Inteligência Artificial

para Jogos
CBR e Sistemas Especialistas

Prof. MSc. João Ricardo Bittencourt

Update: 13 Set. 2010

joaorb@unisinos.br

“Tome a pílula
vermelha” GT-JEDI – Jogos Digitais
Agradeço e dedico estas Inteligência Artificial para Jogos
aulas ao Prof. Osório UNISINOS
Sumário
 Inteligência Artificial Simbólica
 CBR (Case based reasoning)
 Sistemas inteligentes
 Predicados lógicos

 Sistemas especialistas

 Fatores de certeza

UNISINOS - João Ricardo Bittencourt

IA Simbólica
 Aplicação de regras explícitas sob um conjunto
de símbolos
 Símbolo é um signo (marca,sinal) que
referencia um objeto/conceito
 Ênfase em representar os conceitos ao invés de
enfocar a aprendizagem
 Os símbolos são a essência de um sistema
cognitivo

UNISINOS - João Ricardo Bittencourt

IA Simbólica
 Como representar estes símbolos
(conhecimentos)? Como manipulá-los?
 Analogia – Case Based Reasoning

 Inferência – Sistemas baseados em regras

 Incerteza/possibilidade – certainty factor,

lógica difusa
 Probabilidade – redes bayesianas

 Linguagens – paradigma lógico – PROLOG

 Representação de alto nível conhecimento

• Senso comum, redes semânticas, ontologia

UNISINOS - João Ricardo Bittencourt

CBR
 Princípios básicos
 “Problemas similiares tem soluções similares”

 “Problemas tem a tendência de se repetirem”

 “Aprendizado através das experiências

práticas”
 Raciocínio baseado em casos
 Modelo cognitivo humano

 Novos problemas são resolvidos pela

adaptação das soluções dos problemas
passados

UNISINOS - João Ricardo Bittencourt

CBR
 Para cada caso:
 Conjunto de atributos

• Quantitativos e qualitativos
 Solução

• Série de passos para resolver o problema

 Adicional

• Informações extras – sites, imagens,

vídeos, comentários, ...

UNISINOS - João Ricardo Bittencourt

CBR

UNISINOS - João Ricardo Bittencourt

 CBR
 Atributos numéricos (quantitativos)
 Similaridade euclidiana

• (C1A1A2, C2A1A2) =
SQRT ( SQR(C2A1 - C1A1) + SQR(C2A2 - C1A2) )
 Similaridade normalizada
• (C1A1, C2A1) = 1 - | C2A1 - C1A | / ( ValMax - ValMin)
 Similaridade ponderada
• Peso_A1 * Distância (C1A1, C2A1) +
Peso_A2 * Distância (C1A2,C2A2)

UNISINOS - João Ricardo Bittencourt

 CBR
 Atributos textuais (qualitativos)
 Similaridade binária

 Similaridade da ordem pré-definida

 Similaridade usando tabela de relações

 Similaridade entre textos

UNISINOS - João Ricardo Bittencourt

 Predicados lógicos
 Coleção de fatos + coleção de regras
 Prolog é o principal exemplo de uso de predicados
lógicos
 Baixem o SWI-Prolog. Programa gratuito
 http://www.swi-prolog.org/

 Podem ser feitas várias inferências sobre a base de

fatos
 Exemplos familia.pl e familia2.pl

http://www.inf.furb.br/~jomi/logica/exercicios/familia/index.html
UNISINOS - João Ricardo Bittencourt
 Sistemas Especialistas
 Programa desenvolvido para resolver problemas
considerando o conhecimento de um especialista
 Um sistema especialista é formado por:
 Base de conhecimentos – regras sobre o
domínio
 Memória de trabalho – os fatos coletados sobre
o problema em questão
 Máquina de inferência – combinar fatos e regras
para chegar à conclusões sobre o problema

UNISINOS - João Ricardo Bittencourt

 Sistemas Especialistas
 Exemplos de sistemas especialistas
 DENDRAL

• Desenvolvido em Stanford na década de 60

• Resolver problemas de química orgânica
 MYCIN

• Desenvolvido em Stanford na década de 70

 PROSPECTOR

• Desenvolvido pela SRI International na

década de 70
• Prospecção mineral

UNISINOS - João Ricardo Bittencourt

 Sistemas Especialistas
 Elicitação do conhecimento
 Entrevistas com o especialista

 Representação para um determinado formato

 Em geral utiliza-se sistemas baseados em regras

 Rule Based System (RBS)

 Criação da base de conhecimento

 Fatos (pressupostos) + regras

UNISINOS - João Ricardo Bittencourt

 Sistemas Especialistas
 Regras do tipo IF..THEN
//Dedução
IF <assertion> is True THEN
<new_assertion>

//Reação
IF <assertion> is True THEN
<conjunto de ações>

UNISINOS - João Ricardo Bittencourt

 Sistemas Especialistas
 IF antecedente THEN consequente
 Se todos antecedentes (IF ...) são verdadeiros,
então a regra é ativada
 ... e os consequentes são consideradas novas
suposições
 ... e poderão ativar novas regras!

UNISINOS - João Ricardo Bittencourt

 Fatores de certeza
 Atribuir um valor de confiança para as regras e
fatos
 Os valores variam de -1 à +1
 -1 indica que algo é totalmente falso

 +1 é totalmente verdadeiro

 0 representa a dúvida

 Não trata-se necessariamente de probabilidade,

mas de quanto que o especialista confia na
regra/fato

UNISINOS - João Ricardo Bittencourt

Fatores de certeza
Fatos Regras
A CF=0.8 R1: IF A THEN B CF=1.0
C CF=0.9 R2: IF C and D and E THEN B CF=0.6
D CF=0.7
E CF=0.5

0.8 A 1.0
R1
0.9 C
0.6 B
0.7 D R2
0.5 E
UNISINOS - João Ricardo Bittencourt
Fatores de certeza
Fatos Regras
A CF=0.8 R1: IF A THEN B CF=1.0
C CF=0.9 R2: IF C and D and E THEN B CF=0.6
D CF=0.7
E CF=0.5 Pegar o menor CF dos
1.0 antecedentes das regras
0.8 A
R1
0.9 C
0.6 B
0.7 D R2
0.5 E
UNISINOS - João Ricardo Bittencourt
Fatores de certeza
Fatos Regras
A CF=0.8 R1: IF A THEN B CF=1.0
C CF=0.9 R2: IF C and D and E THEN B CF=0.6
D CF=0.7
E CF=0.5 Multiplicar pelo CF das
1.0 regras
0.8 A Para R1:
R1 0.8 x 1.0 = 0.8
0.9 C Para R2:
0.6 B 0.5 x 0.6 = 0.3
0.7 D R2
0.5 E
UNISINOS - João Ricardo Bittencourt
Fatores de certeza
Fatos Regras
A CF=0.8 R1: IF A THEN B CF=1.0
C CF=0.9 R2: IF C and D and E THEN B CF=0.6
D CF=0.7
E CF=0.5 Combinando as duas
1.0 regras (R1 e R2 positivos)
0.8 A
R1 0.86 0.8 + 0.3 x (1-0.8) = 0.86
0.9 C
0.6 B 0.3 + 0.8 x (1-0.3) = 0.86
0.7 D R2
0.5 E
UNISINOS - João Ricardo Bittencourt
 Fatores de certeza
 Combinando Cfs
 Novo CF (CFN) dado CF1 e CF2
 Se CF1 e CF2 são positivos

• CFN = CF1 + CF2 * (1-CF1)

 Se CF1 e CF2 são negativos

• CFN = CF1 + CF2 * (1+CF1)

 Se CF1 e CF2 tem sinais opostos

• CFN = (CF1 + CF2)/(1-Min(|CF1|,|CF2|))

UNISINOS - João Ricardo Bittencourt