Inteligência Artificial

Inteligência Artificial

1. Agentes

   • Resolução de problema
     • Caixeiro Viajante
       • Formula objetivos e problemas
       • Busca de uma sequência de ações que resolvem o problema
       • Executa as ações uma por uma
     • Estado inicial
       • Primeiro movimento do agente
         • Exemplo: Origem São Luís)
     • Função sucessor
       • Representação: caminho (agente), Estado inicial (agente)
         • Exemplo: Destino (Codó), Origem São Luís
     • Teste de Objetivo
       • Determina se o estado é um estado objetivo
     • Função de custo
       • Atribui um custo *número* a cada caminho
     • Pontos importantes
       • Solução: Caminho do estado inicial até o estado objetivo
       • Solução ótima: apresenta o menor custo entre todas as soluções possíveis
     • Tipos de Problemas
       • Miniproblemas
         • Exigem aplicações de métodos de resolução problemas
           • Descrições concisas e exatas
         • Diversos métodos utilizados para comparação de desempenho
         • Exemplo
           • Um aspirador de pó inteligente
           • Puzzle
       • Problema do mundo real
         • Não tem descrições concisas e exatas
         • Abstrai situações da realidade
           • Necessário dividir em miniproblemas
             • "dividir-para-conquistar"
         • Exemplo
           • Roteirização ou roteamento (caixeiro viajantes)
     • Medidas de desempenho
       • Completude
         • Existe garantia que será encontrado a solução?
       • Otimização
         • A estratégia escolhida consegue encontrar a solução ótima?
       • Complexidade de tempo
         • Tempo necessário para encontrar a solução
       • Complexidade de espaço
         • Espaço de memória necessário para *refazer* a busca
     • Estratégias de busca sem informação
       • Busca em extensão ou amplitude
       • Busca de custo uniforme
       • Busca em profundidade
       • Busca em profundidade limitada
       • Busca de aprofundamento iterativo
       • Busca bidirecional

2. Sistema Especialista ou Sistema de produção

   • Conhecimento representado em formas de regras
     • Transforma o conhecimento especializado humano em um formato automatizado
       • Exemplo: Diagnóstico médico
     • Expresso: Se - Então
   • Tipo de Raciocíonio
     • Indutiva
     • Dedutiva
     • Abdutiva
     • Analógica
     • Senso comum
     • Não monotônico
   • Tipo de sistema especialista
     • Forward chaining systems - baseado em dados
       • Vantagens
         • Permite substituir o conhecimento de um especialista
         • Reduz os erros devido a automação de tarefas repetitivas
         • Reduz custo com homem-hora e tempo
         • Reduz os custo através da aceleração de observação de erros
         • Em alguns casos tem raciocínio melhor que o humano
         • Para domínios simples, é fácil de verificar e validar seu funcionamento
       • Desvantagens
         • Não é fácil transformar conhecimento em regras
         • Sistemas complexos demais são difíceis de validar e verificar
         • Se o sistema é grande, adicionar novas regras pode se tornar difícil
         • Formulações do senso comum humano fazem falta em alguns casos
         • Em circunstâncias incomuns o especialista humano leva vantagem
       • Exemplos
         • DELTA - diagnóstico elétrico
         • PROSPECTOR - desenvolvido pela NASA para informações geológicas
       • Ferramenta
         • Prolog
           • Programação do tipo declarativa
             • Especifica o que deve ser computado
           • Fatos
             • Assertivas a respeito de certos objetos
           • Regras
             • Regras de inferência
           • Consultas
             • Perguntas acerca de alguns objetos na base de fatos
         • Jess
     • Backward chaining systems - baseado em objetivos

3. Machine learning e Data Science

   • Machine Learning
     • estudo, projeto e desenvolvimento de algoritmos que dá aos computadores a capacidade de aprender sem ter sido explicitamente programado para isso
   • Data Science
     • obter informações não conhecidas a partir de dados
   • Aprendizado de maquina
     • Supervisionado
       • O usuário sabe a resposta e tenta analisar se maquina consegue chegar no mesmo resultado
         • Exemplo árvore de decisão
     • Não supervicionado
       • Inverso do supervisionado
     • Reforço
       • Preocupa como agente deve agir no ambiente