UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS

Transcrição

1 UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS

2 ALESSANDRA MEMARI PAVANELLI UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS Dssertação aresentada como requsto arcal à obtenção do grau de Mestre em Cêncas, do Programa de Pós-Graduação em Métodos Numércos em Engenhara, na Área de Concentração em Programação Matemátca, dos setores de Cêncas Exatas e de Tecnologa da Unversdade Federal do Paraná. Orentadora: Profa. Dra. Mara Teresnha Arns Stener Co-orentadores: Profa. Dra. Dese Mara Berthold Costa Prof. MSc. Genval Pavanell CURITIBA 008

3 TERMO DE APROVAÇÃO ALESSANDRA MEMARI PAVANELLI UTILIZAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA A PREVISÃO DO TEMPO DE DURAÇÃO DE AUDIÊNCIAS TRABALHISTAS Dssertação arovada como requsto arcal à obtenção do grau de Mestre em Cêncas, do Programa de Pós-Graduação em Métodos Numércos em Engenhara, na Área de Concentração em Programação Matemátca, dos setores de Cêncas Exatas e de Tecnologa da Unversdade Federal do Paraná, ela segunte banca examnadora: Orentadora: Profa. Dra. Mara Teresnha Arns Stener Deartamento de Matemátca/PPGMNE/UFPR Co-orentadora Profa. Dra. Dese Mara Berthold Costa Deartamento de Desenho/PPGMNE/UFPR Prof. Dr. Julo César Nevola PPGIA/PUC-PR Profa. Dra. Ângela Olandosk Barboza Deartamento de Matemátca/UTFPR Curtba, 0 de março de 008

4 Aos meus flhos Govana e Alberto, ao meu mardo Genval e a mnha mãe Angelna com muto amor e carnho Dedco

5 AGRADECIMENTOS Agradeço a Deus elo dom da vda, da sabedora e da erseverança, e or estar comgo em todos os momentos da mnha vda. Ao meu mardo Genval, elo aoo ncondconal, or estar ao meu lado de forma esecal e mrescndível, elas alavras de carnho nos momentos dfíces dessa jornada. A mnha flha Govana, e ao meu flho Alberto, que são mnhas jóas recosas, e lumnam com sua exstênca toda mnha vda, fazendo com que eu entenda o verdadero sentdo do amor. A mnha corajosa e erseverante mãe, Angelna, essoa muto mortante em mnha vda, que na sua smlcdade e com seu amor, semre aoou meus rojetos. À memóra de meu a, Alberto Memar Flho, cuja luz e amor contnuam a brlhar em mnha vda. A mnha rmã e amga Sandra, or semre atender mnhas solctações, e ser exemlo de determnação, e ao meu rmão Luíz Alberto, ela força do amor que semre nos unu em todos os momentos. A todos os meus famlares, que de dversas maneras, torceram e vbraram comgo durante todo esse temo, em esecal à mnha querda cunhada Cbele. A Profa. Dra. Mara Teresnha Arns Stener, essoa admrável, que com sua sabedora roorconou-me valosas sugestões, e cujas orentações foram de fundamental mortação ara o desenvolvmento e conclusão de meu trabalho. A Profa. Dra. Dese Mara Berthold Costa, ela co-orentação, ela motvação em todos os momentos, uma essoa maravlhosa, semre com alavras de aoo e ncentvo. A todos os rofessores do curso, elos ensnamentos. v

6 Ao MM. Juz do Trabalho, Dr. Bráulo Gabrel Gusmão, Juz do Fórum Trabalhsta de São José dos Pnhas, Paraná, semre restatvo e entusasmado, vsando semre a melhora em seu trabalho, e também or suas recosas colaborações. Aos funconáros do Fórum Trabalhsta de São José dos Pnhas, Paraná, que semre resonderam rontamente mnhas solctações, em esecal ao Sr. Renato ela atenção e rontdão. A todos os amgos do PPGMNE, em esecal ao Wyrllen, ela amzade e comanhersmo. À Marstela Bandl ela amzade, or semre ter uma alavra de otmsmo em todos os momentos dfíces dessa jornada. Ao Colégo Mltar de Curtba, em esecal a todos os meus chefes, que lcencando-me de mnhas atvdades, tornaram ossível a realzação desse trabalho. À todos aqueles que, de uma forma ou de outra, colaboraram ara realzação deste sonho. v

7 SUMÁRIO LISTA DE FIGURAS... x LISTA DE QUADROS...x RESUMO...x ABSTRACT...xv CAPÍTULO I INTRODUÇÃO.... OBJETIVOS DO TRABALHO.... JUSTIFICATIVA DO TRABALHO ESTRUTURA DO TRABALHO...3 CAPÍTULO II DESCRIÇÃO DO PROBLEMA...5. HISTÓRICO DA JUSTIÇA DO TRABALHO...5. ESTRUTURA DA JUSTIÇA DO TRABALHO ETAPAS DE UM PROCESSO TRABALHISTA ESTUDO DE CASO OBTENÇÃO DOS DADOS TRATAMENTO DOS DADOS... CAPÍTULO III 3 REFERENCIAL TEÓRICO REDES NEURAIS ARTIFICIAIS (RNAs) Defnções de RNAs Hstórco Neurôno Bológco Neurôno Artfcal Funções de Atvação de uma RNA Característcas Geras das RNAs Trenamento de uma RNA de Múltlas Camadas Arendzado da RNA v

8 3..9 Algortmo Back-Proagaton ANÁLISE DE COMPONENTES PRINCIPAIS Introdução Método ara Descarte de Varáves Usando Comonentes Prncas Comonentes Prncas Poulaconas Comonentes Prncas de Varáves Padronzadas Comonentes Prncas Amostras REGRESSÃO Regressão Logístca Regressão Lnear Múltla Defnção Lneardade do Modelo de Regressão Valor Eserado do Vetor de Erro Normaldade Poder de Exlcação do Modelo Relação entre as Varáves REVISÃO DE LITERATURA TRABALHOS RELACIONADOS...49 CAPÍTULO IV 4 APLICAÇÃO DOS MÉTODOS PARA RESOLUÇÃO DO PROBLEMA E ANÁLISE DOS RESULTADOS APLICAÇÃO DAS RNAs PARA RESOLUÇÃO DO PROBLEMA Teste I Teste II Teste III Teste IV ANÁLISE DOS RESULTADOS OBTIDOS DAS RNAs APLICAÇÃO DA ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA PARA RESOLUÇÃO DO PROBLEMA Teste I com Regressão Lnear Múltla Teste II com Regressão Lnear Múltla Teste III com Regressão Lnear Múltla v

9 4.4 ANÁLISE DOS RESULTADOS DE REGRESSÃO LINEAR MÚLTIPLA...9 CAPÍTULO V 5 CONCLUSÕES E SUGESTÕES PARA FUTUROS TRABALHOS CONCLUSÕES SUGESTÕES PARA FUTUROS TRABALHOS REFERÊNCIAS...96 APÊNDICES...00 v

10 LISTA DE FIGURAS FIGURA 3.. NEURÔNIO ARTIFICIAL PROJETADO POR MCCULLOCH...9 FIGURA 3.. REDE DE PERCEPTONS PROPOSTA POR ROSEMBLATT...0 FIGURA 3.3. MODELO DE UM NEURÔNIO BIOLÓGICO... FIGURA 3.4. MODELO DE UM NEURÔNIO ARTIFICIAL...3 FIGURA 3.5. FUNÇÕES DE ATIVAÇÃO DE UMA RNA...4 FIGURA 3.6. REDE NEURAL ARTIFICIAL...6 FIGURA 3.7. MODELO DE REDE NEURAL COM UMA CAMADA...7 FIGURA 3.8. MODELO DE REDE NEURAL COM DUAS CAMADAS...8 FIGURA 3.9. MODELO DE REDE NEURAL RECORRENTE...8 FIGURA 3.0. ILUSTRAÇÃO DAS PROPAGAÇÕES FORWARD (PARA A FRENTE) E BACKWARD (PARA TRÁS) DO ALGORITMO BACK-PROPAGATION...35 FIGURA 3.. REPRESENTAÇÃO GEOMÉTRICA DE COMPONENTES PRINCIPAIS...38 FIGURA 4.. FLUXOGRANA DOS TESTES REALIZADOS...54 FIGURA 4.. TREINAMENTO VERSUS CAPACIDADE DE GENERALIZAÇÃO DA RNA...57 FIGURA 4.3. AUTOVALORES VERSUS COMPONENTES DA ACP-TESTE II...60 FIGURA 4.4. AUTOVALORES VERSUS COMPONENTES DA ACP-TESTE III...67 FIGURA 4.5. VALORES PREDITOS X VALORES OBSERVADOS TESTE I...77 FIGURA 4.6. VALORES PREDITOS X RESÍDUOS TESTE I...78 FIGURA 4.7. HISTOGRAMA DOS RESÍDUOS TESTE I...78 FIGURA 4.8. VALORES PREDITOS X VALORES OBSERVADOS TESTE I...79 FIGURA 4.9. VALORES PREDITOS X RESÍDUOS TESTE I...80 FIGURA 4.0 HISTOGRAMA DOS RESÍDUOS TESTE I...80 FIGURA 4.. VALORES PREDITOS X VALORES OBSERVADOS TESTE II...83 FIGURA 4.. VALORES PREDITOS X RESÍDUOS TESTE II...83 FIGURA 4.3. HISTOGRAMA DOS RESÍDUOS TESTE II...84 FIGURA 4.4. VALORES PREDITOS X VALORES OBSERVADOS TESTE II...85 FIGURA 4.5. VALORES PREDITOS X RESÍDUOS TESTE II...86 FIGURA 4.6. HISTOGRAMA DOS RESÍDUOS TESTE II...86 x

11 FIGURA 4.7. VALORES PREDITOS X VALORES OBSERVADOS TESTE III..88 FIGURA 4.8. VALORES PREDITOS X RESÍDUOS TESTE III...89 FIGURA 4.9. HISTOGRAMA DOS RESÍDUOS TESTE III...89 FIGURA 4.0. VALORES PREDITOS X VALORES OBSERVADOS TESTE III..9 FIGURA 4.. VALORES PREDITOS X RESÍDUOS TESTE III...9 FIGURA 4.. HISTOGRAMA DOS RESÍDUOS TESTE III...9 x

12 LISTA DE QUADROS QUADRO.. LOCALIZAÇÃO DOS TRT NO BRASIL... 7 QUADRO.. CODIFICAÇÃO DO ATRIBUTO TEMPO DE SERVIÇO... QUADRO.3. CODIFICAÇÃO DO ATRIBUTO SALÁRIO DO RECLAMANTE... QUADRO.4. CODIFICAÇÃO DO ATRIBUTO PROFISSÃO... QUADRO.5. CODIFICAÇÃO DO ATRIBUTO JUÍZ...3 QUADRO.6. ATRIBUTOS E CODIFICAÇÕES... 4 QUADRO 3.. CORRELAÇÃO ENTRE AS VARIÁVEIS...48 QUADRO 4.. TOPOLOGIA DO PRIMEIRO TESTE...55 QUADRO 4.. RESULTADOS NUMÉRICOS DAS SIMULAÇÕES DO TESTE I COM VARIAÇÃO DO NÚMERO DE ITERAÇÕES QUADRO 4.3. AUTOVALORES EM ORDEM DECRESCENTE TESTE II QUADRO 4.4. TOPOLOGIAS DO TESTE II. COM 30 COMPONENTES PRINCIPAIS...60 QUADRO 4.5. VARIAÇÃO DO NÚMERO DE ITERAÇÕES DO TESTE II. COM 30 COMPONENTES PRINCIPAIS... 6 QUADRO 4.6. TOPOLOGIAS DO TESTE II. COM 5 COMPONENTES PRINCIPAIS... 6 QUADRO 4.7. NÚMERO DE ITERAÇÕES DO TESTE II. COM 5 COMPONENTES PRINCIPAIS...63 QUADRO 4.8. TOPOLOGIAS DO TESTE II.3 COM COMPONENTES PRINCIPAIS...64 QUADRO 4.9. VARIAÇÃO DO NÚMERO DE ITERAÇÕES DO TESTE II.3 COM COMPONENTES PRINCIPAIS QUADRO 4.0.AUTOVALORES EM ORDEM DECRESCENTE TESTE III QUADRO 4..TOPOLOGIAS DO TESTE III. COM 5 COMPONENTES PRINCIPAIS...68 QUADRO 4..NÚMERO DE ITERAÇÕES DO TESTE III. COM 5 COMPONENTES PRINCIPAIS...68 x

13 QUADRO 4.3.TOPOLOGIAS DO TESTE III. COM 3 COMPONENTES PRINCIPAIS...69 QUADRO 4.4.NÚMERO DE ITERAÇÕES DO TESTE III. COM 3 COMPONENTES PRINCIPAIS...70 QUADRO 4.5.TOPOLOGIAS DO TESTE III.3 COM 0 COMPONENTES PRINCIPAIS...7 QUADRO 4.6.NÚMERO DE ITERAÇÕES DO TESTE III.3 COM 0 COMPONENTES PRINCIPAIS...7 QUADRO 4.7.TOPOLOGIA DO QUARTO TESTE... 7 QUADRO 4.8.NÚMERO DE ITERAÇÕES DO QUARTO TESTE...73 QUADRO 4.9. MELHORES RESULTADOS DAS REDES NEURAIS QUADRO 4.0. AJUSTE DO PRIMEIRO TESTE DE REGRESSÃO COM 30 VARIÁVEIS QUADRO 4..AJUSTE DO PRIMEIRO TESTE DE REGRESSÃO COM SEIS VARIÁVEIS QUADRO 4..AJUSTE DO SEGUNDO TESTE DE REGRESSÃO COM 30 VARIÁVEIS COM ACP... 8 QUADRO 4.3.AJUSTE DO SEGUNDO TESTE DE REGRESSÃO COM 3 VARIÁVEIS COM ACP QUADRO 4.4.AJUSTE DO TERCEIRO TESTE DE REGRESSÃO COM 5 VARIÁVEIS COM ACP...87 QUADRO 4.5.AJUSTE DO TERCEIRO TESTE DE REGRESSÃO COM 3 VARIÁVEIS COM ACP...90 QUADRO 4.6. MELHORES RESULTADOS DE RLM...93 x

14 RESUMO O resente trabalho tem como objetvo rever o temo de duração de audêncas trabalhstas, otmzando dessa manera, o agendamento dos horáros dos juízes do Fórum Trabalhsta de São José dos Pnhas (SJP), Paraná. A metodologa roosta neste trabalho consste em comarar duas técncas dstntas, uma relaconada a Intelgênca Artfcal que é a Rede Neural Artfcal (RNA) e a outra relaconada à estatístca que é Regressão Lnear Múltla, de forma a obter o melhor resultado. Para tanto, utlzou-se os dados dos rocessos, do Fórum Trabalhsta de SJP, que servram de entrada ara as RNAs e ara Regressão Lnear Múltla. Foram trenadas dversas RNAs, com váras toologas e, em alguns casos, utlzando a Análse de Comonentes Prncas, buscando melhorar anda mas os resultados obtdos. Na Regressão Lnear Múltla os testes foram realzados com os mesmos conjuntos de dados utlzados nas RNAs a fm de comarar as duas técncas. As ferramentas utlzadas mostraram-se bem efcentes, sendo que ara o roblema abordado, o desemenho das RNAs, com a utlzação de Análse de Comonentes Prncas, fo sueror ao resultado aresentado ela técnca de Regressão Lnear Múltla. x

15 ABSTRACT Ths research ams at redctng the length of tme of labor hearngs n order to otmze the judges' tme schedules n São José dos Pnhas Labor Court n Paraná State. To acheve the best result, the methodology used here s a comarson of two dstnct technques: the frst one s related to Artfcal Intellgence studes and s known as Artfcal Neural Network (ANN), the second one s based on Statstcs and s called Multle Lnear Regresson (MLR). Data collected from São José dos Pnhas Labor Court fed both ANNs and MLR tests. Many ANNs were traned usng dfferent toologes, or even usng Man Comonent Analyss wth the objectve of reachng mroved results. The same data was then used n MLR tests. Both tools emloyed n ths research have shown to be effcent, although Artfcal Neural Network roved to be more adequate than Multle Lnear Regresson. xv

16 CAPÍTULO I. INTRODUÇÃO Atualmente mutos aíses ossuem legslação trabalhsta, mas nem semre fo assm. No Brasl, a Justça do Trabalho e a legslação trabalhsta surgram somente deos do século XIX, aós váras lutas e revndcações rovenentes das classes oeráras. A artr da Revolução de 930 é que fo crado o Mnstéro do Trabalho. Em 93 crou-se o Conselho Naconal do Trabalho, que assou a ter autordade ara dar onões em matéra consultva e contencosa, ou seja, onde ocorre dvergênca entre as artes nteressadas. A Justça do Trabalho fo revsta ela consttução de 934 e nsttuída em º de mao de 939, elo decreto-le nº.37, declarada or Getúlo Vargas. Fo dvdda ncalmente em três nstâncas: Junta Concladora e Julgamento; Conselhos Regonas do Trabalho e Conselho Naconal do Trabalho. Atualmente a Justça do Trabalho está estruturada em três graus de jursdção: Prmero Grau: Varas do Trabalho; Segundo Grau: Trbunas Regonas do Trabalho; Tercero Grau: Trbunal Sueror do Trabalho. De acordo com o Trbunal Sueror do Trabalho (TST), exstem em todo o Brasl 4 Trbunas Regonas do Trabalho (TRT) e cerca de 69 novas Varas do Trabalho foram cradas com o objetvo de acelerar os trâmtes legas dos rocessos trabalhstas (TST, 007). Só no estado do Paraná, no TRT da 9ª Regão, exstem 8 desembargadores dstrbuídos em todo o estado (TRT, 007). O Fórum Trabalhsta, localzado no muncío de São José dos Pnhas, no ano de 006, assou a contar com a ª Vara do Trabalho. A nstalação dessa nova vara teve como objetvo, desafogar a ntensa movmentação rocessual da justça trabalhsta local, bem como amlar a

17 caacdade de atendmento da demanda exstente. Porém, segundo o IBGE-005, a oulação da jursdção trabalhsta de São José dos Pnhas, PR, envolvendo nove muncíos da regão, é de cerca de 450 ml habtantes. Só o muncío de São José dos Pnhas corresonde a 56% de toda essa oulação. O fato de São José dos Pnhas ser ólo gerador de emregos de grande mortânca ara a economa do estado do Paraná, traz consgo todos os confltos trabalhstas que são característcos do mundo do trabalho. Das 77 Varas do Trabalho do estado do Paraná, São José dos Pnhas ocua o º lugar em número de ações trabalhstas. As reclamações trabalhstas vem aumentando ano aós ano. Isso acontece devdo a város fatores, entre eles, a escolha de nvestdores do Brasl e do exteror ara a nstalação de seus emreendmentos neste muncío. Devdo a essa ndustralzação macça no muncío, gerando um aumento dos confltos trabalhstas, faz-se necessáro a exansão e agldade nos servços da justça. Com sso, a necessdade do uso de ferramentas matemátcas ara o agendamento ntelgente das audêncas é de fundamental mortânca ara a agldade na justça. Algumas das ferramentas adequadas ara esse to de roblema são as Redes Neuras Artfcas (RNAs) e Regressão Lnear Múltla. Elas são ferramentas dstntas, sendo que a rmera é relaconada à Intelgênca Artfcal e têm seu funconamento nsrado na estrutura bológca do cérebro humano, e a Regressão Lnear Múltla é relaconada à estatístca, orém ambas se enquadram de manera bem satsfatóra ao to de roblema em questão.. OBJETIVOS DO TRABALHO O objetvo deste trabalho é estmar o temo aroxmado de cada audênca do Fórum Trabalhsta de São José dos Pnhas, PR, a fm de obter um agendamento ntelgente dessas audêncas.

18 3 Para tanto, utlzar-se-á de dos métodos: um na área de ntelgênca artfcal, Redes Neuras e outro estatístco, Regressão Lnear Múltla. Estes dos métodos têm sdo muto utlzados em dversas áreas, aresentando resultados satsfatóros. O objetvo de utlzar os dos métodos é o de se fazer uma comaração entre os resultados fnas obtdos e, com sso, verfcar qual fornece o melhor resultado, ou seja, com o menor erro. Dessa manera, os juízes oderão rogramar suas audêncas, sem a falta ou o excesso de temo de uma audênca ara outra e, automatcamente, os usuáros do sstema terão mas agldade nos servços solctados e, consequentemente, uma maor satsfação.. JUSTIFICATIVA DO TRABALHO No Fórum Trabalhsta de São José dos Pnhas, PR, o agendamento das audêncas é realzado de manera unforme, ou seja, o mesmo temo é fornecdo ara todos os rocessos. Não é utlzado nenhum to de ferramenta matemátca ara auxlar nestes agendamentos. Pretende-se com este trabalho, através da comaração das técncas de RNAs e Regressão Lnear Múltla, elaborar uma agenda ntelgente, ou seja, destnar o temo adequado a cada audênca de cada rocesso, deendendo das característcas do mesmo..3 ESTRUTURA DO TRABALHO Além desta ntrodução, este trabalho fo dvddo em mas quatro caítulos. No segundo caítulo é aresentada uma descrção detalhada do roblema abordado neste trabalho e a forma de obtenção dos dados ara a realzação do mesmo. No tercero caítulo são aresentados os concetos que envolvem as técncas emregadas neste trabalho, que são: RNAs, desde o trenamento da rede, as

19 4 toologas adotadas, o algortmo back-roagaton (retro-roagação), a função de transferênca sgmodal até o balanceamento dos esos ara o reconhecmento de adrões; Análse de Comonentes Prncas (ACP), suas nterretações algébrca e geométrca; Regressão Lnear Múltla desde a defnção até o estabelecmento da relação entre as varáves envolvdas; e a Revsão Bblográfca, enfocando trabalhos correlaconados, com breves comentáros. No quarto caítulo faz-se a alcação dos métodos, RNAs, Análse de Comonentes Prncas e Regressão Lnear Múltla, ao roblema abordado no caítulo II e, também, a análse dos resultados obtdos. Fnalzando, no caítulo V são aresentadas as conclusões obtdas or meo da análse dos resultados do caítulo anteror e as sugestões ara futuros trabalhos.

20 5 CAPÍTULO II. DESCRIÇÃO DO PROBLEMA Neste caítulo é aresentado um breve hstórco sobre a Justça do Trabalho, bem como a sua estrutura e as etaas de um rocesso trabalhsta. São também relatados, de manera objetva, a obtenção e o tratamento dos dados coletados junto ao Fórum Trabalhsta de São José dos Pnhas, PR.. HISTÓRICO DA JUSTIÇA DO TRABALHO Com base em nformações obtdas junto ao Trbunal Sueror do Trabalho (TST) e ao Trbunal Regonal do Trabalho da 9ª Regão, ode-se constatar que atualmente mutos aíses ossuem legslação trabalhsta, mas nem semre fo assm. No Brasl, or exemlo, a legslação trabalhsta e a Justça do Trabalho surgram através de mutas lutas e revndcações oeráras que acontecam dentro e fora do aís, a artr do século XIX. As rmeras normas trabalhstas surgem a artr da últma década do século XIX. Em 30 de abrl de 93 fo crado o Conselho Naconal do Trabalho, órgão consultvo ara assuntos trabalhstas e revdencáros que, naquele momento, anda não decda sobre dvergêncas surgdas nas relações de trabalho. A artr da Revolução de 930 fo crado o Mnstéro do Trabalho e, em 93, o Conselho Naconal do Trabalho vnculado ao novo Mnstéro assou a ter autordade ara dar onões em matéra contencosa (em que há dvergênca entre as artes nteressadas) e consultva. Em 93, Getúlo Vargas crou as Comssões Mstas de Conclação e as Juntas de Conclação e Julgamento, cujas funções eram conclar e julgar os dssídos coletvos e ndvduas do trabalho, resectvamente. A Justça do Trabalho fo revsta ela Consttução de 934 e nsttuída em º de mao de 939, elo Decreto-le nº.37, e fo declarada nstalada or Getúlo Vargas em ato úblco realzado no da º de mao de 94, no camo de futebol do Vasco da Gama, Ro de Janero. Fo dvdda em três nstâncas: na base, ela Junta Concladora e Julgamento, onde o resdente é um juz de dreto ou bacharel,

21 6 nomeado elo Presdente da Reúblca; em nível ntermedáro, elos Conselhos Regonas do Trabalho e, em nível sueror, elo Conselho Naconal do Trabalho. Dessa forma, a Justça do Trabalho é transformada em órgão do Poder Judcáro a artr da Consttução de 946, mantendo a estrutura que tnha como órgão admnstratvo, nclusve com reresentação classsta. O título classsta da ª nstânca assou de vogal ara juz. Fo estabelecdo que em cada undade da Federação houvesse elo menos um Trbunal Regonal do Trabalho (TRT). Hoje exstem 4 TRT em todo o aís, conforme dados obtdos junto ao TST. Em nove de dezembro de 999 fo romulgada a Emenda Consttuconal nº4, que alterou dsostvos da Consttução Federal ertnentes à reresentação classsta na Justça do Trabalho, extngundo-a. A emenda mudou também a denomnação das Juntas de Conclação e Julgamento, que assaram a se chamar varas do trabalho. Nas comarcas onde não foram nsttuídas, a emenda estabeleceu que a jursdção das varas fosse atrbuída aos juízes de dreto. Em de novembro de 003 fo sanconada a Le 0.770, que crou 69 novas varas do trabalho. A cração das varas fo ncatva do TST, devdo ao exressvo aumento do número de rocessos trabalhstas nos últmos anos. Dante desse aumento de rocessos trabalhstas que tramtam nas varas do trabalho, faz-se necessára a utlzação de ferramentas matemátcas ara rever o temo de duração de audêncas trabalhstas, buscando assm um melhor atendmento aos cdadãos que rocuram seus dretos junto à Justça do Trabalho.. ESTRUTURA DA JUSTIÇA DO TRABALHO A Justça do Trabalho dvde-se em três graus de jursdção de acordo com o artgo da Consttução da Reúblca, como se segue:. Varas do trabalho: onde ocorrem os julgamentos rovenentes de reclamações trabalhstas entre emregado e emregador. O emregador ode ser essoa físca ou jurídca, já o emregado é semre essoa físca. A jursdção da vara abrange um ou mas muncíos. O local da restação de servços do

22 7 emregado, é o que determna a jursdção ara o julgamento da ação trabalhsta. Quando o emregado se encontra em uma comarca onde não exsta vara do trabalho, a le ode desgnar ao juz de dreto a jursdção trabalhsta. Atualmente exstem 37 varas do trabalho em todo aís. No eríodo de 004 a 008 têm sdo mlementadas, de acordo com o orçamento e a necessdade da Justça do Trabalho, mas 69 varas que já foram cradas. As varas são comostas or um juz do trabalho ttular e um juz do trabalho substtuto.. Trbunas Regonas do Trabalho: julgam recursos ordnáros contra decsões de varas do trabalho. Segundo o artgo da Consttução Federal, "A le crará varas da Justça do Trabalho odendo, nas comarcas não abrangdas or sua jursdção, atrbuí-las aos juízes de dreto, com recurso ara o resectvo Trbunal Regonal do Trabalho". De acordo com o TST, atualmente a Justça do Trabalho ossu 4 TRT, conforme ctado anterormente, que foram dstrbuídos, segundo o Art. 670 da Consoldação das Les Trabalhstas (CLT), como mostra o quadro. a segur. QUADRO. LOCALIZAÇÃO DOS TRT NO BRASIL Regão Local No. de Juízes ª Ro de Janero 54 ª São Paulo 64 3ª Mnas Geras 36 4ª Ro Grande do Sul 36 5ª Baha 9 6ª Pernambuco 8 7ª Ceará 8 8ª Pará 3 9ª Paraná 8 0ª Dstrto Federal 7 ª Amazonas 8 ª Santa Catarna 8 3ª Paraíba 8 4ª Rondôna 8 5ª Camnas (SP) 36 6ª Maranhão 8 7ª Esírto Santo 8 contnua

23 8 contnuação Regão Local No. de Juízes 8ª Goás 8 9ª Alagoas 8 0ª Serge 8 ª Ro Grande do Norte 8 ª Pauí 8 3ª Mato Grosso 8 4ª Mato Grosso do Sul 8 A comosção do TRT da 9ª regão, com sede em Curtba e jursdção no estado do Paraná, é estabelecda elo seu Regmento Interno, o qual revê 8 juízes, sendo de carrera, nomeados or romoção e resetando o crtéro de antgudade e merecmento dentre todos os juízes ttulares das Varas do Trabalho da Regão, e ses juízes que tenham mas de 0 anos de efetva atvdade e reutação nquestonável, são orundos da advocaca e do mnstéro ublco, é o chamado Qunto Consttuconal. No caso, ara a escolha desses ses juízes é feta a ndcação dos nomes e realzada uma eleção cujo voto é secreto, sendo que em caso de emate é utlzado o crtéro da antgudade. 3. Trbunal Sueror do Trabalho: julga recurso de revsta, recursos ordnáros e agravos de nstrumento contra decsões de TRT e dssídos coletvos de categoras organzadas em nível naconal, além de mandados de segurança, embargos oostos a suas decsões e ações rescsóras. O TST ossu a função de unformzar a jursrudênca trabalhsta. A sede do TST encontra-se em Brasíla, DF, e sua jursdção abrange todo terrtóro naconal. De acordo com o artgo -A da Consttução Federal de 988, o TST comor-se-á de 7 Mnstros, togados e vtalícos, todos nomeados elo Presdente da Reúblca..3 ETAPAS DE UM PROCESSO TRABALHISTA De acordo com PAVANELLI (007) um rocesso trabalhsta aresenta as seguntes fases. A rmera fase começa quando o emregado (reclamante) autua sua etção em uma Vara do Trabalho, a qual realza o cadastramento do rocesso. A segur a Justça do Trabalho nforma o emregador (reclamado) sobre a etção.

24 9 Este oderá aresentar seus argumentos contrarando o que requer o reclamante. Em seguda o juz analsa e julga todos os eddos fetos elo reclamante. No caso de uma das artes não concordar com a análse e o julgamento do juz, esta ode nteror um recurso junto ao TRT. Se ambas as artes fcarem satsfetas ou se não couber mas recursos, o juz encerra o rocesso e determna que seja cumrdo o que fo estulado; neste momento, se for o caso, são calculados todos os valores que o autor tem dreto..4 ESTUDO DE CASO O Fórum Trabalhsta de São José dos Pnhas, PR, que hoje conta com a ª e ª Varas vem trabalhando em rtmo acelerado e, devdo a essa grande demanda de rocessos trabalhstas, está restes a naugurar a 3ª Vara. Através do juz da ª Vara rocura soluções ara melhorar o temo de agendamento de audêncas. No ano de 006, recebeu cerca de ses ml rocessos trabalhstas, número este que vem aumentando ano aós ano. Desta forma, o resente trabalho, realzado junto ao Fórum Trabalhsta de São José dos Pnhas, vsa mlementar uma agenda ntelgente, ou seja, utlzar métodos matemátcos e técncas comutaconas com o objetvo de fazer uma estmatva do temo de duração de cada audênca trabalhsta. Atualmente todos os agendamentos das audêncas são efetuados sem nenhuma ferramenta matemátca ou comutaconal, aenas usando o crtéro do bom senso. Buscando elmnar o subjetvsmo do bom senso, este trabalho roõe o uso de ferramentas matemátcas e comutaconas, tas como Redes Neuras Artfcas (RNAs) e Regressão Lnear Múltla. As RNAs consstem em um método matemátco ara soluconar roblemas da área da ntelgênca artfcal. São técncas comutaconas que aresentam um modelo nsrado na estrutura neural de organsmos ntelgentes e que adqurem conhecmento através da exerênca, odendo dessa forma serem utlzadas ara reconhecer adrões.

25 0 Por outro lado, o método de Regressão Lnear Múltla tem como rncal objetvo descrever a relação entre uma varável resosta e suas varáves exlcatvas. É uma técnca estatístca utlzada ara estudar a relação entre uma varável deendente e váras varáves ndeendentes. Os objetvos odem ser: exlcatvo ou redtvo. Se for exlcatvo demonstrará uma relação matemátca que ode ndcar, mas não rova, uma relação causa e efeto. No caso de ser redtvo, obterá uma relação que ermta erante futuras observações das varáves ndeendentes, rever o corresondente valor da varável deendente, sem a necessdade de med-lo. Dessa forma estas técncas atngem lenamente os objetvos roostos neste trabalho..5 OBTENÇÃO DOS DADOS Em junho de 007 foram realzadas reunões com o juz da ª Vara do Trabalho de São José dos Pnhas, a fm de determnar quas dados seram relevantes ara a determnação da duração de uma audênca trabalhsta. Tas dados foram coletados, a fm de trenar as RNAs e também na alcação da Regressão Lnear Múltla. Esses dados coletados, também chamados de atrbutos da RNA, são ctados a segur. (PS). a. Rto: ode ser reclamação trabalhsta (RT) ou rocedmento sumaríssmo b. Temo de servço: é dado em meses ela dferença entre a data de dsensa e data de admssão. c. Saláro do reclamante: últmo saláro recebdo. d. Profssão: função exercda elo reclamante. Dvdu-se este atrbuto em duas artes: setor, que se subdvde em comérco, ndústra e servço; cargo, que se subdvde em dreção e execução. e. Objeto do rocesso: corresonde aos eddos fetos elo reclamante. São elas: falta de regstro em cartera rofssonal, dferenças salaras, verbas rescsóras, multa do 8 do Art. 477 da CLT, enaldade revsta no Art. 467 da

26 CLT, horas extras e reflexos, fundo de garanta or temo de servço, ndenzação or danos moras, seguro desemrego, vale transorte, adconal de nsalubrdade, adconal noturno e lano de saúde. f. Juz: ela ª Vara do Trabalho assaram város juzes em determnadas stuações, neste trabalho foram coletados dados de dos juzes substtutos além do ttular. g. Deomentos: quantdade de deomentos em cada audênca. h. Acordo: quando ocorre o acordo entre as artes.. Temo da audênca: é dado em mnutos ela dferença entre o térmno e o níco da audênca. Os rocessos analsados foram ajuzados no ano de 006, na ª Vara do Trabalho do Fórum de São José dos Pnhas, PR. Foram coletados dados de 08 rocessos através da Fcha de Dados (Aêndce I), Os atrbutos lstados anterormente servram como dados ara crar a matrz destnada ao trenamento e ao teste da RNA bem como ara alcar a técnca de Regressão Lnear Múltla..6 TRATAMENTO DOS DADOS A maora dos dados fo tratado de forma a corresonder a uma ou mas coordenadas bnáras (LU et al, 996), (BAESENS et al, 003) do vetor de entrada ara as técncas utlzadas. Quando o atrbuto Rto for do to RT, aresentará entrada com valor ; quando for do to PS, aresentará valor 0, caracterzando-a como uma varável nomnal. O atrbuto temo de servço fo dvddo em faxas, mantendo a mesma cardnaldade dentro de cada uma delas. Devdo ao fato de ser uma varável ordnal, as coordenadas bnáras que a reresentam foram desgnadas conforme o quadro. a segur, aresentando assm três coordenadas no vetor de entrada da RNA.

27 QUADRO. CODIFICAÇÃO DO ATRIBUTO TEMPO DE SERVIÇO FAIXA DURAÇÃO ENTRADA NA RN > e < 5meses > 5 e < 35 meses >35 e < 85 meses 0 4 > 85 O atrbuto saláro, da mesma manera que o atrbuto temo de servço, fo dvddo em faxas rocurando manter a mesma cardnaldade dentro de cada uma delas. Conforme mostra o quadro.3, a segur, este atrbuto fornece quatro coordenadas ara o vetor de entrada da RNA. QUADRO.3 CODIFICAÇÃO DO ATRIBUTO SALÁRIO DO RECLAMANTE FAIXA ÚLTIMO SALÁRIO ENTRADA NA RN >330 e < >450 e < >60 e < >800 e < >340 O atrbuto rofssão, classfcado como varável nomnal, fo dvddo em setor e cargo, conforme ctado anterormente. De acordo com o quadro.4, a segur, este atrbuto aresentará quatro coordenadas no vetor de entradas da RNA. QUADRO.4 CODIFICAÇÃO DO ATRIBUTO PROFISSÃO SETOR CARGO COORDENADAS COORDENADAS ENTRADA DO SETOR DO CARGO NA RN COMÉRCIO Dreção Execução INDÚSTRIA Dreção Execução SERVIÇO Dreção Execução O atrbuto objeto do rocesso ossu 3 coordenadas bnáras no vetor de entrada da RNA. Cada uma das coordenadas corresonde a uma das solctações do autor do rocesso, que são, conforme já menconado, as seguntes: falta de regstro em cartera rofssonal, dferenças salaras, verbas rescsóras, multa do Art. 477, enaldade do Art. 467, horas extras e reflexos, fundo de garanta or

28 3 temo de servço, ndenzação or danos moras, seguro desemrego, vale transorte, adconal de nsalubrdade, adconal noturno e lano de saúde. Aresentará valor, se for solctada; valor 0, em caso de não solctação. Como foram analsados rocessos de três juzes dferentes, e or se tratar de um atrbuto nomnal, cada um deles fo codfcado conforme o quadro.5, a segur. QUADRO.5 CODIFICAÇÃO DO ATRIBUTO JUIZ JUIZ ENTRADA NA RN Como o número de deomentos em cada audênca não era sueror a quatro, manteve-se este atrbuto com o seu valor orgnal. Quando houver acordo entre as artes antes do julgamento este atrbuto aresentará o valor, caso contráro aresentará o valor 0. Sendo assm o vetor de entrada dos dados ossu 30 coordenadas, que são os atrbutos codfcados do rocesso conforme esecfcado anterormente. A matrz de entrada de dados ossu então 08 lnhas e 30 colunas (Aêndce II), consderando-se que os dados foram retrados dos 08 rocessos (adrões). Nesta esqusa foram mlementadas RNAs suervsonadas com a função de transferênca sgmodal, que fornece saídas de entre 0 e ara entradas varando de - a +. Já que os temos de audênca, que são as saídas da RNA, vararam de um até 93 mnutos, fo necessáro dvd-los or 93 a fm de enquadrá-los dentro do ntervalo de abrangênca da função sgmodal (Aêndce III). Encontram-se no quadro.6 todos os atrbutos consderados neste trabalho e suas resectvas codfcações tornando-os bnáros.

29 4 QUADRO.6 - ATRIBUTOS E CODIFICAÇÕES Entrada Entrada Entrada 3 Entrada 4 Número de Entradas Atrbutos Valores orgnas dos Atrbutos Intervalos. To de Rto RT RT (atrbuto nomnal) 0 PS 0 PS Temo de Servço Faxa meses (atrbuto ordnal) > e < >5 e < >35 e < Saláro do Reclamante (atrbuto ordnal) 4. Profssão (atrbuto nomnal) 4 > Faxas Saláro em reas > 330 e < >450 e < >60 e < >800 e < >800 Setor Cargo Comérco Dreção 0 0 Comérco Execução Indústra Dreção 0 0 Indústra Execução Servço Dreção 0 0 Servço Execução sm sm Objeto do Processo Falta de Regstro em Cartera (atrbuto nomnal) 0 não 0 não Objeto do Processo Dferenças Salaras sm sm (atrbuto nomnal) 0 não 0 não Objeto do Processo Verbas Rescsóras sm sm (atrbuto nomnal) 0 não 0 não Objeto do Processo Multa Art 477 sm sm (atrbuto nomnal) 0 não 0 não Objeto do Processo Multa Art 467 sm sm (atrbuto nomnal) 0 não 0 não Objeto do Processo Horas Extras e Reflexos sm sm (atrbuto nomnal) 0 não 0 não Objeto do Processo F.G (atrbuto nomnal) sm sm não 0 não Objeto do Processo Danos Moras sm sm (atrbuto nomnal) 0 não 0 não Objeto do Processo Seguro Desemrego sm sm (atrbuto nomnal) 0 não 0 não Objeto do Processo Vale Transorte sm sm (atrbuto nomnal) 0 não 0 não Objeto do Processo Adconal de Insalubrdade sm sm (atrbuto nomnal) 0 não 0 não CONTINUA

30 5 Atrbutos Valores orgnas dos Atrbutos Intervalos Entrada Entrada Entrada 3 Entrada 4 CONCLUSÃO Número de Entradas 5. Objeto do Processo Adconal Noturno sm sm (atrbuto nomnal) 0 não 0 não Objeto do Processo Plano de Saúde sm sm (atrbuto nomnal) 0 não 0 não Juz Juz (atrbuto nomnal) Deomento (atrbuto nomnal) Nº de de Acordo (atrbuto nomnal) sm sm não 0 não Total de Atrbutos:

31 6 CAPÍTULO III 3. REFERENCIAL TEÓRICO Neste caítulo são abordadas as técncas utlzadas ara o reconhecmento de adrões alcadas nesse trabalho. É feta uma equena ntrodução seguda de algumas defnções e alguns concetos de Redes Neuras Artfcas (RNAs). Também são aresentadas característcas geras das rncas arquteturas desenvolvdas no rocesso de esqusa, desde o trenamento da rede até o balanceamento dos esos ara o reconhecmento dos adrões. São relatados, anda, os concetos da Análse de Comonentes Prncas (ACP) bem como a técnca de Regressão Lnear Múltla. Anda são aresentados resumos de alguns trabalhos correlaconados ao tema aqu tratado. 3. REDES NEURAIS ARTIFICIAIS (RNAs) Um dos maores desafos da comundade centífca é e semre fo entender o cérebro humano. A agldade e radez do cérebro humano consttuem o objetvo a ser alcançado or sstemas da Intelgênca Artfcal, que baseam seus estudos na smulação em comutadores. O cérebro humano realza dversas tarefas desde as mas smles como, or exemlo, classfcação de adrões até as mas comlexas. Os sstemas comutaconas buscam desenvolver algortmos de Intelgênca Artfcal que são baseados no funconamento do cérebro humano, orém anda estão longe de atngr a erfeção, mesmo nas tarefas mas smles. As RNAs, também conhecdas como sstemas conexonstas, que odem ser consderados como uma subárea da Intelgênca Artfcal têm como objetvo modelar esta estrutura tão comlexa, de forma a fcar faclmente comreensível. Têm tdo desemenho satsfatóro em dversas alcações (LIPPMAN, 989) tas como, fnanças, engenhara, medcna, geologa e físca. Em qualquer área em que exstam roblemas de redção, classfcação ou controle, ode-se emregar RNAs. Isso

32 7 orque as redes neuras ossuem um grande oder de resolução e são de fácl utlzação. 3.. Defnções de RNAs Mutas defnções foram elaboradas desde que as RNAs começaram a surgr como uma nova ersectva à Intelgênca Artfcal. Em todas elas revaleceram as semelhanças ao sstema nervoso humano. A maora das esqusas sobre RNAs foram motvadas ela déa de que o cérebro humano é um comutador com rocessamento de nformações bastante comlexas. São aresentadas a segur, algumas defnções báscas de RNAs. NELSON & ILLINGWORTH (990) defnem as RNAs como sendo técncas novadoras de rocessamento de nformações, que têm como objetvo básco, smular, em comutadores, o funconamento do sstema nervoso bológco. Segundo a mesma lnha, FAUSETT (994) também defne as RNAs como sstemas de rocessamento de nformações que ossuem característcas de funconamento smlares às das redes neuras bológcas, mas esecfcamente, generalzações de modelos matemátcos da bologa neural. As defnções ctadas odem ser comlementadas e melhor comreenddas ela análse da afrmatva de HAYKIN (00): Uma rede neural é um rocessador macçamente aralelamente dstrbuído consttuído de undades de rocessamento smles, que tem a roensão natural ara armazenar conhecmento exermental e torná-lo dsonível ara uso. Ela se assemelha ao cérebro em dos asectos:. O de que o conhecmento é adqurdo ela rede a artr de seu ambente através de um rocesso de arendzagem.. Forças de conexão entre neurônos, conhecdas como esos snátcos, são utlzadas ara armazenar o conhecmento adqurdo (HAYKIN, 00). Esta caacdade de "arender", destacada or HAYKIN em sua defnção, também fo decsva ara TAFNER, XEREZ & RODRIGUES FILHO (996) basearem seus estudos. Segundo os autores, "o modelo neurológco é rogramado ara arender" e arender é uma caacdade que a RNA ossu devdo a nterconexão

33 8 entre seus neurônos, que ocorre em um grau smlar ao da nterconexão ocorrda com os neurônos bológcos e não encontrado em técncas de cálculo convenconas. Dessa forma, uma RNA ode ser defnda como uma estrutura comutaconal que tem como objetvo ermtr a mlementação de modelos matemátcos que reresentem a forma como o cérebro humano rocessa as nformações que adqure. Aesar de mutas defnções darem a mressão de smlcdade, é de fundamental mortânca ressaltar que na rátca, essa déa não acontece de forma tão smles. Durante a mlementação da RNA város fatores odem ocorrer mossbltando a alcação em certos casos. Percebe-se também que as soluções não são recsas quando as RNAs são alcadas soladamente. Também não se ode dexar de menconar que anda exste uma longa e árdua trajetóra a ser ercorrda no sentdo das esqusas ara chegar a uma arqutetura comutaconal que reroduza felmente a caacdade do cérebro humano. 3.. Hstórco As rmeras esqusas na área de RNAs surgram há aroxmadamente meo século. W. S. McCuloch e W. Ptts (HAYKIN, 994) ncaram a modelagem de um neurôno bológco, gerando o modelo de neurôno artfcal, atualmente utlzado no desenvolvmento de RNAs. O trabalho realzado faza uma comaração entre células vvas e o rocessamento eletrônco, smulando o comortamento do neurôno natural. O neurôno artfcal ossuía aenas uma saída, que era uma função de entrada (threshold) da soma do valor de suas dversas entradas. Na fgura 3., a segur, aresenta-se o neurôno artfcal rojetado or McCulloch, onde X, X,...,X são as entradas da RNA; W, W,..., W são os esos snátcos; f(a) a função de atvação e y é a saída da RNA.

34 9 FIGURA 3. NEURÔNIO ARTIFICIAL PROJETADO POR MCCULLOCH FONTE: DIN (007) Também rovenente deste eríodo fo a construção do rmero neuro comutador, denomnado Snark, or Mavn Mnsky, em 95 (DIN, 007). O Snark oerava com sucesso a artr de um onto de artda técnco, ajustando seus esos automatcamente, entretanto, ele nunca executou qualquer função de rocessamento de nformação nteressante, mas servu de nsração ara as déas de estruturas que o sucederam. Em 957 surge o neuro comutador Mark I Percetron que obtém sucesso, o qual fo crado or Frank Rosenblatt, Charles Wghtman e outros (DIN, 007). Frank Rosenblatt é vsto como fundador da neuro comutação e tnha como objetvo ncal ara a cração do ercetron o reconhecmento de adrões. Ele descreveu uma toologa de RNA, que são estruturas de lgação entre os nodos, como ode ser observado na fgura 3. a segur. O mas mortante fo que ele roôs um algortmo ara trenar a rede a fm de executar determnados tos de funções. Este to básco de ercetron comorta-se como classfcador de adrões, dvdndo o esaço de entrada em regões dstntas ara cada uma das classes exstentes. Incalmente a saída era aleatóra, mas, elo ajuste dos esos, o ercetron é trenado ara fornecer saídas de acordo com os dados do conjunto de trenamento. Nesse modelo os neurônos eram organzados em camadas de entradas e saídas onde os esos das conexões eram adatados a fm de se atngr a efcênca snátca.

35 0 FIGURA 3. REDE DE PERCEPTRONS PROPOSTA POR ROSEMBLATT W j X X X 3 X FONTE: DIN (007) Aós Rosenblatt, Bernard Wdrow, com a ajuda de alguns estudantes, desenvolveu um novo to de elemento de rocessamento de redes neuras chamado de Adalne, equado com uma oderosa le de arendzado, que dferente do Percetron anda ermanece em uso. Wdrow também fundou a rmera comanha de hardware de neuro comutadores e comonentes (DIN, 007). Segundo STEINER (006), as décadas de 60 e 70 quase não são menconadas com relação a abordagem conexonsta. Somente com o surgmento do algortmo back- roagaton ara trenamento de redes de múltlas camadas, em 986, com Rumelhart, Hnton e Wllams, a comundade centífca voltou a se nteressar elas RNAs como ferramenta ara reconhecmento de adrões. Esse algortmo marcou a exlosão nesse camo da esqusa. Acontece também nesse eríodo a ublcação dos trabalhos de Hofeld relatando a utlzação de redes smétrcas ara otmzação. A artr da década de 80 dversos modelos de RNAs surgem com o roósto de aerfeçoar e alcar esta técnca. Mutos esqusadores assaram a ublcar dversas roostas ara exloração de desenvolvmento de RNAs. O fato marcante desse eríodo ocorre quando Ira Skurnck, um admnstrador de rogramas da DARPA (Defense Advanced Research Projects Agency) decdu ouvr os argumentos

36 da neuro comutação e seus rojetstas, e dvergndo dos camnhos tradconas dos conhecmentos convenconas, nca suas esqusas em neuro comutação. Atualmente, os camos de alcações das RNAs são mensos, orém, na rátca, o que se encontra são alcações em roblemas esecífcos, onde se tem um grande volume de dados dsoníves, mas não se consegue descrever regras ara o comortamento do sstema. Outra característca da RNA é sua caacdade de tolerar erros ou ruídos nos dados obtdos. Com certeza a RNA é uma ferramenta mortante ara mutas alcações, entre elas, aoo ao dagnóstco médco, modelos econômcos e fnanceros, análse de magens, reconhecmento de escrtas, dentre outros Neurôno Bológco Os neurônos e a gla são os rncas tos de células encontradas no cérebro humano. Estudos realzados elo Dr. Frank Pfreger e Dra. Barbara Barres (WELLS, 007) demonstram que grande arte da efcênca do cérebro deve-se a rodução ela gla de uma roteína ou fator químco, que "envolve" os neurônos e armora a transmssão de mulsos elétrcos, fortalecendo as conexões snátcas. A erda da memóra e outros dstúrbos cerebras ocorrem normalmente elo enfraquecmento das conexões snátcas. Logo, ara que o cérebro funcone bem, deve-se fortalecer as conexões. Aesar das afrmações de que células nervosas conectadas sem a resença do fator glal, normalmente, são enfraquecdas e começam a falhar, as RNAs anda não oferecem uma modelagem ara a atuação da gla, e atrbuem as funções rmordas do cérebro aos neurônos. Os neurônos bológcos aresentam-se de váras formas, entretanto, de manera geral, ossuem os seguntes elementos rncas: o coro celular, as ramfcações de entrada (dendrtos), a ramfcação de saída (axôno) e as conexões snátcas que nterlgam os neurônos, conectando dendrtos a axônos (MACHADO, 006).

37 Os neurônos bológcos se comuncam através de snases. Snase é a regão onde dos neurônos entram em contato e através da qual os mulsos nervosos são transmtdos entre eles. A fgura 3.3 a segur mostra um modelo de neurôno bológco. FIGURA 3.3 MODELO DE UM NEURÔNIO BIOLÓGICO Snases Membrana Celular Ctolasma Núcleo Cellar Axôno Soma Dentrtos FONTE: ICMC.USP (008) 3..4 Neurôno Artfcal O neurôno artfcal é a estrutura básca de rocessamento de uma RNA. Segundo PACHECO (996) os neurônos artfcas são estruturas lógcas matemátcas que têm o objetvo de smular o funconamento de um neurôno bológco, fazendo com que a RNA atue de forma ndutva. A fgura 3.4 mostra um modelo de neurôno artfcal, com suas entradas (X, X,..., X n ), esos snátcos (W k, W k,..., W nk ), bas (b k ), função soma (Σ), função de transferênca (ϕ) e saída (a k ).

38 3 FIGURA 3.4 MODELO DE UM NEURÔNIO ARTIFICIAL X b k W W a k X Σ ϕ.. W n. X n O neurôno funcona bascamente como ntegrador de snas. Tem a função de coletar snas rovenentes de outros neurônos, ou snas da entrada da rede, onderar os dados através de esos esecífcos e reassar esses dados ara outros neurônos ou ara saída da rede. De acordo com a fgura 3.4 ode-se entender a estrutura básca de um neurôno artfcal. Para se calcular o snal de saída (a k ), efetuada or um neurôno desse to, ode-se utlzar a equação (3.) a segur: n a k ( xw k + b k ) (3.) onde : n o número total de snas de entrada que chegam até o neurôno que está sendo calculado; x valor de entrada ara esse neurôno; w k eso assocado a essa conexão; b k têm a função de aumentar ou dmnur a entrada da função de atvação. O resultado da somatóra das comonentes do roduto nterno entre o vetor de entrada (X) e o vetor de esos (W) do neurôno, é maeado através da função de atvação (), roduzndo o valor da saída (a k ) do neurôno (k) Funções de Atvação de uma RNA O objetvo de uma função de atvação é restrngr a amltude da saída do neurôno, ou seja, lmtar sua saída em um ntervalo de valor fnto.

39 4 Segundo STEINER (995), é a função de atvação que defne a saída do neurôno artfcal, ou seja, o camnho onde a nformação será conduzda, tornandose muto mortante ara o comortamento da RNA. Os tos de função de atvação mas usados ara maear uma RNA são bascamente três de acordo com HAYKIN (00): Lmar ou Degrau, Lnear or artes e Sgmodal. As reresentações gráfcas dessas funções de atvação são mostradas na fgura 3.5 a segur. FIGURA 3.5 FUNÇÕES DE ATIVAÇÃO DE UMA RNA v -½ ½ v v (a) Lmar ou Degrau (b) Lnear (c) Sgmodal Na Função Lmar ou degrau: A saída do neurôno assume valor 0 quando seu resultado for negatvo, e valor caso contráro (fgura 3.5(a)): ϕ ( v) 0 se se v 0 v < 0 Na Função Lnear or artes: Esse to de função é vsto como uma aroxmação de um amlfcador não lnear (fgura 3.5(b)): ϕ ( v) v, 0 se se se v < v < v E na Função sgmodal: É o to de função mas utlzado em RNA. Encontram-se de váras formas, orém as mas comuns são: a função logístca

40 5 (fgura 3.5(c)), dada or ϕ ( v) + e av, onde a é o arâmetro de nclnação da função, ou seja, quanto maor seu valor, mas nclnada a curva se tornará, e a função tangente herbólca, dada or ϕ(v) tanh(v), função esta que ode assumr valores negatvos Característcas Geras das RNAs Uma das rncas vantagens e mortânca das RNAs é a sua caacdade de arender soznha através do seu róro uso, e de melhorar seu desemenho baseado nessa arendzagem. A caacdade de uma rede arender vem dos neurônos artfcas, que têm funconamento baseado no neurôno bológco. Embora areça smles, o arendzado é um rocesso altamente comlexo. Além de envolver dversos níves de abstração, também reúne habldades e concetos advndos de váras áreas do conhecmento e não há em relação a ele uma defnção únca e lena. Aesar da comlexdade, a analoga com os elementos do cérebro humano é essencal ara entender-se de manera satsfatóra a estrutura e o funconamento de uma RNA. Segundo PANDYA & MACY (996), o sstema nervoso de um ser humano, assm como o de qualquer rmata, consste de três estágos báscos: o estágo ncal, no qual os estímulos de entrada externos são catados elas undades "sensoras" (os olhos, or exemlo, catam snas vsuas); o estágo de rocessamento destes snas elo sstema nervoso central (o cérebro) e o estágo no qual as resostas aos estímulos de entrada são obtdas (a voz ode ser atvada em reosta a determnada entrada, bem como ações motoras ou orgâncas). De acordo com esta defnção, o cérebro humano recebe nformações do meo exteror, rocessa, avala e comara as outras nformações que tem armazenado na memóra, tornando-se ato a tomar decsões aroradas. As RNAs são baseadas no funconamento no cérebro humano. Assm, ela é estruturada de manera a

41 6 smular todas as etaas de rocessamento das nformações. Segundo a defnção de PANDYA & MACY (996), uma RNA ode aresentar-se da segunte forma: a. uma camada ncal de undades sensoras aos estímulos de entrada, que não é comosta or neurônos; b. uma ou mas camadas ntermedáras de neurônos nterlgados (formando a estrutura central de rocessamento da rede neural); c. uma camada de neurônos de saída, conectada aos neurônos da(s) camada(s) escondda(s), gerando a resosta fnal da RNA. A fgura 3.6, a segur, mostra a estrutura de uma RNA. As entradas da rede reresentam a nformação exstente. Elas almentam a rmera camada de neurônos que através do cálculo executado ela alcação da função de transferênca, geram reostas que almentam a camada segunte, e assm atngem a camada de saída. FIGURA 3.6 REDE NEURAL ARTIFICIAL θ j θ h W h W j W gh X θ gh X n j Ocultas h Entrada g Saída

42 7 A forma com que os neurônos se agruam em camadas e o conjunto de suas conexões defne a arqutetura da RNA. As arquteturas neuras são organzadas em camadas, com os neurônos de uma determnada camada, conectados aos neurônos da camada osteror. Os dsostvos rocessadores são agruados or elo menos duas camadas: uma camada ara aresentação dos dados e outra ara obtenção dos resultados. As redes, em geral, ossuem uma ou mas camadas ntermedáras, também conhecdas como camadas esconddas. Segundo HAYKIN (00) exstem três tos de arqutetura de rede: a. redes almentadas adante com camada únca (feedforward): o termo camada únca se refere a camada de saída, ou seja, o rocessamento ocorre somente na camada de saída. A fgura 3.7 a segur mostra um modelo de uma rede feedforward com uma únca camada, o Aêndce IV, mostra um exemlo deste to de rede trenada com o algortmo back-roagaton. FIGURA 3.7 MODELO DE REDE NEURAL COM UMA CAMADA θ X W W X n Entrada Saída b. redes almentadas adante com múltlas camadas (feedforward): esta ossu uma ou mas camadas ocultas. A fgura 3.8 lustra uma rede feedforward com duas camadas uma oculta e uma de saída.