IA Redes Neurais Artificiais

I nteligência Artificial RNA – Redes Neurais Artificiais Rafael Rosario [email_address] [email_address]

IA Simbólica x IA Conexionista A IA Simbólica tenta simular o comportamento inteligente humano desconsiderando os mecanismos responsáveis por tal. A IA Conexionista acredita que construindo um sistema que simule a estrutura do cérebro , este apresentará inteligência, ou seja, será capaz de aprender, assimilar, errar e aprender com seus erros.

Redes Neurais Artificiais – Histórico (I) Mais antiga técnica de IA : em artigos de McCulloch e Pitts (1943), em que sugeriam a construção de uma máquina baseada ou inspirada no cérebro humano . Na mesma década de 1940 surgiu a arquitetura dos computadores atuais (Von Neumann), e devido ao seus bons resultados delegaram as RNAs para segundo plano.

Redes Neurais Artificiais – Histórico (II) Em 1951 – Snark, o primeiro neurocomputador . Nunca executou qualquer função interessante. Em 1956 – Classificadas IA simbólica e Conexista . Em 1957 – Rosenblatt criou o Perceptron . Um período de pesquisa silenciosa seguiu-se durante 1960 a 1980, quando poucas pesquisas foram publicadas devido a um entusiasmo exagerado que não teve retorno rápido.

Redes Neurais Artificiais – Histórico (III) Em 1983, John Hopfield, físico de reputação mundial, escreveu artigos que percorreram o mundo todo persuadindo centenas de cientistas, matemáticos, e tecnólogos a se unirem esta nova área emergente. Seu trabalho descrevia um modelo de rede neural, baseado no sistema nervoso de uma lesma.

Neurônio Natural (II) Cérebro humano : considerado o mais fascinante processador baseado em carbono existente, possui aprox. 10 bilhões de neurônios. Os neurônios estão conectados uns aos outros através de sinapses. Cada neurônio é capaz até 10.000 sinapses com outros neurônios. Se cada ligação fosse considerada um bit, teríamos 100 trilhões de bits ou 11,37 Tb de capacidade máxima de memória.

Neurônio Artificial (I) Sinais são apresentados à entrada; Cada sinal é multiplicado por um peso que indica sua influência na saída da unidade; É feita a soma ponderada dos sinais que produz um nível de atividade; Se este nível excede um limite (threshold) a unidade produz uma saída;

Neurônio Artificial (II) Entradas = X1 a XN Saída = Output Pesos = W1 a WN Limiar (Threshold) =  Saida = F (Inputs) S = F transf (  xi * wi ) S = 0 se  xi * wi <  1 se  xi * wi >= 

Neurônio Natural x Artificial (I) Os neurônios naturais operam na faixa dos milisegundos, e os artificiais em nanosegundos. Nossa capacidade de fazer cálculos numéricos é menor que computadores muito antigos. Fazemos em aproximadamente uma centena de etapas o que os computadores atuais não conseguem em 10 milhões – devido ao paralelismo.

Neurônio Natural x Artificial (II) Neurônios naturais estão propensos a falhas (podem morrer). Componentes digitais precisam operar sem defeito. O que é mais fácil: construir um circuito com bilhões de componentes com 95% de funcionamento correto, ou uma máquina com um milhão de componentes que funcionem perfeitamente?

A Rede Neural – Aspectos (I) São conectadas por canais de comunicação que estão associados a determinado peso. As unidades fazem operações apenas sobre seus dados locais. O comportamento inteligente de uma Rede Neural Artificial vem das interações entre as unidades de processamento da rede.

A Rede Neural – Aspectos (II) Possui alguma regra de treinamento, onde os pesos de suas conexões são ajustados de acordo com os padrões apresentados. Processo de treinamento a partir dos casos reais conhecidos. É capaz de extrair regras básicas a partir de dados reais, diferindo da computação programada, onde é necessário um conjunto de regras rígidas pré-fixadas e algoritmos.

RNA - Exemplo de Uso (I) Sistema de auxílio ao diagnóstico de pacientes: 8 perguntas: sintomas do paciente (resp.: S/N) Sintomas: 1 = Dor de Cabeça, 2 = Febre, 3 = Náuseas, ... 1 2 3 4 5 6 7 8 Diagnóstico S S N S S S S N Pneumonia S N S S N S S S Pneumonia S N S N N S N S Gripe S N N S S N N N Gripe

RNA - Exemplo de Uso (II) Realizar o diagnóstico baseado nos conhecimentos prévios. Consultas ao sistema: S,N,S,N,S,N,S,N => Diagnóstico ? S,N, ?,? ,S,N,S,N => Diagnóstico ?

RNA– Aprendizado (I) A propriedade mais importante das redes neurais é a habilidade de aprender de seu ambiente e com isso melhorar seu desempenho. Todo o conhecimento de uma rede neural está armazenado nas sinapses, ou seja, nos pesos atribuídos às conexões entre os neurônios.

RNA - Aprendizado (II) De 50 a 90% do total de dados deve ser separado para o treinamento, e o restante para testes; Os dados são escolhidos aleatoriamente, a fim de que a rede "aprenda" as regras e não "decore" exemplos; O aprendizado ocorre quando a rede neural atinge uma solução generalizada para uma classe de problemas.

RNA – Aplicações (I) Reconhecimento de Padrões em Imagens; Reconhecimento ótico de caracteres (OCR).

RNA – Aplicações (II) Identificação de fraude de cartão de crédito; Avaliação de crédito; Controle de processos; Classificação de dados; Robótica; Reconhec. de padrões em linhas de montagem ; Filtros contra ruídos eletrônicos; Análise de voz www.cerebromente.org.br/n05/tecnologia/simulando.htm

RNA - Vantagens Tolerância a falhas: falha em alguns neurônios não causa efeitos significantes na performance do sistema; Aquisição automática de conhecimentos (onde temos bases de exemplos disponíveis); RNAs podem lidar com dados imprecisos e situações não totalmente definidas;

RNA - Limitações Trabalhar com conhecimentos simbólicos de alto nível; Dificuldade de explicitação dos conhecimentos adquiridos; Dificuldade para definir a estrutura da rede, seus parâmetros e a base de dados; Falta de garantia de uma convergência do algoritmo para uma solução ótima;

Referências http://www.intelliwise.com/reports/info2001.htm http://www.ucs.louisiana.edu/%7Eisb9112/dept/phil341/wisai/WhatisAI.html http://www.cs.bham.ac.uk/%7Eaxs/courses/ai.html http://pt.wikipedia.org/wiki/Intelig%C3%AAncia_artificial http://pt.wikiquote.org/wiki/Intelig%C3%AAncia http://www.ucb.br/prg/professores/rogerio/FIA/fundia.html http://to-campos.planetaclix.pt/neural/hop.html http://codebetter.com/photos/greg_young/images/169874/320x394.aspx http://www.dcc.fc.up.pt/~jpp/cia/node54.html > http://www.livinginternet.com/i/ii_ai.htm http://www.conpet.gov.br/ed/ http://www.inbot.com.br/sete/ http://www.cin.ufpe.br/~in1006/2003/AIParadigms.ppt http://www.stdwizard.org/ http://expertise2go.com/webesie/ http://www.din.uem.br/ia/neurais/ > http://www.icmc.usp.br/~andre/research/neural/index.htm http://www.inf.unisinos.br/~osorio/neural.html Inteligência Artificial – Elaine Rich e Kevin Knight – 2ª edição Redes Neurais – Fundamentos e Aplicações com Programas em C – Oswaldo Ludwig Jr. e Eduard Montgomery – 1ª edição

IA Redes Neurais Artificiais

Mais conteúdo relacionado

Mais procurados

Destaque

Semelhante a IA Redes Neurais Artificiais

IA Redes Neurais Artificiais