CAPÍTULO 5 CONCLUSÕES E RECOMENDAÇÕES

1. Análise dos resultados.

1.1 Um exemplo detalhado.

Uma ocorrência é apresentada ao sistema. Ela aconteceu no centro de Kobrasol, o cliente é um padeiro e não sabe a causa do problema, mais seus equipamentos estão funcionando mal e a luz está piscando. Neste momento está chovendo. O transformador é comunitário. Com esta informação CASOL analisa as características da ocorrência e determina o provável estado do consumidor, da rede e o estado generalizado da rede de distribuição. Além disso, CASOL pesquisa na sua memória de casos e determina que existem dois casos evidentes ("A" e "B") para a solução do problema (ver Fig. 33).

Segundo o modelo, a ocorrência apresentada tem especificamente dois estados. Neste momento CASOL está apto para produzir uma explicação e um conjunto de planos de ação. Todavia, é necessário esperar as informações complementares dos eletricistas em campo. Eles determinaram que o ramal de ligação está desregulado e a braquete está solta ou danificada. Com esta informação adicional, CASOL pesquisa no seu MOP_Causal os ca" que têm estes estados para explicar melhor a situação apresentada. Também, ele pesquisa no MOP_Característica outros casos para aplicar ou construir um plano de ação para resolver o problema. Assim, CASOL, com esta informação, encontra três casos na sua memória. CASOL usa a similaridade métrica para recuperar os casos passados.

Em termos do número de características causais generalizadas em comum entre os casos recuperados e o caso apresentado, CASOL primeiro examina para justificar o caso com o mais alto índice alcançado na similaridade (ver Fig. 33). O primeiro caso é o "C". Na fase justificativa, CASOL determina que as explicações que contém este caso podem ser complementadas por outros casos. Além disso, a característica mais importante "mau funcionamento de equipamentos e componentes" não é explicada neste caso e, em conseqüência, o processo de justificativa falha. O trabalho de CASOL será encontrar que as diferenças entre estes dois casos não sejam grandes e a aplicação das estratégias de justificativa devem assegurar um boa união entre suas características. Assim, CASOL passa a analisar o terceiro caso ("A"). Nesta situação CASOL encontra que o estado da rede de alto índice se encontra no caso e que as outras características com menos incidência não se encontram. Desta forma, CASOL faz as seguintes inferências ao tratar as diferenças entre ambos casos:

* As regras relacionadas aos transformadores, tipos de consumidores e a situação do tempo no programa SIR nesta situação são julgadas como insignificantes.

Ambos casos têm o mesmo estado generalizado da rede de distribuição, então a diferença é considerada insignificante.

* As características mas importantes de ambos casos são semelhantes.

Todas as diferenças entre o caso ("A") e o caso apresentado são insignificantes ou concertáveis. Assim, o "match" é justificado.

Para poder explicar ou transferir parte da explicação causal ao novo caso, CASOL ativa por meio do justificador, as seguintes estratégias de concerto:

- eliminar_ o_condutor_da_rede_está_desregulado

- eliminar_o _fato_qualidade_de_energia_inadequada

- eliminar_o_fato_as_conexões_da_rede_são_de_CU/AL

- adicionar_estado_da_rede_braquete_partida_solta

CASOL identifica os estados com sua explicação causal, que são diretamente ligados ao caso novo e, após de produzidas as modificações, indexa o caso apresentado na memória usando estes índices. De forma que situações posteriores, que contenham estas evidências, vão ter este caso analisado como uma experiência potencial.

Figura 33. Diferenças entre o caso apresentado e os casos recuperados na memória de CASOL

De qualquer forma, CASOL tem uma abordagem conservadora e só adiciona um estado quando existe uma evidência para o estado do consumidor a qual está ligado a uma característica da rede de distribuição. CASOL tem que fazer a melhor união de um conjunto de explicações à uma situação para poder adicionar estados a sua base de conhecimentos.

2. Discussão e comentários.

2.1 Comentários sobre a teoria de casos.

O processo de resolução de problemas é uma área amplamente estudada por psicólogos e pesquisadores em IA. Em algumas destas pesquisas, o papel da experiência foi analisado (Kolodner, 1987A). Nossa pesquisa (Kolodner 1987A/B; Schank, 1982) em cognição humana conduzem a supor que a experiência cumpre dois papéis importantes no processo de resolução de problemas. Primeiro, a experiência contribui no refinamento e na modificação do processo de raciocínio. As experiências de sucesso reforçam os fatos ou as hipóteses de uma atividade e, por outro lado, as decisões de fracasso requerem uma re-análise no raciocínio e no conhecimento usado. Assim, a experiência desenvolve um papel importante na ampliação do conhecimento humano, tomando os novatos em especialistas. O segundo papel da experiência é igualmente importante, porque estas atuam como exemplos práticos, úteis nas tomadas de decisões e com mais contabilidade. Neste sentido, a analogia de ca" produzem melhores tomadas de decisões.

Na verdade, a aplicação do CBR é um paradigma quando aplicado num domínio, porque a técnica baseada em casos precedentes é usada para analisar, interpretar e avaliar os novos casos em termos de casos antigos e, o processo de tomada de decisão é justificado por meio deles. Normalmente, esta técnica trabalha com casos protótipos e um gradiente protótipo (por exemplo, quando uma explicação de um caso protótipo pode cobrir a de outro caso) para classificar um caso novo.

Por outro lado, muitas atividades de trabalho se caracterizam pela impossibilidade de prevenir de forma precisa a evolução das determinantes de uma situação. Neste sentido, muitas vezes, não é possível os operadores realizarem suas decisões sob regras mais ou menos gerais, para resolver um problema geral (principalmente, quando as restrições temporais são fortes ou quando a análise de uma situação é delicada). Pode-se observar que, nestas situações, os mecanismos de resolução de problemas são baseadas nas experiências. Este tipo de estratégia, às vezes, chamada raciocínio a partir de casos, apoia-se nas referências de episódios passados, que foram memorizadas e que são reativados em situações julgadas como semelhantes. O grande problema encontrado na aplicação desta teoria é a indexação de casos, o processo de abstração e generalização das características de uma situação, a identificação dos critérios que permitem julgar o melhor grau de similaridade entre as diferentes situações, os modos de ajustamento de um caso memorizado, etc.

2.2 Discussão sobre a metodologia de trabalho.

Os resultados obtidos mostram que a Simulação Cognitiva (S.C.), como descrita nesta tese, pode extrapolar os diferentes conhecimentos utilizados para a concepção de uma ferramenta informatizada de tipo cooperativo. Em efeito, esta ferramenta pode analisar e predizer os comportamentos cognitivos de um operador na realização de sua tarefa. Isto é, por meio dela podemos predizer as diferentes atividades cognitivas que não foram consideradas na "maquetagem da atividade do operador". Estas predições são conseguidas por meio de uma retroalimentação de informações, na forma de hipóteses ou questões ao sistema. Em contrapartida, o sistema pode informar sobre situações não consideradas ou analisadas dentro do estudo.

Em termos gerais, a vantagem de usar a Simulação Cognitiva e esta metodologia de concepção, no projeto de ferramentas informatizadas e cooperativas, é de estabelecer formalmente e transparentemente um modelo de comportamento cognitivo de um ser humano. De fato, as metodologias tradicionais de concepção sempre subestimaram que o comportamento cognitivo do homem muda com a introdução de novos dispositivos e que este comportamento pode modificar as reações do sistema homem-máquina (De Medeiros, 1992).

Neste sentido, a Simulação Cognitiva permite abordar situações não consideradas, normalmente, na análise das atividades. Por isso, sua aplicação requer uma grande formalização de conceitos. Ela deve analisar normalmente, grupos de atividades cognitivas empregadas pelo operador na realização de sua tarefa. Estes grupos devem ser coerentes, transparentes e relativamente autônomos. De forma que, na identificação de um estado do domínio, na avaliação ou na tomada de uma decisão, sejam declaradas as diferentes funções do processamento da informação do comportamento da atividade cognitiva do operador. Assim, consideramos que a análise da atividade num posto de trabalho deve ter duas fases:

(1) Uma análise da atividade global. De acordo, com os princípios de análise da atividade clássica desenvolvidos em ergonomia e,

(2) Uma análise fina da atividade cognitiva do operador. Isto é, uma análise fina dos mecanismos cognitivos de regulação a atividades ativadas pelo operador, como evidência para a primeira fase (por exemplo, os estados do domínio e suas características). Um estudo dos mecanismos e estratégias utilizadas pelo operador para o cumprimento de suas atividades (processamento de informações), que lhe permitem garantir uma coerência e independência de suas funções cognitivas escolhidas num contexto preciso de uma atividade.

Finalmente, esta metodologia de análise das atividades está apoiada por certos princípios de base da Simulação Cognitiva num determinado contexto de trabalho.

(1) O homem dispõe de recursos cognitivos limitados;

(2) É preciso identificar e representar de forma simbólica os mecanismos de base colocados pelo operador na realização de sua tarefa;

(3) É preciso modelar e simular o comportamento humano a partir de situações reais de trabalho e não a partir de estudos de laboratórios, com a finalidade de levar em conta a complexidade do ambiente de trabalho.

2.3 Discussão sobre o modelo proposto.

Um sistema pode ganhar vantagens significativas, quando se combinam uma memória de casos passados (experiências ocorridas) com o raciocínio de um modelo causal como é realizado no modelo CASOL, com o objetivo de tomar mais eficiente e mais confiável o sistema.

CASOL combina a eficiência do raciocino associativo com a habilidade de resolução de problemas do raciocínio baseado em modelos. Este pode reconhecer quando um caso é rotineiro e quando não o é. Este resolve eficientemente casos rotineiros ao fazer pequenas mudanças a uma solução passada. CASOL pode reconhecer que ele pode não resolver um problema particular. Quando isto ocorre, ele pode resolver o caso usando o programa SIR.

CASOL melhora seu desempenho com a experiência. Ele apreende a resolver problemas eficientemente na medida em que resolve mais problemas, porque ele lembra o que ele tem feito no passado. Esta forma de retroalimentação no sistema atualiza seu conhecimento e, assim ele pode reconhecer melhor a situação a tratar.

CASOL pode adquirir novos conhecimentos automaticamente ao fazer uma analogia entre as situações de duas experiências (o caso apresentado e a experiência apreendida ou armazenada).

O componente de raciocínio baseado em modelos por CASOL é ampliado por sua habilidade de apreender novas associações e compilar estruturas de raciocínio detalhadas em simples associações entre as características e as soluções. Este resultado melhora sua velocidade de desempenho e a exatidão do programa, quando novas informações são adicionadas.

O componente baseado em casos no sistema é melhorado pelo uso de um modelo casual, porque o modelo pode demonstrar que uma recuperada solução vai ser útil no caso novo. Também, o modelo Me ser usado para identificar as características importantes para o "matching". Estes processos internos dentro do sistema eliminam os conhecimentos mais superficiais e com menos incidência na solução de um problema. Desta forma, o sistema chama importantes características na união de fatos.

CASOL pode produzir as mesmas soluções que o programa SIR, mas mais eficientemente. As habilidades de CASOL para melhorar a eficiência de SIR giram em tomo de duas características de um programa posterior.

i) O programa SIR é determinístico. Assim, quando à ele é apresentado duas situações, cujas descrições são as mesmas, ele vai produzir a mesma explicação causal com uma grande quantidade de processamento de informação. De fato, a recuperação é sempre mais rápida que um reprocessamento de informação e isto quase sempre é verdadeiro. CASOL pode poupar tempo ao lembrar uma explicação causal em vez de gerar uma nova.

ii) O programa SIR não representa dentro de sua estrutura da base de conhecimento, todas as relações entre as diferentes soluções e os estados do modelo. CASOL pode apreender a identificar quais caminhos são importantes para solucionar um caso e quais devem ser ignorados. Assim, ao desenvolver as descrições básicas de vários estados do sistema, o programa SER vai sempre produzir a mesma solução. Em essência, CASOL reconhece, modifica, justifica e registra os valores que têm sido previamente computados além disso, ele pode usar outros valores de prévios processamentos de tal forma, que ele pode usá-los para solucionar um problema. Esta idéia é fundamental, porque ao trabalhar com os conhecimentos generalizados de uma situação podemos distinguir e ignorar as características menos importantes para a solução de uma problema e neste sentido, o sistema melhora seu desempenho ao considerar a abstração de um fato que não requer que seja igual a outro para produzir uma perfeita união.

CASOL apreende novas associações entre as características e as soluções de uma situação. Como 'à foi mencionado anteriormente, o programa SIR não representa todos os relacionamentos que existem entre as características e os estados no modelo. Às vezes, o relacionamento entre uma característica e o estado no modelo não é conhecido ou pode ser que, num nível mais detalhado, o modelo SIR não o utilize. Neste caso, o programa SIR representa a probabilidade da característica sendo associada com um estado sem representar o mecanismo causal envolvido. Estes são os mesmos tipos de associações que CASOL descobre. Por exemplo, observamos que a característica "o cliente sabe a causa do problema", não esta associada com algum estado no modelo. Todavia, numa situação com '!falta de fase", a característica "o cliente sabe a causa do problema" pode ser determinada. Assim, quando um conjunto de situações apresentam esta característica o programa reconhece a situação e usa como meio de predição o MOPs solução respectivo, que contém esta característica. Desta forma, CASOL pode predizer que as situações com esta característica tem um procedimento a aplicar.

CASOL pode, em princípio, produzir uma explicação casual normalmente, para problemas que o programa SIR não pode produzir. Um problema poderia ter um conjunto de lacunas de tal forma que o programa SIR não poderia produzir uma solução (quando ele não tem as características necessárias da situação que ajudem a deduzir uma solução), mas CASOL tem a suficiente habilidade para tratar esta informação e poder deduzir uma solução por analogia com uma experiência ou por correlacionando características causais generalizadas.

A determinação das características importantes são baseadas num modelo casual. Assim, poderíamos nos perguntar por que o modelo SIR, ao compilar toda sua base de conhecimento, não pode produzir com toda esta informação, um conjunto de regras associativas que mostrem importantes estados e características do sistema. De fato, isto é o que CASOL exatamente faz, quando ele compila seu conhecimento incrementado ao associar as características do problema com as soluções dos casos passados. Também, o programa SIR pode gerar soluções envolvendo diagnósticos múltiplos. Compilar toda a base de conhecimento do programa SIR considerando os múltiplos estados de diagnóstico para obter uma solução resulta computacionalmente intratável. CASOL compila o modelo SIR por combinações que são observadas. O modelo SIR dá uma relativa importância às características de uma situação para um simples diagnóstico. Ao contrário, CASOL considera as características generalizadas das situações que têm múltiplos diagnósticos. Isto cria um conhecimento associativo mostrando estas com diferentes soluções envolvendo diferentes estados do sistema.

A habilidade do raciocínio causal de CASOL produz uma análise completa do caso novo e não simplesmente uma referência para encontrar uma solução passada. Como foi mencionado anteriormente, o raciocínio baseado em casos sem nenhum método de avaliação tomar-se ineficiente, porque a declaração das diferentes características evidentes para uma solução não podem garantir que uma solução recuperada seja apropriada para o caso novo. O uso do modelo causal melhora a probabilidade de ter uma solução apropriada para o novo caso. Quando CASOL justifica uma união entre um caso antigo e um novo caso demonstra que existem diferenças entre os casos desta forma, o modelo casual apóia habilmente a solução recuperada.

2.4 Limitações.

A implementação realizada em CASOL tem algumas limitações. Mas, os problemas apresentados no sistema tem um longo número de explicações razoáveis.

CASOL não usa toda a informação quantitativa disponível no modelo SIR, que mostra uma diferença de soluções, estatisticamente, mais ou menos ampla.

Por exemplo, o programa é parcimonioso quando adicionamos estados com novas explicações causais. Assim, quando uma característica nova é adicionada ou atribuída para dois estados diferentes e, um deles já está incluído na transferida explicação causal, CASOL usa o estado que já se encontrava aí, e não a potencialidade do estado novo, porque é possível que esta característica tenha a mais alta probabilidade de ser causada pelo estado e não pela explicação. O modelo tem informação, que usada por CASOL, para encontrar esta circunstância. CASOL trabalha modificando uma solução particular, gerando múltiplas soluções e comparando-as, como no programa SIR. Esta forma de trabalho de CASOL, de avaliar a probabilidade de sua solução como correta, comparada com outras possíveis explicações para um mesmo período, resulta numa atividade complexa e com muito processamento de informação. O programa SIR, por outro lado, calcula as probabilidades de todas as possíveis explicações causais para um determinado período e escolhe uma solução com a mais alta probabilidade. Os usuários que trabalham com SIR necessitam a mais ampla explicação da situação em consulta. No caso de CASOL, o justificador reconhece quando uma solução criada não é boa e em que casos esta será rejeitada. Este processo requer a presença do programa SIR, com sua limitada capacidade de explicação, para avaliar a probabilidade em que uma mudança será feita e, que os dados analisados são caminhos certos no reconhecimento e na explicação da situação tratada.

Uma objeção que pode ser levantada pelo leitor é que CASOL faz boas predições (soluções apropriadas) baseadas em alguns casos passados - como resultado de generalizar as características causais e não causais do domínio. Uma simples solução para esta situação será esperar que a base de conhecimento do programa tenha um número mínimo desejado de casos para poder fazer um conjunto de predições. Por outro lado, uma das grandes habilidades de CASOL é usar um conjunto de generalizações alocadas nos casos para poder apreender amplamente. Por exemplo, quando o programa é confrontado com uma nova situação, ele procura um conjunto de casos similares ou da mesma espécie para produzir uma solução e, em situações difíceis ele solicita a presença de outro programa (o programa SIR) para dar uma explicação formal à situação tratada.

Uma outra objeção seria o uso da linguagem de programação Prolog para informatizar a atividade cognitiva do operador. Lamentavelmente, esta linguagem tem uma memória trabalho pequena (64 Kbytes), para trabalhar projetos que exigem grande capacidade de processamento de dados. Da mesma forma, citamos outras limitações encontradas no desenvolvimento da tese, como a inexistência de ambientes e facilidades de programação adequados que permitam suportar o desenvolvimento e a utilização de programas de grande porte (editores potentes, facilidades gráficas e facilidades de depuração que considerem as particularidades inerentes a uma linguagem baseada em lógica), a limitação do poder de expressão a cláusulas definidas (na linguagem básica), o tratamento da negação lógica apenas através do conceito restrito de "negação por falha finita", etc. Contudo, o compilador Turbo Prolog foi selecionado por sua facilidade de criação de ambientes de execução de programas, ou seja, criação de janelas, monitoração do diretório corrente, manipulação de menus, edição de dados. Além disso, permite fazer codificações recursivas para descrição de processos e problemas dispensando os mecanismos tradicionais de controle, como o comando "go to" e laços "do", "for" e "while" (ver Rich, 1988).

Um problema que observamos é que CASOL com um número de casos relativamente pequeno, pode produzir caminhos incorretos, apesar do peso importante das características processadas, por razões óbvias. As probabilidades das características usadas no programa SIR são baseadas num estudo de registros e situações computados no posto de trabalho analisado e que foram apresentados ao programa CASOL. Quando foi colocado à CASOL um número determinado de casos (por exemplo, o mesmo número usado para desenvolver as estatísticas usadas no programa SIR), este encontra caminhos importantes, de pequenos exemplos passados, na solução do problema.

Finalmente, alguns pesquisadores podem não estar de acordo com a noção de raciocínio baseado num simples caso, que seja tão confiável e considerem isto como algo "anedótico". CASOL nunca raciocina a partir de um simples caso, a menos que ele faça uma perfeita união de características ou que encontre dois casos iguais. A solução recuperada é sempre avaliada antes de ser aplicada à nova situação (no contexto do modelo SIR), porque este representa informação detalhada de um amplo número de casos.

2.5 Perspectivas a curto prazo da pesquisa em simulação cognitiva.

Considerando a novidade desta tecnologia, seria temeroso raciocinar imediatamente em t de aplicação. Tentativas de aplicação de unia forma prematura, de tecnologias ainda frágeis, tal como a simulação cognitiva, podem levar este novo campo de pesquisa a um certo descrédito. Entretanto, as pesquisas neste campo podem ter, a curto prazo, um desenvolvimento considerável, ao menos por várias razões:

1) Fornecer uma ferramenta metodológica, extremamente potente, para analisar a atividade de trabalho de um determinado especialista. Potente, porque ela força a coerência na descrição e na interpretação dos fatos de observação e, abre uma porta à generalização, permitindo transferir conhecimentos de uma situação de trabalho à uma outra situação (por exemplo, a concepção de um sistema especialista);

ii) A introdução de tecnologia digital em controle de processos, particularmente no setor elétrico, abre uma perspectiva concreta para o desenvolvimento desta nova disciplina;

iii) Fornecer uma base sólida à especificação de uma pesquisa de longo prazo, na área de engenharia de produção. Neste sentido, é fundamental motivar o desenvolvimento desta linha de pesquisa no estudo do comportamento dos operadores num posto de trabalho, com o objetivo de fazer mais confiáveis os sistemas estruturados na cognição humana.

No desenvolvimento da tese foi apresentado vários simuladores cognitivos na qual ilustramos seus princípios, seu funcionamento e seus campos de ação com o objetivo de mostrar a importância estratégica das escolhas iniciais em matéria de arquitetura cognitiva. Mais, estes estudos não exaustivos, em termos de matéria de simulação cognitiva, eles são suficientes para ilustrar as principais dificuldades que se encontrar neste campo de estudo. Eles mostram, particularmente, a importância, nesse estágio da evolução da tecnologia, de encarar de frente uma análise do trabalho, de forma detalhada, em situações reais ou próximas da realidade. Assim como a necessidade de definir uma abordagem rigorosa em matéria de arquitetura cognitiva.

2.6 Futuros trabalhos a serem realizados.

Apesar desta tese ter desenvolvido e aplicado uma série de técnicas (análise ergonômica da atividade cognitiva do operador, por exemplo), este trabalho pode ser ampliado de multas formas em futuros trabalhos de pesquisa.

Processamento de informação por meio de um PARSER ou de um conjunto de interfaces.

A interação do operador com o modelo cognitivo deveria ser segurado por meio de um "parser", com o objetivo de dar uma maior flexibilidade ao tratamento das informações e de produzir as generalizações necessárias para a interpretação das informações de entrada e na formalização delas para seu posterior armazenamento e tratamento.

O "parser" é considerado de grande importância neste simulador, porque não existe um processo físico e as transformações das informações se produzem entre o operador e o sistema. Também, ele é importante porque a aquisição de um novo conhecimento na memória (processo de aprendizagem) resulta da abstração e generalização de conceitos processados entre os casos novos e passados.

Neste caso, o operador não seria limitado na expressão de suas sentenças ou no número de coisas que ele podasse expressar no questionamento de alguma situação ao sistema.

Por outro lado, esta interação também poderia ser feita por meio de um conjunto de interfaces, enfocando as características das telas e do seus encadeamentos.

As características das telas referem-se a apresentação da informação e estas estão relacionadas com as possibilidades do entendimento desta informação pelo usuário. Já as características do encadeamento afetam as possibilidades de navegação e exploração do sistema pelo usuário.

A análise da telas deveria iniciar-se pelas características semânticas, que estão ligadas ao conteúdo/significado do vocabulário empregado. A nível sintático devemos considerar os aspectos como o arranjo e agrupamento das informações, os feedbacks, os parâmetros, a gestão dos erros, etc. No tratamento destes aspectos os critérios mais adequados são a homogeneidade e a simplicidade, porque possibilitam a construção de automatismos na operação por parte do usuário. A nível léxico devem ser consideradas as características dos elementos individuais das entradas e saídas, como ícones, tipos, cores, as próprias telas e os manuais.

A análise do encadeamento das telas deve abranger inicialmente a estrutura seqüencial dos comandos ou das páginas de menus. Isto é, devemos considerar estruturas bem equilibradas em largura (número de opções por página) e profundidade (número médio de páginas por busca) que possibilitam tempos médios de procura menores.

Finalmente, a proposta de interface de compatível com o processo cognitivo do usuário na busca de uma informação no sistema.

Usando uma base de conhecimento.

Uma importante característica da estrutura da memória de CASOL é que ela pode ser usada para armazenar uma grande quantidade de conhecimento experimental. A memória de CASOL não está vazia quando começa a analisar as si s que lhe são apresentadas. Desta forma toma vantagem, porque de princípio existem bases de conhecimento do domínio que são protótipos de casos. Isto traz várias vantagens.

i) CASOL faz um esforço para apreender novas situações de problemas comuns,

ii) O programa não apresenta problemas raros, porque todas as situações são bem definidas e em conseqüência, em função à base de conhecimento formada, ele consegue apreender.

iii) O desempenho de CASOL é rápido, porque ele não necessita processar a informação de sua base de conhecimento cada vez que soluciona um problema. Ela fica atualizada em cada processamento.

A base de conhecimento de CASOL está armazenada em MOPs, como uma fonte estrutural que agrupa um conjunto de casos acontecidos. Os casos representam situações não usuais e combinações de estados. CASOL habilmente, apreende das clássicas descrições dos casos, porque estes têm fortes associações entre as características da rede de distribuição e o estados do domínio do consumidor.

A base de conhecimento proposta para CASOL é armazenada na forma de MOPS. A diferença está em que os pesos das comuns características de MOPs são colocados inicialmente para mostrar sua probabilidade num estado dado. Também o peso para encontrar um determinado MOPs seria colocado inicialmente a priori deste estado na população.

Raciocínio em múltiplos níveis de detalhe.

O processo de abstração realizado inicialmente com evidências específicas em características causais generalizadas para identificar estados, é recursivo. A característica causal generalizada é uma evidência de um estado do consumidor num nível de descrição. CASOL foi projetado para mostrar múltiplos níveis de processamento da informação.

Assim, ao raciocinar nos múltiplos níveis de detalhe, CASOL requer índices adicionais, um para cada detalhe generalizado que seria usado para descrever um novo nível. Desta forma, os casos seriam indexados em todos os níveis de descrição na mesma estrutura generalizada (isto é equivalente a raciocinar em múltiplos níveis de detalhes), ou cada nível seria armazenado numa estrutura separada (da mesma forma como a separação existente entre o MOP_Característica e o MOP_Causal). Esta situação da à máquina de ingerência um maior controle sobre os diferentes níveis de detalhe num determinado período de tempo.

Combinando um conjunto de soluções recuperadas.

CASOL não resolve casos envolvidos de forma múltiplo, porque ele não tem visto antes um caso como uma combinação de diagnósticos. Também CASOL encontra casos precedentes com diferentes partes de uma solução e não conhece a forma de misturá-los. A habilidade de combinar as diferentes soluções de casos precedentes é uma lógica a ser desenvolvida no programa.

Aprendizado de erros.

Quando um usuário rejeita uma solução produzida por CASOL, o programa deveria armazenar a solução que foi da preferência do operador. Este processo de armazenar uma solução (preferida pelo usuário) é uma forma de CASOL apreender a partir dos erros. Assim, em situações futuras similares, CASOL vai retomar a solução que usuário determinou.

Melhorando o modelo SIR.

Ocasionalmente o programa SIR dá respostas muito abrangentes. Um interessante aproveitamento poderia ser que CASOL use certa informação do programa SIR de tal forma que ele possa ser levado a falsas conclusões. Este processo levaria a CASOL a examinar duas soluções e determinar que conhecimento no programa SIR foi o responsável por esta conclusão.

Comparando alternativas

CASOL correntemente, recupera um número de casos passados para analisar um novo caso e, os avalia até encontrar uma solução satisfatória. Uma alternativa seria fazer com que CASOL justificasse todos os casos recuperados para o caso novo. Assim, alguns seriam excluídos e outros ficariam. Da quantidade de casos que ficarem, pode ser que a explicação causal não seja a mesma em todos os casos, porque:

i) CASOL apresenta várias explicações causais como alternativas. Realmente existe uma variedade razoável de explicações de situações.

ii) Também, CASOL poderia envolver uma grande quantidade de diferentes explicações causais. A parte da explicação envolvida é indicada na situação apresentam porque isto é comum em todas as explicações.

iii) Quando existem diferentes planos de ação dependendo de diferentes explicações causais, CASOL pode sugerir que os estados identificados são diferentes.

iv) Quando não existe nenhuma diferença nos planos de ação como conseqüência de diferentes explicações causais, o usuário sentiria pouca confiança em seus planos de ação sabendo que não está seguro que a explicação causal é exata.

Criticando soluções.

Uma sugestão final é usar CASOL para fazer críticas. CASOL poderia ser usado para criticar um plano de ação, ou fazer um conjunto de recomendações de uma situação. Isto é, fazer críticas na base das características da situação e do caso passado chamado pelo sistema. Por exemplo, o usuário pode dar uma determinada recomendação para uma situação e CASOL poderia encontrar diferentes recomendações ou planos de ação ao observar o MOP_Recomendações (este seria um novo MOP a criar na sua base de conhecimento). Esta estrutura armazenaria situações de acordo às recomendações da situação. Assim CASOL criticaria o plano de ação do usuário ao comparar a nova situação com a situação recuperada, e usando informação adicional no modelo, quando necessário.

3. Conclusões.

Na área de I.A., os pesquisadores têm-se preocupado tradicionalmente corri o aspecto heurístico de modelos computacionais. Estes refletem uma interpretação "ingênua e errônea" do comportamento inteligente do homem, por parte dos próprios pesquisadores. Evidentemente, esta interpretação representa um armazenamento constante, baseado no senso comum, de informações a respeito do que as pessoas são capazes de pensar ou aprender. No entanto, estas interpretações ingênuas sofrem de uma explicitação de seus conceitos básicos e também de uma confirmação de suas hipóteses. Normalmente, o que entra em jogo é simplesmente a intuição de quem projeta o modelo.

Uma melhor alternativa seria convergir varias disciplinas sistemáticas onde um modelo de "inteligência" possa ser obtido para, só então, cogitamos um modelo computacional de inteligência. No caso específico desta pesquisa, utilizamos as teorias da Psicologia Cognitiva e os métodos de análise da atividade da Ergonomia para conceber um modelo "cognitivo da memória". Esta concepção contrapõe-se às abordagens tradicionais, onde o sistema é controlado por soluções algorítmicas, sobre modelos matemáticos internos da realidade com altas demandas de processamento.

A análise ergonômica realizada limitou-se a aplicar os métodos propostos pela ergonomia, para poder avaliar as cargas cognitivas de trabalho inerentes a esta atividade. Assim um plano metodológico foi feito para explicitar os diferentes processos cognitivos e os conhecimentos utilizados pelos operadores na realização de sua atividade. Em função dos resultados obtidos nesta análise, construímos o modelo de comportamento do operador.

No controle da distribuição e manutenção da rede de energia elétrica, observou-se por meio da análise ergonômica que estes operadores têm, por um lado, uma estrutura rígida de normas técnicas imposta pela organização da empresa e, de outro lado, eles dispõem de uma ampla liberdade na escolha de melhor plano de ação na solução de um problema. Assim, os planos de ação e as explicações declaradas pelo despachante, no atendimento de uma ocorrência, foram comparados com os resultados obtidos na mesma situação pelos eletricistas.

Realizar a análise ergonômica neste posto de trabalho mostrou-se uma tarefa complexa, devido à interação de muitos fatores no ambiente de trabalho, os quais abrangeram desde a aquisição de conhecimentos até a regulação e controle das atividades.

A técnica da Simulação Cognitiva utilizada foi um forte instrumento para o desenvolvimento do protótipo, porque permitiu o estudo das conseqüências de um conjunto de atividades e permitiu prever o comportamento futuro do operador na realização de sua tarefa.

Obviamente, a Simulação Cognitiva não eliminou a necessidade de realização de ensaios, mas permitiu uma diminuição do número destes, representando uma economia de tempo e de recursos no desenvolvimento do protótipo. Neste sentido, dizemos que os procedimentos computacionais e experimentais devem ser interligados.

Os resultados obtidos demonstram como a Engenharia Cognitiva e a Simulação Cognitiva podem ser usadas no projeto de sistemas e de interfaces inteligentes, especialmente em ambientes complexos e dinâmico. Em tais situações, os operadores estratégias para expor os diferentes conhecimentos e processos complexos dentro de sua memória. Estas estratégias são difíceis de programar por meio metodologias tradicionais no desenvolvimento de sistemas.

O modelo esboçado, nesta tese, está baseado na análise da atividade do operador. Ele ainda não possui uma formulação definitiva. No entanto, foi possível implementá-lo em uma arquitetura que suporta representações de tipo freme combinados com redes semânticas. Esta abordagem, ainda pouco utilizada nos modelos computacionais, demonstra o potencial inexplorado destes modelos.

O sistema proposto, CASOL, em seu estado atual, não permite dar soluções em todo o campo do domínio, porque seu universo de conhecimentos ainda é pequeno e a interação de suas funções não estão totalmente integradas.

As decisões de CASOL, na maioria das vezes, concordou com os planos de ação e as explicações propostas pelos despachantes. É de considerar que neste ambiente existem muitas situações com diferentes soluções possíveis e, nenhuma solução proposta por CASOL foi inválida, porque várias alternativas de solução foram dadas à situação apresentada. A validação do modelo, para todo o domínio, constitui uma das próximas etapas no desenvolvimento do modelo.

Por outro lado, o programa utiliza os diferentes mecanismos e processos cognitivos do operador que são próprios em certos tipos de tarefas no tratamento das informações do sistema. Neste desenvolvimento evitamos colocar programas computacionais já prontos como "caixas pretas". Esta alternativa foi descartada, porque o modelo contém somente as características e os processos cognitivos próprios mais relevantes dos operadores no processo de resolução de problemas.

Em contraste com outros modelos, CASOL contêm um conjunto de conhecimentos e estratégias dos operadores, reduzindo assim em muito, os graus de liberdade da simulação. Ele integra um raciocínio associativo, um raciocínio baseado em modelos e técnicas de aprendizado. Ele pode apreender de suas experiências e resolver problemas novos de forma ampla, porque ele usa o conhecimento detalhado do domínio. De qualquer forma, os métodos usados no sistema são de domínio independente e poderiam ser aplicáveis em outros domínios com modelos semelhantes.