2. Referencial Teórico

Transcrição

1 III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p , jun, ISBN: Abstract. Nowadays machine learning is one of the pillars of artificial intelligence, and it also proposes solutions for problem solving in various spheres of society. The systems developed from this learning present a discrete knowledge construction and are also known as expert systems. This work aims to present a special system to help locate the manatee in Cajueiro da Praia (PI) in the region of the estuary of rivers Timonha and Ubatuba through the abiotic variables of the environment. Resumo. Atualmente o aprendizado de máquina é um dos pilares da inteligência artificial e ele propõe soluções para resolver os problemas de vários âmbitos da sociedade. Os sistemas desenvolvidos a partir deste aprendizado apresentam uma construção de conhecimento de forma discreta e específica por isso também são conhecidos como sistemas especialistas. Este trabalho tem como objetivo apresentar um aplicativo para auxiliar a busca do peixe-boi marinho em Cajueiro da Praia (PI) na região do estuário dos rios Timonha e Ubatuba através de variáveis abióticas do meio ambiente. 1. Introdução O peixe-boi-marinho, Trichechus manatus manatus [Linnaeus 1758], é um mamífero marinho encontrado em águas oceânicas e estuarinas. Considerado criticamente em perigo no Brasil, situação ocasionada pela morte intencional e acidental dos indivíduos como: o encalhe de filhotes, a captura acidental em redes de emalhe, tapagem, arrasto e currais de pesca [Lima 1997]. Esta espécie está na lista de animais ameaçados de extinção do MMA 1. O Projeto Peixe-boi trata-se de uma iniciativa do CMA 2, ICMBio 3 e Fundação Mamíferos Aquáticos, no município de Cajueiro da Praia (PI). Esse projeto existe desde 1996, a principal atividade realizada pelo o projeto é o monitoramento do peixe-boi marinho, que é realizado através de uma torre localizada na região do estuário dos rios Timonha e Ubatuba entre PI e o CE. Os trabalhos são desenvolvidos diretamente pelo ICMBio e pela APA 4 do Delta do Parnaíba. Os pesquisadores que atuam na região do estuário dos rios Timonha e Ubatuba enfrentam três problemas. Dentre eles estão: aleatoriedade das buscas pelo o peixe-boi, tempo de espera em um local que acredita-se que irá aparecer o peixe-boi, custo de deslocamento e por último experiência em campo. Neste trabalho apresentamos um Sistema Especialista (SE) para dispositivos móveis que auxilia a possível localização dos peixes-boi baseado em variáves abióticas 5 do meio. Este sistema denominado Sistema Especialista para Localização baseado em Variáveis Abióticas - Peixe Boi (SELVA-PB), foi construído a partir do estudo de Leocadio et al. (2016), na qual os mesmos realizaram a preparação da base e extraíram o 1 Ministério do Meio Ambiente 2 Centro de Mamíferos Aquático 3 Instituto Chico Mendes de Conservação da Biodiversidade 4 Área de Proteção Ambiental 5 São componentes não vivos que influenciam a vida dos seres vivos.

2 conhecimento em forma de regras de produção, além disso obtiveram resultados satisfatórios na análise de desempenho do classificador J48, denotadas dos conceitos de Hsu et al. (2003). Este artigo está organizado da seguinte forma. Na seção 2 é apresentada a fundamentação teórica sobre sistemas especialistas e uma breve explanação de algoritmo de aprendizagem utilizado no SE. Na seção 3 especificamos a metodologia utilizada na construção do SELVA-PB. Os resultados são mostrados na seção 4 e as conclusões na seção Referencial Teórico 2.1. Sistema Especialista Não existe uma definição exata do que é um Sistema Especialista. De acordo com Levine et al. (1988), é um sistema de inteligência artificial criado para resolver problemas em um domínio particular. Em Bielawski e Lewand (1988), é proposta uma definição mais formal: Sistema Especialista é um programa que simula o desempenho de um especialista humano em um domínio ou campo específico. Didaticamente, os Sistemas Especialistas são programas computacionais que emulam o comportamento de especialistas humanos em algum domínio específico do conhecimento e a existência deles está interligada com a área da inteligência artificial conhecida como Aprendizagem de Máquina. Esta tem como objetivo o desenvolvimento de técnicas computacionais sobre o aprendizado, ou seja, experiência acumulada através da solução bem-sucedidas de problemas anteriores. Os sistemas especialistas são compostos de três partes essenciais: Base de Conhecimento: onde os fatos e regras utilizados nas resoluções são armazenados. A base de conhecimento também é capaz de se atualizar, inserindo novos dados ou alterando dados existentes. Máquina de Inferência: dispositivo que efetua as consultas na base de conhecimento gerando as respostas. Resumidamente, o motor de inferência compara as regras da base de conhecimento com as informações fornecidas pelo usuário. Interface do Usuário: fonte de interação com o usuário. Onde as perguntas são apresentadas ao sistema e as respostas são obtidas. A Figura 1 mostra a relação entre as partes do sistema especialista: Figura 1. Apresenta a estrutura básica do SE.

3 2.2. Algoritmo C4.5 Para Librelotto e Mozzaquatro (2014), um dos aspectos para a grande utilização do algoritmo C4.5 (conhecido por J48 devido sua implementação em Java) pelos especialistas em Data Mining 6 é que o mesmo se mostra adequado para os procedimentos, envolvendo as variáveis (dados) qualitativas contínuas e discretas presentes nas bases de dados. O algoritmo J48, proposto por Quilan (1993) apresenta um bom desempenho na montagem de árvores de decisão, a partir de um conjunto de dados para treinamento. De acordo com [Witten e Frank 2005] Para a montagem da árvore, o algoritmo C4.5 utiliza a abordagem de dividir-para-conquistar, onde um problema complexo é decomposto em subproblemas mais simples, aplicando recursivamente a mesma estratégia a cada subproblema, dividindo o espaço definido pelos atributos em subespaços, associando-se a eles uma classe.no SELVA-PB o algoritmo C4.5 é utilizado para a realização do treinamento da base de dados, que consequentemente gera a árvore de decisão na qual faz parte da base de conhecimento Ferramenta Weka Para [Markov e Russel 2006] o Weka se trata de um software que agrega diferentes abordagens e paradigmas da inteligência artificial dedicada ao estudo da aprendizagem de máquina. É um produto da Universidade de Waikato (Nova Zelândia) e foi implementado pela primeira vez em sua forma moderna em 1997, na linguagem de programação Java. O Weka 7 possui uma API (Application Programming Interface) geral, assim é possível utilizar todas as funcionalidades do Weka como qualquer outra biblioteca, em seus próprios aplicativos. A ferramenta é capaz de ler os arquivos no formato arff, no qual possui a base de dados. 3. Metodologia O desenvolvimento da ferramenta em si se baseou em três etapas, cuja a primeira etapa consistiu na escolha das ferramentas para construção da aplicação e os motivos que levaram a essa seleção. Posteriormente, na segunda etapa mostra a elaboração da base de conhecimento proveniente da base de dados que é essencial para funcionamento da aplicação. E por fim, a última etapa exibi como foi criada a máquina de inferência e sua função no SELVA-PB Ferramentas para construção do SELVA-PB O desenvolvimento do SELVA- PB se deu utilizando a linguagem de programação Java juntamente com a IDE (Integrated Development Environment) conhecida como Android Studio 8. A escolha da linguagem de programação ocorreu simplesmente pelo fato desta poder utilizar uma biblioteca denominada Weka Android 9, na qual realiza um papel muito importante para as funcionalidades da aplicação já que é a partir dela que a base de conhecimento é criada juntamente com a máquina de inferência. A plataforma utilizada para gerenciar a aplicação foi o Android, pois além de possuir uma base já instalada no mundo pode ser utilizado em diversos dispositivos diferentes. 6 É uma técnica que agrega e organiza dados, encontrando neles padrões, associações, mudanças e anomalias relevantes

4 3.2. Base de Conhecimmento A Base de Dados de Ocorrência do Peixe-Boi (BDOPB), foi fornecida pela Organização Não Governamental (ONG) Comissão Ilha Ativa (CIA), instituição que possui sede no município piauiense de Ilha Grande e atua com projetos socioambientais em toda a APA do Delta do Parnaíba, que é composta por 864 instâncias e com 09 atributos. Os atributos são: Data: data atual; Latitude e Longitude: coordenadas geográficas do úsuário do aplicativo; Temperatura: temperatura da água; Salinidade: salinidade da água; Profundidade: profundidade da água; Interação: interação humana no local; Distância: distância entre o usuário da aplicação e os pontos de alimentação do peixe-boi marinho; Aparecimento: Atributo onde será inferido o resultado da aplicação (atributo classe). A BDOPB foi padronizada para o Weka, em que utiliza extensão a arff. Logo após, foi realizado o treinamento na própria aplicação, utilizando o algoritmo C4.5, pois o Weka Desktop não gera modelos ou bases de conhecimento compatíveis com a leitura do Weka Android, necessária para a construção da base de conhecimento onde de fato são armazenadas regras de produção manuseadas pela máquina de inferência. Toda a construção da base de conhecimento foi efetuada através da biblioteca Weka Android, visto que ela possui métodos que geram um arquivo com extensão model (modelo) contendo todas as regras de produção 10 como mostrado na figura 2, enquanto figura 3 apresenta o processo de construção do Sistema Especialista: Figura 2. Regras de produção capturadas da ferramenta Weka. 10 Regras de produções consistem de duas partes: uma pré-condição sensorial (ou se ) e uma ação (ou então ). Ex: se salinidade 23 então

5 Figura 3. Apresenta as partes do SE e como elas se relacionam no SELVA-PB 3.3. Máquina de Inferência O motor de inferência é um elemento essencial para a existência de um sistema especialista, sendo o núcleo do sistema. É por intermédio dele que os fatos e regras que compõem a base de conhecimento são aplicados no processo de resolução do problema. Assim a inferência na aplicação é realizada através da biblioteca Weka Android, em que é responsável pela leitura do arquivo modelo (base de conhecimento), bem como pela realização de comparações dos atributos por meio das regras de produção para inferir um determinado valor no atributo classe que no caso do SELVA-PB será o aparecimento. 4. Resultados Para o funcionamento da aplicação o usuário irá preencher todos os campos dos atributos da base: data, latitude, longitude, temperatura, profundidade, salinidade, interação, distância. A aplicação retornará um possível resultado para o atributo classe da base. O sistema possui apenas uma tela e vários campos para a inserção dos atributos na qual irá inferir na base de conhecimento gerando uma pequena janela, que irá gerar um resultado, ou seja, se há ou não uma possível presença de peixe-boi naquela região. As Figuras 3 expõe os possíveis eventos da aplicação: Figura 4. Evento do SELVA-PB.

6 5. Conclusão O SELVA-PB poderá gerar bons resultados para os pesquisadores que atuam em regiões com a presença do peixe-boi no estuário onde os dados foram coletados: Timonha e Ubatuba. Exemplificando, um pesquisador deseja encontrar uma determinada região que pode ou não ser habitada por peixe-boi, assim diminuindo os gastos de deslocamento. Contudo é importante lembrar que esse Sistema Especialista não é capaz de prever com exatidão, pois existe o problema de generalização. Este problema se dá devido a insuficiência de dados ao se deparar com novos casos, podendo inferir um valor errôneo. Entretanto, se a aplicação for convertida em uma ferramenta de apoio, os pesquisadores sem experiência poderão utilizá-la como um importante auxílio. Para trabalhos futuros pretendemos aprimorar mais a interface de usuário e criar alternativas para a constantes atualizações da base de dados. Referências Hsu, C.-W., Chang, C.-C., Lin, C.-J., et al. (2003). A practical guide to support vector classification. Leocadio, J., Machado, V., Assunção, M., and Veras, R. (2016). Descoberta de conhecimento em base de dados sobre avistamentos de peixes-boi marinho (trichechus manatus manatus) no estuario dos rios timonha e ubatuba (pi/ce). XXI Congresso Brasileiro de Automatica. Levine, R. I., Drang, D. E., Edelson, B., and Mullin, A. A. (1987). A comprehensive guide to ai and expert systems. IEEE Expert, 2(2): Librelotto, S. R. and Mozzaquatro, P. M. (2014). Análise dos algoritmos de mineração j48 e apriori aplicados na detecção de indicadores da qualidade de vida e saúde. Revista Interdisciplinar de Ensino, Pesquisa e Extensão, 1(1). Lima, R. d. (1997). Peixe-boi marinho (trichechus manatus): distribuição, status de conservação e aspectos tradicionais ao longo do litoral nordeste do brasil. Peixe-Boi Marinho (Trichechus manatus): distribuição, status de conservação e aspectos tradicionais ao longo do litoral nordeste do Brasil. Markov, Z. and Russell, I. (2006). SIGCSE Bull., 38(3): Quinlan, J. (1993). C4. 5: Programs for empirical learning. An introduction to the weka data mining system. Witten, I. H. and Frank, E. (2005). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.