Uma breve reflexão sobre Deep Learning Machine e o nosso WM

Publicado em 20/10/2019

No nível seis do Maturity Index 4.0 da ACATECH, temos a descrição da adaptabilidade que a organização de manufatura deve possuir para se tornar ágil e evolutiva. Isso implica no uso de algoritmos de Inteligência Artificial capaz de aprender com o ambiente e se adaptar através de estratégias que se mostrem eficientes na obtenção de recompensas pela ações praticadas. Ressalto os algoritmos de aprendizagem por reforço, que podem prover hipóteses, que tentam se aproximar de uma função-alvo para executar uma tarefa que requer inteligência para tomada de decisões, num ambiente  observável.
O reforço se faz com o recebimento de recompensas (ou penalidades) durante a execução de ações definidas a partir de uma estratégia. Com isso, muito se aprende durante a execução da tarefa, quando  um agente usando da tentativa e erro, empreende ações de  interação com um ambiente dinâmico.  Assim sendo, os algoritmos  por reforço se destacam por gerar hipóteses que resolvem  problemas, em geral, encontrados em situações  complexas com diversificação de opções de  solução.
Para tanto, temos o uso da Programação Dinâmica (PD) que consegue encontrar estratégias e funções de valor ótimas  para processos de Markov finitos desde que se tenha  conhecimento completo de todos os seus componentes. No caso do nosso desenvovimento da Inteligência Artificial que desenvolvemos, o WM, por ter um ambiente de manufatura com caracteristicas de interações bem delimitada e conhecimentos com alta complexidade de serem representados analiticamente, a abordagem se faz melhor com o uso de um sistema especialista de segunda ordem, que temos tanto uma parte simbólica, com regras de logica não monotônica que exprime a probabilidade de acertividade de uma regra de conhecimento baseada nos dados extraidos do ambiente produtivo, bem como, de algoritmos conexicionistas, baseados em redes neurais com aprendizados não assistidos.

Facebook Twitter Share