Introduo Inteligncia Artificial Universidade da Madeira

Introduo

Inteligncia Artificial

Raciocnio Incerto e Impreciso

z Everything is vague to a degree you do

not realize till you have tried to make it
precise.
Bertrand Russell

z Tudo vago a um grau que somente

adverte-se quando tenta-se torn-lo
preciso

1
Introduo Inteligncia Artificial Universidade da Madeira

Agenda
z Conhecimento Imperfeito
z Mtodos Quantitativos
z Teoria das Probabilidades
z Redes Bayesianas
z Conjuntos Vagos
z Factores de Certeza

Introduo
z Quando um agente conhece todos os
factos acerca do ambiente que o rodeia,
uma aproximao lgica permite-lhe
derivar planos cujo sucesso garantido.

2
Introduo Inteligncia Artificial Universidade da Madeira

Introduo
z Porm

z Os agentes muito raramente tm acesso a

toda a verdade acerca do seu ambiente.

z Logo, so obrigados a actuar com base na

incerteza/Impreciso.

Lidar com a imperfeio do

conhecimento
Agente
Conhecimento imperfeito

Mtodos Mtodos
Qualitativos Quantitativos
Mais Mais
vocacionados vocacionados
para as para as questes
questes de de incerteza/
ausncia de impreciso
conhecimento

3
Introduo Inteligncia Artificial Universidade da Madeira

Mtodos Qualitativos

z Hiptese de mundo fechado

z Circunscrio
z Lgica e raciocnio Default
z Modelos Conexionistas
z Modelos Adaptativos

Mtodos Quantitativos
Incerteza versus Impreciso
z Incerteza:
z O predicado est bem definido, mas no conheo o seu valor
verdadeiro.
z Ex.: Jogarei um dado e vai sair um 6.
z O conjunto est bem definido, mas no conheo se um
elemento pertence ou no.

z Impreciso:
z O predicado vago por si.
z Ex.: O robot est perto de um obstculo.
z O conjunto no tem uma definio precisa.
z Ex.: O conjunto das pessoas altas

4
Introduo Inteligncia Artificial Universidade da Madeira

Alguns Mtodos Quantitativos

z Incerteza
z Abordaremos o Raciocnio Estatstico - Redes Bayesianas - que
so utilizadas para tratar da incerteza por probabilidade, sendo
um exemplo o raciocnio mdico.

z Impreciso
z Abordaremos o Raciocnio dos Conjuntos Vagos - Fuzzy - estes
tratam da impreciso (possibilidade).

z Mistos
z No entanto em alguns domnios coexistem esses dois tipos de
incerteza: a Impreciso e a Probabilidade.

Mtodos Quantitativos
z O conhecimento do senso comum est
repleto de imperfeies.

z Admitamos que partimos do seguinte

conhecimento:
z Se uma pessoa sente um aperto no peito e
apresenta dificuldades respiratrias, ento
pode ter uma bronquite ligeira ou pode ter
(em menor grau) um enfarte de miocrdio.

5
Introduo Inteligncia Artificial Universidade da Madeira

Mtodos Quantitativos
z No contexto dos agentes baseados em
conhecimento, esta proposio poderia
dar origem seguinte regra:
Se
X tem aperto no peito e X tem dificuldades
respiratrias
Ento
1. X provavelmente tem uma bronquite ligeira
2. X pode ter um enfarte de miocrdio

Mtodos Quantitativos
z Por exemplo considerando o caso concreto em que:

A Anabela parece ter um aperto no peito e dificuldades

respiratrias. Em que medida sofre de uma bronquite
ligeira? Ou de um enfarte do miocrdio?

z Estamos claramente perante uma imperfeio (incerteza

/ impreciso) no conhecimento expresso pela regra, ou
seja, o modo como os sintomas se ligam ao (s)
diagnstico (s) e, tambm, a incerteza / impreciso da
prpria observao.

6
Introduo Inteligncia Artificial Universidade da Madeira

Mtodos Quantitativos

Como quantificar a incerteza da regra? E

da observao? Como chegar ao
resultado?

Teoria das Probabilidades

z Conforme pudemos observar no exemplo
anterior, a linguagem natural est cheia de
palavras e expresses associadas a
proposies ou acontecimentos que
traduzem o nosso grau de crena na
verdade.

z Talvez, s vezes, geralmente, entre

outras.

7
Introduo Inteligncia Artificial Universidade da Madeira

Teoria das Probabilidades

z Mtodo directo e quantitativo de
tratamento do conhecimento imperfeito,
que representa a incerteza por um valor
numrico simples e usa o teorema de
Bayes como fundamento da inferncia.

Teoria das Probabilidades

z A Teoria das Probabilidades designa a
cada sentena um valor numrico entre 0
e 1 dependendo do grau de crena.

z A partir das probabilidades condicionadas

e no condicionadas criamos uma
distribuio de probabilidades conjunta.

8
Introduo Inteligncia Artificial Universidade da Madeira

Teoria das Probabilidades

z Distribuio de probabilidades conjunta:

dor_peito ~dor_peito

enfarte_miocrdio 0.3 0.1

~enfarte_miocrdio 0.2 0.4

z P (dor_peito) = 0.3+0.2 = 0.5

z P (enfarte_miocrdio dor_peito) = 0.3
z P (enfarte_miocrdio)= 0.3+0.1 = 0.4

Teoria das Probabilidades

z E se quisermos saber o efeito que uma
varivel causa noutra?

z Se quisermos saber a probabilidade de

um acontecimento ocorrer, dado que
aconteceu outro?

9
Introduo Inteligncia Artificial Universidade da Madeira

Teoria das Probabilidades

z Regra de Bayes

Add Your Text

z Reflecte a confiana no acontecimento H

(hiptese) dado que se observaram uma
ou mais evidncias (Ei).

Teoria das Probabilidades

Exemplo:
E1 = aperto de peito E2 = dificuldades respiratrias
H1 = bronquite H2 = enfarte H3 = nem bronquite nem
enfarte
H4 = bronquite e enfarte

Quantificar subjectivamente as variveis:

P(H1)=0.05 P(E1|H1)=0.9 P(E2|H1)=0.9

P(H2)=0.01 P(E1|H2)=0.8 P(E2|H2)=0.5
P(H3)=0.93 P(E1|H3)=0.1 P(E2|H3)=0.1
P(H4)=0.01 P(E1|H4)=0.9 P(E2|H4)=0.9

10
Introduo Inteligncia Artificial Universidade da Madeira

Teoria das Probabilidades

z Exemplo:

z Usando a regra de Bayes e os valores anteriores:

z Bronquite dado que apresenta aperto no peito e dificuldades respiratrias:

z Enfarte dado que apresenta aperto no peito e dificuldades respiratrias:

z Nem bronquite, nem enfarte dado que apresenta aperto no peito e

dificuldades respiratrias:

Teoria das Probabilidades

z Exemplo:

z Um agente poderia concluir que um paciente

com um aperto no peito e dificuldades
respiratrias ter maiores probabilidades
(65%) de sofrer de bronquite.

11
Introduo Inteligncia Artificial Universidade da Madeira

Teoria das Probabilidades

z Desvantagens:
z Se o nmero de variveis aumenta, os clculos
aqui aplicados tornam-se proibitivos.

z Fica difcil compreender plenamente as relaes

entre as variveis do ambiente.

z A aquisio de conhecimento difcil. Os seres

humanos so considerados estimadores fracos.

Teoria das Probabilidades

z Vantagens:

z Permite criar modelos alternativos baseados

neste mtodo, tais como as redes bayesianas.

12
Introduo Inteligncia Artificial Universidade da Madeira

Redes Bayesianas
z Para descrever o mundo real, no necessrio
usar uma enorme tabela de probabilidades
conjuntas para listar todas as combinaes dos
eventos possveis.

z Para se calcular a conjuno de probabilidades

usa-se a frmula:

P(x1,...,xn)= Pi=1,...,nP(xi|pais-de(xi))

z Portanto, basta uma representao mais local.

Redes Bayesianas
z Por exemplo, qual a probabilidade de que o alarme toque, a Maria e
o Joo liguem, mas no ocorra roubo e nem desabamento?

P (no roubo e no Desabamento e Alarme e Joo 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

13
Introduo Inteligncia Artificial Universidade da Madeira

Redes Bayesianas
z As redes Bayesianas so bastantes flexveis, permitindo
o clculo de probabilidade de qualquer n. As
inferncias podem ser de vrios tipos:

z Inferncias de diagnstico do efeito para a causa. Dado que

o Joo ligou qual a probabilidade de ocorrer roubo?

z Inferncias causais da causa para o efeito. Dado que houve

roubo qual a probabilidade do Joo ligar?

z Inter causais entre causa comuns para o mesmo efeito. Qual

a probabilidade de roubo dado o alarme e desabamento.

Conjuntos Vagos (Fuzzy Sets)

z Estivemos analisando um mtodo de lidar com a
incerteza que se baseia na atribuio de um valor
numrico a uma dada proposio que representa o
grau de certeza que depositada nessa mesma
proposio.

z As proposies ou so verdadeiras, ou so falsas (A

ou ~A).

z O problema que no dia-a-dia, as proposies

possuem um grau de veracidade associado.

14
Introduo Inteligncia Artificial Universidade da Madeira

Conjuntos Vagos
z Se afirmo que est calor

z Poderia induzir a convico de um agente a concluir

que est 40 graus.

z No entanto, para outro agente a convico poderia

ser de que est cerca de 26 graus.

z Enquanto que num terceiro, seria de que est 22

graus.

Conjuntos Vagos
z Abordagem clssica (crisp):
z Estabelecer limites abruptos entre conjuntos.

z Poderamos acabar por chegar a um ponto em que

duas temperaturas com diferena de 1 grau apenas
estariam em conjuntos diferentes, uma seria
considerada fria, e outra quente.

15
Introduo Inteligncia Artificial Universidade da Madeira

Conjuntos Vagos
z desta problemtica que surgem os Conjuntos Vagos.

z Estes conjuntos foram introduzidos para lidar com o

facto de as proposies terem um grau de veracidade.

z Num conjunto vago, os elementos so caracterizados

pelo grau de pertena a esse mesmo conjunto.

Conjuntos Vagos
z Mas Como podemos lidar com expresses
imprecisas?

z aqui que entra o conceito de varivel

lingustica

z Chamamos varivel lingustica a um

conjunto cujos valores so nomes de
conjuntos vagos

16
Introduo Inteligncia Artificial Universidade da Madeira

Conjuntos Vagos
z Mas vejamos um exemplo:

z Varivel lingustica:

z Idade = {Muito_Jovem, Jovem, No_Jovem}

z Considerar uma amostragem em oito pontos,

pelo que U={20,25,30,35,50,55,60,65}.

Conjuntos Vagos
z Com este universo de discurso, teremos:

z 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)}

z Jovem{(0.2,20),(0.6,25),(0.6,30),(0.4,35),(0.1,50),(0.05,55),(0.04
5,60),(0.005,65)}

z 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)}

17
Introduo Inteligncia Artificial Universidade da Madeira

Conjuntos Vagos
z Podemos observar que a partir do termo primrio
Jovem, esto definidos mais dois conjuntos vagos
por recurso aos quantificadores no e muito.

z Para alm destes, existem ainda outros, tal como

pouco, nada, razoavelmente e de modo algum.

z A inferncia em Conjuntos Vagos faz-se atravs da

regra de Modus Ponens generalizada.

Conjuntos Vagos
z Modus Ponens generalizado:

z Exemplo:
z Se temos que:
z x mais ou menos alto
z x alto Zx pesado
z Podemos inferir que x mais ou menos pesado.

18
Introduo Inteligncia Artificial Universidade da Madeira

Conjuntos Vagos
z Desvantagens:

z Existe uma grande base matemtica que

envolve o produto cartesiano entre
matrizes, o que introduz complexidade.

Factores de Certeza
z A Teoria dos Factores de Certeza, semelhana da
abordagem Bayesiana quantifica a certeza atravs
de um nico valor numrico, denominado Factor de
Certeza (FC).

z Essa certeza que depositamos numa regra

representada da seguinte forma:
z Se <evidncia> ento <hiptese> [FC = k]

z Isto quer dizer que, dada a evidncia, o nosso grau

de crena na hiptese dado pelo valor de FC.

19
Introduo Inteligncia Artificial Universidade da Madeira

Factores de Certeza
z Como se calcula FC?

z MC traduz, em que medida a nossa crena

em H vem aumentando dada a evidncia E.

z MD calcula em que medida a nossa

descrena em H, dada a evidncia E, vem
aumentando.

Factores de Certeza
z Vantagem:

z Simples.

z Desvantagem:

z Foi muito utilizada nos primeiros sistemas

periciais (Mycin, Dendrall, etc.) mas foi caindo em
desuso.

20
Introduo Inteligncia Artificial Universidade da Madeira

Concluso
A utilizao do hibridismo (Raciocnio Incerto e Raciocnio
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.

Concluso
Sabe-se que no existe uma abordagem ou modelo
ideal para desenvolvimento de qualquer tipo de
domnio, que no tem o objectivo de desvalorizar as
abordagens que no utilizam hibridismo, apenas
pretende implementar a maneira de pensar, de uma
forma alternativa, dos seres humanos, esta um dos
paradigmas da Inteligncia Artificial.

21
Introduo Inteligncia Artificial Universidade da Madeira

22