Summary: | Nesta tese, é pesquisada a integração entre dois paradigmas da área de Inteligência Artificial, Raciocínio Baseado em Casos e Redes Neurais Artificiais. Essa pesquisa dá-se em dois sentidos. Primeiro, o estudo da aplicação da metodologia de Raciocínio Baseado em Casos ao problema da escolha e configuração de um modelo de Rede Neural Artificial. Em segundo lugar, a viabilidade da introdução de uma Rede Neural Artificial no interior do ciclo de funcionamento de um sistema baseado em casos. As soluções para o problema de escolha e configuração de um modelo de Rede Neural ainda possuem, até hoje, uma forte componente empírica. Não existe um conhecimento formalizado disponível que forneça suporte a um processo único de implementação destes sistemas, ditos conexionistas. A qualidade da solução depende em muito da habilidade do projetista em ajustar um conjunto de diversos parâmetros envolvidos. A metodologia de Raciocínio Baseado em Casos, por sua vez, fundamenta-se na idéia de que um especialista eficiente não é um processador de regras, mas um acumulador de experiências práticas, bem e mal sucedidas. Desta forma, ela torna-se bastante adequada à aplicação em domínios em que o conhecimento é mais difuso, ou seja, não pode ser facilmente explicitado. A partir destas observações, é proposta a representação do problema como uma tarefa tipicamente de projeto {design) e estabelecida uma estratégia para aplicar a metodologia em sua solução. No outro sentido, a escolha da melhor solução, dentro da metodologia de Raciocínio Baseado em Casos, depende de bons processos que permitam a transformação de uma solução anterior em uma solução adequada ao problema atual. Esses processos podem beneficiar-se, conforme é mostrado ao longo do trabalho, de uma boa capacidade de generalização de um conhecimento adquirido. Na maioria dos sistemas existentes, essas transformações, ou adaptações, são executadas através de regras de produção. Essas regras por sua vez exigem também um grau de aquisição de conhecimento em domínios nem sempre bem estruturados. Redes Neurais Artificiais possuem como ponto forte a capacidade de aprender a partir de exemplos, extrair características intrínsecas de conjuntos de dados e generalizar esse conhecimento adquirido. Essa capacidade as credencia como boas alternativas para substituição de sistemas baseados em regras. O que pode ser considerado um ponto fraco das Redes Neurais, sua carência de justificativas para, por exemplo, associações ou previsões efetuadas, não constitui um empecilho para sua intodução neste ponto específico do ciclo de Raciocínio Baseado em Casos. Com base nestas premissas, este trabalho sugere uma abordagem híbrida neurosimbólica como mecanismo de recuperação e adaptação de casos desse ciclo. Para servir como ferramenta de testes, foi também implementado um ambiente de desenvolvimento de sistemas de Raciocínio Baseado em Casos. === In this thesis, the integration of two Artificial Intelligence paradigms, Case-Based Reasoning and Artificial Neural Networks, is studied. The research is performed in two dififerent directions. First, the study of applying the Case-Based Reasoning methodology to the problem of choosing and configuring an Artificial Neural Network model. In second place, the feasibility of introducing an Artificial Neural Network inside of a case-based system working cycle. The solutions to the problem of choosing and configuring an Artificial Neural Network model have a strong empirical component. There is no available formalized knowledge that provides substance for an unified implementation process of those systems, known as connectionist. The solution quality depends upon the designer skill in adjusting a set of several related parameters. The Case-Based Reasoning methodology has its fundaments on the idea that an efficient expert is not a rule processor, but a collector of practical experiences, well succeeded or not. So, the methodology becomes very sound to be applied to domains where the knowledge is more difluse and it is difficult to make it explicit. From those observations, it is proposed the problem representation as a typical design task and it is established a strategy to apply the methodology in its solution. In the other direction, the choice of the best solution, inside the Case-Based Reasoning methodology, depends upon the existence of good processes that allow the transformation of a former solution into an adequate solution to the present problem. Those processes can take profit, as is shown along the work, of a good generalization capacity of the acquired knowledge. In most of the actual systems, those transformations, or adaptations, are accomplished by production rales. Those rules also demand a high degree of knowledge acquisition in domains not always well structured. Artificial Neural Networks have as a strong characteristic the ability of learning from examples, extract intrinsic features from datasets and to generalize this acquired knowledge. This ability gives them credentials to be good options in substituting rule based systems. What could be considered a weak characteristic of the Neural Networks, its leak of justifications to make its associations or predictions, does not constitute a barrier to its introduction in this specific point of the Case-Based Reasoning cycle. Based on those premises, this work suggests a neurosymbolic hybrid approach as a mechanism of retrieving and adapting cases inside this cycle. In order to provide a testing tool, it was also created a Case-Based Reasoning development environment.
|