Um estudo em Inteligência Artificial
Sendo o conhecimento "uma crença verdadeira e justificada", seu processo de aquisição, conforme visto no capítulo anterior, inclui as atividades de observação, desenvolvimento de um sistema de crenças, aquisição e aplicação de critérios de validação, e finalmente o discernimento entre o que pode ser considerado como "verdadeiro e justificado", e o que torna-se mera opinião.
A maior preocupação de um sistema senciente é a dor. Por isso, a primeira pesquisa realizada é por momentos nas quais ela surgiu. Dessa forma, repassa-se TODOS os registros de evento disponíveis, em busca de "momentos de dor", criando-se uma nova área de armazenamento, por ordem de ocorrência.
Cada momento importante (que apresenta dor), não pode ser analisado separadamente. É importante lembrar aqui que nos sistemas biológicos, a informação de dor é constante ao longo do tempo, mas que num modelo, pode-se ter "tomadas" de informação, que causam a ilusão de serem acontecimentos separados. Isso equivale aos diferentes fotogramas que compõe um mesmo filme. Portanto, vários momentos (de uma mesma entidade), devem ser considerados juntos, formando um "perfil" de ocorrência.
Nos gráficos abaixo, utiliza-se como limitadores os eventos "sem dor":
Uma vez caracterizado (por fatores como duração, intensidade máxima e/ou proporcionalidade entre cada evento), cada perfil deve ser memorizado, criando-se um identificador, ao qual atribuem-se as observações efetuadas. O "peso" pode ser calculado de várias formas, como multiplicando-se a duração pela intensidade máxima, de forma a se obter um valor que sirva de critério de distinção entre eles.
Tomando-se por base os dados da área cognitiva II, podemos iniciar um processo de desenvolvimento de sistemas de crenças e sua posterior justificação em conhecimento.
Pode-se levar em conta somente um número de ocorrências maior que um valor pré-estabelecido, de forma que um evento visto uma única vez (por exemplo), e que corresponderia à 100% das ocorrências numa análise posterior, não seja considerado.
Assim como entre os povos antigos, contando os dias para o retorno das manadas de búfalos, as primeiras pesquisas visam estabelecer suas relações no tempo (ciclos), bem como suas tendências. Determina-se o momento de uma ocorrência, e se verifica se no retorno daquele momento, um outro evento similar acontece. O retorno pode ser determinado de várias formas como "hora cheia", "4 da tarde", "11 da manhã de domingo", "meio-dia de toda segunda quarta-feira do mês", "6 da manhã do primeiro dia do mês", e assim por diante, numa escala crescente de tempo.
Determinada uma periodicidade, obtém-se também a confiabilidade da mesma (sempre, a maior parte das vezes, 50%, etc). Uma outra informação obtida é sobre sua variação. Quanto mais variados forem os perfis dos eventos que ocorrem naquele momento, menor sua estabilidade. Além disso, a pesquisa por periodicidade pode indicar tendências, comparando as durações e valores máximos dos perfis ocorridos naquele momento.
Os ciclos são definidos POR ENTIDADE, e uma mesma entidade pode apresentar mais de uma periodicidade de eventos.
Uma outra informação obtida aqui é a de estabilidade dos perfis. Quanto menor o número de ciclos ao qual um mesmo perfil corresponder, maior sua estabilidade (só acontece naquele momento).
Os ciclos formam um primeiro sistema de crenças, no qual "acredita-se" que algo acontece segundo suas periodicidades.
Uma vez determinados os ciclos de uma entidade, resta estabelecer quantos eventos ocorreram sem qualquer periodicidade, mas ainda mantendo um critério de previsibilidade. Um primeiro é sua simultaneidade com outras ocorrências.
De forma sumarizada: Quando uma coisa dói, o que mais dói junto, ou qual a situação das outras entradas (sempre que "X dói", "Y dói também e Z não"). Também um sistema de crenças, as simultaneidades devem ser identificadas como tais.
Elaboração de crenças de simultaneidade:
A elaboração de uma crença que abranja tanto momentos com dor (importantes), quanto sem, obriga a um novo acesso à memória subjetiva (saída da semiótica), uma vez que foram trazidos para a cognitiva I, somente aqueles eventos reconhecidos como significativos. Isso equivaleria a "puxar da memória" o que mais aconteceu quando da ocorrência em questão.
Além da simultaneidade, uma outra informação que empresta previsibilidade à um evento é sua estabilidade de precedência.
Resumidamente: Antes que "X" doa segundo a crença "A", acontecem os eventos (D) - (L) - (Q), nessa seqüência - cadeia de precedência
Uma vez estabelecida uma cadeia de precedência, a mesma deve também ser identificada como uma crença, e validada por sua repetibilidade ou constância ao longo de outras ocorrências similares.
Uma combinação das pesquisas acima (simultaneidade + precedência), resultaria em perfis com maior previsibilidade que os outros. Nesse caso, a cadeia de precedência dos eventos simultâneos também seria incluída no sistema de crenças
Uma vez realizadas as pesquisas acima, pode-se terminar com eventos sem qualquer previsibilidade, seja por periodicidade, simultaneidade ou precedência. Os mesmos podem ser identificados como dados espúrios, ou simplesmente eliminados da memória.
Uma vez criadas as crenças, precisa-se validá-las através de um critério, e o mais universalmente aceito é o da constância, definido por expressões como "SEMPRE QUE", ou "A MAIOR PARTE DAS VEZES QUE". Usando nosso exemplo acima, eu posso dizer que SEI que (quando "X dói", "Y dói também e Z não"), a partir do momento em que confirmar que isso SEMPRE acontece assim. Portanto, o próximo passo será transformar crença em conhecimento, varrendo o restante da área cognitiva II, buscando outras ocorrências do mesmo perfil, e validando-a contra as circunstancias encontradas. O valor mínimo de aceitação pode ser dado na forma de uma variável de credulidade ou ceticismo. O exemplo abaixo valida crenças de simultaneidade contra uma exigência de atendimento a 70% dos casos.
Quanto menor o ceticismo (ou quanto maior a credulidade), maior será a quantidade de crenças assumidas como válidas (justificadas), e, portanto, utilizadas dai para frente como conhecimento.
Ao final do processamento cognitivo, obtém-se uma base com conhecimentos (o que, quando e - parcialmente - como), além de uma base de opiniões (ou simplesmente crenças), que servirão de ponto de partida para a camada analítica, cuja função é o entendimento das causas de cada uma (por que). Os conhecimentos obtidos estão relacionados à entidades, e podem ser considerados como comportamentos das mesmas. Nesse primeiro caso, as pesquisas tiveram como objetivo a aquisição de informações sobre estados dolorosos de cada uma. Entretanto, novas pesquisas, com objetivos distintos, resultarão em conhecimentos adicionais, sobre aspectos diferentes das entidades estudadas, criando conhecimento em uma das formas descritas abaixo. A grande maior parte dos conhecimentos dos quais dispomos se encaixa em uma delas.
 |
Conceituação / Periodicidade / Simultaneidade / Precedência |
Como resultado das pesquisas, cada entidade pode ser classificada como "estável", caso não apresente um grande número de variações de estados, ou errática, se sim. Os eventos verificados nas entidades podem se tornar candidatos a relacionamentos de causa-e-efeito definindo-se a mesma, em primeira instância, como sendo aquelas cuja simultaneidade ou precedência é verificável num número suficiente de vezes, e cuja ausência de um sempre incorra na ausência do outro.
Num linguajar mais formal, podemos dizer que as pesquisas por repetições (ciclos), simultaneidade e precedência criam hipóteses, as quais são posteriormente justificadas (verificadas), pela repetição, apresentando assim um alinhamento funcional com o Verificacionismo Epistemológico, ou no sistema de conhecer o mundo chamado por Ayer (Sir Alfred Jules Ayer - filósofo britânico - 1910 - 1989), de Positivismo Lógico, enquadrado ainda somente na fase de entendimento empírico.
Uma forma de se validar a operação da camada seria a comparação do número de eventos definidos como espúrios, contra o número total de eventos fornecidos pela semiótica. Pode-se proceder a um balizamento inicial (por exemplo, definindo-se o controle de ceticismo para = 0), de forma que se processe o máximo de informações disponíveis, e depois ajustando-o para níveis operacionalmente mais adequados à implementação. Dessa forma, pode-se avaliar o quanto o ambiente já não era reconhecível de início (caótico).
A camada cognitiva entrega como resultado um corpo de conhecimentos e hipóteses que abrangem respostas à questões como "o que" (conceitualização), "quando" (ciclos), e uma avaliação básica de "como" (simultaneidades e precedências). O último item ("como"), é considerado básico pois demonstra somente relacionamentos circunstanciais (sob quais circunstâncias), algo ocorre, sem estabelecer relacionamentos de causa-e-efeito, o que é a função principal da analítica, que visa responder à questão do "por que" dos eventos observados. Ela inicia analisando as relações entre as entidades, e prossegue criando inferências sobre possíveis relações causais, que depois de validadas, servem de entrada à camada consultiva, cujo objetivo será o de criar um corpo de regras para o ambiente, verificar suas quebras e sugerir (ou executar), ações de correção.
O seguinte trecho foi extraído da biblioteca on-line "wikipedia", e demonstra a dificuldade do estabelecimento de tais relações:
"De forma bastante generalizada, causalidade é uma relação mantida entre eventos, propriedades, variáveis ou estados"
http://en.wikipedia.org/wiki/Cause
Eventos podem acontecer ao mesmo tempo (simultaneidade), e num número suficiente de vezes para que uma relação seja admitida. Ou acontecer imediatamente após outro (ou uma série de outros), de forma a uma relação causal ser inferida. Portanto, deve-se dispor de critérios de distinção que sejam suficientemente funcionais para discernir entre relações e coincidências.
Um primeiro critério proposto, indicativo de uma relação causal simples, parte de uma afirmação ou axioma:
"Uma relação causal entre duas entidades pode ser inferida a partir do momento em que na ocorrência de uma, a outra também ocorra num número suficientemente convincente de vezes, e na ausência da primeira (suspeita causa), a segunda nunca ocorra."
Um segundo critério, este já indicativo de uma relação causal múltipla, poderia ser definido como aquele no qual:
"o efeito somente se manifesta na presença simultânea de mais de uma causa, nunca na ocorrência de apenas uma delas ou na ausência de todas"
Pode-se definir uma variável como "RIGOR", por exemplo, que especifique o "número suficientemente convincente" para estas verificações. O produto final de uma tal avaliação seriam candidatos à causalidade, agrupáveis, por exemplo, em uma ordem decrescente de rigor.
Mesclando-se a definição da enciclopédia on-line com observações de dia-a-dia, podemos estabelecer algumas classes de relacionamentos causais, que surgem entre as diversas entidades da definição (eventos, propriedades, variáveis ou estados). Considerando "eventos" como abrangendo as outras áreas sensoriais descritas anteriormente (ações ou ocorrências), podemos formar exemplos como os a seguir:
1) Estado(s)-a-Estado(s)
A variação de um estado de uma entidade (conforme detectada pela variação de uma entrada sensorial), funciona como causa de uma variação de estado da mesma (ou de outra), entidade, também detectada por uma sensorial.
Exemplo: o aumento da corrente elétrica aplicada à resistência de um chuveiro causa o aumento da temperatura da água (sendo que o aumento da eletricidade em si pode manter uma outra relação causal com um comando, ou acontecer inadvertidamente, por acidente).
Na camada semiótica primitiva, há um primeiro discernimento entre estados conseqüentes de outros estados, para uma mesma entidade, o que serve para facilitar este tipo de averiguação.
2) Estado(s)-a-Entidade(s)
A variação de um estado de uma entidade (conforme detectada pela variação de uma entrada sensorial), causa a presença de uma entidade na área sensorial.
Exemplo: o desabrochar das flores atrai as abelhas, antes ausentes enquanto estas se encontravam fechadas (apesar de presentes)
3) Estado(s)-a-Propriedade(s)
A variação de um estado de uma entidade (conforme detectada pela variação de uma entrada sensorial), faz com que uma propriedade de uma entidade seja modificada.
Exemplo: o aumento de temperatura na água faz com que o ovo mude de líquido para sólido
Consideradas isoladamente, relações causais podem ser inferidas entre quaisquer elementos do grupo considerado.
Uma primeira busca por relações causais simples é apresentada na forma das análises da figura abaixo:
No exemplo acima, o perfil 009 da entidade 003 sempre ocorre junto com o perfil 004 da entidade "Z" (crença 028). E NUNCA ocorre na sua ausência. Portanto, uma relação causal simples pode ser inferida entre ambas. Já o perfil 521 da entidade 17 também corresponde a 100% das ocorrências do perfil 4 da entidade "Z" (crença 028). Entretanto, como o 521-17 também ocorre SEM QUE a "Z"-4 ocorra, em 29% das vezes, uma relação causal simples NÃO pode ser inferida. Tão pouco pode ser admitida uma relação causal múltipla, por definição.
Portanto, ao final das análises (1) e (2) acima, referentes ao conhecimento (028), obtemos uma possível relação causal, do tipo simples, conforme abaixo:
Uma vez que um "perfil" corresponde à identificação de uma ocorrência especifica (no caso da primeira avaliação cognitiva, uma ocorrência "dolorosa"), de cada entidade, logo a primeira vista torna-se evidente a necessidade de incluir outros elementos (sensoriais, ambientais, acionamento e ocorrência), para que uma avaliação causal seja completa. Duas maneiras de se fazer isso é já se incluir uma tal avaliação na camada cognitiva, forjando-se conhecimentos e hipóteses que envolvam elementos outros que não os perfis em si, ou realizá-los posteriormente, na forma de análises. Isso resulta numa modelagem causal mais apurada, conforme abaixo:
Além disso, pode-se procurar relações entre os sensores de uma mesma entidade, na forma de análises diretas conforme acima, ou utilizando-se as especificações topológicas feitas logo ao início, resultando em algo como:
na qual um outro sensor da mesma entidade, mas diferente do que identifica o perfil de dor, é identificado como candidato a uma relação causal.
O "por que" da ocorrência de um evento (doloroso, no caso), normalmente não poderá ser respondido por uma única relação causal, mas por uma cadeia destas, formando uma "explicação" para o mesmo. Para se criar uma estrutura que efetivamente mapeie um evento, repete-se a seqüência de pesquisas acima, até que todas as linhas se unam em uma única causa original ou num grupo delas, conforme abaixo:
|
Seleciona-se um evento que se deseje "explicar" |
|
Obtém-se, da lista de conhecimentos, o primeiro nível de possíveis causas (causas primárias) |
|
Repete-se o processo de pesquisas, efetuadas anteriormente na camada cognitiva, para apurar crenças e conhecimentos em relação às causas primárias |
|
Caso todas tenham sido "fechadas" em uma ação ou ocorrência, interrompe-se o processo |
|
Caso contrário, repete-se até que todas se fechem, ou terminem em eventos sem relacionamentos visíveis |
O resultado final do processo acima é uma "arvore causal", e possível explicação ao evento em si.
No exemplo da figura acima, o evento "X" foi identificado como mantendo uma única relação causal, do tipo múltipla, com as causas 1, 2 e 3. Prosseguindo (repetindo as análises), para as causas 1 e 3, chega-se à uma instância "B", que pode ser um evento sensorial, uma ação ou uma ocorrência. A causa 2, entretanto, mantém uma relação causal múltipla com 2-1 e 2-2. A causa 2-1 também é identificada como se relacionando à instância "B". A 2-2 tem uma relação simples com a 2-2-1, que por sua vez também é vista como causada pela instância "B".
Uma vez que, nesse caso, TODOS os elementos causais (arvore causal), envolvidos se fecham na instância "B", podemos dizer que temos uma "explicação" completa para o evento "X", caso a instância "B" seja uma ação ou uma ocorrência. Caso seja um evento, e não tenhamos qualquer relação causal para o mesmo, a explicação é incompleta, assim como seria, caso um dos elementos não se fechasse nela.
Uma outra situação que indicaria um evento parcialmente explicado (explicação incompleta), é aquela na qual um mesmo evento apresenta mais de uma arvore causal, sem uma seqüência completa para uma delas.
De uma forma geral, para ser COMPLETA, uma arvore causal deve SEMPRE fechar em uma AÇÃO ou um ACONTECIMENTO.
As redes neurais criadas durante a fase de significação (semiótica), são aqui utilizadas para definir, dado um certo evento, qual dos outros é o MAIS SIGNIFICATIVO ou MAIS INFLUENTE, conforme os exemplos abaixo:
Os dados acima são oferecidos como massa de treinamento para uma rede, cuja saída é a última coluna (target). Uma vez treinada, a rede apresenta seus relatórios de treinamento, conforme abaixo (Allyuda NeuralNetworks):
Um dos resultados obtidos do treinamento são os campos mais significativos, do ponto de vista do "target" observado:
Dessa forma, a entrada "F3" (seja lá o que for), é identificada como sendo a MAIS RELEVANTE ou IMPORTANTE, do ponto de vista do comportamento do evento analisado:
Uma vez obtida(s) a(s) coluna mais significativa, pode-se treinar uma nova rede para analisá-la (nesse caso, o "target" seria a coluna "F"), montando assim um mapeamento por relevância.
Fica claro, mesmo à primeira vista, que a grande dificuldade no treinamento das redes é a escolha dos valores certos para servirem como dados de entrada. Exatamente nesse ponto é que são utilizados os conhecimentos adquiridos anteriormente, na forma de direcionamentos. Portanto, se um determinado evento "X" ocorre simultaneamente a um outro evento "Z", as informações do momento "Z" servirão de entrada para a rede criada para pesquisar o "X", e assim por diante, até que a cadeia se feche, ou termine sem outros direcionamentos.
Como mencionado nas bases biológicas, os modos de entender e, conseqüentemente, explicar o mundo, diferem entre os gêneros. Dessa forma, e como técnicas de análise, pode-se utilizar uma visão mais "focada", tipicamente masculina, na busca das relações causa-efeito, ou uma visão mais ampla, caracteristicamente feminina.
Se complementarmos as análises acima com restrições de busca (por exemplo, causas para efeitos nos "elevadores", serão buscadas somente entre as entidades, ações e ocorrências dos mesmos), e procedermos às análises até o fechamento da arvore causal, estaremos implementando uma análise com vistas à uma explicação masculina.
Por outro lado, se permitirmos que as buscas por relações se expandam até outros grupos (catracas, portarias, número de nascimentos de cobaias em laboratório na Irlanda, etc), e aceitarmos as relações sem o fechamento das seqüências que as unem, a explicação será feminina.
Como no exemplo do cachorro do vizinho, as visões femininas são mais difíceis (as vezes impossíveis), de se explicar logicamente. Funcionam, na grande maioria das vezes, mas não são seguem necessariamente, uma cadeia passo-a-passo que facilite sua vocalização ou escrita.
Tanto uma quanto outra pode se mostrar mais vantajosa, dependendo da situação que se analisa, ou dos resultados que se busca. O ideal é a implementação de ambas, uma complementando a outra, desde que validadas por um grupo comum de regras (ocorrências > x%, por exemplo).
Para a criação das redes neurais numa versão mais feminina, utiliza-se como entradas grupos criados dentre a totalidade dos dados disponíveis para o momento analisado em si, e os anteriores, memorizando numa escala os mais significativos.
Ações diferem de acontecimentos, principalmente, por possuírem uma intencionalidade e um propósito, e seus conceitos se mesclam na medida em que se muda o âmbito de detecção, ou por poderem estabelecer conexões causais entre si.
Um grupo de grevistas intencionalmente bloqueia uma avenida para uma passeata, visando chamar atenção para sua causa (ação). Esse bloqueio causa um congestionamento que atrasa o percurso diário de várias outras pessoas que não tem qualquer conexão com a causa ou o bloqueio. Dessa forma, para as pessoas na greve (ou à volta), isso é uma ação. Para os presos no trânsito (mudança de âmbito), um acontecimento (naquele momento), sem explicação.
Do ponto de vista da programação senciente, uma ação é definida como um ato intencional, tomado por uma entidade reconhecível, e com propósitos específicos PARA O AMBIENTE sensorialmente detectado. Qualquer outra coisa, torna-se um acontecimento.
Uma ação pode ser identificada pelos efeitos que causa, e posteriormente explicada pela interface, ou já ter suas informações fornecidas a partir de uma origem sensorial distinta da que detecta os efeitos em si, e ter seus dados complementados posteriormente (inferência de ação). Um acontecimento é mapeado de forma semelhante, porém sem várias das informações que caracterizam uma ação, conforme abaixo:
Uma vez sendo as ações ou os acontecimentos detectados como pontos terminais de uma árvore causal, os mesmos devem ser classificados quanto às suas origens, características e abrangência de efeitos, para que possam posteriormente ser utilizados na formação de grupos de regras.
As ações podem ser classificadas como DIRETAS, ou seja, fazem parte do conjunto de recursos diretamente disponíveis (acionáveis pelo sistema), ou INDIRETAS, por dependerem de outras entidades para sua execução.
Os acontecimentos também devem sofrer classificações, como "cíclicos" ou eventuais. No caso dos últimos, podem ou não estar relacionados à ações executadas, o que deve ser notado em sua classificação.
Quanto à abrangência, tanto uma ação quanto um acontecimento podem afetar a entidade sob estudo em si, ou algum agrupamento ao qual pertença. No caso de uma hierarquia de grupos, uma arvore causal pode afetar de forma distinta cada uma das classificações definidas na topologia sensorial.
No exemplo acima, uma rede foi treinada para medir as relevâncias em relação ao sensor Z-19, e conclui-se que a maior delas vem da ação "A". Portanto, uma inferência causal é definida. Avaliando-se o comportamento dos valores ANTES e DEPOIS do momento de impacto da ação, podemos atribuir uma dimensão ao efeito. No exemplo acima, a ação "A" é definida como sendo uma ação DIRETA (via topologia), que afeta somente uma entidade ("Z"), e somente um sensor desta entidade ("Z-19"), e sua dimensão é reduzi-lo em 48% do valor. O mesmo procedimento se aplica à análise dos acontecimentos.
Uma mesma ação ou acontecimento pode afetar mais de uma entidade, ou mesmo uma outra ação, assim como um determinado efeito pode ser causado por uma combinação das mesmas. Isso pertence ao domínio de refinamento dos procedimentos de avaliação, conforme a figura abaixo:
Nesse caso, o evento "X" é causado pela presença simultânea do efeito "5" E a ação "D". O efeito "5", por sua vez, é causado pela presença simultânea dos efeitos "2" e "3", e pela ausência do efeito "4". O efeito "2" é causado pela presença simultânea da ação "B" e do efeito "1". Já o efeito "3" pode ser causado pelo efeito "1" OU pela ação "C", separadamente. A causa do efeito "1" é única (ação "A").
De posse de um grupo de POSSÍVEIS EXPLICAÇÕES, a próxima atividade é sua validação, o que é conseguido através de créditos dados à explicação. Esses créditos podem ser obtidos através de:
|
Experimentação: realizar a ação que se entende por causa, e verificar se a conseqüência acontece conforme previsto |
|
Observação: se a causa for uma ocorrência ou uma ação fora do controle do sistema, créditos podem ser atribuídos à relação simplesmente por sua repetibilidade (como foi feito na conversão de crenças em conhecimento). Nesse caso, a observação poderá receber tantos créditos quanto for a porcentagem de vezes em que se verifica. |
|
Confirmação externa: expõe-se a explicação na forma de questionamento à uma fonte externa com credibilidade para confirmá-la. Também nesse caso, a confiabilidade (crédito), da explicação tem a mesma dimensão do crédito atribuído à essa fonte. |
Por pura convenção, podemos definir que a validação das suspeitas será feita unicamente através da confirmação externa (por uma interface gráfica, manuseada por um especialista na implantação, por exemplo). As inferências que forem assim validadas tornam-se EXPLICAÇÕES, enquanto as outras, classificam-se como SUSPEITAS (fortes, fracas, etc).
Um terceiro grupo (além das EXPLICAÇÕES e SUSPEITAS), pode ser criado, caso se opte por um modelo feminino de explicações. Nesse modelo, como a cadeia causal pode não ser completa, não há validações, e devem ser assumidas como válidas, e chamadas de INTUIÇÕES (femininas?).
A partir do momento em que conhecimentos e relações causais são definidas, endogramas (índices relacionais), podem ser criados para maior flexibilidade de acesso. Os endogramas podem ser gerados para cada uma das fases de aquisição de conhecimento, começando com os sistemas de crenças, conhecimentos, relações causais ou abrangendo até os modelos comportamentais numa única malha.
De forma bastante similar aos processos de validação das camadas anteriores, a analítica pode ser validada comparando-se o número de explicações obtidas contra o número de eventos analisados.