IA sobre serviços de rede

Fase I - Estudo

Objetivos

IA aplicada na clusterização de dados da Algar Telecom

Conceito

Inteligência Artificial é uma inteligência parecida com a dos humanos porém reproduzida por algum mecanismo ou software. Existem vários características sobre a inteligência artificial como, capacidade de raciocínio, aprendizagem (onde a IA aprende com erros e acerto até se aperfeiçoar para agir da maneira mais eficaz), reconhecimento de padrões e inferência (que é a capacidade de aplicar raciocínio em situações cotidianas).

"Diz-se que um programa de computador aprende pela experiência E, com respeito a algum tipo de tarefa T e performance P, se sua performance P nas tarefas em T, na forma medida por P, melhoram com a experiência E.” Tom M. Mitchell

Aqui temos a definição de um dos "pais" da Inteligência Artificial. Então partimos sempre de machine learning para chegar na Inteligência Artificial, hoje o principal mecanismo da IA é o aprendizado de máquina.

Redes Neurais

A Rede Neural Artificial é uma estrutura computacional inspirada na biologia, uma representação computacional da conexão de diversos neurônios artificiais. Ela é dividida em diversas camadas: camada de entrada, camadas ocultas ou intermediárias e camada de saída. Aqui temos um neurônio humano, e suas partes, a função de um neurônio computacional é reproduzir o funcionamento de um neurônio humano.

Um único neurônio computacional é chamado de Perceptron, e como podemos perceber ele é divido por partes, como o neurônio humano.

Um Perceptron sozinho embora poderoso não é algo que atenda as necessidades das pessoas/empresas no dias atuais, então com o avançar da tecnologia juntou-se vários Perceptrons para chegarmos hoje na nossa conhecida Rede Neural Artificial.

Erro ao criar miniatura: Arquivo não encontrado

E assim com vários Perceptrons temos a Rede Neural que conhecemos hoje.

Como podemos ver na imagem as Redes Neurais possuem camadas. As camadas são:

• Camada de Entrada: onde os padrões são apresentados à rede;
• Camadas Intermediárias ou Escondidas: onde é feita a maior parte do processamento, através das conexões ponderadas; podem ser consideradas como extratoras de características;
• Camada de Saída: onde o resultado final é concluído e apresentado.

Nessas camadas acontecem os processamentos dos dados, os dados fornecidos são processados e após o processamento é retornado uma saída. Os passo são basicamente:

• Sinais são apresentados à entrada;
• Cada sinal é multiplicado por um número, ou peso, que indica a sua influência na saída da unidade;
• É feita a soma ponderada dos sinais que produz um nível de atividade;
• Se este nível de atividade exceder um certo limite a unidade produz uma determinada resposta de saída.

A maioria dos modelos de redes neurais possui alguma forma de treinamento, onde os pesos de suas conexões são ajustados de acordo com os padrões apresentados. Então as redes aprendem através de exemplos.

A propriedade mais importante das redes neurais é a de aprender e melhorar seus resultados. Isso é feito através de um processo iterativo que busca sempre melhorar os pesos. O aprendizado é atingido quando a rede atinge uma solução generalizada para uma determinada classe de problemas.

O algoritmo de aprendizado é um conjunto de regras bem definidas para a solução de um problema de aprendizado. Existem diversos tipos de algoritmos e a maior diferença entre ele é em como os pesos vão ser atualizados.

Outra propriedade importante são os paradigmas de apŕendizado, que é a maneira que a rede se relaciona com o ambiente. São eles:

• Aprendizado Supervisionado: quando é utilizado um agente externo que indica à rede a resposta desejada para o padrão de entrada;
• Aprendizado Não Supervisionado (auto-organização): quando não existe uma agente externo indicando a resposta desejada para os padrões de entrada;
• Reforço: quando um crítico externo avalia a resposta fornecida pela rede.

Características 

Informe sobre as particularidades, aspectos e atributos desta idéia.

Estudo Dirigido

Coloque aqui o plano de estudos bem como as possíveis fontes de informação.

Fase II - Ensino

Conteúdo

Desenvolva um conteúdo que possa transmitir o conhecimento adquirido para outros
Crie um material (Wiki, PDF, PPT, ...) que possa ser armazenado e facilmente atualizável

Apresentação

Apresente ao grupo (reunião, EAD, Blog, ...)
Publique aqui

Metodologia

Descrevas as metodologias usadas. Alguns exemplos:

1. Novas metodologias
2. Best Practices
3. Novos processos
4. Estratégia de Job Rotation
5. Estudos básicos para conhecimento do potencial
6. Estudos básicos para entendimento sobre o problema
7. Estudos para dar base aos pesquisadores
8. Benchmarking com empresas estrangeiras
9. Aceleradoras de empresas
10. Adoção de novas tecnologias
11. Utilização da proposta de soluções Open-source
12. Priorização no desenvolvimento interno
13. Foco na não dependência de fornecedores
14. Prática de formação dos talentos necessários

Fase III - Exemplo de Caso de Negócio

Product Backlog

Descreva os requisitos deste projeto

Benefícios para quem for oferecer esta solução

    Descrever em tópicos os benefícios que uma pessoa ou uma empresa podem obter: ganhos, receitas, novos negócios, novos produtos, novas parcerias

Benefícios para o usuário

Os benefícios para a Algar são muitos, como exemplo quero citar o artigo que o Willian escreveu, onde ele utilizou as reclamações da área de Atendimento ao usuário da Algar. Utilizando a rede neural SOM (Self Organization Map) para agrupar as reclamações.

Direcionadores chave para esta iniciativa

    Descrever em tópicos o que esta iniciativa pode proporcionar

Possíveis modelos

Rede Neural Convolucional

Durante a pesquisa foi desenvolvido uma Rede Neural Convolucional para reconhecimento de câncer de pele e de animais (cachorro e gato). Vamos tratar somente do reconhecimento de animais, a rede foi treinada para reconhecer cães e gatos, foi usado somente essas duas classes de animais, embora poderíamos ter usado mais classes, pois não encontramos ainda uma aplicação dentro da Algar utilizando-se dessa Rede Neural, ela foi desenvolvida somente como estudo de Redes Neurais.

Algoritmo KNN

Esse algoritmo pode ser utilizado tanto para Classificação quanto para Regressão, sendo que vamos utilizá-lo para Classificação. O algoritmo seria então utilizado para fazer a classificação (ou de uma maneira mais formal: separação) dos dados do nosso dataset e assim poderíamos trabalhar com os dados da melhor maneira. Seja gerando gráficos e analisando-os, ou rodando eles em alguma outra Rede Neural pra extrair o máximo de informações.

Business Case

    Descrever um exemplo de negócio que permita avaliar a solução comercialmente

Alinhamento com Lei do Bem

• Projeto possui algum elemento tecnologicamente novo ou inovador?

Elemento tecnologicamente novo ou inovador pode ser entendimento como o avanço tecnológico pretendido pelo projeto, ou a hipótese que está sendo testada

• Projeto possui barreira ou desafio tecnológico superável?

Barreira ou desafio tecnológico superável pode ser entendido como aquilo que dificulta o atingimento do avanço tecnológico pretendido, ou dificulta a comprovação da hipótese

• Projeto utiliza metodologia/método para superação da barreira ou desafio tecnológico?

Metodologia/método para superação da barreira ou desafio tecnológico pode ser entendido como aqueles atividades que foram realizadas para superação da barreira ou do desafio tecnológico existente no projeto

• Projeto é desenvolvido em parceira com alguma instituição acadêmica, ICT ou startup?

Se sim, o desenvolvimento tecnológico é executado por associado ou por alguma empresa terceira? qual o nome da empresa? 
Anexar cópia do contrato

Parcerias Acadêmicas

• Professor de Inteligência Artificial
  • UFU - FEELT
    • Keiji

Fase IV - Protótipo orientado ao Negócio

Escopo

Explique o escopo deste protótipo

Limitações

Informe sobre as limitações técnicas, comerciais, operacionais, recursos, etc.

PoC

Desenvolva um PoC (Proof of Concept)

Detalhamento Técnico

Rede Neural Convolucional

Mostrando um pouco de como foi feito a Rede Neural Convolucional logo abaixo temos uma imagem da rede em treinamento. Ao fim do treinamento foi obtido uma Acurácia de reconhecimento de 91% e um erro de 30%, a acurácia abaixo do esperado e o erro alto se dá porque foi usado um Dataset (nome dado ao conjunto de imagens utilizados no treinamento) com poucas imagens, em média tinha-se 5000 imagens de cada animal. Mas como ainda não vejo uma aplicação desse tipo de Rede Neural dentro da Algar, não vou me aprofundar no assunto.

Algoritmo KNN

Para testes, a classificação implementada foi bem simples. Foi utilizado o mesmo dataset de animais, gatos e cachorros, só que dessa vez, as imagens não estavam separadas em classes, todas foram colocadas em um pasta só, e o algoritmo KNN foi o responsável por separar as imagens nas duas classes (gato e cachorro).

A seguir temos 2 imagens, uma da implementação do algoritmo KNN na linguagem Python e outra do algoritmo em execução.

Erro ao criar miniatura: Arquivo não encontrado

Ao fim da execução do algoritmo, as imagens foram separadas nas duas classes, gato e cachorro, embora algumas imagens de gatos apareceram na classe cachorro e vice e versa, isso não é impedimento pra dizer que o algoritmo não cumpriu com o que foi proposto. O resultado foi satisfatório ao meu ver.

Esse algoritmo seria interessante de ser implementado na Clusterização dos dados que o P&D propõe.

Histórico

• (02/03 - 06/03) Estudou sobre o assunto.
• (09/03 - 13/03) Estudou sobre o assunto e preencheu Conceitos
• (16/03 - 20/03) Começou a montar a apresentação
• (23/03 - 27/03) Estudou sobre o assunto
• (06/04 - 10/04) Estudou sobre o assunto
• (20/04 - 25/04) Conversou com o Willian que desenvolve doutorado na UFU em Redes Neurais
• (27/04 - 01/05) Estudando os artigos que o Willian disponibilizou para leitura
• (11/05 - 15/05) Iniciou estudos práticos de Redes Neurais
• (19/05) Treinamento de uma Rede Neural Convolucional para classificação de imagens. Imagens usadas são de câncer de pele
• (22/05) Inicio dos estudos sobre Self Organization Map (SOM) e sobre o algoritmo KNN
• (27/05) Continuar estudando sobre SOM
• (29/05) Atualização da escrita na Wiki
• (02/06) Pesquisas para preencher a Fase III
• (05/06) Mais pesquisas para preencher a Fase III
• (10/06) Procura por colaboradores
• (15/06) Preenchimento e melhora da escrita
• (23/06)

Pesquisadores

• Fernando Henrique da Cruz
• Pedro Diogo Machado