Sistemas Híbridos Inteligentes

1

Sistemas Híbridos Inteligentes

Teresa Bernarda Ludermir

Centro de Informática - UFPE

2

O que é um sistema híbrido?

Híbridos Definição: o que é heterogêneo em orígem ou

composição (latin) Biologicamente híbridos

Várias espécies vegetais são híbridas de outras espécies ou plantas

Tecnologicamente híbridos Sistemas inteligentes utilizando diferentes métodos

de processamento de informação

3

Técnicas de IA

RedesNeurais

LógicaFuzzy Algoritmos

Genéticos

SchemataProgramação

Lógica

Redes Semânticas

Raciocínio Baseado em casos

Raciocínio Baseado

em Regras

Outras

4

Por que sistemas híbridos?

Toda técnica de IA tem suas vantagens e desvantagens para resolver diferentes tipos de problemas

Técnicas atuais ainda estão muito distantes da capacidade de processamento dos seres humanos

Existem problemas complexos de IA que não podem ser resolvidos, facilmente, com as técnicas atuais

5

Por que sistemas híbridos?

Os sistemas inteligentes coletivamente possuem características como: habilidade de aprendizagem, adaptação às mudanças, capacidade de explanação e flexibilidade para lidar com informações imprecisas e incompletas, etc.

Nenhuma técnica inteligente por si só possui todas essas características.

As limitações e pontos fortes de cada uma das técnicas inteligentes é a força motriz por trás dos sistemas inteligentes híbridos.

Ao integrar as técnicas inteligentes podem ser aumentados os pontos fortes e reduzidos os pontos fracos do sistema inteligente.

Sistemas Inteligentes Híbridos

O teorema da Inexistência de Almoço Grátis O No-Free-Lunch Theorem (NFL) afirma que todos os

algoritmos de busca têm exatamente o mesmo desempenho, quando faz-se uma média através de todos os infinitos problemas existentes.

6

7

Objetivo de sistemas híbridos

Integração de diferentes técnicas de processamento de informações em um sistema para resolver problemas em domínios onde nenhuma das técnicas originais (tradicionais) tem sido aplicada com sucesso

8

Razões para a criação de Sistemas Híbridos

Aperfeiçoamento das técnicas: Integração de diferentes técnicas para superar as limitações de cada técnica. Aqui o objetivo é tomar uma técnica que tem um ponto fraco em dada propriedade e combiná-la com uma técnica que tem a força, nessa mesma propriedade.

Aplicação em múltiplas tarefas: Quando nenhuma técnica está disponível para os muitos subproblemas de uma determinada aplicação, então um sistema híbrido é utilizado.

Percepção de multi-funcionalidades: Sistemas híbridos podem exibir várias informações das capacidades de processamento dentro de uma arquitetura.

9

Problemas de implementação

Diferentes representações de conhecimento Conhecimento estruturado versus não estruturado

RegrasCasos

Bases de dados Dados numéricos

10

Problemas de implementação

Processos de inferência diferentes Serial Processamento paralelo distribuído

Não existe, atualmente, nenhuma abordagem genérica para combinar diferentes esquemas de representação de conhecimento e processos de inferência

11

Foco de pesquisas em SHIs

combinar técnicas fortemente baseadas em dados (e.g., RNAs) com técnicas que se utilizam de conhecimento (e.g., Lógica Fuzzy)

12

IA simbólica

Pode contribuir com: Teoria rígida para manipulação de símbolos –

prova de teoremas. Mecanismos rigorosos e exatos de raciocínio,

incluindo raciocínio encadeado. Modelo de computação universal (e.g., regras

de produção).

13

IA simbólica

Dificuldades: Aquisição de conhecimento. Elicitação de conhecimento de grandes massa

de dados coletadas previamente. Representação de dados e conhecimento

incompleto, ambíguo, com ruído, etc. Processamento de raciocínio aproximado.

14

Sistemas Fuzzy

Podem contribuir com: Teoria de lógica fuzzy bem-definida. Mecanismos de raciocínio similar ao do ser humano,

através do uso de termos lingüísticos. Acomodação de conhecimento de senso comum,

conhecimento ambíguo e conhecimento impreciso mas racional.

Técnicas de aproximação universal. Robustez, tolerância a falha. Baixo custo de desenvolvimento e manutenção.

15

Sistemas Fuzzy

Dificuldades: Geração das regras fuzzy a partir do

conhecimento do especialista. Definição das funções de pertinência são em

geral baseadas num avaliação subjetiva do especialista.

Inexistência de técnicas de aprendizado.

16

Redes Neurais Artificiais

Podem contribuir com: Aprendizado a partir de dados Modelagem empírica do comportamento humano. Técnicas de aproximação universal. Métodos de extração de conhecimento a partir dos

dados. Memórias associativas e técnicas de casamento de

padrão. Paralelismo massivo. Robustez.

17

Redes Neurais Artificiais

Dificuldades: Longo tempo de treinamento. Inexistência de um mecanismo explicativo. Falta de um mecanismo automático e eficiente

para auxiliar o desenvolvedor no projeto da rede.

18

Algoritmos Genéticos

Podem contribuir com: Conhecimento matemático aprofundado do problema

considerado não é necessário. Parâmetros de funções objetivos com superfícies

complexas e complicadas são otimizados de tal forma a reduzir a incidência de mínimos locais.

Paralelismo entrínsico. Tolerância a ruídos e dados incompletos. Flexibilidade para trabalhar com restrições arbitrárias e

otimizar múltiplas funções com objetivos conflitantes. Facilmente hibridizados com outras técnicas e

heurísticas.

19

Algoritmos Genéticos

Dificuldades: Custo computacional na avaliação do

indivíduo. Codificação geralmente intricada do genótipo

para o fenótipo. Convergência prematura.

20

Paradigmas são complementares

Facilitam a manipulação de diferentes tipos de representação de conhecimento, inferências, precisão e tolerância à falhas.

Cada um deles pode ser superior ao outro na resolução de uma sub-tarefa de um problema; por exemplo, as abordagens simbólica e conexionista (RNAs) têm mostrado força em resolver tarefas diferentes. O primeiro vem sendo usado em tarefas cognitivas de mais alto nível (e.g., planejamento), enquanto o segundo tem obtido mais sucesso em tarefas de mais baixo nível (e.g., percepção) e aprendizado.

21

Exemplos de melhoras

Regras (fuzzy ou não) podem ser utilizadas para inicializar a estrutura de uma RNA a fim de acelerar o treinamento e melhorar a generalização.

RNAs podem ser utilizadas para aprender regras (fuzzy ou não).

RNAs podem ser usadas para refinar regras (fuzzy ou não) e funções de pertinência fuzzy.

22

Exemplos de melhoras

AGs podem ser empregados para aprender regras fuzzy e funções de pertinência a partir dos dados.

AGs e simulated annealing podem ser usados para ajustar a topologia e os pesos de uma rede neural artificial, ao invés de usar o tradicional algoritmo de gradiente descendente.

RNAs e AGs podem ser utilizados como parte de uma máquina de raciocínio simbólico.

23

Classificação dos SHI

Tipo I: Substituição de Função Tipo II: Híbridos Intercomunicativos Tipo III: Híbridos Polimórficos

24

Tipo I: Substituição de Função

Function Replacing: nessa categoria, uma técnica é usada para implementar uma função de outra técnica. Essa forma de hibridismo não acrescenta nenhuma funcionalidade ao sistema inteligente, apenas tenta superar alguma limitação da técnica principal ou otimizar sua execução. Como exemplo, se pode citar o uso de algoritmos genéticos para otimização dos pesos de uma rede neural.

25

Tipo II: Híbridos Intercomunicativos

Intercommunicating Hybrids: esta é a categoria de sistemas híbridos usada para resolver problemas complexos que possam ser divididos em várias sub-tarefas independentes. Assim, o sistema híbrido é formado por módulos independentes, onde cada um usa uma técnica inteligente para resolver uma das sub-tarefas do problema principal. Como exemplo, se pode citar o sistema EITHER [R. Mooney e D. Ourston 1994], que usa módulos independentes de raciocínio indutivo, dedutivo e abdutivo para revisar claúsulas de Horn. Cada tipo de raciocínio foi implementado com uma técnica especifica.

26

Tipo III: Híbridos Polimórficos

Polymorphic Hybrids: nessa categoria, uma única técnica é adaptada para realizar uma tarefa inerente a uma outra técnica. A motivação dessa categoria é descobrir novas funcionalidades de uma técnica e entender como diferentes técnicas podem se relacionar. Como exemplo, se pode citar o uso de RNAs para raciocínio simbólico – manipulação de regras [V. Honavar e L. Uhr, 1995] e [V. Ajjanagadde e L. Shastri, 1995].

27

Ciclo de desenvolvimento de SHs

Analise do problema Casamento das propriedades Seleção da categoria de hibridismo Implementação Validação Manutenção

28

Analise do problema

Identificar sub-tarefas Identificar propriedades

29

Casamento de propriedades

Aquisicao de conhecimento Brittleness (fragilidade) tarefas cognitivas de alto e baixo nivel

(raciocinio) explicação

30

Técnica Aquisição Brittleness Alto Baixo Explicação SE 1 1 5 1 5 Ind Regras 3 2 3 2 3 Fuzzy 1 5 3 5 4 NN 5 5 1 5 1 GA 5 3 3 3 3

31

Selecao da cateogoria de hibridismo

Tipo I: Substituição de Função Tipo II: Híbridos Intercomunicativos Tipo III: Híbridos Polimórficos

32

Projeto Evolucionário de Redes Neurais Artificiais

Definição da arquitetura de uma rede neural

Métodos de otimização global podem ser empregados no treinamento das RNAs

Otimização dos parâmetros dos algoritmos de treinamento a serem utilizados

33

Por que utilizar AGs ?

Problemas das RNA Não existe um conjunto de regras para definir

melhor rede para um dado problemaModeloEstruturaParâmetros de aprendizadoConhecimento empírico, baseado na experiência

34

Por que utilizar AGs ?

Universo de possíveis modelos é extremamente grande Problemas de laboratório e problemas práticos Maioria do espaço de busca de redes é largamente

inexploradoNão é prático avaliar manualmente uma variedade razoável

de arquiteturas

“Uma boa arquitetura” depende da aplicação

35

Por que utilizar AGs ?

Quantidade significativa de experimentação manual baseada em tentativa e erro é necessária até obtenção da performance adequada

Nenhuma tentativa relevante é realizada para determinar as arquiteturas ótimas Maioria das aplicações adotam estruturas simples e

valores conservadores para parâmetros de aprendizado

36

Por que utilizar AGs ?

O problema de otimização da estrutura de uma RNA para um dado conjunto de critérios de performance é complicado Grande número de variáveis, discretas e contínuas, interagem de

uma forma complexa Avaliação de uma estrutura não é uma tarefa direta

Eficácia do treinamento depende das condições iniciais, que são geralmente randômicas

Problema sob medida para algoritmos genéticos

37

Como aplicar AGs em RNA s?

AGs podem ser aplicados ao problema de projeto de RNAs de várias formas: Treinar uma rede, com uma dada estrutura Aplicar restrições a matriz de conexões de RNAs a

serem treinadas com backpropagation Descobrir estrutura, tamanho e parâmetros de

aprendizado da rede

38

Como aplicar AGs em RNAs?

Depende dos aspectos a serem investigados Desenvolvimento de uma ferramenta para definir melhor

rede para um dado problema Descobrir novas evidências que possam contribuir para

a melhor compreensão teórica do projeto de RNAsQue tipos de estruturas “sobreviverão” dado um conjunto

de condiçõesNão informa porque estrutura falhou, mas mostra os

fósseis gerados

39

Como aplicar AGs em RNAs?

Aspectos a serem considerados Codificação da rede Espaço de arquiteturas de rede a ser explorado Adaptação dos operadores genéticos para que sejam

geradas redes sem problemas de validade Forma da função de aptidão

40

População

População inicial: conjunto de redes aleatóriamente gerado (30 < P < 100) Estrutura de cada rede é codificada em um

cromossomo Genes determinam propriedades anatômicas da rede

e valores de parâmetros para algoritmo de aprendizado

Cada rede é treinada com backpropagation

41

Aptidão

Função de aptidão Combinação de medidas consideradas importantes

para o problemaVelocidade de aprendizadoPrecisão requeridaFatores de custo

Tamanho Complexidade

Melhora progressiva da eficiência da RNA

42

Codificação

Aspectos críticos: Classes de arquiteturas a serem geradas Funcioamento dos processos de

CodificaçãoDecodificação

Espaço de busca

43

Codificação

Desenvolver uma representação para RNA é um dos principais problemas

Existem diversas formas de parametrizar organização e operação da rede Parâmetros podem incluir

Número de camadas Números de unidades em uma camada Número de conexões feedback permitidas Grau de conectividade de uma camada para outra Taxa de aprendizado Termo de erro utilizado ma regra de aprendizado

44

Codificação

Codificação pode ser Direta

Especifica cada um dos parâmetros das redesRequer pouco esforço de codificação

IndiretaDescrição abstrata ou gramaticalPode pré-estruturar as redes (para excluir arquiteturas não

factíveis)maior esforço para decodificação

45

Codificação

Representação deve: Capturar todas as redes potencialmente interessantes

(eficientes) Excluir estruturas de redes não válidas ou sem sentido

Representação pode ter tamanho variável Permite aumentar espaço de busca Limitar pontos de “quebra” dos cromossomos

46

Codificação

É vantajoso definir o menor espaço de busca possível de arquiteturas que é certo de incluir a melhor solução para o problema dado

Esquema de representação deve ser fechadoCrossover ou mutação de cromossomos representando redes

válidas deve produzir redes válidas Trade-off poder de expressividade X admissão de

redes não válidas ou não interessantes

47

Reprodução

Operadores Genéticos Crossover

Limitação dos pontos de “quebra” dos cromossomos Mutação

Limitação das alterações possíveis

Refinamento Eliminar arquiteturas não factíveis

48

Reprodução

Refinamento Garante com que as redes geradas sejam válidas Elimina indivíduos com características indesejáveis Cromossomos com pequenas anormalidades são

purificados quando decodificados para RNAPartes do cromossomo com problemas podem ser mantidas

ou eliminadas

49

Extração de regras

Potencial completo das RNA não poderá ser utilizado sem a capacidade de explicação Problema: inabilidade da rede para explicar, de

forma compreensiva, seu processo de tomada de decisão

Desejável (essencial) que uma capacidade de explicação seja parte da funcionalidade de uma rede treinada

50

Extração de regras

Capacidade de explicação é obrigatória em sistemas críticos Validar a saída da rede sob todas as condições

possíveis de entrada Exemplos:

Sistema de navegação de aviõesUsinas hidroelétricas e nuclearesDiagnóstico médico

51

Extração de regras

Definição Dada uma Rede Neural treinada e os exemplos

utilizados para treiná-la, produzir uma descrição simbólica curta e precisa da rede, Shavlik, 1994

Custo Recursos utilizados Esforço adicional

52

Extração de regras

Benefícios da extração de regras Exploração dos dados e indução de teorias

científicas Inclusão da capacidade de explicação ao

usuário Melhoria na generalização das soluções da

rede Facilitar integração com modulo simbolico

53

Extração de regras

Classificação dos algoritmos de extração de regras Generalidade do algoritmo

GeralEspecifico

Fonte das regras

54

Extração de regras

Fonte das regras Abordagem decomposicional

Extrai regras das unidades individuais (intermediárias e de saída) de uma rede treinada

Abordagem pedagógica (ou caixa preta)Extrai regras que mapeiam as entradas nas saídas

Abordagem ecléticaCombinação das abordagens anteriores

55

Técnica Decomposicional

As regras são extraídas considerando todas as unidades de processamento da rede;

Os conseqüentes das regras (Parte Então) são obtidos das unidades de saídas, cujos valores são geralmente codificados em 0 ou 1 (forma booleana);

Já os antecedentes das regras (Parte Se) são obtidos de uma combinação das unidades escondidas com as unidades de entrada.

56

Exemplos Decomposicional

Algoritmo KT (L.M. Fu); SUBSET (G.G. Towell e J.W. Shavlik); RuleNet (C. McMillan et ali.); M-of-N (G.G. Towell e J.W. Shavlik); Rulex (R. Andrews e S. Geva).

57

Técnica Pedagógica ou Didática

A visão geral da RNA é opaca; Geralmente considera-se essa extração de

regras como uma tarefa de aprendizado; O conceito alvo é a função computada pela rede; Mapeia as entradas diretamente nas saídas da

rede; Tipicamente é usada em conjunto com outras

técnicas ou algoritmos de aprendizado simbólico.

58

Exemplos

Análise-VI ou VIA (Validity Interval Analysis - S.B. Thrun);

RULENEG (E. Pop et ali.); DEDEC (Decision Detection by Rule

Extraction from Neural Networks - A.B. Tickle et ali.).

Literal (Campos)

59

Técnica Eclética ou Combinacional

São compostos elementos das técnicas decomposicional e pedagógica;

Pode-se considerar o conhecimento sobre a arquitetura interna e/ou vetores de pesos da RNA treinada para complementar um algoritmo de aprendizado simbólico;

Geralmente usa-se uma das duas técnicas já citadas para obter-se os antecedentes das regras e a outra técnica para determinar-se os conseqüentes.

60

Exemplos

Extração de Regra como Aprendizagem (M.W. Craven e J.W. Shavlik).

Algoritmo FuzzyRulext (L.M. Brasil) ProRulext (Campos)

61

Logica Fuzzy e Redes Neurais

Abordagem hibrida mais comum Sistema Fuzzy com caracteristicas neurais

Incorpora conceitos de Redes Neurais em Sistemas Fuzzy

Definição de funções de pertinenciaDefinição funções de ativação

Redes Neurais Fuzzy Incorpora conceitos de Sistemas Fuzzy em Redes

Neurais

62

Otimizacao de Redes Neurais

Uma Metodologia para Otimização de Arquiteturas e Pesos de Redes Neurais

63

Pesquisa futura

Métodos formais para validação e verificação de sistemas complexos

Técnicas para integração de diferentes paradigmas computacionais

Métodos para representação de vários tipos de conhecimento

Conexões para fenômenos cognitivos Ferramentas para implementação eficiente Aplicações do mundo real para ganhar experiência

64

Pesquisa futura

Projeto de RNAs como compilação de conhecimento introdução nas RNAs do conhecimento específico do problema abordado

Mecanismo explicativos para RNAs algoritmos para extração de regras

Aprendizado conexionista como assimilação de conhecimento novas regularidades recém-descobertas podem ser usadas para aumentar ou revisar a teoria de domínio

65

Estudo de casos

Krovvidy e Wee utilizaram RBC para definir a configuração inicial de uma rede de Hopfield Definir a seqüência de processos químicos em

um sistema de tratamento de esgoto Malek propõe um sistema de indexação para

RBC no qual foi construído na memória uma hierarquia de casos em dois níveis Rede incremental baseada em protótipos

66

Estudo de casos

Reategui utiliza uma RN para aprender padrões de similaridade entre casos de um sistema de RBC Avaliação psicológica de candidatos à

transplante de coração

67

Estudo de casos

Reategui extraiu conhecimento da RN para suportar raciocínio do RBC Sistema para classificação de transações de

cartão de crédito Milaré utilizou uma rede ART para

indexação e adição de casos Sistema para culinária

68

Estudo de casos

NeuroGENESYS Foi utilizado para

Reconhecimento de caracteresXORAproximação da função seno

Encontrou estruturas melhores que aquelas obtidas por abordagem empírica

Redes adequadas foram produzidas após menos que 50 gerações

69

Estudo de casos

Neuroevol Foi utilizado para:

Análise de crédito Encontrou estruturas melhores que aquelas obtidas

por abordagem empírica Redes adequadas foram produzidas após

aproximadamente 10 gerações Otimização de Redes do tipo RBF

70

Outras combinações

Redes Neurais com Lógica Fuzzy A mais comum

Redes Neurais com Estatística Combinação de classificadores

Classificadores simbólicos e estatísticos Redes Neurais com Linguagens Formais

71

Trabalhos Futuros

Métodos formais para lidar com validação e verificação de sistemas complexos

Métodos para a integração de diferentes paradigmas computacionais

Métodos de representação que possam ser utilizados para vários tipos de conhecimento

72

Trabalhos Futuros

Conexões para fenômenos cognitivos Ferramentas para implementação eficiente Aplicações do mundo real para ganhar

experiência

73

Projetos de pesquisa e comerciais

HANSA Framework (ferramentas) HAREM (sistemas de gerenciamento) MIX (combinação de técnicas neurais e

conexionistas) Charles River Analytics (Opensesame, NueX) Gensym (G2, NeurOnline) OMRON Advanced Systems Talarian (RTworks)

74

Mais informações

Visão geral http://ww.cis.njit.edu/franz/Hybrid-Systems.html

Produtos comerciais http://www.opensesame.com http://www.gensym.com http://oas.omron.com http://www.mainstreet.net:3080//rtworks.htm http://www.neural.com:80/realhome.html

75

Mais informações

International Journal of Hybrid Intelligent Systems (IJHIS)

International Conference on Hybrid Intelligent Systems

http://ijhis.hybridsystem.com/ ou www.iospress.nl/html/14485869.php

76

Mais informações

International Journal of Computational Intelligence (IJCI)

www.enformatika.org/journals/1304-2386/

77

Mais informações

Self-organizing mixture models Neurocomputing

Volume 63 , January 2005, Pages 99-123

Meta learning evolutionary artificial neural networks. Ajith Abraham

Neurocomputing Volume 56 , January 2004, Pages 1-38