Sistemas de apoio à decisão

1
Secção II
A
utilização nas empresas das tecnologias de
inteligência artificial
2
As empresas e a IA
“Concebidas
para aproveitar as capacidades
dos seres humanos, não para as substituir…as
tecnologias de IA possibilitam uma gama
extraordinária de aplicações, que forjam
novas ligações entre as pessoas, os
computadores, o conhecimento e o mundo
físico.”
3
Inteligência artificial
Uma
área da ciência e da tecnologia, baseada
nas disciplinas da informática, biologia,
psicologia, linguística, matemática e
engenharia.
O objectivo é desenvolver computadores que
consigam pensar, ver, ouvir, andar, falar e
sentir.
Grande impulso: desenvolvimento de funções
informáticas normalmente associadas à
inteligência humana – raciocínio,
aprendizagem, resolução de problemas.
4
Inteligência artificial (continuação)
Domínios
da IA
Três grandes áreas
Ciência cognitiva
Robótica
Interfaces naturais
5
Inteligência artificial (continuação)
 Ciência
cognitiva
 Centra-se na investigação acerca do funcionamento
do cérebro e de da formas de pensar e de aprender
dos seres humanos.
 Aplicações
 Sistemas periciais
 Sistemas adaptativos
 Sistemas de lógica difusa
 Redes neuronais
 Agentes inteligentes
6
Inteligência artificial (continuação)
Robótica
Produz
robôs com inteligência informática,
controlados por computadores, com
capacidades físicas do tipo humano.
Interfaces naturais
Linguagem natural e reconhecimento da fala
Falar para um computador que nos percebe
Realidade virtual
7
Redes neuronais
Sistemas
informáticos modelados à maneira
da rede cerebral, com elementos de
processamento interligados – “neurónios”.
Objectivo: a rede neuronal aprende a partir
do dados que processa.
8
Exemplo de redes neuronais
Apresentação
www.nd.com
da NeuroSolutions.
9
Sistemas de lógica difusa
Um
método de raciocínio que se assemelha ao
do raciocínio humano.
Permite ter valores aproximados e inferências.
Permite lidar com dados incompletos ou
ambíguos.
Permite aos sistemas “difusos” processar
dados incompletos e fornecer soluções
aproximadas (mas aceitáveis) para os
problemas.
10
11
Decision Support System
“Consultar as bases de dados por SQL é óptimo quando
se conhece exactamente aquilo que se procura. O sistema
de apoio à decisão do nosso produto Manifold possibilita a
realização de procuras em bases de dados, através de
critérios flexíveis, quando não se tem a certeza absoluta
dos limites a impor.
Para tal, o nosso sistema utiliza (...) com lógica difusa (...).
Em vez de procurar, numa consulta, rendimentos acima
de USD 100.000, o sistema de apoio à decisão pode
desenhar automaticamente uma curva, na qual os valores
acima de 100.000 são muito mais desejáveis numa busca
por rendimentos “elevados”, mas na qual alguns valores
inferiores a 100.000 poderão ser aceitáveis, em buscas
combinadas com outros factores.”
(http://www.manifold.net/products/commander/cmdr_sample_dialogs.html)
12
Este primeiro ecrã de exemplo mostra uma base de dados
demográfica relativa aos concelhos do Sudeste dos EUA.
(http://www.manifold.net/products/commander/cmdr_sample_dialogs.html)
13
Este 2º ecrã mostra uma consola de DSS, carregada com uma
consulta chamada “HighHispanic”, a qual procura concelhos
onde os rendimentos da população hispânica sejam “elevados”
e os da população caucasiana sejam “baixos”.
14
Clicando em “Save”, na anterior consola DSS, acrescenta uma
coluna activa (a verde), na tabela anterior, à qual se deu o nome
“HighHispanic”. Esta coluna classifica cada registo relativamente
ao cumprimento dos critérios “difusos” definidos no DSS. Este
terceiro ecrã de exemplo mostra a base de dados ordenada
pelos valores dessa coluna. Note-se que os condados do cimo
destacam-se por rendimentos invulgarmente elevados na
população hispânica e invulgarmente baixos na população
caucasiana. É impossível encontrar este tipo de relações nas
pesquisas SQL tradicionais.
15
Este último ecrã mostra o diálogo de definição de perfis no DSS.
O DSS do Manifold fornece “predefinições”, tais como “Average”
(média), que varrem automaticamente a base de dados. (O
gráfico de colunas, por trás da linha de perfil, é um histograma
dos valores existentes na base de dados.)
16
Esses varrimentos da base de dados visam criar perfis
“sensatos” para o tipo de buscas que se pretende fazer: “Médio”,
“Elevado”, “Baixo”.
Alternativamente, podem ser definidos critérios flexíveis,
atribuindo classificações de confiança relativas às buscas a
efectuar; ou então, especificando tudo manualmente.
17
Algoritmos genéticos
Utiliza
funções darwinianas e aleatórias, e
outras funções matemáticas, para simular um
processo evolutivo que possa gerar soluções
progressivamente melhores.
São particularmente úteis nas situações em
que pode haver milhares de soluções, que é
necessário avaliar.
18
Exemplo de algoritmos genéticos
Problema
clássico: “caixeiro viajante”.
19
Exemplos comerciais de DSS com
algoritmos genéticos
20
Realidade virtual
Realidade
simulada pelos computadores.
Apoia-se em dispositivos multi-sensoriais de
entrada e saída.
Permite a interacção com objectos, entidades e
ambientes simulados pelo computador, a três
dimensões.
21
Exemplo:
Computer Associates Navigator
22
Agentes inteligentes
Um
“serviçal de software” para um utilizador
final ou um processo, que cumpre uma
necessidade ou actividade explícita.
Utiliza uma base de conhecimento integrada
(ou apreendida), sobre uma pessoa ou um
processo, para tomar decisões e efectuar
tarefas.
23
Agentes inteligentes
24
Sistemas periciais
Um
sistema de informação baseado no
conhecimento, que usa o conhecimento que
possui acerca de uma área específica,
complexa, para actuar como perito consultor.
Fornece
respostas a perguntas dentro de uma
área de problemas muito específica.
Tem
de ser capaz de explicar ao utilizador o
processo de raciocínio e as conclusões.
25
Sistemas periciais: exemplo
26
Sistemas periciais: exemplo (cont.)
27
Sistemas periciais: exemplo (cont.)
28
Sistemas periciais: exemplo (cont.)
29
Sistemas periciais: exemplo (resultados)
30
Sistemas periciais (continuação)
Componentes
Base
de conhecimento
Recursos de software
31
Sistemas periciais (continuação)
Base
de conhecimento
Contém:
factos acerca de uma área temática
específica;
heurística que exprime os processos de
raciocínio de um perito na área.
32
Sistemas periciais (continuação)
 Recursos
de software
 Contém um motor de inferência e outros
programas, para refinar o conhecimento e
comunicar:
 O motor de inferência processa o
conhecimento e faz associações e inferências;
 Os programas da interface de utilizador,
incluindo um programa de explicação,
permitem comunicar com o utilizador.
33
Desenvolvimento de sistemas periciais
Começar
com uma “concha” de sistema
pericial.
Acrescentar a base de conhecimento.
Feitos
por “engenheiros do conhecimento”
Trabalhar com peritos, para lhes capturar o
conhecimento.
Trabalhar com peritos da área, para
construir o sistema pericial.
34
O valor dos sistemas periciais (continuação)
 Benefícios
 Em
muitas situações problemáticas, podem ter
melhor desempenho do que um perito humano
isolado.
 Ajudam a preservar e a reproduzir o conhecimento
dos peritos.
 Limitações
 Âmbito
limitado, incapacidade de aprender,
problemas de manutenção, custos de
desenvolvimento.
35
Perguntas de debate
A
forma e a utilização de sistemas de apoio à
decisão, por parte dos gestores e outros
quadros empresariais, estão-se a alterar e a
expandir? Porquê?
O
aumento do número de de equipas
auto-dirigidas, para gestão do trabalho nas
organizações, alterou as necessidades de
tomada de decisões nas empresas, a nível
estratégico, táctico e operacional?
36
Perguntas de debate (continuação)
Qual
é a diferença entre a capacidade de um
gestor para obter informações de forma
instantânea, a pedido, utilizando um MIS e
utilizando as capacidades de um DSS?
De
que formas é que a utilização de um pacote
de folhas de cálculo fornece as características
de um sistema de apoio à decisão?
37
Perguntas de debate (continuação)
Consulte
o caso real deste capítulo, referente à
Allstate Insurance, à Aviva Canada e outras
empresas. Parece que as empresas acham que
a inteligência empresarial é uma questão de
negócio, não acham que seja uma questão
tecnológica. Se assim é, porque é que as
empresas parecem estar a colocar nos
departamentos de informática cada vez mais
responsabilidades pelos sistemas de
inteligência empresarial?
38
Perguntas de debate (continuação)
Os
portais de informações empresariais estão
a fazer com que os sistemas de informações
para executivos sejam desnecessários?
Justifique a sua resposta.
Os computadores conseguem pensar? Irão
alguma vez ser capazes de o fazer? Explique a
sua resposta.
Indique, justificando, algumas das aplicações
empresariais mais importantes da inteligência
artificial.
39
Perguntas de debate (continuação)
Consulte
o caso real deste capítulo sobre a WalMart, BankFinancial e HP. Porque é que as
redes neuronais e os sistemas periciais são
usados em muitas aplicações de mineração de
dados?
Que limitações ou perigos consegue visualizar,
relativamente ao uso das tecnologias de
inteligência artificial, como os sistemas
periciais, a realidade virtual e os agentes
inteligentes? Que pode ser feito para minimizar
esses efeitos?
40
Caso real 1 – Allstate Insurance, Aviva Canada e outras:
A inteligência empresarial centralizada a funcionar
1.O que é a inteligência empresarial? Porque é que os
sistemas de inteligência empresarial são uma das
aplicações mais populares das tecnologias de
informação?
2.Qual é o valor de negócio das várias aplicações de
inteligências empresarial debatidas neste caso?
3.Um sistema de inteligência empresarial é um MIS ou
um DSS?
41
Caso real 2 – Wal-Mart, BankFinancial e HP:
O valor de negócio da inteligência artificial
1.Qual é o valor de negócio nas empresas, hoje em dia, das
tecnologias de inteligência artificial? Ilustre a sua
resposta com exemplos do caso.
2.Indique alguns dos benefícios e limitações da mineração
de dados para obtenção de inteligência empresarial.
Ilustre a usa resposta com o exemplo do BankFinancial.
3.Porque é que os bancos e outras instituições financeiras
têm sido utilizadores pioneiros das tecnologias de
inteligência artificial, como as redes neuronais? Quais
são os benefícios e as limitações desta tecnologia?
42
Caso real 3 – Procter&Gamble e outras:
Uso de modelação de agentes para SCM
1.Concorda com a P&G, quando diz que a cadeia
de abastecimento devia chamar-se “rede de
abastecimento”? Justifique.
2.Qual é o valor de negócio da modelação com
agentes? Utilize as empresas deste caso como
exemplos.
3.Visite o sítio Web da NuTech Solutions. Como é
que a NuTech utiliza técnicas de inteligência
artificial para ajudar as empresas a ganhar
inteligência empresarial “adaptativa”? Dê
exemplos a partir dos estudos de caso, no sítio.
43
Caso real 4 – Boehringer Ingelheim: O uso de ferramentas
baseadas na Web para análises e relatórios financeiros
1.Quais são os benefícios e limitações de negócio,
no caso da Boehringer, de usar sistemas de base
Web para análises e relatórios financeiros?
2.Quais desses sistemas são ferramentas MIS? E
ferramentas DSS? Porquê?
3.Como é que as ferramentas Cognos, utilizadas
pela Boehringer, poderiam ser usadas para
marketing ou outras aplicações de análise e
relatórios empresariais? Como apoio à sua
resposta, visite o sítio Web da Cognos.