Redes de aprendizado em sistemas complexos de produção

Procura-se demonstrar neste artigo que o arranjo inter-organizacional típico dos Sistemas Complexos de Produção é o de rede de firmas, marcada por uma forte especialização dos agentes que a compõem e uma intensa complementaridade entre eles. Nesse tipo de arranjo, a empresa que exerce a governança da rede busca estimular o processo de eficiência coletiva. Essa busca, por sua vez, dada a freqüente heterogeneidade dos agentes, termina por induzir a rede de firmas a transformar-se em uma rede de aprendizado. Apesar do conhecimento sobre essas redes ser ainda muito precário, podem-se levantar, com base na literatura revisada e no exame de uma rede de aprendizado em implantação no Brasil, os seguintes aspectos: ela precisa ter um propósito claro, traduzível em uma meta a ser atingida por intermédio do processo de aprendizado; é necessário criar uma estrutura, que pode tender ao virtual, e definir recursos e mecanismos a serem utilizados em sua implantação e sustentação; e deve-se tentar prever, a partir de outras experiências, as inevitáveis dificuldades que surgirão no planejamento e operacionalização dessas redes.

Rede de aprendizado e desenvolvimento de competências organizacionais: uma análise de empresas participantes do programa parceiros para excelência (PAEX)

A presente tese teve como objetivo investigar as relações entre o desenvolvimento da competência organizacional, especificamente a gestão empresarial, de um grupo de empresas, através da participação em uma rede de aprendizado (PAEX), verificando a relação entre esse desenvolvimento e os atributos presentes na rede. Visou mais especificamente identificar quais as competências organizacionais ligadas à gestão empresarial foram mais desenvolvidas, quais atributos de rede de aprendizado estavam presentes, identificar a relação entre o desenvolvimento da gestão das empresas participantes e a presença dos atributos de rede, e identificar a relação entre o desenvolvimento da gestão das empresas participantes e os atributos específicos de coordenação por uma entidade externa. Os dados foram obtidos junto a dirigentes de 52 empresas, responsável por 80% da população que, no momento da pesquisa, eram participantes do PAEX. Tendo em vista tais objetivos, realizou-se uma pesquisa quantitativa, utilizando-se como instrumento de coleta de dados um questionário, submetido a tratamento estatístico, por meio de técnicas descritivas e multivariadas. As âncoras teóricas para as análises e considerações utilizadas foram a teoria de recursos (resource-based view), complementada em alguns aspectos por abordagens de competências organizacionais com foco na gestão empresarial e por abordagens que buscam estabelecer indicadores para a mensuração do desenvolvimento da gestão. Além disso, buscou-se apoio na teoria de redes, especialmente no conceito de rede de aprendizado e na identificação de atributos de redes. Como resultados, foram validadas as escalas propostas para a mensuração das variáveis de interesse deste estudo. Além disso, foram verificadas as hipóteses que nortearam sua realização, permitindo-nos constatar o desenvolvimento da Competência Organizacional das empresas através da participação na rede de aprendizado (PAEX). Concomitantemente, foi possível verificar a associação entre a variável Competência Organizacional e a variável Atributos de Rede, entre a variável Competência Organizacional e a variável Atributos do PAEX e entre a variável Atributos de Rede e Atributos do PAEX. Já quanto ao modelo hipotetizado, cabe salientar que o ajuste encontrado pode ser considerado como razoável, embora ele não possa ser considerado ideal. Observou-se que, as competências Estratégias e Planos e Liderança foram as mais desenvolvidas, enquanto que os atributos Integridade e Importância Estratégica foram os que manifestaram maior presença na rede. Em relação aos atributos do PAEX, constatou-se que Conceitos, Metodologias e Ferramentas, Coordenação da FDC, Monitorias e Intercâmbio dentro do PAEX foram os que mais contribuíram para o desenvolvimento das competências organizacionais.

Construção e análise da rede integrada de interações entre genes humanos envolvida com a regulação da trnsição G1/S do ciclo celular plea adesão à matriz extracelular

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

AAERO : ambiente de aprendizado para o ensino de redes de computadores orientado a problemas

Atualmente, a sociedade tem experimentado uma grande transformação devido à crescente incorporação da tecnologia em seu cotidiano. Estas mudanças demonstram o grande avanço tecnológico experimentado nas últimas décadas, principalmente na área de Redes e Telecomunicações. Este contexto tem gerado uma crescente procura por profissionais desta área, com um perfil que privilegie, além do conhecimento técnico, outras habilidades consideradas importantes, como o pensamento crítico, o auto-aprendizado e a habilidade para trabalhar em equipe, habilidades estas que não são normalmente focadas nos cursos atuais. Estas habilidades são estimuladas nas abordagens centradas nos alunos, com destaque ao Problem-Based Learning (PBL), uma abordagem na qual o aluno é exposto a problemas, sem nenhum conhecimento prévio, e que, para resolvê-los, precisa pesquisar e analisar novas informações, visando sua aplicação na solução dos mesmos. Apesar da grande utilização do PBL em diversas instituições no mundo, existem poucas ferramentas de software que dão apoio para sua total aplicação. Por outro lado, mesmo sendo bem estruturado, o PBL não sugere indicações de como assimilar melhor novas experiências, de como buscar o conhecimento em experiências anteriores e como desenvolver problemas atuais e interessantes com características reais. Estas dificuldades podem ser minimizadas com a utilização do CBR (Case-Based Reasoning). Entre as aplicações CBR desenvolvidas especificamente na área de Redes de Computadores, pode-se destacar o sistema DUMBO, um sistema CBR, desenvolvido na UFRGS, especificamente para o diagnóstico de problemas em Redes de Computadores. A integração com o DUMBO permite à abordagem PBL ser aplicada com maior eficiência, utilizando sua biblioteca de casos como ferramenta de pesquisa e para a sugestão de novos problemas a partir de casos reais e atuais. Com base nestas afirmações, este trabalho apresenta a proposta e o desenvolvimento de um protótipo de ambiente de aprendizado para o ensino de Redes de Computadores, utilizando a abordagem PBL em conjunto com a abordagem CBR através do sistema DUMBO.

Representações reduzidas por redes neurais com aprendizado local não-supervisionado sobre campos receptivos restritos

Algoritmos ótimos na extração de componentes principais com aprendizado não-supervisionado em redes neurais de múltiplos neurônios de saída são não-locais, ou seja, as modificações em uma dada sinapse entre dois neurônios dependem também da atividade de outros neurônios. Esta rede ótima extrairá as principais componentes dos dados e submetidos à sua primeira camada. As principais componentes são as projeções destes vetores nos autovalores máximos da matriz de correlação Gij = (eiej), onde a média (-) é sobre a distribuição de e. Existem fortes evidências indicando que sinapses biológicas só se modificam via regras locais, como por exemplo a regra de Hebb. Mas se aplicarmos regras locais numa rede com múltiplas saídas, todos os neurônios da saída serão equivalentes e darão respostas redundantes. A rede será bastante ineficiente. Um modo de contornar este problema é através da restrição dos campos receptivos dos neurônios de saída. Se cada neurônio acessar diferentes partes dos estímulos de entrada, a redundância diminui significativamente. Em contrapartida, ao mesmo tempo que a redundância diminui, também diminui a informação contida em cada neurônio; assim, devemos balancear os dois efeitos otimizando o campo receptivo. O valor ótimo, em geral, depende da natureza dos estímulos, sua estatística, e também do ruído intrínseco à rede. Objetivamos com este trabalho determinar a estrutura ótima de campos receptivos com aprendizado não-supervisionado para uma rede neural de uma camada em diversas condições medindo seu desempenho a partir de técnicas de reconstrução.

Aprendizado não-supervisionado em redes neurais pulsadas de base radial: um estudo da capacidade de agrupamento para a classificação de pixels

Redes neurais pulsadas - redes que utilizam uma codificação temporal da informação - têm despontado como uma promissora abordagem dentro do paradigma conexionista, emergente da ciência cognitiva. Um desses novos modelos é a rede neural pulsada com função de base radial, que é capaz de armazenar informação nos tempos de atraso axonais dos neurônios. Um algoritmo de aprendizado foi aplicado com sucesso nesta rede pulsada, que se mostrou capaz de mapear uma seqüência de pulsos de entrada em uma seqüência de pulsos de saída. Mais recentemente, um método baseado no uso de campos receptivos gaussianos foi proposto para codificar dados constantes em uma seqüência de pulsos temporais. Este método tornou possível a essa rede lidar com dados computacionais. O processo de aprendizado desta nova rede não se encontra plenamente compreendido e investigações mais profundas são necessárias para situar este modelo dentro do contexto do aprendizado de máquinas e também para estabelecer as habilidades e limitações desta rede. Este trabalho apresenta uma investigação desse novo classificador e um estudo de sua capacidade de agrupar dados em três dimensões, particularmente procurando estabelecer seus domínios de aplicação e horizontes no campo da visão computacional.

Integração de dados do quickbird e atributos do terreno no mapeamento digital de solos por redes neurais artificiais

No presente estudo, foi realizada uma avaliação de diferentes variáveis ambientais no mapeamento digital de solos em uma região no norte do Estado de Minas Gerais, utilizando redes neurais artificiais (RNA). Os atributos do terreno declividade e índice topográfico combinado (CTI), derivados de um modelo digital de elevação, três bandas do sensor Quickbird e um mapa de litologia foram combinados, e a importância de cada variável para discriminação das unidades de mapeamento foi avaliada. O simulador de redes neurais utilizado foi o "Java Neural Network Simulator", e o algoritmo de aprendizado, o "backpropagation". Para cada conjunto testado, foi selecionada uma RNA para a predição das unidades de mapeamento; os mapas gerados por esses conjuntos foram comparados com um mapa de solos produzido com o método convencional, para determinação da concordância entre as classificações. Essa comparação mostrou que o mapa produzido com o uso de todas as variáveis ambientais (declividade, índice CTI, bandas 1, 2 e 3 do Quickbird e litologia) obteve desempenho superior (67,4 % de concordância) ao dos mapas produzidos pelos demais conjuntos de variáveis. Das variáveis utilizadas, a declividade foi a que contribuiu com maior peso, pois, quando suprimida da análise, os resultados da concordância foram os mais baixos (33,7 %). Os resultados demonstraram que a abordagem utilizada pode contribuir para superar alguns dos problemas do mapeamento de solos no Brasil, especialmente em escalas maiores que 1:25.000, tornando sua execução mais rápida e mais barata, sobretudo se houver disponibilidade de dados de sensores remotos de alta resolução espacial a custos mais baixos e facilidade de obtenção dos atributos do terreno nos sistemas de informação geográfica (SIG).

Mapeamento digital de solos por redes neurais artificiais com base na relação solo-paisagem

Técnicas de mapeamento digital podem contribuir para agilizar a realização de levantamentos pedológicos detalhados. Objetivou-se com este trabalho obter um mapa digital de solos (MDS) com uso de redes neurais artificiais (RNA), utilizando correlações entre unidades de mapeamento (UM) e covariáveis ambientais. A área utilizada compreendeu aproximadamente 12.000 ha localizados no município de Barra Bonita, SP. A partir do resultado de uma análise de agrupamento das covariáveis ambientais, foram escolhidas cinco áreas de referência para realizar o mapeamento convencional. As UM identificadas subsidiaram a aplicação da técnica de RNA. Utilizaram-se o simulador de redes neurais JavaNNS e o algoritmo de aprendizado backpropagation. Pontos de referência foram coletados para avaliar o desempenho do mapa digital produzido. A posição na paisagem e o material de origem subjacente foram determinantes para o reconhecimento dos delineamentos das UM. Houve boa concordância entre as UM delineadas pelo MDS e pelo método convencional. A comparação entre os pontos de referência e o mapa de solos digital evidenciou exatidão de 72 %. O uso da abordagem MDS utilizada pode contribuir para diminuir a falta de informações semidetalhadas de solos em locais ainda não mapeados, tomando-se como base informações pedológicas obtidas de áreas de referência adjacentes.

O poder cognitivo das redes neurais artificiais modelo ART1 na recuperação da informação

O artigo relata um experimento de simulação computacional de um sistema de recuperação da informação composto por uma base de índices textuais de uma amostra de documentos, um software de rede neural artificial implementando conceitos da Teoria da Ressonância Adaptativa, para automação do processo de ordenação e apresentação de resultados, e um usuário humano interagindo com o sistema em processos de consulta. O objetivo do experimento foi demonstrar (i) a utilidade das redes neurais de Carpenter e Grossberg (1988) baseadas nessa teoria e (ii) o poder de resolução semântica com índices sintagmáticos da abordagem SiRILiCO proposta por Gottschalg-Duque (2005), para o qual um sintagma nominal ou proposição é uma unidade linguística constituda de sentido maior que o significado de uma palavra e menor que uma narrativa ou uma teoria. O experimento demonstrou a eficácia e a eficiência de um sistema de recuperação da informação combinando esses recursos, concluindo-se que um ambiente computacional dessa natureza terá capacidade de clusterização (agrupamento) variável on-line com entradas e aprendizado contínuos no modo não supervisionado, sem necessidade de treinamento em modo batch (off-line), para responder a consultas de usuários em redes de computadores com desempenho promissor.

Atributos topográficos e dados do Landsat7 no mapeamento digital de solos com uso de redes neurais

O objetivo deste trabalho foi avaliar variáveis discriminantes no mapeamento digital de solos com uso de redes neurais artificiais. Os atributos topográficos elevação, declividade, aspecto, plano de curvatura e índice topográfico, derivados de um modelo digital de elevação, e os índices de minerais de argila, óxido de ferro e vegetação por diferença normalizada, derivados de uma imagem do Landsat7, foram combinados e avaliados quanto à capacidade de discriminação dos solos de uma área no noroeste do Estado do Rio de Janeiro. Foram utilizados o simulador de redes neurais Java e o algoritmo de aprendizado "backpropagation". Os mapas gerados por cada um dos seis conjuntos de variáveis testados foram comparados com pontos de referência, para a determinação da exatidão das classificações. Esta comparação mostrou que o mapa produzido com a utilização de todas as variáveis obteve um desempenho superior (73,81% de concordância) ao de mapas produzidos pelos demais conjuntos de variáveis. Possíveis fontes de erro na utilização dessa abordagem estão relacionadas, principalmente, à grande heterogeneidade litológica da área, que dificultou o estabelecimento de um modelo de correlação ambiental mais realista. A abordagem utilizada pode contribuir para tornar o levantamento de solos no Brasil mais rápido e menos subjetivo.

Estimação do volume de árvores utilizando redes neurais artificiais

Rede neural artificial consiste em um conjunto de unidades que contêm funções matemáticas, unidas por pesos. As redes são capazes de aprender, mediante modificação dos pesos sinápticos, e generalizar o aprendizado para outros arquivos desconhecidos. O projeto de redes neurais é composto por três etapas: pré-processamento, processamento e, por fim, pós-processamento dos dados. Um dos problemas clássicos que podem ser abordados por redes é a aproximação de funções. Nesse grupo, pode-se incluir a estimação do volume de árvores. Foram utilizados quatro arquiteturas diferentes, cinco pré-processamentos e duas funções de ativação. As redes que se apresentaram estatisticamente iguais aos dados observados também foram analisadas quanto ao resíduo e à distribuição dos volumes e comparadas com a estimação de volume pelo modelo de Schumacher e Hall. As redes neurais formadas por neurônios, cuja função de ativação era exponencial, apresentaram estimativas estatisticamente iguais aos dados observados. As redes treinadas com os dados normalizados pelo método da interpolação linear e equalizados tiveram melhor desempenho na estimação.

Marketing de relacionamento em redes interorganizacionais: estudo de uma rede de produtores de pisco da região de Ica – Peru

Dissertação de mestrado apresentada ao Programa de Pós-Graduação em Administração da USCS - Universidade Municipal de São Caetano do Sul

Aprendizado relacional por um modelo neural

As técnicas que formam o campo da Descoberta de Conhecimento em Bases de Dados (DCBD) surgiram devido à necessidade de se tratar grandes volumes de dados. O processo completo de DCBD envolve um elevado grau de subjetividade e de trabalho não totalmente automatizado. Podemos dizer que a fase mais automatizada é a de Mineração de Dados (MD). Uma importante técnica para extração de conhecimentosa partir de dados é a Programação Lógica Indutiva (PLI), que se aplica a tarefas de classificação, induzindo conhecimento na forma da lógica de primeira ordem. A PLI tem demonstrado as vantagens de seu aparato de aprendizado em relação a outras abordagens, como por exemplo, aquelas baseadas em aprendizado proposicional Os seus algorítmos de aprendizado apresentam alta expressividade, porém sofrem com a grande complexidade de seus processos, principalmente o teste de corbertura das variáveis. Por outro lado, as Redes Neurais Artificiais (RNs) introduzem um ótimo desempenho devido à sua natureza paralela. às RNs é que geralmente são "caixas pretas", o que torna difícil a obtenção de um interpretação razoável da estrutura geral da rede na forma de construções lógicas de fácil compreensão Várias abordagens híbridas simbólico-conexionistas (por exemplo, o MNC MAC 890 , KBANN SHA 94 , TOW 94 e o sistema INSS OSO 98 têm sido apresentadas para lidar com este problema, permitindo o aprendizado de conhecimento simbólico através d euma RN. Entretanto, estas abordagens ainda lidam com representações atributo-valor. Neste trabalho é apresentado um modelo que combina a expressividade obtida pela PLI com o desempenho de uma rede neural: A FOLONET (First Order Neural Network).

Reconhecimento de voz para comandos de direcionamento por meio de redes neurais

Este trabalho relata o desenvolvimento de uma aplicação capaz de reconhecer um vocabulário restrito de comandos de direcionamento pronunciados de forma isolada e independentes do locutor. Os métodos utilizados para efetivar o reconhecimento foram: técnicas clássicas de processamento de sinais e redes neurais artificiais. No processamento de sinais visou-se o pré-processamento das amostras para obtenção dos coeficientes cepstrais. Enquanto que para o treinamento e classificação foram utilizadas duas redes neurais distintas, as redes: Backpropagation e Fuzzy ARTMAP. Diversas amostras foram coletadas de diferentes usuários no sentido de compor um banco de dados flexível para o aprendizado das redes neurais, que garantisse uma representação satisfatória da grande variabilidade que apresentam as pronúncias entre as vozes dos usuários. Com a aplicação de tais técnicas, o reconhecimento demostrou-se eficaz, distinguindo cada um dos comandos com bons índices de acerto, uma vez que o sistema é independente do locutor.

Aquisição e otimização de mapas de navegação usando redes neurais

A capacidade de encontrar e aprender as melhores trajetórias que levam a um determinado objetivo proposto num ambiente e uma característica comum a maioria dos organismos que se movimentam. Dentre outras, essa e uma das capacidades que têm sido bastante estudadas nas ultimas décadas. Uma consequência direta deste estudo e a sua aplicação em sistemas artificiais capazes de se movimentar de maneira inteligente nos mais variados tipos de ambientes. Neste trabalho, realizamos uma abordagem múltipla do problema, onde procuramos estabelecer nexos entre modelos fisiológicos, baseados no conhecimento biológico disponível, e modelos de âmbito mais prático, como aqueles existentes na área da ciência da computação, mais especificamente da robótica. Os modelos estudados foram o aprendizado biológico baseado em células de posição e o método das funções potencias para planejamento de trajetórias. O objetivo nosso era unificar as duas idéias num formalismo de redes neurais. O processo de aprendizado de trajetórias pode ser simplificado e equacionado em um modelo matemático que pode ser utilizado no projeto de sistemas de navegação autônomos. Analisando o modelo de Blum e Abbott para navegação com células de posição, mostramos que o problema pode ser formulado como uma problema de aprendizado não-supervisionado onde a estatística de movimentação no meio passa ser o ingrediente principal. Demonstramos também que a probabilidade de ocupação de um determinado ponto no ambiente pode ser visto como um potencial que tem a propriedade de não apresentar mínimos locais, o que o torna equivalente ao potencial usado em técnicas de robótica como a das funções potencias. Formas de otimização do aprendizado no contexto deste modelo foram investigadas. No âmbito do armazenamento de múltiplos mapas de navegação, mostramos que e possível projetar uma rede neural capaz de armazenar e recuperar mapas navegacionais para diferentes ambientes usando o fato que um mapa de navegação pode ser descrito como o gradiente de uma função harmônica. A grande vantagem desta abordagem e que, apesar do baixo número de sinapses, o desempenho da rede e muito bom. Finalmente, estudamos a forma de um potencial que minimiza o tempo necessário para alcançar um objetivo proposto no ambiente. Para isso propomos o problema de navegação de um robô como sendo uma partícula difundindo em uma superfície potencial com um único ponto de mínimo. O nível de erro deste sistema pode ser modelado como uma temperatura. Os resultados mostram que superfície potencial tem uma estrutura ramificada.