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.

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.