Introdução à Inteligência Artificial - cee.uma.ptcee.uma.pt/edu/iia/acetatos/iia-Incerteza...
Transcript of Introdução à Inteligência Artificial - cee.uma.ptcee.uma.pt/edu/iia/acetatos/iia-Incerteza...
Introdução à Inteligência Artificial Universidade da Madeira
1
Introdução à
Inteligência Artificial
Raciocínio Incerto e Impreciso
“Everything is vague to a degree you do not realize till you have tried to make itprecise.”
Bertrand Russell
Tudo é vago a um grau que somente adverte-se quando tenta-se torná-lo preciso …
Introdução à Inteligência Artificial Universidade da Madeira
2
Agenda
Conhecimento ImperfeitoMétodos Quantitativos
Teoria das ProbabilidadesRedes BayesianasConjuntos VagosFactores de Certeza
Introdução
Quando um agente conhece todos os factos acerca do ambiente que o rodeia, uma aproximação lógica permite-lhe derivar planos cujo sucesso é garantido.
Introdução à Inteligência Artificial Universidade da Madeira
3
Introdução
Porém…
Os agentes muito raramente têm acesso a toda a verdade acerca do seu ambiente.
Logo, são obrigados a actuar com base na incerteza/Imprecisão.
Lidar com a imperfeição do conhecimento
Métodos QualitativosMais vocacionados para as questões de ausência de conhecimento
AgenteConhecimento imperfeito
Métodos QuantitativosMais vocacionados para as questões de incerteza/imprecisão
Introdução à Inteligência Artificial Universidade da Madeira
4
Métodos Qualitativos
Hipótese de mundo fechadoCircunscriçãoLógica e raciocínio DefaultModelos ConexionistasModelos Adaptativos
Métodos QuantitativosIncerteza versus Imprecisão
Incerteza:O predicado está bem definido, mas não conheço o seu valor verdadeiro.
Ex.: Jogarei um dado e vai sair um 6.O conjunto está bem definido, mas não conheço se um elemento pertence ou não.
Imprecisão: O predicado é vago por si.
Ex.: O robot está perto de um obstáculo.O conjunto não tem uma definição precisa.
Ex.: O conjunto das pessoas altas
Introdução à Inteligência Artificial Universidade da Madeira
5
Alguns Métodos QuantitativosIncerteza
Abordaremos o Raciocínio Estatístico - Redes Bayesianas - que são utilizadas para tratar da incerteza por probabilidade, sendoum exemplo o raciocínio médico.
ImprecisãoAbordaremos o Raciocínio dos Conjuntos Vagos - Fuzzy - estes tratam da imprecisão (possibilidade).
MistosNo entanto em alguns domínios coexistem esses dois tipos de incerteza: a Imprecisão e a Probabilidade.
Métodos Quantitativos
O conhecimento do senso comum estárepleto de imperfeições.
Admitamos que partimos do seguinte conhecimento:
“ Se uma pessoa sente um aperto no peito e apresenta dificuldades respiratórias, então pode ter uma bronquite ligeira ou pode ter (em menor grau) um enfarte de miocárdio”.
Introdução à Inteligência Artificial Universidade da Madeira
6
Métodos Quantitativos
No contexto dos agentes baseados em conhecimento, esta proposição poderia dar origem à seguinte regra:
SeX tem aperto no peito e X tem dificuldades
respiratóriasEntão
1. X provavelmente tem uma bronquite ligeira2. X pode ter um enfarte de miocárdio
Métodos QuantitativosPor exemplo considerando o caso concreto em que:
“A Anabela parece ter um aperto no peito e dificuldades respiratórias. Em que medida sofre de uma bronquite ligeira? Ou de um enfarte do miocárdio?”
Estamos claramente perante uma imperfeição (incerteza / imprecisão) no conhecimento expresso pela regra, ou seja, o modo como os sintomas se ligam ao (s) diagnóstico (s) e, também, a incerteza / imprecisão da própria observação.
Introdução à Inteligência Artificial Universidade da Madeira
7
Métodos Quantitativos
Como quantificar a incerteza da regra? E da observação? Como chegar ao
resultado?
Teoria das Probabilidades
Conforme pudemos observar no exemplo anterior, a linguagem natural está cheia de palavras e expressões associadas a proposições ou acontecimentos que traduzem o nosso grau de crença na verdade.
“Talvez”, “às vezes”, “geralmente”, entre outras.
Introdução à Inteligência Artificial Universidade da Madeira
8
Teoria das Probabilidades
Método directo e quantitativo de tratamento do conhecimento imperfeito, que representa a incerteza por um valor numérico simples e usa o teorema de Bayes como fundamento da inferência.
Teoria das Probabilidades
A Teoria das Probabilidades designa a cada sentença um valor numérico entre 0 e 1 dependendo do grau de crença.
A partir das probabilidades condicionadas e não condicionadas criamos uma distribuição de probabilidades conjunta.
Introdução à Inteligência Artificial Universidade da Madeira
9
Teoria das ProbabilidadesDistribuição de probabilidades conjunta:
P (dor_peito) = 0.3+0.2 = 0.5P (enfarte_miocárdio ∧ dor_peito) = 0.3P (enfarte_miocárdio)= 0.3+0.1 = 0.4
0.40.2~enfarte_miocárdio
0.10.3enfarte_miocárdio
~dor_peitodor_peito
Teoria das Probabilidades
E se quisermos saber o efeito que uma variável causa noutra?
Se quisermos saber a probabilidade de um acontecimento ocorrer, dado que aconteceu outro?
Introdução à Inteligência Artificial Universidade da Madeira
10
Teoria das Probabilidades
Regra de Bayes
Reflecte a confiança no acontecimento H (hipótese) dado que se observaram uma ou mais evidências (Ei).
Add Your Text
Teoria das ProbabilidadesExemplo:E1 = ‘aperto de peito’ E2 = ‘dificuldades respiratórias ’H1 = ‘bronquite ’ H2 = ‘enfarte ’ H3 = ‘nem bronquite nem
enfarte ’H4 = ‘bronquite e enfarte ’
Quantificar subjectivamente as variáveis:
P(H1)=0.05 P(E1|H1)=0.9 P(E2|H1)=0.9P(H2)=0.01 P(E1|H2)=0.8 P(E2|H2)=0.5P(H3)=0.93 P(E1|H3)=0.1 P(E2|H3)=0.1P(H4)=0.01 P(E1|H4)=0.9 P(E2|H4)=0.9
Introdução à Inteligência Artificial Universidade da Madeira
11
Teoria das ProbabilidadesExemplo:
Usando a regra de Bayes e os valores anteriores:
Bronquite dado que apresenta aperto no peito e dificuldades respiratórias:
Enfarte dado que apresenta aperto no peito e dificuldades respiratórias:
Nem bronquite, nem enfarte dado que apresenta aperto no peito e dificuldades respiratórias:
Teoria das Probabilidades
Exemplo:
Um agente poderia concluir que um paciente com um aperto no peito e dificuldades respiratórias terá maiores probabilidades (65%) de sofrer de bronquite.
Introdução à Inteligência Artificial Universidade da Madeira
12
Teoria das Probabilidades
Desvantagens:Se o número de variáveis aumenta, os cálculos aqui aplicados tornam-se proibitivos.
Fica difícil compreender plenamente as relações entre as variáveis do ambiente.
A aquisição de conhecimento é difícil. Os seres humanos são considerados estimadores fracos.
Teoria das Probabilidades
Vantagens:
Permite criar modelos alternativos baseados neste método, tais como as redes bayesianas.
Introdução à Inteligência Artificial Universidade da Madeira
13
Redes BayesianasPara descrever o mundo real, não é necessário usar uma enorme tabela de probabilidades conjuntas para listar todas as combinações dos eventos possíveis.
Para se calcular a conjunção de probabilidades usa-se a fórmula:
P(x1,...,xn)= Pi=1,...,nP(xi|pais-de(xi))
Portanto, basta uma representação mais local.
Redes BayesianasPor exemplo, qual a probabilidade de que o alarme toque, a Maria e o João liguem, mas não ocorra roubo e nem desabamento?
P (não roubo e não Desabamento e Alarme e João e Maria) = P(~R).P(~D).P(A|~R,~D).P(J|A).P(M|A)
= (0.999)(0.998)(0.001) (0.9)(0.9)=0.00062
Introdução à Inteligência Artificial Universidade da Madeira
14
Redes BayesianasAs redes Bayesianas são bastantes flexíveis, permitindo o cálculo de probabilidade de qualquer nó. As inferências podem ser de vários tipos:
Inferências de diagnóstico – do efeito para a causa. Dado que o João ligou qual a probabilidade de ocorrer roubo?
Inferências causais – da causa para o efeito. Dado que houve roubo qual a probabilidade do João ligar?
Inter causais – entre causa comuns para o mesmo efeito. Qual a probabilidade de roubo dado o alarme e desabamento.
Conjuntos Vagos (Fuzzy Sets)Estivemos analisando um método de lidar com a incerteza que se baseia na atribuição de um valor numérico a uma dada proposição que representa o grau de certeza que é depositada nessa mesma proposição.
As proposições ou são verdadeiras, ou são falsas (A ou ~A).
O problema é que no dia-a-dia, as proposições possuem um grau de veracidade associado.
Introdução à Inteligência Artificial Universidade da Madeira
15
Conjuntos VagosSe afirmo que ‘está calor’…
Poderia induzir a convicção de um agente a concluir que está 40 graus.
No entanto, para outro agente a convicção poderia ser de que está cerca de 26 graus.
Enquanto que num terceiro, seria de que está 22 graus.
Conjuntos VagosAbordagem clássica (crisp):
Estabelecer limites abruptos entre conjuntos.
Poderíamos acabar por chegar a um ponto em que duas temperaturas com diferença de 1 grau apenas estariam em conjuntos diferentes, uma seria considerada fria, e outra quente.
Introdução à Inteligência Artificial Universidade da Madeira
16
Conjuntos VagosÉ desta problemática que surgem os Conjuntos Vagos.
Estes conjuntos foram introduzidos para lidar com o facto de as proposições terem um grau de veracidade.
Num conjunto vago, os elementos são caracterizados pelo grau de pertença a esse mesmo conjunto.
Conjuntos VagosMas Como podemos lidar com expressões imprecisas?
É aqui que entra o conceito de variável linguística
Chamamos variável linguística a um conjunto cujos valores são nomes de conjuntos vagos
Introdução à Inteligência Artificial Universidade da Madeira
17
Conjuntos Vagos
Mas vejamos um exemplo:
Variável linguística:
Idade = {Muito_Jovem, Jovem, Não_Jovem}
Considerar uma amostragem em oito pontos, pelo que U={20,25,30,35,50,55,60,65}.
Conjuntos VagosCom este universo de discurso, teremos:
Muito_Jovem{(0.8,20),(0.6,25),(0.4,30),(0.2,35),(0.01,50),(0.005,55),(0.0045,60),(0.0005,65)}
Jovem{(0.2,20),(0.6,25),(0.6,30),(0.4,35),(0.1,50),(0.05,55),(0.045,60),(0.005,65)}
Nao_Jovem{(0.001,20),(0.09,25),(0.15,30),(0.2,35),(0.3,50),(0.5,55),(0.6,60),(0.8,65)}
Introdução à Inteligência Artificial Universidade da Madeira
18
Conjuntos VagosPodemos observar que a partir do termo primário Jovem, estão definidos mais dois conjuntos vagos por recurso aos quantificadores não e muito.
Para além destes, existem ainda outros, tal como pouco, nada, razoavelmente e de modo algum.
A inferência em Conjuntos Vagos faz-se através da regra de Modus Ponens generalizada.
Conjuntos VagosModus Ponens generalizado:
Exemplo:Se temos que:
‘x é mais ou menos alto’‘x é alto x é pesado’Podemos inferir que ‘x é mais ou menos pesado’.
Introdução à Inteligência Artificial Universidade da Madeira
19
Conjuntos Vagos
Desvantagens:
Existe uma grande base matemática que envolve o produto cartesiano entre matrizes, o que introduz complexidade.
Factores de CertezaA Teoria dos Factores de Certeza, à semelhança da abordagem Bayesiana quantifica a certeza através de um único valor numérico, denominado Factor de Certeza (FC).
Essa certeza que depositamos numa regra érepresentada da seguinte forma:
Se <evidência> então <hipótese> [FC = k]
Isto quer dizer que, dada a evidência, o nosso grau de crença na hipótese é dado pelo valor de FC.
Introdução à Inteligência Artificial Universidade da Madeira
20
Factores de CertezaComo se calcula FC?
MC traduz, em que medida a nossa crença em H vem aumentando dada a evidência E.
MD calcula em que medida a nossa descrença em H, dada a evidência E, vem aumentando.
Factores de CertezaVantagem:
Simples.
Desvantagem:
Foi muito utilizada nos primeiros sistemas periciais (Mycin, Dendrall, etc.) mas foi caindo em desuso.
Introdução à Inteligência Artificial Universidade da Madeira
21
Conclusão
A utilização do hibridismo (Raciocínio Incerto e Raciocínio
dos Conjuntos Vagos) em sistemas inteligentes permite
trabalhar com as incertezas do mundo real de maneira
mais qualificada, ou seja, os resultados obtidos
apresentam-se mais parecidos com o modo de
raciocinar de um especialista.
Conclusão
Sabe-se que não existe uma abordagem ou modelo “ideal” para desenvolvimento de qualquer tipo de domínio, que não tem o objectivo de desvalorizar as abordagens que não utilizam hibridismo, apenas pretende implementar a “maneira de pensar”, de uma forma alternativa, dos seres humanos, esta é um dos paradigmas da Inteligência Artificial.