A Inteligência Artificial no Auxílio de Tomadas de Decisão

Transcrição

1 A Inteligência Artificial no Auxílio de Tomadas de Decisão

2 Introdução A globalização está fazendo com que as organizações tenham que ajustar-se à nova economia, precisando adequar seus custos e aumentar a produtividade para serem competitivas. Em conseqüência disso, há uma demanda crescente por controle nas organizações, e estas começam a tomar iniciativas na busca de ferramentas facilitadoras que as auxilie na tomada de decisão.

3 Aplicação de IA na Tomada de Decisão As pesquisas voltadas a IA enfatizam o desenvolvimento de sistemas com comportamento inteligente. Algumas das características específicas do comportamento inteligente incluem a capacidade de realizar melhor ou mais rapidamente tarefas realizadas por seres humanos. Características de um sistema inteligente: Aprender com a experiência; Aplicar o conhecimento adquirido da experiência ; Tratar situações complexas; Resolver problemas quando faltam informações importantes; Determinar o que é importante; Capacidade para raciocinar e pensar; Reagir rápida e corretamente a nova situações; A utilização da heurística.

4 Agente Assistente no Apoio ao Diagnóstico Etiológico de Lombalgia Conceitos de agente: agente é uma entidade real ou abstrata que é capaz de agir sobre ela mesma e sobre seu ambiente (BITTENCOURT, 2000). um agente é capaz de realizar tarefas e age em benefício de alguém ou de alguma coisa(albuquerque, 1999).

5 Agente Assistente no Apoio ao Diagnóstico Etiológico de Lombalgia Sistema SÉLO É uma ferramenta de auxílio ao diagnóstico de Lombalgia; Utiliza as tecnologias SEP e Agente Assistente. Classificação do Agente assistente do SÉLO: Tarefas: Utiliza a tarefa de interação pois são determinadas pela interação entre o agente e o ambiente; Ambientes: Utiliza ambiente acessível, onde o agente consegue retirar do ambiente a informação que necessita para determinar a melhor ação; Taxonomia: de acordo com a classificação de taxonomia utiliza o eixo ambiental onde um agente individual pode atuar no desktop; Arquitetura: se caracteriza por meio da arquitetura de reatividade simples, que seleciona as ações com base na percepção atual, ignorando o restante do histórico de percepções.

6 Agente Assistente no Apoio ao Diagnóstico Etiológico de Lombalgia Estrutura de atuação do agente assistente Usuário/ Acadêmico Inserir dados SELO Interface de comunicação Auxiliar na ação Analisar dados SELO Base de conhecimento Estabelecer regras Especialista Fonte: GOULART, 2006.

7 Agente Assistente no Apoio ao Diagnóstico Etiológico de Lombalgia O agente assistente é totalmente baseado em regras SE Início da dor selecionada for igual aguda e Quadro Álgico selecionado for igual a um mês a um ano ENTÃO Agente (Critica Seleção). SE Início da Dor selecionada for igual Crônica e Quadro Álgico selecionado for igual a quatro semanas ENTÃO Agente (Critica Seleção). SE Dor Irradiada Fonte: selecionada GOULART, for igual Para a Coxa e Parestesia selecionado for igual a sim ENTÃO Agente (Critica Seleção).

8 Agente Assistente no Apoio ao Diagnóstico Etiológico de Lombalgia Interface SÉLO com o agente assitente Seja bem vindo ao Programa SÉLO!

9 Agente Assistente no Apoio ao Diagnóstico Etiológico de Lombalgia Prontuário

10 Agente Assistente no Apoio ao Diagnóstico Etiológico de Lombalgia O Agente Assistente irá analisar as sentenças que satisfazem as regras de acordo com o preenchimento do prontuário, feito pelo usuário. Desta forma o agente toma sua decisão e interage com o usuário auxiliando-o no preenchimento correto do prontuário e desta forma conseguindose chegar a um diagnóstico mais preciso.

11 Descoberta de Conhecimento» Armazenamento de informações»novas técnicas para análise de dados - KDD» Principal etapa: Data Mining

12 Data Mining - DM» Estática Clássica, Aprendizado de Máquina e Inteligência Artificial»Busca de informações relevantes em grandes base de dados»tarefas e métodos em DM»Shell Orion

13 DM Shell Orion

14 Shell Orion Módulo de Classificação

15 Tarefa de Classificação» Descobrir relacionamento» Atividade preditiva» Objeto de saída objeto de saída RISCO DE HISTÓRIA DÍVIDA GARANTIA RENDA CRÉDITO alto DE CRÉDITO ruim alta nenhuma < R$ 2.000,00 amostra baixo boa baixa nenhuma > R$ 2.000,00

16 Árvores de Decisão» Representar conhecimento» Estrutura da árvore: raiz, nós, folhas e ramos» Regra de classificação: SE ENTÃO SE<antecedente> ENTÃO <conseqüente>

17 Exemplo de uma árvore de decisão Renda > R$ < R$ História de Crédito Dívida Boa Ruim Alta Baixa Risco de crédito = baixo Risco de crédito = alto Risco de crédito = alto Risco de crédito = baixo

18 Algoritmo GERA_ÁRVORE_DECISÃO (AMOSTRAS, LISTA_ATRIBUTO, C) crie um nodo N; se amostras são todas com o mesmo valor para C então retorne N como nó folha rotulada com este valor; senão se lista_atributo estiver vazia então retorne N como nó folha rotulada com o valor mais comum de C; senão selecione o atributo da lista_atributo com o maior ganho; rotule o nó N com o atributo_teste; para cada valor ai de atributo_teste inclua um ramo a partir do nó N para a condição (atributo_teste = ai); atribua a si o subconjunto de amostras (atributo_teste = ai); se si estiver vazia então inclua uma folha rotulada com o valor mais comum de C; senão exclua o atributo_teste de lista_atributo;

19 » Informação necessária para classificar m I (S 1,S2,, Sm )= - pi log2(pi)» Entropia v E(A)= Sij Smj I (S ij,..., S mj ) I(s 1j, s 2j,..., s mj ) = - p ij log 2 (p ij ) i=1 S» Ganho de Informação i=1 Ganho(A) = I(s 1, s 2,..., s mj ) E(A)

20 Ganho de Informação HISTÓRIA DE CRÉDITO desconhecida ruim boa DÍVIDA GARANTIA DÍVIDA alta baixa n e n h u m a adequada alta baixa 12 Alto risco 1 GARANTIA Alto risco Risco moderado nenhuma adequada RENDA Baixo risco GARANTIA Baixo risco nenhuma RENDA Adequada 11 Baixo risco 2 3 0$ a $15k $15 a $35k Acima de 35k Alto risco Risco moderado Baixo risco $ a $15k $15 a $35k Acima de 35k Alto risco Risco moderado 10 Baixo risco

21 Ganho de Informação RENDA 1 Alto risco 0$ a $15k HISTÓRIA DE CRÉDITO $ 1 5 a $ 3 5 k Acima de 35k HISTÓRIA DE CRÉDITO DÍVIDA n e n h u m a ruim boa Alto risco Risco moderado n e n h u m a ruim boa Baixo risco Risco moderado Baixo risco alta baixa 2 3 Alto risco Risco moderado

22 JOGOS EMPRESARIAIS - BUSINESS GAMES Simulação do ambiente corporativo Reproduzem a realidade de seu dia-a-dia; Onde todas as decisões são de responsabilidade do grupo e as tentativas são estimuladas;

23 JOGOS EMPRESARIAIS - BUSINESS GAMES Criados já a milhares de anos atraz, com finalidade militar; A partir de 1956 sua filosofia foi adequada ao ambiente empresarial; Atualmente desenvolvidos usando o emprego de modernas ferramentas de gestão e ensino;

24 JOGOS EMPRESARIAIS - BUSINESS GAMES Jogos Empresariais simples; Jogos Empresariais Master; Jogos de Empresas Funcionais;

25 JOGOS EMPRESARIAIS - BUSINESS GAMES ESTRUTURA Manual; Animador; Processamento; Jogador

26 JOGOS EMPRESARIAIS - BUSINESS GAMES

27 JOGOS EMPRESARIAIS - BUSINESS GAMES Exemplos GI-Micro v6.10; Desafio Sebrae; Simulation Empresarial; Strategy; Ambiental LDE

28 JOGOS EMPRESARIAIS - BUSINESS GAMES Sun's Identity Hero;

29 SEAMED SEAMED SISTEMA ESPECIALISTA PARA ÁREA MÉDICA. SEAMED É UM PROGRAMA DE COMPUTADOR QUE AUXILIA OS CLINICOS NO USO DE MEDICAÇÃO SEAMED É UM PROJETO INTEGRADO DE ESPECIALISTA NA ÁREA MÉDICA E DE PROFISSIONAIS DA COMPUTAÇÃO.

30 SEAMED DRA. PROFESSORA ROSA MARIA COORDENADORA.1992 SRA: CECÍLIA DIAS QUE TINHA COMO OBJETIVO ESTUDAR SISTEMAS DE APOIO A DECISÃO. SISTEMAS ESPECIALISTA (SE) SÃO PROGRAMAS DE COMPUTADOR CAPAZES DE SOLUCIONAR PROBLEMAS QUE EXIGEM CONHECIMENTO EXPERIÊNCIA E HABILIDADE HUMANA.

31 SEAMED

32 SEAMED

33 SEAMED

34 SEAMED

35 Conclusão As organizações procuram se adaptar ao contexto nascente, buscando outros caminhos que possam garantir a sua sobrevivência e crescimento devido a acirrada competição mundial. Essa adaptação se dá pela compreensão e adoção de novas práticas e tecnologias para os negócios, seja na área da saúde, ramo empresarial, na educação, entre outros. Neste contexto, a IA mostra-se como solução para subsidiar ao máximo os tomadores de decisão na árdua tarefa de fazer escolhas.