O que é Inteligência rtificial (I)? Introdução à Inteligência rtificial Disciplina de Inteligência rtificial Profa. Huei Diana ee 2018 2 Podem ser usados para: Explicar o passado; Predizer o futuro; Entender o problema; ontrolar o mundo. Modelos Baseados em Modelos Baseados em 3 4 Não é suficiente! Modelos Baseados em Modelos Baseados em 5 6 1
O que é Representação? Representação que Provê Suporte a Modelos Baseados em Representação que Provê Suporte a Modelos Baseados em 7 8 Exemplo do Problema de Travessia do Rio: Era uma vez um fazendeiro () que foi ao mercado e comprou um lobo (), um carneiro () e uma alface (). No caminho para casa, o fazendeiro chegou à margem de um rio e arrendou um barco. Mas, na travessia do rio por barco, o agricultor poderia levar apenas a si mesmo e uma única de suas compras - o lobo, o carneiro, ou a alface. Se fossem deixados sozinhos em uma mesma margem, o lobo comeria o carneiro e o carneiro comeria a alface. O desafio do fazendeiro é atravessar a si mesmo e as suas compras para a margem oposta do rio, deixando cada compra intacta. omo ele fará isso? Exemplo do Problema de Travessia do Rio: 9 10 https://pt.wikipedia.org/wiki/problema_do_fazendeiro,_o_lobo,_o_carneiro_e_a_alface Ilustração do livro "Problem Solving Through Recreational Mathematics", 1980 http://mj-matemagia.blogspot.com.br/2013/12/travessias.html Exemplo do Problema de Travessia do Rio: Exemplo do Problema de Travessia do Rio: 11 12 2
Exemplo do Problema de Travessia do Rio: Exemplo do Problema de Travessia do Rio: 13 14 Exemplo do Problema de Travessia do Rio: Exemplo do Problema de Travessia do Rio: 15 16 https://pt.wikipedia.org/wiki/problema_do_fazendeiro,_o_lobo,_o_carneiro_e_a_alface https://pt.wikipedia.org/wiki/problema_do_fazendeiro,_o_lobo,_o_carneiro_e_a_alface São fundamentais nas representações. Restrições Expostas por Representação que Provê Suporte a Modelos Baseados em Restrições Expostas por Representação que Provê Suporte a Modelos Baseados em 17 18 3
Mas nós somos ientistas da omputação! Restrições Expostas por Representação que Provê Suporte a Modelos Baseados em Restrições Expostas por Representação que Provê Suporte a Modelos Baseados em 19 20 O que é I... Mais um exemplo... lgoritmos apacitados por Restrições Expostas por Representação que Provê Suporte a Modelos Baseados em 21 22 Gerar e Testar O Gerador Não deve ser redundante; Deve ser capaz de receber informação. Gerar Testar alhas 23 24 4
Voltando ao Gerar e Testar 25 Princípio de Rumpelstiltskin: Uma vez que possamos nomear algo, temos o poder sobre isso. Outro exemplo: a ponta do cadarço. http://en.wikipedia.org/wiki/rumpelstiltskin Ideia simples, mas não trivial; uidado com a palavra trivial; Trivial Simples; Simples pode ser poderoso; Trivial é simples, mas de pouca importância, insignificante; Ideias complicadas x ideias importantes. 26 Occam s Razor! O que é I... lgoritmos apacitados por Restrições Expostas por Representação que Provê Suporte a Modelos Baseados em 27 William of Ockham (also Occam; c. 1287 1347) http://en.wikipedia.org/wiki/william_of_ockham 28 Inteligência Sala hinesa O que é inteligência??! 29 Nossas mentes contêm processos que nos capacitam a solucionar problemas que consideramos difíceis. Inteligência é o nome que damos a qualquer um destes processos que ainda não compreendemos Marvin Minsky 30 ` John Searle 1980 5
É Inteligente? Teste de Turing lan Turing 1950? omputing Machinery and Intelligence! 31 ` 32 http://www.rutherfordjournal.org/article040101.html Teste de Turing Teste de Turing 33 34 http://www.rutherfordjournal.org/article040101.html http://gizmodo.com/this-is-the-first-computer-in-history-to-have-passed-th-1587780232 https://s3.amazonaws.com/lowres.cartoonstock.com/medical-turing_test-artificial_intelligence-sentience-computers-alan_turing-cman563_low.jpg 35 Inteligência Habilidade de aprender e lidar com situações esperadas e inesperadas; Habilidade de contemplar, pensar e raciocinar; Sinônimos: érebro; Mente; Senso. Relacionados: Discernimento; Julgamento; Perspicácia; Sabedoria. 36 Inteligência De aorcdo com uma pqsieusa de uma uinrvesriddae ignlsea, não ipomtra em qaul odrem as lrteas de uma plravaa etãso, a úncia csioa iprotmatne é que a piremria e útmlia lrteas etejasm no lgaur crteo; O rseto pdoe ser uma ttaol bçguana que vcoê pdoe anida ler sem pobrlmea; Itso é poqrue nós não lmeos cdaa lrtea isladoa, mas a plravaa cmoo um tdoo. 6
Deep Blue x Kasparov (omputador x Homem) Velocidade x Inteligência Deep Blue: sistema desenvolvido pela IBM para jogar xadrez, que venceu um campeão humano, Kasparov; Questão: Kasparov é inteligente? Deep Blue é inteligente? Deep Blue utiliza uma grande árvore de busca; Deep Blue examina 2 bilhões de movimentos por segundo; ssumindo que Kasparov examine 2 movimentos por segundo: Kasparov é um bilhão de vezes mais inteligente que Deep Blue; Deep Blue venceu Kasparov essencialmente por força bruta. 38 Velocidade x Inteligência O que é I? Um algoritmo não-inteligente requer um aumento exponencial na sua velocidade para um aumento linear em inteligência ; O que diferencia inteligência artificial da inteligência natural? o invés de melhorias na velocidade, precisamos melhorar o projeto do algoritmo. 39 40 Natural x rtificial Inteligência Natural x rtificial rtificial: palavra ambígua = fabricado; Sentidos: uz artificial X lor artificial? lor rtificial: parece ser; mas realmente não é o que parece ser (artificial = imitação, só aparência. uz rtificial: é luz e ilumina; é o que parece ser. dquire grande qtde de informação externa Usa Sensores (visão, audição, tato, olfato) É riativa ou tem Imaginação prende por Experiência Retém Dados Detalhados az cálculos complexos É adaptável Usa uma variedade de fontes de informação Natural rtificial 41 42 7
Inteligência Natural x rtificial Inteligência Natural x rtificial Natural rtificial dquire grande qtde de informação externa lto Baixo Usa Sensores (visão, audição, tato, olfato) É riativa ou tem Imaginação prende por Experiência Retém Dados Detalhados az cálculos complexos É adaptável Usa uma variedade de fontes de informação Natural rtificial dquire grande qtde de informação externa lto Baixo Usa Sensores (visão, audição, tato, olfato) lto Baixo É riativa ou tem Imaginação prende por Experiência Retém Dados Detalhados az cálculos complexos É adaptável Usa uma variedade de fontes de informação 43 44 Inteligência Natural x rtificial Inteligência Natural x rtificial Natural rtificial dquire grande qtde de informação externa lto Baixo Usa Sensores (visão, audição, tato, olfato) lto Baixo É riativa ou tem Imaginação lto Baixo prende por Experiência Retém Dados Detalhados az cálculos complexos É adaptável Usa uma variedade de fontes de informação Natural rtificial dquire grande qtde de informação externa lto Baixo Usa Sensores (visão, audição, tato, olfato) lto Baixo É riativa ou tem Imaginação lto Baixo prende por Experiência lto Baixo Retém Dados Detalhados az cálculos complexos É adaptável Usa uma variedade de fontes de informação 45 46 Inteligência Natural x rtificial Inteligência Natural x rtificial Natural rtificial dquire grande qtde de informação externa lto Baixo Usa Sensores (visão, audição, tato, olfato) lto Baixo É riativa ou tem Imaginação lto Baixo prende por Experiência lto Baixo Retém Dados Detalhados Baixo lto az cálculos complexos É adaptável Usa uma variedade de fontes de informação Natural rtificial dquire grande qtde de informação externa lto Baixo Usa Sensores (visão, audição, tato, olfato) lto Baixo É riativa ou tem Imaginação lto Baixo prende por Experiência lto Baixo Retém Dados Detalhados Baixo lto az cálculos complexos Baixo lto É adaptável Usa uma variedade de fontes de informação 47 48 8
Inteligência Natural x rtificial Inteligência Natural x rtificial Natural rtificial dquire grande qtde de informação externa lto Baixo Usa Sensores (visão, audição, tato, olfato) lto Baixo É riativa ou tem Imaginação lto Baixo prende por Experiência lto Baixo Retém Dados Detalhados Baixo lto az cálculos complexos Baixo lto É adaptável lto Baixo Usa uma variedade de fontes de informação Natural rtificial dquire grande qtde de informação externa lto Baixo Usa Sensores (visão, audição, tato, olfato) lto Baixo É riativa ou tem Imaginação lto Baixo prende por Experiência lto Baixo Retém Dados Detalhados Baixo lto az cálculos complexos Baixo lto É adaptável lto Baixo Usa uma variedade de fontes de informação lto Baixo 49 50 Baixo lto Sistema Inteligente O que é I? prende por experiência; Utiliza conhecimento adquirido (por experiência); Soluciona problemas na ausência de alguma informação; Reage rapidamente perante uma nova situação ; Determina o que é importante; Raciocina e pensa; Entende imagens visuais; Processa e manipula símbolos; É criativo e imaginativo; Utiliza heurísticas. Uma área de pesquisa que investiga formas de habilitar o computador a realizar tarefas nas quais, até o momento, o ser humano tem um melhor desempenho. - Elaine Rich - 51 52 Definições dicionais Inteligência rtificial onjunto de técnicas para a construção de máquinas inteligentes, capazes de resolver problemas que requerem inteligência humana (Nilsson); Ramo da iência da omputação dedicado à automação de comportamento inteligente (uger & Stubble); Tecnologia de processamento de informação que envolve processos de raciocínio, aprendizado e percepção (Winston). I tem como objetivo entender e construir sistemas inteligentes; Motivação prender mais sobre nós mesmos; Sistemas de I são interessantes e úteis; omo é possível para um cérebro lento e pequeno (biológico ou eletrônico) perceber, entender, predizer e manipular um mundo muito maior e mais complicado que ele mesmo? 53 54 9
Definições de I: 4 categorias Definições de I: 4 ategorias Raciocínio pensam como humanos atuam como humanos pensam racionalmente atuam racionalmente pensam como humanos atuam como humanos pensam racionalmente atuam racionalmente omportamento 55 56 57 Definições de I: 4 ategorias Sucesso é avaliado em termos de desempenho humano pensam como humanos atuam como humanos pensam racionalmente atuam racionalmente Sucesso é avaliado em termos de um conceito ideal de inteligência (racionalidade) História da Inteligência rtificial História da Inteligência rtificial Era pré-inteligência rtificial gestação de I (1943-1956); O entusiasmo dos primeiros anos de I, grandes expectativas (1952-1969); Uma dose de realidade (1966-1974); Sistemas Baseados em onhecimento: have para o Poder? (1969-1979); I se torna comercial (1980-1988); O retorno das Redes Neurais (1986 - presente); Eventos Recentes. Por volta de 1842-43, trabalho conjunto com harles Babbage na Máquina de Diferenças 2 (Máquina nalítica). 59 60 http://en.wikipedia.org/wiki/da_ovelace 10
Gestação de I (1943-1956) Gestação de I (1943-1956) Dendritos 61 Soma (corpo da célula) xiônio Terminações do xiônio Primeiro trabalho de I foi um modelo de neurônios artificiais (Mculloch e Pitts, 1943) e foi o precursor das tradições lógica e conexionista de I. igura adaptada. onte: Material didático Prof. Zhao iang 62 Donald Hebb (1949) propôs algoritmo de aprendizado baseado no reforço de ligações sinápticas (variação de pesos de entrada); omeço dos anos 1950: laude Shannon e lan Turing escreveram programas de xadrez para máquinas von Neumann; o mesmo tempo, Marvin Minsky e Dean Edmonds construíram o primeiro computador baseado em redes neurais (1951); Workshop em Dartmouth em 1956: pesquisadores de Princeton, IBM, MIT e MU se reuniram a convite de John Mcarthy: Os 20 anos seguintes foram dominados por pesquisadores participantes do Workshop e seus estudantes; oi neste Workshop que o nome Inteligência rtificial surgiu para denominar o novo campo de estudo (cunhado por Mcarthy). 63 O Entusiasmo dos Primeiros nos de I (1952-1969) llen Newell, John Shaw e Herbert Simon desenvolveram o General Problem Solver GPS, programa que foi projetado com o intuito de imitar protocolos humanos de resolução de problemas; ssim, GPS foi o primeiro programa a incorporar a abordagem Pensar como humanos. combinação de I e iência ognitiva continua até hoje: Simon:... não é meu objetivo surpreendê-los ou chocálos, mas o modo mais simples de resumir tudo isso é dizer que agora existe no mundo máquinas que pensam, aprendem e criam... rthur Samuel (1952) escreveu uma série de programas para jogar damas e provou o contrário do que era senso comum na época: a ideia de que computadores podiam fazer somente o que era dito para eles. Seus programas aprendiam rapidamente a jogar melhor que seu criador. 64 O Entusiasmo dos Primeiros nos de I (1952-1969) John Mcarthy sai do MIT (1958): Mcarthy (1958) desenvolveu ISP, que se tornou a linguagem dominante de I na época. John lan Robinson (1963) descobriu o método da resolução: Um algoritmo completo de provas de teoremas para a ógica de 1a Ordem; PROOG estava a caminho. Marvin Minsky supervisionou uma série de estudantes que escolheram problemas limitados que pareciam requerer inteligência para serem resolvidos micromundos: O mais famoso micromundo foi o mundo dos blocos; Trabalhos de redes neurais começaram a florescer. Uma Dose de Realidade (1966-1974) 1960 Bernard Widrow e Ted Hoff propuseram a Regra Delta (usada até hoje!); 1969 Marvin Minsky e Seymor Papert: O perceptron não resolve problemas linearmente separáveis; evam à descrença de redes neurais durante os anos 1970. Uma Dose de Realidade (1966-1974) barreira que muitos projetos de I encontraram foi que métodos, que eram suficientes para demonstrações de um ou dois exemplos simples, falham terrivelmente quando foram aplicados a uma seleção maior de problemas ou problemas mais difíceis; O primeiro tipo de dificuldade: os primeiros programas continham pouco ou nenhum conhecimento do assunto que eles tratavam e tinham sucesso através de manipulações sintáticas muito simples EIZ (65). 65 66 11
67 Uma Dose de Realidade (1966-1974) O segundo tipo de dificuldade: a intratabilidade de muitos problemas que I estava tentando resolver: Os primeiros programas funcionavam somente porque os micromundos continham poucos objetos; ntes que a teoria de problemas NP-completos fosse desenvolvida, se acreditava que o problema de se escalar para problemas maiores era simplesmente um problema de se ter hardware mais rápido. O terceiro tipo de dificuldade: limitações sobre as estruturas básicas usadas para gerar comportamento inteligente. ógica Proposicional Processo de substituição de frases em linguagem natural para letras proposicionais e conectivos lógicos 1. Ex: Se chove então Maria ngélica estuda o problema e se não faz frio na aura está nadando p: Maria ngélica estuda o problema q: na aura está nadando r: chove s: faz frio Encontrar conectivos: (Se chove então Maria ngélica estuda o problema) e (se (não faz frio) então na aura está nadando) 1. Substituir frases e conectivos: (r p) ( s q) ógica Proposicional x Relacional ógica Proposicional x Relacional Dado o domínio dos filósofos: Todos os homens são mortais Platão é um homem 1. X homem(x) mortal (X) 2. homem(platão) Deseja-se provar que mortal(platão) Provar que Platão é mortal usando resolução por meio de refutação (negação da conclusão) Passando para a forma clausal e aplicando o método da resolução por refutação: 1. homem(x) mortal (X) Premissa 1 2. homem(platão) Premissa 2 3. mortal(platão) Neg. onclusão 4. mortal(platão) de 1,2 θ= {X/platão} 5. [] de 3,4 71 SBs: have para o Poder? (1969-1979) O método de resolução de problemas usado na primeira década de I: Mecanismo de busca de propósito geral; hamados de métodos fracos porque usam pouca informação sobre o domínio; Para domínios complexos, o desempenho é pobre. significância do programa Dendral (69): Inferia a estrutura molecular de informações fornecidas por um espectrômetro de massa; oi o primeiro sistema a trabalhar com conhecimento intensivo: sua especialidade era derivada de um grande número de regras específicas. 72 SBs: have para o Poder? (1969-1979) Edward eigenbaum e outros em Stanford começam a investigar a nova metodologia de sistemas especialistas; importância do conhecimento do domínio foi também aparente na área de processamento de linguagem natural; O crescimento das aplicações no mundo real aumentou a demanda por esquemas de representação de conhecimento alternativos: ógica; rames; Redes Semânticas. 12
73 I se Torna omercial (1980-1988) O primeiro sistema especialista de sucesso comercial, R1, que ajudava a configurar ordens para novos computadores; Em 1981, os japoneses anunciaram a Quinta Geração, um projeto de 10 anos para construção de computadores inteligentes que executavam PROOG. 74 O retorno das Redes Neurais e o surgimento de outros paradigmas (1986-1993) Embora a iência da omputação tenha negligenciado o campo das redes neurais, o trabalho continuou em outros campos, particularmente na ísica (1982); Árvores de Decisão (1987); Naive Bayes (1994 Estudo comparativo com Redes Neurais e Árvores de Decisão); o mesmo tempo, algumas desilusões sobre a aplicabilidade de sistemas especialistas começaram a surgir; Muitos pesquisadores defendiam que uma nova abordagem a I deveria ser baseada em Robótica. 75 Por trás da cena (1993-2001) om quase meio século de vida, a I atingiu alguns de seus resultados mais antigos; Houve sucesso em áreas de tecnologia industrial; lguns dos progressos foram devidos ao avanços de hardware e foco em problemas específicos; 1997: Deep blue; erramentas matemáticas sofisticadas; Probabilidade e Teoria da Decisão: Bayesian Networks, Hidden Markov Models, Teoria da Informação, otimização clássica entre outros; Descrições matemáticas precisas foram desenvolvidas para pardigmas como Redes Neurais e lgoritmos Evolucionários. 76 Deep learning, big data e outros (2000 presente) cesso a grandes quantidades de dados (big data); omputadores mais rápidos; Métodos de prendizado de Máquina avançados; Em 2016, o mercado de produtos contendo I alcançou mais de 8 bilhões de dólares 1 ; Watson: Sequenciamento de genoma; Oncologia; loud service; Em 2020, 60% das aplicações de I estarão sendo executadas sob plataformas de mazon, Google, Microsoft e IBM. 1 ID Research Inc. O que a I pode fazer por nós? O que é I? O que a I pode fazer por nós? 77 78 S221: rtificial Intelligence - Percy iang 13
O que a I pode fazer por nós? O que a I pode fazer por nós? 79 80 S221: rtificial Intelligence - Percy iang S221: rtificial Intelligence - Percy iang O que a I pode fazer por nós? O que a I pode fazer por nós? 81 82 S221: rtificial Intelligence - Percy iang S221: rtificial Intelligence - Percy iang O que a I pode fazer por nós? O que a I pode fazer por nós? 83 84 S221: rtificial Intelligence - Percy iang S221: rtificial Intelligence - Percy iang 14
O que a I pode fazer por nós? Muitas outras aplicações 85 Busca na Web; Reconhecimento de fala; Extração de informação; Sumarização de documentos; orreção ortográfica; Reconhecimento de imagens; Reconstrução 3D de cenários; Reconhecimento de atividade humana; Recuperação de informação (por exemplo, música); nálise de redes sociais; 86... Recomendação de produtos; Marketing; Otimização de energia em Smart Grids; Robótica: Doméstica; irurgia; Exploração. iltragem de spam; Detecção de fraudes; Diagnóstico de falhas; Diagnóstico Médico; Tratamento de imagens médicas;... S221: rtificial Intelligence - Percy iang aracterísticas da I Áreas Relacionadas a I lto impacto social; Multi e transdisciplinar; omplexa. 87 88 onsiderações inais Inteligência Se o cérebro [humano] fosse tão simples que pudéssemos compreendê-lo, nós seríamos tão simples que não o conseguiríamos. yall Watson, biólogo 90 15
Referências Material didático do Prof. José ugusto Baranauskas, Inteligência rtificial, Departamento de ísica e Matemática RP-USP. Material didático do Prof. Zhao iang, Inteligência rtificial, Instituto de iências Matemáticas e de omputação IM-USP. Material didático do Prof. Patrick H. Winston, rtificial Intelligence, Massachusetts Institute of Technology MIT. Material didático do Prof. Percy iang, rtificial Intelligence: Principles and Techniques, Stanford. https://www.nytimes.com/2016/10/17/technology/ibm-iscounting-on-its-bet-on-watson-and-paying-big-money-forit.html?emc=edit_th_20161017&nl=todaysheadlines&nlid=6 2816440&_r=0 (cesso em 10/04/2017). 91 16