O documento discute os conceitos de inteligência artificial, aprendizado de máquina e sistemas de gestão do conhecimento. Apresenta definições dessas áreas e exemplos de aplicações comerciais como sistemas especialistas, lógica difusa e redes neurais. Também aborda técnicas como aprendizado por casos e diferentes abordagens para gestão do conhecimento nas organizações.

1. Prof. Dr. Mauricio Uriona Maldonado
Inteligência Artificial e
Data Science
Departamento de Engenharia de Produção e Sistemas
Gestão Estratégica da TI

2. INTELIGÊNCIA ARTIFICIAL
Ciência de
dados
Machine
Learning
Ciência
cognitiva
INTELIGÊNCIA
ARTIFICIAL

3. DATA SCIENCE (CIÊNCIA DE DADOS)

4. EXEMPLO: IBM WATSON
https://www.youtube.com/watch?v=yUGx4Fpps8s

5. EXEMPLO: LAVA JATO
https://www.youtube.com/watch?v=rLfsyVwAgd4

6. Laudon e Laudon (2007)
Consiste em sistemas baseados
em computador (tanto hardware
quanto software) para simular o
comportamento e os padrões de
pensamento humano.
DEFINIÇÃO: IA

7. Substituir o ser humano por
máquinas (o conhecimento humano é
transferido por completo ao host
artificial)XConhecimento
Tácito
Conhecimento
Explícito
MISSÃO DA INTELIGÊNCIA ARTIFICIAL

8. § Conhecimento que reside dentro da empresa na
forma de documentos textuais estruturados;
§ É um conhecimento mais técnico, racional e
objetivo que pode ser disseminado a outras
pessoas ou transformado em um processo ou
estratégia sem precisar da interação interpessoal;
§ É também conhecido como ‘leaky knowledge’
devido à facilidade com que ele pode ser
transmitido depois de ter sido documentado.
CONHECIMENTO EXPLÍCITO

9. § Conhecimento não formal, ou seja, que não existe
de forma física ou digital, apenas na cabeça dos
funcionários;
§ Ou seja, está no domínio da aprendizagem
subjetiva e experiencial, e é altamente pessoal e
difícil de formalizar;
§ Em geral, envolve perícia ou altos níveis de
habilidade; o processo de disseminação – deste tipo
de conhecimento - é demorado e custoso;
§ Por ex: explicar como andar de bicicleta seria difícil de
documentar explicitamente;
§ É também chamado de ‘sticky knowledge’ porque é
difícil separá-lo da sua fonte.
CONHECIMENTO TÁCITO

10. § Sistemas Especialistas;
§ Lógica Difusa (Fuzzy);
§ Raciocínio baseado em casos;
➤ Redes Neurais;
➤ Algoritmos genéticos; e
➤ Agentes Inteligentes
TÉCNICAS
(➤) Machine Learning (aprendizado de máquina)

11. Técnicas de Inteligência
Artificial

12. O que são ?
• Programas computacionais projetados
para modelar a habilidade de
especialistas humanos de resolver
problemas.
SISTEMAS ESPECIALISTAS

13. Arquitetura Básica
Memória de Curto Prazo
Conclusões e Fatos
Raciocínio
Memória de longo Prazo
Domínio do Problema Informações
Fatos
Conclusões
Base do Conhecimento
Memória de trabalho Máquina de Inferência
Interface
SISTEMAS ESPECIALISTAS

14. EXEMPLO

15. PROCESSO DE CONSTRUÇÃO

16. PROCESSO DE CONSTRUÇÃO
§ O processo de aquisição, modelagem e
representação do conhecimento que levam a
um sistema especialista foi denominado
Engenharia do Conhecimento ainda na
década de 60.
§ Ao profissional responsável pelo
desenvolvimento de sistemas especialistas
se utilizou a denominação de engenheiro do
conhecimento.

17. A Engenharia do Conhecimento evoluiu
de uma metodologia de desenvolvimento
de sistemas especialistas, sistemas
baseados em conhecimento e sistemas
intensivos em conhecimento (todos
atualmente considerados como sistemas
de conhecimento).
ENGENHARIA DO CONHECIMENTO

18. § Permite identificar oportunidades e gargalos na forma
como organização desenvolve, distribui e aplica recursos de
conhecimento, fornecendo assim, ferramentas para gestão
de conhecimento.
§ Providencia os métodos para obter uma ampla
compreensão das estruturas e processos utilizados por
usuários do conhecimento – mesmo onde muito do
conhecimento é tácito – levando a uma melhor integração
da tecnologia da informação no apoio ao trabalhador de
conhecimento.
§ Ajuda, como resultado, a construir melhores sistemas de
conhecimento: mais fáceis de usar, arquitetura melhor
estruturada e mais simples de manter.
BENEFÍCIOS DA E.C.

19. (Schreiber. et al, 2002)
ATORES DO PROJETO DE E.C.

20. § Finanças (Análise de crédito e detecção de
fraudes)
§ Indústria (Manufatura)
§ Planejamento de Vôos
§ Administração
§ Serviço ao Consumidor (SAC)
§ Design
APLICAÇÕES COMERCIAIS
https://www.youtube.com/watch?v=wepVUq9dD7U

21. “Com o aumento da
complexidade de um sistema,
nossa habilidade de fazer
declarações precisas e
significativas sobre o seu
comportamento diminui até que
se chega a um limite, depois do
qual precisão e significância
tornam-se características quase
que mutuamente exclusivas”
Lotfi Zadeh
Pai da Lógica difusa
SISTEMAS DE LÓGICA DIFUSA

22. § Os seres humanos não pensam em termos
de regras IF-THEN e nem em termos de
números precisos;
§ Os seres humanos tendem a categorizar as
coisas de maneira imprecisa, usando regras
para tomar decisões que podem ter muitas
nuances de significado;
§ A Lógica Difusa é uma tecnologia baseada
em regras que representam tal imprecisão,
usando valores aproximados ou subjetivos.
SISTEMAS DE LÓGICA DIFUSA

23. O café está quente?
O dia está nublado?
A inflação está alta?
SISTEMAS DE LÓGICA DIFUSA
A velocidade está alta?

24. SISTEMAS DE LÓGICA DIFUSA

25. § A lógica difusa ofrece soluções para problemas
que exigem conhecimento técnico difícil de
representar na forma de IF-THEN;
§ Em vários países, o sistema de metrô utiliza
controles de lógica fuzzy para acelerar suavemente;
§ A lógica difusa permite mudanças incrementais
nas entradas para producir suaves alterações
nos resultados, em vez de alterações
descontínuas, o que torna útil em varios tipos
de aplicações;
§ P.ex.: Sistemas de ar condicionado
SISTEMAS DE LÓGICA DIFUSA

26. §Controle
§ Ar condicionado;
§ Máquinas de lavar;
§ Freios ABS;
§ Câmeras de vídeo;
§Administração
§ Avaliação de crédito;
§ Avaliação de risco;
§ Análise de mercado;
§ Planejamento e Controle da Produção
https://www.youtube.com/watch?v=rln_kZbYaWc
APLICAÇÕES COMERCIAIS

27. § Sistemas especialistas capturam
primordialmente o conhecimento de
especialistas individuais, mas com o passar
dos anos as organizações também adquirem
e desenvolvem perícia e conhecimento
coletivos;
§ No raciocinio baseado em casos, descrições
de experiênciais passadas feitas por
especialistas humanos, representadas como
casos, são armazenadas num banco de
dados para consulta posterior.
RACIOCÍNIO BASEADO EM CASOS

28. § Tem como base o Raciocínio Analógico ou
Experimental, ou seja, parte do princípio que
as pessoas resolvem problemas com base no
que já fizeram no passado;
§ Excelente em problemas em que evidências
precedentes definem a melhor estratégia, tais
como análise de jurisprudências, princípios
contábeis, atendimento ao usuário e
aprendizagem baseada em casos anteriores.
RACIOCÍNIO BASEADO EM CASOS

29. RACIOCÍNIO BASEADO EM CASOS

30. § Base de casos. Onde estão os casos passados.
§ Biblioteca de índices, que permite a busca eficiente e
rápida de casos anteriores mais apropriados ou
similares ao problema em análise.
§ Métrica de Similaridade, utilizada para avaliar o grau
de semelhança entre casos passados recuperados na
biblioteca de índices.
§ Módulo de adaptação, que cria uma solução para o
problema atual, modificando a solução anterior
(adaptação estrutural) ou criando uma nova solução por
processo idêntifico ao passado (adaptação derivativa)
§ Aprendizagem. Quando a solução é inédita, pode ser
acrescida à base.
COMPONENTES

31. § Suporte a clientes (SAC);
§ Controle de qualidade;
§ Área jurídica;
§ Banco de Dados corporativos;
§ Sistemas de diagnóstico médico;
§ Planejamento e Design
APLICAÇÕES COMERCIAIS

32. O FUTURO DA INTELIGÊNCIA ARTIFICIAL

33. Inteligência Artificial Conexionista
e Machine Learning

34. §1943- McCullock & Pitt simulam uma
rede simplificada usando circuitos
elétricos.
§1958- Rosenblatt cria o perceptron:
Separador linear implementando em
Hardware.
CORRENTE CONEXIONISTA

35. §1960- Windrow e Hoff: algoritmo dos
mínimos quadrados
§ 1969- Minsky e Papert: “Perceptrons”:
§ “O mecanismo não é capaz de resolver problemas
interessantes!”
§ 1982- Hopfield: Redes Recorrentes
§ 1986- Backpropagation - MIT
§ 1988- Radial Basis Function.
CORRENTE CONEXIONISTA

36. MACHINE LEARNING
https://www.youtube.com/watch?v=_VUHSPB97jo
Ciência
dos dados
Machine
Learning
Ciência
cognitiva
Inteligência
Artificial

37. MACHINE LEARNING
“Machine Learning gives computers
the ability to learn without being
explicitly programmed”
Arthur Samuel (1959)
Machine Learning (ou aprendizado de máquina) é quando
o computador adapta seu algoritmo, dependendo dos
dados ou dos resultados.

38. Definição
§ Tratam-se de sistemas projetados para modelar
a forma pela qual o cérebro realiza uma tarefa
ou função particular. A rede é geralmente
implementada com componentes eletrônicos ou
simulada em programas digitais.
Haykin (1994)
REDES NEURAIS

39. § As redes neurais são usadas para resolver
problemas complexos e não totalmente
compreendidos, para os quais existem
grandes quantidades de dados já coletados;
§ Elas “aprendem” padrões a partir de grandes
quantidades de dados;
§ Uma rede neural apresenta grande número
de nós (sensores e processadores) que
interagem continuamente.
REDES NEURAIS

40. Uma rede neural utiliza regras “aprendidas” a partir de padres em dados
para construir uma cada oculta de lógica. A camada oculta então processa
as entradas, clasificando-as com base na experiencia do modelo. Neste
exemplo, a rede neural foi treinada para distinguir entre compras com
cartão de crédito falsas e legítimas.
EXEMPLO: VISA
Camada oculta

41. § Enquanto os sistemas especialistas fornecem
explicações para as suas soluções, as redes
neurais nem sempre podem explicar por que
chegaram a uma solução em particular;
§ Além disso, nem sempre podem garantir uma
solução completamente certa, nem chegar
novamente à mesma solução;
§ São muito sensíveis aos dados e podem não
funcionar bem se seu treinamento cobrir uma
quantidade de dados muito pequena.
REDES NEURAIS

42. § Finanças
§ Controle
§ Reconhecimento de Padrões
§ Robótica
§ Controle de Qualidade
§ Reconhecimento de Caracteres
§ Reconhecimento de Voz
APLICAÇÕES COMERCIAIS

43. Sistemas de Gestão do
Conhecimento

44. GESTÃO DO CONHECIMENTO
§ Além da inteligência artificial, a inteligência
humana também deve ser gerenciada na
empresa;
§ O objetivo da gestão do conhecimento é
justamente esse: o de gerenciar a inteligência
humana;
§ No entanto, a gestão do conhecimento pode
ser implementada com e sem tecnologias de
informação.

45. Conjunto de processos desenvolvidos em uma
organização para criar, armazenar,
transferir e aplicar o conhecimento para atingir
os objetivos da organização
Laudon e Laudon (2007)
GESTÃO DO CONHECIMENTO

46. § A abordagem baseada na prática supõe que boa
parte do conhecimento dentro da empresa é tácito
e que mecanismos formais de controle não são
suficientes;
§ O foco portanto é construir ambientes sociais ou
comunidades de prática necessários para facilitar o
compartilhamento de conhecimentos;
§ Este tipo de abordagem é geralmente utilizado por
organizações que utilizam intensivamente o
conhecimento em seus produtos e serviços:
§ Ex: Empresas de consultoria, onde o conhecimento é
compartilhado por meio do contato interpessoal.
GC BASEADA NA PRÁTICA

47. § A abordagem baseada em processos tentam codificar o
conhecimento por meio de controles, processos e
tecnologias;
§ As organizações que seguem esta abordagem
implementam políticas que regulamentam como o
conhecimento deve ser coletado, disseminado e
armazenado por toda a organização;
§ Frequentemente utilizam a TI para aprimorar a
velocidade de criação e disseminação do
conhecimento:
§ Ex: intranets, data warehouses, repositórios de conhecimento,
sistemas de apoio à decisão e groupware.
§ Para isto, são utilizados sistemas de gestão do
conhecimento.
GC BASEADA EM PROCESSOS

48. § Sistemas de conhecimento estruturado;
§ Sistemas de conhecimento semi-estruturado;
§ Sistemas de rede de conhecimento.
SISTEMAS DE GESTÃO DO CONHECIMENTO

49. § Projetados para facilitar a busca de conhecimento
explícito dentro da organização;
§ Utilizam etiquetas (labels ou tags) para facilitar a
busca nos bancos de dados corporativos em que os
documentos estão armazenados;
§ Podem ser recuperados todo tipo de documentos:
relatórios, apresentações, artigos, lições aprendidas,
pesquisas, notícias, casos de clientes, etc.;
§ Ex: o Kworld da KPMG
SC ESTRUTURADO

50. § Conhecimento semi-estruturado é todo tipo de
conhecimento que não consta de um documento
formal;
§ Um 80% do conteúdo digital das empresas é não-
estruturado;
§ Ou seja: e-mails, apresentações em slides; mensagens, e
até mesmo vídeos em diferentes formatos e armazenados
em diferentes locais;
§ Empresas como a Humminbird oferecem software
de gestão de e-mail, que automaticamente
categorizam as mensagens enviadas e recebidas
com base nas regras solicitadas pelo cliente.
SC SEMI-ESTRUTURADO

51. § São utilizados quando o conhecimento requerido não se
encontra de forma explícita em documentos (estruturados) ou
em outro tipos de arquivos digitais (semi-estruturados);
§ Este tipo de sistemas serve para ‘localizar’ especialistas
humanos dentro da organização, ou seja, proporcionam uma
lista de pessoas, especialistas em domínios de conhecimento
bem definidos;
§ As respostas (ou soluções) encontradas, são logo
armazenadas em forma de perguntas mais frequentes (faqs);
§ Exemplo: o AskMe permite às empresas desenvolver um
banco de dados com o know-how e os conhecimentos
especializados dos funcionários, documentos, melhores
práticas, FAQs e depois disponibilizar essas informações para
a empresa inteira.
Sistemas de localização de especialistas
SISTEMAS DE REDE DE CONHECIMENTO

52. ASKME

53. Integração dos SGC com
outros sistemas de
informação

54. § Explicitamente, os SGC não envolvem a execução
de modelos para resolver problemas;
§ Mas como um SGC fornece ajuda à solução de
problemas aplicando conhecimento, parte da solução
poderia envolver a execução de modelos;
§ Por exemplo, a partir de modelos de análise de
sensibilidade ‘what-if’, o gestor poderia fazer
perguntas ao modelo, e com isso ganhar
conhecimento sobre o funcionamento e inter-relação
das variáveis sendo analisadas:
§ Sensibilidade da demanda em relação ao preço
(elasticidade de preços) e com isso, estruturar uma melhor
estratégia de produção-vendas.
INTEGRAÇÃO COM SAD

55. § Os SGC não são estritamente falando sistemas de
inteligência artificial, porém, podem ser integrados
em alguns casos;
§ P.ex. Se o conhecimento armazenado em sum SGC
deve ser representado e utilizado como uma
sequencia de regras (if-then-else), um sistema
especialista, então, se torna parte do SGC.
INTEGRAÇÃO COM INTELIGÊNCIA ARTIFICIAL

56. § Os SGC podem ajudar a estruturar os serviços de
help-desk (serviços de atendimento ao cliente);
§ De forma indireta, um módulo de registro de
atendimentos oferece uma base de conhecimento –
e de soluções previamente testadas – que pode ser
entendida como parte das iniciativas de GC dentro
da empresa;
§ O registro de atendimentos é reutilizado por atendentes e
técnicos de suporte que procuram por soluções já
identificadas por outros atendentes.
INTEGRAÇÃO COM CRM

57. § Os SGC podem ajudar a otimizar a cadeia de
suprimentos e gerenciá-la adequadamente;
§ Há muitas questões e problemas na cadeia de
suprimentos que exigem que a empresa combine
tanto conhecimento tácito como explícito;
§ P.ex. Conhecimento sobre a flutuação da demanda, bem
como da variabilidade nos prazos de entrega de matérias
primas e insumos pode ajudar a estabilizar a cadeia de
suprimentos e reduzir o “efeito chicote”.
INTEGRAÇÃO COM SCM

58. §LA-Cap10;
§SC-Cap02;
§TU-Cap10-GC
REFERÊNCIAS BIBLIOGRAFICAS
This work is licensed under a Creative Commons Attribution-
NonCommercial-ShareAlike 4.0 International License.

59. Prof. Dr. Mauricio Uriona Maldonado
Departamento de Engenharia de Produção e Sistemas
Gestão Estratégica da TI
Inteligência Artificial e
Data Science