Inteligência Computacional Aplicadamauro.roisenberg/ine5377/Cursos... · Conteúdo OO que é “Inteligência” Computacional? OÁreas de Aplicação OTécnicas Inteligentes –

InteligênciaComputacional Aplicada

InteligênciaInteligênciaComputacional AplicadaComputacional Aplicada

ConteúdoConteúdo

O que é “Inteligência” Computacional?O que é “Inteligência” Computacional?Áreas de AplicaçãoÁreas de AplicaçãoTécnicas InteligentesTécnicas Inteligentes–– Sistemas EspecialistasSistemas Especialistas–– Lógica NebulosaLógica Nebulosa–– RedesRedes Neurais Neurais–– Algoritmos GenéticosAlgoritmos GenéticosSistemas Inteligentes do ICASistemas Inteligentes do ICA

“Técnicas e sistemas computacionaisque imitam aspectos humanos, tais

como: percepção, raciocínio,percepção, raciocínio,aprendizado, evolução e adaptaçãoaprendizado, evolução e adaptação”.

O que é InteligênciaComputacional?

O que é InteligênciaO que é InteligênciaComputacional?Computacional?

Sistemas Especialistas

Lógica Fuzzy

Redes Neurais

Algoritmos Genéticos

Sistemas Híbridos

inferência humana

processamento lingüístico

neurônios biológicos

evolução biológica

aspectos combinados

Inspiração na NaturezaInspiração na NaturezaInspiração na NaturezaSistemas Computacionais de

Suporte à DecisãoSistemas Computacionais deSistemas Computacionais de

Suporte à DecisãoSuporte à Decisão

Sistemas Especialistas

Lógica Fuzzy

Redes Neurais

Algoritmos Genéticos

Sistemas Híbridos

Aquisição de ConhecimentoAquisição de Conhecimento

PrevisãoPrevisão

OtimizaçãoOtimização

ControleControle

PlanejamentoPlanejamento

DataData Mining Mining

Análise de RiscoAnálise de Risco

Detecção de FraudeDetecção de Fraude

Áreas de AplicaçãoÁreas de AplicaçãoÁreas de AplicaçãoEnergiaFinanças

TelecomunicaçõesMedicina

Meio-Ambiente

Indústria

Comércio

Meio Ambiente

Simulação de Forno de Craqueamento da Refinaria REDUC Utilizando Redes NeuraisSensor Virtual por Redes Neurais para a Medição de Intemperismo na Produção do GLPOtimização da Distribuição Combustíveis por Algoritmos Genéticos

Alguns Projetos Desenvolvidos no ICASetor Tema

Petroquímico

Ensino

Energia

Industrial

Comercial

Econômico/Financeiro

Software Educacional para o Ensino de Sistemas Inteligentes

Previsão de Carga Elétrica por Redes Neurais: Mensal, Horária, Pico, Intervalos 10minSistema Híbrido de Detecção e Diagnóstico de Falhas em Sistemas ElétricosOtimização de Despacho por Algoritmos GenéticosOtimização da Alocação de Capacitores em Sistemas ElétricosControle de Cheias em reservatórios de usinas hidrelétricasReconhecimento de Descargas Parciais em Equipamentos Elétricos

Sistema Inteligente de Reconhecimento de Imagens BidimensionaisRedes Neurais Aplicadas a Ensaios Não-Destrutivos de Materiais CondutoresSistemas Inteligentes Aplicados ao Reconhecimento de VozOtimização e Planejamento da ProduçãoControle e Navegação de RobosCompressão de Imagens Digitalizadas por Redes Neurais

Otimização do Planejamento de Horários/Alocação de Salas por Algoritmos GenéticosReconhecimento de Dígitos Manuscritos por Redes Neurais para Leitura de Código PostalReconhecimento de Caracteres Impressos (OCR) Utilizando Redes NeuraisPrevisão da Demanda de LubrificantesDescoberta de Padrões em Bancos de Dados ComerciaisClassificação/Segmentação de Clientes a partir de Informações Cadastrais em BD

Planejamento de Fluxo de Caixa Inteligente (FCI)Gerência de Carteira de Investimentos (Risco x Retorno) por Algoritmos GenéticosPrevisão de Indicadores Financeiros por Redes NeuraisPrevisão do Índice Bovespa por Redes NeuraisModelos Híbridos de Previsão de Séries TemporaisPrevisão de Precipitação Pluviométrica na Área do Nordeste por Redes Neurais

Empresa Sistema Inteligente TécnicasSouza Cruz • Fluxo de Caixa Inteligente • Alg. GenéticosEletrobrás • Previsão do Consumo Mensal de Energia Elétrica • Redes NeuraisEmbratel • Classificação de Clientes • Redes Neurais

• Alg.GenéticosPUC-Rio • Alocação de Salas de Aula

• Avaliação da Produção Científica• Alg. Genéticos• Lógica Fuzzy

Cia. Vale doRio Doce

• Projeto S4: Planejamento e Otimização de Embarquede Minério no Porto de Tubarão

• Projeto S4-V2: Planejamento e Otimização deEmbarque de Minério Porto de Tubarão

• Projeto Monitor: Fase de Especificação• Projeto Monitor: Fase de Desenvolvimento• Projeto SIMCAP: Simulação do Porto da Madeira• Projeto TPMSIM-DXS

• Alg. Genéticos• Oracle• UML

Petrobrás • Inferência de Propriedades de Derivados do Petróleo• Gestão Conhecimento Instrumentação e Automação• Análise de Alternativas de Investimento em Projetos

de Exploração e Prospeção de Petróleo sobIncertezas Técnicas e de Mercado

• Otimização da Quantidade e Localização de PoçosPetrolíferos para o Desenvolvimento de um Campode Petróleo sob condições de certeza

• ANEPI-2: Análise Alternativas de InvestimentoProjetos de Exploração Prospeção Petróleo - FASE 2

• Redes Neurais• Sistemas

Especialistas• Alg. Genéticos• Neuro-Fuzzy• UML• CORBA

ScoreTec • Software Vox Score para a aquisição, gerenciamentoe análise da voz, para triagem de recursos humanos

• SQL Server• UML• Redes Neurais

Light • Sistema Inteligente Apoio à Decisão na Recuperaçãode Perdas por Fraude e na Caracterização dosFraudadores

• Redes Neurais• Neuro-Fuzzy• Alg. Genéticos

Previsão de Demanda de Energia ElétricaDemanda de Energia Elétrica:mensal, horária, 10 em 10 min., horário de pico.Previsão mensal de Demanda de LubrificantesDemanda de LubrificantesPrevisão Consumo de cigarrosConsumo de cigarros: semanal, mensalPrevisão de Safra de CacauSafra de CacauPrevisão de Índices financeirosÍndices financeiros

PrevisãoPrevisãoPrevisãoPrevisãoPrevisão

Otimização do Fluxo de CaixaFluxo de CaixaOtimização de Carteira de InvestimentosCarteira de InvestimentosOtimização de Alocação de Espaço FísicoAlocação de Espaço FísicoPlanejamento da Manutenção de MáquinasManutenção de MáquinasPlanejamento de Embarque de MinérioEmbarque de MinérioOtimização da Exploração de um Campo deExploração de um Campo dePetróleoPetróleo

Otimização e PlanejamentoOtimização e Planejamento Data MiningData Data MiningMining

Caracterização do Negócio– extrair regras de BD que caracterizem o negócio

Enriquecimento de Banco de Dados– inferir informações a partir de levantamento parcial

Segmentação da Base– agrupar entradas “similares” em clusters

Classificação de Entradas– pré-classificar um nova entrada em um cluster

Análise de Risco em Investimentos– identificação de regras de investimento

Processos IndustriaisProcessos IndustriaisProcessos Industriais

Detecção e Diagnóstico de Falhas– Rede Neural detecta falha na rede elétrica e

Sistema Especialista fornece o diagnóstico

Manutenção Preditiva– Rede Neural prevê momento ideal para a

realização de manutenção

Inferência/Predição de Propriedades– Rede Neural infere propriedades de derivados de

petróleo em refinarias (intemperismo, etc)

SistemasEspecialistas

SistemasSistemasEspecialistasEspecialistas

⇒ São programas que armazenam e manipulamo conhecimentoconhecimento adquirido de um especialista.

Conceitos BásicosConceitos BásicosConceitos Básicos⇒ São programas que armazenam e manipulam o

conhecimento adquirido de um especialista.

Requer entrevistas e observações para extrairextrairo conhecimentoo conhecimento..Conhecimento é representado em formatomanipulável pelo computadormanipulável pelo computador..

Conceitos BásicosConceitos BásicosConceitos Básicos

Regras de produçãoRegras de produção Regra i IF <condição_1> AND <condição_2>...

THEN <ação_A> AND <ação_B> ....

Representação do ConhecimentoRepresentação do ConhecimentoRepresentação do Conhecimento

Regras de produçãoRegras de produção Regra i IF <condição_1> AND <condição_2>...

THEN <ação_A> AND <ação_B> ....

Exemplos: IF Carro = BMW AND cidade = São Paulo THEN seguro = 10% valor carro

IF carro = Fiat AND cidade = Icapuí THEN seguro = 4% valor carro

Representação do ConhecimentoRepresentação do ConhecimentoRepresentação do Conhecimento

Organização de Sistemas EspecialistasOrganização de Sistemas EspecialistasOrganização de Sistemas Especialistas

Base de conhecimento

IF Carro = BMW AND cidade = SP THEN seguro = 10% IF Carro = Fiat AND cidade = Icapuí THEN seguro = 4%

Memóriade

Trabalho

carro = Fiatcidade = Icapuí

Memóriade

Trabalho

Máquina de Inferência

Memóriade

Trabalho

Máquina de Inferência

Sistema deExplicações

Aquisição de Conhecimento

Adequada para aplicações onde: oconhecimentoconhecimento (o especialista) é

acessívelacessível, as regras são conhecidasregras são conhecidas efáceisfáceis de serem formuladas por este

especialista, e quando explicaçõesexplicações sãonecessárias.

AvaliaçãoAvaliaçãoAvaliação

utiliza representaçãoexplícita doconhecimento

capazes de gerarjustificativas(explicações)

ausência demecanismo automáticode aprendizadoprocesso longo e carode extração doconhecimentoexigência dedeclarações precisasdos especialistas

AvaliaçãoAvaliaçãoAvaliaçãoVantagens Desvantagens

Aplicações ComerciaisAplicações ComerciaisAplicações Comerciais

Citibank, Análise de empréstimos pessoais, National Westminster, Gerência de Carteira de Investimento Midland Bank:

American Express: Sistema de Auxílio para Autorização de Crédito (CC)

LógicaNebulosaLógicaLógica

NebulosaNebulosa

Técnica inteligente que tem comoobjetivo modelar o modoaproximado de raciocínioaproximado de raciocínio,

imitando a habilidade humana detomar decisões em um ambiente

de incertezaincerteza e imprecisãoimprecisão

Permite que os sistemas inteligentes decontrolecontrole e suporte à decisãosuporte à decisão lidem cominformações imprecisas ou nebulosasnebulosas

Exemplos: • investimento de alto risco• pressão média• fluxo muito intenso• alta temperatura• muito jovem

Conjuntos Nebulosos

Grau de Pertinência a um Conjunto

Regras Nebulosas

Inferência Nebulosa

Novos ConceitosNovos ConceitosNovos Conceitos

Conjuntos NebulososConjuntos NebulososGrau de Pertinência a um Conjunto

Regras Nebulosas

Novos ConceitosNovos ConceitosNovos Conceitos Conjuntos e Regras RígidosConjuntos e Regras RígidosConjuntos e Regras Rígidos

0 10 20 30 40 50 60

muitojovem jovem velho muito velho

Conjuntos e Regras RígidosConjuntos e Regras RígidosConjuntos e Regras Rígidos

0 10 20 30 40 50 60

Se idade igual a 4040 entãosou velhovelho..

0 10 20 30 40 50 60

Conjuntos e Regras RígidosConjuntos e Regras RígidosConjuntos e Regras Rígidos

0 10 20 30 40 50 60

Se idade igual a 4040 entãosou velhovelho.

Se idade igual a 3939 entãosou jovem.jovem.

0 10 20 30 40 50 60

Conjuntos Nebulosos

Grau de Pertinência a um ConjuntoGrau de Pertinência a um ConjuntoRegras Nebulosas

Novos ConceitosNovos ConceitosNovos Conceitos Conjuntos NebulososConjuntos NebulososConjuntos Nebulosos

0 10 20 30 40 50 60

10 20 30 40 50 60

grau depertinência

Conjuntos NebulososConjuntos NebulososConjuntos Nebulosos

10 20 30 40 50 60

grau depertinência

Pedro tem 40 anos.Ele é jovemjovem ou velhovelho?

muitojovem

jovem velho muito velho

10 20 30 40 50 60

grau depertinência

muitojovem

jovem velho muito velho

Pedro é jovemjovem E velhovelho, ao mesmo tempo (com graus diferentes)

Os graus de pertingraus de pertinêênciancia demostram que Pedro não é

nem tnem tãão jovemo jovem, nem tnem tãão velhoo velho

Conjuntos Nebulosos

Regras NebulosasRegras NebulosasInferência Nebulosa

Novos ConceitosNovos ConceitosNovos Conceitos

Regras Nebulosas

SE idade é meia-idademeia-idade E pressão ébaixabaixa ENTÃO seguro é baixobaixo

Sistema para Análise deSeguro Saúde

Sistema para Análise deSistema para Análise deSeguro SaúdeSeguro Saúde

Regras Nebulosas

SE idade é meia-idade E pressão ébaixa ENTÃO seguro é baixoSE idade é jovemjovem E pressão é altaaltaENTÃO seguro é altoalto

Sistema para Análise de Seguro Saúde

Sistema para Análise deSistema para Análise de Seguro Saúde Seguro Saúde

Conjuntos Nebulosos

Regras Nebulosas

Inferência NebulosaInferência Nebulosa

Novos ConceitosNovos ConceitosNovos Conceitos Conjuntos NebulososConjuntos NebulososConjuntos Nebulosos

0.1 0.3 0.4 0.5 0.8 0.9 1.0AltoBaixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1

Seguro 500 700 800 900 10001200300

Pressão Mín. 50 55 60 70 75 80 85 90 1000.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta

Baixa 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1

Pressão Máx. 95 100110120 130 140 150 160 170 17560 65

Idade 20 25 30 35 40 45 50 55 60 650.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1Meia-Idade

Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0

0.1 0.3 0.4 0.5 0.8 0.9 1.0AltoBaixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1

Seguro 500 700 800 900 10001200300Baixa

Pressão Mín. 50 55 60 70 75 80 85 90 1000.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1

Pressão Máx. 95 100110 120 130 140 150 160 170 17560 65

Idade 20 25 30 35 40 45 50 55 60 650.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1Meia-Idade

Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0

SE idade é meia-idade E pressão é baixa ENTÃO seguro é baixo

0.1 0.3 0.4 0.5 0.8 0.9 1.0AltoBaixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1

Seguro 500 700 800 90010001200300

Idade 20 25 30 35 40 45 50 55 60 650.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1Meia-Idade

Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0

SE idade é meia-idade E pressão é baixa ENTÃO seguro é baixo

Pressão Mín. 50 55 60 70 75 80 85 90 1000.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1

Pressão Máx. 95 100110 120 130 140 150 160 170 17560 65

0.1 0.3 0.4 0.5 0.8 0.9 1.0AltoBaixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1

Seguro 500 700 800 900 10001200300

Idade 20 25 30 35 40 45 50 55 60 650.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1Meia-Idade

Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0

SE idade é jovem E pressão é alta ENTÃO seguro é alto

Pressão Mín. 50 55 60 70 75 80 85 90 1000.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1

Pressão Máx. 95 100110 120 130 140 150 160 170 17560 65

0.1 0.3 0.4 0.5 0.8 0.9 1.0AltoBaixo 1.0 0.9 0.6 0.5 0.3 0.1 0.1

Seguro 500 700 800 90010001200300

Idade 20 25 30 35 40 45 50 55 60 650.3 0.4 0.6 0.8 0.9 1.0 0.8 0.6 0.3 0.1Meia-Idade

Jovem 0.9 0.8 0.7 0.6 0.4 0.3 0.1 0.0 0.0 0.0

SE idade é jovem E pressão é alta ENTÃO seguro é alto

Pressão Mín. 50 55 60 70 75 80 85 90 1000.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0Alta1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1

Pressão Máx. 95 100110 120 130 140 150 160 170 17560 65

Técnica utilizada em aplicações:

• onde o conhecimento envolve conceitos subjetivossubjetivos e intrinsecamenteintrinsecamente imprecisos imprecisos;• e onde deseja-se obter explicaçõesexplicações sobre o resultado do problema.

facilidade de lidar comdados imprecisos.facilita a descrição

das regras pelos especialistas.

menor número deregras.explicação do raciocínio

especificação dasfunções de pertinência.necessidade de umespecialista e/ou dadoshistóricos.

AvaliaçãoAvaliaçãoAvaliaçãoVantagens Desvantagens

NISSAN: freios antiderrapantesGM: sistema de transmissão nebulosoSANYO: microondasSHARP: refrigeraçãoBOSCH: máquinas de lavarHITACHI: aspiradorPANASONIC: camcorder

Aplicações IndustriaisAplicações IndustriaisAplicações Industriais Aplicações ComerciaisAplicações ComerciaisAplicações Comerciais

Yamaichi Securities: Sistema de Gerenciamento de Fundos de Investimento

Fuji Bank: Sistema de Negociação de Bolsa de Valores

World Bank: Sistema de Investimento

Metus Systems: Sistema fuzzy de detecção de fraude no sistema de saúde

Aplicações do CursoAplicações do CursoControle de Coloração e Nível de TanquesControle de Braço mecânico com extração automática de regrasSistema de Análise de Seguro SaúdeAnálise de Crédito BancárioPrevisão da Classificação da VolatilidadePrevisão de Carga Elétrica Horária e 10 em 10 min.Previsão de produção de cacau“Clusterização” de Banco de Dados (países, imagens de satélite, etc)Análise de HipertensãoClassificação de clientes inadimplentesSistema de Avaliação de Risco BancárioSistema para definição de preço de produto novoConsultas Fuzzy a bancos de dados relacionaisAnálise de produção de empregados.

..Redes NeuraisRedesRedes Neurais Neurais

Redes NeuraisRedesRedes Neurais Neurais

Modelo Computacional inspirado nosneurônios biológicos e na estrutura docérebro com capacidade de adquirir,armazenar e utilizar conhecimento

experimental.

Neurônio BiológicoRede de Neurônios10 bilhões neurôniosAprendizadoGeneralizaçãoAssociaçãoReconhecimento dePadrões

Neurônio ArtificialEstrutura em Camadascentenas/milharesAprendizadoGeneralizaçãoAssociaçãoReconhecimento dePadrões

Relação com a NaturezaRelação com a NaturezaRelação com a Natureza

CérebroCérebro Redes Redes Neurais Neurais ArtificiaisArtificiais

CorpoSomático

Neurônio Biológico

Dendritos

CorpoSomático

Sinapses

CorpoSomático

Dendritos Sinapses Dendritos

Axônio

CorpoSomático

Sinapses Dendritos

Axônio

CorpoSomático

Redes NeuraisRedesRedes Neurais NeuraisNeurônio Artificial

PesosSinapses Dendritos

Axônio

CorpoSomático

PesosPropagação

Sinapses Dendritos

Axônio

CorpoSomático

PesosPropagação Ativação

H 1I 1

Entrada Escondida

Estrutura da Rede NeuralEstrutura da RedeEstrutura da Rede Neural Neural

Saída

H 1I 1

Atividade

Neural

EntradaPesos

Escondida

Estrutura da Rede NeuralEstrutura da RedeEstrutura da Rede Neural Neural

Saída

Os pesos guardam o conhecimento (a memória)da Rede Neural.

H 1I 1

Atividade

Neural

Dados para

Treinamento

Entrada

Escondida

Treinamento da Rede NeuralTreinamento da RedeTreinamento da Rede Neural Neural

Saída

H 1I 1

Atividade

Neural

Dados para

Treinamento

Entrada

Escondida

Saída

H 1I 1

Atividade

Neural

Dados para

Treinamento

EntradaPesos

Escondida

Saída

Dados para

Treinamento

H 1I 1

EntradaPesos

Escondida

Saída

Erro = -w

Pesos são ajustados de acordo com o erroencontrado .

H 1I 1

Atividade

Neural

Dados para

Treinamento

Entrada

Escondida

Saída

H 1I 1

Atividade

Neural

Dados para

Treinamento

Entrada

Escondida

Saída

H 1I 1

Atividade

Neural

Dados para

Treinamento

Entrada

Escondida

Saída

Dados para

Treinamento

H 1I 1

EntradaPesos

Escondida

Saída

Erro = -

H 1I 1

Atividade

Neural

Dados para

Treinamento

Entrada

Escondida

Saída

H 1I 1

Atividade

Neural

Dados para

Treinamento

Entrada

Escondida

Saída

H 1I 1

Atividade

Neural

Dados para

Treinamento

Entrada

Escondida

Saída

A Rede Neural é treinada até que o erro entre asaída da rede e o alvo seja satisfatório.

H 1I 1

Atividade

Neural

Entrada

Escondida

Saída

Utilização da Rede NeuralUtilização da RedeUtilização da Rede Neural Neural

NOVO DADO NÃO APRESENTADODURANTE O TREINAMENTO

H 1I 1

Atividade

Neural

Entrada

Escondida

Saída

Utilização da Rede NeuralUtilização da RedeUtilização da Rede Neural Neural

H 1I 1

Atividade

Neural

Entrada

Escondida

Saída

A Rede Neural é capaz de generalizar e reconhecerpadrões distintos dos usados no treinamento.

Utilização da Rede NeuralUtilização da RedeUtilização da Rede Neural Neural Previsão de Séries TemporaisPrevisão de Séries Temporais

Séries temporais

janela

alvovalor

tempoEntradas da rede =n valorespassados

Saída Desejada =

valor da sériek passos à

frente

Ex: 5 valorespassados

Ex: valor umpasso à frente

Previsão de Séries TemporaisPrevisão de Séries Temporais

Séries temporais

janela

Entradas da rede

Saída da rede:Valor previstoum passo à frente

Treinamento da Rede Treinamento da Rede NeuralNeural

Séries temporais

janela

Ajuste dos pesosa partir do erroErro= alvo - previsto

Entradas da rede

Treinamento da Rede Treinamento da Rede NeuralNeural

Séries temporais

janela

Entradas da rede

Treinamento da RedeTreinamento da Rede Neural Neural

Séries temporais

janela

Ajuste dos pesosa partir do erroErro=alvo - previsto

Entradas da rede

Séries temporais

janelaalvo

Entradas da rede

Séries temporais

janela

Entradas da rede

Séries temporais

janela

Entradas da rede

Séries temporais

janelaalvo

Entradas da rede

Séries temporais

janela

Entradas da rede

Previsão de Valores FuturosPrevisão de Valores Futuros

Séries temporaisjanelaprevisto

Saída da rede:Valor previsto

Séries temporais janela previsto

Entradas da rede:inclui valoresprevistos pela Rede

Séries temporais

janela

previsto

Entradas da rede:inclui valoresprevistos pela Rede

AvaliaçãoAvaliaçãoAvaliaçãoTécnica utilizada em aplicações:

• reconhecimento de padrõesruidososruidosos e/ou incompletosincompletos;• e onde regras claras não não podemser facilmente formuladas; formuladas;•não necessita de explicação do explicação doresultado.resultado.

Vantagens

modelagem desistemas não linearesaprendizadoautomáticotolerante a dadosruidosos e incompletosresposta rápida eprecisamodelos compactos

AvaliaçãoAvaliaçãoAvaliação Desvantagens

ausência de explicaçõessensível a quantidade dedados disponíveltempo de treinamento podeser grande.

Aplicações IndustriaisAplicações IndustriaisAplicações Industriais

Racal: Identificação de placas de veículos

Thomson: Sistemas de OCR

St. George’s Hospital: Sistema de classificação de tumores

CRAM: Sistema automático de seleção de laranjas

Fidelity Investments: Gerência de Fundos de Investimento ($2 bilhões)

Chase Manhattan Bank: Detecção de Fraudes em Cartões de Créditos

Citibank (USA): Avaliação de Crédito

Nikko Securities: Sistema de Negociação do Índice da Bolsa

Hill Samuel/UCL: Sistema de Previsão de Fundos de Investimento

Thorn EMI/UCL: Perfil do consumidor

Aplicações do CursoAplicações do Curso

Previsão de Demanda de Energia ElétricaPrevisão de Consumo de LubrificantesClassificação de Clientes (Data Mining)Enriquecimento de Banco de DadosAnálise de Crédito bancárioClassificação de Uso de Telefones (residencial e comercial)Análise de anomalias cardíacasReconhecimento de expressões faciaisInferência de derivados de petróleoClusterização de clientesClusterização de tipos de carvão

AlgoritmosGenéticosAlgoritmosAlgoritmosGenéticosGenéticos

Algoritmo de busca/otimizaçãobusca/otimizaçãoinspirado na seleção naturalseleção natural ereprodução genéticagenética.

Algoritmo de busca/otimizaçãoinspirado na seleção natural ereprodução genética.

Combina sobrevivência do mais aptosobrevivência do mais apto ecruzamentocruzamento aleatório de informação

IndivíduoCromossomaReprodução SexualMutaçãoPopulaçãoGeraçõesMeio Ambiente

SoluçãoRepresentaçãoOperador CruzamentoOperador MutaçãoConjunto de SoluçõesCiclosProblema

Analogia com a NaturezaAnalogia com a NaturezaAnalogia com a Natureza

Evolução NaturalEvolução Natural AlgAlg. Genéticos. Genéticos

Algoritmos Genéticos empregam umprocesso adaptativoadaptativo e paraleloparalelo de busca de

soluções em problemasproblemas complexoscomplexos.

Qual a finalidade de AlgoritmosGenéticos?

Qual a finalidade de AlgoritmosQual a finalidade de AlgoritmosGenéticos?Genéticos?

AdaptativoAdaptativo– informação corrente influencia a busca futura

ParaleloParalelo– várias soluções consideradas a cada momento

Problema ComplexoProblema Complexo– de difícil formulação matemática ou com grande

espaço de busca (grande número de soluções)

Qual a finalidade de AlgoritmosGenéticos?

Qual a finalidade de AlgoritmosQual a finalidade de AlgoritmosGenéticos?Genéticos? Exemplo:

Maximizar f (x) = x2 : encontrar x ∈ (0 ... 2 L -1) para f(x)=máx

2 L N ú m e r o d e P o n to sn o E s p a ç o

T e m p o d e B u s c a

L = 3 8 < 1 s e g

L = 1 0 1 0 2 4 < 1 s e g

L = 3 0 1 b ilh ã o 1 s e g

L = 9 0 1 0 2 7 1 5 b ilh õ e s d ea n o s

Problema ComplexoProblema ComplexoProblema Complexo

109 inst/seg

Exemplo:Maximizar f (x) = x2 : encontrar x ∈ (0 ... 2 L -1) para f(x)=máx

L = 3 8 < 1 s e g

L = 1 0 1 0 2 4 < 1 s e g

L = 3 0 1 b ilh ã o 1 s e g

L = 9 0 1 0 2 7 1 5 b ilh õ e s d ea n o s

109 inst/seg

L = 3 8 < 1 s e g

L = 1 0 1 0 2 4 < 1 s e g

L = 3 0 1 b ilh ã o 1 s e g

L = 9 0 1 0 2 7 1 5 b ilh õ e s d ea n o s

109 inst/seg

L = 3 8 < 1 s e g

L = 1 0 1 0 2 4 < 1 s e g

L = 3 0 1 b ilh ã o 1 s e g

L = 9 0 1 0 2 7 1 5 b ilh õ e s d ea n o s

109 inst/seg

L = 3 8 < 1 s e g

L = 1 0 1 0 2 4 < 1 s e g

L = 3 0 1 b ilh ã o 1 s e g

L = 9 0 1 0 2 7 1 5 b ilh õ e s d ea n o s

109 inst/seg

Problema da Cabra CegaProblema da Cabra CegaProblema da Cabra Cega

Busca de objetivo escondido em uma área

Avaliação adapta a busca

(X0 , Y0) tá frio

tesourotesouro

(X0 , Y0) tá frio(X1 , Y1) tá morno

tesourotesouro

(X0 , Y0) tá frio(X1 , Y1) tá morno(X2 , Y2) tá quente!

tesourotesouro

tesourotesouroy

Área Muito Grande Busca Paralela

xxBBxxA A

yy B B

tesourotesouroy

Área Muito Grande Busca Paralela

xxBBxxA A

yy B B

cruzamentocruzamento

AAtesourotesouro

xxBBxxA A

yy B B

tesourotesouroy

cruzamentocruzamento

(xxBB , ,yyAA )FF

AA SeleçãoSeleção: privilegia os indivíduos mais aptos

Operações BásicasOperações BásicasOperações Básicas

Seleção: privilegia os indivíduos mais aptos

ReproduçãoReprodução: indivíduos (palavras binárias) sãoreproduzidos com base na aptidão

Reprodução: indivíduos (palavras binárias) sãoreproduzidas com base na aptidão

CrossoverCrossover: troca de genes (pedaços de palavras)

Reprodução: indivíduos (palavras binárias) sãoreproduzidas com base na aptidão

Crossover: troca de genes (pedaços de palavras)

MutaçãoMutação: troca aleatória de um gene (bit da palavra)

Problema:Achar o valor máximo para f (x) = x2 , x no limite de 0 a 63.

ExemploExemploExemplo

Problema:Achar o valor máximo para f (x) = x2 , x no limite de 0 a 63.

Representação da Solução:Palavras binárias representando sucessivas potências de 2.

011100 => Representa 28 110101 => Representa 53 (uma solução mais apta)

ExemploExemploExemplo Seleção em Algoritmos GenéticosSeleção em Algoritmos GenéticosSeleção em Algoritmos Genéticos

População

Cromossoma Palavra

100100010010

010110

000001

Aptidão (x2 )

Seleção em Algoritmos GenéticosSeleção em Algoritmos GenéticosSeleção em Algoritmos Genéticos

População

Cromossoma Palavra

100100010010

010110

000001

Aptidão (x2 )

Seleção

Probabilidade Aptidão do de Seleção Cromossoma

Crossover

1 0 1 0 1 1

0 0 1 1 0 0

Operadores de Algoritmos GenéticosOperadores de Algoritmos GenéticosOperadores de Algoritmos Genéticos

Crossover

1 0 1 0 1 1 1 0 1 0 0 0

0 0 1 1 0 0 0 0 1 1 1 1

Pais Filhos

Mutação

Crossover

0 1 1 1 0 0

0 1 0 1 0 0

1 0 1 0 1 1 1 0 1 0 0 0

0 0 1 1 0 0 0 0 1 1 1 1

Pais Filhos

Depois

Cromossoma Palavra AptidãoA 100100 1296B 010010 324C 010110 484D 000001 1

Ciclo do Algoritmo GenéticoCiclo do Algoritmo GenéticoCromossoma Palavra Aptidão

A 100100 1296B 010010 324C 010110 484D 000001 1

Ciclo do Algoritmo GenéticoCiclo do Algoritmo Genético

Reprodução

Crossover

Mutação

Ciclo do Algoritmo GenéticoCiclo do Algoritmo GenéticoCromossoma Palavra Aptidão

A 100100 1296B 010010 324C 010110 484D 000001 1

ReproduçãoFilhos

Avaliaçãodos Filhos

Crossover

Mutação

ReproduçãoFilhos

Avaliaçãodos Filhos

Evolução

Técnica utilizada em aplicações:

• problemas complexoscomplexos de otimizaçãootimização;• problemas de difícil modelagemdifícil modelagemmatemática;•problemas com grande espaço degrande espaço debuscabusca.

Vantagens

Técnica de busca global

Otimização de problemasmal estruturadosDispensa formulaçãomatemática precisa doproblema

Desvantagens

Dificuldade narepresentação docromossoma

Evolução demorada emalguns problemas

Modelagem depende deespecialista em AG

AvaliaçãoAvaliaçãoAvaliação Aplicações IndustriaisAplicações IndustriaisAplicações Industriais

GENERAL ELECTRIC - Otimização de Projeto de Motores DC

BRITISH GAS - Otimização da Distribuição de Gás

BBN - Roteamento de Telecomunicações

ATTAR - Planejamento da Programação de TV

CAP VOLMAC - Avaliação de Crédito e Análise de Risco

SEARCHSPACE - Detecção de Fraude na Bolsa de Londres

IOC - Planejamento dos Jogos Olímpicos

CAP Gemini - Avaliação de Empréstimos e Financiamentos

GWI - Modelagem Econômica

World Bank - Geração de Regras de Negociação na Bolsa

Aplicações do CursoAplicações do Curso

Extração de Conhecimento em Bancos deDados Comerciais (Data Mining)Otimização do Fluxo de Caixa de EmpresasOtimização de Carteira de AtivosPlanejamento do embarque de produtos emum portoOtimização da Exploração de umCampo de Petróleo

wwwwww.ICA.ele..ICA.ele.pucpuc-rio.br-rio.br

Inteligência Computacional Aplicadamauro.roisenberg/ine5377/Cursos... · Conteúdo OO que é “Inteligência” Computacional? OÁreas de Aplicação OTécnicas Inteligentes –

Documents

ALGORITMOS DE INTELIGÊNCIA COMPUTACIONAL...

Inteligência Computacional no combate às fraudes -...

Inteligência Computacional...

Inteligência Computacional UFGD/Análise de Sistemas Prof.....

Tópicos em Inteligência Computacional - uel.br ·...

Modelos de Inteligência Computacional para Apoio à Triagem...

Inteligência Artificial Unidade - 1. Inteligência...

Inteligência Computacional Unidade 02 – Redes Neuronais.....

Inteligência Computacional e Algumas de suas...

Introdução Inteligência Computacional -...

Inteligência Computacionaldanielc/Ensino/Graduacao... ·.....

3 Técnicas da Inteligência Computacional

Apresentação final de Estágio Supervisionado...

Inteligência Computacional -...

Inteligência Computacional

Inteligência Computacional - each.usp.br · Peres. O que.....