FAENAC FACULDADE EDITORA NACIONAL

Transcrição

1 FAENAC FACULDADE EDITORA NACIONAL LEONARDO DA SILVA MICHAEL VOLPINI LOPES THIAGO DA ANUNCIAÇÃO SEAOF - SISTEMA ESPECIALISTA PARA AUXÍLIO A OPERAÇÕES FINANCEIRAS São Caetano do Sul 2008

2 LEONARDO DA SILVA MICHAEL VOLPINI LOPES THIAGO DA ANUNCIAÇÃO SEAOF - SISTEMA ESPECIALISTA PARA AUXÍLIO A OPERAÇÕES FINANCEIRAS Trabalho de conclusão de curso apresentado à Faenac Faculdade Editora Nacional, como requisito parcial para a obtenção do grau de Bacharel em Sistemas de Informação. Orientador: Prof. Ms. Monael Ribeiro São Caetano do Sul 2008

3 Folha Linha Onde se lê Leia-se

4 Leonardo da Silva Michael Volpini Lopes Thiago da Anunciação SEAOF - Sistema Especialista para Auxílio a Operações Financeiras / Sistema de Apoio à Decisão Trabalho de conclusão de curso aprovado em de de 2008, como requisito parcial para a obtenção do grau de Bacharel em Sistemas de Informação na Faenac Faculdade Editora Nacional, pela banca examinadora formada por: Presidente e orientador: Instituição: Assinatura: Professor: Instituição: Assinatura: Professor: Instituição: Assinatura: NOTA: ( ) aprovado ( ) reprovado São Caetano do Sul, de de 2008.

5 Dedicamos este trabalho primeiramente a Deus por nos ter dado sabedoria, à nossa família e amigos pelo apoio e incentivo aos estudos.

6 Agradecemos ao professor Monael Ribeiro pela dedicação dispensada na realização deste trabalho, e à Faculdade Editora Nacional, pelo suporte e comprometimento com a educação universitária.

7 O pensamento lógico pode levar você de A a B, mas a imaginação te leva a qualquer parte do Universo. Albert Einstein.

8 Resumo O mercado de ações é uma forma muito eficiente de investimentos a médio e longo prazo. Diariamente novos investidores estão retirando seu dinheiro de fundos de renda fixa e se aventurando no mercado acionário. O problema é que na maioria das vezes são pessoas que não tem conhecimento necessário para poder analisar se uma determinada empresa encontra-se em um bom momento para investir. Pensando nisso, foi utilizado os conceitos de inteligência artificial (IA) para desenvolver um sistema especialista (SE) que visa auxiliar o processo decisório do investidor. O SE irá funcionar com os conceitos do teorema de Bayes que por sua vez foi escolhido por possibilitar a tomada de decisão por meio de raciocínio probabilístico, ou seja, mesmo quando não se tem todas as informações suficientes para poder chegar a um resultado exato, o teorema de Bayes chega a uma conclusão com um grau de certeza razoável que pode variar dependendo do número de variáveis que a rede possua. A análise fundamentalista foi escolhida para facilitar a captação das variáveis que compõem a rede bayesiana, usando esse tipo de análise é possível fazer um estudo mercadológico e econômico da empresa. Neste trabalho, foi usada apenas a empresa Petróleo Brasileiro S.A. (Petrobrás) como exemplo de utilização da rede proposta, focando o trabalho em apenas um tipo de mercado, tornando mais claro a influência que cada variável têm sobre a obtenção final do resultado. As variáveis foram filtradas até que ficassem apenas aquelas que claramente possam ter uma influência direta ou indireta nos ativos da empresa. Foram atribuídos apenas valores binários às variáveis como alto e baixo sim ou não, etc. Isso facilita no processo decisório e na criação das tabelas da rede proposta. Para demonstrar o uso da rede foi utilizado o software JavaBayes (composto por um conjunto de ferramenta para criação e manipulação de redes bayesianas). Com isso foi possível ter um foco maior no desenvolvimento da rede bayesiana e criação das tabelas com seus valores correlativos. A rede foi testada utilizando casos reais, acontecimentos em que a empresa Petrobrás estava em evidência para testar sua real capacidade de análise. Palavras-chave: Bovespa, Inteligência Artificial, Petrobrás, Redes Bayesianas, Sistemas Especialistas.

9 Abstract The stock market is a very efficient way of investments at medium and long run. Daily, new investors withdraw their money from fixed income funds and invest in stock market. The problem is that most of the time they are people who do not have the necessary knowledge to be able to analyze if a company is in a good moment to invest in. Bearing this in mind, concepts of artificial intelligence (AI) were used to develop a specialist system (SS) that assists the investors in their decision process. The SS will be operated with the concepts of Bayes theorem that was chosen by making possible the decision process through probabilistic reckoning, that is, even when you don t have all the necessary information to be able to bring to an exact result, the Bayes theorem concludes with a good level of assurance, which may fluctuate depending on the number of network variables. The fundamental analysis was chosen to make easy the variables catching that construct the bayesian network, using this type of analysis it is possible to make a marketing and economic study of the company. On this paper, the Petróleo Brasileiro S.A. (Petrobrás) company was used as example to an exact result network, focusing the work in only one type of market, making more clearly the influence that each variable has on the attainment of the final result. The variables had been filtered until there were only those that can clearly have a direct or indirect influence in the assets of the company. Only binary values had been attributed to the variables as high and low yes or no, etc. It facilitates the decision process and the table creation of proposed network. To demonstrate the use of network, the JavaBayes software was used (defined by a set of tools for creation and manipulation of bayesians networks). It was possible to have a major focus on development of bayesian network and tables creation with its correlative values. The network was tested using real cases, events where the Petrobrás company was on evidence to test its real analysis capacity. Keywords: Artificial Intelligence, Bayesians Networks, Bovespa, Petrobrás, Specialists Systems.

10 Lista de Figuras Fig. 1 Pirâmide das fases da informação (CAMPOS & SAITO, 2004) Fig. 2 Modelo de comportamento do GPS (NAVEGA, 2001) Fig. 3 Modelo de Percepção de Stephen Kosslyn Fig. 4 Estrutura básica de um SE (MENDES, 1997) Fig. 5 Arquitetura de um SE (PY, 2000) Fig. 6 Elementos básicos de um SE (FAVERO, 2007) Fig. 7 Mecanismo de Inferência (FAVERO, 2007) Fig. 8 Formulação do Teorema de Bayes (PENA, 2006) Fig. 9 Teorema de Bayes (PENA, 2006) Fig. 10 Rede Bayesiana (domínio1) (RUSSEL; NORVIG, 2004) Fig. 11 Rede Bayesiana e probabilidades, (RUSSEL; NORVIG, 2004) Fig. 12 Logo Petrobrás Fig. 13 Rede Bayesiana proposta Fig. 14 Exemplo de redes bayesianas no JavaBayes Fig. 15 Tela do programa JavaBayes Fig. 16 Tela do programa JavaBayes Edição de variáveis Fig. 17 Tela do programa JavaBayes Edição de funções Fig. 18 Tela do programa JavaBayes Alterar valor Fig. 19 Tela do programa JavaBayes Console de execução

11 Lista de Tabelas Tabela 1 Comparação entre o conhecimento humano e artificial (FAVERO, 2007). 28 Tabela 2 TPC da variável Alarme (RUSSEL; NORVIG, 2004) Tabela 3 Relatório de dados e notas da Bovespa, (BOVESPA, 2008) Tabela 4 Variáveis que serão utilizadas na construção da rede bayesiana Tabela 5 TPC do nó (1) Tabela 6 TPC dos nós (2 1) Tabela 7 TPC do nó (3) Tabela 8 TPC do nó (4 3) Tabela 9 TPC do nó (9 3) Tabela 10 TPC do nó (5) Tabela 11 TPC do nó (7 5) Tabela 12 TPC do nó (8 5) Tabela 13 TPC do nó (6 2, 4) Tabela 14 TPC do nó (10 6, 7, 8, 9) Tabela 15 TPC case Tabela 16 Resultado obtido no sistema JavaBayes Tabela 17 TPC case Tabela 18 Resultado obtido no sistema JavaBayes Tabela 19 TPC case Tabela 20 Resultado obtido no sistema JavaBayes Tabela 21 TPC case Tabela 22 Resultado obtido no sistema JavaBayes Tabela 23 TPC case Tabela 24 Resultado obtido no sistema JavaBayes Tabela 25 TPC case Tabela 26 Resultado obtido no sistema JavaBayes... 75

12 Lista de Siglas e Abreviaturas BOVESPA Bolsa de Valores de São Paulo BM&F Bolsa de Mercadorias e Futuros CMN Conselho Monetário Nacional CNP Conselho Nacional do Petróleo COMPERJ Complexo Petroquímico do Rio de Janeiro COPOM Comitê de Política Monetária CPI Índice de Preços ao Consumidor CVM Comissão de Valores Mobiliários DJSI Índice Dow Jones Mundial de Sustentabilidade Ed. Edição EUA Estados Unidos da América GPL General Public License GPS General Problem Solver IA Inteligência Artificial IBOVESPA Índice Bovespa IPCA Índice de Preços ao Consumidor Amplo LFT Letras Financeiras do Tesouro LT Logic Theorist LTN Letras do Tesouro Nacional NTN Notas do Tesouro Nacional OTC Offshore Technology Conference ON Ordinárias Nominativas PETROBRÁS Petróleo Brasileiro S.A. PIW Petroleum Intelligence Weekly PN Preferenciais Nominativas

13 PT Partido dos Trabalhadores S.A. Sociedade Anônima SBC Sistemas Baseados em Conhecimento SE Sistema Especialista TPC Tabela de Probabilidade Condicional WTI West Texas Intermediate

14 Lista de Símbolos % por cento & e comercial R$ Moeda Brasileira (Real) US$ Dólar dos Estados Unidos da América

15 Sumário 1 Introdução Objetivos Motivação Organização do Trabalho Introdução Teórica Processo de raciocínio e decisão do ser humano Inteligência Artificial Sistemas Baseados no Conhecimento Sistemas Especialistas Teorema de Bayes Redes Bayesianas Teoria das Probabilidades Representando a distribuição da conjunção de probabilidades Construção de uma rede Bayesiana Compactação e ordenação dos nós Tabela de Probabilidades Condicionais Vantagens e Desvantagens na utilização de Redes Bayesianas Mercado Financeiro Tipos de mercado Ativos de Renda Fixa Ativos de Renda Variável Tipos de análise Comparativo entre Análise Técnica X Análise Fundamentalista Bovespa Petrobrás Problema Proposto Solução Proposta Criação das tabelas Aplicação JavaBayes Montando a rede no JavaBayes Resultados Obtidos Considerações finais Bibliografia... 77

16 15 1 Introdução Nos últimos anos, houve um crescimento considerável na quantidade de investidores na Bovespa. Em 2006, pessoas físicas participavam do mercado de ações, em dezembro de 2007 esse número pulou para investidores, um crescimento de mais de 100% (BOVESPA, 2008). Esses pequenos investidores estão em busca de um rendimento maior do que a poupança ou outros fundos de investimento podem oferecer. A Bovespa é o maior centro de negociação com ações da América Latina, concentrando cerca de 70% do volume de negócios realizados na região (BOVESPA, 2008). Baseado nessas informações foi desenvolvido um SE para auxílio aos pequenos investidores. Através de uma rede bayesiana, esse sistema calcula a probabilidade das ações da empresa Petrobrás subirem ou caírem, informando ao investidor o melhor momento de compra e venda das ações. Um SE pode ser visto como uma subária da IA, desenvolvido a partir da necessidade de se processar informações não numéricas, um SE é capaz de apresentar conclusões sobre um determinado tema, desde que devidamente orientado e alimentado (PY, 2000). 1.1 Objetivos Este trabalho visa ajudar às pessoas físicas em suas tomadas de decisão para investimento nas ações da empresa Petrobrás que são disponibilizadas pela Bovespa. A empresa Petrobrás foi escolhida para melhor demonstrar como o uso de uma aplicação baseada em redes bayesianas pode auxiliar na compra e venda de ações, através de indicativos que formam a rede de conhecimento da aplicação. O objetivo final é demonstrar ao usuário qual o grau de certeza ou a probabilidade de alta / baixa das ações.

17 Motivação Com o passar dos anos, houve um crescimento exponencial de pessoas físicas que investem na Bovespa, procurando uma maior rentabilidade de seus investimentos ao invés de uma simples aplicação na poupança. Entretanto na grande maioria das vezes, essas pessoas não possuem o conhecimento necessário para realizar este tipo de transação, ou não possuem os recursos necessários para analisar eficientemente qual a melhor opção de investimento, o que acaba gerando uma perda em muitos casos de valores consideravelmente altos e prejudicando de forma impactante o seu planejamento financeiro. Com essa preocupação em mente, foi desenvolvido um sistema para auxílio a estes investidores, visando de forma simples e eficaz, indicar qual a melhor hora para se comprar ou vender ações da Petrobrás, objetivando dessa maneira um melhor desempenho financeiro e estimulando a aplicação no mercado financeiro. 1.3 Organização do Trabalho Neste capítulo está sendo apresentada uma visão geral do problema a ser investigado, o tema, as motivações e objetivos. No capítulo dois será demonstrado o processo de raciocínio do ser humano, a utilização de IA, SE s e redes bayesianas. No capítulo três será explanado sobre o mercado financeiro, tipos de mercado e aplicações e tipos de análise para investimento. Nos capítulos quatro e cinco será demonstrado o problema atual e uma solução para o mesmo. No capítulo seis estão inseridos os resultados obtidos através de longas pesquisas e análises efetuadas, objetivando testar o sistema e verificar sua real capacidade de análise fundamentalista. No capítulo sete, pode ser observada a conclusão sobre o trabalho, as considerações feitas e as sugestões para trabalhos futuros.

18 17 2 Introdução Teórica Este trabalho visa explicar o funcionamento de um SE, e como esse sistema pode auxiliar as pessoas em seu dia-a-dia na tomada de decisões no mercado financeiro. Para isso, foi desenvolvida uma ferramenta para auxílio a pessoas físicas, objetivando uma maior facilidade e eficácia na compra e venda de ações, da empresa Petrobrás, disponibilizadas na Bovespa, através de um SE de apoio à tomada de decisões. A ferramenta foi desenvolvida utilizando a lógica de redes bayesianas que será explanada ao longo do trabalho, entretanto, antes de demonstrar o funcionamento de uma rede bayesiana, faz-se necessária uma breve explicação sobre o processo de raciocínio e decisão do ser humano, e como os SE s tentam simulam uma atividade racional. 2.1 Processo de raciocínio e decisão do ser humano O pensamento humano pode ser dividido em três partes: Raciocínio é o processo em que o cérebro analisa os dados e informações residentes na memória para chegar a uma conclusão, através de comparações e abstrações; Decisão é o processo onde são considerados vários fatores para que dentre diversas alternativas, seja escolhida a que melhor atende às necessidades do indivíduo em um dado momento; Aprendizagem é o processo em que o cérebro guarda os resultados obtidos em uma tomada de decisão, para referência futura; O ato de pensar é baseado no conhecimento obtido por um indivíduo, para tanto, faz-se necessária uma breve introdução sobre os tipos de conhecimento humano.

19 18 Fig. 1 Pirâmide das fases da informação (CAMPOS & SAITO, 2004). Os dados são elementos puros que podem ser armazenados. Os sistemas comuns armazenam esses dados, e fazem o tratamento dos mesmos para gerar a informação que é utilizada pelos seus usuários, é com a informação que os seres humanos conseguem tomar decisões. O conhecimento é obtido quando o indivíduo processa a informação e a combina com outras informações, ou seja, o conhecimento depende dos valores e da experiência do indivíduo em questão. O conhecimento humano está subdividido em quatro partes: Conhecimento declarativo é aquele capaz de associar os fatos e as coisas, como exemplo o resultado de uma conta matemática, ou o número de um telefone; Conhecimento procedural é aquele capaz de registrar as competências e maneiras de se realizar uma determinada tarefa, o conhecimento procedural armazena, por exemplo, a capacidade de um indivíduo de andar de bicicleta; Conhecimento de senso comum é a composição entre o conhecimento declarativo e procedural, responsável pelo julgamento do que é certo e errado, através do conhecimento de senso comum, o indivíduo consegue julgar o que é correto ou errado, pode também determinar se algo é ético e moral, baseado nas regras definidas pela sociedade ao seu redor.

20 19 Conhecimento heurístico é um conhecimento único para cada indivíduo, é através desse conhecimento que pode ser feito pesquisas probabilísticas. Esse conhecimento usa técnicas aleatórias para solução de problemas, é utilizado quando um indivíd uo precisa tomar uma decisão, mas não tem uma base de conhecimento sobre um determinado assunto. 2.2 Inteligência Artificial IA é a área da ciência da computação orientada ao entendimento, construção e validação de sistemas inteligentes, isto é, que exibem de alguma forma, características associadas ao que conhecemos como inteligência (RICH & KNIGHT, 1994). A IA surgiu na década de 1950 como uma tentativa de simular a mente humana, a idéia era desenvolver sistemas inteligentes, capazes de pensar e aprender. Ao invés de efetuar uma busca sistemática e exaustiva, a IA age por seleção, pois o ser humano tende a pensar de maneira seletiva e não analisa todas as possibilidades. No lugar de realizar uma busca sistemática ou exaustiva, a IA realiza uma busca seletiva. Sabe-se que o ser humano costuma usar os seus conhecimentos de forma a obter a solução do seu problema sem analisar todas as possibilidades, agindo de uma maneira seletiva (CAMPOS & SAITO, 2004, 12p.). O conceito de IA abrange mais do que a inteligência de um computador. Através da IA, pretende-se capacitar o computador com um comportamento inteligente, isto é, com atividades que um ser humano é capaz de realizar, como tarefas de raciocínio e percepção. Um sistema pode ser considerado racional se faz tudo certo com os dados armazenados em sua base de conhecimento. IA é a parte da ciência da computação que compreende o projeto de sistemas computacionais que exibam características associadas, quando presentes no comportamento humano, à inteligência (BARR & FEIGENBAUM, 1981). Para que a IA possa simular um cérebro humano, é imprescindível que haja

21 20 um conhecimento sobre o mesmo e sobre as técnicas utilizadas para solução de problemas. Em 1950, Alan Turing criou um artigo chamado Computing Machinery and Intelligence, nesse artigo ele propôs um teste para verificar se um computador teria a capacidade de raciocinar, o que ficou conhecido como Teste de Turing. O teste sugere que um interrogador realize algumas perguntas por escrito, se o mesmo não conseguir distinguir se as respostas obtidas vêm de um computador ou de um ser humano, então o computador seria capaz de raciocinar. Para isso o computador precisaria ter as seguintes habilidades: Processamento de linguagem natural para que ele possa se comunicar com o interrogador; Representação de conhecimento para guardar as informações que sabe ou ouve; Raciocínio automatizado para utilizar as informações guardadas para responder às perguntas e chegar a novas conclusões; Aprendizado de máquina para se adaptar a novas situações e chegar às conclusões não previstas; Em 1956 Newell e Simon apresentaram o programa LT (Logic Theorist), este programa era utilizado para provar alguns teoremas de aritmética e foi revolucionário para aquela época, ele foi um dos primeiros programas a manipular informações não numéricas. Logo após, Newell e Simon desenvolveram o GPS (General Problem Solver) que operava através de uma técnica chamada: Means-End Analysis, que traduzido para o português pode ser entendido como Análise de Meios e Fins, esta técnica faz uma comparação entre a tarefa atual e a meta atual para extrair a diferença entre as duas, depois a diferença é utilizada para indexar o operador mais relevante de modo que venha a reduzir a diferença entre elas. A figura 2 ilustra o comportamento do GPS.

22 21 Fig. 2 Modelo de comportamento do GPS (NAVEGA, 2001). O GPS avança através da escolha de um objetivo principal e da escolha de um operador que deve reduzir a distância ao objetivo, entre diversas variáveis o sistema escolhe aquela que melhor se encaixa para o momento em questão, fazendo com que o objetivo seja alcançado mais rapidamente. Entretanto, grande parte das perguntas era resolvida pelas pessoas que utilizavam o GPS, logo a inteligência não parecia estar totalmente contida dentro deste sistema, mas ficava claro que era necessária uma manipulação humana de forma inteligente na especificação dos objetivos e das possíveis ações do sistema, para que o mesmo pudesse tomar decisões racionais. Com o passar dos anos, a IA deixou de tentar modelar a tomada de decisão dos seres humanos e passou para os sistemas de computação. Para resolver os problemas de grande complexidade a IA subdividiu os mesmos em problemas menores para facilitar a resolução e melhorar o processo de modelagem.

23 22 Fig. 3 Modelo de Percepção de Stephen Kosslyn. A figura 3 ilustra o modelo de percepção dos seres humanos, criado pelo psicólogo Stephen Kosslyn (CAMPOS & SAITO, 2004). A grande vantagem em se utilizar um SE, em relação a um sistema comum, é que os SE s são inteligentes e capazes de pensar, entre outras vantagens abaixo elencadas: Um SE é capaz de estender as facilidades de tomada de decisão para muitas pessoas. O conhecimento dos especialistas pode ser distribuído, de forma que possa ser utilizado por um grande número de pessoas; Um SE pode melhorar a produtividade e desempenho de seus usuários, considerando que o provê com um vasto conhecimento, que, certamente, em condições normais, demandaria mais tempo para assimilá-lo e, conseqüentemente, utilizá-lo em suas tomadas de decisão; SE s reduzem o grau de dependência que as organizações mantêm quando se vêem em situações críticas, inevitáveis, como, por exemplo, a falta de um especialista. As pessoas morrem, ficam doentes, tiram férias e até optam por melhores ofertas de trabalhos, ao assim proceder, tornam as organizações em que trabalham vulneráveis e extremamente dependentes de suas decisões. Ao registrar o conhecimento de empregados nos SE s, promove-se uma significativa redução no grau de dependência entre a empresa e a presença física do empregado; SE s são ferramentas adequadas para serem utilizadas em treinamentos de grupos de pessoas, de forma rápida e agradável, podendo servir, após o treinamento, como instrumento de coleta de informações sobre o desempenho dos treinandos, obtendo subsídios para reformulação das lições e obtenção de melhor desempenho, além de prestar suporte imediato aos treinandos durante a utilização dos conhecimentos na realização de suas tarefas diárias (MENDES, 1997).

24 23 Nos últimos anos, ocorreu uma revolução dentro de IA, tanto no conteúdo quanto na metodologia. Hoje em dia, existe uma grande tendência de se utilizar as teorias existentes como base para novas descobertas, ao invés de propor teorias totalmente novas e utilizar a intuição como base para destacar a importância de aplicações reais. 2.3 Sistemas Baseados no Conhecimento A IA realizou várias pesquisas sobre os sistemas baseados em conhecimento (SBC), esses sistemas baseiam-se num modelo explícito de conhecimento para solucionar problemas. O conhecimento tem que ser representado como regras ou modelos de objetos. Os SBC utilizam métodos automatizados de raciocínio para a inferência do conhecimento, eles também são conhecidos como IA aplicada. Os SBC possuem um formalismo para modelar o conhecimento, como regras de produção, redes neurais, redes probabilísticas, etc. Uma das áreas de pesquisa que a IA abrange, preocupa-se em desenvolver sistemas que utilizem o conhecimento de um especialista humano para armazenar, seqüenciar informações e aprender, estes sistemas são conhecidos como SE s. 2.4 Sistemas Especialistas A definição de sistema pode ser descrita como: conjunto integrado de programas que controla as operações básicas do computador, ou seja, supervisiona os dispositivos periféricos, organiza o sistema de arquivo, permite os meios de comunicação com o operador e possibilita o funcionamento de outros programas (PRIBERAM, 2008). A definição de especialista é: pessoa que se ocupa exclusivamente de um ramo particular de uma ciência, de uma arte, etc., perito (PRIBERAM, 2008). Os SE s solucionam problemas que são resolvíveis apenas por pessoas

25 24 especialistas (que acumularam conhecimento exigido) na resolução destes problemas. (BARR & FEIGENBAUM, 1981). Os sistemas convencionais são baseados em algoritmos, que repete o processamento de um volume de dados e chega a um resultado final, enquanto que os SE s fazem uma busca heurística e trabalham com probabilidades para solucionar problemas que os sistemas convencionais não são capazes, ou levam muito tempo para obter o resultado. Um SE pode ser visto como uma subária da IA, desenvolvido a partir da necessidade de se processar informações não numéricas, um SE é capaz de apresentar conclusões sobre um determinado tema, desde que devidamente orientado e alimentado. (PY, 2000). Os SE s são sistemas baseados no conhecimento que emulam a especialização humana em um domínio específico de atuação. Os SE s possuem uma base de conhecimento formada por fatos, regras e heurísticas, da mesma maneira que o ser humano, e através desse conhecimento é capaz de oferecer sugestões e conselhos aos seus usuários, bem como expandir sua base de conhecimento e aprender com essa interação. Fig. 4 Estrutura básica de um SE (MENDES, 1997). O objetivo do SE é bastante restrito, se considerar o objetivo dos modelos psicológicos: os SE's são concebidos para reproduzir o comportamento de especialistas humanos na resolução de problemas do mundo real, mas o domínio destes problemas é altamente restrito (BARR & FEIGENBAUM, 1981).

26 25 Para tomar decisões, o especialista humano utiliza fatos e hipóteses, usando o conhecimento armazenado ao longo dos anos, com isso ele formula algumas hipóteses e toma a decisão que lhe parece mais sensata para aquela situação. Durante esse processo de raciocínio ele analisa a importância de cada fato e os compara com as informações contidas em seu conhecimento acumulado, ou seja, ele se baseia no seu conhecimento adquirido previamente para verificar se o problema atual já foi resolvido anteriormente, ou se houve um problema parecido, então ele compara o problema atual e toma sua decisão. Entretanto, caso o especialista não possua conhecimento necessário, ou se os fatos não são suficientes, ele pode não chegar a uma decisão, ou ainda tomar a decisão errada. De um modo geral, sempre que um problema não pode ser solucionado através de modelos matemáticos, ou sua solução seja muito demorada, os SE s podem ser utilizados, pois os mesmos utilizam processos heurísticos. Denomina-se heurística à capacidade de um sistema fazer inovações e desenvolver técnicas de forma imediata e positiva para um determinado fim. A figura 5 demonstra a arquitetura de um SE: Fig. 5 Arquitetura de um SE (PY, 2000).

27 26 Na figura 6, pode ser verificado os elementos de um SE: Fig. 6 Elementos básicos de um SE (FAVERO, 2007). Um SE é constituído basicamente pelos itens abaixo: Base de conhecimento é onde estão armazenados todos os dados de um SE, as regras e fatos, todas as informações armazenadas sobre um determinado domínio, fazem deste sistema, um SE neste domínio; Quadro negro é um mecanismo para comunicação das informações entre SE s, é um espaço na memória onde ficam armazenadas as informações para que qualquer outro SE que precise acessar as informações possa fazê-lo. O quadro negro, ou memória de trabalho está vinculado a uma consulta concreta, e existe enquanto a consulta estiver sendo efetuada. As informações são utilizadas e alteradas até que o sistema consiga chegar ao resultado desejado; Mecanismo de inferência ou motor de inferência pode ser entendido como a parte pensante de um SE, é o mecanismo de inferência que valida às regras de acordo com sua base de conhecimento para chegar à solução. A figura 7 ilustra o mecanismo de inferência:

28 27 Fig. 7 Mecanismo de Inferência (FAVERO, 2007). O mecanismo de inferência detecta erros nos pensamentos e aprimora as regras utilizadas para alcançar o objetivo desejado. Os SE devem ser capazes de aprender e expandir sua base de conhecimento sobre um determinado domínio. Um SE pode aprender através de diversas técnicas de aprendizado, sendo elas: Textos através de textos, o sistema utiliza um processador de linguagem natural para capturar palavras chaves e armazená-las num formato específico; Conclusões pode ser utilizada a base de conhecimento de um SE, para cada problema resolvido o sistema guarda a solução para que possa ser utilizado no futuro com um problema semelhante, o sistema compara os dados e insere a nova regra na base de conhecimentos; Interação outra forma de aprendizado é quando há interação entre o especialista e o sistema, através de uma interface o especialista pode ensinar o sistema. O SE aprende através do processo de experiência. A resposta do SE pode ser feita de três maneiras diferentes:

29 28 Primeiro modo o sistema mostra a resposta dentro de um intervalo de valores possíveis; Segundo modo o sistema tem uma precisão maior, e mostra um resultado, ou alguns resultados dentro de um pequeno intervalo de valores possíveis; Terceiro modo o sistema não mostra nenhuma resposta, o sistema interage com o especialista e solicita mais informações para que possa tomar a decisão; (FAVERO, 2007). Pode ser afirmado que os SE s: 1. Podem chegar ou não à solução de um problema; 2. Podem errar, entretanto esses erros ocorrem dentro de certas circunstâncias que são justificadas pelo próprio sistema; 3. Processam conhecimento e não dados. O sistema armazena o conhecimento em sua base de conhecimentos, o processamento é feito usando como base o conhecimento e não os dados; (FAVERO, 2007) De modo geral, os SE s servem como auxílio para os especialistas humanos, em suas tomadas de decisão, e não podem substituí-los. A tabela 1 mostra uma comparação entre os especialistas humanos e os SE s: Conhecimento Humano Perecível Difícil de transferir Difícil de documentar Imprevisível Caro Discriminatório Social Criativo Adaptável Enfoque amplo Baseado em senso comum Conhecimento Artificial Permanente Fácil de transferir Fácil de documentar Consistente Razoável Imparcial Individualizado Sem inspiração Inflexível Enfoque restrito Técnico Comparação entre conhecimento especializado humano e artificial. 2007). Tabela 1 Comparação entre o conhecimento humano e artificial (FAVERO,