ads:
INTELLEC: SHELL PARA DESENVOLVIMENTO DE
SISTEMAS ESPECIALISTAS
GISELLE LOPES FERRARI
FLORIANÓPOLIS
2005
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
INTELLEC: SHELL PARA IMPLEMENTAÇÃO DE
SISTEMAS ESPECIALISTAS
UNIVERSIDADE FEDERAL DE SANTA CATARINA
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA
ELÉTRICA
Dissertação submetida à
Universidade Federal de Santa Catarina
como parte dos requisitos para a
obtenção do grau de Mestre em Engenharia Elétrica.
GISELLE LOPES FERRARI
Florianópolis, Fevereiro de 2005.
ads:
INTELLEC: SHELL PARA DESENVOLVIMENTO DE
SISTEMAS ESPECIALISTAS
Giselle Lopes Ferrari
‘Esta Dissertação foi julgada adequada para a obtenção do Título de Mestre em
Engenharia Elétrica, Área de Concentração em Engenharia Biomédica, e aprovada
em sua forma final pelo Programa de Pós-Graduação em Engenharia Elétrica da
Universidade Federal de Santa Catarina.’
_________________________________
Profa. Fernanda Isabel Marques Argoud, Dra.
Orientador
_________________________________
Prof. Fernando Mendes de Azevedo, D.Sc.
Co-Orientador
_________________________________
Prof. Denizar Cruz Martins, Dr.
Coordenador do Programa de Pós-Graduação em Engenharia Elétrica
Banca Examinadora:
_________________________________ _________________________________
Profa. Fernanda Isabel M. Argoud, Dra. Prof. Fernando Mendes de Azevedo, D.Sc.
Presidente
_________________________________ _________________________________
Prof. Jefferson L. Brum Marques, Ph.D. Prof. Anita Maria da Rocha Fernandes, Dra.
_________________________________ _________________________________
Profa. Jacqueline G. Rolim, Dra. Prof. Marco Aurélio B. Rodrigues, Dr.
Aos meus pais, Valdir e Rosalina.
AGRADECIMENTOS
Agradeço aos meus orientadores, Fernanda Isabel Marques Argoud e Fernando
Mendes de Azevedo, pela motivação e confiança para a realização deste trabalho e
principalmete pela amizade.
Aos meus familiares e amigos, que mesmo estando longe, todos os dias, de
alguma forma, mostraram-se sempre presentes. Obrigada pelo carinho, pela atenção,
pelo amor e pelo incentivo para a realização deste.
Aos colegas do Instituto de Engenharia Biomédica, pela convivência e amizade.
Em especial, a Maria Nazaré M. Angeloni Hahne, por sua constante disponibilidade
para discutir idéias, problemas e soluções para o desenvolvimento deste sistema.
À Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES),
pelo apoio financeiro.
A Deus, por tudo que tenho.
PUBLICAÇÕES
[1] AZEVEDO, F. M.; FERRARI, G. L.; ANGELONI, M. N. M.; ARGOUD, F. I.
M.; ALGARVE, A. S. Shell para Desenvolvimento de Sistemas Especialistas
Fuzzy usando Prolog. In: III Congresso Latino Americano de Engenharia
Biomédica (Set. 2004: João Pessoa, Paraíba). Anais. Paraíba, 2004. p. 919-922.
[2] FERRARI, G. L.; ARGOUD, F. I. M.; AZEVEDO, F. M. Shell para
Desenvolvimento de Sistemas Especialistas Fuzzy – Estudo de Caso:
Gastroenterologia, IV Workshop de Informática aplicada à Saúde – CBComp
(Outubro 2004 : Itajaí, Santa Catarina). Anais. Santa Catarina, 2004. p. 583-588.
Este trabalho apresenta o desenvolvimento de uma shell, chamada de Intellec, para a
geração automática de Sistemas Especialistas, utilizando lógica fuzzy para tratamento da
incerteza. Esta shell utiliza a linguagem Prolog para a implementação da máquina de
inferência, por se tratar de uma linguagem de programação lógica. A lógica fuzzy foi
escolhida para representar a incerteza a respeito do conhecimento do domínio,
permitindo também o uso de variáveis lingüísticas. A interface gráfica com o usuário foi
implementada utilizando-se a ferramenta Borland Delphi. A validação do sistema
proposto foi feita através de comparação direta entre o Intellec e o Expert SINTA, shell
desenvolvida pelo grupo SINTA da Universidade Federal do Ceará, a qual é
amplamente utilizada e reconhecida. Dois problemas, de áreas de conhecimento
bastante distintas, foram implementados simultaneamente em ambas as shell’s e os
resultados obtidos foram compatíveis.
Orientador: Fernanda Isabel Marques Argoud, Dra.
Área de Concentração: Engenharia Biomédica
Palavras Chave: Shell, Sistemas Especialistas, Prolog
Número de Páginas: 73
Resumo da Dissertação apresentada à UFSC como parte dos requisitos necessários
para a obtenção do grau de Mestre em Engenharia Elétrica.
INTELLEC: SHELL PARA DESENVOLVIMENTO DE
SISTEMAS ESPECIALISTAS
Giselle Lopes Ferrari
Fevereiro / 2005
This work presents the development of a shell, called Intellec, for the automatic generation
of Expert Systems, using fuzzy logic for the treatment of uncertainty. This shell uses the
Prolog language in the implementation of the inference machine, as it is a logical
programming language. The fuzzy logic was chosen to represent the uncertainty within the
knowledge base, also allowing the use of linguistic variables. The graphical interface with
the user was implemented using Borland Delphi. The validation of the proposed shell was
made through direct comparison between the Intellec and the Expert SINTA, shell
developed by the group SINTA of the Federal University of Ceará, which is widely used.
Both shells were used to implement two expert systems, with similar results.
Advisor: Fernanda Isabel Marques Argoud, Dra.
Area of Concentration: Biomedical Engineering
KeyWords: Shell, Expert Systems, Prolog
Number of pages:73
Abstract of Dissertation presented to UFSC as a partial fulfillment of the
requirements for the degree of Master in Electrical Engineering
INTELLEC: SHELL FOR THE DEVELOPMENT OF EXPERT
SYSTEMS
Giselle Lopes Ferrari
February / 2005
SUMÁRIO
LISTA DE FIGURAS .........................................................................................................x
LISTA DE TABELAS.......................................................................................................xii
LISTA DE SIGLAS..........................................................................................................xiii
1 Introdução....................................................................................................................1
1.1 Justificativa do Trabalho........................................................................................1
1.2 Sistemas Especialistas............................................................................................2
1.2.1 Abordagem Histórica.......................................................................................2
1.2.2 Sistemas Especialistas .....................................................................................4
1.2.3 Classificação de Sistemas Especialistas ..........................................................6
1.2.4 Características de Sistemas Especialistas........................................................7
1.3 Prolog .....................................................................................................................9
1.4 Expert SINTA ......................................................................................................11
1.5 Objetivos ..............................................................................................................13
1.5.1 Objetivo Geral ...............................................................................................13
1.5.2 Objetivos Específicos ....................................................................................13
2 Fundamentação Teórica.............................................................................................14
2.1 Componentes de um Sistema Especialista ...........................................................14
2.2 Estrutura de Sistemas Especialistas......................................................................15
2.2.1 Base de Conhecimento ..................................................................................17
2.2.2 Máquina de Inferência...................................................................................18
2.3 Etapas na Construção de um Sistema Especialista...............................................18
2.4 Métodos de Raciocínio de um Sistema Especialista............................................20
2.5 O Conhecimento...................................................................................................21
2.5.1 A Aquisição do Conhecimento......................................................................21
2.5.2 Métodos de Representação do Conhecimento...............................................23
2.6 Tratamento de Incerteza.......................................................................................25
2.6.1 Lógica Fuzzy..................................................................................................26
2.6.2 Raciocínio Probabilístico...............................................................................26
2.6.3 Fatores de Certeza .........................................................................................27
2.7 Shell......................................................................................................................28
2.8 Shell para Sistemas Especialistas Fuzzy..............................................................29
2.8.1 Módulo Criar .................................................................................................29
2.8.2 Módulo Modificar..........................................................................................30
2.8.3 Módulo Consultar..........................................................................................31
2.8.4 Módulo Excluir..............................................................................................32
3 Implementação do Sistema........................................................................................34
3.1 Intellec..................................................................................................................34
3.1.1 Módulo Editar Base de Conhecimento..........................................................36
3.1.2 Módulo Consultar..........................................................................................48
3.1.3 Módulo Depurar ............................................................................................55
3.2 DBIntellec ............................................................................................................57
3.2.1 Módulo Cadastro de Pacientes ......................................................................57
3.2.2 Módulo Histórico de Consultas.....................................................................58
4 Resultados e Discussão..............................................................................................60
4.1 Sistema Especialista em Vinhos...........................................................................60
4.2 Sistema Especialista de Auxílio a Diagnóstico de Hepatites Virais ....................64
5 Conclusões.................................................................................................................68
6 Referências Bibliográficas.........................................................................................70
LISTA DE FIGURAS
Figura 1.1 – Engenharia de Conhecimento: transferência de conhecimento de um
especialista para um programa de computador (Waterman, 1986). .............................. 6
Figura 1.2 – Características gerais do conhecimento embutido em um SE...........................8
Figura 1.3 – Arquitetura simplificada do Expert SINTA (NOGUEIRA et al., 1996). 12
Figura 2.1 – Componentes de um SE. ................................................................................. 14
Figura 2.2 – Classificação de SE’S (Genaro, 1987)............................................................ 16
Figura 2.3 –A estrutura de um SE (Waterman, 1986)......................................................... 17
Figura 2.4 – Etapas de desenvolvimento de um SE (Waterman, 1986).............................. 18
Figura 2.5 – Tela para criação do sistema. .......................................................................... 30
Figura 2.6 – Tela para gerenciamento das questões............................................................ 31
Figura 2.7 – Tela de consulta do sistema............................................................................. 32
Figura 2.8 – Tela para exclusão de um especialista. ........................................................... 33
Figura 3.1 – Esquema de funcionamento do Intellec. ......................................................... 35
Figura 3.2 - Relacionamento entre os módulos e DLLs do sistema.....................................36
Figura 3.3 – Descrição do Sistema Especialista.................................................................. 37
Figura 3.4 – Tela de edição de variáveis. ............................................................................ 38
Figura 3.5 – Pergunta utilizando variável do tipo imagem. As imagens utilizadas foram
retiradas do endereço http://www.turmadapele.com.br/dicas/fotoprotecao_cancer.asp,
acessado no dia 10/12/2004......................................................................................... 39
Figura 3.6 – Variável........................................................................................................... 39
Figura 3.7 – Objetivos. ........................................................................................................ 40
Figura 3.8 – Tela de edição de regras.................................................................................. 41
Figura 3.9 – Regras.............................................................................................................. 42
Figura 3.10 – Tela de edição de valores de verdade............................................................ 43
Figura 3.11 – Valor verdade................................................................................................ 44
Figura 3.12 – Tela de edição de perguntas.......................................................................... 45
Figura 3.13 – Perguntas....................................................................................................... 46
Figura 3.14 – Tela de consulta do sistema........................................................................... 50
Figura 3.15 – Pergunta fuzzy............................................................................................... 54
Figura 3.16 – Pergunta crisp................................................................................................ 55
Figura 3.17 – Regras aceitas pelo sistema........................................................................... 56
Figura 3.18 – Valores das variáveis..................................................................................... 56
Figura 3.19 – Informações sobre o paciente........................................................................ 58
Figura 3.20 – Histórico das consultas.................................................................................. 59
LISTA DE TABELAS
Tabela 4.1 – Resultado obtido para a primeira variável objetivo – cor recomendada. ....... 61
Tabela 4.2 –- Resultado obtido para a segunda variável objetivo – doçura recomendada.. 61
Tabela 4.3 – Resultado obtido para a terceira variável objetivo – vinho. ........................... 61
Tabela 4.4 – Resultado obtido para a primeira variável objetivo – cor recomendada. ....... 63
Tabela 4.5 – Resultado obtido para a segunda variável objetivo – doçura recomendada... 63
Tabela 4.6 – Resultado obtido para a terceira variável objetivo – vinho. ........................... 63
Tabela 4.7– Resultado obtido para a primeira variável objetivo – sugestivo de hepatite
viral.......................................................................................................................................66
Tabela 4.8– Resultado obtido para a primeira variável objetivo – possibilidade diagnóstica
final. .....................................................................................................................................66
Tabela 4.9 – Resultado obtido para a primeira variável objetivo – sugestivo de hepatite
viral. .....................................................................................................................................67
Tabela 4.10 – Resultado obtido para a primeira variável objetivo – possibilidade
diagnóstica final. .................................................................................................................67
LISTA DE SIGLAS
ALT – Alanina aminotransferase
Anti-HbcIgM – Anticorpo para antígeno de centro do vírus de hepatite B
Anti-HBs – Anticorpo para antígeno de superfície do vírus de hepatite B
Anti-HCV – Anticorpo para o vírus de hepatite C
BC – Base de Conhecimento
CCS – Centro de Ciências da Saúde
EC – Engenharia de Conhecimento
FC – Fator de Certeza
HBeAg – Antígeno “e” da hepatite B
HBsAg – Antígeno de superfície do vírus de hepatite B
HBV-DNA – Pesquisa do ácido desoxirribonucleico do vírus de hepatite B
HCV-RNA – Pesquisa do ácido ribonucleico do vírus de hepatite C
HTML – Hypertext Markup Language
IEB-UFSC – Instituto de Engenharia Biomédica
IA – Inteligência Artificial
LIA – Laboratório de Inteligência Artificial
MC – Medida de Crença
MD – Medida de Descrença
MI – Máquina de Inferência
MIT – Massachusetts Institute of Technology
PDF – Portable Document Format
SAFO – Sistema Automático para Formalização do Conhecimento
SBC – Sistema Baseado em Conhecimento
SE – Sistema Especialista
SINTA – Sistemas Inteligentes Aplicados
SP – Sistemas de Produção
SSEF – Shell para Sistemas Especialistas Fuzzy
UFSC – Universidade Federal de Santa Catarina
1 Introdução
1.1 Justificativa do Trabalho
Nos últimos anos tem crescido bastante o número de trabalhos e pesquisas de
ferramentas computacionais em Inteligência Artificial, que procuram capturar e simular o
comportamento de especialistas humanos.
Os Sistemas Especialistas despertam grande interesse, principalmente pelo fato de
serem um dos produtos mais viáveis e aplicados nos estudos em Inteligência Artificial.
Eles têm sido utilizados em uma série de aplicações, como: sistemas de auxílio ao
diagnóstico; sistemas de predição; sistemas de reconhecimento de padrões e sistemas
tutoriais inteligentes.
Porém, a construção de um software para a geração automática de sistemas
especialistas - shell - não é trivial, tendo em vista que o mesmo deve ser capaz de gerar
sistemas que se propõem a tratar problemas complexos do mundo real, que necessitam da
interpretação de um especialista, precisam chegar simultaneamente às mesmas conclusões
a que chegaria o especialista humano, caso se defrontasse com problemas equivalentes. A
importância da utilização de Sistemas Especialistas deve-se a diversos fatores tecnológicos
e econômico-sociais, dentre os quais tem-se: a dificuldade de acesso a especialistas
humanos em determinadas regiões, a possibilidade de armazenamento e formalização do
conhecimento de vários especialistas humanos, a disponibilização de uma ferramenta de
apoio à tomada de decisões por parte do especialista, para auxiliar o treinamento de
profissionais e pela imparcialidade na tomada de decisões (NOGUEIRA et al., 1996).
A motivação para o desenvolvimento de uma shell surgiu de dificuldades (como
por exemplo, tratamento de imagens, banco de dados para registrar as consultas realizadas
e a utilização de tutoriais para deixar os sistemas especialistas mais didáticos) encontradas
em vários projetos desenvolvidos no Instituto de Engenharia Biomédica (IEB-UFSC),
tanto em trabalhos de Dissertação de Mestrado como em Teses de Doutorado, na área de
Informática Médica, que utilizam Sistemas Especialistas para auxílio ao diagnóstico em
diferentes áreas da medicina. Ressalta-se também o interesse demonstrado pelos alunos do
Curso de Mestrado em Medicina, do Centro de Ciências da Saúde (CCS), da Universidade
Federal de Santa Catarina (UFSC), do qual o IEB-UFSC participa.
Em todos os casos, uma solução encontrada pelos pesquisadores do IEB-UFSC foi
a utilização do Expert SINTA, uma shell desenvolvida no Laboratório de Inteligência
Artificial da Universidade Federal do Ceará. Este grupo de pesquisa descontinuou os
desenvolvimentos necessários ao Expert SINTA para torná-lo mais viável e aplicável a
problemas reais. Logo, tornou-se necessário o desenvolvimento de um outro sistema com
características semelhantes ou melhores que as do Expert SINTA, como uma alternativa
aos caros sistemas comercializados nos Estados Unidos. Como exemplos dessas shells,
pode-se citar o NETICA (NORSYS SOFTWARE CORP., 2005) e o ACQUIRE
(ACQUIRED INTELLIGENCE INC., 2005).
1.2 Sistemas Especialistas
1.2.1 Abordagem Histórica
A história da Inteligência Artificial (IA) transcende bastante a do computador atual.
Nos anos 50, os pesquisadores já haviam estabelecido as fundações da IA, incluindo lógica
matemática e teoria das funções recursivas. Aproximadamente nesta mesma ocasião,
psicólogos cognitivos – pesquisadores da forma de pensar humana – criaram caminhos,
padrões do processo de investigação do raciocínio, modelando o aparente processo de
tomada de decisão, em termos de regras de produção condicionais.
No início da década de 1960, começaram os primeiros trabalhos nos sistemas que
hoje são chamados de “especialistas”. Inicialmente, pretendia-se construir máquinas
inteligentes, com grande poder de raciocínio e resolução de problemas. Imaginava-se que,
a partir de um pequeno conjunto de normas ou regras de raciocínio introduzidas num
poderoso computador criar-se-iam sistemas de capacidade superior à humana. Não tardou
para que os pesquisadores observassem o engano e verificassem as reais dimensões do
trabalho (HEINZLE, 1995).
Em 1964 foi construído o DENDRAL, por Joshua Lederberg, da Universidade de
Stanford (EUA), um sistema capaz de inferir a estrutura molecular de compostos
desconhecidos, a partir de dados espectrais de massa e resposta magnética nuclear
(BITTENCOURT, 2001). Em 1965, Lederberg juntou-se a Edward Feigenbaum e Bruce
Buchanan, com o intuito de desenvolver um sistema que empregasse heurísticas para
resolver os mesmos problemas do DENDRAL (HARMON, 1988). Surge então a idéia
fundamental dos sistemas especialistas - a engenharia do conhecimento.
Em 1968, surge no MIT – Massachusetts Institute of Technology – USA, o
MACSYMA, destinado a auxiliar matemáticos na resolução de problemas complexos. O
MACSYMA é um sistema ainda hoje amplamente utilizado em Universidades e
laboratórios de pesquisa.
Posteriormente, já na década de 1970, surgiram importantes e complexos sistemas
especialistas, dentre os quais destacam-se: MYCIN, CADUCEUS, EXPERT, SOPHIE e o
PROSPECTOR.
O MYCIN, desenvolvido na Universidade de Stanford, EUA (1975), é um sistema
que auxilia médicos na escolha de uma terapia de antibióticos para pacientes com
bacteremia, meningite e cistite infecciosa, em ambiente hospitalar (BITTENCOURT,
2001).
O PROSPECTOR, estruturado de forma similar ao MYCIN, é um sistema para dar
suporte a geólogos na exploração mineral.
A década de 1980 foi marcada pelo grande crescimento de aplicações, inclusive
com larga disponibilização de produtos comerciais no mercado de software. Este acelerado
processo de desenvolvimento de aplicações deve-se em parte ao avanço dos recursos de
equipamentos, ou hardware, ocorrida paralelamente neste período (HEINZLE, 1995).
No Brasil, a Pontifícia Universidade Católica do Rio de Janeiro desenvolveu nos
anos 80, importantes trabalhos com sistemas especialistas. O principal resultado obtido
nesta área é um sistema chamado SAFO (Sistema Automático para Formalização do
Conhecimento), cuja finalidade é a demonstração de teoremas matemáticos. O Instituto
Militar de Engenharia foi o pioneiro em pesquisas em IA no Brasil, já tendo desenvolvido
algumas ferramentas para aplicação de técnicas de IA (MONTELLO, 1999).
1.2.2 Sistemas Especialistas
“Um Sistema Especialista (SE) é aquele que é projetado e desenvolvido para
atender uma aplicação determinada e limitada do conhecimento humano. É capaz de emitir
uma decisão, com apoio em conhecimento justificado, a partir de uma base de
informações, tal qual um especialista de determinada área do conhecimento humano”
(CUNHA e RIBEIRO, 1987).
Os SEs são sistemas computacionais projetados e desenvolvidos com o objetivo de
solucionar problemas de uma forma semelhante àquela utilizada pelo especialista do
domínio. O especialista é aquela pessoa que, através de treinamento e experiência,
alcançou um alto grau de conhecimento e competência em uma determinada área do
conhecimento humano. Ele é capaz de executar coisas que os outros não conseguem; são
exímios e eficientes no que fazem (apud MONTELLO, 1999).
O conhecimento contido numa especialidade pode ser:
- Conhecimento Público: As definições públicas de fatos e teorias, tais como livros-
texto e referências, nos quais o domínio do estudo está representado.
- Conhecimento Privado: Conhecimento que o especialista foi adquirindo mediante
a experiência pessoal na área e que não é publicado na literatura. O conhecimento privado
consiste em um grande número de regras intuitivas heurísticas (apud VIERA, 1996).
Para alcançar o desempenho de especialistas humanos, o SE deve possuir, não só
um conjunto de informações, mas também a habilidade de utilizá-las na resolução de
problemas de forma criativa, correta e eficiente. Esta habilidade representa uma série de
regras intuitivas que o especialista utiliza para resolver os problemas, e sua aplicação
possibilita, de uma maneira mais econômica, a obtenção de soluções aceitáveis, embora
nem sempre ótimas (CUNHA, 1995).
Para que um sistema especialista seja uma ferramenta eficaz, as pessoas deverão ser
capazes de interagir com o mesmo facilmente. Para facilitar esta interação, é importante
que um sistema especialista, além da capacidade de realizar a sua tarefa, tenha as duas
habilidades seguintes (RICH, 1988):
- A explicação do seu raciocínio. Em muitos dos domínios onde os sistemas
especialistas operam, as pessoas não aceitarão resultados a menos que estejam convencidas
da precisão do processo de raciocínio que produziu esses resultados. Isto é particularmente
verdadeiro, por exemplo, na medicina, pois o médico terá a responsabilidade final pelo
diagnóstico, mesmo quando este for alcançado com considerável auxílio de um programa.
Assim, é importante que o processo de raciocínio utilizado nesses programas possua passos
compreensíveis e que o meta-conhecimento (conhecimento a respeito do processo de
raciocínio) suficiente esteja disponível, para que as explicações desses passos possam ser
geradas.
- A aquisição de conhecimento. Como os sistemas especialistas derivam seu poder
da riqueza das bases de conhecimento que exploram, é extremamente importante que essas
bases sejam tão completas e precisas quanto possível. Muitas vezes, entretanto, não existe
nenhuma codificação padrão desse conhecimento; ou seja, ele só existe dentro da cabeça
do especialista humano. Assim, a única maneira de levar este conhecimento para o
programa será pela interação com o especialista humano.
O processo de construção de um SE é freqüentemente chamado de Engenharia de
Conhecimento (EC). Tipicamente envolve uma forma especial de interação entre o
construtor do SE, chamado Engenheiro de Conhecimento, e um ou mais especialistas em
alguma área. O Engenheiro de Conhecimento “extrai” dos especialistas seus
procedimentos, estratégias e regras práticas para a solução de problemas e reconstrói este
conhecimento em um SE, como mostra a Figura 1.1. O resultado é um programa que
soluciona problemas à maneira dos especialistas humanos (WATERMAN, 1986).
Figura 1.1 – Engenharia de Conhecimento: transferência de conhecimento de um especialista para um
programa de computador (Waterman, 1986).
1.2.3 Classificação de Sistemas Especialistas
De acordo com as características de funcionamento, os SEs podem ser classificados
nas categorias abaixo (FERNANDES, 2004):
- Interpretação: Sistemas que inferem descrições de situações a partir da observação
de fatos, fazendo uma análise de dados e procurando determinar suas relações e seus
significados.
- Diagnósticos: Sistemas que detectam falhas oriundas da interpretação de dados.
- Monitoramento: Sistemas que devem verificar, de maneira contínua, um
determinado comportamento em limites preestabelecidos, sinalizando quando forem
requeridas intervenções para o sucesso da execução.
- Predição: A partir de uma modelagem de dados históricos e atuais, este sistema
permite uma determinada previsão do futuro.
- Planejamento: O sistema prepara um programa de iniciativas a serem tomadas
para se atingir um determinado objetivo.
- Projeto: Tem características parecidas com as do planejamento; é um sistema
capaz de justificar a alternativa tomada para o projeto final, e de fazer uso dessa
justificativa para alternativas futuras.
- Depuração: Sistema que possui mecanismos para fornecer soluções para o mau
funcionamento provocado por distorções de dados.
- Reparo: Este sistema desenvolve e executa planos para administrar os reparos
verificados na etapa de diagnóstico.
- Instrução: Tem mecanismos para verificar e corrigir o comportamento do
aprendizado dos estudantes.
- Controle: É um sistema que governa o comportamento geral de outros sistemas
(não apenas de computação). Deve interpretar os fatos de uma situação atual, verificando
os dados passados e fazendo uma predição do futuro.
1.2.4 Características de Sistemas Especialistas
As características gerais do conhecimento embutido em um Sistema Especialista
são: corpo do conhecimento, conhecimento de alto nível, modelamento preditivo, memória
institucional e facilidade de treinamento.
Corpo de Conhecimento
O conhecimento adquirido durante a construção de um SE deve ser explícito e
organizado para simplificar a tomada de decisão. “A aquisição e codificação de
conhecimento é um dos mais importantes aspectos de um sistema especialista”
(WATERMAN, 1986). A Figura 1.2 apresenta as características principais de um SE.
Figura 1.2 – Características gerais do conhecimento embutido em um SE.
Conhecimento de Alto Nível
É uma das características mais utilizadas, que permite ao SE atuar como um
especialista e produzir resultados de alta qualidade num tempo mínimo, provendo ajuda na
resolução de problemas. Isto se deve ao fato que o conhecimento representado no SE é a
opinião de especialistas de alto nível, o que representa anos de experiência em uma
determinada tarefa (WATERMAN, 1986).
Modelamento Preditivo
O sistema pode agir como uma teoria ou modelo de processamento de informação
de solução de problema em um dado domínio, fornecendo as respostas desejadas de um
determinado problema e mostrando como ele se comportaria para novas situações
(WATERMAN, 1986).
Memória Institucional
O Corpo de Conhecimento que define a proficiência de um sistema especialista
pode também oferecer uma característica adicional, uma memória institucional. Se a base
de conhecimento foi desenvolvida através de interações de pessoas chaves num escritório
ou departamento, representa a política atual ou procedimento operacional de tal grupo. Esta
compilação de conhecimentos apresenta um consenso de opiniões de alto nível e um
registro permanente das melhores estratégias e os métodos utilizados pelo grupo de
trabalho. Quando as pessoas chaves vão embora, ainda fica retido seu conhecimento
(WATERMAN, 1986).
Facilidade de Treinamento
Um SE é capaz de oferecer treinamento, uma vez que já contém conhecimento e
habilidade de explicar seu processo de raciocínio (GENARO, 1987).
1.3 Prolog
A Prolog (Programming Logic), como uma linguagem declarativa, oferece muitas
características que facilitam a implementação de programas de IA, principalmente na área
de Sistemas Especialistas.
Foi inventada por volta de 1970, por Alain Colmerauer na França, porém o
interesse pela Prolog realmente cresceu depois que os japoneses lançaram o projeto da
Quinta Geração de Computadores.
É uma linguagem declarativa, isto é, fornece ao programa fatos e relacionamentos
(por exemplo, dados e base de conhecimento) de um determinado problema, e a solução é
encontrada pela máquina de inferência interna. Diferente acontece com as linguagens
procedimentais, nas quais é necessário especificar precisamente todos os passos a serem
executados pelo programa (IGNIZIO, 1991).
O conjunto de declarações é também chamado de “base de conhecimento para
Prolog”. A base de conhecimento é composta por fatos e regras e serve para determinar se
uma dada pergunta feita pelo usuário é ou não relevante para a interpretação. A Prolog usa
sua base de conhecimento e aplica a sua regra de inferência, utilizando a Lógica de
Predicados e do Princípio de Resolução para resolver um determinado problema.
A Prolog é uma representação lógica de primeira ordem, ou seja, representação que
permite qualificação sobre os indivíduos, mas não sobre os predicados. A representação em
lógica de primeira ordem provém de uma sintaxe bem formada, uma semântica clara e,
acima de tudo, as noções de verdade e inferência. Além disso, ela exibe as seguintes
vantagens sobre outros sistemas de representação (ARARIBÓIA, 1988):
- A Lógica freqüentemente apresenta-se como uma maneira natural para expressar
certas noções. A representação de um problema em Lógica corresponde, na maioria das
vezes, ao entendimento intuitivo que se tem do domínio do problema.
- A Lógica é precisa. O vínculo semântico de um conjunto de declarações lógicas
(isto é, o conjunto de inferências ou conclusões que podem ser delineadas a partir das
declarações) é completamente especificado pelas regras de inferência. Teoricamente, a
base de fatos ou informações pode ser mantida logicamente consistente e todas as
conclusões são garantidamente corretas.
- A Lógica é flexível. Os fatos ou informações estão representados de uma forma
que permite uma interpretação global e o mesmo fato pode ser usado para múltiplas
finalidades.
- A Lógica é modular. Outras declarações lógicas podem ser colocadas na base de
conhecimento, independentemente das já existentes. O conhecimento do sistema pode
crescer à medida que novos fatos são descobertos e adicionados à base.
A máquina de inferência da Prolog utiliza como estratégia de raciocínio o
encadeamento regressivo e backtracking, ou seja, quando falha a tentativa de busca de uma
solução, ele procura um outro caminho para tentar satisfazer o objetivo (IGNIZIO, 1991).
As principais características da Prolog são (BARRETO, 1997):
- Programa e dados têm a mesma estrutura;
- Backtracking, que permite achar múltiplas soluções;
- Favorece o paradigma da programação em Lógica;
- Devido à sua estrutura quase declarativa, é adequada ao uso do paralelismo;
- Sua concisão e conseqüente curto tempo de desenvolvimento fazem da Prolog
uma linguagem útil de prototipagem;
- Prolog, sendo uma linguagem de alto nível, requer muitos recursos
computacionais, motivando avanços no hardware de computadores.
1.4 Expert SINTA
O Expert SINTA foi desenvolvido pelo grupo SINTA (Sistemas Inteligentes
Aplicados), integrante do Laboratório de Inteligência Artificial (LIA), do Departamento de
Computação da Universidade Federal do Ceará, Brasil.
O Expert SINTA é uma ferramenta computacional que utiliza técnicas de
Inteligência Artificial para a geração automática de sistemas especialistas. Esta ferramenta
utiliza um modelo de representação do conhecimento baseado em regras de produção e
fatores de certeza, tendo como objetivo principal simplificar o trabalho de implementação
de sistemas especialistas através do uso de uma máquina de inferência compartilhada, da
construção automática de telas e menus, do tratamento probabilístico das regras de
produção e da utilização de explicações sensíveis ao contexto da base de conhecimento
modelada (NOGUEIRA et al., 1996).
Um sistema especialista baseado neste tipo de modelo é bastante útil em problemas
de classificação. O usuário responde a uma seqüência de menus e o sistema encarrega-se
de fornecer respostas que se encaixem no quadro apontado pelo usuário.
Entre outras características inerentes ao Expert SINTA, destacam-se:
- Utilização do encadeamento regressivo;
- Utilização de fatores de certeza;
- Ferramentas de depuração;
- Possibilidade de incluir ajudas on-line para cada base.
Segundo Nogueira et al. (1996), os Sistemas Especialistas gerados no Expert
SINTA seguem a arquitetura apresentada na Figura 1.3.
Figura 1.3 – Arquitetura simplificada do Expert SINTA (NOGUEIRA et al., 1996).
Onde:
- A base de conhecimentos: representa computacionalmente a informação que o
especialista utiliza;
- O editor de bases: é o meio pelo qual a shell permite a implementação das bases
desejadas;
- A máquina de inferência: é a parte do SE responsável pelas deduções sobre a base
de conhecimentos;
- O banco de dados global: são as evidências apontadas pelo usuário do SE, durante
a consulta.
1.5 Objetivos
1.5.1 Objetivo Geral
Implementar uma shell para desenvolvimento de Sistemas Especialistas, utilizando
a máquina de inferência implementada por Hahne (2001).
1.5.2 Objetivos Específicos
- Implementar uma shell que possa permitir ao próprio especialista de domínio
desenvolver um sistema;
- Permitir a construção de Sistemas Especialistas com várias metas;
- Criar imagens como “valores” de variáveis;
- Criar tutoriais, como explicações para as perguntas;
- Criar cadastro de pacientes e histórico de consultas e
- Implementar estudo de casos.
2 Fundamentação Teórica
2.1 Componentes de um Sistema Especialista
A Figura 2.1 ilustra os elementos mais importantes na construção de um SE: o SE
em si, o especialista no domínio, o engenheiro do conhecimento, a ferramenta de
construção do SE e o usuário.
Figura 2.1 – Componentes de um SE.
Sistema Especialista
Os Sistemas Especialistas são sistemas computacionais que devem apresentar um
comportamento semelhante a um especialista em um determinado domínio (BARRETO,
1997). Um sistema especialista deve ser construído com o auxílio de um especialista
humano, o qual fornecerá a base de informações, através de seu conhecimento e
experiências adquiridos ao longo dos anos (FERNANDES, 2004).
Especialista no Domínio
O Especialista no Domínio é uma pessoa informada e reconhecida por produzir
soluções ótimas, a problemas particulares, de uma determinada área. É aquela pessoa que,
através de muito treinamento, estudo e experiência, adquiriu um alto nível de
desenvolvimento em uma determinada área do conhecimento humano. O especialista é a
fonte de conhecimento do SE.
Engenheiro do Conhecimento
O Engenheiro do Conhecimento é o responsável pela criação da base de
conhecimento. Ele obtém o conhecimento do especialista de domínio, com o uso de
técnicas de elicitação de conhecimento. O conhecimento é transformado de forma
conveniente e é adicionado à base de conhecimento. O Engenheiro de Conhecimento
também é responsável pela escolha das ferramentas de construção mais apropiriada.
A Ferramenta de Construção do SE
A Ferramenta de Construção do SE é a linguagem de programação ou ambiente de
desenvolvimento (shells) utilizado pelo Engenheiro do Conhecimento ou programadores,
para a construção do SE (WATERMAN, 1986).
Usuário Final
O Usuário Final é a pessoa que utiliza o SE, podendo ser outro especialista, um
aprendiz ou um leigo, naquela área de conhecimento.
2.2 Estrutura de Sistemas Especialistas
Pensando na resolução de problemas utilizando os princípios de IA, a primeira
preocupação deve ser com a definição do “conhecimento de domínio do problema”, pois
em qualquer área de IA, a técnica para a resolução de problemas baseia-se neste
conhecimento. Uma grande quantidade de conhecimento é tão crítica quanto o é a questão
de representação deste conhecimento (RICH, 1988).
Waterman (1986) classifica os SEs como Sistemas Baseados em Conhecimentos,
entretanto, a recíproca não é verdadeira, isto é, nem todos os Sistemas Baseados em
Conhecimento podem ser classificados em SEs, mas todos podem ser considerados como
pertencentes à grande área da IA. A Figura 2.2 apresenta a classificação dos SEs, dentro do
campo maior da IA, onde:
- Programas de Inteligência Artificial são programas que exigem comportamento
inteligente através da aplicação apropriada de heurísticas.
- Sistemas Baseados em Conhecimento são sistemas onde o domínio do
conhecimento é explícito e separado do restante do sistema.
Figura 2.2 – Classificação de SE’S (Genaro, 1987).
Quando cientistas de IA usam o termo “conhecimento”, eles se referem à
informação que um programa precisa possuir para que possa se comportar de maneira
inteligente. O conhecimento em um SE é organizado de maneira a separar o conhecimento
sobre o problema do conhecimento de sistemas, tais como conhecimentos gerais sobre
como solucionar problemas ou como interagir com o usuário. Esta coleção de
conhecimentos sobre o domínio do problema é chamada Base de Conhecimento (BC),
enquanto o conhecimento geral para a solução do problema é chamado Motor ou Máquina
de Inferência (MI). Um programa com o conhecimento organizado desta forma é chamado
de Sistema Baseado em Conhecimento (SBC) (WATERMAN, 1986). A estrutura de um
SE pode ser visualizada na Figura 2.3.
Figura 2.3 –A estrutura de um SE (Waterman, 1986).
2.2.1 Base de Conhecimento
A Base de Conhecimento é o conjunto de conhecimentos a respeito do domínio do
problema que será utilizado nas tomadas de decisão, feitas através de fatos e regras, ou
outro tipo de representação, tal como lógica matemática, redes semânticas ou “frames”.
- A Base de Fatos representa os conhecimentos que são, “a priori”, conhecidos e
que podem ser considerados como o ponto de partida para a resolução do problema. São
também caracterizados como o conhecimento de domínio público, de fácil acesso e que
podem ser extraídos através de textos, manuais, normas, livros, constatação de fatos e
resultados de experimentos (MONTELLO, 1999).
- A Base de Regras representa os conhecimentos que são extraídos diretamente dos
especialistas. Estes conhecimentos representam o “pensamento” desenvolvido pelo
especialista (“heurística”), tendo por base os fatos já conhecidos e as deduções a partir
deles. Aqui, o termo “heurística” significa a habilidade, ou a simplificação utilizada pelo
especialista, no sentido de otimizar a busca da solução de um problema. Desta forma,
novos conhecimentos podem ser acrescidos à base de conhecimentos, habilitando o SE a
uma tomada de decisão sobre o problema (MONTELLO, 1999).
2.2.2 Máquina de Inferência
A Máquina de Inferência (MI) contém um interpretador que decide como aplicar as
regras para inferir novo conhecimento, além de uma lista de prioridade de aplicação destas
regras (WATERMAN,1986). Nele são implementados modos de raciocínio, estratégias de
busca, resolução de conflito, representação de incerteza e de conhecimento. Basicamente, a
MI desempenha duas funções principais:
- Interpretador/Inferência: A partir dos conhecimentos contidos na base de
conhecimento e na memória de trabalho, a MI determina quais as regras que devem ser
disparadas para inferir novos conhecimentos.
- Programador/Controle: A MI determina ou programa a ordem em que as regras
devem ser aplicadas.
2.3 Etapas na Construção de um Sistema Especialista
O desenvolvimento de um SE é realizado a partir das cinco fases interdependentes
e superpostas: Identificação, Conceituação, Formalização, Implementação, Teste e
Avaliação (Figura 2.4).
Figura 2.4 – Etapas de desenvolvimento de um SE (Waterman, 1986).
Identificação
Nesta etapa são identificadas as características básicas do problema a ser resolvido.
Isto inclui identificação dos participantes do projeto (engenheiro do conhecimento e
especialista de domínio), dos recursos envolvidos (fontes do conhecimento, cronograma,
recursos computacionais e financeiros), das características do problema (caracterização ou
definição do problema e a definição dos dados) e das metas e objetivos para a construção
do SE.
Conceituação
Na etapa de conceituação, o engenheiro do conhecimento e o especialista de
domínio determinam os conceitos, relações e mecanismos de controle que são necessários
para descrever o problema a ser solucionado e estabelecer o nível de detalhamento que será
usado na representação do conhecimento. Nesta fase não é feita uma análise completa do
problema, pois após a implementação do protótipo, certamente ela será retomada.
Formalização
A etapa de formalização envolve a expressão de conceitos e de relações-chaves, de
uma maneira formal. O engenheiro do conhecimento deve prender sua atenção em três
aspectos: o espaço de hipóteses (refinamento dos conceitos, características e interligação),
o modelo subjacente (como as soluções serão geradas) e as características dos dados
(definição de tipos, precisão, consistência, volume e formas de aquisição).
Implementação
Antes de se partir para a implementação definitiva do SE, é necessário fazer um
protótipo onde serão ensaiadas as várias formas de desempenho e onde deverão ser feitos
os testes, verificando o desempenho. Após a homologação do protótipo, então se parte para
a implementação final do sistema.
Na fase de implementação, o especialista deve levantar os conceitos e regras de sua
área de conhecimento, segundo as estratégias e hierarquias definidas na fase de
formalização para que o engenheiro do conhecimento possa adaptá-las às estruturas
determinadas previamente e de acordo com a linguagem de programação a ser utilizada
para a implementação.
Testes e Avaliação
O SE deve ser testado e avaliado freqüentemente, desde a implementação do
protótipo inicial, levando-se em consideração o desempenho e a utilidade. Algumas das
perguntas que o especialista deve fazer na hora de testar o desempenho do protótipo são
(WATERMAN, 1986):
- O sistema toma decisões que o especialista concorda como apropriadas?
- As regras de inferências são corretas, consistentes e completas?
- As estratégias de controle permitirão que o sistema considere os itens numa
ordem natural, como o especialista prefere?
- As fundamentações do sistema são adequadas para descrever como e porque uma
conclusão foi alcançada?
2.4 Métodos de Raciocínio de um Sistema Especialista
Os SEs geralmente optam por uma das seguintes estratégias de raciocínio:
- Encadeamento Progressivo (Forward Chaining): O sistema é dirigido pelos
dados, parte de fatos conhecidos e tenta deduzir novos fatos, através da MI, até chegar à
solução (HEINZLE, 1995). Também é conhecido como encadeamento dirigido por dados.
- Encadeamento Regressivo (Backward Chaining): O sistema faz o caminho
inverso, partindo da solução do problema (meta), a qual tenta verificar se é verdadeira
através de suas condições, que passam a ser então submetidas também à aprovação. Isto
ocorre sucessivamente, até se chegar a um conjunto de condições verificáveis (HEINZLE,
1995). Também é conhecido como encadeamento dirigido por objetivos.
- Encadeamento Misto: Os encadeamentos progressivos e regressivos se alternam
de acordo com o desenvolvimento da solução do problema e com a disponibilidade de
dados (BITTENCOURT, 2001).
2.5 O Conhecimento
O conhecimento pode ser definido como a informação armazenada, ou os modelos
usados pela pessoa ou máquina para interpretar, predizer e responder apropriadamente ao
mundo exterior. É um conceito que escapa ao modelo puramente biológico, ainda não
totalmente entendido, abrindo espaço para as idéias já plenamente aceitas e usadas,
especialmente pela comunidade “computacional” (FISCHLER e FIRSCHEIN, 1987).
2.5.1 A Aquisição do Conhecimento
As pessoas, desde o nascimento, vão acumulando conhecimentos que lhes
permitirão agir de modo a mostrar que são seres inteligentes. Isto é denominado de
“aprendizado”. Geralmente pensa-se sobre o aprendizado de forma muito simplificada,
como a acumulação de conhecimento. Porém, sabe-se que o aprendizado envolve um ciclo
completo de processamento da informação, que vai desde a coleta do conhecimento pelos
sentidos, até seu armazenamento definitivo no cérebro. Além disso, uma pessoa não capta
todo o conhecimento que a realidade do mundo lhe proporciona, nem acumula
definitivamente toda a informação percebida. Na verdade, o aprendizado varia de acordo
com cada indivíduo (RABUSKE, 1998).
Algumas das técnicas mais utilizadas para a extração do conhecimento ou
elicitação são (apud BRASIL, 1994):
- Observação: O especialista é observado durante seu trabalho, proporcionando
uma visão realista de como trabalha. Este é freqüentemente o primeiro passo na construção
de uma base de conhecimentos.
- Entrevista com o especialista: Deve ser abordada quando o elicitador já tem
alguma familiaridade com o assunto. Uma entrevista deve ser planejada e inclui perguntas
diretas e indiretas. As perguntas diretas são aquelas em que o elicitador tem uma idéia clara
de qual conhecimento é necessário para completar a base de conhecimentos, com respostas
explícitas. As perguntas indiretas são aquelas em que o elicitador deixa o especialista livre
para sugerir novos tipos de conhecimento e é aconselhável quando o elicitador não tem
idéia precisa do domínio.
- Análise de discurso: Consiste essencialmente em gravar-se a entrevista com o
especialista para depois analisar-se a conversação.
- Discussão focalizada: É semelhante a uma entrevista em que existe um ponto, o
foco em torno do qual são feitas as perguntas. Normalmente é utilizada em uma fase
avançada da elicitação do conhecimento e serve para esclarecer um ponto de dúvida.
- Análise de protocolo: O elicitador cria um problema específico e pede ao
especialista para refletir sobre a situação e resolver o problema.
- Ordenamento de cartões: Pode-se escrever os elementos em pequenas fichas que
são submetidas ao especialista para classificação. Espera-se que ele possa agrupar os
cartões em pilhas, nomear cada pilha e justificar seu agrupamento.
- Geração de matriz: Muitos especialistas costumam colocar suas informações em
tabelas. Neste caso, o exame destas tabelas pode ajudar muito a elicitação.
- Teachback: É a inversão de papéis. Nela, o elicitador “ensina” ao especialista
algum aspecto do conhecimento previamente escolhido e tenta sintonizar o processo com o
especialista. Deve ser usada nas fases finais da elicitação.
2.5.2 Métodos de Representação do Conhecimento
A parte mais importante no projeto de um SE é a escolha do método de
representação de conhecimento. A linguagem associada ao método escolhido deve ser
suficientemente expressiva para permitir a representação do conhecimento a respeito do
domínio escolhido, de maneira completa e eficiente. Em tese, uma representação geral,
como a lógica, seria suficientemente expressiva para representar qualquer tipo de
conhecimento. No entanto, problemas de eficiência, facilidade de uso e a necessidade de
expressar conhecimento incerto e incompleto levaram ao desenvolvimento de diversos
tipos de formalismos de representação de conhecimento (BITTENCOURT, 2001).
As principais formas de representação são:
- Regras de produção;
- Redes semânticas;
- Quadros/Frames e Roteiros;
- Lógica das preposições e dos predicados.
Todas as representações são potencialmente importantes, porém, será dada mais
ênfase às regras de produção, técnica utilizada no desenvolvimento deste projeto.
As regras de produção foram concebidas pelo matemático Emil Post em 1943,
como modelo “computacional” geral de solução de problemas, quando demonstrou que um
procedimento calculável pode ser modelado como um sistema de produção. Nas décadas
de cinqüenta e sessenta, serviram de suporte para representar a forma humana de resolver
problemas, especialmente no jogo de xadrez e na criptoaritmética. Somente na década de
setenta é que foram aproveitadas como suporte para modelo mental (RABUSKE, 1995).
O termo “Sistemas de Produção” (SP) é atualmente usado para descrever uma
família de sistemas, que têm em comum o fato de serem constituídas de um conjunto de
regras, que reúnem condições e ações. A condição é constituída por um padrão que
determina a aplicabilidade da regra, enquanto a ação indica o que será realizado quando a
regra for aplicada.
Um sistema de produção poderá ser formado por uma ou mais bases de regras,
separadas segundo as conveniências de processamento. Complementa, ainda, o sistema de
produção, uma estratégia de controle a qual estabelece as prioridades em que regras serão
aplicadas, bem como critérios de desempate quando houver mais regras candidatas à
aplicação a um só tempo. Este último aspecto denomina-se “resolução de conflitos”.
Os sistemas de produção têm vantagens e desvantagens gerais, que cumpre analisar
(RABUSKE, 1995).
Dentre as vantagens destacam-se:
- Modularidade: As regras dos SP podem ser consideradas, para efeito de
manipulação, como peças independentes. Como os programas de IA quase sempre estão
incompletos, novas regras podem ser acrescentadas ao conjunto já existente, sem maiores
preocupações. Esta é uma característica extremamente importante, pois o volume do
conhecimento em geral é grande e a verificação de sua consistência, difícil. Para sistemas
muito grandes a modularidade é um elemento que aumenta indiretamente a complexidade.
- Naturalidade: Considera-se a regra uma forma natural de pensar a solução de
problemas. Por isso, o que deve ser feito em determinada circunstância é diretamente
traduzido em regras de produção.
- Uniformidade: Se for observado um SP, notar-se-á que todas as regras estão
escritas seguindo-se o mesmo padrão. Esta padronização, por vezes, pode gerar alguns
inconvenientes. Contudo, esta forma rígida de representação permite que pessoas não
familiarizadas com o sistema também possam analisar seu conhecimento.
Como desvantagens, tem-se:
- Incompletude: Característica dos SP resultante da modularidade e da
uniformidade, fazendo com que seja difícil verificar quão completos estes sistemas são,
bem como verificar os possíveis fluxos de processamento. Consegue-se contornar um
pouco este problema, se as regras forem separadas em subconjuntos, com o objetivo de
clarear seu entendimento.
- Ineficiência: Também resultante da modularidade e da uniformidade. A
ineficiência resulta, particularmente, do número de regras a combinar, e também do
esforço de matching necessário ao suporte de execução das regras. Matching entende-se
aqui como a verificação das regras que se aplicam ao estado do problema, bem como, a
verificação de quais regras antecedem ou sucedem outra regra. Uma forma de diminuir a
ineficiência é investir na ordenação apropriada das regras e formas de selecioná-las.
2.6 Tratamento de Incerteza
A dificuldade, ou a impossibilidade de se obter todas informações e de equacionar a
realidade imprecisa do mundo, levou alguns cientistas a propor lógicas alternativas que
seriam mais propícias à representação daquele mundo particular (DE AZEVEDO et al.,
2000).
Uma característica comum nos SEs atuais é a existência de um mecanismo de
raciocínio incerto que permita representar a incerteza a respeito do conhecimento do
domínio. Entre esses mecanismos, podemos citar:
- Lógica Nebulosa ou Fuzzy;
- Raciocínio Probabilístico e
- Fatores de Certeza.
2.6.1 Lógica Fuzzy
A Lógica Fuzzy foi introduzida por Lofti Zadeh, em 1965 e tem por objetivo
permitir graduações na pertinência de um elemento a uma dada classe, ou seja, de
possibilitar a um elemento de pertencer com maior ou menor intensidade àquela classe.
Basicamente, isso se faz quando o grau de pertinência de um elemento ao conjunto, que na
teoria dos conjuntos “clássica” assume apenas os valores 0 ou 1, passa a ser dado por um
intervalo de números reais [0,1] (BITTENCOURT, 2001).
Assim, a imprecisão a respeito de uma afirmação é expressa através de um número,
que em vez de probabilidade exprime a possibilidade da afirmação ser correta (DE
AZEVEDO et al., 2000).
2.6.2 Raciocínio Probabilístico
O Raciocínio Probabilístico é talvez o mais antigo método de tratamento de
incerteza. É o raciocínio que, se apoiando em informações probabilísticas sobre fatos de
um domínio, chega a uma conclusão a respeito de um novo fato, conclusão esta associada a
uma probabilidade (BARRETO, 2001).
Probabilidade é a chance que um determinado evento tem de ocorrer, e pode
assumir qualquer valor real entre [0,1]. Formalmente, a probabilidade de que um evento X
ocorra é dada pela Equação 2.1.
( )
possíveis resultados de totalNúmero
ocorre X que em possíveis resultados de Número
XP = Equação 2.1
2.6.3 Fatores de Certeza
Em 1976 surgiu, durante o desenvolvimento do SE conhecido como MYCIN, o
modelo de tratamento de incerteza conhecido por Fatores de Certeza.
Formalmente, o fator de certeza (FC) é definido em função da medida de crença
(MC) e em função da medida de descrença (MD), em uma hipótese H, para uma evidência
E, sendo representado pela Equação 2.2.
(
)
(
)
(
)
EHMDEHMCEHFC ,,, −= Equação 2.2
Onde,
- FC( H , E ) é o fator de certeza na hipótese H para uma mesma evidência E;
- MC( H , E ) é a medida de crença em H, dado E. Este termo é uma medida de até
que ponto a evidência sustenta a hipótese;
- MD( H , E ) é a medida de descrença em H, dado E. Este termo é uma medida de
até que ponto a evidência sustenta a negação da hipótese.
As medidas de crença e descrença são, por sua vez, dadas pela Equação 2.3 e
Equação 2.4 (RICH, 1988).
( )
(
)
( ) ( )
[ ]
( )
[ ]
( )
( )
≠
−
−
=
=
1,
0,1max
,/max
1,1
,
HP
HP
HPHPEHP
HP
EHMC Equação 2.3
( )
(
)
( ) ( )
[ ]
( )
[ ]
( )
( )
≠
−
−
=
=
0,
0,1min
,/min
0,1
,
HP
HP
HPHPEHP
HP
EHMD Equação 2.4
Onde,
- P(H) é a probabilidade de ocorrência da hipótese H;
- P(H/E) é a probabilidade condicional da ocorrência da hipótese H, dada a
ocorrência da evidência E.
2.7 Shell
Inicialmente, cada SE era projetado e desenvolvido desde o início. Com o tempo,
observou-se que eles apresentavam várias características em comum. Com o objetivo de se
aproveitar estas características comuns, simplificando as etapas de desenvolvimento de um
SE completo e visando uma maior viabilidade econômica na implementação de um SE,
surgiram as shells para SE (HAHNE, 2001).
A idéia principal das shells é separar a base de conhecimento (parte do sistema que
trata especificamente do problema no domínio considerado) da máquina de inferência
(parte que move o sistema). O usuário deve se preocupar apenas em obter o conhecimento
do especialista humano, pois a máquina de inferência é inerente ao sistema.
Embora deva haver um banco de conhecimentos para cada aplicação, as shells são
deficitárias a este respeito. Não contêm nenhum conhecimento dependente do domínio,
mas sustentam todas as outras facilidades, tais como (CHORAFRAS, 1988):
- Mecanismos de inferência;
- Acesso à base de dados;
- Interface de diálogos de linguagem natural;
- Interfaces procedimentais;
- Facilidade de explicação.
Como vantagens em usar as shells pode-se citar (HAHNE, 2001):
- Prototipagem rápida;
-Usam estruturas de dados e conhecimentos pré-definidos;
- Menor necessidade de treinamento de desenvolvedores de SE (é mais simples
construir um SE usando uma shell).
Existem várias shells disponíveis no mercado, como por exemplo: NETICA,
SPIRIT, Expert Sinta, etc.
2.8 Shell para Sistemas Especialistas Fuzzy
A Shell para Sistemas Especialistas Fuzzy (SSEF) foi desenvolvida no Instituto de
Engenharia Biomédica (IEB-UFSC), do Departamento de Engenharia Elétrica, da
Universidade Federal de Santa Catarina, Brasil (HAHNE, 2001).
As características do sistema desenvolvido foram:
- Tratamento de incerteza utilizando Lógica Fuzzy;
- Baseado em regras de produção;
- Para implementar a máquina de inferência foi utilizada a ferramenta Visual Prolog
5.2 Personal Edition;
- A interface foi implementada na ferramenta Borland Delphi 3.0.
O SSEF possibilita criar, modificar, consultar e excluir Sistemas Especialistas.
2.8.1 Módulo Criar
Módulo que é utilizado para criar um novo Sistema Especialista, através da adição
de regras e perguntas. A partir desse módulo, é construída a base de conhecimento. No
módulo de criação é possível: criar as perguntas com as respectivas explicações e criar as
regras. Para as perguntas, é possível definir as opções de resposta e qual o valor de verdade
para cada resposta, além de cadastrar explicações para cada pergunta feita. O SE criado é
salvo em um arquivo tipo .ESP referente à especialista. É um arquivo texto com as várias
informações fornecidas pelo usuário.
A Figura 2.5 mostra a tela após a entrada dos dados.
Figura 2.5 – Tela para criação do sistema.
2.8.2 Módulo Modificar
Permite modificar as regras ou perguntas de uma base de conhecimento. Através
deste módulo pode-se modificar perguntas e regras já existentes ou adicionar novas regras
a um SE já existente.
A Figura 2.6 apresenta a tela para gerenciamento das questões.
Figura 2.6 – Tela para gerenciamento das questões
2.8.3 Módulo Consultar
Permite consultar uma base de conhecimento existente. Neste módulo, o usuário
escolhe o especialista que quer consultar. Após realizar esta tarefa, é gerada,
automaticamente, uma seqüência de menus de acordo com as perguntas que foram
definidas para este especialista. Após responder todas as questões, o sistema informa ao
usuário as respostas que se encaixam no quadro apontado.
Após selecionar o arquivo que se deseja consultar, é mostrada ao usuário a tela
apresentada na Figura 2.7.
Figura 2.7 – Tela de consulta do sistema.
O módulo consultar é o único escrito em Prolog, pois é este o módulo que utiliza a
máquina de inferência. Todos os outros módulos são implementados utilizando-se a
linguagem Delphi.
2.8.4 Módulo Excluir
Elimina uma base de conhecimento (ou seja, um “especialista”) criada. A Figura
2.8 mostra a tela para a exclusão de um especialista.
Figura 2.8 – Tela para exclusão de um especialista.
Entretanto, a shell desenvolvida por Hahne (2001), não apresentava uma interface
funcional e, também, não possibilitava a criação de sistemas especialistas com mais de
uma meta. Foram esses os motivos que levaram ao desenvolvimento de uma nova shell.
3 Implementação do Sistema
Neste trabalho foram desenvolvidos dois sistemas, em virtude dos diferentes tipos
de usuários. O usuário especialista quer uma ferramenta que o auxilie na construção de um
sistema especialista, no caso uma shell. E tem o usuário que deseja apenas consultar uma
base de conhecimento e armazenar os resultados das consultas, sem a necessidade de saber
como o sistema especialista foi criado.
O primeiro sistema tem por objetivo permitir a implementação de um SE (na
realidade, a base de conhecimento) e sua posterior consulta, através da geração automática
de menus. Esse sistema recebeu o nome de Intellec.
O segundo sistema desenvolvido tem como objetivo cadastrar pacientes e manter
um histórico de consultas. Essas características são intrínsecas a sistemas especialistas da
área médica, em que o médico tem a necessidade de acompanhar o quadro clínico do
paciente ao longo do tempo. Esse sistema recebeu o nome de DBIntellec.
3.1 Intellec
O Intellec está dividido em três módulos, que implementam as funções necessárias
para que o sistema execute as tarefas propostas:
- Módulo Editar Base de Conhecimento;
- Módulo Consultar;
- Módulo Depurar.
Para a implementação foram utilizadas as ferramentas de programação Visual
Prolog 5.2 e Borland Delphi 6.0. A ferramenta Borland Delphi 6.0 é utilizada para
implementar os módulos Editar Base de Conhecimento e Depurar. Esta ferramenta foi
escolhida por apresentar inúmeros componentes que facilitam a implementação da
interface.
A ferramenta Visual Prolog 5.2 Personal Edition foi utilizada para implementar a
máquina de inferência. A sua escolha foi feita por esta ferramenta facilitar o uso da
linguagem Prolog, também fornecendo componentes visuais para o desenvolvimento de
projetos e DLLs (Dynamic Link Library).
O sistema é composto de um arquivo principal executável e duas DLLs. A criação
da DLL surgiu da necessidade de se comunicar linguagens diferentes. O programa
principal, escrito em Delphi, quando realiza uma consulta a um sistema especialista, chama
uma função escrita em Prolog, que será responsável pela ativação da máquina de
inferência. Já a máquina de inferência chama funções em Delphi, para obter as respostas
necessárias dos usuários. A DLL escrita em Delphi devolve o controle para a DLL escrita
em Prolog que, finalmente, devolve o controle para o módulo principal. O esquema pode
ser visto na Figura 3.1.
Figura 3.1 – Esquema de funcionamento do Intellec.
A partir do módulo principal é possível acionar todos os módulos do sistema, como
é apresentado na Figura 3.2.
Módulo Principal
Delphi
Módulo Máquina de
Inferência - DLL
Prolog
Módulo Entrada de
Dados - DLL Delphi
Ativação da máquina
de inferência
Obtenção dos dados do
usuário
Figura 3.2 – Relacionamento entre os módulos e DLLs do sistema.
A seguir, será descrito cada módulo do sistema e a implementação das DLLs.
3.1.1 Módulo Editar Base de Conhecimento
O módulo Editar Base de Conhecimento tem como objetivo criar e/ou modificar a
base de conhecimento de um sistema especialista.
A criação de uma base de conhecimento deve seguir a seguinte seqüência:
descrição do sistema especialista que está sendo implementado, definição das variáveis e
dos objetivos, elaboração das regras, definição dos valores de verdade e elaboração das
perguntas.
Módulo Principal
Editar Base de
Conhecimento
Consultar Depurar
Máquina de Inferência
DLL Prolog
Entrada de Dados
DLL em Delphi
Descrição do Sistema Especialista
A Figura 3.3 apresenta a tela para o especialista definir qual é o nome da base de
conhecimento e também para descrever as informações gerais do sistema especialista que
está sendo criado.
Figura 3.3 – Descrição do Sistema Especialista.
Definição das Variáveis
Antes de criar as regras da base de conhecimento, é necessário que todas as
variáveis utilizadas, bem como suas respectivas listas de valores, sejam criadas. A tela de
edição de variáveis, apresentada na Figura 3.4, permite ao especialista criar, abrir ou
excluir uma variável.
Figura 3.4 – Tela de edição de variáveis.
Para criar uma variável, é necessário definir se ela é uma variável univalorada ou
multivalorada. Se a variável for univalorada o sistema aceita apenas uma instanciação por
consulta, já a variável multivalorada aceita uma ou mais.
O Intellec ainda permite ao especialista escolher se a variável é do tipo numérica,
lingüística ou imagem. Se a variável é do tipo numérica, o especialista não define a lista de
valores. O sistema permite ao usuário entrar com valores em tempo de execução. Para a
variável do tipo lingüística ou imagem, o especialista deverá definir a lista de valores. No
caso da variável do tipo imagem, os valores são os arquivos que contenham as imagens.
Estes arquivos podem ter extensão JPEG ou BMP.
A variável imagem é indicada a sistemas especialistas da área médica,
principalmente na área de dermatologia, em que uma imagem pode ser muito mais
significativa que uma variável lingüística. Isto pode ser verificado através da Figura 3.5,
que apresenta uma pergunta feita ao usuário durante a execução de uma consulta,
utilizando uma variável do tipo imagem.
Figura 3.5 – Pergunta utilizando variável do tipo imagem. As imagens utilizadas foram retiradas do
endereço http://www.turmadapele.com.br/dicas/fotoprotecao_cancer.asp, acessado no dia 10/12/2004.
A Figura 3.6 apresenta a tela para a definição das variáveis.
Figura 3.6 – Variável.
Definição dos Objetivos
Após ter definido as variáveis da base de conhecimento, é necessário definir quais
delas serão variáveis metas ou objetivos. A definição dos objetivos irá controlar o modo
como a máquina de inferência se comportará.
A Figura 3.7 apresenta a tela para a escolha das variáveis metas.
Figura 3.7 – Objetivos.
Elaboração das Regras
Após a definição das variáveis e dos objetivos do sistema especialista, é feita a
elaboração das regras. A tela de edição de regras, apresentada na Figura 3.8, permite ao
especialista criar, abrir ou excluir uma regra.
Figura 3.8 – Tela de edição de regras.
As regras têm o formato SE... ENTÃO. Para cada regra, o especialista deverá
fornecer a lista de premissas, a conclusão e o valor de verdade. A Figura 3.9 apresenta a
tela de criação de regras.
Figura 3.9 – Regras.
Definição dos Valores de Verdade
A definição dos valores de verdade permite ao usuário associar graus de confiança
a cada uma das respostas assinaladas. Esses valores de verdade são utilizados para as
perguntas com tratamento de incerteza fuzzy.
A Figura 3.10 apresenta a tela de edição de valores de verdade. Nesta tela o
especialista pode criar, abrir ou excluir um valor de verdade.
Figura 3.10 – Tela de edição de valores de verdade.
Para criar um novo valor de verdade, o especialista deverá fornecer o nome, a
pergunta e a lista de termos do valor de verdade. A Figura 3.11 apresenta um exemplo de
valor de verdade, em que o especialista atribuiu ao campo Nome o valor “fator2”, ao
campo Pergunta, “Tem certeza” e a Lista deTermos, “absoluta = 1, muito confiável = 0,75,
média = 0,5, pouco confiável = 0,25 e nenhuma = 0”.
Figura 3.11 – Valor verdade.
Elaboração das Perguntas
A elaboração das perguntas é feita através da tela de edição de perguntas,
apresentada na Figura 3.12. Esta tela permite ao especialista criar, abrir ou excluir uma
pergunta.
Figura 3.32 – Tela de edição de perguntas.
Cada pergunta está associada a uma variável do sistema especialista que será feita
durante a execução de uma consulta. Para cada pergunta criada, o especialista deverá
fornecer a pergunta que será mostrada ao usuário, o tipo de tratamento de incerteza (Crisp
ou fuzzy), informar uma explicação que será utilizada para explicar ao usuário o porquê da
necessidade daquela pergunta e ainda, um arquivo tutorial.
Para uma pergunta crisp o valor de verdade é 1. Para uma pergunta fuzzy, o valor de
verdade é aquele fornecido pelo usuário.
A opção de incluir um tutorial para cada pergunta, vem da necessidade dos
especialistas em construírem sistemas para a área da educação. O arquivo tutorial pode ter
extensão HTML (Hipertext Markup Language), PDF (Portable Document Format) ou
arquivos gerados pelo Microsoft Office.
A Figura 3.13 apresenta a tela para a criação de perguntas do sistema especialista.
Figura 3.13 – Perguntas.
Arquivo *.ESP
O arquivo gerado pelo Intellec possui extensão ESP. Este arquivo contém a base de
conhecimento do SE e apresenta-se em forma de predicados, pois esta base é consultada
através do predicado consult (comando da Prolog que lê os fatos de um arquivo texto) e é
adicionada à base de conhecimento do sistema. Os seguintes predicados estão presentes no
arquivo:
- introducao (lista): Este predicado tem as informações gerais sobre o SE que se
está consultando. Contém apenas um argumento, que é uma lista de strings.
- nomeesp(string): Este predicado representa o nome do sistema especialista.
Contém apenas um argumento, que é uma string.
- pergunta (inteiro, string, lista, string, lista, lista, string): Este predicado representa
as perguntas que devem ser feitas ao usuário durante uma consulta. Ele é composto por
sete argumentos, na seguinte ordem:
INTEIRO = Número da pergunta, que é apenas um seqüencial referente ao
número total de perguntas;
STRING = A pergunta que será mostrada pela interface ao usuário;
LISTA = A lista de respostas possíveis para a pergunta;
STRING = Pergunta referente aos valores de verdade;
LISTA = Lista dos valores de verdade, representadas por nomes;
LISTA = Lista dos valores de verdade, representada por números;
STRING = Variável que representa a pergunta.
No caso da pergunta ser crisp, os argumentos que representam a pergunta referente
aos valores de verdade e a lista dos valores de verdade representados por nomes e por
números são brancos. Estes argumentos são utilizados somente para perguntas fuzzy.
- regra (inteiro, string, string, string, real, lista): Este predicado representa as regras
que serão utilizadas para dar uma resposta ao usuário após uma consulta. Ele é composto
por seis argumentos, na seguinte ordem:
INTEIRO = Número da regra, que é apenas um seqüencial referente ao
número total de regras;
STRING = Representa o operador da comparação, isto é, estabelece uma
relação entre a variável e o valor da variável da conclusão (igualdade,
diferença, etc.);
STRING = Variável da conclusão;
STRING = Resposta possível para a variável da conclusão;
REAL = Valor de verdade atribuído à conclusão;
LISTA = Contém as premissas da regra. Cada premissa deve informar o
operador da comparação, a variável e o valor da variável.
- explicacao (inteiro, lista): Informa uma explicação associada à pergunta, para
informar ao usuário qual o motivo da necessidade daquela resposta. Possui dois
argumentos, na seguinte ordem:
INTEIRO = Seqüencial que associa a explicação à pergunta;
LISTA = Lista de linhas da explicação.
- tutorial(inteiro, string): Informa o arquivo tutorial que está associado à pergunta.
Possui dois argumentos, na seguinte ordem:
INTEIRO = Seqüencial que associa o arquivo tutorial à pergunta;
STRING = Nome do arquivo.
- variavel(string, lista, string, string): Este predicado representa as variáveis do
sistema. Ele é composto por quatro argumentos, na seguinte ordem:
STRING = Nome da variável;
LISTA = Contém os valores da variável;
STRING = Indica se a variável é do tipo univalorada ou multivalorada;
STRING = Indica se a variável é do tipo numérica, lingüística ou imagem.
No caso da variável ser numérica, a lista dos valores da variável é branco. Este
argumento só é utilizado para variáveis lingüísticas e imagens.
- meta (string): Este predicado representa a variável objetivo do sistema. Ele é
composto de apenas um argumento do tipo string, que é a variável objetivo.
No relatório de pesquisa, RP/M – IEB-UFSC – 01/2004, encontra-se a base de
conhecimento montada para teste, com o exemplo dos vinhos, sendo possível observar
todos estes predicados.
3.1.2 Módulo Consultar
Este módulo é composto por duas DLLs. Uma é a máquina de inferência,
implementada em Visual Prolog, e a outra, implementada em Delphi, é utilizada para
buscar as informações necessárias do usuário. Este módulo pode ser acionado pela opção
do menu Consulta/Iniciar.
Através deste módulo, é possível consultar uma base de conhecimento existente,
escolhendo a base de conhecimento desejada. Após informar este dado, é gerada,
automaticamente, uma seqüência de menus de acordo com as perguntas que foram
definidas para esta base de conhecimento. Após responder todas as questões, o sistema
informa ao usuário, com base nas regras que foram cadastradas, as respostas que se
encaixam no quadro apontado.
O esquema básico de funcionamento do módulo Consulta consiste da chamada da
DLL Prolog, que é chamada MaquinaInferencia.dll. Esta DLL passa então a ter o controle
do programa, chamando a DLL implementada em Delphi, que é chamada
ObterRespostas.dll cada vez que for necessário obter algum dado do usuário.
Quando a opção Consulta/Iniciar é acionada, pergunta-se ao usuário qual a base de
conhecimento que ele deseja consultar, permitindo que ele selecione um arquivo .ESP.
Após selecionar o arquivo, é mostrado ao usuário a tela apresentada na Figura 3.14.
A partir dela, o usuário pode iniciar a consulta, realizando quantas consultas desejar.
Figura 3.44 – Tela de consulta do sistema.
Módulo Máquina de Inferência - DLL Prolog
A DLL implementada em Visual Prolog, chamada MaquinaInferencia.dll, é a
máquina de inferência do sistema. A função pública na DLL, que é chamada pelo arquivo
principal, é consultar (nomeArquivo, valorRetorno), onde o parâmetro nomeArquivo é o
nome do arquivo que se está consultando e o parâmetro valorRetorno é apenas um valor
que retorna zero ou um, indicando se houve ou não algum erro durante a execução do
programa.
Quando o usuário decide realizar uma consulta, a DLL é acionada pelo executável
Delphi. Após carregar a base de dados através do predicado consult, utilizando como
argumento o nome do arquivo passado como parâmetro, procura-se na base de dados qual
é a variável meta do sistema. Por exemplo, vinho, no caso de um SE para escolher o
melhor vinho para uma refeição. Após verificar qual é a meta, é feita uma procura pela
primeira regra que tenha esta variável como conclusão. Ao achar esta regra, ele passa a
tratar com cada premissa individualmente, obtendo-se o valor de verdade para cada uma
delas. Então, verifica-se se a variável deve ser perguntada ao usuário, ou seja, se é uma
variável de interface, ou se ela deve ser inferida a partir de outras regras.
Considerando-se o primeiro caso, ou seja, uma variável que deve ser perguntada ao
usuário, a máquina de inferência verifica se é uma pergunta crisp ou fuzzy, e chama a DLL
Delphi através da função adequada levando como parâmetro o número da pergunta e
trazendo de volta a resposta dada e o valor de verdade.
Agora, considerando o segundo caso, ou seja, se a variável deve ser inferida a partir
de outras regras, a máquina procura por uma regra que tem esta variável como conclusão.
Para esta variável, também é obtido o valor de verdade, sendo que esta pode depender de
variáveis que devem ser inferidas a partir das regras existentes, e também de variáveis que
devem ser solicitadas ao usuário.
Sabendo todos os valores de verdade para todas as premissas, a máquina de
inferência calcula o valor de verdade da regra utilizando a Equação 3.1:
)](),...,2(),1(min[).()( premissaNpremissapremissaconclusãoregra
µ
µ
µ
µ
µ
=
Equação 3.1
onde
µ
representa o valor de verdade.
•
µ
(conclusão) é o valor de verdade da conclusão fornecido pelo especialista na
montagem da base de conhecimento;
•
µ
(premissa1),
µ
(premissa2),
µ
(premissaN) são os valores de verdade obtidos pela
máquina de inferência para a premissa;
• N é o número de premissas para a regra.
A Equação 3.1 apresenta duas implementações diferentes para o e (∧) fuzzy. Uma é
a combinação das premissas, com um ∧ definido como o mínimo (A ∧ B = min[A,B]), que
combina o valor de verdade das premissas.
Outra é a implementação do ∧ definido pelo produto (A ∧ B = A .B), que combina o
valor de verdade da regra com o valor de verdade obtido a partir das premissas
Pela Equação 3.1, observa-se que a verdade da conclusão sempre varia quando as
verdades das regras variam (fornecendo o mínimo diferente de zero). Por outro lado, a
verdade da composição das premissas nunca é maior que a menor das verdades dos
componentes (ALGARVE, 1995, DE AZEVEDO et al., 2004).
O valor de verdade de uma variável que é obtida do usuário é o valor informado
pelo próprio usuário. Se a variável é inferida de outras regras, o valor de verdade também é
obtido a partir da Equação 3.1.
Quando uma conclusão é pesquisada, todas as regras relacionadas são usadas e a
conclusão reflete a interação global entre um conjunto de regras e a informação
apresentada pelo usuário. Quando muitas regras indicam a mesma conclusão, a conclusão
torna-se mais forte. Além disso, regras mais fortes resultam em conclusões mais fortes.
Neste caso, vários determinantes fracos podem ou não vencer um forte. Isto é a força e a
atração da Lógica Fuzzy (ALGARVE, 1995, DE AZEVEDO et al., 2004).
O programa então salva o resultado após cada conclusão obtida. O processo é
repetido para uma nova regra que tenha como conclusão a meta do sistema. A máquina de
inferência do Visual Prolog então pesquisa outra solução e assim sucessivamente. Quando
a Prolog testar todos os caminhos possíveis para a variável meta, ou seja, quando se obtém
várias regras com a mesma conclusão, os resultados são combinados utilizando um ou (∨)
fuzzy, que combina os valores de verdade da conclusões obtidas duas a duas, através da
Equação 3.2:
)2(*)1()2()1()( conclusaoconclusaoconclusaoconclusaofinal
µ
µ
µ
µ
µ
−
+
=
Equação 3.2
onde,
• µ(final) é o valor de verdade final para uma determinada resposta possível;
• µ(conclusão1) e µ(conclusão2) são valores de verdade intermediários obtidos para
aquela resposta.
A Equação 3.2 é obtida a partir da seguinte derivação, considerando-se o ∨ dado
pelo produto:
)()(( BABABA
¬
∧
¬
¬
=
∨
¬
¬
=
∨
)]([)( BABA
¬
∧
¬
¬
=
∨
µ
µ
)(1)( BABA
¬
∧
¬
−
=
∨
µ
µ
)().(1)( BABA
¬
¬
−
=
∨
µ
µ
µ
)](1)][(1[1)( BABA
µ
µ
µ
−
−
−
=
∨
)().()()(11)( BABABA
µ
µ
µ
µ
µ
−
+
+
−
=
∨
obtendo finalmente:
)().()()()( BABABA
µ
µ
µ
µ
µ
−
+
=
∨
Algumas outras observações que devem ser feitas com relação à máquina de
inferência:
- Quando uma variável é perguntada ao usuário, o valor recebido como resposta é
armazenado na base de dados, de modo que a pergunta não seja feita duas vezes, ou seja,
antes de fazer uma pergunta ao usuário, o programa verifica se esta pergunta já havia sido
feita, fazendo uma busca na base de dados;
- A máquina salva em um arquivo texto todas as regras que foram aceitas pela shell
e que foram usadas para se chegar à resposta final;
- Quando a premissa é uma negação, por exemplo, not corpreferida=tinto, o valor
obtido como valor de verdade do usuário é subtraído de 1. Então, se o usuário responde
que corpreferida=tinto com 0,7 de valor de verdade, o valor de verdade para a premissa
not corpreferida=tinto será considerado = 1 - 0,7, ou 0,3.
O arquivo fonte desta DLL se encontra no relatório de pesquisa RP/M – IEB-UFSC
– 01/2004.
Módulo Entrada de Dados - DLL Delphi
A DLL implementada em Delphi é acionada pela DLL em Prolog sempre que for
necessário ao SE consultar o usuário. Ela implementa perguntas crisp ou fuzzy,
dependendo da informação que recebeu da máquina de inferência. A DLL tem duas
funções públicas chamadas perguntaCrisp(numeroPergunta, resposta, valorverdade) e
perguntaFuzzy(numeroPergunta, resposta, valorverdade). Estas duas funções recebem
como parâmetro o número da pergunta que será feita para o usuário, e retorna a resposta e
o valor de verdade. Para uma pergunta crisp o valor de verdade é 1. Para uma pergunta
fuzzy, o valor de verdade é aquele fornecido pelo usuário.
A Figura 3.15 apresenta a tela de uma pergunta fuzzy e a Figura 3.16, de uma
pergunta Crisp.
Figura 3.15 – Pergunta fuzzy.
Figura 3.16 – Pergunta crisp.
3.1.3 Módulo Depurar
O módulo Depurar tem como objetivo apresentar ao usuário, após este realizar uma
consulta, quais as regras que foram aceitas para a computação da verdade e também
apresentar os valores de verdade para cada variável.
Acionando a opção do menu Histórico/Regras, o sistema apresenta a Figura 3.17.
Nesta tela são mostradas as regras aceitas pelo sistema após a realização de uma consulta.
Figura 3.57 – Regras aceitas pelo sistema.
Acionando a opção do menu Histórico/Variáveis, o sistema apresenta a Figura
3.18. Nesta tela são mostrados os valores das variáveis do sistema especialista após a
realização de uma consulta.
Figura 3.18 – Valores das variáveis.
3.2 DBIntellec
O DBIntellec está dividido em dois módulos, que implementam as funções
necessárias para que o sistema seja capaz de realizar as tarefas propostas:
- Módulo Cadastro de Pacientes;
- Módulo Histórico de Consultas.
Para a implementação da interface com o usuário foi utilizada a linguagem Borland
Delphi 6.0. Foi utilizado o banco de dados Paradox 7 para armazenar os dados dos
pacientes e também as consultas realizadas pelo usuário. A escolha pelo banco de dados
Paradox 7 se deve ao fato do sistema implementado necessitar armazenar os dados
localmente, já que os dados não serão disponibilizados e também por ser uma ferramenta
compatível com o Borland Delphi 6.0.
Pelo fato da máquina de inferência ter sido implementada como uma DLL, permitiu
que este arquivo fosse utilizado em conjunto com este sistema e também para qualquer
outra aplicação. Porém, isso só se torna possível se a base de conhecimento for criada a
partir do Intellec.
3.2.1 Módulo Cadastro de Pacientes
O módulo Cadastro de Pacientes tem como objetivo incluir, abrir ou excluir um
cadastro de pacientes. A Figura 3.19 apresenta a tela para a edição desse cadastro.
Para a inclusão de um cadastro são obrigatórios o preenchimento dos campos
Nome, Idade, Endereço e Cidade, e facultativos, Telefone, Profissão, Sexo e Histórico.
Figura 3.69 – Informações sobre o paciente.
3.2.2 Módulo Histórico de Consultas
Após abrir um cadastro de paciente existente, o módulo Histórico de Consultas,
apresentado na Figura 3.20, permite ao usuário realizar uma nova consulta ou analisar as
consultas realizadas anteriormente através da data que foi realizada a consulta.
Quando o usuário deseja realizar uma nova consulta, o sistema pede que ele
informe qual a base de conhecimento que ele deseja consultar, e em seguida é gerada a
seqüência de menus de acordo com as perguntas que foram definidas para este especialista.
Ao final das perguntas, o sistema apresenta as respostas que se encaixam no quadro
apontado e armazena os dados desta consulta no banco de dados.
Para analisar as consultas anteriores, o usuário seleciona a data em que foi realizada
a consulta e, o sistema apresenta qual foi o diagnóstico, os valores das variáveis da base de
conhecimento e quais foram as regras aceitas para a computação da verdade.
Figura 3.20 – Histórico das consultas.
4 Resultados e Discussão
Com o objetivo de validar a máquina de inferência, dois problemas foram
implementados usando o Intellec e o Expert SINTA, de modo a serem feitos alguns testes e
comparações. A escolha pelo Expert SINTA para fazer a validação do sistema, se deve ao
fato desta ser uma ferramenta que possui bastante aceitação tanto a nível acadêmico quanto
comercial no Brasil e em outros países da América Latina.
O primeiro exemplo, utiliza uma base de conhecimento disponibilizada por
ARARIBÓIA (1989), que se constitui na escolha do melhor vinho para uma refeição. O
outro exemplo trata de um problema na área médica: auxílio a diagnóstico de hepatites
virais. A base de conhecimento deste último exemplo foi implementada por Ramos (2004).
Para ambos os sistemas, procurou-se implementar as mesmas regras e variáveis,
sempre procurando corresponder os valores de verdade utilizados pelo Intellec com os
fatores de certeza utilizados pelo Expert SINTA. O número de regras variou, devido a
limitações de uma ou outra shell. A ordem das regras também foi mantida para as duas
implementações, por esta ser importante nos dois casos, já que é a ordem das regras que
define a ordem na qual as perguntas serão feitas ao usuário, quando este estiver realizando
uma consulta.
Para cada problema, foram realizados dois exemplos de consulta, informando-se às
duas shells a mesma situação. As tabelas comparativas dos resultados obtidos são
apresentadas. Deve-se levar em consideração o fato de que os valores de certeza para o
Expert SINTA variam de 0 a 100, e para o Intellec, os valores de verdade variam de 0 a 1.
4.1 Sistema Especialista em Vinhos
Este é um exemplo de conhecimento empírico. Consiste em se escolher o melhor
vinho para uma determinada refeição. O usuário precisa entrar com informações a respeito
do tipo de refeição que será servida e a respeito do seu gosto sobre vinhos. A base de
conhecimento deste exemplo foi tirada do livro de ARARIBÓIA (1989). As
implementações feita utilizando o Intellec e o Expert SINTA, encontram-se no relatório de
pesquisa RP/M – IEB-UFSC – 01/2004.
Neste exemplo foram definidos três variáveis objetivos que são: cor recomendada,
doçura recomendada e vinho.
Caso 1: Considera-se uma refeição que tenha como prato principal peixe com
molho temperado. A preferência do usuário com relação à cor do vinho é branco, com
doçura suave. Neste caso, foi considerado que as respostas dadas pelo usuário foram
consideradas com valor de verdade igual a 1 para o tipo de comida e o tipo de molho e com
0,9 de valor de verdade para a doçura e cor preferidas e para a escolha de ter molho na
refeição. No Expert SINTA, foram utilizados os valores para fatores de certeza 100 e 90.
Os resultados obtidos estão apresentados na Tabela 4.1, Tabela 4.2 e Tabela 4.3.
Tabela 4.1 – Resultado obtido para a primeira variável objetivo – cor recomendada.
Expert SINTA Intellec
Branco 94,68 Branco 0,972
Tabela 4.2 –- Resultado obtido para a segunda variável objetivo – doçura recomendada.
Expert SINTA Intellec
Seco 43,2 Seco 0,432
Suave 0,08
Tabela 4.3 – Resultado obtido para a terceira variável objetivo – vinho.
Expert SINTA Intellec
Chablis 38,857 Chablis 0,410
Sauvignon Blanc 32,721 Sauvignon Blanc 0,345
Chardonay 0,072
Soave 0,056
Analisando os resultados, as respostas se assemelham, embora o Intellec ofereça
mais algumas opções como resposta. Isso se deve ao fato de que quando o Expert SINTA
está verificando as premissas, se o valor fornecido pelo usuário para uma determinada
variável é diferente do valor desta variável na premissa, a regra é descartada. No caso do
Intellec, quando a resposta obtida é diferente da resposta existente, a premissa não é
descartada, mas sim, o seu valor de verdade é assumido como 1 menos o valor de verdade
fornecido pelo usuário.
Supondo-se que a seguinte premissa esteja sendo testada: corpreferida=branco. Ao
ser perguntado sobre qual a cor de vinho preferida, o usuário responda tinto, mas com 0,7
de valor de verdade. O Intellec não rejeita a regra, mas passa a considerar,
corpreferida=branco com 0,3 de valor de verdade, ou seja, 1 - 0,7.
Esta consideração foi feita, pois se não há certeza absoluta de uma verdade, há
alguma certeza de sua negação. Considerando-se que certeza(tinto) + certeza(não tinto) =
1, esta afirmação é válida para qualquer outra cor que não for tinto. O mesmo ocorre
quando a variável deve ser inferida de outras regras.
Comparando os resultados obtidos através do Intellec e do Expert SINTA, notou-se
uma diferença nos valores das variáveis. Isso se deve às diferentes fórmulas para a
computação da verdade que cada máquina de inferência tem. No caso do Expert SINTA, a
máquina de inferência calcula o grau de confiança da regra utilizando a Equação 4.1.
)](*...*)2(*)1([*)()( premissaNCFNpremissaCFNpremissaCFNconclusãoCFNregraCFN
=
Equação 4.1
onde CFN representa o grau de confiança.
• CFN(conclusão) é o grau de confiança da conclusão fornecido pelo especialista na
montagem da base de conhecimento;
• CFN(premissa1), CFN(premissa2), CFN(premissan) são os graus de confiança
obtidos pela máquina de inferência para a premissa;
• N é o número de premissas para a regra.
Já a máquina de inferência do Intellec, utiliza a Equação 4.2 para o cálculo do valor
de verdade.
)](),...,2(),1(min[).()( premissaNpremissapremissaconclusãoregra
µ
µ
µ
µ
µ
=
Equação 4.2
onde
µ
representa o valor de verdade.
•
µ
(conclusão) é o valor de verdade da conclusão fornecido pelo especialista na
montagem da base de conhecimento;
•
µ
(premissa1),
µ
(premissa2),
µ
(premissaN) são os valores de verdade obtidos pela
máquina de inferência para a premissa;
• N é o número de premissas para a regra.
Caso 2: Aqui, será implementado o mesmo caso do item anterior, mas as respostas
dadas pelo usuário serão consideradas com valor de verdade igual a 1 para o Intellec e 100
para o Expert SINTA. Os resultados obtidos estão apresentados na Tabela 4.4, Tabela 4.5 e
Tabela 4.6.
Tabela 4.4 – Resultado obtido para a primeira variável objetivo – cor recomendada.
Expert SINTA Intellec
Branco 97,2 Branco 0,972
Tabela 4.5 – Resultado obtido para a segunda variável objetivo – doçura recomendada.
Expert SINTA Intellec
Seco 48 Seco 0,48
Tabela 4.6 – Resultado obtido para a terceira variável objetivo – vinho.
Expert SINTA Intellec
Chablis 44,323 Chablis 0,456
Sauvignon Blanc 37,325 Sauvignon Blanc 0,384
Analisando os resultados qualitativamente, o Intellec oferece as mesmas respostas
que o Expert SINTA. Isso ocorre porque neste exemplo, as regras que foram utilizadas
para computação da verdade são as mesmas, visto que isso não ocorre no caso anterior,
pois a escolha foi feita com valor de verdade igual a 1. Isto é, quando se está testando a
premissa corpreferida=branco, se o usuário responde tinto com 1 de valor de verdade, a
premissa é rejeitada, da mesma forma que ocorre com o Expert SINTA.
Quanto à análise quantitativa dos resultados obtidos, o Intellec novamente
apresentou uma pequena diferença nos valores das variáveis que pode ser atribuída ao uso
das diferentes equações para a computação da verdade.
4.2 Sistema Especialista de Auxílio a Diagnóstico de Hepatites
Virais
O SE de auxílio a diagnóstico de hepatites virais está sendo desenvolvido pelo
médico Manoel Tiago Vidal Ramos Jr., que é aluno de mestrado do Programa de Pós-
Graduação de Ciências Médicas, da Universidade Federal de Santa Catarina.
As hepatites virais são doenças com alta prevalência na população brasileira. Dados
do Ministério da Saúde consideram que 70% da população já teve contato com o vírus da
hepatite A. No caso da hepatite B o contato é estimado em 15% com 1% da população
sendo portadora deste vírus e 1,5% portadora do vírus C (TOLEDO, 2003). A Hepatite por
vírus D acomete apenas pacientes já portadores do vírus B e, no Brasil, é endêmica na
região amazônica (DANTAS et al., 1995). A hepatite por vírus E pode causar doença
grave em gestantes. A hepatite A, apesar da alta prevalência na população, não evolui para
formas crônicas. Raramente um episódio de hepatite aguda evolui para hepatite fulminante,
a maioria dos casos possuindo pouca manifestação clínica (isto é, não apresenta icterícia).
As hepatites por vírus B e C podem tornar-se crônicas e, dentre esses casos, alguns
evoluem para cirrose e carcinoma hepatocelular (DANTAS et al., 1995, FRIDMANN e
McQUAID, 2003).
O diagnóstico de hepatite aguda e o reconhecimento das formas crônicas podem
auxiliar na prevenção da evolução para a cirrose. As hepatites virais são a segunda
principal causa de cirrose no nosso meio, superadas apenas pelo alcoolismo e, em alguns
países, são a principal causa de cirrose e indicação para o transplante hepático (DANTAS
et al., 1995, FRIDMANN et al., 2003).
A motivação para o desenvolvimento desse sistema especialista, especificamente,
deve-se à complexidade da interpretação de exames em hepatites agudas e crônicas, à alta
prevalência destas enfermidades na população e à dificuldade de acesso a especialistas em
gastroenterologia, por parte da população brasileira.
A base de conhecimento utilizada pelo Intellec e, a utilizada pelo Expert SINTA
encontram-se no relatório de pesquisa RP/M – IEB-UFSC – 01/2004.
Caso 1: O primeiro caso implementado foi um quadro típico clínico e laboratorial
de um paciente adulto, sem fator de risco, com hepatite aguda por vírus B, que evoluiu
para hepatite crônica B.
O quadro clínico é caracterizado principalmente pela presença de icterícia, náuseas,
astenia, dor no abdômen superior e muitos episódios de vômitos. É observada também a
ausência de febre e de emagrecimento. O paciente apresenta ingestão diária de etanol
inferior a 20 gramas. Quanto ao exame físico, o paciente apresenta hepatomegalia dolorosa
e consistência fibroelástica.
Os exames laboratoriais realizados neste paciente foram HBsAg (antígeno de
superfície do vírus B), anti-HBcIgM (anticorpo para o vírus de centro do vírus de hepatite
B), HBeAg (antígeno “e” da hepatite B) e HBV-DNA (pesquisa do ácido
desoxirribonucleico do vírus da hepatite B) positivos, e o exame de ALT (alanina
aminotransferase) apresenta seu valor acima de 10 vezes o limite superior.
Os resultados obtidos são mostrados na Tabela 4.7 e na Tabela 4.8.
Tabela 4.7– Resultado obtido para a primeira variável objetivo – sugestivo de hepatite viral.
Expert SINTA Intellec
Sugestivo Hepatite
Aguda B
99,171 Sugestivo Hepatite
Aguda B
0,991
Sugestivo de
Hepatite Viral
91,405 Sugestivo de
Hepatite Viral
0,914
Tabela 4.8– Resultado obtido para a primeira variável objetivo – possibilidade diagnóstica final.
Expert SINTA Intellec
Hepatite Crônica B 69,75 Hepatite Crônica B 0,697
Observando os resultados obtidos, verifica-se que os dois sistemas responderam de
forma idêntica.
Caso 2: O segundo caso implementado foi um quadro típico clínico e laboratorial
de um paciente adulto, com hepatite crônica C, com imunidade para o vírus B.
O quadro clínico é caracterizado principalmente pela presença de icterícia, náuseas,
astenia, dor no abdômen superior e muitos episódios de vômitos. É observada também a
ausência de febre e de emagrecimento. O paciente apresenta ingestão diária de etanol
inferior a 20 gramas. Quanto ao exame físico, o paciente apresenta hepatomegalia dolorosa
e consistência fibroelástica. O paciente realizou hemotransfusão antes de 1992.
Os exames laboratoriais realizados neste paciente foram anti-HCV (anticorpo para
o vírus de hepatite C), HCV-RNA (pesquisa do ácido ribonucleico do vírus de hepatite C)
e anti-HBs (antígeno para o HBsAg) positivos, e o exame de ALT apresenta seu valor de
duas a quatro vezes o limite superior.
Os resultados obtidos são mostrados nas Tabela 4.9 e Tabela 4.10.
Tabela 4.9 – Resultado obtido para a primeira variável objetivo – sugestivo de hepatite viral.
Expert SINTA Intellec
Sugestivo de
Hepatite Crônica C
92,916 Sugestivo de
Hepatite Crônica C
0,929
Sugestivo de
Hepatite Viral
76,125 Sugestivo de
Hepatite Viral
0,761
Tabela 4.10 – Resultado obtido para a primeira variável objetivo – possibilidade diagnóstica final.
Expert SINTA Intellec
Imunidade vírus B 80 Imunidade Vírus B 0,8
Observando os resultados obtidos, verifica-se que os dois sistemas responderam de
forma idêntica.
Analisando os resultados obtidos nestes dois últimos casos, verifica-se que os dois
sistemas responderam de forma idêntica. Isso deve primeiramente ao fato deste exemplo
apresentar primeiro, somente perguntas Crisp, ou seja, o valor verdade das variáveis são
iguais a 1, e segundo, pelo fato das regras construídas pelo especialista possuírem, na
maioria das vezes, regras com apenas uma premissa.
Para este exemplo foi consultada a opinião de um especialista do domínio, e os
resultados apresentados pelo Intellec e pelo Expert SINTA se mostraram muito próximos
ao da realidade.
Quanto ao DBIntellec, não foi realizado nenhum tipo de validação, visto que a
implementação deste sistema não fazia parte do escopo do trabalho. Este sistema visa
apenas auxiliar os profissionais da área da saúde a manter um cadastro de pacientes e um
histórico de consultas. Estão sendo feitas ainda melhorias para deixá-lo mais aplicável.
5 Conclusões
O Intellec foi testado por 8 alunos do curso de graduação em Engenharia Elétrica
da UFSC, na disciplina de Informática Médica e por 21 alunos da pós-graduação de
Ciências Médicas da UFSC, na disciplina de Introdução à Informática Médica. Junto com a
shell foi elaborado também um tutorial, para facilitar o seu entendimento e funcionamento.
As principais contribuições deste trabalho são: permitir ao especialista criar
sistemas com várias metas, possibilitar uso de imagens como valores de variáveis e
tutoriais como explicações para as perguntas. Sendo que as duas últimas características são
as maiores vantagens do Intellec sobre o Expert SINTA.
O Expert SINTA apresenta uma característica que pode não ser interessante para
alguns usuários: ele descarta uma regra se, ao verificar as premissas, o valor fornecido para
a variável é diferente do valor apresentado por ela na premissa, como citado no primeiro
exemplo do primeiro problema. Esta situação não ocorre no Intellec.
Outra diferença do Intellec sobre o Expert SINTA diz respeito ao uso de modelos
fuzzy e não de fatores de certeza para o tratamento da incerteza, ou seja, é uma nova forma
de montar uma base de conhecimento, sendo que, dependendo do problema em questão, o
tratamento de incerteza por lógica fuzzy pode se mostrar mais adequado.
Pelo fato da máquina de inferência ter sido implementada como uma DLL, permitiu
que fosse utilizada em conjunto com outra aplicação, escrita em uma linguagem de
programação diferente.
O DBIntellec possibilita ao profissional da área da saúde criar um banco de dados
de pacientes e histórico de consultas.
O Intellec já está sendo utilizado em trabalhos de pesquisa, em nível de mestrado,
no Programa de Pós-Graduação de Ciências Médicas da UFSC (RAMOS et al., 2004,
OBERTO et al., 2004).
Sugere-se como trabalhos futuros, melhorias no sentido de:
- Utilizar outras equações para obter o valor de verdade final para uma determinada
conclusão.
- Estudar e implementar novas quações para o tratamento da incerteza.
- Permitir construir regras com conectivo “ou”. Isto diminuiria a quantidade de
regras do sistema especialista.
- Possibilitar a construção de regras com várias conclusões, evitando assim, que
tenha que se repetir um mesmo conjunto de premissas.
- Utilizar variáveis do tipo multivaloradas. Uma única variável pode receber vários
valores em uma única consulta ao sistema.
- Apresentar um texto conclusivo da consulta realizada, além de apresentar quais as
regras foram aceitas, para que o usuário possa ter um maior entendimento do porquê dos
resultados obtidos.
6 Referências Bibliográficas
ACQUIRED INTELLIGENCE INC. Acquire. Disponível em: <http://www.aiinc.ca>.
Acesso em: 22 de março de 2005.
ALGARVE, A. S., AZEVEDO, F. M., BARRETO, J. M.; 1995. Prolog Implementation of
a Shell for Developing Fuzzy Expert Systems. In: ELECTRO’95 – XI CONGRESO
CHILENO DE INGENIERIA ELECTRICA (13 a 17: Nov 1995: Punta Arenas, Chile).
Anais. Chile, 1995. p. E012-E017.
ARARIBÓIA, G.; 1988. Inteligência artificial: um curso prático. Rio de Janeiro: Livros
Técnicos e Científicos.
BARRETO, J. M.; 1997. Inteligência Artificial – No Limiar do Século XXI. Florianópolis:
ppp Edições.
BITTENCOURT, G.; 2001. Inteligência Artificial Ferramentas e Teorias. Florianópolis:
Editora da UFSC.
BRASIL, L. M.; 1994. Aquisição de Conhecimento Aplicada ao Diagnóstico de Epilepsia.
Florianópolis. Dissertação (Mestrado em Engenharia Elétrica) - Centro Tecnológico,
Universidade Federal de Santa Catarina.
CHORAFRAS, D. N.; 1988. Sistemas Especialistas Aplicações Comerciais. São Paulo:
McGraw Hill.
CUNHA, F. S.; 1995. Um Sistema Especialista para a Previdência Privada. Florianópolis.
Dissertação (Mestrado em Engenharia Elétrica) - Centro Tecnológico, Universidade
Federal de Santa Catarina.
CUNHA H, RIBEIRO, S.; 1987. Introdução aos Sistemas Especialistas. Rio de Janeiro:
Livros Técnicos e Científicos S.A.
DANTAS, W., MATTOS, A. A.; 1995. Compêndio de Hepatologia. São Paulo: Fundação
Byk.
DE AZEVEDO, F. M., BRASIL, L. M. e DE OLIVEIRA, R. C.; 2000. Redes Neurais com
Aplicações em Controle e em Sistemas Especialistas. Florianópolis: Visual Books.
DE AZEVEDO, F. M., FERRARI, G. L., ANGELONI, M. N. M., ARGOUD, F. I. M.,
ALGARVE, A. S.; 2004. Shell para Desenvolvimento de Sistemas Especialistas Fuzzy
usando Prolog. In: III CONGRESSO LATINO AMERICANO DE ENGENHARIA
BIOMÉDICA (Set. 2004: João Pessoa, Paraíba). Anais. Paraíba, 2004. p. 919-922
FERNANDES, A. M. R.; 2004 Inteligência Artificial Aplicada à Saúde. Florianópolis:
Visual Books.
FISCHLER, M. A., FIRSCHEIN, O.; 1987. Intelligence: The Eye, the Brain, and the
Computer. New York: Addison-Wesley.
FRIDMANN, S. L., McQUAID, K. R.; 2003. Current Diagnosis & Treatment in
Gastroenterology. New York: Lange Medical Books.
GENARO, S.; 1987. Sistemas Especialistas – O conhecimento Artificial. Rio de Janeiro:
Livros Técnicos e Científicos.
HAHNE, M. N. M.; 2001. Implementação de um Shell para Desenvolvimento de Sistemas
Especialistas Fuzzy usando Prolog. Florianópolis. Dissertação (Mestrado em Engenharia
Elétrica) - Centro Tecnológico, Universidade Federal de Santa Catarina.
HARMON, P., KING, D.; 1988. Sistemas Especialistas. Rio de Janeiro: Campus.
HEINZLE, R.; 1995. Protótipo de um Ferramenta para Criação de Sistemas Especialistas
Baseados em Regras de Produção. Florianópolis. Dissertação (Mestrado em Engenharia
Elétrica) - Centro Tecnológico, Universidade Federal de Santa Catarina.
IGNIZIO, J. P.; 1991. Introduction to Expert Systems – The Development and
Implementation of Rule-Based Expert Systems. New York: McGraw Hill.
MONTELLO, M. V.; 1999. Sistema Especialista para predição de Complicações
Cardiovasculares integrado a um Sistema de Controle de Pacientes Portadores de
Diabetes Mellitus. Florianópolis. Dissertação (Mestrado em Engenharia Elétrica) - Centro
Tecnológico, Universidade Federal de Santa Catarina
NOGUEIRA, J. H. M., ANDRADE E SILVA, R. B., ALCÂNTARA, J. F. L.,
HOLANDA, S. C., ANDRADE, R. C.; 1996. Aplicações Baseadas no Expert Sinta, Uma
ferramenta para a criação de Sistemas Especialistas. Encontro de Iniciação Científica,
UFC, 1996.
NOGUEIRA, J. H. M., ANDRADE E SILVA, R. B., ALCÂNTARA, J. F. L.,
HOLANDA, S. C., ANDRADE, R. C.; 1996. Expert SINTA: Uma Ferramenta Visual
Geradora de Sistemas Especialistas. VI Semana de Informática, Universidade Federal da
Bahia, 1996.
NORSYS SOFTWARE CORP. NETICA. Disponível em: <http://www.norsys.com>.
Acesso em: 22 de março de 2005.
OBERTO, L. M., DE AZEVEDO, F. M.; 2004. Sistema Inteligente de Auxílio ao
Tratamento Fisioterápico aplicando o princípio da Neuroplasticidade em Portadores de
Paralisia Cerebral. In: IV WORKSHOP DE INFORMÁTICA APLICADA A SAÚDE -
IV CONGRESSO BRASILEIRO DE COMPUTAÇÃO (Out. 2004 : Itajaí, Santa Catarina).
Anais. Santa Catarina, 2004. p. 614-618.
RABUSKE, R. A.; 1998. Inteligência Artificial. Florianópolis: Editora da UFSC.
RAMOS, M. T. V., D’ACAMPORA, A. J., DE AZEVEDO, F. M.; 2004. Sistema
Inteligente de Auxílio ao Diagnóstico de Hepatites Virais. In: IV WORKSHOP DE
INFORMÁTICA APLICADA A SAÚDE - IV CONGRESSO BRASILEIRO DE
COMPUTAÇÃO (Out. 2004 : Itajaí, Santa Catarina). Anais. Santa Catarina, 2004. p. 595-
598.
RICH, E.; 1988. Inteligência Artificial. São Paulo: Mc Graw Hill.
TOLEDO, A. C. J.; 2003. Hepatites Virais – O Brasil está atento – Manuais Técnicos.
Brasília: Ministério da Saúde.
VIERA, A. F. G.; 1996. Arandú: Um sistema Especialista Difuso para o Diagnóstico de
Hepatopatias Crônicas. Florianópolis. Dissertação (Mestrado em Engenharia Elétrica) -
Centro Tecnológico, Universidade Federal de Santa Catarina.
WATERMAN, D.; 1986. A Guide to Expert Systems. USA: Addison-Wesley.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
