Sistemas Baseados em

Conhecimento e Sistemas
Especialistas
Prof. Jonas Borges

Lgicas No-Clssicas
As lgicas no-clssicas podem ser classificadas em dois grupos distintos:
Extenses da lgica clssica: adicionam um vocabulrio novo, portanto
novos teoremas e inferncias vlidas, mas mantm todos os teoremas
originais

Lgica Modal
Lgica Temporal
Lgicas No-Monotnicas
Desvios da lgica clssica: em geral mantm o vocabulrio original da
lgica clssica, no entanto difere com respeito a teoremas e
inferncias vlidas
Lgica Multi-Valorada
Lgica Fuzzy

Extenso da Lgica Clssica: Lgica Modal

A lgica clssica lida com a verdade ou a falsidade de diferentes proposies
em si mesmas
A lgica modal, em contraste, preocupa-se com os diferentes modos que
uma proposio pode ser verdadeira
Estende a linguagem da lgica de predicados por meio da adio operadores
modais, que enriquecem a linguagem, e regras de inferncias associadas a estes
predicados
Dependendo da interpretao dadas aos operadores modais, a lgica modal nos
permite falar sobre a verdade ou falsidade de proposies relacionadas a
crenas, conhecimento, desejos, intenes e obrigaes
ACREDITA(A,P) - verdade sempre que A acredita que P verdadeiro, independe que
outra pessoa acredite que P falso e mesmo que P seja falso

A lgica modal fornece um conjunto de ferramentas poderosas para a

compreenso daquilo que dito na linguagem natural, que normalmente
envolve referncias ao estado mental das pessoas
3

Extenso da Lgica Clssica: Lgica Temporal

A lgica clssica no parece apropriada para lidar com proposies que
contm referncias temporais
Os pioneiros da lgica clssica foram motivados fundamentalmente pelo
desejo de representar argumentos matemticos de forma rigorosa
Irrelevncia do tempo verbal para estabelecer a (in)validade de argumentos
matemticos

Em argumentos informais sobre assuntos no matemticos, o tempo

algumas vezes crucial
Jos casa com Maria, Jos casou com Maria, Jos casar com Maria

A lgica temporal estende a linguagem da lgica de predicados por meio

da adio operadores temporais, que enriquecem a linguagem, e regras
de inferncias associadas a estes predicados
Por exemplos, operadores temporais P e F que transformam uma sentena no
presente do indicativo para, respectivamente, o pretrito e o futuro
4

Extenso da Lgica Clssica:

Lgicas No-Monotnicas
Tem como principal objetivo o desenvolvimento de sistemas de raciocnio
que modelem a maneira como o senso comum usado pelos humanos
Caractersticas
Capacidade de encurtar caminhos para concluses
Suficientemente robusto tal que quando uma concluso alcanada se mostre
errada, ela possa ser revisada
A introduo de novas informaes (axiomas) pode invalidar teoremas antigos No-monotonicidade

Baseado na lgica clssica, embora seja uma nova lgica completamente

desenvolvida pelo pessoal da IA
H vrios tipos de lgicas no-monotnicas como a teoria da circunscrio,
raciocnio default (adio de novas regras de inferncia) e lgica modal (adio de
operador modal consistente)

Geralmente intratvel em termos de tempo computacional

Variaes da Lgica Clssica:

Lgica Multi-Valorada
As lgicas multi-valoradas so lgicas alternativas
Em geral, compartilham o vocabulrio da lgica clssica
Mas deixam de ter certos teoremas desta
p ~p (lei do terceiro excludo)

Por exemplo, na lgica de 3 valores de Kleene, o terceiro valor lgico

intuitivamente representa indecidvel
Sua atribuio a uma frmula no indica que ela seja verdadeira ou falsa. Em vez
disto, seu propsito indicar um estado de ignorncia parcial

Inicialmente, as lgicas multi-valoradas foram concebidas com interesse

puramente matemtico em alternativas a semntica bivalente da lgica clssica
Atualmente, junta com a lgica fuzzy, elas proporcionam ferramentas
poderosas para manipular com conhecimento incerto (por meio, dos diferentes
valores verdade que um sentena pode assumir)
6

Variaes da Lgica Clssica:

Lgica Fuzzy
A Lgica Difusa foi desenvolvida por Lofti A.
Zadeh da Universidade da Califrnia em
Berkeley na dcada de 60
Em muitos casos, a preciso pode ser um
tanto intil, enquanto instrues vagas podem
ser melhor interpretadas e realizadas
Exemplo de compreenso humana
Formal: Comece a freiar 10 metros antes do sinal
PARE
Vulgar: Comece a freiar perto do sinal PARE
7

Complexidade e Compreenso
Zadeh percebeu que a complexidade do sistema
vem de como as variveis foram representadas e
manipuladas.
Zadeh representa o raciocnio humano em
termos de conjuntos fuzzy.
Princpio de Zadeh:
Quando a complexidade do problema cresce,
nossa habilidade para tornar as proposies
precisas diminui at um limiar que est fora do
nosso alcance. Isto torna a preciso e a relevncia
duas caractersticas excelentes.

Motivao para Lgica Fuzzy

Modelagem de conceitos imprecisos:
Grande parte da compreenso humana sobre os
acontecimentos dos fatos imprecisa
Idade, peso, altura,

Modelagem de dependncias imprecisas (regras):

Se a Temperatura baixa e o leo barato, ento
aumente o aquecimento

Origem da Informao:
Modelagem do Conhecimento de Especialistas
Representao de informao extrada de dados
inerentemente imprecisos

Exemplo de Lgica Fuzzy

Ao utilizar-se a lgica clssica, definem-se regras
como:
Pessoas jovens so aquelas cujas idades esto entre 0
e 20 anos

Nesta lgica, uma pessoa com 20 anos e 1 dia

no considerada uma pessoa jovem
Porm, sabemos que isso no verdade no mundo
real

Da a necessidade de se utilizar mecanismos para

descrever o grau de pertinncia de uma pessoa
ao conjunto de jovens

Caractersticas: Lgica Fuzzy

Trabalha com uma grande variedade de informaes vagas
e incertas, as quais podem ser traduzidas por expresses
do tipo: a maioria, mais ou menos, talvez, etc.
Antes do surgimento da lgica fuzzy essas informaes no
tinham como ser processadas

A lgica fuzzy contm como casos especiais no s os

sistemas lgicos binrios, como tambm os multi-valorados
No apenas Verdadeiro ou Falso

A lgica fuzzy vem sendo aplicada nas seguintes reas

Anlise de dados
Construo de sistemas especialistas
Controle e otimizao
Reconhecimento de padres, etc.
11

Caractersticas: Lgica Fuzzy

Lgica convencional:
sim-ou-no, verdadeiro-ou-falso

Lgica Fuzzy (difusa ou nebulosa):

Refletem o que as pessoas pensam
Tenta modelar o nosso senso de palavras, tomada de
deciso ou senso comum

Trabalha com uma grande variedade de

informaes vagas e incertas, as quais podem ser
traduzidas por expresses do tipo: a maioria,
mais ou menos, talvez, etc.

Sistemas Especialistas Fuzzy

Especialistas
Senso comum para resolver problemas
Impreciso, inconsistente, incompleto, vago
Embora o transformador esteja um pouco carregado, pode-se
us-lo por um tempo

Nenhum problema para outro especialista, mas sim

para o uma pessoa comum ou um sistema
computacional

Lgica Fuzzy:
Ideia: todas as coisas admitem graus (temperatura,
altura, velocidade, distncia, etc...)

Grau de Crena x Grau de Verdade

Grau de Crena x Teoria das Probabilidades
80% dos pacientes com dor de dentes tm cries
Uma probabilidade de 0.8 no significa 80% verdade mas sim um
grau de crena de 80% na regra Grau de verdade x Lgica Fuzzy

Mrio alto
A proposio verdadeira para uma altura de Mario 1,65m ?
...mais ou menos....

Observar que no h incerteza, estamos seguros da altura de Mario

O termo lingustico alto vago, como interpret-lo?

Por exemplo, a teoria de conjuntos Fuzzy (semntica para

lgica fuzzy) permite especificar quo bem um objeto
satisfaz uma descrio vaga (predicado vago)
O grau de pertinncia de um objeto a um conjunto fuzzy
representado por algum nmero em [0,1]

Conjuntos Fuzzy
Conjuntos com limites imprecisos
A = Conjunto de pessoas altas

Conjunto Clssico
1.0

Conjunto Fuzzy
1.0
.9
.8

Funo de
pertinncia

.5

1.75

Altura(
m)

1.60 1.70 1.75

Altura
(m)

Conjuntos Fuzzy (II)

Um conjunto fuzzy A, definido no universo de discurso X,
caracterizado por uma funo de pertinncia A, a qual mapeia os
elementos de X para o intervalo [0,1].

A:X[0,1]

Desta forma, a funo de pertinncia associa a cada elemento x

pertencente a X um nmero real A(X) no intervalo [0,1], que
representa o grau de pertinncia do elemento x ao conjunto A
isto , o quanto possvel para o elemento x pertencer ao conjunto A.

Uma sentena pode ser parcialmente verdadeira e parcialmente

falsa
A(X) : x [0,1],
A(X) = 0
0 < A(X) < 1
A(X) = 1

Conjuntos Fuzzy (III)

Definio formal
Um conjunto fuzzy A em X expresso como um
conjunto de pares ordenados:

A {( x, A ( x )) | x X }
Conjunto
fuzzy

Funo de
pertinncia
(MF)

Universo ou
Universo de discurso

Um conjunto fuzzy totalmente caracterizado

por sua funo de pertinncia (MF)

Como representar um conjunto Fuzzy

num computador?
Funo de pertinncia
Reflete o conhecimento que se tem em relao a
intensidade com que o objeto pertence ao
conjunto fuzzy
Mtodos para adquirir esse conhecimento do
especialista
Ex: Perguntar ao especialista se vrios elementos
pertencem a um conjunto

Funo de Pertinncia
Vrias formas diferentes
Representadas uma funo de mapeamento
Caractersticas das funes de pertinncia:
Medidas subjetivas
Funes no probabilsticas monotonicamente
crescentes, decrescentes ou subdividida em parte
crescente e parte decrescente.

Funo de Pertinncia (II)

alto no Brasil

MFs

.8
alto nos EUA

.5

alto na Itlia

.1
1.75

Altura (m)

Tipos de Funes de Pertinncia

Funo Triangular
Funo Trapezoidal
Funo Gaussiana
Funo Sino Generalizada

Tipos de Funes de Pertinncia

(a) Triangular

(b) Trapezoidal

1
Grau de Pertinncia

Grau de Pertinncia

1
0.8
0.6
0.4
0.2
0

0.8
0.6
0.4
0.2
0

20

40

60

80

100

(c) Gaussiana

40

60

80

100

80

100

(d) Sino Gerneralizada

1
Grau de Pertinncia

1
Grau de Pertinncia

20

0.8
0.6
0.4
0.2
0

0.8
0.6
0.4
0.2
0

20

40

60

80

100

20

40

60

Funo de pertinncia:
Universo Discreto
X = {SF, Boston, LA} (discreto e
no ordenado)

(a) Universo Discreto

C = Cidade desejvel para se

viver
C = {(SF, 0.9), (Boston, 0.8),
(LA, 0.6)}

Grau de Pertinncia

1
0.8
0.6
0.4

X = {0, 1, 2, 3, 4, 5, 6}
(discreto)

0.2
0

2
X = Nmero de filhos

A = Nmero de filhos
A = {(0, .1), (1, .3), (2, .7), (3,
1), (4, .6), (5, .2), (6, .1)}

Funo de pertinncia:
Universo Contnuo
X = (Conjunto de
nmeros reais
positivos) (contnuo)

(b) Universo Contnuo

Grau de Pertinncia

1
0.8
0.6
0.4
0.2
0
0

50

100

B = Pessoas com idade

em torno de 50 anos

X = Idade

B(x)

1
2
x

50

10

B = {(x, B(x) )| x em X}

Partio Fuzzy

Grau de Pertinncia

Partio fuzzy do universo de X,

representando idade, formada pelos
conjuntos fuzzy jovem, maduro e idoso.

1.2

Jovem

Maduro

Idoso

1
0.8
0.6
0.4
0.2
0
0

10

20

30

40

50

X = Idade

60

70

80

90

Variveis Lingusticas
Uma varivel lingustica possui valores que no so nmeros, mas
sim palavras ou frases na linguagem natural.
Idade = idoso

Um valor lingustico um conjunto fuzzy.

Todos os valores lingusticos formam um conjunto de termos:
T(idade) = {Jovem, velho, muito jovem,...
Maduro, no maduro,...
Velho, no velho, muito velho, mais ou menos velho,...
No muito jovem e no muito velho,...}

Permitem que a linguagem da modelagem fuzzy expresse a

semntica usada por especialistas
Exemplo:
SE durao-projeto no muito LONGO
ENTO risco ligeiramente reduzido

Representao
(a) Conjuntos Fuzzy A e B

Grau de Pertinncia

A est contido em B
1
0.8
0.6

B
A

1
0.8
0.6
0.4
0.2
0

(b) Conjunto Fuzzy no A

1
0.8
0.6
0.4
0.2
0

0.4

(c) Conjunto Fuzzy "A ou B"

0.2

(d) Conjunto Fuzzy "A e B"

1
0.8
0.6
0.4
0.2
0

1
0.8
0.6
0.4
0.2
0

Regras Fuzzy
Consistem:
Conjunto de condies SE
(usando conectivos E, OU ou NEGAO)
Uma concluso ENTO

Exemplo: velocidade
Valor: [0,220] km/h
1.

2.

Se velocidade > 100

Ento DPP 30 metros
Se velocidade < 40
Ento DPP 10 metros

Baixa, Mdia e alta

1.

2.

Se velocidade alta
Ento DPP longa
Se velocidade baixa
Ento DPP curta

Regras Fuzzy
E o raciocnio?
Avaliar o antecedente
Aplicar o resultado ao consequente
As regras so ativadas parcialmente, dependendo do
antecedente

Ex: Se a altura alta, o peso pesado

(altura =1.85, peso = ?)
Alto

Pesado

.75

.75

.5

.5

.1

.1
1.85

90

Sistemas Fuzzy
Um exemplo de sistema especialista baseado
em regras simples para prever o peso de uma
pessoa:
SE altura > 1.65 E altura < 1.68
ENTO peso 60, CF =.082

O mesmo exemplo baseado lgica Fuzzy:

SE altura ALTA ENTO peso PESADO

Fuzzificao e Impreciso
Por que impreciso:
Ela existe devido a nossa incoerncia em
compreender um fenmeno do mundo real.
Ferramentas baseadas na viso formalizada de
Aristteles.

O que dizer da seguinte declarao:

O CARRO EST RPIDO

Fuzzificao e Impreciso
O CARRO EST RPIDO
O que significa rpido?
A qual conjunto rpido pertence?

Modelo Dependente do Contexto

Raciocnio Fuzzy
Nos sistemas especialista convencionais:
as proposies so executadas seqencialmente
heursticas e algoritmos so usados para reduzir o
nmero de regras examinadas.

Nos sistemas especialistas Fuzzy:

o protocolo de raciocnio um paradigma de
processamento paralelo
todas as regras so disparadas ao mesmo tempo

Etapas do raciocnio Fuzzy

1.FUZZIFICAO
2.INFERNCIA
AGREGAO
COMPOSIO

3.DEFUZZIFICAO

Etapas do Raciocnio Fuzzy

Variveis de Comando

Variveis Calculadas
(Valores Lingusticos)

Nvel
Lingustico

Inferncia

(Valores Lingusticos)

Defuzzificao

Fuzzificao

Nvel
Numrico

Variveis Calculadas
(Valores Numricos)

Objeto

Variveis de Comando
(Valores Numricos)

Fuzzificao
Etapa na qual as variveis lingsticas so definidas de
forma subjetiva, bem como as funes membro
(funes de pertinncia)
Engloba

Anlise do Problema
Definio das Variveis
Definio das Funes de pertinncia
Criao das Regies

Na definio das funes de pertinncia para cada

varivel, diversos tipos de espao podem ser gerados:
Triangular, Trapezoidal, ...

Fuzzificao
TRIANGULAR

Frio Normal Quente

TRAPEZOIDAL

Lento Rpido

Inferncia Fuzzy
Etapa na qual as proposies (regras) so
definidas e depois so examinadas
paralelamente
Engloba:
Definio das proposies
Anlise das Regras
Criao da regio resultante

Inferncia Fuzzy
AGREGRAO
Calcula a importncia de uma determinada regra
para a situao corrente

COMPOSIO
Calcula a influncia de cada regra nas variveis de
sada.

Regras de Inferncia
1. SE durao = longa E qualidade = alta
ENTO risco = mdio
2. SE durao = mdia E qualidade = alta
ENTO risco = baixo
3. SE durao = curta E qualidade = baixa
ENTO risco = baixo
4. SE durao = longa E qualidade = mdia
ENTO A risco = alto

Defuzzificao
Etapa no qual as regies resultantes so convertidas
em valores para a varivel de sada do sistema
Esta etapa corresponde a ligao funcional entre as
regies Fuzzy e o valor esperado
Dentre os diversos tipos de tcnicas de defuzzificao
destaca-se:

Centride
First-of-Maxima
Middle-of-Maxima
Critrio Mximo

Defuzzificao
Exemplos:

z0
Centride

z0
First-of-Maxima

z0
Critrio Mximo

Inferncia Fuzzy: Um exemplo

Objetivo do sistema:
Um analista de projetos de uma empresa que determina o
risco de um determinado projeto com base na quantidade
de dinheiro e de pessoas envolvidas no projeto

Base de conhecimento
Se dinheiro adequado ou pessoal pequeno ento risco
pequeno
Se dinheiro mdio e pessoal alto, ento risco normal
Se dinheiro inadequado, ento risco alto

Representao das variveis de entrada

Problema: dinheiro = 35% e pessoal = 60%

Inferncia Fuzzy: Um exemplo

Passo 1: Fuzzificar
Dinheiro

Pessoal

.75

.8

.25

.2

60

35

Inadequado Mdio Adequado

i (d ) 0,25 & m (d ) 0,75

Baixo

Alto

b ( p) 0,2 & a ( p) 0,8

Inferncia Fuzzy: Um exemplo

Passo 2: Avaliao das regras
OU mximo, E mnimo
Regra 1:

Risco
0,25

Adequado

0,0

Baixo

ou

Regra 2:

Risco

0,8

mdio

0,25
Alto

Inferncia Fuzzy

Regra 3:

Risco
0,75

Inadequado

Inferncia Fuzzy
Passo 3: Defuzzificao
Risco
0,75
0,25
10 20 30 40 50 60 70 80 90 100

(10 20 30 40 ) * 0,2 (50 60 70 ) * 0,25 (80 90 100 ) * 0,75 267 ,5

70 ,4
0,2 0,2 0,2 0,2 0,25 0,25 0,25 0,75 0,75 0,75
3,8

Lgica Fuzzy no Mundo

Lgica Fuzzy tornou-se tecnologia padro e
tambm aplicada em anlise de dados e sinais de
sensores
Tambm utiliza-se lgica fuzzy em finanas e
negcios
Aproximadamente 1100 aplicaes bem
sucedidas foram publicadas em 1996
Utilizada em sistemas de Mquinas Fotogrficas,
Mquina de Lavar
Roupas, Freios ABS, Ar Condicionado e etc.

Fontes
Slides de Marclio C. P. de Souto
Slides de Anne Magly de Paula Canuto
Slides de Prof. Germano Lambert-Torres