Inteligência artificial aplicada à construção de modelos ecológicos

1,124 views

Published on

Brief introduction to main Artificial Inteligence Methods applied to Ecological Modeling
Breve Introdução aos principais Métodos de Inteligência Artificial aplicados à Modelagem Ecológica

Published in: Education
  • Be the first to comment

Inteligência artificial aplicada à construção de modelos ecológicos

  1. 1. Inteligência Artificial Aplicada à Construção de Modelos Ecológicos Mini-Curso Semana da Biologia da UnB Prof. Dr. Paulo Salles e Adriano Souza
  2. 2. Programa  Objetivos do Mini-curso  Parte I – Introdução  Definições de Inteligência Artificial (IA) e modelos  Modelagem e o potencial de uso da IA para estudos de ecologia  Parte II – Discussão de aplicações de IA em modelagem ecológica  Algumas técnicas de IA aplicadas em ecologia (Sistemas Dinâmicos, Redes Neurais Artificiais, Algoritmos Genéticos, Fuzzy Logic, Raciocínio Qualitativo)  Parte III - Exercícios sobre como construir modelos ecológicos, utilizando o software DynaLearn (www.dynalearn.eu).  Modelos Qualitativos (DynaLearn)  Padrões de modelos  Construção de modelos em DynaLearn  Discussão
  3. 3. Objetivos do Minicurso  Discutir alguns dos mais importantes paradigmas de modelagem ecológica baseados em Inteligência Artificial;  Demostrar, por meio de atividades práticas, como construir modelos para representar problemas ecológicos.
  4. 4. Definição de Inteligência Artificial  É a teoria e desenvolvimento de sistemas computacionais capazes de realizar tarefas que normalmente requerem inteligência humana, tais como percepção visual, reconhecimento de linguagem, tomada de decisão, e tradução entre linguagens.
  5. 5. MaioresproblemasdaIA Raciocínio Representação de conhecimento Planejamento e agendamento automatizado Aprendizagem de máquina Processamento de linguagem natural Visão computacional Robótica Inteligência Geral ou IA Forte Abordagens Tradicionais * Busca de algoritmos * Lógica Abordagens modernas * Redes Neurais * Redes Bayesianas * Algoritmos evolutivos
  6. 6. Então, qual é o significado ou importância da IA para a ecologia e para os ecólogos?
  7. 7. E na Ecologia? Inteligência Artificial Representação de conhecimento Correspondência de Padrões Inferência Busca Sistemas Especialistas Sistemas de bases de dados Inteligentes Modelagem em IA Robótica Visão e processamento de imagem Entendimento de Sistemas Complexos Processamento de linguagem natural Raciocínio computacional e comprovação de teoremas ... Manejo de recursos naturais Escopo de áreas de aplicação da IA como aplicada ao MRN. Adaptado de Coulson et al. (1987)
  8. 8. 1987 Coulson et al. Sistemas especialistas para solução de problemas e tomada de decisão Sistemas de Informação Geográfica Inteligentes Modelos de IA de comportamento animal e ecologia Object-oriented paradigma 1989 Rykiel Modelagem e simulação Integração de conhecimento qualitativo e quantitativo Desenvolvimento teórico 1998 Struss Desenvolvimento e uso de modelos aprimorados Modelagem conceitual e solução de problemas Modelagem qualitativa e sistemas baseados em modelos É necessário uma aproximação na colaboração entre especialista de um domínio e pesquisadores de Inteligência Artificial para o desenvolvimento de soluções para problemas específicos
  9. 9. E na Ecologia? 3 maneiras em que as tecnologias de IA podem ser úteis para o desenvolvimento teórico: Organização de bases de conhecimento compatíveis com computadores, incluindo conhecimento qualitativo e quantitativo; Avaliação rápida de pressupostos, hipóteses ou outras ideias em um contexto teórico; Determinar as consequências e a consistência lógica de longas e complicadas trajetórias de raciocínio ecológico. Rykiel (1989)
  10. 10. E na Ecologia?  Talvez o impacto mais imediato de tecnologias de IA será na forma como ecólogos organizam, desenvolvem e implementam modelos.  Um ambiente computacional ecológico deve permitir que o ecólogo pense muito mais no problema ecológico e muito menos na mecânica computacional. Rykiel (1989)
  11. 11. Antes de continuar precisamos saber o que é um modelo!  Palpites?
  12. 12. Modelo  Modelos são representações formais, abstratas e manipuláveis de sistemas físicos, a partir dos quais pode- se fazer simulações do comportamento do sistema na realidade e estabelecer comunicação entre pessoas que dominem a linguagem usada para a modelagem. Sistema  É uma unidade que consiste de um ou mais elementos (objetos) estruturalmente conectados, cujos estados dependem uns dos outros.  Portanto, são componentes essenciais de um sistema os OBJETOS e a ESTRUTURA.  Exs.: o sistema digestivo humano, uma bicicleta Definições de Modelo e Sistema
  13. 13. S1 S4 S3 S2 SISTEMA ALÇAS DE RETROALIMENTAÇÃO Ambiente BORDA DO SISTEMA ESTRUTURA DO SISTEMA ELEMENTOS DO SISTEMA ENTRADA NO SISTEMA SAÍDA NO SISTEMA Conceitos básicos de um sistema e seu ambiente. Adaptado de Bossel (1986)
  14. 14. A finalidade do sistema Um sistema tem uma finalidade (ou pode-se atribuir uma finalidade a ele): Recebe algum input do ambiente, realiza alguma transformação nesse input e produz algum output. Portanto, o desenvolvimento de certos estados é mais provável do que de outros estados.
  15. 15. Um modelo deve ter uma finalidade  A construção de um modelo é uma atividade seletiva, parcialmente subjetiva, que se baseia na experiência, em evidências empíricas, julgamentos, intuições.  A seleção dos elementos e das relações estruturais mais importantes dependerá dos objetivos da análise do sistema.  Um modelo deve ter, portanto, uma finalidade.  Estudo de uma floresta para fins econômicos e  Estudo sobre a sucessão na floresta requerem análises diferentes.  Para finalidades diferentes, devem ser construídos modelos
  16. 16. Para que construir modelos? Construir e usar modelos contribui para… Compreender a estrutura do sistema; Predizer o comportamento do sistema; Controlar variáveis para obter determinados resultados.
  17. 17. Como modelos podem ser usados?  Pesquisa científica;  Tomada de decisões e manejo;  Aplicações educacionais e treinamento. Cada uso tem requisitos diferentes.
  18. 18. Modelos em ecologia Construir modelos em ecologia é tarefa complexa, porque... 1. Conhecimentos ecológicos são heterogêneos, incluem tanto conhecimentos qualitativos como quantitativos; 2. É difícil coletar dados e fazer experimentos; 3. Os dados disponíveis são incompletos, inexatos, incertos e expressos em termos qualitativos; 4. Os fundamentos teóricos e as leis (ou first principles) ainda estão em desenvolvimento.  Novas abordagens para a modelagem ecológica são necessárias!
  19. 19. Modelos em ecologia A maior parte dos modelos usados em ecologia pertencem a duas classes:  Modelos Estatísticos  resultam em demonstrações de relações empíricas entre fatores ecológicos (parâmetros);  embora úteis e importantes, não conseguem capturar a complexidade dos sistemas ecológicos.  Modelos Estruturais  usados como meio de generalizar o entendimento sobre a estrutura e o funcionamento de sistemas ecológicos;  aumentam a capacidade de fazer previsões sobre o comportamento e de controlar tais sistemas.
  20. 20. Modelos Estatísticos MODELOS ESTÁTICOS Sistema real Observações Regressão, correlação Modelo
  21. 21. Modelos Estruturais MODELOS DINÂMICOS Sistema real Modelo
  22. 22. Abordagens da IA em Ecologia Dinâmica de Sistemas Lógica Difusa (Fuzzy Logic) Algoritmos Genéticos Redes Neurais Artificiais Raciocínio Qualitativo É uma abordagem para entender o comportamento de sistemas complexos no tempo. Ele lida com ciclos de retroalimentação interna e atrasos que afetam o comportamento do sistema como um todo.
  23. 23. A Dinâmica de Sistemas é um bom paradigma para modelagem ecológica por que... 1. Constrói-se em conceitos existentes 2. É diagramático 3. É amplamente usado 4. Estimula uma abordagem em camadas  Estrutura conceitual antes dos detalhes matemáticos 5. Se aplica a uma ampla variedade de problemas ambientais e ecológicos
  24. 24. http://en.wikipedia.org/wiki/File:LSE_pond.jpg#filelinks
  25. 25. Um ecosistema simples Grama Veado campeiro CO2 Árvore CO2 Simples ecossistema em que o carbono move-se entre os componentes etiquetados
  26. 26. Modelo de um ecosistema simples CO2 atmosférico Grama g C Absorção DeCO2 pelasplantas Morte, Excreção, respiração Consumo CO2 Atmosférico, dejetos líquidos e sólidos Veado g C
  27. 27. Símbolos de Sistemas Dinâmicos Compartimento Fluxo Nuvem Variável Influência
  28. 28. Exemplo: Modelo predador-presa de Lotka e Volterra  Cada presa tem um número constante de descendentes por ano  Cada predador se alimenta de uma proporção constante da população de presas por ano  A reprodução do predador é diretamente proporcional ao consumo de presas  Uma proporção constante da população de predadores morre por ano
  29. 29. PARÂMETROS: Coelhos = 5000 Raposas = 45 Reprodução de coelhos = 0.5*coelhos Predação = comidos por raposa*raposa Reprodução de raposas = 0.01*predação Mortalidade de raposas = 0.2*raposas rraposas = 0.01*comidos_por_raposa Comidos por raposa = 0.01*coelhos Modelo Predador-presa construido em SIMILI
  30. 30. Raposa Coelho
  31. 31. Crescimento população de árvores Parâmetros: tamanho = 3 crescimento = cr*(1-tamanho/25) cr = rand_const(0.1,0.3) inicial = 5 recrutamento = 2 mortalidade = tamanho>17 total = sum({tamanho}) X = rand_const(0,100) Y = rand_const(0,100)
  32. 32. Simulação de modelo quantitativo em SIMILE para crescimento de árvores
  33. 33. Abordagens da IA em Ecologia Dinâmica de Sistemas Lógica Difusa (Fuzzy Logic) Algoritmos Genéticos Redes Neurais Artificiais Raciocínio Qualitativo É uma possível maneira de lidar com incerteza, capaz de capturar informações imprecisas, descritas em linguagem natural, e convertê-las para um formato numérico. A Lógica Fuzzy utiliza palavras em vez de números, os valores verdades são expressos linguisticamente: quente, muito frio, verdade, longe, perto, próximo, rápido, vagaroso, médio, normal, muito, pouco, etc. admite valores lógicos intermediários entre o FALSO (0) e o VERDADEIRO (1); por exemplo o valor médio 'TALVEZ' (0,5). Isto significa que um valor lógico difuso é um valor qualquer no intervalo de valores entre 0 e 1
  34. 34. Precisão e significância no mundo real Um peso de 1500 kg se aproxima da sua cabeça a 45,3 m/s CUIDADO! Precisão Significado Às vezes tudo o que você precisa saber é aquilo que faz toda a diferença e a lógica difusa é uma boa maneira de conseguir essa informação. Isso vale também para modelos de raciocínio qualitativo! What? LOL
  35. 35. Conhecimento Objetivo  Usado na formulação de problemas de Engenharia → modelos matemáticos Conhecimento Subjetivo  Representa a informação linguística que é geralmente impossível de quantificar usando matemática tradicional Definição
  36. 36. Exemplo • Esta estrela é azul? – Verdadeiro Qual a melhor resposta? • Este hexágono é azul ? Fuzzy não é probalidade • Fuzzy é associado a possibilidade • Fuzzy é associado a associações parciais • Exemplos: – 10% do conteúdo dessa bebida é um veneno mortal – Aquela bebida tem 10% de chance de ser um veneno mortal – Qual copo você beberia? - Um carro que custa 20 mil reais é barato, o que custa 25 mil é caro! E um carro que custa 23 mil reais? • Este cubo é azul? – Falso Função de pertencimento
  37. 37. Porque usar Lógica Fuzzy ?  Grande parte da compreensão humana sobre os acontecimentos dos fatos é imprecisa  Em muitos casos, a precisão pode ser um tanto inútil, enquanto instruções vagas podem ser melhor interpretadas e realizadas  Exemplo de compreensão humana  Invulgar: “Comece a frear 10 metros antes do sinal PARE”  Vulgar: “Comece a frear perto da faixa dos pedestres”  Sistemas Especialistas devem trabalhar com informações vindas do mundo real (muitas delas imprecisas) devem ser capazes de reconhecer, representar, manipular, interpretar e usar imprecisões
  38. 38. Em Ecologia  Em muitas situações, principalmente em perícia ambiental, análises de riscos etc., nos deparamos com situações de extrema subjetividade, onde as variáveis envolvidas dependem única e exclusivamente da opinião e da experiência das pessoas envolvidas.  Em se tratando de considerar a experiência e a opinião de especialistas, nos deparamos com situações em que devemos inferir a respeito de variáveis características “dos mundos dos especialistas”:  Muito quente;  Inclinado;  Gravíssimo etc. 40
  39. 39. Abordagem de agrupamento difuso para delinear zonas agroecológicas Agrupamento difuso de dados ecológicos difusos Abordagem difusa para avaliação de impacto ambiental Modelagem difusa em dinâmica de populações
  40. 40. Abordagens da IA em Ecologia Dinâmica de Sistemas Lógica Difusa (Fuzzy Logic) Algoritmos Genétics Redes Neurais Artificiais Raciocínio Qualitativo São programas computacionais projetados para encontrar o modelo de melhor desempenho através da aplicação de princípios de seleção natural e sobrevivência do mais adaptado
  41. 41. Origem  Os algorítimos genético (AG ou GA) foram criados em 1975 por John Holland da Universidade de Michigan, Los Angeles  São modelos computacionais que imitam os mecanismos de “evolução natural”para resolver problemas de otimização.  Os AGs tratam de encontrar a melhor solução de um dado problema entre um conjunto de soluções possíveis.
  42. 42. Cria aleatoriamente uma população de soluções Seleciona Indivíduos parentais Produz filhos (Crossover e Mutação) Elimina indivíduos não adaptados Continua até um indivíduo atingir o critério de sucesso (alcançar um r2 > 0,6 para dados medidos versus calculados)
  43. 43. Na ecologia...  AG tem sido usado para a otimização de parâmetros, descobertas de equações e procura de padrões.
  44. 44. Distribuição potencial de espécies
  45. 45. Predições com AG Cenário:  Sustentabilidade;  Mudanças globais;  Uso de pesticidas e fertilizantes;  Introdução de espécies;  Aumento da população humana;  Fronteiras agrícolas. A representação de fenômenos ecológicos é crítica para a predição em sistemas ecológicos.  Black box: O usuario pode inferir as regras do resultado, mas não em detalhes suficientes para fazer generalizações sobre os mecanismos ecológicos que levaram as distribuições preditas
  46. 46. A próxima geração AG híbridos  Petel et al. (1998) – AG + Rede Neural  Objetivo: projetar novas moléculas que matariam bactérias.  D’Angelo-Morrall et al. – AG + Estatística de Agrupamento  Objetivo: prever a toxicidade de organismos aquáticos em uma ampla variedade de substâncias chimicas A hibridização é uma nova fronteira dos AGs e tem um grande potencial na modelagem ecológica.
  47. 47. Abordagens da IA em Ecologia Dinâmica de Sistemas Lógica Difusa (Fuzzy Logic) Algoritmos Genéticos Redes Neurais Artificiais Raciocínio Qualitativo São programas computacionais projetados para processar informação de forma semelhante ao que ocorre em neurônios biológicos no cérebro humano. Uma rede treinada de maneira razoável tem a habilidade de generalizar quando é apresentada à entradas que não estão presentes em dados já conhecidos por ela. A principal força na estrutura de redes neurais reside em sua habilidades de adaptação e aprendizagem. A habilidade de adaptação e aprendizagem pelo ambiente significa que modelos de redes neurais podem lidar com dados imprecisos e situações não totalmente definidas.
  48. 48. Em um neurônio biológico  Recebe diversos sinais de outros neurônios ou terminações nervosas  Os sinais podem ser recebidos com diferentes intensidades (pesos) nas sinapses receptoras  O neurônio soma as entradas  Sob circunstâncias apropriadas (entradas com nível suficiente), o neurônio “dispara” um sinal elétrico (saída)
  49. 49. Em um neurônio biológico  A saída de um neurônio pode ser a entrada de diversos outros neurônios (rede)  A memória é distribuída, residindo nas sinapses (nos pesos).  A resposta a um estímulo pode alterar a “força” (o peso) de uma sinapse  aprendizado através de experiência.  Neurotransmissores em uma sinapse podem ser excitatórios ou inibitórios.
  50. 50. O diagrama abaixo representa o modelo matemático de um neurônio...
  51. 51. Redes Neurais Artificiais Não Supervisionada Kohonen (1989) SOM Feedforward Rummelhardt et al. (1986) Feedback Pineda (1987) Aprendem a classificar dados através do reconhecimento de diferentes padrões sem focar nas saídas desejadas (supervisão) de maneira similar quando uma pessoa está aprendendo a reconhecer o rosto de alguém sem ajuda de um professor Análise de padrões Dados transversais Análise de padrões Séries Temporais Modelagem preditiva Dados transversais Modelagem preditiva Séries Temporais
  52. 52. Em síntese  Durante o processo de aprendizagem os neurônios:  organizam-se e tornam-se ordenados entre si  especializam-se em detectar determinadas características dos padrões de entrada  O SOM é, portanto, caracterizado pela:  formação de um mapa topológico dos padrões de entrada  a localização espacial dos neurônios na grade após o aprendizado são indicativas das características estatísticas contidas nos padrões de entrada
  53. 53. CAMADA DE ENTRADA ORDENAÇÃO E AGRUPAMENTO DAS ENTRADAS MAPEAMENTO E AGRUPAMENTO DAS ENTRADAS Biomassas de fitoplâncton pesos neurônios
  54. 54. >20ªC <=15ªC >15ªC<=20ªC Estudo de caso: Lago Kasumigaura (Japão) Teste de hipóteses sobre a preferência de temperatura de Microcystis e Cyclotella Exemplo de dados transversais
  55. 55. Modelos Ecológicos Qualitativos
  56. 56. Abordagens da IA em Ecologia Dinâmica de Sistemas Redes Neurais Artificiais Algoritmos Genéticos Lógica Difusa (Fuzzy Logic) Raciocínio Qualitativo É uma área da IA que cria representações para as propriedades contínuas do mundo para dar suporte a raciocínio com pouca informação
  57. 57. Descreva com 1 palavra o que representa essa figura
  58. 58. Motivação  As pessoas tiram conclusões úteis e sutis sobre o mundo físico sem usar nenhum tipo de equação matemática;  Cientistas e engenheiros parecem usar algum tipo de raciocínio qualitativo quando tentam entender um problema e quando estão interpretando os resultados de simulações;  Construir modelos sobre a cognição humana e criar software para robôs requer a compreensão de como se pensa qualitativamente
  59. 59. O que queremos dizer com Raciocínio Qualitativo?  O objetivo primário do Raciocínio Qualitativo é  … fazer predições sobre o comportamento de um sistema físico em termos não-numéricos,  … preservando todas as diferenças no comportamento mais importantes de um sistema real,  … dada apenas uma descrição da estrutura do sistema.
  60. 60. 1984, ano de ouro do QR  O periódico Artificial Intelligence publica as 3 mais influentes abordagens para RQ:  Centrada nos processos (Forbus, 1984)  Centrada nos componentes (de Kleer e Brown, 1984)  Centrada nas restrições (Kuipers, 1984, 1986)
  61. 61. Modelagem composicional  Representar componentes menores e mais simples em modelos parciais (fragmentos de modelo)  e então combinar esse modelos parciais para obter uma descrição mais complexa do sistema.  Assim, pode-se criar diferentes representações do sistema, com diferentes níveis de complexidade. Falkenhainer e Forbus, 1991
  62. 62. Basic model patterns 69 Single rate and process Two processes one SV Short network Long network - branching Direct feedback loop double negative Indirect feedback loop negative, long chain Inequality reasoning
  63. 63. Modelo Qualitativo Predador-presa
  64. 64. Combined basic patterns 73
  65. 65. Complex model patterns 74 dN/dt = rN( 1- N/K)
  66. 66. Exercícios  Exercício ecología de populações
  67. 67. Building models from texts76 “The impacts of the erosion without control go beyond the environmental area. It includes risks and prejudice to the Brazilian energetic matrix, due to the siltation of the reservoirs of big hydroelectric plants; social impacts due to the rural exodus, economic impacts due to high costs of water treatment for human consumption, and impacts on human health caused by water born diseases.”
  68. 68. 77 “The impacts of the erosion without control go beyond the environmental area. It includes risks and prejudice to the Brazilian energetic matrix, due to the siltation of the reservoirs of big hydroelectric plants; social impacts due to the rural exodus, economic impacts due to high costs of water treatment for human consumption, and impacts on human health caused by water born diseases.”
  69. 69. 78 “The impacts of the erosion without control go beyond the environmental area. It includes risks and prejudice to the Brazilian energetic matrix, due to the siltation of the reservoirs of big hydroelectric plants; social impacts due to the rural exodus, economic impacts due to high costs of water treatment for human consumption, and impacts on human health caused by water born diseases.”
  70. 70. DynaLearn curriculum 79 Transfer to different domains Using ecological principles to organize lessons DYNALEARN Developing specific cognitive and reasoning skills Systems Thinking Model patterns System behaviour patterns How to build advanced models Understanding environmental science topics Interdisciplinarity
  71. 71. Concluding remarks DynaLearn a curriculum for environmental science explores themes and relevant topics for the present aiming at the development of cognitive and reasoning skills. The pedagogical approach is learning by modelling, exploring a set of model patterns to get a handle on how to represent domain knowledge in qualitative system dynamics models. One important educational goal to be achieved is the development of learners’ systems thinking. 80

×