Universidade do Estado de Santa Catarina UDESC Centro de Ciências Tecnológicas CCT CEP Joinville SC Brasil

Transcrição

1 SISTEMA DE APOIO À TOMADA DE DECISÃO PARA O MONITORAMENTO DE ALARMES PATRIMONIAIS UTILIZANDO INDUÇÃO DE ÁRVORES DE DECISÃO Alex L Sousa, André B Leal, Claudio C Sá, Ricardo F Martins Programa de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Departamento de Ciência da Computação Universidade do Estado de Santa Catarina UDESC Centro de Ciências Tecnológicas CCT CEP Joinville SC Brasil s: alex@joinvilleudescbr, leal@joinvilleudescbr, claudio@joinvilleudescbr, dcc2rfm@joinvilleudescbr Abstract This article presents the project of developing a decision support system for patrimonial alarms monitoring using the C45 algorithm for induction of decision trees The system is developed based on the figure of the expert and the knowledge acquired in the domain of the problem, dividing the project into two levels of abstraction: behavioral, event-oriented and the characteristics of security equipment, and the complementary, consisting of definitions of the project security Keywords Decision Support Systems, C45 Algorithm, Decision Trees, Private Security Resumo Este artigo apresenta o projeto de desenvolvimento de um sistema de apoio à decisão para o monitoramento de alarmes patrimoniais utilizando o algoritmo C45 para indução de árvores de decisão O sistema é desenvolvido baseado na figura do especialista e no conhecimento adquirido sobre o domínio do problema, dividindo o projeto em dois níveis de abstração: comportamental, orientado a eventos e características dos equipamentos de segurança; e complementar, constituído de definições sobre o projeto de segurança Keywords Sistemas de Apoio à Decisão, Algoritmo C45, Árvores de Decisão, Segurança Privada 1 Introdução A vigilância patrimonial é uma atividade da Segurança Privada que trata de medidas de proteção para a segurança do patrimônio de corporações e indivíduos Estas medidas incluem, de forma geral, a instalação de dispositivos eletrônicos (sensores, detectores), equipamentos de segurança (centrais de alarme, câmeras, barreiras), e recursos humanos para a proteção dos interesses de seus segurados Entretanto, o monitoramento remoto de Sistemas Eletrônicos de Segurança (SESs) representa a principal atividade das empresas do ramo Além disso, é um serviço que está em constante fase de expansão, principalmente em soluções tecnológicas, mas que apresenta uma problemática na determinação de ações estratégicas para a tomada de decisão Esta problemática está relacionada com inconsistências nos Sistemas de Monitoramento de Centrais de Alarme Patrimoniais (SMCAPs) e falhas devido ao fator humano, que acabam prejudicando o processo de tomada de decisão Neste contexto, uma tomada de decisão é uma ação a ser seguida (estratégia), definida pelo profissional que opera o SMCAP, quando ocorrências de alarme são sinalizadas pelos SESs instalados nos bens patrimoniais Ela é baseada em dados históricos e experiências individuais vividas pelo profissional (especialista) que, normalmente, toma decisões sem nenhum apoio do sistema Entretanto, nem sempre a estratégia seguida é a mais adequada, pois a quantidade de associações lógicas (p ex: o projeto de segurança, histórico de ocorrências, seqüência de mensagens, equipamentos) pode ser muito complexa para o raciocínio humano refletir uma decisão coerente Além disso, um SMCAP mal projetado, fornecendo informações confusas, erradas, ou insuficientes pode influenciar ainda mais erros de tomada de decisão Os prejuízos mais comuns para as empresas de vigilância tangem em torno de despesas e perda de clientes No entanto, situações envolvendo risco de vida para os clientes e profissionais de segurança também são possíveis de acontecer No sentido de reduzir a problemática da tomada de decisão, os esforços neste trabalho foram concentrados no desenvolvimento de um SMCAP com recursos de apoio à tomada decisão Porém, como é facultado às empresas de segurança privada a criação do seu próprio planejamento de segurança (BRASIL, 1994), são encontradas poucas pesquisas voltadas ao dimensionamento detalhado do setor Assim, houve uma dificuldade em consolidar um estudo sistemático sobre a forma com que as empresas prestadoras de serviços de vigilância patrimonial atuam, inclusive porque o acesso a algumas informações expõe vulnerabilidades sobre os serviços prestados Portanto, apenas manuais e documentos técnicos sobre centrais

2 de alarmes, dispositivos e SMCAPs são encontrados na literatura como referência Essas informações, agregadas ao conhecimento especialista, constituem a base de conhecimento para o desenvolvimento do sistema No entanto, para que as informações analisadas pelo SMCAP sejam classificadas corretamente, torna-se necessário a utilização de técnicas e ferramentas para tratar e representar adequadamente a base de conhecimento Segundo (Han and Kamber, 2000), existem várias técnicas que podem ser empregadas na classificação de padrões, como Redes Neurais, Algoritmos Genéticos, Case-based Reasoning, Fuzzy Sets, Rough Sets, e Árvores de Decisão Neste sentido, vários trabalhos análogos da área de monitoramento remoto podem ser encontrados na literatura Entretanto, técnicas como as baseadas em redes neurais ( black-box ), por exemplo, tem o inconveniente de serem de difícil interpretação e compreensão, por parte do utilizador do sistema, sobre como os dados são processados Segundo (Wangenheim and Wangenheim, 2003), para confiar em soluções geradas pelo sistema o usuário deve ser convencido de que foram geradas de forma adequada Segundo (Russell and Norvig, 2003), as árvores de decisão são estruturas muito utilizadas no desenvolvimento de sistemas especialistas Elas tomam como entrada uma situação descrita por um conjunto de atributos e retornam uma decisão, que é o valor predizido (classificado) para o valor de entrada Uma árvore de decisão é um tipo de diagrama, com uma estrutura em árvore, onde cada nó representa um teste sobre um valor do atributo, cada ramo representa um resultado do teste, e as folhas da árvore representam classes ou conjuntos de classes (Han and Kamber, 2000) Segundo (Edelstein, 2005), algumas vantagens importantes podem ser apontadas às árvores de decisão como, por exemplo: podem ser aplicadas a qualquer tipo de dados; a estrutura do classificador é simples e pode ser guardada e manipulada de uma forma eficiente; e, revelam-se normalmente robustas e insensíveis a erros de classificação no conjunto de treinamento Em concordância, o tratamento dos dados para uma árvore de decisão é simples Outras técnicas, geralmente necessitam normalização dos dados, variáveis de teste precisam ser criadas e campos vazios precisam ser removidos Uma vantagem que também favorece o uso de árvores de decisão é a possibilidade de validar um modelo utilizando ferramentas de análise computacional e estatística, típicas da área de mineração de dados e aprendizado máquina Assim, neste trabalho o uso de árvores de decisão foi adotado não apenas pela eficiência das técnicas de classificação, mas também pela facilidade de compreensão dos resultados produzidos Ou seja, a capacidade de fornecer uma explicação para um determinado problema, já que cada caminho percorrido na árvore, da raiz até uma folha, corresponde a uma regra de classificação Portanto, como as árvores de decisão podem facilmente justificar sua classificação, o usuário pode servir como um juiz final bem informado, para aceitar ou rejeitar uma conclusão do sistema As árvores de decisão podem ser usadas até mesmo quando alguns conjuntos de treinamento possuem valores desconhecidos ou inexistentes Ou seja, a metodologia se torna aplicável mesmo sem o total conhecimento sobre o domínio do problema E de acordo com (Lim et al, 2000), elas representam uma boa opção para solução de problemas de classificação em termos de desempenho Entretanto, como o processo de decisão é tomado com base na informação, a metodologia para a classificação das ocorrências é dependente de um sistema com uma base bem projetada Porém, não é objetivo deste trabalho descrever o projeto de um sistema básico de monitoramento de alarmes, e sim concentrar esforços num sistema de apoio à tomada de decisão baseado em conhecimento 2 Visão Geral dos Domínios de Conhecimento O conhecimento empregado no desenvolvimento do SMCAP é baseado segundo duas linhas de raciocínio, a abstração comportamental e a complementar A abstração comportamental (funcional) é baseada em eventos, analisando a seqüência e a ordem em que eles ocorrem, e o tipo de mensagem que é enviada para o sistema Esta abstração tange sobre a análise comportamental dos seguintes itens de interesse: ˆ Sistemas Eletrônicos de Segurança (SESs): são constituídos normalmente por uma central de alarmes e um conjunto de sensores A central é instalada no bem patrimonial e monitorada por empresas que prestam serviços de vigilância patrimonial E os sensores são utilizados para detectar mudanças de estado nas áreas monitoradas (ou ambientes), acionando contatos que são sentidos pela central Uma central de alarmes (CA) pode ser definida de acordo com o número de zonas de proteção 1 : CA = {Z 1, Z 2, Z 3,, Z n } E as zonas de proteção (de Z 1 à Z n ) representam entradas dedicadas (bornes) para a conexão de sensores Cada zona pode conter um ou mais sensores a ela conectados 2 Na prática, apesar da limitação de hardware (quantidade de zonas), o mais indicado é a utilização de apenas um único sensor por zona Entretanto, sensores que possuem as mesmas características (funcionali- 1 Existem centrais com até 64 zonas (uso residencial) 2 São mais utilizados sensores NC (Normally-Close)

3 dade) também podem ser combinados As centrais de alarme não podem identificar que tipo de sensor foi conectado em cada zona, elas apenas detectam se as zonas estão abertas (1) ou fechadas (0) ˆ Protocolo Contact ID: é um protocolo de comunicação utilizado por SESs para o envio de mensagens de alarme É adotado por inúmeros fabricantes para prover a compatibilidade de seus equipamentos com equipamentos de terceiros O formato de uma mensagem é dado por: ACCT QZXY GG CCC Onde, ACCT identifica o cliente que originou a mensagem, Q identifica o tipo de evento (1: abertura, 3: fechamento, 6: reportagem), ZXY identifica o código do evento, GG identifica o grupo ou partição monitorada pela central de alarmes, e CCC identifica a zona de proteção ou usuário que originou o evento (SIA, 1999) Os campos Q e CCC da mensagem estão diretamente relacionados com esta modelagem Uma lista completa de todos os códigos de eventos é encontrada na documentação do Contact ID (SIA, 1999) ˆ SMCAPs: Sistemas de Monitoramento de Centrais de Alarme Patrimoniais (SMCAPs) são software que normalmente suportam diversos protocolos de comunicação e são encarregados de monitorar ocorrências de alarme dos SESs a ele conectados Eles possuem geralmente um módulo central que gerencia, por exemplo, dados de usuários, zonas, horários, telefones, relatórios e eventos (Alarm Center, 2009) (Patriot 5, 2009) A abstração complementar é constituída de particularidades específicas de cada topologia física (patrimônio), além de definições e associações relacionadas ao projeto de segurança Esta abstração tange em torno da análise conceitual sobre os seguintes itens de interesse: ˆ Patrimônio Monitorado: um patrimônio monitorado (P M) pode possuir um conjunto de várias áreas distintas P M = {A 1, A 2, A 3,, A j } que, geralmente, se encontram separadas por paredes ou divisórias (p ex, cômodos de uma residência ou salas de um escritório) E cada área normalmente está associada a uma ou mais zonas de proteção, tal que A j CA ˆ Tipos de Áreas: as áreas podem ser identificadas segundo três tipos de classificação: áreas de perímetro (P), são áreas que tem seus limites (perímetro) protegidos por sensores de barreira (p ex, pátio); áreas externas (E), são áreas edificadas que permitem acesso externo, normalmente através de portas ou janelas (p ex, garagem ); áreas internas (I), não podem ser acessadas diretamente por estarem localizadas dentro de áreas externas (p ex, corredor) ˆ Áreas Contíguas: dependendo da seqüência de eventos e da relação de proximidade entre as áreas, perfis de ocorrência distintos podem ser definidos com base na relação de proximidade (p ex, para detectar dois ou mais indivíduos num local) Exemplo: Table 1: Relação de proximidade entre áreas A1 A2 A3 A4 A5 A A A A4 1 1 A5 1 Na tabela 1, os 1 s representam as áreas contíguas (vizinhas) e os 0 s as não contíguas ˆ Tipos de Ação: dependendo do tipo de mensagem que é enviado por um SES, o atendimento a uma ocorrência pode ser classificado segundo três tipos de ação: imediata (I), para ocorrências que exigem ação imediata como, por exemplo, emergências médicas ou incêndio; combinada (C), para ocorrências cuja tomada de decisão é deduzida com base na seqüência de eventos e na combinação de informações; e reportagem (R), quando não dependem de decisão como, por exemplo, informações de controle e relatórios ˆ Funcionalidade dos Sensores: quanto à funcionalidade (comportamento), os sensores podem ser classificados segundo dois tipos distintos: sensores que detectam presença (S) como, por exemplo, sensores infravermelho; e sensores que não detectam presença (N) como, por exemplo, sensores magnéticos ˆ Tempo de Atendimento: representa o tempo médio de atendimento de uma ocorrência de alarme, determinado entre a prestadora de serviços (empresa de vigilância patrimonial) e o contratante (cliente) O sistema classifica o perfil de uma ocorrência com base na seqüência em que os eventos ocorrem, analisando se está dentro (D) ou fora (F) do período de tempo previsto A base de conhecimento apresentada constitui o raciocínio sobre a abstração comportamental e a abstração complementar, segundo referências na literatura disponível e o conhecimento técnico do especialista 3 Classificação dos Dados A classificação é o processo de encontrar um conjunto de modelos (ou funções) que descrevem e

4 distinguem classes de dados ou conceitos, para o propósito de poder usar o modelo para prever a classe de objetos (conjuntos de dados) ainda não rotulados (Han and Kamber, 2000) Quando a classificação é baseada em algoritmos de aprendizagem indutiva ela necessita de um padrão de treinamento, e seu método de aprendizagem é dito do tipo supervisionado (Kantardzic, 2003) Segundo (Han and Kamber, 2000), a classificação dos dados é um processo constituído de duas etapas Na primeira etapa, é construído um modelo (ou padrão de treinamento) descrevendo um determinado conjunto de classes de dados ou conceitos O modelo é obtido através da análise dos dados de cada tupla 3 e descrito por atributos Cada tupla é designada a pertencer a uma classe pré-definida, identificada por um dos atributos que é definido como rótulo da classe E na segunda etapa, o modelo é usado para a classificação 31 Construção do Padrão de Treinamento Na construção do modelo utilizado como padrão de treinamento, os conceitos empregados na formulação do conjunto de regras foram baseados na visão geral sobre os domínios de conhecimento (seção 2) e na figura do especialista Table 2: Padrão de treinamento R a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 C A I????? E I????? 2 3? A C E 0 0 N F 3 4? A C E 0 0 N D 3 5? E C E 0 0 N? 4 6? A C I 0 0 N F 5 7? A C I 0 0 N D 5 8? E C I 0 0 N? 6 9? A C I 0 0 S F 7 10? A C I 0 0 S D 7 11? E C I 0 0 S? A I????? E I????? A I????? A I????? 12 16? A C E 2 1 S F 13 17? A C E 2 1 S D 13 18? E C E 2 1 S? 14 19? F C E 2 0 N F 15 20? F C E 2 0 N D ? R? 2?? F ? R? 2?? D ? R? 2?? F ? R? 2?? D 16 A tabela 2 apresenta como exemplo, parte 3 As tuplas também são referidas como registros, amostras, exemplos, ou objetos do modelo utilizado como padrão de treinamento para gerar o classificador Inicialmente foi criado um arquivo, formado pelo nome e os possíveis valores de cada um dos atributos (de a 1 a a 8 ), onde: a 1 representa o código ZXY de uma mensagem em Contact ID; a 2 indica, com base no campo Q da mensagem (Contact ID), se é um evento de abertura (A) ou fechamento (F), ou um possível erro (E) detectado pelo sistema (p ex, quando ocorre uma falha de comunicação); a 3 indica, com base em ZXY, se a ação deve ser imediata (I), combinada (C), ou apenas um relatório (R) gerado pelo SES; a 4 indica se a área que originou o evento é interna (I), externa (E) ou de perímetro (P); a 5 identifica o código do caso classificado pela seqüência de eventos anteriores (C), ou então, é atribuído o valor zero (0) se ainda não houve nenhuma ocorrência registrada; a 6 indica (se a 5 0) área contígua (1) ou não contígua (0); a 7 informa se o sensor detecta (S) ou não detecta (N) presença; e a 8 identifica se o tempo de atendimento está dentro (D) ou fora (F) do limite previsto Os atributos com valores desconhecidos ou irrelevantes foram representados com um ponto de interrogação (?) Assim, cada regra R é formada por oito atributos que correspondem às características avaliadas para uma determinada classe, ou seja, os valores dos atributos combinados entre si: R = a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 (1) onde, o símbolo representa o operador lógico booleano E, juntamente com os atributos de a 1 à a 8 que definem a regra Logo, cada regra ou conjunto de regras conduz a uma determinada classe C Por exemplo, de acordo com a tabela 2, a regra R = 1 identifica uma classe do tipo C = 1 Já uma classe do tipo C = 13, é identificada pelas regras R = 2 e R = 16, ou R = 2 e R = 17, preservando histórico das classes anteriores (seqüência) que é memorizado no atributo a 5 de cada regra Assim, uma tomada de decisão final (TDF) é baseada não apenas na regra explícita, mas também no histórico de classes precedentes C 1 C 2 C n T DF 32 Obtenção do Classificador Um modelo de classificador, para ser implementado num sistema de apoio à tomada de decisão, pode ser obtido com o auxílio do software Weka 4, que é um pacote de ferramentas para a mineração de dados e aprendizagem de máquina Neste trabalho, inicialmente foi utilizado o algoritmo de aprendizado J48 (Witten and Frank, 2005), que executa a tarefa de classificação e constrói um modelo de árvore de decisão baseado no padrão de treinamento O J48 é uma implementação 4 Waikato Environment for Knowledge Analysis

5 do algoritmo C45 (Quinlan, 1993) para fins de aprendizado educacional com o software Weka O algoritmo C45 (release 8) proporciona facilidades para lidar com atributos de valor real e nominal (Xindong, 1999) Outros algoritmos também foram testados para o sistema, como o Naive-Bayes Classifiers (Han and Kamber, 2000), que assume tratamento independente dos atributos e apresentou baixo desempenho com maiores quantidades de dados, e o ID3 (Han and Kamber, 2000), que apresentou dificuldades em trabalhar com valores nominais e reais De acordo com um estudo comparativo, onde foram analisados 33 algoritmos de classificação, o C45 (J48) foi considerado o mais rápido da categoria (Lim et al, 2000) 4 Desenvolvimento do Sistema Como foram encontradas poucas referências sobre como as empresas de vigilância patrimonial atuam, visto que é facultado a elas a criação do seu próprio planejamento de segurança, optou-se por implantar o algoritmo C45 dentro do próprio SM- CAP Desta forma, o sistema pode ser adaptado para funcionar de acordo com o planejamento de segurança adotado por cada empresa, ao invés de utilizar um classificador estático como o gerado pelo Weka Assim, o SMCAP pode gerar automaticamente ou quando solicitado um novo classificador, obtido através de inferências indutivas realizadas sobre fatos ou padrões de treinamento fornecidos (aprendizado supervisionado), ou por observações e descobertas analisadas na base de conhecimento (aprendizado não supervisionado) Após a implementação, os classificadores gerados pelo SMCAP foram analisados para verificação de conformidade com os resultados obtidos no Weka 41 Descrição dos Casos A descrição dos casos (ocorrências) foi baseada apenas no conhecimento especialista, e constitui um conjunto de casos definidos com base no padrão de treinamento apresentado na tabela 2 Os casos são apresentados ao operador do sistema de uma forma padronizada e automática, de acordo com a seguinte metodologia: ˆ Ocorrência de alarme {associada a uma área do tipo [I, E, P]} O código do evento [ZXY ] {[(descrição)]} foi reportado {A análise dos eventos indica que [existe, não existe] relação de contigüidade entre áreas} {, e [existe, não existe] uma significativa probabilidade de indivíduos agindo em conjunto} De acordo com o código do evento {, e como o tempo de atendimento está [dentro, fora] do limite previsto,} a tomada de decisão é {final, parcial} do tipo [imediata, combinada] Os itens de sintaxe obrigatórios são representados por [ ] (colchetes), onde é escolhido apenas um único valor de acordo com o que foi armazenado no respectivo atributo E os itens de sintaxe opcionais são representados por { } (chaves), sendo exibidos segundo associações lógicas feitas pelo sistema 42 Estratégias de Ação Uma estratégia de ação representa um conjunto de passos que devem ser seguidos para solucionar uma determinada ocorrência (caso) As estratégias de ação referem-se à forma com que as empresas de vigilância atuam, que é particularidade de cada uma Portanto, não é objetivo deste trabalho definir um planejamento estratégico de ação para ocorrências de alarme, pois cabe às empresas adaptar seu próprio planejamento aos casos mais adequados Um exemplo de descrição de caso e respectiva estratégia de ação, baseado na tabela 2, é apresentado a seguir: Caso 1: Ocorrência de alarme associada a uma área do tipo externa O código do evento 133 (Zona segura 24 horas) foi reportado De acordo com o código do evento a tomada de decisão é final do tipo imediata Ação: 1 Tentar contatar ocupantes do local em telefone residencial e solicitar procedimento padrão (p ex: frase secreta, etc) 2 Enviar apoio motorizado se procedimento padrão estiver errado ou se não foi possível contatar ocupantes do local 3 Acionar a polícia se observado suspeita de coação ou armas de fogo Assim, resumindo o desenvolvimento do SM- CAP, o sistema classifica ocorrências de alarme à medida que as mensagens são recebidas, apresentado a descrição do caso, o tipo de ação a ser tomada e o procedimento utilizado na classificação (a seqüência da raiz até a respectiva folha) 5 Conclusão Diferentemente de outras técnicas, as árvores de decisão oferecem a vantagem de serem de fácil compreensão e interpretação, uma vez que é gerado conhecimento simbólico com a capacidade de fornecer uma explicação para um determinado problema Um fator fundamental para o desenvolvimento de aplicações de sucesso é a sua aceitação por parte do usuário Para confiar em soluções geradas pelo sistema o usuário deve ser convencido de que foram geradas de forma adequada As árvores de decisão oferecem a vantagem de acompanhar o procedimento de classificação através dos nodos da árvore, de forma que

6 pessoas podem entender modelos em árvore depois de uma simples explicação As árvores de decisão também são ferramentas que podem ser utilizadas para dar ao operador do sistema a capacidade de aprender e de tomar decisões Com a implementação do algoritmo C45 no SMCAP, o conhecimento presente no sistema pode ser atualizado sempre que necessário, à medida que novas ocorrências dão origem a novos casos armazenados na base de dados Assim, as informações fornecidas pelo sistema podem ser incorporadas aos dados históricos e experiências individuais vividas pelo operador, possibilitando melhores condições para a tomada de decisão O sistema também pode absorver conhecimento sobre novos fatos adquiridos, de forma que a saída de um profissional experiente não cause um grande impacto na empresa de vigilância O algoritmo utilizado neste trabalho trouxe resultados finais esperados que, do ponto de vista funcional, foram fiéis às regras definidas pelo especialista A estrutura do classificador é simples e eficiente, e o sistema apresentou um desempenho satisfatório comparado a outros SMCAPs analisados O algoritmo C45 também pode se encarregar de gerar um novo classificador sem a necessidade de um padrão de treinamento Entretanto, como para o desenvolvimento deste trabalho não existia uma base de dados ainda formada, foi utilizado um padrão de treinamento baseado na visão geral sobre os domínios de conhecimento e na figura do especialista Os casos do padrão de treinamento não foram de difícil classificação, e o algoritmo mostrou-se robusto indicando determinados erros ao gerar o classificador Por ter uma significativa documentação teórica e ser disponibilizado com o código-fonte, o C45 disseminou-se rapidamente e hoje é incorporado em várias ferramentas educacionais e comerciais de mineração de dados Isto também facilitou o projeto do SMCAP, pois com o auxílio do software Weka foi possível a realização de vários testes sem a necessidade de ter o sistema básico já desenvolvido Entretanto, na prática é muito comum que os domínios para os quais os sistemas são desenvolvidos não tenham sido ainda completamente compreendidos No caso do SMCAP isso não foi diferente, a figura do especialista exerceu um papel importante no desenvolvimento do sistema Mas como cada empresa tem seu próprio planejamento de segurança, existe a necessidade de readaptação do sistema Entretanto, o SMCAP foi projetado para ser adaptado para funcionar de acordo com o planejamento de segurança adotado por cada empresa, ao invés de utilizar um classificador estático Contudo, sendo a modelagem do conhecimento necessariamente incompleta, soluções sugeridas por coleções de casos também podem ser adaptadas para o que ocorre nesse domínio, sem a necessidade postular outras teorias para o problema de tomada de decisão Assim, para trabalhos futuros, a utilização de Raciocínio Baseado em Casos (Case-Based Reasoning) é uma abordagem interessante, que utiliza soluções baseadas em casos passados, readaptando-os para o problema atual No entanto, apesar de ser uma solução eficiente, ela tem problemas de performance e precisa ser melhorada, mas seria uma boa solução se combinada com a indução de árvores de decisão References Alarm Center (2009) SIS: The alarm center BRASIL (1994) Lei n o 8683, de 28 de março de 1994 Estabelece normas para a constituição e funcionamento das empresas de serviços de vigilância Edelstein, H (2005) Introduction to Data Mining and Knowledge Discovery, 3 edn, Falls Road, Potomac, MD USA Han, J and Kamber, M (2000) Data Mining: Concepts and Techniques, Morgan Kaufmann Kantardzic, M (2003) Data Mining: Concepts, Models, Methods and Algorithms, John Wiley & Sons, Inc, New York, NY, USA Lim, T, Loh, W and Shih, Y (2000) A comparison of prediction accuracy, complexity, and training time of thirty-three old and new classification algorithms, Mach Learn Patriot 5 (2009) Patriot systems Quinlan, J R (1993) C45: programs for machine learning, Morgan Kaufmann Publishers Inc, San Francisco, CA, USA Russell, S and Norvig, P (2003) Artificial Intelligence: A Modern Approach, 2nd edition edn, Prentice-Hall, Englewood Cliffs, NJ SIA (1999) Ademco Contact ID protocol for alarm system communications, Technical report, Security Industry Association Wangenheim, C G and Wangenheim, A (2003) Raciocínio Baseado em Casos, 1 edn Witten, I H and Frank, E (2005) Data Mining: Practical Machine Learning Tools and Techniques, Second Edition (Morgan Kaufmann Series in Data Management Systems), Morgan Kaufmann Xindong, W (1999) Fuzzy interpretation of discretized intervals, IEEE Transactions on Fuzzy Systems 7(6):