Quando se deve desenvolver um Sistema Pericial?
• O problema justifica o custo e esforço de construção de um Sistema Pericial;
• Não existem peritos disponíveis para resolver o problema;
• O problema pode ser solucionado através de raciocínio simbólico (próximo dos humanos);
• O problema não requer “senso comum”;
• O problema não pode ser resolvido através de métodos computacionais tradicionais;
• Existem peritos para cooperarem na construção do Sistema Pericial;
• O problema não é demasiado grande nem demasiado genérico.
Sistemas Periciais - Aplicabilidade
Sistemas Periciais - Conceito
Um Sistema Pericial é um programa de computador que utiliza conhecimento específico do domínio de um problema e emula a metodologia e desempenho de um especialista no domínio desse problema.
O conhecimento inerente a um Sistema Pericial é um ponto chave na sua construção e é normalmente definido por engenheiros do conhecimento ou programadores.
Para tal são consultados peritos no domínio do problema e tenta-se codificar numa linguagem formal todo o conhecimento que estes adquiriam ao longo da sua experiência nomeadamente heurísticas e truques.
Os Sistemas Periciais não imitam a estrutura da mente humana, nem os mecanismos da inteligência.
São programas práticos que usam estratégias heurísticas desenvolvidas por humanos na resolução de classes específicas de problemas.
São uma classe de programas na área da Inteligência Artificial e têm contribuído para o sucesso desta área através dos produtos comerciais desenvolvidos.
Redes Neuronais
As redes neuronais são particularmente úteis para lidar com dados ligados a valores reais em que se deseja obter uma saída dotada de valor real; desta maneira as redes neuronais irão realizar uma classificação por graus, e serão capazes de expressar valores equivalentes a "não conhecido com certeza".
Em aplicações reais, as redes neuronais saem-se particularmente bem nas seguintes tarefas:
- Aproximação de funções;
- Previsão de séries temporais;
- Classificações;
- Reconhecimento de Padrões.
Tipos de Redes Neuronais
Existem dois tipos de redes neuronais: Perceptron com uma Camada e Perceptron Multi-camadas.
Perceptron com uma Camada
Redes Perceptron com uma camada são o tipo mais antigo de redes neuronais, as quais são formadas por uma camada única de neurónios de saída, os quais estão conectados por pesos às entradas. Este é o exemplo mais simples de redes em avanço. A soma do produto entre pesos e entradas alimenta cada neurónio de saída, e se o resultado desta operação exceder um certo limiar (geralmente 0), o neurónio coloca o valor 1 na saída; se o resultado for inferior ao limiar, o neurónio coloca o valor -1 na saída. Neurónios com esse comportamento são chamados de neurónios de McCulloch-Pitts ou neurónios com limiar. Na literatura técnica o termo perceptron diz respeito a redes com apenas um desses neurónios.
Perceptron Multi-camadas
Este tipo de rede consiste em múltiplas camadas de unidades computacionais, geralmente interconectadas em uma forma feedforward. Isso quer dizer que cada neurónio numa camada tem conexões directas a neurónios da próxima camada. Em muitas aplicações as unidades dessas redes aplicam uma função sigmóide (em forma de S) como a função de activação.
Nanotecnologia
Processamento Paralelo
Conceito de Multiprocessamento
Características
- O sistema de hardware é como um todo gerenciado por um único sistema operacional.
- Suporta multitarefa.
- Mantem múltiplas filas de processos, uma para cada processador.
Arquitectura
Sistemas multiprocessados podem ser basicamente de dois tipos: SMP e NUMA.
- Multiprocessamento simétrico (SMP): os processadores compartilham a mesma memória, embora possam ter caches separadas. O sistema operacional deve estar preparado para trabalhar com coerência de caches e, principalmente, evitar condições de corrida na memória principal.
- Acesso não uniforme à memória (NUMA): a cada processador é associado um banco de memória. Nesse caso, o sistema operacional trata cada banco separadamente, pois cada banco tem um custo de acesso diferente, dependendo de qual o processador a que está associado e onde está sendo executado o processo que tenta acessar a memória.
Aplicações da Inteligência Artificial
Planeamento Automático - Este está intimamente ligado ao raciocínio. Tem a capacidade de planear escolhas hipotéticas, estabelecer compromissos e ordenar as suas escolhas segundo os critérios que melhor servem os seus interesses.
Visão Computacional - Este refere-se ao reconhecimento de caracteres ópticos. Os sistemas de visão que conhecemos são capazes de construir descrições do ambiente que os envolve, processar e reconstruir imagens.
Fala - Esta área está intimamente ligada ao estudo da língua e dos sistemas de significação e permite uma abordagem sobre o conhecimento humano não-lógico (a maior parte dele) mas inexacto, incompleto e parcial, a qual se tornou um objectivo geral para a maior parte dos sistemas periciais e um dos núcleos de investigação piloto em inteligência artificial a partir dos anos 80.
5º Geração - Os computadores de 5ª Geração representam uma importante área de aplicações da I.A. Eles seriam já programados em PROLOG e ligariam a compreensão teórica das questões a processos de programação em lógica, à representação do conhecimento a técnicas de resolução dos problemas, articulando grandes bases de dados em paralelismo.
Assim essas grandes máquinas pensantes seriam capazes de articular teorias da decisão com métodos estatísticos e lógicos, com a filosofia a psicologia cognitiva e as ciências da gestão de conhecimentos. Isto seria então o reflexo da automatização do raciocínio assegurando a manutenção da verdade através de lógicas não monótonas.
O marco histórico ELIZA
Foi criado no MIT, em 1966, por Joseph Weizenbaum.
Este, era um programa muito simples que possuía apenas 204 linhas de código de programação.
Basicamente, este utilizava a inteligência artificial para simular um diálogo entre um paciente e um psicólogo, e que utilizava as frases do paciente para formular novas perguntas.
A evolução Histórica da Inteligência Artificial
Durante o renascimento, surgiu a mecânica que permitiu o aperfeiçoamento do relógio.
Os avanços mais importantes da inteligência artificial foram os trabalhos dos matemáticos dos séculos XVII a XIX. No século XIX, surge Alan Turing, mas apenas em 1956 é que a IA começa a ser reconhecida como ciência.
Mas chegará o conhecimento através da manipulação de conceitos complexos ou através da percepção?
Devemos então fornecer à máquina uma avalanche de dados, teorias formais de ‘bom senso’, de crenças, de um universo simbólico superior ou, pelo contrário, basear o estudo da cognição no nível inferior da percepção e do controlo motor. A tendência geral foi no sentido de conciliar as duas teorias numa terceira teoria híbrida, segundo a qual a máquina seria capaz de raciocinar utilizando conceitos complexos, e de perceber o seu meio envolvente.
Nestes últimos anos, a IA tem-se voltado mais para a representação de redes neuronais e também a tradução automática.
O que é a Inteligência Artificial?
Introdução
O trabalho e criação do blog foi elaborado por um grupo de 3 alunos, sendo este elaborado por:
Bruno Gouveia
Carlos Oliveira
Ricardo Correia