SEGUNDA PARTE - O QUADRO TEÓRlCO DO MODELO
Capítulo 2 O quadro teórico.
1. Introdução.
O quadro teórico do modelo repousa em grande parte na teoria da cognição desenvolvida por Schank (1982): uma teoria da lembrança e aprendizagem. O quadro teórico proposto por Schank é principalmente orientado à solução de problemas por meio de analogias usando problemas (histórias ou exemplos práticos transformados em casos) previamente resolvidos. Isto envolve organizar, armazenar e recuperar informação da memória para, posteriormente, por meio de regras estratégicas, reconstrui-las.
A similaridade (de objetivos, por exemplo) tem um papel importante nesta teoria de resolução de problemas humanos. Esta teoria resolve problemas reunindo as características específicas de experiências passadas. Assim, um problema chega a ter uma solução quando suas características são reconhecidas como similares às características de um problema conhecido, de forma que, uma nova solução é encontrada ou gerada.
O objetivo deste capítulo é apresentar e explicar alguns conceitos teóricos básicos, que posteriormente serão utilizados e que justificam o desenvolvimento do trabalho. Estes conceitos consideram a atividade cognitiva do operador numa situação complexa de trabalho. Eles são desenvolvidos segundo o que entendemos por atividade e mais precisamente, como atividade cognitiva, situação e complexidade de trabalho.
Segundo Falzon (l986), um esquema é a união organizada de objetivos ou variáveis que podem representar diferentes ações a realizar (estados a atingir). Dentro de um esquema são associados uma grande quantidade de informação que definem uma situação e, um conjunto de valores restringem as variáveis definidas. Estas restrições são especificadas para cada variável do esquema. Elas têm duas funções importantes:
(1) O estabelecimento das ligações entre as características de uma situação determinada, e assegurar que a aplicação do esquema armazenado na memória possa ser aplicado a uma determinada situação específica.
(2) A inferência dos dados ausentes quando as entradas não são especificadas. Assim, valores por "default" podem ser utilizados.
Também, podemos atribuir duas funções principais aos esquemas, a partir do tratamento da informação e da produção de inferências:
(1) Uma função cognitiva de ajuda a compreensão das
situações.
(2) Uma função que guie uma ação a realizar.
Os esquemas, teoricamente, se desenrolam em duas etapas:
i) Pela invocação do esquema. O processo de ativação dos fatos armazenados num esquema pode ser realizado pelas características de uma situação determinada (dirigidos pelos fatos) ou pelos esquemas já evocados (dirigido pelos conceitos).
ii) Pela ativação instantânea de um esquema. Um esquema ativado permite efetuar uma pesquisa dirigida pelas características da situação. Assim, ele desenvolve um processo de casamento entre estas e os fatos do esquema para logo proceder a substituir estes últimos. Esta etapa é dirigida pelos esquemas evocados.
No curso de tratamento de uma situação, estas duas etapas podem ser renovadas várias vezes. Em efeito, depois de recolher as informações, os esquemas são evocados na base dos dados incompletos, permitindo desta forma, iniciar rapidamente o tratamento. Um esquema evocado não constitue uma hipótese de interpretação que pode ser aceita ou rejeitada, em função da qualidade de sua adequação aos dados.
Schank (1982) observou que os esquemas não são armazenados em memória como tais. Eles são reconstruídos a partir das estruturas mais gerais e esquemáticas: os módulos de organização da memória (MOPs). A formalização destes módulos, concernente as estruturas e os processos cognitivos é representado na Fig. 1. Esta rede hierárquica teria um conjunto de esquemas relacionados e agrupados segundo suas diferenças (informação detalhada em Vergara, 1990B).
Figura 1. A formalização das estruturas e dos processos cognitivos.
As transformações dos esquemas, por meio da experiência, se produz com o curso da repetição de uma atividade (processo de enriquecimento). Anderson (1983) descreve estes processos em três etapas:
(1) Uma etapa declarativa, que corresponde a aquisição dos fatos brutos (do domínio a tratar), sob a forma de conhecimentos declarativos;
(2) Uma etapa de compilação dos conhecimentos que compreende dois processos:
- a composição, que permite encadear (de forma seqüencial) vários tratamentos e,
- os procedimentos, que permitem utilizar as regras de tratamento, sem evocar os conhecimentos declarativos.
(3) e, uma etapa procedural, que permite a utilização acelerada
das regras de tratamento.
A atividade em análise, o controle da distribuição e
manutenção da rede de energia elétrica, se situa num
ambiente complexo e corresponde às atividades de diagnóstico,
planejamento e de supervisão de sistemas. No entanto, o que é
um ambiente complexo ? e, o que os pesquisadores têm proposto para
determinar as atividades cognitivas em situações de controle
de sistemas?
2.5 As situações de controle de
sistemas.
Para Wood (1988), a complexidade não existe em si. Ele propõe tratar a complexidade considerando as características próprias do sistema e as representações feitas pelo operador na realização de sua tarefa. Também, ele afirma que a presença de vários operadores é um fator de complexidade em uma situação de trabalho (ver Fig. 2).
Figura 2. Os fatores que contribuem para a complexidade e a dificuldade na resolução de problemas (Wood, 1988).
De Keyser (1988) considera que a complexidade, nos processos contínuos, encontra-se no ambiente onde o operador executa suas tarefas. Este é composto por:
- muitas variáveis em interação;
- uma dinâmica temporal;
- objetivos poucos claros e por sua vez conflitivos e,
- em certos casos, riscos elevados.
Para Leplat (1988), a complexidade encontra-se nas interações entre a tarefa e o operador. Ele afirma que a complexidade depende da tarefa (por exemplo, as instruções mais ou menos finas para a realização da tarefa, o tempo de aprendizagem da tarefa, etc.), e das características do operador (por exemplo, as habilidades, a pluralidade do sistema cognitivo, etc.).
Assim, em situações reais de trabalho necessitamos levar em conta o contexto no qual o operador se encontra e, localizar as ações e suas interações na resolução de problemas.
2.6 As situações de supervisão
de sistemas.
Sheridan (1988) esquematizou todo um horizonte nas situações
de controle de processo mais ou menos automatizadas.
A tarefa de controle da distribuição e manutenção
da rede de energia elétrica e sua supervisão em relação
ao esquema de Sheridan, não é realmente urna situação
de controle de procedimentos, na medida em que não existe um produto
a ser fabricado. No entanto, podemos pensar que esta será do mesmo
tipo nas situações de controle de procedimentos.
Os modelos úteis da Engenharia Cognitiva são centrados nos
processos de tratamento de informação elaborados pelo operador.
O postulado subjacente esclarece que toda condução de um sistema
de trabalho, em particular dos dispositivos de apresentação
da informação, devem ser compatíveis com a estrutura
da atividade cognitiva do operador e suas representações mentais,
que eles têm usado para realizar sua tarefa (Pavard, 1991).
Os modelos de análise do desempenho humano, elaborados nesta corrente,
estão baseados na análise dos processos de tomada de decisão.
Isto é, uma situação de resolução de
problemas. No problema a tratar, os operadores encontram-se nestas
situações em todo momento. Estes são estados de
solução na qual o operador representa a tarefa, sem dispor
de um procedimento admissível para atingir um objetivo (Hoc, 1987).
As características seguintes estão presentes nestes modelos:
(1) O comportamento do operador está representado por uma
seqüência de tratamentos que são geralmente: a supervisão
e tomada de informação sobre o estado do sistema, a
interpretação destas informações, a
planificação e execução das ações
a tomar, e finalmente, a avaliação dos resultados destas
ações.
(2) Em situação de resolução de problemas, o
operador funciona num nível de conhecimento diferente do normal. Por
exemplo, nesta situação, o operador utiliza conhecimentos sobre
os princípios estruturais e funcionais na base do sistema (conhecimentos
superficiais), e conhecimentos gerais (conhecimentos profundos).
O conhecimento superficial é de tipo declarativo e corresponde ao conhecimento de "saber fazer". Este conhecimento é adquirido pela experiência e não permite concluir (limitação) em casos complexos, porque seus coeficientes de plausibilidade utilizados, em casos de incerteza, são poucos interpretáveis. Por outro lado, o conhecimento profundo corresponde ao conhecimento do "saber", isto é, um conhecimento do tipo analítico, proveniente de teorias, princípios básicos e axiomas. Estes são precisos e permitem fazer boas conclusões em casos difíceis.
(3) São preditivos a erros humanos.
Conforme a situação, um operador dispõe ou não
de um procedimento para tratar o problema. Rasmussen (1974, 1984, 1988)
desenvolveu um modelo do processo de tomada de decisão. O modelo inclue
uma análise cognitiva da tarefa de supervisão de uma atividade.
Ele considera o nível de formação e de experiência
do operador na construção do modelo (ver Fig. 3). Segundo este
modelo a seqüência de tratamentos é a seguinte:
(1) A ativação do operador é provocada pela necessidade
de adquirir informação antecipadamente do sistema;
(2) A ativação conduz o operador a observar e recolher a
união dos fatos;
(3) Os fatos analisados identificam o estado do sistema;
(4) A partir desta identificação, as evoluções
possíveis do sistema são avaliadas em referência com
as suas exigências. Isto é, a avaliação será
uma funçâo dos objetivos específicos e gerais do desempenho
do sistema;
(5) Em função desta avaliação, o estado objetivo
do sistema é escolhido;
(6) Para atender este estado objetivo, o operador define uma ou várias
tarefas que devem cumprir em função dos recursos e meios que
têm a sua disposição;
Os procedimentos necessários para a realização desta tarefa são determinados, planificados e executados.
Figura 3. O modelo ed funcionamento do operador (Rasmussen, 1974)
Seis etapas principais podem ser distinguidas neste modelo:
(1) Detecção: O operador toma conhecimento de uma anormalidade de um incidente, de um desvio em relação à situação "estabilizada", considerada normal.
(2) Discriminação: Fase de aquisição seletiva de informações. O operador focaliza sua atenção sobre os valores assumidos por certos parâmetros e sobre sua evolução.
(3) Diagnóstico: O operador tenta atribuir um significado aos dados da situação que ele julga pertinente e interpreta o estado do processo.
(4) Resolução de problemas: Quando o diagnóstico foi estabelecido, o operador examina, em função dos objetivos preestabelecidos e de um certo número de outros critérios (características da situação, avaliação do custo de alternativas, etc.) as estratégias a serem desenvolvidas.
(5) Tomada de decisão: O operador escolhe uma estratégia de ação e planifica sua atividade de maneira a atingir o objetivo que ele fixou.
(6) Ação: O operador executa seu plano de ação
e controla o resultado de sua atividade.
Estas etapas podem ser realizadas simultaneamente. No entanto, todas elas
não necessariamente são ativadas, elas dependem da
experiência do operador.
Um ponto de vista avançado para diferenciar a natureza dos tratamentos
elaborados pelo operador, em situações conhecidas ou
problemáticas, são os tipos de conhecimentos evocados, quando
uma situação é reconhecida como familiar. Desta forma
as regras apropriadas são ativadas e executadas no tratamento desta
situação . Em caso contrário, quando uma
situação é desconhecida (pouco familiar), ou pouco
estruturada (incerta), o operador constrói um procedimento de
resolução de problema apropriado, ao problema apresentado,
utilizando os conhecimentos gerais.
Do modelo seqüencial de tomada de decisão, Rasmussen (1984) derivou um segundo modelo, que leva em conta os processos de tratamento da informação do operador. Estes processos são hierarquizados em três níveis. Estes são: o comportamento baseado nas habilidades ("Skill-Based Behavior"), o comportamento baseado nas regras ("Rule-Based Behavior") e o comportamento baseado nos conhecimentos ("Knowledge-Based Behavior") (ver Fig. 4).
Figura 4. o processo de tratamento da informação elaborado em função dos níveis de comportamento (Rasmussen, 1984)
O nível de comportamento inferior está baseado nas habilidades
dos processos sensório-motores altamente automatizados. Este é
realizado (sem controle consciente) por um processo cognitivo de ordem superior.
O operador atua da mesma forma que um sistema de controle contínuo
sobre a união de várias variáveis ou sinais
espaço-temporais. Isto é, o comportamento é totalmente
automatizado, da observação à execução,
sem nenhuma etapa intermediária, de interpretação e
de planificação.
O nível intermediário, baseado em regras, leva em conta o
comportamento do operador no reconhecimento de situações. Neste
nível, são associados às regras dos especialistas ou
às instruções prescritas pela organização
do trabalho. Isto é, a pessoa tem um comportamento superficial. O
conhecimento é feito por associações:
"situação/ação". Assim, as informações
tratadas são estereotipadas correspondendo aos estados, eventos, tarefas,
etc. Quando as regras não podem ser utilizadas para tratar uma
situação, o operador é conduzido a funcionar no nível
superior a fim de formular um plano apropriado às características
da situação.
O tratamento da informação no nível superior é
"laborioso" e necessita de todas as etapas do processo de tomada de
decisão. Cada etapa depende dos resultados de sua precedente. Segundo
Rasmussen (1984), os operadores tratam neste nível, das
informações na base de uma representação
explícita (modelo mental), da estrutura e do funcionamento do sistema
em controle.
Enfim este modelo mostra os diferentes níveis de comportamento do
operador, quando ele é confrontado em uma situação conhecida
(o operador seleciona certas regras pertinentes em relação
ao problema), ou em uma situação desconhecida (o operador recorre
a seus conhecimentos sobre os princípios estruturais e funcionais
do sistema, ou sobre as leis da física).
O objetivo desta sub-unidade é descrever as principais
características do ambiente que influenciam nas atividades do operador
num posto de trabalho.
Em Psicologia do Trabalho e Ergonomia, existem numerosos estudos sobre a atividade humana em situação de trabalho. Estes estudos abordam múltiplos temas corno contabilidade humana, planificação temporal, resolução de problemas, etc. Há muito interesse nos aspectos da interface homem-máquina e da cooperação entre homem-sistema. No entanto, poucos estudos têm levado em consideração os diferentes aspectos na dimensão coletiva e Hoc (1990), observa que realmente existem poucos trabalhos sobre a cooperação homem-homem.
Para trabalhar na dimensão coletiva e necessário passar por uma análise granulométrica mais fina e, é necessário responder a perguntas como: quem ? (são as pessoas), porque fazem ? (tais tarefas) e a partir de que ? (qual é o princípio). Por outro lado, na concepção cognitiva é necessário responder: como os operadores adquirem o controle de suas habilidades ? Como os operadores podem detectar e diagnosticar? Que espécie de informação pode auxiliar ao operador ? etc.
3.1 A célula dinâmica do trabalho.
Para chegar a estes limites, podemos apresentar a noção que
permite levar em conta as pessoas envolvidas nas tarefas que executam. Fala-se
da Célula dinâmica do trabalho, cuja definição
(Courtex, 1991) é a seguinte:
- ela se define a partir da missão M;
- ela agrupa um ou vários operadores;
- o número de elementos formando esta união é
variável;
- os operadores que formam esta união têm funções próprias não necessariamente ligadas à M;
- elas participam na execução de uma missão M, em função das solicitações humanas e/ou materiais;
- as intervenções podem ser de natureza diferente:
interpretação e transmissão de informação,
ações da demanda, etc.
Esta noção permite identificar as pessoas envolvidas e descrever
suas relações funcionais (ação,
informação, etc.). Ela não leva em conta os meios utilizados
para realizar a missão. De outro lado, ela não permite a
apreensão dos processos cognitivos ativados, nem faz referência
à noção da missão. De fato, a missão depende
dos diferentes tipos de tarefas.
Segundo Savoyant (1983), a atividade de um equipe pode (ou não) ser
uma atividade coletiva. Assim, pode-se dividir as atividades da célula
ca do trabalho em tarefas, de acordo com a necessidade (ou não) de
uma atividade coletiva.
(1) As tarefas individuais que não necessitam da atividade coletiva podem ter origens diferentes (por exemplo, as tarefas suscetíveis de serem realizadas por um indivíduo ou as tarefas de especialistas).
(2) As tarefas coletivas que necessitam das atividades coletivas e podem
ser de origens diversas exemplo, as tarefas que incluem vários campos
de conhecimento. Isto exige especialistas de diferentes disciplinas e tarefas
que necessitam coordenações espaço-temporais).
3.4 A coordenação e os
conhecimentos.
Na coordenação pesquisa-se os processos cognitivos que são
evidenciados numa equipe de trabalho na realização de uma tarefa.
Savoyant (1977) pesquisou como passar da atividade individual à coletiva.
A noção central é a coordenação
interindividual, porque a característica manifestada
é a comunicação verbal e a não verbal (Daniellou,
1983; Pavard, 1991).
Coordenar é ligar uma ação de um sujeito a outra
ação de outro sujeito. Esta é uma noção
interessante do ponto de vista metodológico, porque nela se manifestam
as idéias, os juízos e os conhecimentos do operador. Assim,
para coordenar, são necessários os conhecimentos específicos.
Em particular, os conhecimentos de um operador sobre os conhecimentos de
outro.
Segundo Kreckel (1982), a partir desta interação pode-se construir
um conjunto de conhecimentos. Ou seja, neste processo existe uma
transformação dos conhecimentos individuais em conhecimentos
compartilhados.
De fato, os conhecimentos compartilhados são relativos aos conhecimentos
de fenômenos, processos, causalidade de fatos, etc. Estes correspondem
aos conhecimentos teóricos. Por outro lado, a parte operativa é
referida aos conhecimentos processuais ou modos operativos. Estes são
considerados como conhecimentos práticos e funcionais.
4. A simulação por meio de casos.
4.1 Uma teoria integrada na resolução
de problemas.
Um dos objetivos da I.A. é de proporcionar ferramentas formalizadas
para registrar os conhecimentos e as heurísticas dos sistemas cognitivos.
Isto é, sistemas ,computacionais que representem o modelo de funcionamento
e que manifestem o comportamento do sistema cognitivo dos seres humanos na
realização de uma determinada atividade. Por outro lado, a
simulação deste sistema permitirá reproduzir o comportamento
observado.
Muitos pesquisadores têm tentado construir o modelo do comportamento
humano segundo a perspectiva behaviorista, por exemplo, decompondo todos
os comportamentos do operador em uma seqüência de fatos elementares
ou subtarefas e logo alocar a cada um destes, uma certa probabilidade de
erro. Este tipo de abordagem eficiente em termos de quantificação,
tem sido questionado por muitos autores (Reason, 1990, de Keyser, 1987;
Rasmussen, 1984), principalmente na base das considerações
Psicológicas. A perspectiva da modelagem cognitiva, considerada como
um avanço no campo da cognição, trata o modelo do processo
mental como o motor do comportamento do operador em uma maneira de
determinística, combinando considerações psicológicas
de lógica formal e as teorias de tomada de decisão (Rasmussen,
1988; Bersini & Cacciabue & Mancini, 1988; Wood & Roth &
People, 1987A).
Por outro lado, Almalberti (l990, 1991A/B) declarou, em seus estudos com
os pilotos de aviões de combate, que só uma mínima parte
do raciocínio humano é feita de forma algorítmica. Ele
mostra que no processo de resolução de problemas, o piloto
não tem tempo para resolver seus problemas com regras de
produção. Ele supõe que existem mecanismos adaptativos
na preparação de um plano de ação e na
estruturação mesma dos esquemas, que permitem para um grande
número de situações, uma resposta pertinente e rápida.
Da mesma forma, coincidem com esta hipótese, Gaillard (1989), em seus
estudos do controlador do tráfego aéreo e, de Keyser (198 I)
no estudo da contabilidade humana em processos contínuos de Centrais
Termoeléctricas e Nucleares.
Mas, normalmente a solução de um problema depende da relativa
significância dos fatores do contexto e, muitas vezes, os métodos
estatísticos e analíticos não são os mais efetivos
(Ashley, 1989A). Por exemplo, especialistas acreditam que uma certa
característica pode ser mais importante que outra e, raramente, eles
podem dar pesos numéricos ou probabilidades para expressar suas
diferenças, mas eles estão sempre cientes da possibilidade
que em algumas combinações de características, o oposto
pode ser verdadeiro e a menor característica pode ser a mais
significativa. Assim, um terceiro método, simbólico, pode tratar
este problema citando ou recuperando casos precedentes (Ashley, 1991;
Hammond, 1990; Riesbeck & Schank, 1989- Kolodner, 1989A/B).
Na realidade, seguindo a perspectiva da modelagem cognitiva, é mais
exato pensar que muitas pessoas com exponencial ("especialistas"), a
diferença dos novatos, resolvem seus problemas do dia a dia, envolvendo
situações passadas similares (Elio & Scarf, 1990, Riesbeck
& Schank, 1989; Gentner, 1989; Seifert, 1989- Kolodner, 1987A, 1983B).
Assim, lembrar de experiências ajudam as pessoas, ou os operadores
de um posto de trabalho, na solução de seus problemas, antecipando
e evitando erros, e derivando métodos de raciocínio curtos.
Existem muitas evidências de que os especialistas confiam excessivamente
em sua memória de casos passados, quando resolvem problemas em
domínios, tais como em leis, em matemáticas, na
física, na medicina, em desenho e em planejamento estratégico
(Kolodner, 1991; Riesbeck & Skalak, 1991; Branting, 1991; Ashley, 1991;
Hammond, 1990), e este processo de raciocínio é importante
porque faz predições no entendimento (Schank, 1982) e na
aprendizagem (Ross, 1982). Este fato é realmente o foco de um sistema
usando CBR (Raciocínio Baseado em Casos) e, ele constitue o
quinto maior paradigma da pesquisa em aprendizagem de máquinas. É
a abordagem do raciocínio por analogia.
A abordagem do Raciocínio Baseado em Casos emerge rapidamente
da tecnologia da I.A., que pode usar as experiências (casos
ou histórias) para resolver problemas comuns. Usamos este tipo de
raciocínio como testemunha, porque isto corresponde ao processo que
usam os especialistas para resolver problemas amplamente e com eficiência
(Barletta, 1991).
O processo de um sistema CBR consiste em usar os resultados de
episódios passados (casos) para analisar ou resolver um problema novo.
O sistema pode adaptar soluções passadas às novas demandas,
usando suas experiências para explicar novas situações,
para criticar novas soluções, para interpretar novas
situações, ou ainda, para criar uma justa solução
a um problema apresentado (Barletta, 1991 - Hammond, 1990; Kolodner, 1989A/B;
Riesbeck & Schank, 1989).
Esta abordagem é útil quando o conhecimento é incompleto
ou as evidências são difusas. Os sistemas lógicos têm
problemas tratando com ambos, porque eles procuram suas respostas em fatos
conhecidos e corretos. Os sistemas de I.A. usam fatores e métodos
de raciocínio incertos para calcular estes problemas, que exigem
considerável esforço de cálculo, e nada é visto
de razoável (Kolodner, 1991). Os sistemas CBR têm um
método, tratando o conhecimento incompleto. Isto é, o sistema
CBR faz hipóteses para preencher o conhecimento incompleto,
ou errado, baseado na sua experiência. Soluções geradas
desta forma podem ser sempre ótimas ou precisamente justas (Ashley,
1991; Kolodner, 1983A, 1991 Lebowitz, 1986).
A analogia de casos manifesta que as regras, ou os princípios de uma
determinada atividade, podem ser facilmente aplicados à outras
situações similares. As experiências, em processos com
incidentes, podem mostrar à pessoa que toma decisões traços
de antecipação (alertas, "warning"), quando um curso de
ação é implementado e, assim sugerir um plano de
ação (Kolodner, 1991). Klein et al. (1988), demonstraram que
os métodos baseados em casos são muito mais confiáveis
que as predições não estruturadas com traços
não conhecidos.
Os sistemas CBR utilizam o método de raciocínio baseado
por analogia. Segundo pesquisas recentes, este é um meio de
raciocínio que utiliza casos passados ou experiências em um
esforço para resolver problemas, explicando situações
anômalas ou interpretando situações. Na atualidade existem
muitos programas que usam o raciocínio baseado em casos para resolver
problemas ou interpretar situações. MEDIATOR (Simpsom,
1985; Kolodner & Simpsom, 1988) e PERSUADER (Sycara, 1987), por
exemplo, usam casos para resolver disputas. JULIA (Kolodner, 1987;
Hinrichs, 1988, 1989), CLAVIER (Barletta & Hennessy, 1989) e
KRITIK (Goel, 1989- Goel & Chandrasekaram, 1989) usam o
raciocínio baseado em casos, para desenho. CHEF (Hammond, 1986, 1989)
e PLEXUS (Alterman, 1988) são planificadores baseado em casos.
HIPO (Ashley, 1988; Ashley & Rissland, 1987) é um raciocinador
baseado em leis. CASEY (Koton, 1988), PROTOS (Bareiss, 1989),
CELIA (Redmond, 1989) e MEDIC (Turner, 1989) usam o
raciocínio baseado em casos para realizar diagnósticos. (citado
por Kolodner, 1991; Riesbeck & Schank, 1989).
Os principais critérios que afetam na construção destes
sistemas são a estrutura da base de conhecimento e a forma de chegar
as conclusões, exemplos, contraexemplos e recomendações,
e de outro lado, aos fatores psicológicos do operador na
realização de sua tarefa. Isto é, as diferentes formas
de organizar o conhecimento e, os critérios psicológicos que
representam os comportamentos do operador no processo de tratamento da
informação.
Um pré-requisito para aprender e usar a experiência é a capacidade de recuperar experiências relevantes aplicáveis a uma situação nova. A estrutura da memória que se considera mais adaptada para este tipo trabalho está baseada na teoria dos MOPs (Kolodner, 1983 A/B; Schank, 1982). Nesta teoria, os MOPs ou episódios generalizados (Schank, 1982) têm um conjunto de conhecimentos que contem experiências individuais. As experiências individuais, também, são indexadas nesta estrutura segundo as características que as diferenciam.
As características dos eventos usados para indexação não são explicitamente preditivas pelo episódio generalizado. Quando duas experiências deferem de um episódio generalizado na mesma forma, uma lembrança acontece (Kolodner, 1983 A/B- Schank, 1982). A analogia ocorre quando as predições baseadas num primeiro episódio são utilizadas para analisar um novo fato. Generalização ocorre quando dois episódios similares são compilados para formar um novo esquema na memória.
A lembrança acontece por meio de um procedimento transversal. Isto é, quando uma nova experiência e encontrada, apropriados episódios generalizados são escolhidos. Desta forma, as características que se diferenciam dos outros, no mesmo episódio generalizado, são extraídos e os índices associados com estas características são comparados. Neste processo, o caso novo direciona-se aos casos passados já indexados na memória, de forma que, estes casos, estão agora disponíveis para uma melhor avaliação.
Na estrutura da memória e no processo de resolução de problemas, a aprendizagem ocorre de três maneiras. O primeiro tipo de aprendizagem, é quando adicionamos novas experiências na memória. Como foi explicado anteriormente, quando um caso é encontrado, este é indexado numa estrutura apropriada da memória, por suas características que as (diferenciam de outros casos na mesma estrutura da memória. Assim casos passados são avaliados e indexados na memória por suas diferenças. Neste processo existe uma colisão de episódios ou uma lembrança de casos passados. Estes casos na memória são reutilizados por meio da lembrança no raciocínio analógico. Um caso passado reutilizado durante o processo de resolução de problemas pode sugerir uma solução para um problema comum, sem a necessidade de raciocinar do princípio (Kolodner, 1989A/B). Desta forma, aprender um caso resulta da habilidade de resolver um problema similar posteriormente. Quando um número grande de casos resolvem um problema, depois de uma série de falhas, uma solução é encontrada. Então, esta boa solução pode ser aplicada a um caso novo similar. O registro na memória e o uso deles no processo de resolução de problemas pode ajudar a evitar posteriores falhas. Outros dois processos surgem do processo da aprendizagem, estes resultam do refinamento e da modificação de um domínio específico e do conhecimento estratégico já na memória: a generalização por similaridade e a explicação por falhas. Ambos processos ocorrem numa estrutura de resolução de problemas.
Generalização por similaridade (Kolodner, 1983A) ocorre quando vários casos, aplicados ao mesmo episódio, casam características não encontradas nesta classificação. Nesta situação um conceito novo é criado pelo casamento de características. Estes conceitos são uma generalização das características do caso e uma especialização da classificação original. Assim, quando um conjunto de pacientes diagnosticados de depressivos e, também, com problemas no coração, respondem ao mesmo tratamento, uma generalização pode ser feita. A medicação aplicada é um bom tratamento para ambos problemas. Estas generalizações de episódios são indexadas na memória para seu posterior uso. Isto é, estes episódios são indexados pela nova generalização e pelas novas características que as diferenciam.
Claro, o processo de fazer generalizações é muito difícil, porque e necessário escolher as características comuns de um conjunto de casos.
Em particular, algumas características importantes podem ser deixadas de serem usadas, porque alguns atributos são muito específicos ou generalizados. Tais generalizações devem ser seguidas e refinadas quando casos similares posteriores são encontrados.
Num sistema, a aprendizagem ocorre como resultado dos eitos incorridos e, avisos são necessários para explicá-los (Schank, 1982). Quando uma hipótese ou um conhecimento é violado (uma regra, por exemplo), os erros trabalham como são esperados. Assim, uma explicação para este erro é encontrado e uma porção de conhecimento deste é modificado. Quando um erro é encontrado e explicado na memória é necessário ponderar todos os dados que se encontram na mesma. Assim, quando uma segundo erro ocorre numa situação similar, o índice serve como gula para encontrar o episódio falho. Neste caso, um procedimento a ser evitado é encontrado.
A combinação destes dois métodos de aprendizagem e a exigência para casos passados similares obrigam a indexar os casos por dois tipos de características:
(1) Estas que descrevem o caso passado tentando resolver o problema, e
(2) Estas que descrevem um caso de resolução de problemas.
As características que descrevem um caso passado incluem planos de
ação que foram testados e, os resultados do exame (uma
descrição completa do resultado do ambiente, por exemplo),
no caso de uma falha ou uma explicação do por que uma
solução original não trabalhou é editada.
O processo de aprendizagem descrito, prevê um conhecimento generalizado
e casos passados são usados para avaliar o caso apresentado. O processo
pelo qual um conhecimento é transferido de um caso passado para um
corrente, é chamado de raciocínio analógico por
similaridade.
Para entender algo, o primeiro a fazer é pesquisas em nossa estrutura
de memória um conhecimento (um cenário, por exemplo), que
interprete esta situação. Os melhores cenários na
memória são os mais específicos com respeito ao problema
que estamos examinando para entendê-lo. Para encontrá-los é
necessário primeiro escolher uma estrutura de conhecimento aplicável
à situação (um episódio generalizado, por exemplo).
Desta forma, este episódio generalizado é colocado nesta estrutura
hierárquica, usando as suas características como índices.
Neste processo, casos passados similares e episódios generalizados
aplicáveis na hierarquia são encontrados.
Devemos imaginar, contudo, que a integração de uma e de
memória e o processo da lembrança caminham juntos no processo
de resolução de problemas. O processo de pesquisar
informações numa memória produz o encontro de relevantes
estruturas de conhecimento ou casos passados, tomando-se disponíveis
para seu processamento.
Em geral, a analogia de casos passados serve para muitos propósitos no processo de resolução de problemas. Uma experiência trazida a mente, por um problema comum, pode ser útil em algumas das seguintes tarefas na solução de um problema:
(1) Este pode ajudar num problema de classificação produzindo características adicionais a serem investigadas ou apontando alternativas de classificação (problema de diagnóstico).
(2) Este pode ajudar no planejamento, sugerindo procedimentos ou cursos de ação a serem seguidos ou evitados.
(3) Este pode sugerir uma explicação, ou detectar uma falha.
Raciocínio baseado na classificação de casos.
Classificar situações é uma forma de entender. Em
raciocínios médicos, isto significa determinar uma categoria
de conhecimento na qual um paciente se encontra. Em geral, classificar
situações significa encontrar os esquemas mais aplicáveis
na memória do conhecimento, que está sendo compreendida. Esquemas
escolhidos durante o processo de entendimento providenciam predições
para utilizá-los neste processo (Schank, 1982). Escolher uma categoria
de diagnóstico, por exemplo, mostra um tratamento apropriado a ser
seguido em medicina. Na solução de um problema, esquemas adaptados
(esquemas generalizados, por exemplo) fazem predições acerca
de possíveis estratégias de resolução de
problemas.
Para resolver um problema é necessário entendê-lo. Em um sistema computadorizado os detalhes não apresentados, de um problema, devem ser preenchidos através de um processo de ingerência ou de um conjunto de perguntas formuladas por este. Assim, desde que uma classificação é escolhida, as características não encontradas para o caso corrente são utilizadas para atravessar a estrutura episódica da memória. Desta forma, esquemas específicos e casos particulares são encontrados. A analogia de um caso passado tem duas funções na classificação ou no processo de entendimento:
- sugerindo características adicionais a serem investigadas;
- sugerindo uma alternativa ou uma classificação adicional.
O primeiro passo para entender um problema é fazer hipóteses
que possam descrevê-lo. Um médico, por exemplo, pode elaborar
hipóteses a respeito das perturbações de um paciente
por seus sintomas apresentados. Isto é, num sistema onde estão
representadas as hipóteses de um problema, a máquina de
inferência baseada em casos pode ajudar a verificá-las e
diagnosticar seu estado. A idéia é integrar um caso
comum, com hipóteses de episódios generalizados, causando desta
forma, as lembranças (recuperação dos casos passados).
Assim quando um caso não tem os detalhes necessários, para
verificar um esquema hipotético e, um caso recuperado inclue estes
detalhes, a idéia é transferir estes detalhes ao caso
apresentado.
Neste tipo de raciocínio, os casos "precedentes", são usados
para encontrar uma nova solução (em uma análise de
interpretação, os resultados podem ser a favor ou contra e,
é possível apresentar um resumo da sensibilidade de alguns
de seus fatores) e, justificar e explicar a racionalidade do processo.
Em geral, este estilo de raciocínio é útil para uma
situação de classificação; avaliação
de uma solução; argumentação;
justificação de uma solução,
interpretação de um plano de ação; e a
projeção dos efeitos da tomada de decisão.
Este raciocínio usa casos para justificar soluções,
mostrando sua avaliação, quando os métodos usados e
a interpretação das situações não são
claras, quando as definições da situação são
difusas ou incertas. Também, este estilo é útil quando
não existem métodos computacionais disponíveis, para
avaliar uma solução ou uma posição (Kolodner,
1991).
Raciocínio baseado em casos selecionando um plano de ação.
Quando um problema é entendido, um plano de ação deve
ser formulado. Isto envolve um número de passos: selecionar um conjunto
de planos de ação, avaliar e escolher as melhores alternativas
e implementar o plano. Assim, a experiência pode ser útil durante
alguns destes passos.
A experiência é útil quando sugere um plano de
ação para aplicá-lo a uma determinada situação.
Por exemplo, o tratamento de um paciente com bons resultados pode ser aplicado
a outro com os mesmos sintomas.
O raciocínio por analogia é útil na avaliação
da utilidade de aplicar um plano de ação a uma
situação, com o objetivo de escolher entre um conjunto de
alternativas. A avaliação de planos de ação envolve
simular e avaliar os resultados das alternativas dos cursos de ação
em relação as experiências passadas. O sucesso ou o fracasso
de uma situação apresentada consiste em implementar um plano
de ação em condições lares, usando uma métrica
de avaliação deste potencial curso de ação.
Experiências servem como exemplos na avaliação de uma
alternativa.
Para sumarizar, as experiências podem ajudar no planejamento nas seguintes formas:
- sugestão de procedimentos a serem seguidos;
- sugestão de procedimentos a serem evitados;
- seleção dos meios para implementar um plano de ação e,
- predição dos resultados de um plano selecionado.
O plano de avaliação procura simular os resultados dos cursos
alternativos de ação e sua respectiva avaliação.
Esta avaliação é feita usando as experiências
acontecidas. Assim, a simulação dos resultados de usar um plano
de ação manifesta uma hipotética situação
que pode ser similar a uma real.
Raciocínio baseado em casos no restabelecimento de erros.
A experiência também ajuda na explicação e no restabelecimento de erros. Planos de ação falhos podem acontecer por diferentes motivos. Em geral, seguir a pista para encontrar uma falha é difícil. Assim, quando uma experiência contém um conhecimento errado similar a do caso apresentado, este pode prover uma pista para esclarecer o erro no novo caso.
A solução de problemas errados ou com objetivos pouco claros,
normalmente, aparecem como casos (ou planos) falhos, mas eles podem resultar
das más interpretações iniciais, da fraca
implementação de um plano de ação, das incorretas
predições dos resultados, das novas ocorrências inesperadas
ou da seleção de um mal plano de ação. Assim
casos passados são importantes na interpretação e no
planejamento (Kolodner & Simpson & Sycara-Cyranski, 1985).
O procedimento pelo qual uma falha permite o redirecionamento de uma pista
ficar um erro em um caso comum se dá como segue: reconhecida a falha,
a máquina de ingerência chama um erro similar passado. Logo,
os índices correspondentes as características do caso, a escolha
dos planos e as falhas são cruzados. Quando uma falha similar tem
ocorrido previamente, a explicação desta atua como um guia
para construir as hipóteses para explicar a falha comum. A lembrança
de casos passados podem sugerir planos de ação para recuperar
estes erros. Isto é, os planos de ação podem sugerir
o objetivo real de um caso.
Podemos resumir que as experiências podem atuar no restabelecimento de erros, como segue:
- sugestão de uma explicação para uma falha;
- sugestão de uma nova razoável interpretação de um erro ou de uma falha, e
- sugestão de um plano de ação para restabelecer o objetivo
real de um caso.
Por quê este tipo de raciocínio? O raciocínio baseado em casos é útil quando as pessoas conhecem uma porção de uma tarefa ou de um domínio e, porque proporciona a eles uma maneira de voltar a usar um forte raciocínio que eles fizeram no passado. Por outro lado, considerando um sistema baseado em regras que resolvem problemas, tomando uma informação de entrada (ou através de um diálogo, de perguntas e respostas, com o usuário), o sistema posteriormente encadeará um conjunto de regras, das regras bases, para chegar a uma determinada solução (ver Fig. 5). Assim, dada a mesma situação problema, o sistema faz a mesma quantidade de trabalho para chegar a mesma solução. Em outras palavras, os sistemas baseados em regras não são inerentes à apreender. Estes sistemas consomem muito tempo para serem construídos e poderem realizar sua manutenção. A extração dos conhecimentos dos especialistas é uma trabalho constante e estas são dependentes de um conjunto de regras.
Figura 5. O funcionamento de um sistema de raciocínio baseado em regras.
Por outro lado, os sistemas CBR operam de uma forma muito diferente dos sistemas convencionais (ver Fig. 6). Por exemplo, dada uma determinada especificação, um sistema baseado em casos pesquisa na sua memória a existência de um caso semelhante as características do problema. Assim o sistema vai procurar (a incerteza ou a Variabilidade dos objetivos decrescem quando são adicionados casos novos ao sistema) o melhor, caso ou um conjunto de casos, para poder dar uma solução ou recomendação ao problema.
Figura 6. O funcionamento de um sistema de rciocínio basead em casos.
Os sistemas baseados em casos devem encontrar e modificar pequenas
porções de casos recuperados que não se encaixam nas
especificações de entrada. Isto é chamado de
adaptação de um caso. O resultado de adaptar um caso é
a completa solução ao problema. Assim, este processo gera um
caso novo que pode ser automaticamente adicionado à memória
do sistema para seu posterior uso (a aprendizagem é uma paste
básica da arquitetura do sistema CBR).
A idéia de utilizar sistemas CBR tomando decisões, baseadas
em casos, consiste em elaborar sistemas computadorizados que ampliem as
memórias das pessoas, provindo com casos ou histórias
(análogas), para que estas possam ser utilizadas na solução
de um problema.
Em geral, os sistemas baseados em casos são difíceis de serem construídos, porque a tarefa da engenharia de conhecimento consiste em simplificar os problemas, definindo termos e agrupando casos, pré-classificados pelo especialista (formalização das estruturas conceituais e informáticas) e, por outro lado, a tarefa de manutenção de adicionar um novo conhecimento é um pouco mais fácil quando os problemas se encontram em domínios específicos (Barletta, 1991 Kolodner, 1989A/B).
4.2 O domínio da abordagem de raciocínio
baseado em casos.
Aprender de experiências é uma forma de assimilar conceitos
(inteligência). Muitas pessoas que tomam decisões, frente a
novos problemas, se beneficiam da experiência ao resolver um problema
com soluções adequadas de casos ou de problemas passados.
A idéia do CBR depende da habilidade do sistema para comunicar e explorar a similaridade entre urna situação nova e algum caso ou história previamente representado na memória do sistema. A função da memória em tais sistemas é manter uma biblioteca de casos, representados e organizados, de tal forma que para um problema apresentado, um caso apropriado pode ser recuperado e seu raciocínio a ele aplicado.
As pesquisas realizadas em Psicologia sobre o processo de resolução de problemas por analogia, realizadas pelas pessoas, são estimuladas pelos sistemas CBR, na medida em que as pessoas tendem a lembrar situações que são de forte sentido explanatório ou de estruturas causais (Almalberti, 1990; Gentner, 1989; de Keyser, 1981). A questão é, do acesso à memória de longo termo, via emparelhamento das estruturas relacionais de alta ordem, ocorre pelos esquemas causais ou por planejamento de estruturas" (Schank, 1982).
Pesquisas em psicologia demonstram que existem quatro fatores fundamentais que podem promover um acesso analógico (Gentner, 1989):
(1) O contexto do objetivo. A suposição é que as pessoas têm um modo de memorização não natural. Ross (1982, 1989) evidenciou que as pessoas freqüentemente lembram problemas passados e, estas lembranças são freqüentemente baseadas em similaridades superficiais (por exemplo, entre os objetivos e as características de uma história), ao invés de similaridades estruturais;
(2) A recuperação intencional. Teorias psicológicas afirmam que no processo de resolução de problemas por analogia as pessoas usam mais a lembrança de fatos superficiais que estruturais;
(3) A codificação. Existe uma recuperação analógica quando a informação inicial a codificar é profunda. Faries e Reiser em 1987 observaram que sujeitos bem treinados ficaram aptos a fazer uma lembrança estrutural, apesar da presença de outros blocos de conhecimentos superficiais;
(4) A experiência. Um conjunto de pesquisas demonstram que especialistas podem ter lembranças estruturais.
Uma observação a estes fatores é que os pontos (3) e (4) conduzem a suspeitar que a recuperação de uma experiência baseada em similaridades por via estrutural, pode mostrar a forma como é codificado o problema original (Ross, 1989- Elio & Scharf, 1990). Assim, as três principais exigências propostas para que as partes de dois casos análogos tomem correspondência são (Thagard & Holyoak, 1989A/B):
- por similaridade semântica;
- por consistência estrutural e,
- por centralidade pragmática.
i) Similaridade Semântica. Numerosas experiências
psicológicas demonstram que a recuperação de casos passados,
realizados pelas pessoas, por analogia, são sensitivos ao grau de
cobertura semântica entre os conceitos usados para representá-los
na memória. Outras pesquisas, no processo de resolução
de problemas por analogia, indicam que as pessoas são freqüentemente
incapazes de lembrar situações semelhantes.
"A avaliação de fatos por similaridade é um fator
central na solução de problemas inteligentes. Este processo
abrange todos os aspectos do raciocínio baseado em casos na
recuperação, na avaliação, na adaptação
de uma solução e na aprendizagem".
O julgamento por similaridade semântica entre dois casos análogos deve ser realizado por suas riquezas semânticas e para identificar conceitos similares e não por ligação de predicados.
Fundamentalmente, a similaridade semântica de conceitos em analogia depende da:
* Representação dos conceitos pelo mesmo predicado e,
* Representação dos predicados que são similares em
significado, em virtude de espécies super-ordinadas e subordinadas,
relações, relações parte/todo, sinônimos
ou outras relações semânticas.
A similaridade semântica usada pela memória humana, no processo de recuperação de experiências, é um caso especial. As ligações semânticas mostram o curso fundamental de uma informação. Entretanto, as similaridades entre os elementos de duas experiências análogas é uma pré-condição necessária, mais não suficiente, para o processo de recuperação.
Consistência Estrutural. A principal exigência da consistência estrutural é que os casos tenham urna ligação de um a um nos nós conceitos. Em segundo lugar, os casos devem ser ligados por meio de estruturas isomórfica. O isomorfismo depende da consistência da ligação de proposições, predicados ou argumentos. Isto é, dois casos são análogos, quando suas estruturas são semelhantes e podem dar soluções de formas diferentes.
A consistência estruturada pode ser igualada ao critério de unas dois casos.
SE duas proposições são comparadas.
ENTAO seus predicados e argumentos também devem ser
comparados.
iii) Centralidade Pragmática. A analogia tem vários
propósitos. Por exemplo, na resolução de problemas serve
para ajudar a interpretar e acionar os objetivos de um problema.
Pesquisadores em I.A. têm argumentado que a relevância
causal, para atingir o objetivo de um problema, influe na recuperação
de um caso. Muitas destas propostas determinam que a indexação
causal é a melhor forma pela qual as analogias são armazenadas
e recuperadas na memória. A maior hipótese é que, as
características dos objetivos obtidos devem ser generalizados. Neste
sentido, a centralidade pragmática atua como uma pressão adicional
para a similaridade semântica e a consistência estrutural. Por
exemplo, no modelo de ligação de predicados ACME (Thagard &
Holyoak, 1989A/B).
A teoria do CBR proporciona uma metodologia para construir sistemas
e, formalizar um modelo cognitivo pessoas, coerente com as teorias
psicológicas que têm observado como as pessoas realizam seu
processo de resolução de problema. Assim, nota-se que em
situações que mudam dinamicamente, ou desconhecidas, ou ainda
com soluções pouco claras, este método de raciocínio
é o preferido pelas pessoas (Klein & Calderwood, 1988).
Por outro lado, psicólogos têm observado que as pessoas têm várias dificuldades em realizar raciocínio analógico ou em utilizar o raciocínio baseado em casos. Ainda que, as pessoas sejam competentes usando analogias para resolver novos problemas, elas nem sempre são competentes para lembrar os casos mais precisos ou os mais exigidos (Kolodner, 1991; Gentner, 1989).
Pesquisas experimentais em psicologia demonstram que os seres humanos usam
o raciocínio analógico, baseados em casos, em uma variedade
de circunstâncias. Ross (1989), por exemplo, demonstrou que as pessoas
aprendem novos conhecimentos ou habilidades quando, freqüentemente,
se referem a problemas passados para "refrescar" a memória de como
fazer uma tarefa. Outras pesquisas de laboratório demonstraram que
médicos usam, de forma intensiva, casos passados para estabelecer
um diagnóstico em um paciente, o que lhe permite selecionar as terapias
quando várias opções são disponíveis e
não estão bem entendidas. Pesquisadores também têm
observado que arquitetos e projetistas chamam, fusionam e adaptam velhos
planos de projetos para criar outros (Barletta & Hennessy, 1989- Branting,
1989- Kolodner, 1988, 1989A, 1991; Deugo & Oppacher, 1989; Seifert,
1989).
Na abordagem CBR, a memória contém um conjunto de casos
individuais, a diferença das abordagens de "memória intensiva",
que usam mais métodos numéricos ou estatísticos. O sistema
CBR tem um conjunto de métodos próprios manipulando
estas tarefas e um conjunto de resultados surgem da implementação
destes métodos. Examinemos alguns destes métodos e suas
utilidades.
4.3 Os fundamentos do raciocínio baseado em
casos.
A utilização dos sistemas CBR envolve várias
operações básicas. Assim, aceitando um caso, o sistema
CBR procede da seguinte maneira:
(1) Recuperação dos casos relevantes da biblioteca da
memória.
O objetivo deste passo é recuperar os "melhores" casos, que possam auxiliar o raciocínio que se produz nos passos seguintes. A recuperação é feita usando as características (índices) do novo caso que são relevantes na solução de um problema. Os casos recuperados da memória podem ser reais ou hipotéticos. Estes podem ser compostos por vários casos, elementos estereotipados ou específicos. As técnicas, neste passo inicial, são críticas e dependem da estrutura do caso na memória (a informação armazenada, os índices considerados, as noções de similaridades e relevância, e como será usado o caso quando ele é disponível num domínio). Existem diferentes métodos para estruturar e manipular uma memória "dinâmica". Por exemplo, por abstrações de níveis chamados TOPs ("Thematic Organization Packets", Schank, 1982), que conectam objetivos a casos soluções e pelo conceito da memória hierárquica ao estilo MOPs (Kolodner, 1983A/B) ou memória plana ("flat"): computando índices (por exemplo, usando os sucessos ou erros passados, os agrupamentos baseados em caraterísticas derivadas e os fatores estatísticos na solução de um problema).
Praticamente a noção mais avançada na representação de um caso, para registrar as descrições ocorridas casualmente dos processos de raciocínio ou da experiência episódica, é a teoria de Kolodner (1983B). Ela sugere que um caso é simplesmente uma porção de memória enriquecida e interconectada, mostrando uma aplicação de múltiplos episódios ou histórias para um problema simples (Alterman, 1989).
(2) Seleção do cavo ou dos casos mais promissores da coleção de casos recuperados no passo 1.
O objetivo deste passo é examinar um conjunto de casos relevantes na interpretação ou na solução a ser gerada no passo seguinte. A similaridade de casos depende de como os índices são ligados em cada dimensão e, da importância de cada dimensão. Por exemplo, o programa JUDGE (Bain, 1986) trabalha no domínio de sentença e criminal e determina como são duas disputas similares. A dimensão tempo, por exemplo, quando a disputa ocorre, não é importante, mais sim a justificativa dos autores. Na avaliação, o sistema CBR usa esquemas métricos ou rankeados, por exemplo, cobrindo as características preditivas ou declarando a importância destas, na orientação do raciocínio objetivo. A importância da interpretação de casos precedentes pelo sistema CBR é um trabalho com um selecionado grupo de casos mais relevantes. Pode existir um caso ganhador ou provavelmente não. Assim em cada uma destas linhas de análise é necessário aplicar uma determinar a estratégia.
(3) Construção de uma solução ou de uma
interpretação para um novo caso.
Este passo produz uma solução, uma interpretação
ou uma avaliação do novo caso, com uma justificativa e/ou apoio
de argumentos. Durante este passo, uma solução é
construída para o novo caso pela adaptação de
soluções de casos passados. Este processo consiste de duas
partes: primeiro, determinar quais são as diferenças entre
o caso apresentado e o caso recuperado e, logo, modificar a solução
armazenada no caso recuperado levando-se em conta estas diferenças.
As regras utilizadas neste processo são complexas e, de uma maneira
geral, difíceis de serem caracterizadas (Kolodner, 1991; Hammond,
1990). Casos passados são usados neste passo para advertir erros
potenciais. Assim a máquina de inferência de um sistema pode
antecipar e evitar problemas quando estes são encontrados. No sistema
CBR, baseado na interpretação e precedência, os
casos selecionados neste passo são usados para construir argumentos
a favor ou contra uma determinada Interpretação. Isto é,
o processo procura obter analogias "positivas", ligando fatos similares
relevantes, em apoio do caso e, interrompendo anal 'as "negativas"
incompatíveis.
O sistema recebe as informações de entrada, encontra uma
solução passada relevante e adapta esta ao caso proposto.
(4) Teste e revisão do resultado do passo 3.
Em certos domínios no mundo real, como leis e política estrangeira,
onde é impossível predizer todas as conseqüências
de um plano de ação, diferentes soluções propostas
devem ser testadas e criticadas. Uma maneira de realizar esta
operação é mostrando "hipóteses" e "contra-exemplos",
para testar a contabilidade de uma interpretação. Por exemplo,
podemos construir um banco evasivo de argumentos (casos) que indiquem que
a linha de divisão, entre as interpretações, é
uma ilusão real e que as interpretações nos extremos
podem ser mais claras que as encontradas no meio. Outra forma é usar
a solução do caso proposto, para provar a memória quando
os exemplos são conhecidos da solução proposta, ou quando
alguma solução está errada. Uma última maneira,
seria simular a solução e, posteriormente, verificar os resultados
da simulação contra os resultados esperados. Esta fase é
de grande importância, porque os resultados são decisões
táticas. Isto é, ações úteis, robustas
ou fracas na tomada de decisão.
(5) Avaliação dos resultados,
Neste passo, os resultados do processo de resolução de problema,
são examinados no mundo real. Os fatos ou eventos acontecidos na realidade
e as soluções da aplicação do sistema CBR
são analisados. Assim, quando os resultados esperados são
diferentes, é necessário realizar uma explicação
destas anomalias. Este passo, requer de toda um conjunto de conhecimentos
dignos de confiança e, uma atribuição de responsabilidades
nos métodos de aprendizagem a partir de erros. Isto é, o sistema
CBR fornece um método simples, explicando erros quando estes
são encontrados. Desta forma, chamando um erro e sua
explicação, é possível às vezes explicar
novos erros. Este passo é um dos mais importantes para este tipo de
sistema, porque proporciona à pessoa que resolve problemas, uma maneira
de avaliar suas decisões no mundo real, e um meio de
antecipação para evitar erros. Quando uma explicação
não é possível, a máquina de inferência
de um sistema baseado em casos mostra habilmente um aviso ou urna
advertência ("warning").
(6) Atualização da memória por armazenamento de novos casos.
Neste passo, o novo caso é armazenado na memória para ser utilizado posteriormente. O processo mais importante que acontece neste tempo é a escolha das formas de indexar um novo caso na memória. Os índices devem ser escolhidos de tal forma, que o caso possa ser chamado, mais tarde, durante a análise de um outro caso no processo de resolução de problemas. Um processamento adicional será necessário para produzir um ajustamento na estrutura da memória em relação a "índices/organização".
Neste passo, o processo de aquisição de conhecimento é produto do processo de aprendizagem. Assim, quando um caso é adaptado a uma nova configuração, ou quando o resultado chega de uma combinação de soluções de casos passados, os passos exigidos para resolver outro problema não serão repetidos.
As etapas precedentes descrevem como é o ciclo básico da máquina de ingerência de um sistema baseado em casos (ver Fig. 7).
Figura 7. Diagrama de fluxo de um sistema CBR (segundo Riesbeck & Schank, 1989).
O sistema de aprendizagem a idealizar irá trabalhar com a seguinte
premissa:
O sistema adaptará pequenas porções de
soluções de casos ou histórias recuperadas às
especificações de entrada ou ao problema proposto, gerando
desta forma um caso novo que poderá ser adicionado na memória.
Esta premissa é semelhante a algumas considerações
teóricas das Ciências Cognitivas, que evidenciam que os seres
humanos agem automaticamente.
4.4 As características básicas na utilização destes sistemas.
As principais caraterísticas de um sistema CBR são:
a seleção, a recuperação, a adaptação,
a interpretação e a avaliação. As duas primeiras
são as mais importantes e o resto são eficazes na medida em
que as experiências ou os casos passados fazem seu trabalho. Assim,
para resolver estes dois problemas é necessário que:
(1) Os casos sejam indexados na memória, de forma que eles possam ser recuperados com as características mais apropriadas do problema apresentado;
(2) O algoritmo de pesquisa deve usar eficientemente os traços do problema
proposto, porque estes são comparados com os traços do(s) caso(s) na memória; (3) De uma quantidade de casos recuperados da memória deve ser escolhido o(s) melhor(es) caso(s). Estes dois passos compreendem o processo de recuperação;
(4) A estrutura da memória deve ser organizada de tal forma que o
algoritmo de pesquisa realize um bom trabalho.
A recuperação de um caso na memória é essencialmente
um problema de pesquisa e esta situação obriga que os casos
sejam indexados. A estrutura de um caso é uma função
do domínio do problema (por exemplo, nas matemáticas, na
física, etc.). Fundamentalmente, a indexação consiste
em selecionar rótulos apropriados das caraterísticas de um
caso. Desta forma, eles são guardados e recuperados da memória.
Quando um caso é apresentado a um sistema e, nenhum dos casos armazenados
têm uma similaridade exata, a máquina de ingerência do
CBR faz uma ligação parcial com alguns dos casos
na memória. Desta forma, o problema a ser resolvido é não
polinomial. Realmente, a recuperação de um caso similar torna-se
um problema crucial.
Um índice é um registro de entrada de alguma coisa e serve
como uma guia para encontrar uma referência. A máquina de
ingerência de um sistema CBR necessita estar apta a encontrar
um índice de entrada e como aplicá-lo para alcançar
um objetivo desejado. Por exemplo, os índices de entrada para as
definições de palavras em um dicionário são palavras
ordenadas alfabeticamente por facilidade de localização. Desta
forma, na construção de um dicionário é assumido
que o usuário, ao encontrar uma palavra, sabe como aplicar uma
definição para seus propósitos.
Um índice para um sistema baseado em casos é
um bom distintivo mas não e único.
O processo de indexação é central nos sistemas baseados em casos, porque este oferece a esperança de minimizar o espaço de pesquisa. Normalmente, nestes sistemas, um índice de entrada usualmente aponta um caso passado. Assim, a indexação apropriada da memória permite executar a tarefa dos sistemas de raciocínio baseado em casos ao observar situações passadas relevantes que levam a um resultado do problema.
Pesquisas no campo da cognição demonstram que a recuperação de um caso é influenciada pelo processamento da tarefa e o tempo de armazenagem. Casos passados são difíceis de serem recuperados quando os objetivos do armazenamento e o tempo de recuperação são diferentes (Pazzani, 1989). Esta situação, em modelos informáticos, implica que, para recuperar um caso com diversos propósitos é necessário indexá-los de várias maneiras e incluir uma descrição do contexto na codificação do índice. Assim, a criação de índices por técnicas baseadas em explicações mostram mais de um aspecto em um caso. Por exemplo, motivo_para_uma_invasão. Diferentes objetivos podem relatar o processo de aprendizagem explicando diferentes partes de um episódio. Por exemplo, para predizer o resultado de futuros acidentes é necessário explicar, por que acidentes passados ocorreram ou sucederam ? Assim, um evento indexado na memória serve como um precedente para realizar mais de uma tarefa.
Um caso é usualmente descrito usando traços intrínsecos
ou prontamente perceptíveis. Tais características são
chamadas de "superficiais". Uma característica intrínseca em
um caso é uma referência definida exteriormente para o caso
em contexto. Por exemplo, uma cadeira de aula será descrita, declarando
traços intrínsecos, como um arranjamento de partes estruturais
(gavetas, pernas, cabeceira), com propriedades físicas (peso, tamanho,
solides), como um arranjamento de partes funcionais (superfície de
trabalho, áreas de armazenagens) e com propriedades de uso (ampla,
ergonâmica, fácil de sentar). Assim, as características
que não são superficiais serão chamadas de
"abstratas".
Abordagens computacionais, às vezes, são necessárias
para determinar a similaridade de dois casos quando existem suficientes
características relevantes. Por exemplo, em um domínio simulado,
as caraterísticas superficiais como forma, tamanho, cor e
posição relativa são suficientes para determinar que
dois objetos são similares. Por outro lado, em outros domínios,
isto não é suficiente e traços funcionais são
exigidos para determinar a similaridade.
Em resumo, a similaridade de dois casos pode ser computada quando as
descrições da linguagem deles são similares. Isto ocorre
quando os casos são descritos com características superficiais
ou quando o conhecimento dá pessoa descreve os casos com
características abstratas. Contudo, a recuperação de
casos por similaridades é útil quando computamos que (Porter,
1989):
- a similaridade não é superficial,
- o programa pode infrir úteis abstrações e,
- o domínio da teoria é imperfeito.
A representação de um caso por similaridade é explorado
no programa PROTOS que representa um caso como um vetor de
características e onde uma explicação é uma
inferência heurística relatando traços tipicamente
através de abstrações comuns (Porter, 1989). Mas esta
representação não é apropriada. Um caso é
uma rede complexa que codifica uma história e compilar isto em um
vetor característico não é possível. De qualquer
maneira, uma explicação por similaridade requer complexidade,
justificativas não lineares e virtualmente quantidades ilimitadas
de conhecimento de um domínio, porque a complexidade de uma
explicação consiste em voltar a usar esta explicação
em outros casos (similaridade).
Pesquisas em análise das lembranças coletadas de algumas pessoas
têm levado à comunidade de pesquisadores de sistemas CBR
a propor várias formas de rotular os casos (Kolodner, 1991):
(1) índices preditivos ou explicativos;
(2) índices bastantes abstratos para fazer um caso útil em uma variedade de situações futuras,
(3) índices bastantes concretos a ser reconhecidos para futuros casos e,
(4) Predições feitas são úteis para posteriores
usos.
Características preditivas. Um caso é uma
descrição de um problema. Muitas combinações
com as características de um problema são levados em conta
como responsáveis pelas diferentes escolhas para atingir uma
solução. As combinações
do problema, as soluções das características e os fatos
do domínio são responsáveis para atingir um resultado
no domínio do problema. A combinação das
características responsáveis por alguma parte da
solução do problema ou, do resultado do domínio é
chamado "preditivo" da parte da solução ou, do resultado que
está influenciando. Por outro lado, quando esta combinação
é responsável por achar um esquema que descreve a causa
("explicação") de um evento determinado, o índice será
"explicativo".
O conteúdo de um problema pode ser decomposto para providenciar mais
detalhes ou para ser condensado em princípios genéricos. A
colocação de detalhes (descrição de
informação extra) em um índice, tem por finalidade recuperar
um caso que normalmente tem falhado. Por exemplo, quando projetamos uma cadeira
de escritório que mostre a parte posterior do apoio, usamos os
índices "cadeira_de_escritório" e "parte_posterior_do_apoio".
Quando o índice "parte_posterior_do_apoio" não é conhecido,
casos na memória não poderão ser recuperados. Assim,
uma nova elaboração de índices para
"parte_posterior_do_apoio" será "movimento-circular", "arco_pequeno"
e "eixo_horizontal". Estas elaborações com o índice
"cadeira" recuperaram potencialmente uma "cadeira-de-balanço".
Ilustremos dois exemplos: primeiro, considerando-se uma refeição
que não foi aceita, porque nosso hóspede, um vegetariano, não
pode comer o prato principal, porque tem carne. A combinação
dos descritores, "hóspede é vegetariano" e "carne é
um ingrediente no prato principal", é responsável pela
aceitação. Assim, quando observamos esta combinação
outra vez em uma refeição de nosso cardápio, podemos
predizer a mesma falha ("o vegetariano não está apto a comer
o prato principal"). Estes descritores são preditivos de um caso
particular. Segundo, considerando-se um médico que tem um paciente
com um conjunto de sintomas. Ele faz diferentes diagnósticos para
analisar a saúde do paciente. Desta forma, lembra vários
tratamentos efetivos que já foram aplicados em outras
situações similares com bons resultados. A combinação
dos sintomas responsáveis pela dificuldade no raciocino, a
predição do diagnóstico e do tratamento do caso serão
bons índices.
(2) Abstrações de índices. Às vezes,
os casos são específicos e, a estruturação dos
índices para eles, necessitam ser escolhidos de tal forma que estes
possam ser usados em uma variedade de situações apropriadas.
Esta abordagem indica que os índices devem ser mais abstratos que
os detalhes de um caso particular. índices abstratos são usados
para generalizar conceitos e, desta forma, casos podem ser recuperados. Eles
representam urna ampla cobertura do caso na base de conhecimento. Por exemplo,
no programa CHEF (Hammond, 1989) para criar uma receita de carne de
vaca e brócolis (um prato frito e misturado). Ele cria primeiro a
receita, por comparação com outro caso, e encontra que o
brócolis é obtido úmido. Logo, examina a receita, determina
a seqüência de passos e declara que os brócolis ficaram
frescos. Assim, este caso pode ser indexado de várias maneiras:
- o prato preparado é frito e misturado, o prato inclue carne e o prato inclue brócolis.
- o prato preparado é frito e misturado, o prato inclue carne e o
prato inclue vegetal fresco.
O primeiro conjunto de índices neste caso pode ser chamado "carne
de vaca e brócolis são fritos e misturados conjuntamente".
Desta forma, estes índices não permitiram chamar outro caso.
Por exemplo, quando frango e couve-flor são fritados e misturados.
De qualquer maneira, os passos provavelmente são os mesmos da receita
carne de vaca e brócolis. Mas, couve-flor é um vegetal encrespado
que ficará fresco depois de preparado. Assim, o segundo conjunto de
descritores faz este caso mais aplicável.
Uma determinada situação pode ser caracterizada de diferentes
formas e cada uma delas num sentido correto em algum sentido. Mas, cada um
destes traços conduz a diferentes casos lembrados. Por isso, é
necessário que os índices sejam bem declarados. As principais
restrições que eles devem satisfazer são:
- eles devem obter com facilidade as descrições de baixo nível de uma situação;
- eles devem ser úteis na pesquisa de um objetivo e na recuperação de alguma extremidade do espaço de estados de soluções possíveis;
- eles devem caracterizar os casos da memória ao longo de alguma
dimensão. Assim, os casos similares são relatados de forma
funcional. Por exemplo, quando em um sistema existem muitos casos, declarando
planos falhos e diferentes estratégias na recuperação
destes, os índices de ligação devem ser comuns entre
eles.
(3) Índices concretos. O perigo de um índice abstrato se dá quando a máquina de inferência de um sistema CBR não compreende que uma nova situação tem estes descritores, salvo através de uma extensiva inferência. Por isso, os índices necessitam ser bastante concretos de maneira que eles possam ser reconhecidos por urna pequena inferência. Por exemplo, quando o programa CREF necessita criar um recipiente de "souffle" de morango. Ele cria este prato por adaptação de uma receita de "souffle" de baunilha. Para fazer o "souffle", CHEF calcula e declara que a quantidade de liquido e de fermento não está balanceada (existe muito líquido para uma determinada quantidade de fermento no recipiente). Ele também calcula que o liquido extra foi por causa do suco no morango. Ele resolve o problema incrementando fermento afim de balancear os efeitos do líquido na receita. Assim, este caso pode ser indexado de várias maneiras:
(1) Prato é do tipo "souffle", líquidos e fermentos não são balanceados;
(2) Prato é do tipo "souffle", prato inclue morango;
(3) Prato é do tipo "souffle", prato inclue frutas e,
(4) Prato é do tipo "souffle", prato não tem quantidade de
liquido.
Dos índices declarados, podemos observar que, os três últimos
são melhores que o primeiro, porque suas características são
reconhecidas dentro da inferência. Os índices (2) e (3) são
concretos e reconhecíveis, e são mais aplicáveis.
(4) Por sua utilidade. Uma consideração final na
indexação é o critério pela qual os índices
são escolhidos para fazer predições úteis no
raciocínio. Em geral, quando algum resultado resolve um problema,
este transforma-se em outro problema.
Casos estruturados descritos por suas características e que são recuperados de falhas são úteis para a solução de um grande número de tarefas. Por exemplo, a antecipação de um problema, a explicação de uma falha e, o restabelecimento de erros e falhas.
4.4.2 A organização da
memória.
Indexar casos não é suficiente para sua recuperação.
Também, é necessário organizar a memória em uma
estrutura funcional. Uma abordagem de organização de memória
existe quando discriminamos redes, mas a recuperação de um
caso depende das características propostas (Felgenbaun, 1963; citado
em DARPA, 1989). Esta abordagem é frágil em domínios
onde as características se perdem na discriminação.
Mas, esta abordagem pode ser estendida com apoio da indexação
(Kolodner, 1983A/B). Desta forma, podemos armazenar descrições
de resumos abstratos em nós internos dentro de uma rede, generalizando
casos individuais. Esta abordagem organiza a memória, de tal forma,
que vários casos com diferentes detalhes podem ser tratados no processo
de recuperação. Por outro lado, só o caso mais típico
ou relevante de um conjunto de casos será recuperado sob certas
circunstâncias e, o componente da memória (raciocínio
baseado em casos) mostrará uma forma de incrementar o conjunto de
conceitos (processo de aprendizagem).
Nestes sistemas, os casos passados são representados e indexados na
memória e, desta forma, eles podem ser organizados em uma estrutura
eficiente para sua recuperação. As estruturas da memória
podem ser associativas ou hierarquizadas. Normalmente, alguns ou todos os
traços de um caso são 'indexados, independentemente dos outros
traços em uma hierarquia e, estes são organizados em um estrutura
conceitual que vão do conceito geral ao particular.
O tipo de organização da memória depende da quantidade
de conhecimento disponível e, do domínio a tratar para indexar
e recuperar a informação necessitada. A abordagem associativa
é freqüentemente usada, na biblioteca de casos, para dar uma
maior flexibilidade ao sistema na realização de sua tarefa
e, a abordagem hierárquica é a mais apropriada quando as tarefas
são bem definidas.
Outro problema na organização da memória é como
devem ser estruturados os casos. Alguns sistemas CBR armazenam os
casos de forma integral em um lugar da memória. Por exemplo, CASEY
(Koton, 1988), CHEF (Hammond, 1990), HIPO (Ashley, 1991).
A vantagem desta abordagem é que o caso pode dar uma completa
solução ao novo problema e, a desvantagem é que pode
ser difícil voltar a usar as características de um caso passado
para resolver um novo caso. Uma solução para este problema,
é partir o caso em características elementares e armazená-las
individualmente em um conjunto de apontadores que posteriormente poderiam
ser usados para reconstruir o caso completo, como no programa JULIA
(Kolodner, 1987A/B). Esta concepção permite utilizar as
características de um caso passado para resolver as partes de um caso
proposto, mostrando que o problema complexo a ser resolvido é uma
combinação de soluções parciais de vários
outros problemas.
A biblioteca de casos é composta de casos envolvendo eventos ou
episódios e, para entendê-los é necessário utilizar
o conceito de espaço de estados como base para descrever os vários
episódios incluídos na biblioteca de casos.
A representação de um caso envolve caracterizar os objetivos,
os eventos ou episódios que identificam urna situação
e, sua estrutura representa o conceito do espaço de estados que pode
ser usado como base na descrição de vários episódios.
Existem várias formas de representação. As redes ECC
(Alterman, 1989) são grafos direcionados e cada nó é
um conceito evento/estado. Cada nó está associado a um conjunto
de casos. Outra forma de organizar os conhecimentos é na forma de
MOPs (Kolodner, 1983A/B- Schank, 1982). Esta técnica envolve
as noções padrões da I.A., tais como frames,
abstrações, herança, etc., mas aplicado para bases de
conhecimento que mudam dinamicamente. Por exemplo, sistemas que apreendem
novo conhecimento em processos de entendimento e de resolução
de problemas. A representação das tarefas em uma rede
hierarquizada, como no sistema PRIAR (Kambhampati, 1989A/B), ou em
uma cadeia de relações causais como no sistema CHEF
(Hammond, 1989).
Segundo Kolodner (l991) a representação de um caso pode ser
realizada usando uma representação de predicados, uma
representação em frames ou uma representação
das características similares. As principais partes de um caso
são:
(1) A descrição da situação do problema (estado
do domínio, o tempo e o acontecimento do caso, e os problemas que
necessitam ser resolvidos antes de sua aplicação);
(2) A solução (solução derivada para um caso
específico na descrição do problema) e,
(3) O resultado (estado resultado do domínio quando a solução
foi encontrada).
Assim, um CASO é uma lista de objetivos, estados e suas
explicações, e as características conduzem a um resultado
particular de uma situação determinada. Em formas mais complexas,
um caso é conectado a um conjunto de subcasos que integrados formam
a estrutura do espaço de resolução de problemas. Por
exemplo, o desenho de um avião (ou circuito) é feito de
sub-desenhos dos componentes que compreendem o todo e que cada um deles pode
ser considerado como um caso.
Dependendo das características de um caso, estes podem ser usados
para vários propósitos. Por exemplo, os casos que incluem um
conjunto soluções ou recomendações de uma determinada
situação, podem ser usados para derivar soluções
aos problemas apresentados. Os casos, como as descrições e
os resultados, podem ser usados na avaliação de novas
situações. Por último, quando um caso tem uma
solução específica, este pode ser usado na
avaliação de soluções e na antecipação
de problemas potenciais antes que eles ocorram (Kolodner, 1991).
Desta forma, quando a solução de uma parte de um caso determinado
é única, esta pode ser usada na solução de um
caso novo. Quando a solução de um caso inclue um armazém
de fatos de como esta foi derivada, os métodos de solução
do caso passado podem ser usados em casos onde a solução passada
é inaplicável.
4.4.3 Os algoritmos de
recuperação.
A recuperação de um caso da memória é um problema de pesquisa, Este processo é difícil, porque a pesquisa a realizar é por ligação parcial de fatos e não tomando um caso completo. Existem duas abordagem para resolver este problema: os métodos de pesquisa refinando conceitos e os métodos de recuperação paralela.
a) Os métodos de pesquisa refinando conceitos. Estes métodos dependem de como é organizada a memória, em aspectos de generalização e da especialização de hierarquias. A pesquisa começa em um nó geral de uma hierarquia e vai descendo até que uma ligação seja possível, em caso contrário, ela para. Desta forma, os casos específicos na memória são recuperados quando seus traços em um hierarquia se ligam com os traços do caso a resolver. Neste tipo de pesquisa é necessário a indexação da memória na qual índices e nós intermédios são bem definidos.
Este método foi implementado inicialmente ao organizar as memórias em uma rede discriminada redundante (Elio & Scharf, 1990- Kolodner 1983A/B; Lebowitz, 1983) e, mais tarde, em memórias com representações distribuídas. Isto é, os casos são armazenados como peças de um caso geral, como no programa HIPO (Ashley, 199 I).
Um exemplo de problema de pesquisa, é quando pesquisamos uma informação na memória. Neste armazém, o estado inicial é um lugar (nó), ou conjunto de pontos mostrando alguma coisa e, a descrição do objetivo é a descrição de uma informação. Assim, a pesquisa toma lugar em uma memória estruturada, em um domínio determinado. Por exemplo, quando um caso ocorre inesperadamente podemos pesquisar, na memória, algum caso passado, com características semelhantes, que já tenha acontecido (Schank, 1982).
Os métodos de recuperação paralela. Estes são aplicados em computadores de configuração paralela. Nestes métodos, toda a memória é utilizada e uma característica de uma solução é um ponto sensível. Estes métodos utilizam muitos processadores disponíveis, de maneira que o emparelhamento entre o caso proposto e todos os casos armazenados na memória podem ser ligados ao mesmo tempo, e a ligação parcial é feita aplicando uma função de avaliação que liga cada item do caso base. Desta forma, os itens são recuperados. O maior problema destes métodos é escolher uma boa função de avaliação.
4.4.4 A escolha dos melhores casos.
Em uma memória episódica, enriquecida e indexada, muitas das
lembranças podem acontecer durante o processo de resolução
de problemas. A estrutura da memória é desenhada de tal forma
que casos passados relevantes possam ser escolhidos de um conjunto de
lembranças. Existem dois métodos para realizar isto (Kolodner
& Simpson & Sycara-Cyranskl, 1985):
O melhor caso é escolhido de um conjunto de lembranças
através de um procedimento de avaliação "a priori ".
A escolha do melhor caso requer habilidade do sistema quando recupera
(em função das características iniciais da
situação) um ou vários casos e, ao mesmo tempo gera
uma correspondência entre suas partes.
Este método é baseado em um conjunto de testes. Por exemplo, os seguintes testes foram utilizados no desenvolvimento do sistema MEDIATOR (Kolodner & Simpsom, 1988):
a) Eliminar os casos passados que mostrem diferenças nos objetivos com caso proposto;
b) Eliminar os casos passados que têm uma derivação do relacionamento objetivo diferente do caso proposto e,
c) Ordenar os casos passados de acordo ao seguinte critério ou
ranking:
- argumentos disputantes similares >>
- disputas similares >>
- objetos disputantes similares
Considere o seguinte exemplo:
"As nações do Terceiro Mundo e os Países Industrializados procuram obter certos direitos sobre os minerais no fundo dos oceanos. Esta situação é discutida e se pensa que eles serão divididos. Ambos lados não confiam que outros dividam seus recursos naturais" (Kolodner & Simpson & Sycara-Cyranski, 1985).
Suponha que nosso sistema recupera três casos:
(1) Duas crianças lutam em um bar, a solução é "interromper as outras escolhas";
(2) A disputa entre Israel e Egito no Sinai, e
(3) A disputa entre os E.E.U.U. e a Rússia sobre a pesca nas costas
dos E.E.U.U.
Usando a regra I, o caso 2 é eliminado, porque este caso envolve um
forte relacionamento dos objetivos de ambas partes e não uma
relação competitiva. A regra 2 elimina o caso 3, porque os
objetivos dos disputantes são derivados diferencialmente. No caso
comum, o objetivo é derivado dos disputantes desejando o controle
e o uso de um recurso consumível. Enquanto o caso 3, seu objetivo
deriva de uma intenção de controlar um recurso não
renovável. Assim o caso I é escolhido como o mais aplicável
e, uma analogia baseada em similaridades entre o caso comum e o caso 3 é
eliminada.
(2) A escolha é feita por algum procedimento de avaliação.
Este método é aceitável quando falhas não
são expansivas ou irrecuperáveis.
Neste método, um procedimento de avaliação é
usado para "ranckear" os casos e o conjunto índices altos são
escolhidos. Sugestões para cada um dos casos selecionados são
considerados, um plano de ação é gerado baseado em cada
um deles e, estes são avaliados e o melhor é escolhido. Por
exemplo, em um programa planejando Batalhas (Goodman, 1989), pesos foram
colocados em todos os campos de informação e, foram usados
para ligar outras características de outros casos em memória
e, as redes hierárquicas simbólicas para determinar a
distância entre os valores dos campos simbólicos. O programa
CORA-L (Martin, 1989A/B) usa a probabilidade condicional e,
predições são recuperadas da memória usando a
probabilidade teórica para achar o valor mais provável não
observado de um atributo particular. Especificamente, ele armazena as
probabilidades condicionais entre os valores do atributo objetivo. Estes
são comparados com a probabilidade teórica dos dados e, a mais
ampla predição é realizada.
Também, neste processo, os métodos de indexação,
a organização da memória e os algoritmos de
recuperação de um caso podem chamar um conjunto de casos
parcialmente ligados para ser usados posteriormente pelo sistema CBR.
Assim, um problema a ser considerado é a escolha da melhor
ligação entre os casos mais relevantes.
Os métodos propostos como complementares para realizar esta tarefa
são:
- o método das preferências heurísticas (Kolodner,
1989);
- o método da análise dimensional (Rissland & Ashley, 1989)
e,
- o método das funções de avaliação por
mudança dos pesos dinamicamente de Stanfill (I 987) (DARPA, 1989).
Todos estes métodos são diferentes mas têm um aspecto
em comum. O conjunto de índices recuperados, pelo algoritmo de
recuperação, contribuem para conhecer a importância na
solução do caso proposto. Desta maneira,os casos selecionados
podem dar uma determinada explicação; por quê esta
ligação ?
4.4.5 A adaptação de uma caso.
A última tarefa de um sistema CBR é adaptar a
solução armazenada, de um caso recuperado, às necessidades
de um caso proposto. Normalmente, a ligação entre dois casos
não será perfeito, como conseqüência das
diferenças entre eles. Assim, o processo de adaptação
recuperará os traços mais importantes e aplicará um
conjunto de regras que as levam em conta.
Uma boa explicação deve reunir três características:
relevância no problema, confiabilidade e ser adequadamente detalhada
para dar a necessária informação ao sistema para atingir
seus objetivos.
A adaptação de regras são essencialmente estratégias que orientam a solução de míni problemas. No planejamento, eles devem ser especialistas afim de registrar précondições para achar planos de ação. Na tarefa de diagnóstico, eles devem ser hábeis para encontrar lacunas em uma explicação e completar os traços ou características que faltam. Por exemplo, no programa CHEF, o usuário pode perguntar por um grande prato contendo frango e feijão, mas a receita recuperada pode ser carne de vaca e brócolis. Nesta situação observamos duas diferenças salientes: o maior alimento na nova receita é frango, e não carne de vaca, e o maior vegetal é feijão, e não brócolis. Para adaptar as características da receita recuperada à nova receita, o programa CREF deve responder a estas diferenças (Riesbeck & Schank, 1989).
Primeiro, CREF seleciona as receitas velhas, substituindo os correspondentes itens em cada passo que envolvem carne de vaca (pedaços, partes fritas etc.). Logo procura frango e, as referências de brócolis transformando-se em referências de feijão. Assim, CREF verifica cada passo para ver se isto pode ser omitido ou se este passo necessita mudanças para esta nova aplicação.
No exemplo do programa CHEF, mostramos como as regras operam domínios e em tarefas específicas. Estas regras específicas (complexas) têm como função substituir ingredientes na receita. Por exemplo, normalmente os passos de uma espécie similar são agrupados (conjunto de todos os passos antes de fritar). Às vezes, os passos podem ser fusionados (fatias de ostras e alho conjuntamente) e, às vezes, não (quando a temperatura para cozinhar um alimento têm-se incrementado e é necessário modificar os passos para assegurar que algum item que está sendo cozido com o alimento não seja super-cozido). Isto é, o programa CHEF pode adicionar e apagar passos, mas ele não faz mudanças globais à receita integral. Assim, o básico ordenamento de passos na receita original é mantido ao longo do processo com algumas otimizações que não são explicitamente mudadas por alguns ingredientes críticos.
A analogia seguinte demonstra como uma grande livraria de casos pode mostrar o uso da adaptação de regras e ainda dar resultados eficazes. Considere o processo pelo qual devemos ensinar a um grupo de alunos a encontrar o logaritmo (base 10) de um número (50) em uma tabela. Assim, primeiro calculamos o logaritmo do número observando o correspondente valor (1.69897) na tabela. Quando o número não se encontra registrado, tomamos os dois números mais próximos a ele (acima e abaixo) e realizamos uma regra simples para aproximar logaritmo do número. A tabela de logaritmos é análogo à biblioteca de casos. Observando os números mais próximos a ele o caso é recuperado e, interpelando as respostas usando rateios acontece a adaptação da regra.
Segundo a literatura descrita nos sistemas CBR, existem dois tipos de adaptação generalizados:
(a) A Adaptação Estrutural. Neste processo a adaptação de regras é aplicada diretamente à solução armazenada no caso. Por exemplo, o programa CHEF modifica receitas particulares e o SUDGE modifica as piores sentenças criminais,
(b) A adaptação Derivacional. Neste processo as regras geradas para a solução original são rodadas novamente para gerar uma solução nova. A idéia aqui é armazenar uma nova solução para um caso e uma seqüência de planos de ação que constroem esta solução. Assim, quando um caso é recuperado, o sistema verifica se as diferenças entre o caso proposto e o caso passado afetam algumas decisões básicas à solução armazenada no caso. Quando isto é verdadeiro, estas decisões são avaliadas novamente usando valores existentes na situação de entrada. Em outras palavras, a solução armazenada é adaptada pela re-execução das partes do processo da solução original e não mudando esta diretamente. Este tipo de adaptação foi usado no MEDIATOR (Kolodner & Simpson, 1988).
Por exemplo, no programa MEDIATOR um plano foi colocado na disputa de duas crianças sobre o consumo de uma laranja. O primeiro plano examinado, dividindo a laranja, falhou porque nenhuma criança quer a metade de uma laranja. O plano correto seria dar a cada criança a parte da laranja que ela deseja. MEDIATOR aplica este plano (determina a presença dos objetivos e satisfaz cada um deles), para gerar uma possível solução à disputa entre Egito e Israel sobre o Sinal. O resultado foi dar a Israel o controle militar e a Egito o controle político-econômico.
A principal vantagem da adaptação derivacional é adaptar o conhecimento (solução) de um caso a problemas dentro de seu domínio e também poder transferir este a outros domínios. O exemplo acima mostrado é um bom exemplo de raciocínio analógico e, isto só é possível usando adaptação derivacional. Esta adaptação depende do planejamento das estruturas armazenando soluções e não de todas as soluções que eles têm (Riesbeck & Schank, 1989).
Assim, o sistema CBR tem um conjunto de regras de adaptação
estrutural para fixar as soluções não analisadas e os
mecanismos derivacionais para fixar os casos que são bem entendidos
pelo sistema. As soluções geradas pelo sistema estarão
numa lista de candidatos por adaptação derivacional.
4.5 As técnicas de adaptação de
um caso.
Diferentes técnicas, desde as mais simples até as mais complexas,
têm sido aplicadas a sistemas de raciocínio baseados em casos.
4.5.1 Por adaptação nula
(estrutural).
Esta técnica é para não fazer nada e simplesmente aplicar
a solução de um caso recuperado à nova situação.
Como explica Riesbeck e Schank (l986), as pessoas freqüentemente fazem
pequenas adaptações. Por exemplo, se a situação
no Haiti lembra algo da situação do Zaire então o
sujeito freqüentemente adapta os resultados desta experiência
ao Haiti.
Esta técnica pode ser aplicada quando o raciocínio para uma
solução é complexa, mas a solução é
simples. Por exemplo, muitos fatores podem ser considerados quando fazemos
avaliações na aplicação de um empréstimo,
mas a resposta final pode ser aceitada ou rejeitada. Assim quando um caso
proposto liga casos com empréstimos que foram rejeitados, o caso
será rejeitado e, quando liga casos com empréstimos
que foram aceitos este será aceito. Em cada caso, a solução
passada é aplicada diretamente. Em um programa de diagnóstico
de falhas de equipamentos sugerindo falhas dos componentes, o trabalho será
desenvolvido igualmente. Desta forma, quando uma certa parte do sistema tem
causado falhas similares no passado, o sistema sugerira que a mesma parte
poderá falhar outra vez.
O resultado da aplicação desta técnica é a
obtenção de soluções simples (por Ex., aceito,
rejeitado, parte 26, arame I, etc.), o que leva a encontrar poucas partes
a serem adaptadas. Na prática, nesta técnica, encontramos duas
lacunas. Primeiro, para procurar uma resposta simples podemos utilizar outras
técnicas que trabalham bem (por exemplo, os métodos de
classificação estatísticas, freqüentemente melhor
e com mais precisão que o raciocínio matemático das
pessoas. Segundo, é raro procurar uma resposta simples. Normalmente,
as pessoas pesquisam outras respostas possíveis. Em outras palavras,
a solução real armazenada nos casos que os usuários
procuram está em uma cadeia de raciocínios que os orienta à
resposta desejada.
4.5.2 Por soluções
parametrizadas.
Provavelmente esta é a melhor técnica estrutural entendida.
O princípio é o seguinte: "quando um caso é recuperado
para aplicá-lo a uma situação determinada, as
descrições dos problemas, passado e novo, são comparados
por parâmetros específicos e as diferenças são
usadas para modificar as soluções dos parâmetros na
solução apropriada ". Por exemplo, no programa JUDGE, um
crime tem parâmetros como "horrível", "seriedade do motivo"
e "arrependimento". Do mesmo modo, existem parâmetros envolvidos na
solução. Da mesma forma, uma sentença criminal tem
parâmetros para tempo de prisão, avaliação de
liberdade de palavra, multas, etc.. Cada problema parâmetro é
associado com uma ou mais soluções dos parâmetros:
o mais horrível crime, a mais severa sentença, o maior
arrependimento, a mais boa vontade de ficar em liberdade sob palavra de honra.
As ' quando o programa JUDGE encontra que um crime é menos
horrível que o crime recuperado da memória ,ele faz uma
sentença moderada que as encontradas nos crimes passados.
Uma observação importante, é que no uso de
soluções parametrizadas não implica em que exista uma
fórmula que coloque um conjunto de problemas parâmetros na
solução de um problema. Em JUDGE não existe uma
fórmula para gerar uma sentença de prisão dado um crime
cometido. As soluções parametrizadas são de valor, porque
modificam uma solução existente, não criando uma nova
solução única. A solução parametrizada
é uma técnica que utiliza a interpelação, similar
ao método usado em logaritmos, numa tabela usando só bases
aritméticas.
4.5.3 Por abstração e sobre
especialização.
Esta é uma técnica estrutural que pode ser usada para realizar
simples adaptações, de uma forma complexa e, gerar novas e
criativas soluções. A idéia é, quando um traço
de uma solução não pode ser aplicada a um problema,
o sistema deve procurar abstrações deste traço na
solução que não tem a mesma dificuldade. Desta forma,
ele se especializa. Isto é, o sistema aplica outras
especializações abstratas para uma situação comum.
Por exemplo, o sistema PERSUADER trabalha em disputas de arbitragem de administração. Em particular, ele gera soluções de contratos modificando os melhores exemplos das negociações passadas armazenadas. Assim a linha de pesquisa de uma solução é observar contratos de competidores ligados à companhia envolvida (por exemplo, companhias operando na mesma área). Depois, observa os contratos de companhias que usaram estes competidores. Finalmente, observa contratos de outras companhias do mesmo tipo (ver Fig. 8).
Figura 8. Abstração e sobre especialização em PERSUADER (segundo Riesbeck & Schank, 1989).
Esta técnica é um método de adaptação
derivacional. Esta não opera na solução original, mas
sim nos métodos que foram usados para gerar uma solução.
Os meios da reinstalação substituem um passo em uma
solução, selecionando e aplicando um plano de ação
que gera este passo no contexto de uma situação comum.
O programa MEDIATOR usa esta técnica para gerar soluções entre dois competidores. Por exemplo, ele tenta resolver a disputa entre Egito e Israel sobre o controle do Sinai usando uma solução obtida quando os E.E.U.U. e Panamá estavam em conflito sobre o controle do Canal do Panamá. O plano usado foi "dividido em diferentes partes" separando o controle do canal em linhas políticas e militares. Na situação corrente, uma solução similar é para dar um controle militar a Israel para sua segurança nacional, e o controle político a Egito para manter sua integridade nacional.
5. O aprendizado do sistema, as explicações
e as correções.
Um sistema para apreender deve ser hábil para identificar que necessita
conhecer, para logo processar esta informação quando esta se
toma disponível. O processo de aprendizagem deve tomar explícito
o conhecimento desejado e realizar um conjunto de operações
ou ações que incrementem as oportunidades de encontrar este
conhecimento. Uma representação explícita do conhecimento
desejado é o "objetivo" dele e, o conjunto de ações
que tomam lugar para incrementar a probabilidade de encontrar este conhecimento
é o "plano" de aquisição do conhecimento (Hunter,
1989).
Casos passados conduzem um sistema CBR a tomar decisões e a
apreender de suas experiências, principalmente de três
maneiras:
(1) Generalização e especialização,
(2) Pesquisa restringida e,
(3) Avaliação comparativa.
Estas decisões são o resultado de processar e pesquisar numa
estrutura de conhecimento. O raciocínio é orientado por algoritmos
que permitem ao sistema encontrar soluções ao problema apresentado,
e modificar suas estruturas de conhecimento armazenadas na memória.
As experiências no mundo real, às vezes, apóiam na
generalização de um caso que pode ser aplicado na
solução de um problema e, por sua vez, na
especialização da base de conhecimento. Estes dois processos
são inversos e são uma forma de aprendizagem do sistema. A
generalização é uma regra aplicada dedutivamente, para
resolver ou classificar novos problemas, ou este pode ser uma
explicação causal como resultado de fazer uma analogia. As
generalizações identificam as partes de um problema que são
importantes e tem um procedimento na pesquisa de uma solução
(Ashley, 1991). Desta forma, um caso passado é um elemento que serve
para inferir ou derivar uma generalização (ver Fig. 9). Uma
generalização pode ser imposta em um domínio
como no programa CABARET (Rissland & Skalak, 1991) ou, pode ser
derivada de uma simples explicação de um exemplo como no programa
CASEY (Koton, 1988) ou, alternativamente, de uma coleção
de casos positivos ou negativos como no programa GREVE (Branting,
1991).
Um caso passado pode facilitar na pesquisa de uma solução. Esta pesquisa é fácil, pelo menos teoricamente, porque casos passados são indexados. O sistema CBR simplesmente mostra um índice de entrada para uma solução passada relevante e, desta forma, aplica e adapta estes passos de solução para um problema comum. Em efeito, um caso passado é uma solução compilada e, este é uma estratégia de pesquisa, porque mostra os traços errados passados solucionados (processo de aprendizagem por indexação de casos). O programa PRODIGY é um exemplo desta abordagem (Ashley, 1991). Ele completa as histórias (melhorando a adaptabilidade do caso passado a expensas de um complicado processo de pesquisa, modificação e adaptação à situação apresentada), no processo de resolução de problemas para que ele seja armazenado.
Figura 9. Relacionamento entre as partes de um esquema induzido.
Finalmente, os casos passados podem providenciar um meio de avaliação. Um problema comum pode ser avaliado por comparação e contrastando suas características com os casos passados avaliados. Por exemplo, um sistema CBR pode obter um valor, tal como uma quantidade em dólares, extrapolando dois casos passados similares de valores conhecidos. As avaliações não necessitam ser em dólares, elas podem ser feitas por classificações simbólicas. Um bom exemplo de avaliação simbólica é o programa HYPO (Ashley, 1991).
Neste contexto, este processo de resolução de problemas gera
a aprendizagem do sistema (aprendizagem por indução). Ele é
o resultado de processar um conjunto de objetivos,sub-objetivos, justificativas,
hipóteses, ações, etc., que identificam um caso ou um
conjunto de casos. As características de um caso podem ser agrupadas
em situações e ações, e em um conjunto de
características (participantes, falhas, recomendações,
etc.) que os complementem.
As "ações" são traços abertos ou ações
internas, ou igualmente um processo de inferência (metaconhecimentos
estratégicos, definidos como aqueles conhecimentos que permitem acesso
aos conhecimentos específicos) ao realizar uma determinada
operação.
A aprendizagem indutiva pode ser esquematizada como mostrada na Fig. 10. Nesta figura observamos uma base de conhecimento com casos passados representados em MOPs. Eles contém um conjunto de cenários e scripts que vão caracterizá-los. Assim, a máquina de inferência de um sistema CBR no processo de aprendizagem vai criar um novo caso, dos traços passados, e induzir outros traços que não foram considerados nos casos iniciais. Os casos passados não são tocados, porque eles ainda representam soluções para outros problemas. Desta forma, teremos um caso novo (real ou hipotético) com novas características e propriedades, e com resultados possivelmente diferentes aos casos iniciais.
Figura 10. Um processo de interferência indutiva abstrata.
Todos os sistemas CBR envolvem alguma combinação destes três
métodos. Por exemplo, quase todos os sistemas CBR utilizam casos
índices. Geralmente, os índices são conceituais e os
casos são indexados por conceitos abstratos que representam uma
característica de uma situação. Assim, quantidades de
generalizações são inevitáveis na
construção dos índices.
Por outro lado, quando um sistema baseado em casos falha, este tem por objetivo
explicar a falha e consertá-la. Em alguns campos, primeiro vem a
explicação e, logo, o conserto é baseado nesta
explicação. Por exemplo, quando um plano falha, a causa é
explicada primeiro e as explicações guiam o conserto. Em outros
campos, ao contrário, o conserto vem primeiro. Por exemplo, suponhamos
um sistema de diagnóstico de falhas em equipamentos eletrônicos.
Ele pode dizer que uma falha é de alguma parte do sistema e que a
parte examinada está trabalhando, até que o sistema gere um
diagnóstico correto, ele pode explicar o que está fazendo.
A geração de planos de ação produz dois tipos
de falhas:
(1) Os objetivos especificados na entrada do sistema não estão registrados na sua memória (por exemplo, um plano de ação não faz o que é admitido fazer) e,
(2) Os objetivos implícitos, não especificados na entrada,
são infringidos (por exemplo, um plano de ação alcança
um objetivo mas, o custo é alto).
Os objetivos implícitos existem e quando estes são infringidos,
o primeiro a realizar é fazê-lo explícito em uma determinada
situação (apresentação do problema). Por exemplo,
no programa CREF uma entrada diz "dê-me um prato grande de especiarias
com carne de vaca e brócolis". Quando a receita é gerada produz
um brócoli velho, infringindo o objetivo implícito de brócoli
fresco. Assim, CHEF adiciona 99 guardar brócoli fresco" como um objetivo
implícito para a receita. Desta forma, quando no futuro esta receita
é recuperada, o objetivo "guardar brócoli fresco" será
por adaptação desta regra.
A tarefa de explicar um processo é para gerar um domínio
específico de explicação; "por que uma solução
proposta está falha?" No programa CHEF, a explicação
é uma cadela causal alocada dentro de um plano de ação,
e eles são orientados pela transgressão de um objetivo.
No domínio do diagnóstico de componentes de falhas, a
explicação é uma cadela causal. A falha de um componente
é interceptada por outra, já diagnosticada, pelos sintomas
observados. Esta abordagem é importante, porque existem muitas
explicações para eventos anômalos que necessitamos conhecer
para restringir a pesquisa e saber suas diferentes explicações.
Conserto é um processo similar à adaptação. Neste
processo a solução é modificada para adaptá-la
a uma situação. A diferença está no fato de que
a adaptação começa com uma velha solução
e o caso apresentado, e os consertos são feitos à
solução do novo caso.
Por outro lado, o conserto começa com uma solução (um relatório de falha) e, talvez, uma explicação. Logo, modifica a solução para afastar a falha. Quando uma explicação precede a uma falha, em certos domínios, a explicação da falha usualmente manifesta indícios para o concerto necessitado. Por exemplo, no programa CHEF, as explicações são ligadas a grupos de falhas, organizados em heurísticas (via abstração), que consertam o problema em uma variedade de classes. O fato de cozinhar carne de vaca e brócolis conjuntamente faz um brócoli consistente. Nesta situação um caso particular tenta alcançar dois objetivos com uma ação e uma lnteração inesperada acontece. Assim, uma espécie de conserto será usar ações separadas para obter dois objetivos e, outros consertos, para impedir as más interações. Por exemplo, CHEF lembra planos passados de sua memória, para modificar e satisfazer algum objetivo não alcançado. Para fazer isto, CHEF (Converse & Hammond & Mark, 1989) usa uma tabela padrão de modificações que menciona como adicionar novos objetivos para planos existentes. Estas modificações tomam a forma de "Substituition", "detetion", "Catenation e Merging of acfions" e "Props" em um plano.
Em CHEF, quando uma característica particular de um objetivo é identificada, participando em uma falha, um teste é construído para ela e, ele é associado com o mais específico objetivo de uso geral. Desta forma, quando todos os membros de uma classe de itens são associados com uma falha, uma ligação é feita diretamente destas classes para a memória da falha.
Quando uma informação está disponível e a
solução proposta não é utilizada, uma
estratégia de conserto será adicionar a esta um relatório
de falhas. Por exemplo, um dispositivo particular de um equipamento está
trabalhando e uma pesquisa é feita, outra vez, na memória para
fazer a melhor ligação de fatos. Quando uma informação
adicional causa a recuperação de um caso diferente, esta será
adaptada como uma outra solução. Quando o mesmo caso é
recuperado como antes, uma estratégia de conserto será examinar
a adaptação da melhor união.
Sempre que soluções falham e são consertadas, uma coisa
importante a fazer é armazenar uma ligação entre a
solução que não resultou e a que finalmente operou.
Isto tem o seguinte propósito. Suponhamos o mesmo caso com falhas
para ser aplicado outra vez, em outra solução. Quando isto
acontece o sistema pode observar alguma outra falha associada com este caso
e generalizar as coisas em comum, simultaneamente, quando este caso tem falhado
no trabalho. Técnicas baseadas em similaridades e
generalizações baseadas em explicações, são
aplicáveis. O objetivo é encontrar alguma
caracterização de situações que podem falhar.
Desta forma, o sistema pode ser hábil a fixar e examinar classes de
falhas no futuro. Por último, o sistema será hábil a
reconhecer as situações onde antes existiram falhas.
Neste capítulo descrevemos alguns conceitos teóricos
necessários para compreender os paradigmas subjacentes no desenvolvimento
do modelo cognitivo do operador. As bases teóricas narradas para
formalizar o modelo, repousam sobre uma ampla teoria cognitiva: o processo
de lembrar, como fenômeno na resolução de problemas.
Também, foram descritos os elementos mais importantes na análise
e tratamento de urna atividade complexa num posto de trabalho e, finalmente,
algumas Normalizações no tratamento dos conhecimentos.
Esta teoria cognitiva, baseada na resolução de problemas por
meio de casos foi desenvolvida por- Schank em 1982. Ela foi inspirada
nos principais resultados da pesquisa de como organizar uma memória
dinâmica e qual é a influência da lembrança no
processo de entendimento. Hoje os modelo cognitivos são orientados
a descrever os processos cognitivos ou, mais exatamente, as heurísticas
que permitem a um sujeito caminhar no espaço de problemas para encontrar
uma solução satisfatória a um problema (Newell &
Simon, 1972). A simulação do modelo é utilizada antes
de tudo como unia Ferramenta de validação e, neste contexto,
encontramos dois objetivos: provar um modelo "teórico" e evoluir para
um modelo "Ideal".
Um modelo de operador que influência fortemente a pesquisa em ergonomia
cognitiva foi apresentado. É o modelo de Rasmussen (l986). Este modelo
descreve várias atividades de tratamento de informação
como ativação, observação, identificação
de um estado atual, avaliação das conseqüências
de um problema, a definição de uma tarefa, a formulação
de um procedimento, e enfim, a execução de uma ou várias
ações.
Finalmente, são explicadas as ramificações dos sistemas de raciocínio baseados em casos e, do trabalho de sua máquina de ingerência. Isto é, no funcionamento ela conta com uma biblioteca de casos, um método de armazenamento de casos novos que são mostrados quando necessitados; um esquema de índices que manifestam o processamento de um caso; um método de "matching" (ligar fatos) parcial que mostra os casos novos a serem considerados em termos de outros similares e, um método de adaptação que mostra a informação acumulada de um caso a ser aplicado a uma situação. Segundo Schank (l982), os especialistas têm todas estas habilidades ocultas sob a noção da lembrança. Neste sentido, para fazer computadores inteligentes, devemos construir sistemas que lembrem situações.