Panorama da Inteligência Artificial: Aplicações
Transcript of Panorama da Inteligência Artificial: Aplicações
Panorama da Inteligência
Artificial: Aplicações
Marley Vellasco
▪ O que é Inteligência Artificial?
▪ Computational Intelligence x Artificial Intelligence
✓ Fuzzy Logic, Neural Networks, Evolutionary Computation
▪ Aplicações
✓ Medicina, Robótica, Energia, etc
▪ Discussão
Agenda
▪ O que é Inteligência Artificial?
▪ Computational Intelligence x Artificial Intelligence
✓ Fuzzy Logic, Neural Networks, Evolutionary Computation
▪ Aplicações
✓ Medicina, Robótica, Energia, etc
▪ Discussão
Agenda
❑ “AI is the science and engineering of making
intelligent machines, especially intelligent
computer programs” (John McCarthy, father of AI)”
❑ “AI is a branch of computer science that deals with
simulation of human intelligence by machines
processes and computational rationality.”
❑ AI is the field of computer science that is
associated with the concept of machines “thinking
like humans” to perform tasks such as learning,
problem-solving, planning, reasoning and
identifying patterns
O que é Inteligência Artificial?
https://datacatchup.com/artificial-intelligence-machine-learning-and-deep-learning/
Breve Histórico da Área de Inteligência Artificial
A. M. Turing (1950) Computing Machinery andIntelligence. Mind 49:433-460
Turing Test – método para determinar a inteligência de uma máquina
John McCarthy (1955) O termo AI é usado pela primeira vez
Frank Rosenblatt (1957)Perceptron – 1º modelo de rede neural artificial
1966 ElizaPrimeiro chatbot (Joseph Weizenbaum, MIT), simulando conversa entre paciente e psicoterapeuta.
1970s – 1980sAI WinterPausa na pesquisa em AI, principalmente na área de Redes Neurais
2012DeepFace -FacebookIdentificação de rostos em imagens
1997Deep Blue - IBMComputador ganha do campeão mundial de xadrez Garri Karparov
SIRI 2011Assistente integrado ao iPhoneWatson 2011ganha de humanos no Jeopardy quiz show
K. Fukushima NeocognitronBiol. Cybernetics 36, 193:202
(1980)
Multi-Layer Perceptron (1986)(Back Propagation)Ressurgimento da área de Redes Neurais Artificiais
ImageNet (2009)Lançamento da base dedados com + 20.000 classes
AlexNet (2012)CNN top-5 error onImageNet Challenge (GPUs)
2014AlexaAssistente virtual da Amazon
2016Tay/MicrosoftChatbot teve que ser removido após declarações racistas & sexistas
2017AlphaGoGoogle´s AlphaGo ganha do campeão mundial no jogo Go
2018Ethics Guidelines for Trustworthy AIComunidade Europeia estabelece prazo para diretrizes a respeito de “ethics in AI”
▪ O que é Inteligência Artificial?
▪ Computational Intelligence x Artificial Intelligence
✓ Fuzzy Logic, Neural Networks, Evolutionary Computation
▪ Aplicações
✓ Medicina, Robótica, Energia, etc
▪ Discussão
Agenda
❑ Machine Learning: enhance machines with the
ability to learn autonomously based on observation
and analysis within a given data set without specific
programming.1
❑ Computational Intelligence (CI): is the theory,
design, application and development of biologically
and linguistically motivated computational
paradigms. Traditionally the three main pillars of CI
have been Neural Networks, Fuzzy Systems and
Evolutionary Computation.2
Computational Intelligence x Artificial Intelligence
1 https://datacatchup.com/artificial-intelligence-machine-learning-and-deep-learning/2 jhttps://cis.ieee.org/about/what-is-ci
ARTIFICIAL INTELLIGENCE
COMPUTATIONAL INTELLIGENCE
Neural
Networks(Deep
Learning)
Fuzzy
Logic
Evolutionary
Computation
Computational Intelligence: “The heart of AI is CI”
Evolutionary
Computation
Neural Networks- Deep Learning -
Fuzzy Logic
Traditional Logic Fuzzy Logic
“Métodos computacionais inspirados na natureza (nature-
inspired approaches) que imitam habilidades humanas,
como: percepção, raciocínio, aprendizado, evolução e
adaptação”.
Computational Intelligence: “The heart of AI is CI”
Intelligent Techniques Nature Inspiration
Lógica Fuzzy
Redes Neurais
Algoritmos Genéticos
Sistemas Híbridos
inferência humana &
processamento linguístico
neurônios biológicos
evolução biológica
aspectos combinados
Computational Intelligence: “The heart of AI is CI”
Neural Networks
Evolutionary Computation
Fuzzy Logic
Hybrid Systems (AutoML)
Knowledge Acquisition
Pattern Recognition (images)
Signal Processing (voice, sonar)
Natural Language Processing
Time Series Forecasting
Optimization & Planning
Control & Automation
Data Mining / Text Mining
Big Data Analytics
Computational Intelligence – Áreas de Aplicação
ARTIFICIAL NEURAL NETWORKS
Modela a forma que o cérebro processa informações sensoriais e tomadecisões sobre o ambiente em função dos dados apresentados
Artificial Neural Networks são sistemas inspirados nos neurôniosbiológicos e na estrutura massivamente paralela do cérebro, com a habilidade de adquirir, armazenar e utilizar conhecimento experimental.
ARTIFICIAL NEURAL NETWORKS
Modela a forma que o cérebro processa informações sensoriais e tomadecisões sobre o ambiente em função dos dados apresentados
Artificial Neural Networks são sistemas inspirados nos neurôniosbiológicos e na estrutura massivamente paralela do cérebro, com a habilidade de adquirir, armazenar e utilizar conhecimento experimental.
(shallow) Neural Networks Deep Learning
ARTIFICIAL NEURAL NETWORKS
Deep Learning
ARTIFICIAL NEURAL NETWORKS
Técnica inteligente que tem como objetivo modelar o modo aproximado de raciocínio, imitando a habilidade humana de tomar decisões em um ambiente de incerteza e imprecisão
Fuzzy Logic permite que sistemas computacionais calcule com palavras ao invés de números precisos.
FUZZY LOGIC
CRISP TRANSITION FUZZY SET
Família de algoritmos de otimização global, inspirado na evolução natural natural selection e genetic reproduction
Combina sobrevivência do mais apto e cruzamento aletório de informação
Modela cada possível solução de um problema como um indivíduo de umapopulação, a qual evolue a cada iteração, também chamada geração
EVOLUTIONARY COMPUTATION
EVOLUTIONARY COMPUTATION
Família de Algoritmos:
❑ Ant colony optimization
❑ Artificial imune systems
❑ Cultural algorithms
❑ Differential Evolution
❑ Estimation of distribution algorithms
❑ Evolutionary strategy
❑ Genetic algorithms
❑ Genetic programming
❑ Particle swarm optimization
❑ ....
Genetic Algorithm
Particle Swarm Optimization
Genetic Programming
EVOLUTIONARY COMPUTATION
Comparativo
-15000,00
-10000,00
-5000,00
0,00
5000,00
10000,00
15000,00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Gerações
Mul
ta
AG Busca Exaustiva
De
mu
rra
ge
Genetic Algorithm Exhaustive searchComparison
Generations
Ciclo de um Genetic Algorithm:
HYBRID MODELS AutoML
A área de automatic machine learning (AutoML) busca alcançar aautomação no desenvolvimento dos modelos de decisão
O objetivo é tornar a construção de modelos de Machine Learning acessível para outros cientistas que desejam aplicar essas técnicas a seus respectivos domínios
Neuro-Evolutionary Models & Neural Architecture Search (NAS)Evolving Fuzzy Systems & Evolutionary Fuzzy Systems
HYBRID MODELS AutoML QNAS➢ QNAS – Quantum-Inspired Neural Architecture Search
➢ Inicia com uma estrutura contendo camadas e hyperparâmetros desconhecidos
➢ O modelo automaticamente determina a arquitetura mais adequada da rede convolucional
HYBRID MODELS AutoML QNAS
◼ Image classification task → CIFAR-10 dataset
◼ 60 000 images; 10 classes
airplane
automobile
bird
cat
deer
dog
frog
horse
ship
truck
HYBRID MODELS AutoML QNAS
▪ Classificação de dados sísmicos
0
1
2
3
5
6
4
0
12
3
5
6
4
7
(a) (b)
Estado da arte:
Q-NAS
HYBRID MODELS AutoML AutoFIS➢ AutoFIS: Automatic construction of Fuzzy Inference Systems
➢ Modelos de extração automática de regras de inferência fuzzy Interpretabilidade
➢ Aplicado a problemas de previsão multivariada de séries temporais e classificação de padrões
▪ O que é Inteligência Artificial?
▪ Computational Intelligence x Artificial Intelligence
✓ Fuzzy Logic, Neural Networks, Evolutionary Computation
▪ Aplicações
✓ Medicina
✓ Robótica
✓ Energia
✓ etc
▪ Discussão
Agenda
❑ Projetos de Pesquisa em Petróleo
Gestão de
Conhecimento em
Instrumentação e
Automação
BR-Refining
Refining
Inferência de
propriedades de
derivados de
petróleo
BR-Cenpes
Refining
Otimização da
Programação
da Produção
em Refinarias
BR-CenpesRefining
Confiabilidade
Humana na
Indústria do
Petróleo
BR-Cenpes
Optimization
and Reliability
LIRA
Análise
Econômica de
Projetos E&P de
Petróleo sob
Incertezas
BR-PRAVAP
E&P
Classificação de
falhas em sondas
marítimas
Petrobras
E&P
Otimização da
Mistura de Produtos
na Indústria do
Petróleo
Academic
Refining
Interpretação Sísmica
Queiroz Galvão
E&P
Aplicações
❑ Projetos de Pesquisa no setor Elétrico
Análise de Risco
em Contratos de
Energia
LIGHT
LIRA Previsão de
Vazão diária e
semanal
ONS
Controle de Tensão
em Sistemas Elétricos
de Potência
ONS
Predição de
Inadimplência
em Clientes de
Média Tensão
Light
Deteção de
Fraudes em
Clientes de
Baixa Tensão
Light
Previsão de Carga e
faturamento usando
informações
climáticas
LIGHT
Atendente Virtual
Inteilgente
LIGHT
Aplicações
Identificação e
Localização de
faltas em Linhas de
Transmissão
FURNAS e TAESA
❑ Projetos de Pesquisa em Robótica
Detecção de Fadiga e
Distração de Motoristas em
Equipamentos Agrícolas
TECSOIL
Andador robótico
FAPERJ
MEDUSA – robô
autônomo aquático
para avaliação de
qualidade
ambiental
FAPERJ
SoyBot – Robô autônomo para
inspeção de plantações de soja
e algodão
Hi-MIx/ / Tecsoil
LIRA
Aplicações
Aplicações
Resource Optimization for Elective Surgical Procedures
• Quantum-Inspired Evolutionary Algorithms: otimização e planejamento de cirurgias eletivas, reduzindo o tempo total de atendimento e considerando os requisitos definidos pelos médicos
Aplicações
Classificação de imagens de Raio-X de pulmão
❑ Objetivoclassificar as imagens de Raio-x entre: COVID-19, Thorax-Diseases, Normal
Applications
Aplicações
Classification of Lymph Node Metastases
❑ Since 2012, convolutional neural networks (Deep Learning) became one of the main methods for image classification
❑ The performance is similar and sometimes higher than a human classifier
Aplicações
Classification of Lymph Node Metastases
❑ However, many machine learning models are black-boxes
❑ Medical Diagnosis it is desirable to understand the rationale for the diagnosis
Aplicações
Classification of Lymph Node Metastases
❑ Main goal develop a methodology that classifies the image (cancer × normal) and indicates the relevant area with metastases
Aplicações
Classification of Lymph Node Metastases
▪ O que é Inteligência Artificial?
▪ Computational Intelligence x Artificial Intelligence
✓ Fuzzy Logic, Neural Networks, Evolutionary Computation
▪ Aplicações
✓ Medicina, Robótica, Energia, Controle, etc
▪ Discussão
Agenda
Discussão
❑ Apesar do sucesso de Machine Learning e, principalmente, Deep Learning,
existe a preocupação sobre a transparência e confiabilidade desses modelos
Explainable Artificial Intelligence (XAI)
❑ Harvard Business Review 2019 – We Need AI That Is Explainable, Auditable,
and Transparent1
❑ Forbes 2019 – Explainable AI: Why We Need to Open The Black Box2
2 https://www.forbes.com/sites/forbestechcouncil/2019/02/22/explainable-ai-why-we-need-to-open-the-black-box/?sh=51d94f161717
1 https://hbr.org/2019/10/we-need-ai-that-is-explainable-auditable-and-transparent
Discussão
Discussão
Discussão
❑ Possíveis fontes de Bias in AI Systems:
▪ Data set – ex: aplicativos de celulares usados para monitorar buracos
nas ruas e alertar as autoridades o sistema pode subestimar áreas
mais pobres, onde menos pessoas têm acesso a smartphones
▪ Human biases – no sistema judicial, juízes podem gerar dados com
vieses que afetarão a predição de quais pessoas são mais prováveis de
cometerem crimes
Discussão
▪ Amazon foi forçada a descartar uma ferramenta de
recrutamento por não conseguir remover o preconceito de
gênero nos resultados.
▪ O sistema de IA favorecia homens pois a maioria dos
funcionários previamente contratados eram homens
▪ Mesmo quando retirararam a informação de gênero,
algumas palavras mais frequentemente usadas por homens
em seus CVs foram identificadas pelo sistema
Discussão
▪ Make AI systems more explainable, auditable and transparent:
• Sistemas de AI devem ser submetidos a uma rigorosa revisão humana
✓ Ex: Estudo citado em relatório da Casa Branca durante o governo Obama descobriu
que, embora as máquinas tenham uma taxa de erro de 7,5% na leitura de imagens de
radiologia, e os humanos tivessem uma taxa de erro de 3,5%, quando humanos
combinavam seu trabalho com máquinas a taxa de erro caiu para 0,5%.
• IA funciona melhor não como algum tipo de caixa mágica que se usa para substituir
humanos e cortar custos, mas como um multiplicador de força que se usa para criar um
novo valor suporte à decisão
• Ao tornar a IA mais explicável, auditável e transparente, podemos não apenas tornar
nossos sistemas mais justos, mas também torná-los muito mais eficazes e úteis
http://www.lira.ele.puc-rio.br/