|
|
Incorporação dinâmica de conhecimento no projeto SAGRI: sistema inteligente de apoio à produção agrícola
Fabíola Paiva de Souza Márcia de Paiva Bastos Gottgtroy João Wildes do Nascimento
Resumo A tecnologia agrícola tem evoluído rapidamente. A cada dia, novas técnicas sobre irrigaçao, cultivo, prevenção de pragas, etc. são desenvolvidas e as já existentes são atualizadas. Para que o SAGRI - Sistema Inteligente de Apoio à Produção Agrícola seja capaz de trabalhar com técnicas, métodos análises e formas de atualizadas é necessário que o Sistema esteja sempre aprendendo a fim de incorporar dinamicamente novos conhecimentos. Foram analisados o conhecimento do SAGRI e os principais paradigmas de aprendizado por máquina para a definição de um modelo de Sistema de Aprendizado que trabalhe como um agente associado ao Sistema, como forma de facilitar a condução da etapa de Aquisição de Conhecimento e permitir o seu refinamento, atualização e manutenção. Em função desses resultados, estudos sobre a adequação dos métodos ao problema estão sendo realizados objetivando solucioná-lo eficientemente. Nesse trabalho são apresentados o modelo proposto assim como os estudos realizados e um estudo de caso. Abstract The agronomy technology has been quickly developed. New techniques emerge every day. It's necessary that the SAGRI system continuously learns new techniques and types of analysis to perform their objectivities, incorporating dynamically new and refined knowledge. Studies about the machine learning approach and the SAGRI's model have been performed to define a learning model to the system. The results of this study intends to be an intelligent agent to work associated with the SAGRI System become possible to improve the knowledge acquisition process and the refinament, updating and maintenance of the existing knowledge. In this work, we present the proposed model and a case study. Palavras-Chave Agricultura, Inteligência Computacional, Aprendizado por Máquina
1. INTRODUÇÃO O Projeto SAGRI: Sistema Inteligente de Apoio à produção Agrícola visa desenvolver um Sistema Híbrido Baseado em Conhecimento, através da tecnologia da Inteligência Artificial (IA) com o objetivo de auxiliar agricultores, técnicos e agrônomos na tomada de decisão durante todo o ciclo produtivo de uma cultura no estado do RN (Gottgtroy, 1995). A aplicação de técnicas de aprendizado por máquina será de fundamental importância para a construção e atualização do SAGRI. O aprendizado por máquina é um dos principais ramos da IA em crescimento, tendo como objetivo básico desenvolver técnicas que viabilizem a construção de Sistemas Inteligentes. Sistemas Inteligentes têm como principal característica a capacidade de aprender a partir de seu próprio ambiente. Ser inteligente é ser capaz de refinar suas habilidades aperfeiçoando o processo de solução através da prática. A partir dessa definição, uma importante questão vem sendo discutida por pesquisadores em Inteligência Artificial: como fazer com que as máquina aprendam? Essa não é uma resposta trivial. Com a utilização do Módulo de Aprendizado, o SAGRI será
capaz de incorporar dinamicamente novas informações
permitindo-se evoluir em paralelo com o desenvolvimento da
tecnologia agrária e com a evolução dos dados e informações.
2. NECESSIDADE DE APRENDIZADO NO PROJETO SAGRI 2.1. Projeto SAGRI O SAGRI se utilizará de conhecimento especializado nas áreas de solo, clima, recursos hídricos, precipitação, cultivo de culturas, estudos sobre custos, previsão de safras, distribuição da produção, dentre outras. Atualmente, conhecimentos e técnicas agrícolas especializadas visando o aumento da produtividade não se encontram acessíveis à maioria dos agricultores. O SAGRI será um especialista com disponibilidade em tempo integral para ajudar seu usuários na tomada de decisão de forma a maximizar ganhos e lucros e minimizar perdas e danos. A utilização desse Sistema permitirá liberar os especialistas para trabalharem em outras tarefas mais complexas. (Gottgtroy, 1995) 2.2. Potenciais aplicações da Aprendizagem por Máquina no projeto SAGRI Um Sistema é capaz de aprender se ele consegue adquirir novos conhecimentos e refinar os já existentes a partir de seus usuários, especialistas e de seu próprio ambiente. Através da utilização das técnicas de Aprendizagem por Máquina, os Sistemas Baseado em Conhecimento obtém a capacidade de evoluir dinamicamente se atualizando e incorporando novas técnicas. A incorporação de um modelo de Aprendizado Automático à arquitetura do SAGRI permitirá o aprendizado dinâmico, acrescentando ao seu conhecimento novas tecnologias e renovando suas informações, métodos e técnicas já utilizados no Sistema, além de facilitar e agilizar a condução das etapas de Aquisição de Conhecimento realizadas durante todo o ciclo de desenvolvimento do SAGRI. Uma forma de gerar novos conhecimentos, por exemplo, é através de informações geradas a partir de consultas anteriores e análise de dados de outras safras. A aplicabilidade desse modelo se expande a todas as fases do ciclo produtivo agrícola. Em cada etapa do ciclo podemos visualizar a necessidade de aquisição, refinamento e atualização de informações como conseqüência do constante desenvolvimento da tecnologia agrária. Na primeira etapa de desenvolvimento do SAGRI, a Aquisição de Conhecimento sobre Solos foi realizada de forma manual, também chamada de convencional (Gottgtroy, 1990); não sendo utilizado nenhum recurso de Aprendizagem por Máquina. Através de uma análise sobre a forma de condução desse processo e dos resultados obtidos, tornou-se evidente a necessidade de se utilizar, em etapas seguintes, técnicas de aprendizado automático como forma de minimizar as limitações e dificuldades surgidas na Aquisição de Conhecimento tornando-a mais rápida e eficiente. Foram selecionadas áreas de atuação do modelo de aprendizado no SAGRI: diagnóstico, planejamento e instrução. Como exemplos de aplicação do módulo de aprendizagem podemos citar:
3. MODELO DE SISTEMA DE APRENDIZADO PROPOSTO 3.1. Métodos de Aprendizado por Máquina As pesquisas em Aprendizagem Automática encontram-se atualmente subdividida em cinco grandes paradigmas: Conexionista (modelando os neurônios biológicos), Algorítmos Genéticos (baseado em sistemas de classificadores), Indução (utilizando conjunto de exemplos para gerar processos de decisão), Aprendizado Baseado em Casos (utilizando soluções passadas) e Aprendizado Analítico (utilizando grande quantidade de conhecimento para gerar teorias ou explicações). Devido a complexidade dos problemas reais, que normalmente são não lineares e dinâmicos, a combinação de paradigmas tem se mostrado forma ideal de solução de problemas. (Langley, 1996). Sistemas de Aprendizado são compostos, basicamente, pelo algoritmo de aprendizado e pelo módulo gerador de questionamentos, ambos interligados dentro de um ambiente. Esse ambiente deve ser provido de eficientes interfaces com as fontes, resultados e com o próprio Sistema. Dependendo do método de aprendizado escolhido, o ambiente pode conter ainda: memória, para armazenamento de consultas; gerador de regras de decisão, relações e objetos para tratar novos conhecimento e refinar os já existentes; módulo de consistência de dados; etc. A primeira etapa na construção desses Sistemas é a análise do problema como forma de preparação do conhecimento e adequação dos métodos de aprendizado. Na análise são estudadas: a classe do domínio de aplicação da tarefa a ser aprendida, as medidas de desempenho desejadas para o algoritmo de aprendizado e os recursos e limitações de dados para colaborar e, ou, restringir a tarefa de aprendizado. 3.2. Arquitetura do Sistema de Aprendizado O Sistema de Aprendizado em desenvolvimento utiliza métodos de aprendizado baseados em exemplos, tais como: indução e redes neurais, e analogias; e tem como componentes principais: seu ambiente, o algoritmo de aprendizagem, uma memória para armazenamento de consultas passadas, um gerador de regras, objetos e relações para conhecimentos novos e os já utilizados pelo sistema, um módulo observador (para a realização de consistência de dados) e uma eficiente interface entre os módulos do sistema e o usuário. As informações necessárias à aprendizagem serão disponibilizadas através de interações com a base de conhecimento (BC), banco de dados (contendo informações sobre solo, culturas, climatologia, recursos hídricos, etc.), sistema geográfico de informações, consultas anteriores, especialistas e usuários.
4. ESTUDO DE CASO O estudo de caso é descrito no escopo das culturas como forma
de visualizar a aplicabilidade do módulo. 4.1. Estudo do Conhecimento A utilização do Aprendizado por Máquina no escopo das culturas objetiva, de modo geral, melhorar o processo de solução através da generalização do conhecimento e tem como principais aplicações:
A formação de informações gerais permite tratar novos casos de culturas ainda não trabalhadas na Base de Conhecimento do SAGRI através de semelhança de características. Se o usuário faz uma consulta ao SAGRI a respeito de um cultivo específico e essa informação não se encontra disponível, o Sistema de Aprendizado analisará, através de iterações com usuários, as características da planta tentando buscar em sua Base de Casos culturas que tenham características semelhantes à consultada para gerar informações para o usuário. Numa primeira etapa, um protótipo para extração de características relevantes da relação entre culturas e solos está em desenvolvimento com a finalidade de determinar a aptidão agrícola da terra para auxiliar o processo de tomada de decisão sobre a adequação da cultura ao solo. A especificação de relações importantes permite gerar novas informações úteis; como por exemplo: sabendo-se que cultura com raiz longa cultivada em solo profundo e arenoso são capazes de adquirir água no subsolo, pode-se inferir que essas culturas são mais resistentes a falta d'água. O Sistema de Aprendizado Automático usa características de solo e características de culturas como dados para o algoritmo indutivo e gera como resultados relações úteis dessas características em forma de regra de produção. A caracterização do solo é feita, dentre inúmeros fatores, como fertilidade, textura, porosidade, profundidade, drenagem e relevo. A caracterização da cultura é realizada analisando sua estrutura física (biotipo), categoria de classificação, ciclo de vida e concentração de produção. Sabemos que existem outros fatores que influenciam esse processo, mas como o principal objetivo é a análise do modelo proposto e, estamos trabalhando no SAGRI no escopo de solos, consideramos válido o estudo. Devido a falta de disponibilidade de dados organizados e no nível de detalhamento necessário, bancos de dados com informações sobre culturas e solos estão em desenvolvimento. O conjunto de exemplos se utiliza de dados extraídos de Informativos Municipais do Estado do RN coletados pela Secretaria de Planejamento do RN e informações adicionais disponibilizadas pelo Engenheiro Agrônomo da EMPARN Aldo Arnaldo de Medeiros que colaborou como especialista nessa primeira etapa de desenvolvimento do Projeto. Em paralelo ao desenvolvimento desse protótipo, estudos sobre outros modos de aprendizagem aplicadas ao escopo das culturas como forma de gerar novos conhecimentos estão sendo realizados. Outros membros da equipe (Canuto,1997) vêm estudando a viabilidade de utilizar técnicas de data mining como forma de gerar novos conhecimentos.
5. CONCLUSÃO Através da utilização de técnicas de Aprendizado por Máquina, o Sistema SAGRI será capaz de trabalhar de forma atualizada, evoluindo junto com a tecnologia agrícola. O Sistema de Aprendizado em desenvolvimento apresenta restrições com relação ao escopo das culturas devido a falta de dados disponíveis no nível de detalhamento necessário. Em etapas futuras pretendemos trabalhar os outros fatores que influenciam no uso da terra e crescer o Sistema de Aprendizado a todas as etapas de modo a abranger todo o ciclo produtivo de uma cultura.
6. REFERÊNCIAS
7. BIOGRAFIA Fabíola Paiva de Souza: Aluna de Ciências da Computação da UFRN, cursando o ultimo semestre da graduação. Bolsista PIBIC-CNPq, desde agosto de 1994, no Projeto SAGRI (Sistema Inteligente de Apoio à Produção Agrícola) desenvolvido na base de Pesquisa em Sistemas de Apoio à Decisão coordenado pela professora D.Sc. Márcia P.B. Gottgtroy. Áreas de interesse: Inteligência Computacional, Sistemas Híbridos e Aprendizado por Máquina. Márcia de Paiva Bastos Gottgtroy: Graduação em
informática pela UFRJ, M.Sc. em Sistemas de Computação pela
COPPE/URFJ, Ds.C. em Engenharia Civil pela COPPE/UFRJ. Atualmente
é professora adjunta da UFRN, Coordenadora da base de pesquisa
Sistemas de Apoio à Decisão, Coordenadora dos projetos: SAGRI
(Sistema Inteligente de Apoio à Produção Agrícola) e TOM
(Sistema de Apoio à Atividade Turística). Atuante nos cursos de
Ciência da Computação, Engenharia da Computação,
Especialização em Engenharia de Sistemas Mestrado em Sistemas e
Computação do DIMAp/UFRN. Áreas de interesse: Inteligência
Computacional, Aquisição Automática de Conhecimento, Sistemas
Híbridos, Cognição, Design de Informação, Tutores
Inteligentes. |