denominado aprendizagem sem
supervisor Aprendizagem Competitiva Conceptual
Clustering
29
Algoritmos para a Evolução (Evolutionary
Programming)
30
O que é bom para a Natureza é bom para os
Sistemas Artificiais
  • Computação Evolucionária
  • Porquê?
  • A Natureza permite a Evolução bem sucedida de
  • organismos através de selecção e reprodução com
  • alguma mutação
  • Computação Evolucionária (Friedberg, 1958
    JHolland, 1975)
  • Quando?
  • Espaço de Pesquisa grande e complexo
  • Facilidade de implementação paralela
  • Não necessidade de solução óptima (mas boa)
  • Exemplo optimizar uma função f(x1,,x100)
    sendo f
  • muito complexa.
  • se xi0 ou xi1, Espaço de pesquisa 2100 1030
  • Pesquisa exaustiva fora de questão

31
(No Transcript)
32
Questões Como representar os Indivíduos? Como
Seleccionar os Indivíduos? Qual a Função de
Adaptação? Como se reproduzem os Indivíduos?
33
Qual a Função de Adaptação? Depende do
problema Recebe um Indivíduo e dá como resultado
um Real
Por ex Pode representar o número de exemplos com
os quais um indivíduo é consistente
(homogeneização)
34
ex Treinar o disparo controlado por um AG sobre
um alvo móvel. Depende de variáveis como vento,
velocidade do alvo, distância, tipo de
arma.... Função de Adaptação a distância a que
o projéctil ficou do alvo É um exemplo de
problema em que os AGs são bem aplicados
35
Como representar os Indivíduos? Indivíduos
representados como cadeias de caracteres
(strings) sobre um alfabeto. Indivíduos são
representados pelos Genomas ou Cromossomas.
  • Nº de Genes depende do Nº de Atributos a
    representar
  • Se a Representação dos indivíduos é binária temos
    Algoritmos Genéticos
  • A0,1 0 e 1 são os alelos

36
Qual a Função de Adaptação
Como se reproduzem os Indivíduos/Cromossomas?
por Cruzamento e Mutação
37
(No Transcript)
38
  • Selecção
  • Estratégia incluindo aleatoriedade.
  • Probabilidade da selecção proporcional à
  • Adaptabilidade observada.
  • Se indivíduo x é 2 vezes melhor que y, terá o
    dobro
  • das probabilidades de ser seleccionado para
    reprodução
  • fa(Ci) dá a adaptação do Cromossoma Ci e
  • Si1aN fa(Ci) a soma das adaptações de toda a
    população
  • Probabilidade de Ci ser seleccionado é fa(Ci) /
    Si1aN fa(Ci)

39
  • Como se reproduzem os Indivíduos/Cromossomas?
  • por Cruzamento e Mutação.
  • Indivíduos seleccionados com probabilidade Ps
    são emparelhados aleatoriamente.
  • Para cada par, com uma dada probabilidade Pcr,
    um ponto de cruzamento (crossover) é escolhido,
    (estratégia b_uX).
  • Um GENE também pode sofrer Mutação para um valor
  • diferente, mas com uma pequena probabilidade Pm

40
  • Exemplo

Probabilidade de selecção
População inicial gerada aleatoriamente
41
Como operam os Algoritmos Genéticos? Exemplo de
problema Max f(x1, x2) 21.5 x1sin(4px1)
x2sin(20px2) Onde 3.0 x1 12.1 and 4.1
x2 5.8.
Valor da função
42
  • Anos 90 Distribuição e Sociedades
  • Durkheim Vs Turing
  • Conectividade

43
  • INTELIGÊNCIA ARTIFICIAL DISTRIBUÍDA
  • Estudo das leis sociais e implementação de
    Sistemas Multi-
  • Agente Cooperantes, que permitam a resolução de
    problemas
  • complexos e Distribuídos (espaço ,
    competências,...)

44
  • SISTEMAS PERICIAIS COOPERATIVOS
  • GESTÃO DE REDES ELÉCTRICAS
  • INTEGRAÇÃO DE INFORMAÇÃO EM HOSPITAIS
  • SIMULAÇÃO DAS ORGANIZAÇÕES NO MERCAD0

45
Aplicação real
46
Objetivo Global
Aplicação Monitorar e gerir grandes Redes
Eléctricas
Como evitar o APAGÃO?
Objetivo local
Objetivo local
Objetivo local
Objetivo local
Sistema Específico
Sistema Específico
Sistema Específico
Sistema Específico
47
ARCHON System
  • 1 Architecture for Cooperative Agents
  • New Agents
  • Architecture
  • AAMSMBB
  • Book ARCHON
  • Ed. Thies Wittig
  • Ellis Horwood, 1992

48
Airport Location?
  • Multiplos Agentes com Especialidades diversas
  • Suporte da Decisão e Manutenção da Coerência
    Global/local

49
  • Mercado Electrónico como SMA

agente V2
agente C1
agenteV3
Mercado
agente C2
agente V4
agente V1
50
Tácticas dependentes da situação Dependendo de
factores em tempo de execução Nº de
oponentes Tácticas dependentes do
Comportamento Dependendo do Comportamento dos
oponentes
51
Lançamento de Agentes no ME (B2C)
52
Instituição Electrónica
  1. Negociação Automática em B2B

53
Garage
Storehouse
Machinery
Personnel
Stocks manager
Workers
Facilitator
Machinery
Planning
Experts
Edification Garage Storehouse Planning Personnel I
nterconnecting network
Edification
54
Inter-coalitions protocol
55
Agents activity cost calculation
  • Five components
  • Owning cost
  • Operation cost
  • Operator cost
  • Displacement (if necessary)
  • Profits

Fixed costs
Variable costs
56
  • 5 Agent-based Robotics co-ordination
  • Autonomous Robot (Robuter) agent-based Navigation
    Control

57
FC Portugal project
Simulation League World Champions in 2000,
Australia
Luis Paulo Reis, Nuno Lau
58
  • AGENTES
  • Agentes que usam funções de utilidade são mais
    racionais
  • CARACTERÍSTICAS dos AGENTES (BDI)
  • Autonomia
  • Pró-actividade
  • Persistência
  • Mobilidade
  • Intencionalidade
  • Crenças-Desejos-Intenções

59
ARQUITECTURA DE AGENTES BDI
60
  • Conceitos baseados em Emoções tem papeis diversos
  • nos Sistemas Computacionais
  • Reconhecimento da Emoção Humana
  • poderá um C vir a reconhecer emoções melhor que
    os H?
  • Expressão de comportamentos semelhantes aos
    emotivos
  • Personagens sintéticas Robôs
  • Modelação e Simulação do Comportamento Humano
  • Efeitos computacionais semelhantes a
    comportamentos Humanos

61
surpreso
irado
triste
Kismet - MIT
calmo
feliz
62
  • - Damásio O Erro de Descartes
  • Daniel Goleman Inteligência Emocional Porquê
    pode ser mais importante que o QI?
  • Rosalind Picard Affective Computing

Damásio baseado em dois exemplos Phileas Gage
(1884) e Elliot (seu paciente) Acidentes na
zona do lobo frontal esquerdo ?Alteração de
personalidade e perda de certas emoções
P1- Destruição no lobo frontal esquerdo altera
capacidades emocionais P2- Destruição no lobo
frontal esquerdo altera inteligência C- Emoções
são necessárias à Inteligência
63
P1- Bateria descarregada impede funcionamento da
Buzina P2- Bateria desligada impede arranque do
carro C- Buzina a funcionar é essencial ao
arranque do carro
Mecanismo M pode ser condição necessária para A e
B mas não mostra que A e B são necessárias uma à
outra.
Mas se C não ressalta de P1 e P2 não significa
que C Não seja verdadeira. Pode ser!
64
A arquitectura para o pensamento humano segundo
A.Sloman
Complexidade do raciocínio pode torná-lo
perigosamente lento. Alarmes Muitas emoções
podem estar baseadas no sistema de alarmes
Alguns estados emocionais são úteis para a
decisão quando falta informação ou o
processamento fica lento
65
Camada Deliberativa
Camada Controlo-básico
Esqueleto-Agente
66
Para um Objetivo de G(t), existe uma EEF,
capaz de produzir uma mudança ?Em, no Estado
Emocional do Agente Em ?Em EEF(g i(t),
G(t), E(t), I(t))
67
Estratégias de Processamento
Aprender Julgar...
68
  • Modelo da interacção dos conceitos relacionados
    com as Estratégias de
  • Processamento de Informação
  • Emoção como Informação
  • Controlo dos Processos
  • Atribuição de Recursos

69
  • 3 Mecanismos Emocionais
  • Medo
  • Perigos Imediatos (fogo, temperatura)
  • Objectivo Fundamental em Risco
  • Ansiedade
  • Perigos e dificuldades futuras (preparação...)
  • Episódios sucessivos de Medo (má adaptação...)
  • Auto-Confiança
  • Sucesso nos Objectivos de Alto nível

70
Medo
  • Objectivo Fundamental em Risco
  • Concentrar o máximo de recursos na execução desse
    objetivo e dos objectivos dependentes
  • aumentar atenção sobre as proximidades
  • cautelosa/pessimista Atitude (distâncias/cálculo
    de riscos/limites)
  • Não desperdiçar tempo de processamento com coisas
    menos urgentes (analisar/prever desenvolvimentos
    distantes)
  • Não implica Reactividade (ex fugir!)

71
Medo
72
Ansiedade
  • Eventual dificuldade futura
  • Ex. frente de fogo ampla embora localmente não
    haja perigo imediato
  • aumentar atenção sobre as proximidades mas também
    tentar acompanhar desenvolvimentos mais distantes
  • Atitude cautelosa
  • Grande gasto de CPU
  • grande produção de Crenças para a eventual tomada
    de decisão (alteração estratégica local ou
    global)
  • planeamentos mais cuidado
  • calculo de progressões frequente

73
Auto-Confiança
  • Sucesso nos objectivos de alto nível
  • Relaxar o processamento e condições em torno
    dos objectivos imediatos
  • Direccionar CPU para actividades menos urgentes
    mas possivelmente úteis
  • Atitude mais positiva/arriscada (descobrir novas
    oportunidades adaptação) (Combate ao fogo
    próximo)
  • No caso de Insucesso (decréscimo de AC)
  • Motivar uma alteração de estratégias
    (reposicionamento ou mesmo desistência)

74
(No Transcript)
75
  • PyroSim
  • Estado do Agente inclui parâmetros
  • Energia física
  • Localização, direcção do movimento inclinação
  • Velocidade e Aceleração
  • Temperatura da pele
  • (intensidade do jato de água)
  • Mapas visuais, entidades percebidas
  • Visualizador
  • geometria do terreno
  • posição da vegetação
  • posição e acção dos Agentes
  • posição e intensidade dos focos de incêndio

76
Limiares de Temperatura (reconfiguráveis) e
Tomada de Decisão
77
SMA para controlo de tráfego adaptativo
78
Processo de troca de conselhos
1. Observa Estado
Ambiente
Aconselhado
Conceitos Auto-confiança Desempenho Trust Estad
o Actores Aconselhado Conselheiro Outros Agentes
Conselheiro
79
CONCLUSÕES ?
  • A queda dos MITOS aconselha prudência
  • As REALIZAÇÕES indiciam optimismo
  • Os OBJETIVOS tendenciais imitativos revelam atrazo
  • Os MEIOS são pré-históricos
  • O Desenvolvimento é exponêncial

80
(No Transcript)
81
(No Transcript)
82
FIM
Write a Comment
User Comments (0)
About PowerShow.com