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

marley@ele.puc-rio.br

http://www.lira.ele.puc-rio.br/