SIDNEY SRGIO FACHINI

MODELAGEM DE UM SISTEMA ESPECIALISTA PARA O PROCESSO DE SELEO DE PESSOAL: UM ENFOQUE APLICAO DA LGICA FUZZY

RIO DO SUL - SC NOVEMBRO/2003

SIDNEY SRGIO FACHINI

MODELAGEM DE UM SISTEMA ESPECIALISTA PARA O PROCESSO DE SELEO DE PESSOAL: UM ENFOQUE APLICAO DA LGICA FUZZY

Trabalho de Concluso de Curso submetido Universidade para o Desenvolvimento do Alto Vale do Itaja para a obteno dos crditos na disciplina com nome equivalente no curso de Bacharel em Sistemas de Informao Prof. Marco Aurlio Butzke

Prof. Orientador: Juliano Tonizetti Brignoli

RIO DO SUL - SC NOVEMBRO/2003

FOLHA DE APROVAO
SIDNEY SRGIO FACHINI

MODELAGEM DE UM SISTEMA ESPECIALISTA PARA O PROCESSO DE SELEO DE PESSOAL: UM ENFOQUE APLICAO DA LGICA FUZZY

Este Trabalho de Concluso de Curso foi julgado adequado para a obteno dos crditos na disciplina de nome equivalente do curso de Sistema de Informao, obrigatria para a obteno do ttulo de :

BACHAREL EM SISTEMAS DE INFORMAO

_________________________________________ Prof. Juliano Tonizetti Brignoli - Orientador

Banca Examinadora:

_________________________________________ Prof. Fernando Bastos

_________________________________________ Prof. Sandro Chiquetti

Rio do Sul, 24 de novembro de 2003

DEDICATRIA

minha esposa Heloise e ao meu filho Felipe, cmplices nessa caminhada.

AGRADECIMENTOS

Dedico tambm, com profundo agradecimento, aos ilustres professores do curso de Bacharel em Sistemas de Informao, e em especial ao professor e amigo Juliano Tonizetti Brignoli, pelas lies de profissionalismo a que pretendo ser competente o suficiente para seguir. Um especial agradecimento tambm, aos amigos que conquistei ao longo do curso, em especial ao grande amigo Roberto Borini, com quem tive o imenso prazer de conviver durante estes quatro anos de Universidade, estudando, trabalhando, pesquisando, enfim, dividindo grandes momentos que certamente ficaro em minha memria por muito tempo.

RESUMO
Muitas das tarefas que os especialistas humanos executam hoje em dia, esto sendo cada vez mais auxiliadas por programas computacionais ditos inteligentes. Para realizar uma tarefa especfica, preciso possuir conhecimento especializado. Seguindo este pensamento, a seleo de pessoas para uma determinada vaga em uma organizao, tambm exige um certo conhecimento especializado. Ento, se o Sistema Especialista puder possuir o conhecimento do especialista humano de uma determinada rea especfica, certamente este sistema poder auxili-lo na tomada de suas decises. Um Sistema Especialista um agrupamento organizado de pessoas, procedimentos, dados, informaes e dispositivos, usados para gerar um parecer especializado, ou sugerir uma deciso em uma rea, domnio ou disciplina. Ele atua como um profissional especializado com muita experincia em determinado domnio. Esta tecnologia oriunda da Inteligncia Artificial, est direcionada soluo de problemas que normalmente so resolvidos por especialistas humanos. O domnio de atuao do Human, nome dado ao modelo proposto neste trabalho, o de Recursos Humanos. O Human, servir como ferramenta auxiliar a formao de Recursos Humanos das organizaes. O Human, quando completamente implementado, ser capaz de auxiliar o especialista humano, na avaliao das qualificaes dos candidatos s vagas disponibilizadas pelas organizaes. Para a elaborao do Human, ser utilizada a tecnologia de Sistemas Especialistas aliada a Lgica Fuzzy, devido a grande capacidade que os conjuntos Difusos possuem de representar informaes do mundo real.

PALAVRAS CHAVES: Human, recursos humanos, sistema especialista, inteligncia, lgica, conjuntos difusos.

ABSTRACT
Many of the tasks that the human specialists execute nowadays, are being each time more assisted by inteligentes said computational programs. To carry through a specific task, it is necessary to possess specialized knowledge. Following this thought, the election of people for vacant determined one in an organization, also it demands a certain specialized knowledge. Then, if the System Specialist will be able to possess the knowledge of the human specialist of one determined specific area, certainly this system will be able to assist it in the taking of its decisions. A System Specialist is a organized grouping of people, procedures, data, information and devices, used to generate one to seem specialized, or to suggest a decision in an area, domain or disciplines. determined domain. This deriving technology of Artificial Intelligence, is directed to the solution of problems that normally are decided by human specialists. The domain of performance of the Human, name given to the model considered in this work, is of Human resources. The Human, will serve as tool auxiliary the formation of Human resources of the organizations. The Human, when completely implemented, will be capable to assist the human specialist, in the evaluation of the qualifications of the candidates to the vacant disponibilizadas for the organizations. For the elaboration of the Human, the Fuzzy Logic will be used the allied technology of Systems Specialists, which had the great capacity that the Diffuse sets possess to represent information of the real world. It acts as a professional specialized with much experience in

WORDS KEYS: Human, resources human, system specialist, intelligence, logic, sets diffuse.

LISTA DE ILUSTRAES
FIGURA 1 Arquitetura de um Sistema Especialista ............................................................. 21 FIGURA 2 Fases de aquisio de conhecimento................................................................... 26 FIGURA 3 Mtodo manual para aquisio de conhecimento ............................................... 26 FIGURA 4 Mtodo semi-automtico para aquisio de conhecimento ................................ 27 FIGURA 5 Mtodo automtico para aquisio de conhecimento ......................................... 27 FIGURA 6 Representao do conhecimento em uma Rede Semntica ................................ 29 FIGURA 7 Campo de atuao da Shell num Sistema Especialista ....................................... 31 FIGURA 8 Tela inicial da Shell Unfuzzy............................................................................... 32 FIGURA 9 Comparativo entre Pertinncia Difusa e Pertinncia Convencional ................... 34 FIGURA 10 Exemplo de conjunto Difuso ............................................................................ 36 FIGURA 11 Processo de comparao em duas variveis...................................................... 39 FIGURA 12 DFD de nvel 0. O ciclo de vida de um projeto de Inteligncia Artificial ........ 42 FIGURA 13 Diagrama de Contexto ...................................................................................... 47 FIGURA 14 DFD particionado da entidade Entrevistador.................................................... 47 FIGURA 15 DFD particionado da entidade Shell ................................................................. 47 FIGURA 16 Tela de coleta dos dados pessoais do candidato ............................................... 49 FIGURA 17 Tela de coleta dos dados familiares do candidato............................................. 49 FIGURA 18 Tela de coleta de outras informaes do candidato .......................................... 50 FIGURA 19 Graus de aceitabilidade dos candidatos para o cargo........................................ 50 FIGURA 20 Funes de pertinncia (Idade) ......................................................................... 54 FIGURA 21 Funes de pertinncia (Escolaridade) ............................................................. 55 FIGURA 22 Funes de pertinncia (Experincia profissional) ........................................... 56 FIGURA 23 Exemplo de regra gerada pela Shell Unfuzzy .................................................... 57 FIGURA 24 Tela da Shell Unfuzzy mostrando o Grau de Aceitabilidade............................. 58 FIGURA 25 Exemplo apresentao do grau de aceitabilidade dos candidatos..................... 59 FIGURA 26 Exemplo apresentao do grau de aceitabilidade de uma simulao................ 60 FIGURA 27 Exemplo apresentao do grau de aceitabilidade de uma simulao................ 61 FIGURA 28 Exemplo apresentao do grau de aceitabilidade de uma simulao................ 62

LISTA DE TABELAS
TABELA 1 Comparativo entre um sistema convencional e um sistema especialista ........... 24 TABELA 2 Dicionrio de Dados da tabela candidatos.db .................................................... 48

10

LISTA DE ABREVIATURAS
IA SE RH Inteligncia Artificial Sistemas Especialistas Recursos Humanos

11

SUMRIO
1 INTRODUO ................................................................................................................... 14 1.1 PROBLEMA ...................................................................................................................... 15 1.2 JUSTIFICATIVA ............................................................................................................... 15 1.3 OBJETIVOS ....................................................................................................................... 16 1.3.1 Objetivo Geral................................................................................................................ 16 1.3.2 Objetivos Especficos..................................................................................................... 16 2 INTELIGNCIA ARTIFICIAL ........................................................................................ 17 2.1 INTRODUO.................................................................................................................. 17 2.2 OBJETIVOS DA INTELIGNCIA ARTIFICIAL............................................................. 18 2.3 APLICAES DA INTELIGNCIA ARTIFICIAL ......................................................... 18 3 SISTEMAS ESPECIALISTAS .......................................................................................... 19 3.1 HISTRICO ....................................................................................................................... 19 3.2 INTRODUO.................................................................................................................. 19 3.3 ARQUITETURA DE UM SISTEMA ESPECIALISTA.................................................... 20 3.3.1 Memria de Trabalho ................................................................................................... 21 3.3.2 Base de Conhecimento................................................................................................... 22 3.3.3 Motor de Inferncia....................................................................................................... 22 3.4 OBJETIVOS DE UM SISTEMA ESPECIALISTA........................................................... 22 3.5 VANTAGENS E DESVANTAGENS DE UM SISTEMA ESPECIALISTA ................... 23 3.6 SISTEMAS CONVENCIONAIS VERSUS SISTEMAS ESPECIALISTAS .................... 23 3.7 AQUISIO DE CONHECIMENTO ............................................................................... 24 3.7.1 Processos na Aquisio de Conhecimentos ................................................................. 25 3.7.2 Mtodos para Aquisio de Conhecimento ................................................................. 26 3.8 REPRESENTAO DO CONHECIMENTO................................................................... 27 3.8.1 Representao Lgica.................................................................................................... 28 3.8.2 Redes Semnticas........................................................................................................... 28 3.9 SHELL PARA SISTEMAS ESPECIALISTAS.................................................................. 29 3.9.1 A Shell Unfuzzy para Sistemas Especialistas............................................................... 31 4 LGICA FUZZY ................................................................................................................. 33 4.1 HISTRICO ....................................................................................................................... 33

12

4.2 INTRODUO.................................................................................................................. 33 4.3 CARACTERSTICAS DA LGICA FUZZY .................................................................... 34 4.4 VANTAGENS DA LGICA FUZZY ................................................................................ 34 4.5 CONJUNTOS FUZZY OU CONJUNTOS DIFUSOS ....................................................... 35 4.5.1 Variveis Lingsticas ................................................................................................... 36 4.5.2 Raciocnio Difuso ........................................................................................................... 37 4.6 SISTEMAS ESPECIALISTAS E A TEORIA DOS CONJUNTOS DIFUSOS................. 37 5 RECURSOS HUMANOS ................................................................................................... 38 5.1 INTRODUO.................................................................................................................. 38 5.2 RECRUTAMENTO DE PESSOAL................................................................................... 38 5.3 SELEO DE PESSOAL.................................................................................................. 39 5.3.1 Seleo como um Processo de Comparao ................................................................ 39 5.4 A IMPORTNCIA DO RECRUTAMENTO E DA SELEO DE PESSOAL .............. 40 6 MODELAGEM DO HUMAN............................................................................................. 41 6.1 INTRODUO.................................................................................................................. 41 6.2 ETAPAS PARA A CONSTRUO DE UM SISTEMA ESPECIALISTA ..................... 41 6.2.1 O Levantamento (Atividade 1) ..................................................................................... 43 6.2.2 A Anlise Estruturada (Atividade 2) ........................................................................... 43 6.2.3 O Projeto (Atividade 4) e a Implementao (Atividade 6)......................................... 44 6.2.4 A Integrao de Sistemas (Atividade 5)....................................................................... 44 6.2.5 A Aquisio de Conhecimento (Atividade 9) .............................................................. 44 6.3 ARQUITETURA UTILIZADA.......................................................................................... 45 6.3.1 A Lgica.......................................................................................................................... 45 6.3.2 A Shell............................................................................................................................. 45 6.3.3 A Plataforma .................................................................................................................. 46 6.3.4 A Ferramenta de Desenvolvimento .............................................................................. 46 6.3.5 O Banco de Dados.......................................................................................................... 46 6.3.6 A Anlise Essencial........................................................................................................ 46 6.3.7 A Interface com o Usurio ............................................................................................ 48 6.4 METODOLOGIA UTILIZADA......................................................................................... 51 6.4.1 Aquisio de Conhecimento.......................................................................................... 51 6.4.2 Aquisio de Conhecimento do Candidato ................................................................. 51 6.4.3 Representao do Conhecimento ................................................................................. 51

13

6.4.4 Modelagem Difusa ......................................................................................................... 51 6.4.5 Criao dos Conjuntos Difusos .................................................................................... 52 6.4.6 Funes de Pertinncia.................................................................................................. 53 6.4.7 Mquina de Inferncia .................................................................................................. 56 6.5 CONSIDERAES FINAIS ............................................................................................. 59 6.5.1 Simulaes ...................................................................................................................... 59 6.5.2 Resultados Alcanados .................................................................................................. 62 6.5.3 Avaliaes Finais............................................................................................................ 62 7 CONCLUSO...................................................................................................................... 64 8 BIBLIOGRAFIA ................................................................................................................. 66 ANEXOS ................................................................................................................................. 68

14

1 INTRODUO
A tecnologia da era moderna proporciona ao ser humano, uma vida mais confortvel e at mesmo mais segura, porm, esta evoluo alterou consideravelmente seus hbitos, seja em seu lazer, em sua atividade educacional e principalmente em sua atividade profissional. Dentre estas tecnologias, a Inteligncia Artificial vem ocupando lugar de destaque. Uma das reas em que a Inteligncia Artificial, tem se dedicado a dos Sistemas Especialistas. Os Sistemas Especialistas so sistemas baseados em conhecimento de uma determinada rea, utilizados para resolver problemas relacionados a esta rea, de forma semelhante a que realizada pelo especialista humano. O trabalho proposto para a concluso do curso de Bacharel em Sistemas de Informao, abrange duas reas bem distintas, propondo uma juno das mesmas. Trata-se da rea de Recursos Humanos e da rea de Inteligncia Artificial. A rea de Recursos Humanos que trata da seleo de pessoal, que tem como objetivo essencial, o de selecionar candidatos qualificados para ocupar cargos dentro das organizaes. E a outra rea, a rea da Inteligncia Artificial, que a que abrange a tecnologia dos Sistemas Especialistas. Os Sistemas Especialistas trabalham basicamente com o conhecimento, ou seja, com o conhecimento de especialistas humanos, em determinada rea, transportado para um computador. O objetivo deste trabalho o de aplicar a tecnologia dos Sistemas Especialistas, no setor de Recursos Humanos, auxiliando os profissionais desta rea no momento da seleo dos candidatos. O conhecimento do especialista humano da rea de Recursos Humanos, ser transportado para um Sistema Especialista. Esse conhecimento diz respeito aos requisitos exigidos dos candidatos, as qualificaes que o candidato deve possuir e os mtodos que o especialista utiliza para avaliar os candidatos. A proposta de criao do Human como ferramenta de auxlio ao especialista humano no momento da seleo de candidatos, surgiu da idia de que, se os especialistas humanos utilizam informaes e mtodos especficos para avaliar os candidatos e, os Sistemas Especialistas manipulam o conhecimento que possuem, porque no tentar transferir o conhecimento destes especialistas humanos para os Sistemas Especialistas.

15

Para tal, utilizou-se a Lgica Fuzzy e a Teoria dos Conjuntos Difusos, devido a grande capacidade que os conjuntos Difusos possuem de representar informaes do mundo real. Logo mais adiante, nas Consideraes Finais, veremos se esta tentativa se revelou positiva ou no.

1.1 PROBLEMA

Para uma organizao, a anlise dos Recursos Humanos de vital importncia, pois serve como um termmetro da qualidade dos profissionais que atuam na organizao. Com um mercado cada vez mais globalizado e exigente, h a necessidade de a rea de Recursos Humanos obter o maior ndice de satisfao e excelncia quando o assunto , seleo de pessoal. O fruto proveniente desta seleo, trar significativos resultados s organizaes, e para que estes resultados sejam os mais positivos possveis, a busca por funcionrios competentes, qualificados, identificados e comprometidos com a cultura da organizao, est cada vez mais intensa. Diante do exposto, o prottipo apresentado vem ao encontro de uma soluo para este problema, procurando auxiliar o especialista humano no momento da seleo dos candidatos s vagas disponveis pela organizao.

1.2 JUSTIFICATIVA

Alguns dos argumentos que mostram a relevncia e importncia deste projeto so: Escassez de Sistemas Especialistas para a rea de Recursos Humanos; Necessidade de uma maior preciso dos resultados finais obtidos aps as entrevistas; Contrataes sem critrios definidos; Detectar caractersticas de potencialidades nos candidatos s vagas.

Este trabalho, pretende ainda apresentar-se como fonte de consulta para profissionais interessados em conhecer alguns detalhes relacionados aos Sistemas Especialistas.

16

1.3 OBJETIVOS

1.3.1 Objetivo Geral

Desenvolver um prottipo de Sistema Especialista para a rea de Recursos Humanos, para que os profissionais desta rea possam realizar um processo de seleo de pessoal mais rpido, mais eficiente e mais eficaz, proporcionando com isso reduzir custos para as organizaes, selecionando pessoas capacitadas e identificadas com a cultura da organizao.

1.3.2 Objetivos Especficos

Investigar uma arquitetura para o desenvolvimento do Human; Efetuar um levantamento das ferramentas disponveis para a utilizao dos mtodos de inferncia Fuzzy; Identificar as caractersticas de seleo com base nas informaes obtidas do especialista humano; Estudar, bem como, definir e aplicar mecanismos de aquisio e representao do conhecimento; Verificar um modelo de armazenamento das informaes em Banco de Dados; Implementar o Human, definindo uma interface prototipada e utilizando uma ferramenta de inferncia Fuzzy; Demonstrar a utilidade do Sistema Especialista proposto; Validar os resultados obtidos, com base em simulaes.

17

2 INTELIGNCIA ARTIFICIAL
2.1 INTRODUO

H muito tempo, vrios pesquisadores, cientistas e demais estudiosos, tentam desvendar os mistrios da inteligncia humana, com o principal intuito de entender seu funcionamento. Inmeras pesquisas foram desenvolvidas a fim de tentar reproduzir a forma humana de pensar, computacionalmente. No mbito computacional, a expresso Inteligncia Artificial utilizada para designar o estudo do comportamento inteligente . Mas, o que exatamente, Inteligncia Artificial? Embora muitas tentativas de definir precisamente termos complexos e amplamente usados sejam exerccios de futilidade, til traar pelo menos uma fronteira aproximada em torno do conceito para oferecer uma perspectiva sobre a discusso que segue. Para tanto, [RIC93] props a seguinte definio, que de modo algum aceita universalmente. Inteligncia Artificial o estudo de como fazer os computadores realizarem coisas que, no momento, as pessoas fazem melhor. claro que esta definio um tanto quanto simplria, mas fornece uma boa noo sobre o que constitui a Inteligncia Artificial. Mas existem outros conceitos. Segundo [RAB95], Inteligncia Artificial o resultado da aplicao de tcnicas e recursos, especialmente de natureza no numrica, viabilizando a soluo de problemas que exigiram do ser humano certo grau de raciocnio e de percia. Outro conceito considerado aceitvel o que nos traz [HAR88], dizendo que a Inteligncia Artificial um campo de estudos que busca o desenvolvimento de sistemas inteligentes. Entende-se por sistemas inteligentes, aqueles capazes de resolver problemas, que, se resolvidos por humanos, exigiriam um comportamento dito inteligente.

18

2.2 OBJETIVOS DA INTELIGNCIA ARTIFICIAL

A Inteligncia Artificial tem como objetivo principal compreender os princpios que permitem simular a inteligncia humana por meio da criao de modelos computacionais de processos cognitivos, bem como desenvolver sistemas (hardware ou software) mais teis e com capacidade de deduo e percepo [RAB95].

2.3 APLICAES DA INTELIGNCIA ARTIFICIAL

Ainda segundo [RAB95], a Inteligncia Artificial pode ser aplicada onde existir inferncia humana e esta necessitar de alguma forma de auxlio ou automatizao. Dentre as diversas reas da Inteligncia Artificial, cita-se como exemplos, a robtica, a computao algbrica, os sistemas especialistas, e ainda as redes neurais. Podem existir vrias outras aplicaes da Inteligncia Artificial, porm estas so as que mais tm se destacado nos ltimos anos.

19

3 SISTEMAS ESPECIALISTAS
3.1 HISTRICO

A Inteligncia Artificial teve incio nos anos 50. O termo Artificial Intelligence foi criado em 1956 por John McCarthy, da Universidade de Stanford. As fundaes desta rea da computao foram estabelecidas com o estudo da lgica matemtica, da teoria de funes recursivas e do processamento de listas. Estas tcnicas permitiram a construo de programas de processamento simblico. A meta era construir programas de computadores que resolvessem problemas de forma que imitassem os seres humanos [CUN87]. No decorrer dos anos foram construdas vrias aplicaes denominadas de Sistemas Especialistas, algumas se destacaram por obter sucesso em seus objetivos, tais como o DENDRAL em 1964, que deduzia a possvel estrutura de um determinado composto qumico, o CASNET nos anos 70, que era utilizado em diagnsticos de glaucoma1, e ainda o MYCIN tambm nos anos 70 e tambm para a rea mdica, que fornecia conselhos sobre o tratamento de doenas infecciosas, particularmente meningite e outras infeces que envolvem bactrias no sangue [CUN87]. Com certeza existiram vrias outras aplicaes, mas sem muita relevncia para a histria dos Sistemas Especialistas, mas que desde ento, possibilitaram que as pesquisas evolussem de forma rpida e consistente, principalmente em torno da aquisio e representao do conhecimento2.

3.2 INTRODUO

Sistemas Especialistas so programas de computador que usam conhecimento especializado e procedimentos de inferncia para resolver problemas que normalmente so solucionados por especialistas humanos com larga experincia em certa rea [LEV88].
Glaucoma uma doena que aumenta a tenso intraocular e que pode trazer srias perturbaes visuais transitrias ou definitivas. 2 Falaremos de forma mais ampla sobre aquisio e representao do conhecimento mais adiante.
1

20

Desta maneira, tornam-se capazes de tomar uma deciso, baseada no conhecimento acumulado. Conhecimentos estes tomados de uma base de conhecimento, semelhante a um especialista humano, que busca em sua memria a experincia acumulada durante sua vida profissional [CUN87]. Um Sistema Especialista aquele que projetado e desenvolvido para atender a uma aplicao determinada e limitada do conhecimento humano. capaz de emitir uma deciso, apoiada em conhecimento justificado, a partir de uma base de informaes, tal qual um especialista humano de determinada rea do conhecimento. Para tomar uma deciso sobre um determinado assunto, um especialista humano a faz a partir de fatos que encontra e de hipteses que formula, buscando em sua memria um conhecimento prvio armazenado durante anos, no perodo de sua formao e no decorrer de sua vida profissional. Um Sistema Especialista deve, alm de inferir concluses, ter capacidade de aprender novos conhecimentos e, desse modo, melhorar o seu desempenho de raciocnio, e a qualidade de suas decises. Em suma, os Sistemas Especialistas so concebidos para reproduzir o comportamento de especialistas humanos na resoluo de problemas do mundo real. Se analisarmos os termos isoladamente, poderemos ter um entendimento mais fcil, e ao mesmo tempo, mais claro. Sistema = Conjunto de elementos, materiais ou idias, entre os quais se pode encontrar ou definir alguma relao. Especialista = Pessoa que se consagra com particular interesse, conhecimento e cuidado a certo estudo. Conhecedor, perito.

3.3 ARQUITETURA DE UM SISTEMA ESPECIALISTA

Para exemplificar a arquitetura ou estrutura de um Sistema Especialista genrico, [BIT01] apresenta a figura 1.

21

Base de conhecimento Memria de trabalho Base de regras

Motor de inferncia

FIGURA 1 Arquitetura de um Sistema Especialista

A representao da figura 1 no unnime entre os autores, porem aceita pela maioria deles. Dependendo da rea de implementao ou da forma de representao do conhecimento, esta estrutura pode sofrer alteraes. Alguns autores, a minoria, incluem nesta arquitetura, a interface com o usurio. Outros autores, tambm a minoria, incluem a Shell3 nesta arquitetura. Enfim, so questes sem muita relevncia e que no interferiro no decorrer do presente trabalho. Visando a uma maior facilidade de entendimento, segue abaixo um breve descritivo sobre cada mdulo que compem esta arquitetura genrica [BIT01].

3.3.1 Memria de Trabalho

A memria de trabalho muitas vezes apenas uma seqncia de caracteres, mas em alguns modelos, pode conter qualquer tipo de estrutura de dados. Mais do que estrutura de dados, as memrias de trabalho dos Sistemas Especialistas devem respeitar um mtodo de representao de conhecimento, isto , uma linguagem formal e uma descrio matemtica de seu significado. A lgica de primeira ordem um exemplo tpico de formalismo de representao de conhecimento.

Sobre Shell para Sistemas Especialistas falaremos mais adiante.

22

3.3.2 Base de Conhecimento

A base de conhecimento passa a conter condies que representam perguntas representao de conhecimento da memria de trabalho. Estas perguntas, limitadas comparao de caracteres, podem ser de diferentes tipos, mas em geral envolvem variveis a serem instanciadas e eventualmente algum tipo de inferncia. A sintaxe das regras varia de acordo com o sistema e pode ser bastante flexvel e prxima da linguagem natural. As regras devem ser feitas de acordo com o processo de inferncia escolhido, para se atingir uma determinada meta. A regra tem basicamente duas partes: a premissa (SE) e a concluso (ENTO). Este tipo de regra chamado de regra SE-ENTO. A base de conhecimento e a memria de trabalho formam a chamada Base de Conhecimento do Sistema Especialista, que nada mais do que o local onde est representado o conhecimento sobre o domnio.

3.3.3 Motor de Inferncia

O motor de inferncia o mecanismo de controle do sistema que avalia e aplica as regras de acordo com as informaes da memria de trabalho. O motor de inferncia controla a atividade do sistema. Esta atividade ocorre em ciclos, cada ciclo consistindo em trs fases: Correspondncia de dados, onde as regras que satisfazem a descrio da situao atual so selecionadas; Resoluo de conflitos, onde as regras que sero realmente executadas so escolhidas dentre as regras que foram selecionadas na primeira fase, e ordenadas; Ao, a execuo propriamente dita das regras.

3.4 OBJETIVOS DE UM SISTEMA ESPECIALISTA

Existem diversos motivos para que se coloque em uso um Sistema Especialista em alguma atividade humana. Entretanto, de um modo geral, sempre que um problema no pode ser algoritmizado, ou sua soluo conduza a um processamento muito demorado, os Sistemas Especialistas podem ser uma sada, pois possuem o seu mecanismo apoiado em processos heursticos. Eles podem no levar a uma soluo tima, mas na maioria das vezes conduzem s solues de maneira mais rpida e eficaz.

23

Outro motivo, e no menos importante, que uma deciso de um profissional de uma determinada rea pode ser influenciada por elementos externos ao ser humano, e sua deciso poder ser diferente para a mesma situao, de acordo com esses elementos. Um Sistema Especialista no sofre esse tipo de influncia, e para as mesmas condies sempre fornecer o mesmo conjunto de decises.

3.5 VANTAGENS E DESVANTAGENS DE UM SISTEMA ESPECIALISTA

Segundo [CUN87], os Sistemas Especialistas apresentam diversas vantagens quando utilizados em determinadas atividades humanas. O conhecimento de um especialista humano, por exemplo, difcil de ser transferido, imprevisvel, caro etc. Ao passo que, o conhecimento de um Sistema Especialista permanente, fcil de ser transferido, consistente e, alm de tudo, pode ser reproduzido. Mas como desvantagens, os Sistemas Especialistas tm aplicao restrita a domnios especficos. Eles no so capazes de raciocinar sobre um amplo campo de conhecimento, no podem raciocinar a partir de teorias gerais e a eles falta bom senso. No podem raciocinar por analogia e seu desempenho se deteriora rapidamente quando os problemas por eles enfrentados se afastam do domnio especfico para o qual foram projetados. Mas estas desvantagens se tornam insignificantes em vista da complexidade do assunto e que com certeza estudiosos, cientistas e especialistas esto tentando, a todo instante, minimiz-las para que cada vez mais se utilizem os Sistemas Especialistas. Fica aqui como sugesto, a elaborao de uma pesquisa sobre os avanos nos estudos da rea da Inteligncia Artificial, visando minimizar as desvantagens entre a Inteligncia Artificial e a Inteligncia Humana, aplicadas aos Sistemas Especialistas.

3.6 SISTEMAS CONVENCIONAIS VERSUS SISTEMAS ESPECIALISTAS

Um sistema convencional est baseado em um algoritmo, que, passo a passo, aps um tempo aceitvel, conduz a uma resposta. Ele projetado para sempre terminar emitindo um resultado final correto e processar volumes de dados de maneira repetitiva.

24

Um sistema especialista est baseado em uma busca heurstica e trabalha com problemas para os quais no existe uma soluo convencional algoritmizada disponvel ou, se existe, ela demasiadamente demorada para fornecer uma resposta. Um processo heurstico normalmente conduz a solues de maneira rpida, porm, pode inclusive no conduzir a soluo alguma. Assim, podemos afirmar que um Sistema Especialista: Pode chegar ou no a soluo do problema; Pode chegar a uma soluo distorcida, isto , pode errar. Porm, o seu erro ocorre dentro de determinadas circunstncias que so justificadas pelo prprio sistema; Processa conhecimento e no dados. O conhecimento armazenado em uma base de conhecimento e o processamento efetuado sobre este, no existindo processamento de dados. Outras diferenas essenciais entre um sistema convencional e um sistema especialista:

TABELA 1 Comparativo entre um sistema convencional e um sistema especialista Sistema Convencional Sistema Especialista Manipula dados; Utiliza solues algortmicas; Trabalha com processos (procedures/funes); Manipula conhecimento; Utiliza solues heursticas; Trabalha com processos de inferncia;

3.7 AQUISIO DE CONHECIMENTO

Segundo [BIT01], a tarefa de aquisio de conhecimento tem por definio a transferncia de conhecimento de uma fonte determinada, podendo ser esta fonte de livros ou peritos humanos, para outra. A parte mais sensvel no desenvolvimento de um Sistema Especialista , certamente, a aquisio de conhecimento. Esta no pode limitar-se adio de novos elementos de conhecimento base de conhecimentos; necessrio integrar o novo conhecimento ao conhecimento j disponvel, atravs da definio de relaes entre os elementos que constituem o novo conhecimento e os elementos j armazenados na base. A aquisio de conhecimento, no que se aplica ao Sistema Especialista, refere-se ao processo de absorver procedimentos, regras, mtodos que demonstrem com clareza a forma de raciocnio do especialista humano para a soluo do problema especfico.

25

3.7.1 Processos na Aquisio de Conhecimentos

Alguns processos na aquisio de conhecimentos, so citados por [BIT01], e que so divididos em cinco fases, demonstrados na figura 2: Identificao: nesta fase so identificadas as maiores caractersticas do problema. A identificao dos participantes tambm feita nesta fase; Conceituao: significa saber como a informao desejada ser usada e como poder ser representada na base de conhecimento; Formalizao: significa formalizar o conhecimento adquirido para

representao em uma base de conhecimento. A maneira pela qual o conhecimento organizado e representado chamado de modelagem de aquisio. Por exemplo, em um sistema com base de regras, o conhecimento deve ser organizado em forma de regras. Neste ponto o software e o hardware que fazem parte, tambm so examinados; Implementao: este estgio envolve a programao do conhecimento para o computador; Testes: neste estgio, o engenheiro de conhecimento testa o sistema atravs de algumas situaes criadas por ele. Os resultados so mostrados aos especialistas e se necessrio, os componentes so revisados.

26

IDENTIFICAO

Identificao do problema, caractersticas

Reformular

CONCEITUAO

Busca da concepo para a representao do conhecimento

Reformular

FORMALIZAO

Projeto da estrutura para organizar o conhecimento

Reprojetar

IMPLEMENTAO

Formulao da representao do conhecimento

Refinamentos

TESTES

Validar regras que organizam o conhecimento

FIGURA 2 Fases de aquisio de conhecimento 3.7.2 Mtodos para Aquisio de Conhecimento

Segundo [RIC93], existem alguns mtodos para aquisio de conhecimento, so eles: Mtodo Manual: este mtodo sofre muitas alteraes de acordo com a necessidade que o problema exige. O mtodo manual estruturado basicamente com pequenas entrevistas. O mtodo demonstrado na figura 3.

Especialista Engenheiro de
conhecimento

Base de Conhecimento

Conhecimento documentado

FIGURA 3 Mtodo manual para aquisio de conhecimento

27

Mtodo Semi-Automtico: este mtodo se divide em duas categorias: 1a. Ferramenta computacional, que apia o especialista na construo de pequena base de conhecimento; 2a. Ferramenta computacional, que permite ao engenheiro de conhecimento executar tarefas necessrias. O mtodo demonstrado na figura 4.

Especialista

Auxlio do Computador

Base de Conhecimento

Engenheiro de conhecimento FIGURA 4 Mtodo semi-automtico para aquisio de conhecimento Mtodo Automtico: dispensa o especialista e o engenheiro de conhecimento, baseando-se apenas em estudos de casos. Aplica-se com mais naturalidade e freqncia para redes neurais, por sua capacidade de aprendizagem. O mtodo demonstrado na figura 5.

Casos e exemplos

Induo do sistema

Base de Conhecimento

FIGURA 5 Mtodo automtico para aquisio de conhecimento

3.8 REPRESENTAO DO CONHECIMENTO

Os Sistemas Especialistas so construdos sobre duas partes bsicas que so: a Base de Conhecimento e o Mecanismo de Inferncia. A Base de Conhecimento contm os fatos a respeito dos objetivos do domnio do problema que se deseja conhecer e seu relacionamento. Poder conter tambm conceitos, teorias, procedimentos prticos e outras associaes.

28

O Mecanismo de Inferncia um conjunto de procedimentos para serem usados quando acessar a base de conhecimento, procurando as respostas dos problemas requeridos dentro do domnio projetado. As representaes do conhecimento mais usadas so: Representao Lgica, Redes Semnticas [RIC93].

3.8.1 Representao Lgica

A representao lgica a base para a maioria dos formalismos de representao de conhecimento, seja de forma explcita, como nos Sistemas Especialistas baseados na Linguagem Prolog4, seja disfarada na forma de representaes especificas que podem facilmente ser interpretadas como proposies ou predicados lgicos. Pode-se citar as duas formas mais comuns: a proposio e o clculo de predicados [RIC93]: Lgica Proposicional: um sistema lgico comum, so afirmaes verdadeiras ou falsas. Exemplo: Na validao de regras, Se uma proposio X for verdadeira e uma proposio Y for falsa, Ento se conclui que o resultado falso. Clculo de Predicados: uma extenso da lgica proposicional. A unidade de elementos na lgica dos predicados um objeto, onde as informaes sobre o objeto chamamse predicados. Exemplo: Todo amigo de Paulo amigo de Roberto, isso significa dizer que X amigo (x,Paulo) ==> amigo (x,Roberto).

3.8.2 Redes Semnticas

basicamente uma representao grfica de uma composio de conhecimento, composta de ns e ligaes que demonstram a hierarquia relacional entre os objetos. Os ns esto conectados por arco ou elos. Os ns representam, objetos, conceitos, situaes ou aes enquanto os arcos representam as relaes entre os ns [RIC93]. Por exemplo: O TCC (Trabalho de Concluso de Curso) um requisito obrigatrio para a graduao. Sidney, que estudante do curso Bacharel em Sistemas de Informao, possui um bom computador que utiliza para digitar o TCC.
A linguagem Prolog foi concebida por Colmerauer e Roussel em 1972, sendo sua primeira verso feita em Fortran por Battani e Meloniem 1973. Desde ento tem sido utilizada para aplicaes de computao simblica, como banco de dados relacionais, compreenso de linguagem natural, automao de projetos, anlise de estruturas bioqumicas e sistemas especialistas. Como podemos perceber, esta linguagem utilizada em tarefas que exijam a representao do conhecimento para execut-las.
4

29

A figura 6 demonstra a representao do conhecimento do texto usando uma rede semntica.

Sistemas de Informao

-um-requisito

TCC usado para digitar Computador Bom

-de Sidney -um Estudante

FIGURA 6 Representao do conhecimento em uma Rede Semntica

3.9 SHELL PARA SISTEMAS ESPECIALISTAS

Inicialmente, cada Sistema Especialista era criado a partir do nada, mas, depois de vrios sistemas terem sido desenvolvidos, ficou claro que esses sistemas tinham muito em comum. Em particular, devido ao fato de os sistemas serem construdos como um conjunto de representaes declarativas (em suas maioria, regras) combinadas com um interpretador dessas representaes, era possvel separar o interpretador do conhecimento especfico do domnio da aplicao e assim criar um sistema que podia ser usado para elaborar novos Sistemas Especialistas atravs da adio de novos conhecimentos, correspondentes ao novo domnio do problema. Os interpretadores resultantes so chamados de Shells [RIC93]. Shells so ferramentas computacionais que utilizam tcnicas de Inteligncia Artificial para gerao automtica de Sistemas Especialistas. Estas ferramentas utilizam um modelo de representao do conhecimento baseado em regras de produo e probabilidades, tendo como objetivo principal simplificar o trabalho de implementao dos Sistemas Especialistas, atravs do uso de uma mquina de inferncia compartilhada, do tratamento das regras de inferncia e

30

da utilizao de explicaes sensveis ao contexto da base de conhecimento modelada [WEB01]. As primeiras Shells para Sistemas Especialistas ofereciam mecanismos para a representao do conhecimento, raciocnio e explicaes. Mais tarde, foram acrescentadas ferramentas para a aquisio de conhecimento. Mas, com o aumento das experincias com esses sistemas para solucionar problemas do mundo real, ficou claro que as Shells para Sistemas Especialistas precisavam fazer alguma coisa a mais tambm. Eles precisavam facilitar a integrao dos Sistemas Especialistas com outros tipos de programas. Os Sistemas Especialistas no podem operar no vcuo, como tambm no podem seus colegas humanos. Eles precisam acessar bancos de dados das organizaes, e esse acesso precisa ser controlado como em outros sistemas. Eles em geral esto embutidos em programas aplicativos maiores, que usam basicamente tcnicas de programao convencional. Ento, uma das caractersticas importantes que uma Shell precisa ter uma interface entre o Sistema Especialista, escrita com a Shell e que seja fcil de usar, e um ambiente de programao maior e provavelmente mais convencional [RIC93]. Um Sistema Especialista baseado em tal tipo de modelo bastante til em problemas de classificao. O usurio responde a uma seqncia de perguntas interagindo com o computador, e o sistema encarregar-se- de fornecer respostas que se encaixem no quadro apontado pelo usurio. A figura 7 mostra o campo de atuao das Shells para Sistemas Especialistas.

31

Base de Conhecimento

Interface com o Usurio

Memria de Trabalho

Mquina de Inferncia
Shell

FIGURA 7 Campo de atuao da Shell num Sistema Especialista

3.9.1 A Shell Unfuzzy para Sistemas Especialistas

Sabendo que o domnio da aplicao voltada a rea de Recursos Humanos possui grande grau de incertezas nas variveis de entrada, foi utilizada a Lgica Fuzzy5 ou Lgica Difusa, como tambm conhecida, para resoluo do problema. A figura 8 mostra a tela inicial da Shell Unfuzzy, utilizada neste trabalho por ser distribuda a comunidade cientfica, de fcil utilizao e incrementada por recursos, tais como, gerao automtica parcial de cdigo fonte, especificamente em C e C++.

Sobre Lgica Fuzzy ou Lgica Difusa falaremos mais adiante em captulo especfico.

32

FIGURA 8 Tela inicial da Shell Unfuzzy Fonte: acervo do autor

33

4 LGICA FUZZY
4.1 HISTRICO

Segundo [WEB04], a lgica Fuzzy, foi criada na dcada de 60 por Loltfi A. Zadeh. uma lgica utilizada para automatizar as atividades relacionadas a problemas de natureza industrial, biolgica, qumica entre outras, que compreendem situaes ambguas, nas quais o processamento baseado na lgica booleana no resolveria o problema. Tentando solucionar esses problemas o professor Loltfi A. Zadeh revolucionou o assunto com a criao de sistemas Fuzzy, publicando um artigo resumindo os conceitos dos conjuntos Fuzzy em 1965. Segundo Loltfi A. Zadeh, deve-se considerar a lgica Fuzzy no como uma simples teoria, mas como uma metodologia para generalizar qualquer teoria especifica, de um estado discreto a um estado contnuo, pelo processo de fuzzyficao.

4.2 INTRODUO

A lgica Fuzzy objetiva fazer com que as decises tomadas pela mquina se aproximem cada vez mais das decises humanas, principalmente ao trabalhar com uma grande variedade de informaes vagas e incertas. Os conjuntos Fuzzy so o caminho para aproximar o raciocnio humano forma de interpretao da mquina. A teoria tradicional dos conjuntos define a pertinncia a esse conjunto como um predicado booleano (sim ou no). Por outro lado, a teoria difusa nos permite representar a pertinncia a um conjunto como uma distribuio de possibilidades, como aquelas mostradas na figura 9(a) para o conjunto de pessoas altas e o conjunto de pessoas muito altas. Nota-se como isto contrasta com a definio booleana padro de pessoas altas mostradas na figura 9(b). Nesta ltima, ou uma pessoa alta ou no, deve haver uma altura especfica que define o limite [RIC93]. Nos conjuntos convencionais temos limites bruscos entre os elementos pertencentes ao conjunto e os elementos no pertencentes, em um conjunto Fuzzy a transio entre o membro

34

e o no membro est numa faixa gradual, sendo associado um grau entre "0" (totalmente no membro) e "1" (totalmente membro) [RIC93]. O projetista de controladores Fuzzy necessita de uma profunda compreenso de como as imprecises e incertezas que ocorrem em processos e plantas industriais e como elas afetam as aplicaes usuais da teoria de controle moderno, possibilitando a aferio da relevncia e confiabilidade dos resultados obtidos atravs da aplicao da teoria da lgica Fuzzy [BIT01].

1 altas muito altas

altura (a) Pertinncia Difusa

altura (b) Pertinncia Convencional

FIGURA 9 Comparativo entre Pertinncia Difusa e Pertinncia Convencional

4.3 CARACTERSTICAS DA LGICA FUZZY

A caracterstica especial da lgica Fuzzy (tambm referida como lgica nebulosa em alguns casos) a de representar em uma forma lingstica as informaes imprecisas, de forma muito distinta de outras teorias.

4.4 VANTAGENS DA LGICA FUZZY

A lgica Difusa est baseada em palavras e no em nmeros, ou seja, os valores verdades so expressos lingisticamente. Por exemplo: muito quente, muito frio, longe, perto, rpido, vagaroso, mdio e assim por diante.

Possui vrios modificadores de predicado como por exemplo: muito, mais ou menos, pouco, bastante, mdio entre outros. Possui tambm um amplo conjunto de quantificadores, como por exemplo: poucos, vrios, em torno de, usualmente. Faz uso das probabilidades lingsticas, como por exemplo: provvel, improvvel, que so interpretados como nmeros Fuzzy e manipulados pela sua aritmtica.

35

Manuseia todos os valores entre 0 e 1, tomando estes, apenas como um limite [WEB04].

4.5 CONJUNTOS FUZZY OU CONJUNTOS DIFUSOS

Um conjunto Difuso uma classe de objetos com contnuos graus de pertinncia, a qual designa a cada objeto X um grau de pertinncia, que est entre o intervalo zero e um [BIT01]. O conjunto Difuso formado por um ou mais conjuntos que so identificados por variveis lingsticas e caracterizados pelas suas funes de pertinncia. Um conjunto tradicional pode ser descrito de maneiras diferentes: uma pode ser a enumerao (listas) dos elementos que pertencem ao conjunto X, a descrio do conjunto analiticamente, por exemplo, pela declarao das condies de pertinncia (A = {x | x = 5}); em outra maneira a definio dos elementos-membro se d pelo uso de uma funo caracterstica, no qual indica pertinncia ou no pertinncia. Para um conjunto Difuso a funo caracterstica permite vrios graus de pertinncia para os elementos de um dado conjunto [RIC93]. Por exemplo: Utilizando um conjunto de pessoas altas, considerando que uma pessoa alta aquela que possui 1.80 cm ou mais de altura, dado o seguinte conjunto de pessoas altas: {(Pedro (1.80cm),1), (Paulo (1.79cm),.9), (Raul (1.76cm),.7), (Maria (1.65cm),.3), (Marta

(1.60cm),.0)}. Pergunta-se, a altura de Paulo, que de 1.79cm, pode ser dita baixa? Resposta: Analisando o conjunto de pessoas altas atravs dos conjuntos Difusos, nota-se que a altura de Paulo est prxima altura de uma pessoa alta, sendo assim, seu grau de pertinncia, que de (.9), est indicando Paulo muito mais como uma pessoa alta do que baixa. A figura 10, mostra um exemplo de conjunto difuso.

36

FIGURA 10 Exemplo de conjunto Difuso Fonte: acervo do autor

4.5.1 Variveis Lingsticas

Uma varivel lingstica uma varivel que assume como valores, palavras ou sentenas numa linguagem natural ou artificial. Os conjuntos Difusos, que representam as restries associadas aos valores de uma varivel lingstica, so na verdade, subclasses dos elementos no universo considerado. Neste contexto, a varivel lingstica um rtulo para estes conjuntos Difusos. Uma varivel lingstica uma varivel de ordem mais alta do que uma varivel difusa, no sentido de que a varivel lingstica assume variveis Difusas como seus valores [CUN87]. Como exemplo de variveis lingsticas, podemos citar o demonstrado na figura 14, onde temos uma varivel lingstica chamada Distncia da Empresa que assume os seguintes valores lingsticos: Muito perto, Perto, Longe, Muito longe, Outra cidade, Outro estado.

37

4.5.2 Raciocnio Difuso

Para [RAB95], o raciocnio Difuso o processo pelo qual obtm-se uma concluso, geralmente imprecisa, deduzida atravs de um conjunto de premissas, tambm imprecisas. Na lgica clssica, os valores verdade so 0 e 1, e o vocabulrio definido atravs desses valores verdade sob a forma de tabelas verdade. A lgica difusa baseia-se nas lgicas multivaloradas, em que os valores verdade variam no intervalo 0 e 1, podendo assumir os valores entre estes limites. Verifica-se que a lgica Difusa tem larga aplicabilidade em reas de controle e processos de tomada de deciso, onde a modelagem matemtica precisa, se torna invivel ou at impossvel.

4.6 SISTEMAS ESPECIALISTAS E A TEORIA DOS CONJUNTOS DIFUSOS

Como explanado anteriormente, os Sistemas Especialistas so programas que atuam sobre um determinado conhecimento, ou sobre uma determinada base de conhecimento. Esses conhecimentos na maioria das vezes so capturados de especialistas humanos, pessoas que possuem uma larga experincia sobre um determinado assunto. Esta informao retirada do mundo real traduzida ou quantificada para que os Sistemas Especialistas possam reconhecla, aprender novos fatos e tomar decises sobre elas. A teoria matemtica dos conjuntos Difusos vem contribuir com a questo da traduo dos conhecimentos capturados do mundo real para os Sistemas Especialistas, pois possui uma grande capacidade de quantificar essas informaes do mundo real. Com isso, os sistemas especialistas sero ainda mais confiveis, abrindo novos caminhos para esta tecnologia.

38

5 RECURSOS HUMANOS
5.1 INTRODUO

Nos ltimos anos, o mercado evidenciou muitas mudanas decorrentes do fenmeno da globalizao. E foi diante desta realidade que as empresas constataram que era preciso acompanhar o processo de transformao mundial e que caso resistissem, fatalmente seriam vencidas pela concorrncia. Na rea de Recursos Humanos no foi diferente, e um dos mecanismos que se tornou parceiro do setor de Recursos Humanos foi o uso da tecnologia [WEB06]. A Informtica se tornou uma ferramenta auxiliar para muitos profissionais de Recursos Humanos. Hoje, cada vez mais, vemos os avanos tecnolgicos otimizarem os servios e influenciarem no aumento de produtividade destes profissionais. Atento s constantes transformaes, o mercado comea a se convencer de que esses recursos no vieram apenas para beneficiar grandes organizaes, uma vez que tambm so acessveis s pequenas e mdias organizaes [WEB06]. Mais adiante seguem alguns aspectos gerais relacionados rea de Recursos Humanos. Sim, aspectos gerais, pois este trabalho enfocar mais os assuntos: Sistemas Especialistas e Lgica Fuzzy.

5.2 RECRUTAMENTO DE PESSOAL

um conjunto de procedimentos que visa atrair candidatos potencialmente qualificados e capazes de ocupar cargos dentro das organizaes. basicamente um sistema de informaes, atravs do qual as organizaes divulgam ao mercado as oportunidades para os profissionais que esto disponveis. Para que a fase seguinte (Seleo de Pessoal) obtenha sucesso, o recrutamento de pessoal deve atrair um nmero suficiente de candidatos, suprindo adequadamente este processo.

39

Em suma, uma atividade que tem como objetivo imediato, atrair profissionais (candidatos), dos quais sero selecionados os que melhor se adequarem s caractersticas do cargo que se pretende suprir [WEB06].

5.3 SELEO DE PESSOAL

O recrutamento e a seleo de pessoal devem ser tomados como duas fases de um mesmo processo: a introduo de recursos humanos na organizao. Seleo de recursos humanos pode ser resumidamente definida como uma escolha de pessoas certas, para o cargo certo. O recrutamento uma atividade de divulgao, de chamada de ateno, portanto, uma atividade que visa atrair profissionais capazes para a organizao. No entanto, a seleo uma atividade seletiva, que tem por objetivo identificar os candidatos mais adequados, que foram atrados pelo recrutamento, e aqui que entra o papel do Sistema Especialista proposto [WEB06].

5.3.1 Seleo como um Processo de Comparao

A seleo do ponto de vista de seu processamento deve ser tomada como um processo realista de comparao entre duas variveis: os requisitos do cargo e o perfil dos candidatos que se apresentam, como mostrado na figura 11.

Requisitos exigidos pelo cargo

Caractersticas do candidato

Anlise e descrio do cargo

Tcnicas de seleo

FIGURA 11 Processo de comparao em duas variveis

40

5.4 A IMPORTNCIA DO RECRUTAMENTO E DA SELEO DE PESSOAL

Onde se inicia uma organizao? uma questo que em nada se assemelha pergunta: Quem nasceu primeiro, o ovo ou a galinha? Isto porque, para a primeira pergunta, possumos uma resposta imediata e incontestvel, ao passo que, para a segunda, ainda no se conhece a resposta. Toda e qualquer organizao, seja ela grande ou pequena, nacional ou estrangeira, nasce com o desejo de uma pessoa ou um grupo de pessoas a fim de realizar algo. Realizar algo com a finalidade de se obter lucro, no caso de entidades com fins lucrativos, ou de se obter algum benefcio para a sociedade ou parte da mesma, no caso de entidades sem fins lucrativos. Mas, o que importa mesmo o desejo de uma pessoa ou um grupo de pessoas que deseja realizar algo. E deste ponto, a organizao cresce com a contratao ou admisso de novas pessoas. Logo, tudo se inicia e continua atravs do elemento humano. esse o foco! Contratar! Admitir! Ser contratado! Ser admitido! Em uma economia cada vez mais globalizada, as tcnicas tornam-se cada vez mais parecidas, os produtos cada vez mais similares, e ento o fator humano torna-se um item, cada vez mais decisivo no sucesso de uma organizao. Quando a organizao concentra seu foco no processo seletivo, a sim, pode-se dizer que ela est no caminho do sucesso. Dar a devida importncia ao processo de recrutamento e seleo comea com a contratao de especialistas no assunto e a utilizao de tecnologias eficientes e capazes de auxiliar estes especialistas em seu trabalho dirio [WEB06]. Em poucas palavras, recrutar significa identificar, encontrar talentos e selecionar significa diferenciar os melhores dentre os identificados. E exatamente esse o objetivo do Sistema Especialista aqui proposto, auxiliar as organizaes e os profissionais a focarem melhor suas aes no processo seletivo.

41

6 MODELAGEM DO HUMAN
6.1 INTRODUO

O Sistema Especialista uma opo tecnolgica que tem sido aplicada em inmeras reas e executando vrias tarefas, tais como: reconhecimento de padres, reconhecimento de estruturas qumicas, diagnsticos mdicos, sistemas educativos entre outras. A proposta de construir um prottipo de Sistema Especialista utilizando a teoria dos conjuntos Difusos aplicado rea de Recursos Humanos, tem objetivo de ser uma ferramenta de apoio ao especialista. A funo do prottipo de auxiliar o subsistema de seleo de pessoal, selecionando os possveis candidatos que preencham os requisitos do cargo. Este apoio ir diminuir as atribuies do especialista humano, liberando-o para outras atividades.

6.2 ETAPAS PARA A CONSTRUO DE UM SISTEMA ESPECIALISTA

A chave do sucesso na criao de um Sistema Especialista, comear de maneira simples e, crescer at chegar a um sistema consistente e significativo. [KEL91] apresenta um ciclo de vida para a construo de um Sistema Especialista que, acredita-se ser o ciclo de vida mais adequado para a criao de um Sistema Especialista grande e consistente. Este ciclo est demonstrado na figura 12.

42

[5]
Integrao de Sistemas Interface com o usurio

[8]
Anlise de Hardware Configurao

Entrada do usurio

[2]
Anlise Estruturada

[6] Implementao

Usurio

[1] Levantamento

[4] Projeto

Estudo de viabilidade

[3]
Projeto da Base de Conhecimento

[7]
Testes de Aceitao
Sistema Especialista

[9]
Aquisio do Conhecimento

Base de Conhecimento

FIGURA 12 DFD de nvel 0. O ciclo de vida de um projeto de Inteligncia Artificial

Em poucas palavras, o DFD acima indica o seguinte: a linha principal para a construo de um Sistema Especialista inicia com um Levantamento, ou estudo de viabilidade, cuja tarefa inicial decidir se um projeto pode ou no ser realizado. Quando o projeto aprovado, passa-se para a Anlise Estruturada, na qual tenta-se especificar as necessidades do usurio em termos de funes a serem executadas e o relacionamento dos dados entre eles. A especificao estruturada, que resulta da anlise estruturada, usada na fase de Projeto para especificar como as necessidades do usurio devem ser implementadas. A fase de Implementao dedicada construo do sistema, de modo como foi especificado no projeto proposto. A posio da atividade 9 (Aquisio do Conhecimento) um pouco enigmtica, porque tanto durante o levantamento como durante a anlise estruturada, so coletados muitos conhecimentos especializados de uma determinada rea. As atividades 5 (Integrao de Sistemas) e 8 (Anlise de Hardware) so importantes para o ciclo de vida, entretanto, nem sempre como partes diretas do ciclo de

43

especificao tcnica. As atividades 1, 2, 4, 5, 6, e 9 sero detalhadas a seguir, segundo [KEL91]. 6.2.1 O Levantamento (Atividade 1)

Os propsitos principais dos estudos de viabilidade tm sido decidir se, um projeto especfico pode ou no ser realizado, e fornecer algumas metas gerais e estimativas de custo para o projeto. A base de conhecimento o onde est armazenado o conhecimento de um especialista de uma determinada rea. Durante o levantamento, so identificados os especialistas e deduzidos os fatores de deciso relevantes para os seus domnios de conhecimento especializado. possvel tambm criar algumas regras gerais servindo de comeo para a base de conhecimento, chamando de verso pr-prototipada da base de conhecimento. Este trabalho preliminar necessrio para tornarem claras as decises do especialista.

6.2.2 A Anlise Estruturada (Atividade 2)

Uma vez selecionada a aplicao, hora de definir completamente os requisitos do usurio para a forma final do sistema. O objetivo de um projeto de Sistema Especialista converter um Sistema Especialista Humano em um Sistema Especialista Computadorizado. Os primeiros resultados de uma anlise estruturada so as especificaes estruturadas do sistema e um prottipo da base de conhecimento. A especificao estruturada um documento que representa a fase final de um processo analtico no qual visualizamos o complexo Sistema Especialista, da maneira como o homem o implementa, e dividimos esta grande tarefa em pequenas mini-tarefas ou minisistemas mais fceis de especificar e implementar. De fato, uma das principais metas da anlise estruturada estudar um grande problema e dividi-lo em mini-problemas, que so mais fceis de serem entendidos e por conseguinte resolvidos.

44

6.2.3 O Projeto (Atividade 4) e a Implementao (Atividade 6)

O propsito da atividade de projeto transformar a especificao estruturada de duas maneiras: Deve ser produzida uma documentao que especifique no apenas que mdulos de programa devem ser escritos, mas tambm que algoritmos devem ser usados para estes mdulos. Deve ser especificada a arquitetura dos mdulos de programa, de maneira que os sistemas operacionais possam executar o sistema. Tipicamente, essa arquitetura uma organizao hierrquica de sub-rotinas de programa.

6.2.4 A Integrao de Sistemas (Atividade 5)

Desde a assimilao inicial dos computadores pelas organizaes, nenhum sistema tem tido tanto potencial para mudar as relaes de trabalho como os sistemas de Inteligncia Artificial. Por essa razo, faz sentido abordar as questes de integrao de sistemas simultaneamente com o incio da anlise. O desenvolvimento de Sistemas Especialistas segue um ciclo de vida muito similar aos mais tradicionais sistemas de processamento de dados. Visto que para isso, preciso decidir se um projeto pode ou no ser realizado (Fase de Levantamento), analisar os requisitos do usurio (Fase de Anlise Estruturada), desenvolver uma planta arquitetnica para o sistema (Projeto) e, ento, construir o sistema dentro do nosso ambiente de computao.

6.2.5 A Aquisio de Conhecimento (Atividade 9)

A aquisio de conhecimento significa a obteno de conhecimento de um domnio particular de alguma fonte, normalmente humana, e a construo dele dentro de um sistema computacional. Num certo sentido, no se pode separar a aquisio de conhecimento do resto da anlise estruturada. A aquisio de conhecimento a atividade na qual especificado o contedo funcional e lgico do domnio do especialista. A anlise estruturada incluir os componentes funcionais das atividades tais como a interface com o usurio, e tambm a especificao dos componentes fsicos e tecnolgicos do sistema.

45

Portanto, a aquisio de conhecimento e a anlise estruturada fazem parte de uma s coisa: que a anlise, mas no entanto, a aquisio de conhecimento refere-se ao desenvolvimento da base de conhecimento e a anlise estruturada refere-se ao desenvolvimento do software.

6.3 ARQUITETURA UTILIZADA

6.3.1 A Lgica

A lgica Fuzzy possui um mtodo interessante de compreenso e traduo de expresses verbais, aes cotidianas de funcionamento racional, vagas, imprecisas e qualitativas, tpicas na comunicao humana em valores numricos. Essa simulao do real faz com que os computadores possam entender a experincia humana. Assim, a tecnologia possibilitada pelo enfoque Fuzzy tem um imenso valor prtico, na qual se torna possvel incluso da experincia de operadores humanos, os quais controlam processos e plantas industriais, em controladores computadorizados, possibilitando estratgias de tomadas de decises em problemas complexos, em outras palavras o usurio da lgica Fuzzy ensina sua mquina a simular pensamentos imprevistos e talvez no programados. Estas e outras razes levaram a utilizao da arquitetura disposta pela lgica Fuzzy.

6.3.2 A Shell

Existem vrias ferramentas disponveis no mercado para a criao de Sistemas Especialistas, mas como dito acima, a lgica utilizada neste prottipo foi a Fuzzy, ento, para a modelagem do Human, foi utilizada a Shell Unfuzzy, uma das mais variadas espcies de Shells existentes no mercado. A figura 8 mostra a tela inicial da Shell Unfuzzy.

46

6.3.3 A Plataforma

O prottipo foi desenvolvido para e sob uma plataforma PC em ambiente Windows, utilizando para isto um microcomputador com processador XP 1.4 Ghz com 128 Mb RAM.

6.3.4 A Ferramenta de Desenvolvimento

O software utilizado para a coleta das informaes necessrias para a fuzzyficao, denominado interface com o usurio, foi implementado em Delphi 6.0, pela facilidade de se encontrar literatura e artigos sobre a linguagem e tambm porque esta foi uma das linguagens lecionadas no curso de Bacharel em Sistemas de Informao.

6.3.5 O Banco de Dados

O Paradox um banco de dados para o armazenamento e gerenciamento das informaes. Possui um sistema de gerenciamento de banco de dados que pode ser utilizado em um computador ou em uma rede de computadores. Tambm de fcil manipulao das informaes armazenadas e de fcil entendimento do seu sistema. Por estas e outras razes que foi escolhido o banco de dados Paradox para o armazenamento das informaes colhidas dos candidatos atravs da interface de entrada. Para manipular a tabela utilizou-se um programa chamado de Database Desktop 7 que compe o Delphi 6.0.

6.3.6 A Anlise Essencial

Como o enfoque deste trabalho, est mais voltado a Inteligncia Artificial, no se fez necessrio um maior aprofundamento na parte de anlise essencial, contudo, no poderia deixar de demonstrar um pouco do funcionamento deste relacionamento Sistema Shell Banco de Dados. As figuras abaixo demonstram este relacionamento.

47

Cadastra candidatos

Entrevistador

Consulta informaes dos candidatos Envia resultados

Sistema

FIGURA 13 Diagrama de Contexto

Em posse do Diagrama de Contexto acima, ainda que de forma reduzida, pode-se elaborar um Diagrama de Fluxo de Dados particionado. Observe a figura abaixo.

Entrevistador
efetua

Candidatos Cadastro das informaes dos candidatos

cadastra consulta

FIGURA 14 DFD particionado da entidade Entrevistador

Shell
efetua

Candidatos Consulta das informaes dos candidatos

consulta

FIGURA 15 DFD particionado da entidade Shell

48

TABELA 2 Dicionrio de Dados da tabela candidatos.db

ENTIDADE Candidatos.db SEQ . 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 ATRIBUTO Codigo Nome Rua Numero Bairro CEP Cidade UF CPF RG IDADE SEXO COR RELIGIAO APARENCIA FUMANTE BEBE ESCOLARIDADE ESPORTE ESTADO_CIVIL FILHOS QTDE_FILHOS DISTANCIA_EMPRESA PRETENSAO_SALARIAL INGLES EXPERIENCIA_PROFISSAO PAI MAE IRMAOS QTDE_IRMAOS PROFISSAO_PAI PROFISSAO_MAE IDADE_PAI IDADE_MAE AVALIACAO_ENTREVISTADOR TIPO A A A A A A A A A A A A A A A A A A A A A A A A A A A A A A A A A A A TAM. OPC. PRIM. SEC. 6 60 50 6 50 10 50 2 14 20 2 20 20 50 50 3 3 50 3 50 3 2 50 50 3 3 60 60 3 2 50 50 2 2 30 X EST . DOMNIO S/N S/N S/N S/N S/N S/N S/N -

6.3.7 A Interface com o Usurio

Quando o usurio utiliza um Sistema Especialista, ele fornece os fatos quando solicitado e toma conhecimento das concluses via interface. Num Sistema Especialista voltado para a rea de recursos humanos, so inmeras as informaes de entrada que o usurio poder utilizar para que seja feita a inferncia e por conseguinte obter as concluses desejadas do sistema. A ttulo de demonstrao deste trabalho foram criadas 3 (trs) variveis de entrada, so elas: Idade, Escolaridade, Experincia profissional. As figuras abaixo demonstram que um Sistema Especialista para a rea de Recursos Humanos pode ter um nmero ainda maior de variveis de entrada, o que justifica ainda mais a utilizao de um Sistema Especialista, visto a quantidade de informaes que devero ser processadas pelo sistema.

49

FIGURA 16 Tela de coleta dos dados pessoais do candidato Fonte: acervo do autor

FIGURA 17 Tela de coleta dos dados familiares do candidato Fonte: acervo do autor

50

FIGURA 18 Tela de coleta de outras informaes do candidato Fonte: acervo do autor

FIGURA 19 Graus de aceitabilidade dos candidatos para o cargo Fonte: acervo do autor

51

6.4 METODOLOGIA UTILIZADA

6.4.1 Aquisio de Conhecimento

A aquisio de conhecimento, como j foi mencionado, a transferncia dos conhecimentos acumulados de um especialista de uma determinada rea para um Sistema Especialista. Para a aquisio de conhecimentos para o Sistema Especialista proposto, foi preciso um contato com a Contabilidade Apolo, de Rio do Sul, mais precisamente com o funcionrio Flvio. Aps a explanao dos objetivos deste trabalho, este funcionrio concordou em fornecer algumas informaes necessrias, especificamente no que se refere aos itens que normalmente so observados nos requisitos e nas caractersticas dos candidatos.

6.4.2 Aquisio de Conhecimento do Candidato

A entrada das informaes necessrias a cerca das caractersticas do candidato no prottipo proposto, se dar da seguinte forma: o candidato, responder ao entrevistador ou usurio do Sistema Especialista, a uma srie de questes. Estas questes so mostradas de maneira mais clara nas figuras 17, 18 e 19. As respostas a estas questes sero armazenadas em um banco de dados, para uma futura consulta por parte da Shell Unfuzzy..

6.4.3 Representao do Conhecimento

A forma de representao do conhecimento escolhida para o prottipo proposto a forma de tabelas. Com a utilizao do ambiente de programao Delphi 6.0, optou-se por montar uma estrutura de dados organizada em tabelas do tipo Paradox 7, fazendo uso do programa Database Desktop 7, utilitrio de manipulao de tabelas que compe o Delphi 6.0. A nica tabela definida no prottipo a de nome CANDIDATOS.DB.

6.4.4 Modelagem Difusa

52

Para a utilizao da teoria dos conjuntos Difusos, exige-se uma modelagem da informao que se deseja tratar. Esta modelagem significa criar os conjuntos Difusos da informao que se deseja representar.

6.4.5 Criao dos Conjuntos Difusos

Em relao s informaes tratadas no desenvolvimento deste prottipo, no que diz respeito a rea de Recursos Humanos, mais especificamente a seleo dos candidatos, foram desenvolvidos como conjuntos de entrada de dados, a ttulo de demonstrao, os seguintes conjuntos difusos: a) Para a varivel lingstica Idade foram criados os seguintes conjuntos difusos (equivalente a idade mesmo): o Adolescente, que compreende as idades desde 15 a 17 anos; o Jovem, que compreende as idades desde 17,1 a 30 anos; o Adulto, que compreende as idades desde 30,1 a 60 anos; o 3 Idade, que compreende as idades acima de 60,1 anos.

b) Para a varivel lingstica Escolaridade foram criados os seguintes conjuntos (equivalente aos anos de aula): o Muito baixa, que significa dizer que o candidato tem at 1 ano de aula; o Baixa, que significa dizer que o candidato tem de 1,1 a 3 anos de aula; o Mdia baixa, que significa dizer que o candidato tem de 3,1 a 5 anos de aula; o Mdia, que significa dizer que o candidato tem de 5,1 a 8 anos de aula; o Mdia alta, que significa dizer que o candidato tem de 8,1 a 11 anos de aula; o Alta, que significa dizer que o candidato tem de 11,1 a 15 anos de aula;

c) Para a varivel lingstica Experincia profissional foram criados os seguintes conjuntos difusos (notas de 0 a 10): o Pouqussima, que significa que o entrevistador dar nota de 0 a 2 ao candidato;

53

o Muito pouca, que significa que o entrevistador dar nota de 1,5 a 4 ao candidato; o Pouca, que significa que o entrevistador dar nota de 3 a 6 ao candidato; o Boa, que significa que o entrevistador dar nota de 5 a 7 ao candidato; o Muito boa, que significa que o entrevistador dar nota de 6 a 8 ao candidato; o tima, que significa que o entrevistador dar nota de 7,5 a 10 ao candidato;

E como conjunto de sada de dados, foi criado o seguinte conjunto difuso: a) Para a varivel lingstica Grau de Aceitabilidade foram criados os seguintes conjuntos difusos: o Grau baixo: com valores entre 2,5 e 4,0; o Grau Mdio-baixo: com valores que vo de 2,5 - 4,0 - 5,5; o Grau Mdio: com valores que vo de 4,0 - 5,5 - 7,0; o Grau Mdio-alto: com valores que vo de 5,5 - 7,0 - 8,5; o Grau Alto: com valores que vo de 8,5 - 10,0.

6.4.6 Funes de Pertinncia

A funo de pertinncia uma funo matemtica que tem como resultado o grau de pertinncia de cada elemento de um conjunto difuso. A seguir sero demonstradas as funes de pertinncias dos conjuntos difusos criados. a) Funes de pertinncia da varivel lingstica Idade: o Adolescente: 15 a 17 anos; o Jovem: 17,1 a 30 anos; o Adulto: 30,1 a 60 anos; o 3 Idade: acima de 60,1 anos. A figura 20 mostra estes valores sendo utilizados pela Shell Unfuzzy.

54

FIGURA 20 Funes de pertinncia (Idade) Fonte: acervo do autor b) Funes de pertinncia da varivel lingstica Escolaridade: o Muito baixa: 0 a 1 ano de aula; o Baixa: 1,1 a 3 anos de aula; o Mdia baixa: 3,1 a 5 anos de aula; o Mdia: 5,1 a 8 anos de aula; o Mdia alta: 8,1 a 11 anos de aula; o Alta: 11,1 a 15 anos de aula; A figura 21 mostra estes valores sendo utilizados pela Shell Unfuzzy.

55

FIGURA 21 Funes de pertinncia (Escolaridade) Fonte: acervo do autor

c) Funes de pertinncia da varivel lingstica Experincia profissional: o Pouqussima: nota de 0 a 2 ao candidato; o Muito pouca: nota de 1,5 a 4 ao candidato; o Pouca: nota de 3 a 6 ao candidato; o Boa: nota de 5 a 7 ao candidato; o Muito boa: nota de 6 a 8 ao candidato; o tima: nota de 7,5 a 10 ao candidato; A figura 22 mostra estes valores sendo utilizados pela Shell Unfuzzy

56

FIGURA 22 Funes de pertinncia (Experincia profissional) Fonte: acervo do autor 6.4.7 Mquina de Inferncia

A inferncia realizada quando a mquina de inferncia executa a manipulao dos conhecimentos armazenados na base de conhecimento. A mquina de inferncia foi programada com instrues do tipo: SE <informao> menos que <condio> ENTAO dispara funo de pertinncia. A figura 23 mostra um exemplo de regra que a mquina de inferncia manipular.

57

FIGURA 23 Exemplo de regra gerada pela Shell Unfuzzy Fonte: acervo do autor

Interpretando a regra: SE a Idade Adolescente (15 a 17 anos de idade) e Escolaridade Muito baixa (0 a 1 ano de escola) e Exp. prof. Pouqussima (nota 0 a 2) ENTO Grau de Aceitabilidade Grau baixo (suporte da varivel de 2.5 a 4), pois o resultado final desta regra foi 2.539772. A figura 24 mostra uma tela da Shell Unfuzzy contendo o valor final da fuzzyficao da varivel de sada, Grau de Aceitabilidade, utilizando a regra nmero 1.

58

FIGURA 24 Tela da Shell Unfuzzy mostrando o Grau de Aceitabilidade Fonte: acervo do autor Como resultado final encontrado um grau de pertinncia, para a varivel lingstica Grau de Aceitabilidade, que no caso acima ficou entre 2.5 e 4. Com este grau, pode-se utilizar uma funo de ordenamento e exibir na tela em ordem de maior grau para o menor grau, como mostra a figura 25.

59

FIGURA 25 Exemplo apresentao do grau de aceitabilidade dos candidatos Fonte: acervo do autor

6.5 CONSIDERAES FINAIS

6.5.1 Simulaes

A fim de testar o prottipo, foram efetuadas 03 (trs) simulaes, tal qual seria uma entrevista com o candidato. A figura 26 mostra a primeira simulao, em que um candidato que obteve um Grau de Aceitabilidade Mdio, com os seguintes dados: Idade: 25 anos; Escolaridade: 7 anos de aula; Experincia profissional: nota 4,5. Grau de Aceitabilidade: 5,500000.

60

FIGURA 26 Exemplo apresentao do grau de aceitabilidade de uma simulao Fonte: acervo do autor

A figura 27 mostra a segunda simulao, em que um candidato que obteve um Grau de Aceitabilidade Mdio-alto, com os seguintes dados: Idade: 25 anos; Escolaridade: 8,5 anos de aula; Experincia profissional: nota 7. Grau de Aceitabilidade: 7,000607. Observa-se que nesta simulao a mquina de inferncia encontrou duas regras que trazem ao mesmo suporte da varivel Grau de Aceitabilidade, isto perfeitamente normal, pois foi o especialista humano que assim o quis.

61

FIGURA 27 Exemplo apresentao do grau de aceitabilidade de uma simulao Fonte: acervo do autor A figura 28 mostra a terceira simulao, onde um candidato obteve um Grau de Aceitabilidade Alto, com os seguintes dados: Idade: 19 anos; Escolaridade: 10 anos de aula; Experincia profissional: nota 9. Grau de Aceitabilidade: 8,635170. Observa-se que nesta simulao, apesar da pouca idade do candidato, o especialista humano programou a mquina de inferncia, para que fosse dada grande importncia ao conjunto Experincia profissional, mesmo que os candidatos tenham pouca idade.

62

FIGURA 28 Exemplo apresentao do grau de aceitabilidade de uma simulao Fonte: acervo do autor 6.5.2 Resultados Alcanados

Os resultados alcanados na elaborao deste prottipo, demonstraram que os objetivos foram atingidos e que a unio da tecnologia dos Sistemas Especialistas com a teoria dos Conjuntos Difusos, mostrou-se satisfatria, abrindo novos caminhos para o desenvolvimento de novos trabalhos utilizando estas tecnologias.

6.5.3 Avaliaes Finais

O Prottipo

O prottipo construdo possui algumas limitaes, como geralmente acontece em trabalhos complexos desenvolvidos em um curto espao de tempo, como o definido para este estudo. Contudo, acredita-se que o enfoque cientfico dado ao trabalho foi contemplado e que conseguiu esclarecer vrias dvidas sobre a tecnologia dos Sistemas Especialistas.

63

Como sugesto de melhoramento do prottipo, poder-se-ia incluir testes de conhecimento aplicveis aos candidatos no momento da entrevista, diretamente na interface do usurio, proporcionando com isso, maior exatido nos resultados fornecidos pela mquina de inferncia.

A Shell

Sobre a Shell Unfuzzy, pode-se dizer que no foram utilizadas algumas das opes disponveis na ferramenta, tambm no foi feito um estudo mais profundo da mesma ferramenta. Contudo, pode-se destacar que, no momento da gerao das regras para a Base de Conhecimento, o nmero excessivo de regras pode acarretar parada crtica da ferramenta, por falta de memria, entrando assim no captulo da Inteligncia Artificial, Complexidade e Tempo Computacional, o grande empecilho para que a Inteligncia Artificial se difunda mais rapidamente. Outro recurso da Shell Unfuzzy, que poderia ser melhorado a Escala de valores. Muitas figuras acima mostram o conjunto Difuso por completo, mas o entendimento deste conjunto, muitas vezes fica comprometido devido a escala de valores ser muito ampla. Como sugesto de melhoramento da Shell Unfuzzy, poder-se-ia incluir uma opo de regulagem da escala desde mais detalhada at mais genrica. Como avaliao final da Shell, pode-se dizer que bastante completa e que atende as necessidades cientficas, mas para um enfoque comercial, sugere-se a procura de outra, com mais capacidade e recursos.

64

7 CONCLUSO
O presente trabalho, permitiu um breve estudo sobre Inteligncia Artificial, Lgica Fuzzy e uma abordagem mais especfica sobre Sistemas Especialistas e Recursos Humanos. A proposta do trabalho foi de demonstrar a utilizao da tecnologia dos Sistemas Especialistas aliada a Teoria dos Conjuntos Difusos, aplicada rea de Recursos Humanos, com o objetivo de analisar as caractersticas dos candidatos e informar ao especialista humano o Grau de Aceitabilidade do candidato quela vaga por ele pretendida, possibilitando com isso uma melhor escolha do candidato. O Sistema Especialista no domnio de conhecimento no qual foi construdo demonstrou resultados satisfatrios para os objetivos pretendidos, onde a juno das tecnologias de Sistema Especialista e Conjuntos Difusos com a rea de Recusos Humanos, mostrou-se eficiente no que diz respeito a traduo de conhecimento do mundo real para a Base de Conhecimento dos Sistemas Especialistas. Alm disso, a tcnica baseada em regras mostrou-se adequada, pois permitiu representar o conhecimento necessrio para a elaborao da Base de Conhecimento em uma aplicao direcionada ao setor de Recursos Humanos. A soma das tecnologias citadas, demonstrou a possibilidade da utilizao de Sistemas Especialistas na rea de Recursos Humanos, sendo utilizados como ferramentas de apoio ao especialista humano. Este auxlio proporciona ao especialista humano uma maior liberdade para realizar outras atividades contidas na funo que exerce, aumentando assim a qualidade de seu desempenho profissional. Para as tecnologias apresentadas neste estudo, inmeras opes podero surgir, mostrando um enorme nmero de aplicaes possveis. Cabe como sugesto para trabalhos futuros, um estudo mais aprofundado sobre a linguagem C ou C++ poderia ser muito til, pois a Shell Unfuzzy, gera cdigos fonte nestas linguagens. Sendo a implementao do sistema na linguagem C ou C++, poderia se proporcionar uma maior integrao entre o Sistema a Shell e o Banco de Dados, possibilitando Shell consultar as informaes dos candidatos diretamente das tabelas, agilizando com isso o processo de inferncia e apresentao do resultado final.

65

O uso de Sistemas Especialistas na rea de Recursos Humanos ainda inexpressivo, no entanto, a partir do momento em que o especialista humano responsvel pela seleo de pessoal, perceber como um Sistema Especialista pode auxili-lo nesta tarefa, certamente o uso se tornar mais expressivo e vantajoso.

66

8 BIBLIOGRAFIA
[CUN87] CUNHA, Horcio da e RIBEIRO, Souza. Introduo aos Sistemas Especialistas. So Paulo, Livros Tcnicos e Cientficos, 1987.

[KEL91] KELLER, Robert. Tecnologia de Sistemas Especialistas: Desenvolvimento e Aplicao. So Paulo, McGraw-Hill, 1991.

[LEV88] LEVINE, Robert I. e DRANG, Diane E. e outros. Inteligncia Artificial e Sistemas Especialistas. So Paulo, McGraw-Hill, 1988.

[RAB95] RABUSKE, Renato Antonio. Inteligncia Artificial. Florianpolis; Editora da UFSC, 1995.

[BIT01] BITTENCOURT, Guilherme. Inteligncia Artificial, Ferramentas e Teorias. Florianpolis, Editora da UFSC, 2001, 2 ed.

[RIC93] RICH, Elaine e KNIGHT, Kevin. Inteligncia Artificial. So Paulo, Editora Makron Books, 1993.

[WEB01] http://www.din.uem.com.br/ia/especialistas, acesso em Outubro/2003.

[WEB02] http://www.pucrs.campus2.br/~annes/ia11.html, acesso em Outubro/2003.

[WEB03] http://lokall.com/ianet/oqeia.htm, acesso em Outubro/2003.

[WEB04] http://www.colegionobel.com.br/robotica/nebula2.html, acesso em Outubro/2003.

[WEB05] http://upf.tche.br/~diego/trabalhos/unfuzzy, acesso em Outubro/2003.

67

[WEB06] http://www.rh.com.br

68

ANEXOS
Regras geradas pela Shell Unfuzzy e que foram utilizadas no prottipo:

// Descripcin del Sistema de Lgica Difusa

Nmero de Entradas : 3 Nmero de Salidas : 1 Nmero de Reglas : 144 Operador AND : Mnimo Operador Composicin : Mnimo Operador Implicacin : Mnimo Operador Unin-Interseccin : Mximo ENTRADAS : Variable de Entrada Nmero 1: Nombre de la Variable : Idade Valor Mnimo : 15.000000 Valor Mximo : 100.000000 Nmero de Conjuntos : 4 Tipo de Difusor : Singleton Parmetros del Difusor: : 17.575001 18.424999 Conjunto Nmero 1: Nombre del Conjunto : Adolescente Tipo de Conjunto : Tipo Z Parmetros :15.000000 17.000000 Conjunto Nmero 2: Nombre del Conjunto : Jovem Tipo de Conjunto : Campana Parmetros :17.100000 25.000000 30.000000 Conjunto Nmero 3: Nombre del Conjunto : Adulto

69

Tipo de Conjunto : Campana Parmetros :30.100000 45.000000 60.000000 Conjunto Nmero 4: Nombre del Conjunto : 3a. Idade Tipo de Conjunto : Tipo S Parmetros :60.099998 100.000000 Variable de Entrada Nmero 2: Nombre de la Variable : Escolaridade Valor Mnimo : 0.000000 Valor Mximo : 15.000000 Nmero de Conjuntos : 6 Tipo de Difusor : Singleton Parmetros del Difusor: : 14.991667 15.008333 Conjunto Nmero 1: Nombre del Conjunto : Muito baixa Tipo de Conjunto : Tipo Z Parmetros :0.000000 1.000000 Conjunto Nmero 2: Nombre del Conjunto : Baixa Tipo de Conjunto : Campana Parmetros :1.100000 2.000000 3.000000 Conjunto Nmero 3: Nombre del Conjunto : Mdia baixa Tipo de Conjunto : Campana Parmetros :3.100000 4.000000 5.000000 Conjunto Nmero 4: Nombre del Conjunto : Mdia Tipo de Conjunto : Campana Parmetros :5.100000 6.385714 8.000000 Conjunto Nmero 5: Nombre del Conjunto : Mdia alta Tipo de Conjunto : Campana Parmetros :8.100000 9.214286 11.000000

70

Conjunto Nmero 6: Nombre del Conjunto : Alta Tipo de Conjunto : Tipo S Parmetros :11.100000 15.000000 Variable de Entrada Nmero 3: Nombre de la Variable : Exp. prof. Valor Mnimo : 0.000000 Valor Mximo : 10.000000 Nmero de Conjuntos : 6 Tipo de Difusor : Singleton Parmetros del Difusor: : 7.994444 8.005556 Conjunto Nmero 1: Nombre del Conjunto : Pouquissima Tipo de Conjunto : Tipo Z Parmetros :0.000000 2.000000 Conjunto Nmero 2: Nombre del Conjunto : Muito pouca Tipo de Conjunto : Campana Parmetros :1.500000 2.771429 4.000000 Conjunto Nmero 3: Nombre del Conjunto : Pouca Tipo de Conjunto : Campana Parmetros :3.000000 4.428571 6.000000 Conjunto Nmero 4: Nombre del Conjunto : Boa Tipo de Conjunto : Campana Parmetros :5.000000 5.914286 7.000000 Conjunto Nmero 5: Nombre del Conjunto : Muito boa Tipo de Conjunto : Campana Parmetros :6.000000 7.028572 8.000000 Conjunto Nmero 6: Nombre del Conjunto : tima

71

Tipo de Conjunto : Tipo S Parmetros :7.500000 10.000000 SALIDAS : Variable de Salida Nmero 1: Nombre de la Variable : Aceitabilidade Valor Mnimo : 1.000000 Valor Mximo : 10.000000 Nmero de Conjuntos : 5 Tipo de Concresor : Centro de Gravedad Conjunto Nmero 1: Nombre del Conjunto : Grau baixo Tipo de Conjunto : Tipo Z Parmetros :2.500000 4.000000 Conjunto Nmero 2: Nombre del Conjunto : Grau mdio-baixo Tipo de Conjunto : Campana Parmetros :2.500000 4.000000 5.500000 Conjunto Nmero 3: Nombre del Conjunto : Grau mdio Tipo de Conjunto : Campana Parmetros :4.000000 5.500000 7.000000 Conjunto Nmero 4: Nombre del Conjunto : Grau mdio-alto Tipo de Conjunto : Campana Parmetros :5.500000 7.000000 8.500000 Conjunto Nmero 5: Nombre del Conjunto : Grau alto Tipo de Conjunto : Tipo S Parmetros :7.000000 8.500000 REGLAS : IF Idade es Adolescente AND Escolaridade es Muito baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo

72

IF Idade es Adolescente AND Escolaridade es Muito baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adolescente AND Escolaridade es Muito baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adolescente AND Escolaridade es Muito baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio IF Idade es Adolescente AND Escolaridade es Muito baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio IF Idade es Adolescente AND Escolaridade es Muito baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau mdio-alto IF Idade es Adolescente AND Escolaridade es Baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Adolescente AND Escolaridade es Baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau baixo IF Idade es Adolescente AND Escolaridade es Baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adolescente AND Escolaridade es Baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio IF Idade es Adolescente AND Escolaridade es Baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio IF Idade es Adolescente AND Escolaridade es Baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau mdio-alto IF Idade es Adolescente AND Escolaridade es Mdia baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adolescente AND Escolaridade es Mdia baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adolescente AND Escolaridade es Mdia baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Adolescente AND Escolaridade es Mdia baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adolescente AND Escolaridade es Mdia baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto

73

IF Idade es Adolescente AND Escolaridade es Mdia baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Adolescente AND Escolaridade es Mdia AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adolescente AND Escolaridade es Mdia AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adolescente AND Escolaridade es Mdia AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Adolescente AND Escolaridade es Mdia AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adolescente AND Escolaridade es Mdia AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau alto IF Idade es Adolescente AND Escolaridade es Mdia AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Adolescente AND Escolaridade es Mdia alta AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Adolescente AND Escolaridade es Mdia alta AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau baixo IF Idade es Adolescente AND Escolaridade es Mdia alta AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adolescente AND Escolaridade es Mdia alta AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio IF Idade es Adolescente AND Escolaridade es Mdia alta AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adolescente AND Escolaridade es Mdia alta AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Adolescente AND Escolaridade es Alta AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adolescente AND Escolaridade es Alta AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio IF Idade es Adolescente AND Escolaridade es Alta AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio

74

IF Idade es Adolescente AND Escolaridade es Alta AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adolescente AND Escolaridade es Alta AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adolescente AND Escolaridade es Alta AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Jovem AND Escolaridade es Muito baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Jovem AND Escolaridade es Muito baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Jovem AND Escolaridade es Muito baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Jovem AND Escolaridade es Muito baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Jovem AND Escolaridade es Muito baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Jovem AND Escolaridade es Muito baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Jovem AND Escolaridade es Baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Jovem AND Escolaridade es Baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Jovem AND Escolaridade es Baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Jovem AND Escolaridade es Baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Jovem AND Escolaridade es Baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Jovem AND Escolaridade es Baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Jovem AND Escolaridade es Mdia baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo

75

IF Idade es Jovem AND Escolaridade es Mdia baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Jovem AND Escolaridade es Mdia baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Jovem AND Escolaridade es Mdia baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Jovem AND Escolaridade es Mdia baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Jovem AND Escolaridade es Mdia baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Jovem AND Escolaridade es Mdia AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Jovem AND Escolaridade es Mdia AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Jovem AND Escolaridade es Mdia AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Jovem AND Escolaridade es Mdia AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Jovem AND Escolaridade es Mdia AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Jovem AND Escolaridade es Mdia AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Jovem AND Escolaridade es Mdia alta AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Jovem AND Escolaridade es Mdia alta AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Jovem AND Escolaridade es Mdia alta AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Jovem AND Escolaridade es Mdia alta AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Jovem AND Escolaridade es Mdia alta AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto

76

IF Idade es Jovem AND Escolaridade es Mdia alta AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Jovem AND Escolaridade es Alta AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Jovem AND Escolaridade es Alta AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Jovem AND Escolaridade es Alta AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Jovem AND Escolaridade es Alta AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Jovem AND Escolaridade es Alta AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Jovem AND Escolaridade es Alta AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Adulto AND Escolaridade es Muito baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Adulto AND Escolaridade es Muito baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adulto AND Escolaridade es Muito baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Adulto AND Escolaridade es Muito baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adulto AND Escolaridade es Muito baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adulto AND Escolaridade es Muito baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Adulto AND Escolaridade es Baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Adulto AND Escolaridade es Baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adulto AND Escolaridade es Baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio-baixo

77

IF Idade es Adulto AND Escolaridade es Baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio IF Idade es Adulto AND Escolaridade es Baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adulto AND Escolaridade es Baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Adulto AND Escolaridade es Mdia baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Adulto AND Escolaridade es Mdia baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adulto AND Escolaridade es Mdia baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Adulto AND Escolaridade es Mdia baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adulto AND Escolaridade es Mdia baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adulto AND Escolaridade es Mdia baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Adulto AND Escolaridade es Mdia AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Adulto AND Escolaridade es Mdia AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adulto AND Escolaridade es Mdia AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Adulto AND Escolaridade es Mdia AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adulto AND Escolaridade es Mdia AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adulto AND Escolaridade es Mdia AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Adulto AND Escolaridade es Mdia alta AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo

78

IF Idade es Adulto AND Escolaridade es Mdia alta AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adulto AND Escolaridade es Mdia alta AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Adulto AND Escolaridade es Mdia alta AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adulto AND Escolaridade es Mdia alta AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adulto AND Escolaridade es Mdia alta AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es Adulto AND Escolaridade es Alta AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es Adulto AND Escolaridade es Alta AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau mdio-baixo IF Idade es Adulto AND Escolaridade es Alta AND Exp. prof. es Pouca THEN Aceitabilidade es Grau mdio IF Idade es Adulto AND Escolaridade es Alta AND Exp. prof. es Boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adulto AND Escolaridade es Alta AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau mdio-alto IF Idade es Adulto AND Escolaridade es Alta AND Exp. prof. es tima THEN Aceitabilidade es Grau alto IF Idade es 3a. Idade AND Escolaridade es Muito baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Muito baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Muito baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Muito baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Muito baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau baixo

79

IF Idade es 3a. Idade AND Escolaridade es Muito baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau mdio IF Idade es 3a. Idade AND Escolaridade es Baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau mdio IF Idade es 3a. Idade AND Escolaridade es Mdia baixa AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia baixa AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia baixa AND Exp. prof. es Pouca THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia baixa AND Exp. prof. es Boa THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia baixa AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia baixa AND Exp. prof. es tima THEN Aceitabilidade es Grau mdio IF Idade es 3a. Idade AND Escolaridade es Mdia AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia AND Exp. prof. es Pouca THEN Aceitabilidade es Grau baixo

80

IF Idade es 3a. Idade AND Escolaridade es Mdia AND Exp. prof. es Boa THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia AND Exp. prof. es tima THEN Aceitabilidade es Grau mdio IF Idade es 3a. Idade AND Escolaridade es Mdia alta AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia alta AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia alta AND Exp. prof. es Pouca THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia alta AND Exp. prof. es Boa THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia alta AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Mdia alta AND Exp. prof. es tima THEN Aceitabilidade es Grau mdio-alto IF Idade es 3a. Idade AND Escolaridade es Alta AND Exp. prof. es Pouquissima THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Alta AND Exp. prof. es Muito pouca THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Alta AND Exp. prof. es Pouca THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Alta AND Exp. prof. es Boa THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Alta AND Exp. prof. es Muito boa THEN Aceitabilidade es Grau baixo IF Idade es 3a. Idade AND Escolaridade es Alta AND Exp. prof. es tima THEN Aceitabilidade es Grau alto