Inteligência artificial para sistemas colaborativos

Inteligência Artificial para
Sistemas Colaborativos

Rodrigo Padula de Oliveira
@rodrigopadula
http://www.rodrigopadula.com

Conceito de Inteligência Artificial
A Inteligência Artificial(IA) é uma área de
pesquisa da ciência da computação dedicada a
buscar métodos ou dispositivos
computacionais que possuam ou multipliquem
a capacidade racional do ser humano de
resolver problemas, pensar ou, de forma
ampla, ser inteligente.

História da Inteligência Artifcial

Construção do Conhecimento e
Cooperação
A vida social transforma a inteligência do ser. Através da linguagem,
do conteúdo das permutas (valores intelectuais) e pelas regras impostas ao
pensamento (normas coletivas, lógicas ou pré-lógicas). A inteligência
humana desenvolve, desde a sua origem, a capacidade de agir
voluntariamente, controlando o meio físico, é tanto uma resultante quanto
uma componente deste processo. Para que possa ocorrer construção de
conhecimentos nos sujeitos em um ambiente qualquer, seja este educacional
ou não, é necessário que exista interação entre eles. Além disso, o
ambiente deve propiciar a confrontação de pontos de vista
divergentes, a existência de concepções diferentes a respeito de uma
mesma situação ou tarefa. Assim, é possível produzir conflitos socio-
cognitivos, mobilizando e forçando reestruturações intelectuais e, com
isso, o progresso intelectual. Mas isso depende de um fator de suma
importância, que é o tipo de relação ou interação que irá ocorrer entre os
sujeitos.

Técnicas de Inteligência Artificial
Ontologia: Em Ciência da Computação, Sistemas de Informação
e Ciência da Informação, uma ontologia é um modelo de dados que
representa um conjunto de conceitos dentro de um domínio e os
relacionamentos entre estes. Uma ontologia é utilizada para realizar
inferência sobre os objetos do domínio.

Mineração de Dados: Prospecção de dados (
português europeu) ou mineração de dados (português brasileiro)
(também conhecida pelo termo inglês data mining) é o processo de
explorar grandes quantidades de dados à procura de padrões
consistentes, como regras de associação ou sequências temporais,
para detectar relacionamentos sistemáticos entre variáveis, detectando
assim novos subconjuntos de dados.

Processo de Extração do Conhecimento

O processo de Extração do Conhecimento é composto por cinco etapas:

Seleção: etapa de escolha da base de dados a ser analisada.

Pré-processamento: etapa de “limpeza” dos dados, ou seja, reduzir discrepâncias
de valores ruidores e corrigir inconsistências.

Transformação: transformação de dados, estes são modificados ou transformados
em formatos apropriados à mineração, que pode por agregação, generalização,
normalização, construção de atributos ou redução de dados.

Mineração de dados: etapa de utilização de técnicas de algoritmos. É nesta etapa
que os testes realizados com o Weka são obtidos.

Aplicações de Data Mining
• Vendas no varejo
• Comércio Eletrônico
• Sistemas de recomendação
• Pesquisas Genéticas
• Sistemas de segurança
• Sistemas de operadoras de Cartões de
Crédito
• Mercado financeiro (bolsa de valores)

Redes Neurais
Redes neuronais ou redes neurais (mais propriamente, redes
neuronais artificiais) são sistemas computacionais estruturados
numa aproximação à computação baseada em ligações. Nós simples
(ou neurões, neurônios, processadores ou unidades) são interligados
para formar uma rede de nós - daí o termo rede neuronal. A inspiração
original para essa técnica advém do exame das estruturas do cérebro
em particular do exame de neurônios.

Processos de Aprendizagem de
uma Rede Neural

A propriedade mais importante das redes neurais é a habilidade
de aprender de seu ambiente e com isso melhorar seu
desempenho. O aprendizado ocorre quando a rede neural atinge
uma solução generalizada para uma classe de problemas.

Paradigmas de aprendizagem das Redes
Neurais:

1- Por independência de quem aprende
As Redes Neurais Artificiais aprendem por memorização, contato,
exemplos, por analogia, por exploração e também por descoberta.

2. Por retroação do mundo
Diz repeito a ausência ou presença de realimentação explícita do
mundo exterior, ou seja, que em certos intervalos de tempo um agente
assinala acertos e erros.
2.1 Aprendizado Supervisionado: utiliza um agente externo que
indica à rede um comportamento bom ou ruim de acordo com o padrão
de entrada
2.2 Aprendizado Não Supervisionado (auto-organização): não utiliza
um agente externo indicando a resposta desejada para os padrões de
entrada, utiliza-se entretanto, exemplos de coisas semelhantes para que
a rede responda de maneira semelhante.

3. Por Finalidade do Aprendizado

3.1 Auto-associador: é apresentada à rede uma coleção de
exemplos para que ela memorize. Quando se apresenta um dos
elementos da coleção de exemplos mas de modo errôneo, a rede
deve mostrar o exemplo original, funcionando assim como um
filtro.
3.2 Hetero-associador: é uma variação do Auto-associador,
mas que se memoriza um conjunto de pares. O sistema aprende a
reproduzir o segundo elemento do par mesmo que o primeiro
esteja pouco modificado, funcionando desta maneira como um
reconhecedor de padrões.

Sistemas Especialistas

Sistemas especialistas são programas que têm como objetivo simular
o raciocínio de um profissional “expert” em alguma área de
conhecimento bem específica. Por exemplo, um sistema especialista
em “câncer de mama” (área específica da medicina) perguntaria certos
dados ao usuário e forneceria um diagnóstico acrescido de um
aconselhamento profissional sobre o que seria o melhor a fazer nesse
caso informado.

Agentes e sistemas multiagentes

A modelagem baseada em agentes é uma técnica de modelagem
extremamente rica que permite lidar com sistemas complexos a partir
de suas unidades constituintes e identificar propriedades emergentes
resultantes das interações entre estas. Algumas situações são
particularmente úteis para utilização desta técnica: quando lidamos
com uma população heterogênea em que cada indivíduo é
(potencialmente) diferente; quando os agentes apresentam
comportamento complexo, incluindo aprendizagem e adaptação;
quando a interação entre os agentes é complexa; quando o espaço é
crucial e o posicionamento dos agentes não é fixo. (Bonabeau, 2002)

Modelagem baseada em agentes
• Na modelagem baseada em agentes,
consideramos como “agente” qualquer
elemento para o qual desejamos atribuir um
comportamento.
• Nesse tipo de modelagem os agentes
possuem: representação interna dos dados
(memória ou estágio); meios para modificar
suas representações internas (percepções);
e meios para modificar seu ambiente
(comportamento).

Sistemas Autonômicos

Os sistemas autonômicos escondem a sua complexidade e
oferecem ao usuário uma interface que atende somente as
suas necessidades. Os administradores são responsáveis
apenas por decisões de alto-nível como definição de
políticas e objetivos. A denominação autonômica vem do
fato de que os dispositivos e softwares presentes na AC
operam por conta própria. Outra característica dos
sistemas autonômicos é a sua otimização constante para
garantir a prestação de melhores serviços, se adequar ao
ambiente que está inserido e reduzir problemas
relacionados a complexidade das redes (MAIA, 2006).

Inteligência Artificial Aplicada a
Sistemas Colaborativos

Técnica de Apoio a Comunicação

• Sensemaking ( apoio para entendimento e
organização de informações)

• Ontologias de domínios para identificação
de assuntos tratados em mensagens.

Técnica de Apoio a Coordenação

• Uso da IA para resolução de conflitos em
trabalhos colaborativos (controle de conflitos
através de sistemas especialistas e ou
agentes)
• Mapeamento de competências, definição de
papéis e sistemas de recomendação
profissional.

Inteligência artificial para sistemas colaborativos

Mais conteúdo relacionado

Mais procurados (14)

Destaque (20)

Semelhante a Inteligência artificial para sistemas colaborativos (20)

Último (9)

Inteligência artificial para sistemas colaborativos