Modelagem:
um caminho para a
realização da Inteligência Artificial
Com
o surgimento dos computadores na década de 40, nasce também
a Inteligência Artificial (IA). No início, os computadores
eram vistos como máquinas destinadas a auxiliar os cientistas
em algumas de suas tarefas mais difíceis. Não se imaginava
então que esses artefatos viessem a ser popularizados, alcançando
o homem comum. Mas, as tais máquinas vêm sendo aprimoradas
continuamente, tornado-se mais ágeis e "inteligentes"
e, por isso mesmo, ampliando sua utilidade prática.
Questionados
acerca do que seria inteligência, os cientistas que nos ajudaram
a compor este cenário foram unânimes em externar suas
dificuldades na definição de algo tão subjetivo,
que depende do ambiente cultural, da dificuldade do problema apresentado,
das necessidades pessoais e de tantos outros minúsculos detalhes.
Segundo Luciano da Fontoura Costa, Professor Associado da USP/São
Carlos, e Coordenador do Grupo
de Pesquisa em Visão Cibernética, "inteligência,
é a habilidade do ser humano de resolver problemas, especialmente
usando a criatividade, é ver o que muitos olharam, mas ninguém
viu".
IA
seria a capacidade - artificialmente construída - de uma
máquina raciocinar e tomar decisões. Naturalmente,
essa capacidade tem que ser transplantada pelo próprio homem,
na forma de protocolos lógicos e bancos de dados que, em
última análise, contenham o seu próprio conhecimento
a respeito do tema de atuação daquela particular máquina.
A
realização dessa transferência abrange uma quantidade
crescente de especialistas de diferentes ramos do conhecimento,
o que não fora sequer imaginado há algumas décadas.
Além disso, mais e mais ferramentas têm sido desenvolvidas
para essa finalidade específica, dentre as quais a Modelagem
Matemática (MM), que é a descrição,
através de equações ou tabelas, de um problema.
Mas
pode a matemática "simular" a inteligência
do homem? Segundo a Prof. Lucia Helena M. Rino, do Departamento
de Computação da UFSCar, participante do núcleo
NILC,
em alguns casos sim. Como exemplo, ela cita a área de neurociências,
onde temos instrumentos de medição experimentais bastante
poderosos, cujos dados podem ser modelados computacionalmente. Modelos
probabilísticos também podem simular o raciocínio
ou ainda permitir especificações de critérios
de decisão entre soluções conflitantes ou concorrentes.
Ainda segundo Lucia Helena Rino, as áreas que fazem uso de
tais modelos na lingüística computacional, incluem a
de analisadores sintáticos, semânticos ou pragmáticos
e a de sumarização ou tradução automática.
"Acho
que os modelos matemáticos são fundamentais em ciências,
sem excluir IA" diz Luciano Costa. Para ele, os modelos mais
adequados para IA são baseados em estatística, pois
possuem fundamentação matemática mais sólida
apoiada por séculos de desenvolvimentos e validações.
Em seu caso, Luciano usa esse conhecimento para solucionar problemas
de reconhecimento de padrões de imagens e visão em
neurociências. Utiliza-se de modelos matemáticos, como
equações diferenciais e geometria diferencial, que
o ajudam na caracterização de formas as quais se diferenciam
no tempo e no espaço, que ele chama de "formas dinâmicas".
Maria
do Carmo Nicoletti, Professora do Departamento
de Computação da UFSCar, tem seu trabalho ligado
a aprendizado de máquinas, e usa Lógica Fuzzy para
representar conhecimento incerto. Nessa lógica, existe uma
gama de possíveis valores entre o sim e o não categóricos,
ela é importante em situações em que a resposta
pode não se enquadrar em conjuntos pré-estabelecidos.
Como exemplo, Maria do Carmo fala do conceito de altura: como os
Conjuntos Fuzzy modelam conceitos, em relação a peso
ou altura, um mesmo indivíduo pode pertencer a ambos os conceitos,
isto é, ser alto e baixo, com diferentes graus de pertinência.
Ou seja, um indivíduo não é alto ou baixo,
ele pode ser ambos. A função de pertinência
ao conjunto Fuzzy é que modela o conceito e que determina
o grau de pertinência do indivíduo a cada um dos conceitos
(alto e baixo).O que é considerado normal em uma região,
pode não ser em outra. Algumas de suas aplicações
típicas se dão em engenharias mecânica e elétrica,
em aprendizado, para representação de conhecimento
e nos algoritmos genéticos. O estudo de redes neurais é
outra aplicação significativa de MM citada por Maria
do Carmo.
O fato
é que muitos problemas do cotidiano humano são excessivamente
complexos para que possam ser "ensinados" de forma simples
a uma máquina. É preciso decodificá-los, identificando
seus blocos elementares e compreendendo como são usados,
de forma ágil e dinâmica, para uma tomada de decisão.
Assim, modelá-los matematicamente é vital para que
a inteligência artificial possa ser realizada.
(LO)
|