eco@fe.up.pt http:fe.up.pt/~eol/MEMBERS/eco.html

1. Inteligência Artificial: Uma perspectiva heterodoxa Eugénio Oliveira eco@fe.up.pt http:www.fe.up.pt/~eol/MEMBERS/eco.html

2. Doença Infantil e Romantismo Afirmação e Pragmatismo Ousadias aceites Explorações perigosas ÍNDICE DA APRESENTAÇÃO O que é a Inteligência Artificial

3. Inteligência Artificial Sistemas que “pensam” como os Humanos Sistemas que “pensam” Racionalmente Sistemas que agem Racionalmente Sistemas que agem como os Humanos

4. INTELIGÊNCIA ARTIFICIAL: Como tornar Sistemas Computacionais mais “inteligentes” e mais úteis usando a racionalidade? “SE existem processos simbólicos identificáveis na base do raciocínio ENTÃO tais processos podem ser estudados e simulados, sendo o Hardware - pessoa ou computador- um DETALHE de Implementação...”

5. 1956 : O Início • Anos 60: Sistemas Genéricos (GPS, LN) • Anos 70-80: Sistemas Específicos (SP) • Anos 80: Paralelismo, Formalismos, Integração (RN,Ag) • Anos 90: Sociedades Sistemas Autónomos • Anos 2000: “Psicologia” e “Inteligência”

6. IA Conh. Simb Inf. Sub-Simb Repr. Conh. Mét.Resol.Prob. Aquis. Conh. RN Arquitecturas “mentalistas” e “emocionais”

7. Anos 60-70: O Romantismo • GPS • Comprensão da Linguagem Natural • Interfaces • Tradução Automática • Criação de Texto

8. Racionalidade das Linguagens Naturais

9. JAVA LISP PROLOG

10. Linguagem Natural Computacional Análise Lexical e Morfológica Análise Sintática Análise Semântica Análise da Pragmática Qual é a Universidade a que pertencem os alunos que assistem à palestra ? E em que cidade fica? Qual é a palestra a que pertencem os alunos que assistem à Universidade ? Erro Semântico Quantos são as jogos do europeu de futebol? Erro de concordância

11. Anos 70-80: O Pragmatismo • Sistemas Periciais (“Expert Systems”) • Conhecimento e Dedução • Memória Associativa operacionalização baseada em regras • Incerteza e Incompletitude • Probabilidades Objectivas e Probabilidades Subjectivas • Lógicas Difusas • Aplicações: Diagnóstico Médico

12. Muito alta FC=0.8 Raciocínio impreciso Conjuntos Difusos • Exemplo de Regra na Base de Conhecimento: SE o grupo predominante regular existe e é tipo A E frequência cardíaca maior que 100 E grupo predominante de ondas p homogéneas existe E polaridade da onda p na derivação avr é negativa OU polaridade da onda p na derivação d2 é positiva E a razão entre as ondas p e r é 1:1 E a linha de base existe ENTÃO diagnóstico é taquicardia sinusal ou auricular

13. MetaConhecimento Base de Conhecimentos Factos • Arquitectura de Sistema Pericial Explicações Motôr de Inferência Raciocínio Incerto Aquisição do Conhecimento Interface Utilizador / Especialista

14. Leis da perspectiva Conhecimento Vs Ilusão Inteligência e Conhecimento à priori

15. Anos 80: Paralelismo, Formalismos, Integração • Lógicas e Formalismos • Modais • Não Monótona • Redes Neuronais Computacionais • Aprendizagem Vs Adaptação • Indução e Reforço

16. O Cérebro Humano é composto por cerca de 1011 Neurónios. • O Cérebro aprende e opera em modo massivamente paralelo grandes quantidades de informação. • Processa informação incompleta, incerta e com “ruído” .. • Redes Neuronais • Algoritmos das Redes Neuronais Artificiais permitem através da Aprendizagem das conexões entre nodos ganhar capacidade Adaptativa e de Generalização

17. As Técnicas Conexionistas são prometedoras na resolução de problemas para os quais as aproximações algorítmicas tradicionais se revelam ineficazes e inoperantes. Por exemplo: • Reconhecimento de Formas • Classificação e tratamento do sinal • Comando reactivo de Robôs • Previsões baseados na análise de um historial O resultado da aproximação Conexionista pode ser vista como a Aprendizagem de um processo de classificaçãode uma população de casos existentes.

18. Tentativa da sua modelação: Neurónio formal

19. si 1 1 *arctg(ei) = ou si = 1+exp(-ei ) 2 n Outras funções utilizadas são: função degrau, rampa, ... å e w *s = ji j  i j=1

20. APRENDIZAGEM SUPERVISIONADA A Rede produz a sua própria resposta a uma configuração que lhe é apresentada à entrada, após o que o supervisor apresenta a resposta correcta.

21. Previsões • Reconhecimentos • Controlo robótico nº ligações independentes < nº saídas*nº exemplos aprendizagem

22. APRENDIZAGEM POR REFORÇO (por Recompensa) São atribuídas recompensas/punições de acordo com o facto de a saída ser apropriada ou não “Aprendizagem com um crítico”

23. Algoritmos para a Evolução (Evolutionary Programming)

24. “O que é bom para a Natureza é bom para os Sistemas Artificiais” • Computação Evolucionária: • Porquê? • A Natureza permite a Evolução bem sucedida de • organismos através de selecção e reprodução com • alguma mutação • Computação Evolucionária (Friedberg, 1958 ; JHolland, 1975): • Quando? • Espaço de Pesquisa grande e complexo • Facilidade de implementação paralela • Não necessidade de solução óptima (mas boa) • Exemplo: optimizar uma função f(x1,…,x100) sendo f • muito complexa. • se xi=0 ou xi=1, Espaço de pesquisa 2100 ~=1030 • Pesquisa exaustiva fora de questão

25. Diagrama do Algoritmo para Evolução População Inicial Selecção Emparelhamento Cruzamento Mutação Não FIM? SIM

26. Questões: Como representar os Indivíduos? Como Seleccionar os Indivíduos? Qual a Função de Adaptação? Como se reproduzem os Indivíduos?

27. ex: Treinar o disparo controlado por um AG sobre um alvo móvel. • Depende de variáveis como vento, velocidade do alvo, distância, tipo de arma.... • Função de Adaptação: a distância a que o projéctil ficou do alvo • É um exemplo de problema em que os AGs são bem aplicados

28. Como representar os Indivíduos? Indivíduos representados como cadeias de caracteres (strings) sobre um alfabeto. Indivíduos são representados pelos Genomas ou Cromossomas. • Nº de Genes depende do Nº de Atributos a representar • Se a Representação dos indivíduos é binária temos Algoritmos Genéticos • A={0,1} 0 e 1 são os “alelos”

29. Qual a Função de Adaptação Como se reproduzem os Indivíduos/Cromossomas? por Cruzamento e Mutação

30. 0 1 0

31. Exemplo: Probabilidade de selecção População inicial gerada aleatoriamente

32. Como operam os Algoritmos Genéticos? Exemplo de problema: Max f(x1, x2) = 21.5 + x1sin(4πx1) + x2sin(20πx2) Onde – 3.0 ≤ x1 ≤ 12.1 and 4.1 ≤ x2 ≤ 5.8. Valor da função

33. Anos 90: Distribuição e Sociedades • Durkheim Vs Turing • Conectividade

34. INTELIGÊNCIA ARTIFICIAL DISTRIBUÍDA: • Estudo das “leis sociais” e implementação de Sistemas Multi- • Agente Cooperantes, que permitam a resolução de problemas • complexos e Distribuídos (espaço , competências,...)

35. YES No What? Why? • SISTEMAS PERICIAIS COOPERATIVOS: • GESTÃO DE REDES ELÉCTRICAS • INTEGRAÇÃO DE INFORMAÇÃO EM HOSPITAIS • SIMULAÇÃO DAS ORGANIZAÇÕES NO MERCAD0

36. Aplicação real

37. Cooperação Cooperação Cooperação Objetivo Global Aplicação: Monitorar e gerir grandes Redes Eléctricas Como evitar o APAGÃO? Objetivo local Objetivo local Objetivo local Objetivo local Sistema Específico Sistema Específico Sistema Específico Sistema Específico

38. ARCHON System • 1 Architecture for Cooperative Agents: • New Agent’s Architecture: AAM+SM+BB • Book “ARCHON…” Ed. Thies Wittig Ellis Horwood, 1992

39. Multiplos Agentes com Especialidades diversas Suporte da Decisão e Manutenção da Coerência Global/local Airport Location?

40. Mercado Electrónico como SMA agente V2 agente C1 agenteV3 Mercado agente C2 agente V4 agente V1

41. Tácticas dependentes do Tempo • Tácticas dependentes da situação • Dependendo de factores em tempo de execução: • Nº de oponentes… • Tácticas dependentes do Comportamento • Dependendo do Comportamento dos oponentes

42. Lançamento de Agentes no ME (B2C)

43. NormasRegras formação E.V. operação E.V. dissolução E.V. Q-Negociação • Monitoração Ligações instituições Contratos Legais Finanç. EAgt Ana Paula Rocha, Eugénio Oliveira MAgt EAgt EAgt EAgt Instituição Electrónica • Negociação Automática em B2B

44. Facilitator Facilitator Facilitator Facilitator Chief Workers Supervisors Garage Storehouse Machinery Personnel Stocks manager Workers Facilitator Machinery Planning Experts Edification Garage Storehouse Planning Personnel Interconnecting network Edification

45. I can do 30 for 20 I can do 70 for 40 I can do 50 for 30 I need 100 I can do 90 for 50 Announcer A B C D Need 100 Task announcing 90 for 50 30 for 20 70 for 40 50 for 30 Coalition formation Coalition team & best offer announcing to coordinators Intra-coalition negotiation Leading Quit 50 55 Four useful coalitions: - C & D (cost=70) - B & C (cost=60) - A & C (cost=90) - A & D (cost=80) New best offer announcing to coordinators Leading 45 Leading Quit The winner !!! Inter-coalitions protocol

46. Five components: Owning cost Operation cost Operator cost Displacement (if necessary) Profits Variable costs Negotiation margin Operation Operator Movement Owning Profits Optimum Absolute minimum Fixed costs Zero loose Agents activity cost calculation Fixed costs Variable costs

47. FC Portugal project Simulation League: World Champions in 2000, Australia Luis Paulo Reis, Nuno Lau

48. AGENTES • Agentes que usam funções de utilidade são mais racionais • CARACTERÍSTICAS dos AGENTES (BDI) • Autonomia • Pró-actividade • Persistência • Mobilidade • Intencionalidade • Crenças-Desejos-Intenções

49. ARQUITECTURA DE AGENTES BDI

50. Conceitos baseados em Emoções tem papeis diversos nos Sistemas Computacionais: • Reconhecimento da Emoção Humana • poderá um C vir a reconhecer emoções melhor que os H? • Expressão de comportamentos semelhantes aos emotivos • Personagens sintéticas; Robôs • Modelação e Simulação do Comportamento Humano • Efeitos computacionais semelhantes a comportamentos Humanos