Inteligência artificial popperiana

A inteligência tem sido estudada como fruto de evolução biológica. Nas últimas centenas de milhões de anos, a inteligência tem evoluído juntamente com a biologia. Essa conclusão pode ser obtida ao analisar o comportamento das criaturas que emergiram assim como a sua capacidade de armazenar e processar informação. A evolução gerou criaturas possuidoras de cérebros com grande poder de adaptação. Partindo-se do pressuposto que a inteligência humana é resultado de um processo evolutivo paulatino que ocorreu ao longo de milhões de anos, faz sentido tentar repetir os mesmos passos dados ao longo da evolução da inteligência artificialmente. A evolução oferece uma rota que vai desde tipos de mentes simples até tipos de mentes mais complexas apresentando um caminho de características e capacidades que evoluíram ao longo do tempo. No presente trabalho, acredita-se que esse caminho seguido pela evolução é uma boa fonte de inspiração para a geração de inteligência artificial. De acordo com Dennett, um tipo de mente que apareceu ao longo da evolução é a mente popperiana que aprende as regras do ambiente e tem a capacidade de imaginar ou planejar estados futuros permitindo que ela se adapte com facilidade a novas e inesperadas situações. Sendo assim, modela-se e implementa-se um agente popperiano capaz de aprender as regras do seu ambiente e planejar ações futuras baseando-se no seu aprendizado. Por fim, são implementados dois protótipos de agentes popperianos para resolver problemas distintos e observa-se a capacidade dos agentes popperianos em se adaptar às condições do seu meio para alcançar seus objetivos.

Utilização de inteligência artificial - (Redes neurais artificiais) no gerenciamento da produção de frangos de corte

Este estudo objetivou demonstrar que é possível explicar os fenômenos que ocorrem na criação de frangos de corte através de redes neurais artificiais. A estatística descritiva e a diferença entre as médias das variáveis dos dados iniciais foram calculadas com o programa computacional SigmaStat® Statistical Software para Windows 2.03. Foi utilizada uma série histórica de dados de produção de frangos de corte, obtidos nos anos de 2001 e 2002, fornecidos por uma Integração Avícola do Rio Grande do Sul, contendo informações de 1.516 criadores com lotes alojados em 2001 e 889 criadores com lotes alojados em 2002. Nos arquivos estavam registrados, para cada lote, suas variáveis de produção, tais como número do lote, data do alojamento, data do abate, idade ao abate, número de pintos alojados, quilogramas de ração consumidos, quilogramas de frangos produzidos, número de aves abatidas, custo do frango produzido, mortalidade, peso médio, ganho de peso diário, índice de conversão alimentar, índice de eficiência, quilogramas líquido de frangos, quilogramas de ração inicial, quilogramas de ração crescimento, quilogramas de ração abate, além de outros. Para a construção das redes neurais artificiais foi utilizado o programa computacional NeuroShell®Predictor, desenvolvido pela Ward Systems Group. Ao programa foi identificado as variáveis escolhidas como “entradas” para o cálculo do modelo preditivo e a variável de “saída” aquela a ser predita. Para o treinamento das redes foram usados 1.000 criadores do banco de dados do alojamento de frangos de corte de 2001. Os restantes 516 criadores de 2001 e todos os 889 criadores de 2002 serviram para a validação das predições, os quais não participaram da etapa de aprendizagem, sendo totalmente desconhecidos pelo programa. Foram gerados 20 modelos na fase de treinamento das redes neurais artificiais, com distintos parâmetros de produção ou variáveis (saídas). Em todos estes modelos, as redes neurais artificiais geradas foram bem ajustadas apresentando sempre, um Coeficiente de Determinação Múltipla (R²) elevado e o menor Quadrado Médio do Erro (QME). Ressalta-se que o R² perfeito é 1 e um coeficiente muito bom deve estar próximo de 1. Todos os 20 modelos, quando validados com os 516 lotes de 2001 e com 889 de 2002, apresentaram também Coeficientes de Determinação Múltipla (R²) elevados e muito próximos de 1, além de apresentarem o Quadrado Médio do Erro (QME) e Erro Médio reduzidos. Foi comprovado não haver diferenças significativas entre as médias dos valores preditos e as médias dos valores reais, em todas as validações efetuadas nos lotes abatidos em 2001 e em 2002, quando aplicados os 20 modelos de redes neurais gerados. Como conclusão, as redes neurais artificiais foram capazes de explicar os fenômenos envolvidos com a produção industrial de frangos de corte. A técnica oferece critérios objetivos, gerados cientificamente, que embasarão as decisões dos responsáveis pela produção industrial de frangos de corte.Também permite realizar simulações e medir a contribuição de cada variável no fenômeno em estudo.

Seleção artificial para resistência à murcha bacteriana

O desenvolvimento de materiais tipo Burley resistente a Murcha Bacteriana é de suma importância para a fumicultura brasileira. Em fumo tipo Burley não existem variedades comerciais com boa adaptação resistentes à R. solanacearum. O objetivo desse trabalho foi determinar o efeito da seleção artificial para resistência à murcha bacteriana na população Burley x Virgínia em diferentes gerações segregantes. Este estudo foi realizado em um infectário de R. solanacearum, localizado em Santa Cruz do Sul, RS. Foi realizado cruzamento entre um cultivar tipo Burley moderadamente resistente (BY 26) e um material tipo Virgínia resistente à murcha (Oxford 207). Foram comparados quatro gerações F1, F3, F5, F7, pai moderadamente resistente (BY 26), pai resistente (OX 207) e uma testemunha suscetível (01528). O delineamento experimental utilizado foi de blocos ao acaso, com quatro repetições e 10 plantas em cada parcela, para uniformizar e aumentar o nível de severidade da moléstia, as plantas foram inoculadas através da deposição de 20 mL de uma suspensão (108 UFC/mL) de R. solanacearum. Para a murcha bacteriana não houve diferença significativa entre as médias das quatro gerações e nem destas com o genitor resistente, já que provavelmente a seleção efetuada em todas as gerações foi suficiente para manter os níveis de resistência observados na geração F1. Observou-se em F7 que várias linhas já estavam fixas com níveis de resistência à murcha semelhante ao genitor resistente. Portanto, os resultados finais mostraram que a seleção artificial foi eficiente para selecionar a resistência à murcha bacteriana, e que é possível transferir resistência a R. solanacearum de fumo Virgínia para fumo tipo Burley – mantendo as características desejadas de cor e tipo do fumo Burley com a resistência similar a do pai resistente.

Qualidade bacteriológica de leite bovino de mistura, in natura e beneficiado, e detecção sorológica de Brucelose em rebanhos da Região Metropolitana de Porto Alegre

O leite é uma fonte excelente de nutrientes tornando-se um meio de cultura ideal para o crescimento de microrganismos potencialmente patogênicos. Estes microrganismos podem comprometer a qualidade e segurança do leite e seus derivados e podem contaminar o homem através da ingestão do leite in natura ou beneficiado contaminados. Para estimar a qualidade microbiológica do leite in natura, foram coletadas 116 amostras em 42 propriedades leiteiras nos municípios de Esteio, Glorinha, Gravataí, Sapucaia do Sul e Viamão, no Estado do Rio Grande do Sul, Brasil. A presença de coliformes fecais e E. coli foi confirmada em 24 isolados, referentes a oito propriedades. Neste trabalho não foi possível detectar a presença de Salmonella sp. As amostras testadas estavam dentro dos padrões exigidos pela legislação para microrganismos mesófilos e psicrotróficos, porém alguns autores citam que contagens acima de 3 log.ufc.ml-1 podem ser prejudiciais ao processamento do produto. Para detecção de anticorpos específicos de Brucella sp. foi utilizado o Teste de Anel de Leite, em 181 amostras (116 amostras coletadas acrescidas de 65 fornecidas pela indústria de beneficiamento), sendo encontradas dez amostras positivas em três propriedades. A qualidade higiênico-sanitária nas propriedades analisadas demostrou ser adequada, porém foi evidenciada a presença microrganismos patogênicos em algumas amostras representando um risco à saúde pública.

Aspectos matemáticos do problema de aprendizagem em inteligência artificial

O objetivo deste trabalho é apresentar a base teórica para o problema de aprendizagem através de exemplos conforme as ref. [14], [15] e [16]. Aprender através de exemplos pode ser examinado como o problema de regressão da aproximação de uma função multivaluada sobre um conjunto de dados esparsos. Tal problema não é bem posto e a maneira clássica de resolvê-lo é através da teoria de regularização. A teoria de regularização clássica, como será considerada aqui, formula este problema de regressão como o problema variacional de achar a função f que minimiza o funcional Q[f] = 1 n n Xi=1 (yi ¡ f(xi))2 + ¸kfk2 K; onde kfk2 K é a norma em um espa»co de Hilbert especial que chamaremos de Núcleo Reprodutivo (Reproducing Kernel Hilbert Spaces), ou somente RKHS, IH definido pela função positiva K, o número de pontos do exemplo n e o parâmetro de regularização ¸. Sob condições gerais a solução da equação é dada por f(x) = n Xi=1 ciK(x; xi): A teoria apresentada neste trabalho é na verdade a fundamentação para uma teoria mais geral que justfica os funcionais regularizados para a aprendizagem através de um conjunto infinito de dados e pode ser usada para estender consideravelmente a estrutura clássica a regularização, combinando efetivamente uma perspectiva de análise funcional com modernos avanços em Teoria de Probabilidade e Estatística.