Por definição não gosto de produzir textos que ultrpassem uma página; entretanto no caso presente tenho que pedir desculpas por ter ultrpassado tal limite. Justifico esta falha para poder introduzir uma pesquisa feita no DeepSeek . Tal pesquisa se relaciona à evolução do que chamaria de "IA". Inteligência Artificial, termo que a contragosto aqui aplico, após assitir uma palestra/enttrevista do Prof. Dr. Miguel Nicollelis que relativizava, ou melhor esclarecia, a aplicação da IA.
Como tive a oportunidade de analisar e praticar alguns destes métodos na então Secretaraia de Segurança do Rio de Janeiro, e como pesquisava há mais tempo sobre o tema, resolvi destacar (após a o resultado da pesquisa do DeepSeek) as conclusões a que cheguei desde os ensaios sobre a gestão industrial baseada na metodologia MRPII, que evolui desde os anos 70, e para qual imaginava a aplicação de IA. Não é bem assim: a utilização das ferramentas de IA são válidas em pesquisas, tanto que as utilizei neste presente blog. Mas as conclusões a que cheguei exigem que aqui sejam apresentadas. (neste blog foram postados textos sobre a matéria de 18/11/22 até 28/02/23 ).
=====================================================================
Redes
Neurais Artificiais (RNAs) - Primeira "Era de Ouro":
Perceptron
(Frank Rosenblatt, 1958/60): A
primeira rede neural implementada em hardware, capaz de
classificação linear simples. A publicação do livro
"Perceptrons" por Minsky e Papert (1969), que mostrou as
suas limitações, levou ao primeiro "Inverno da IA".
Algoritmos
de Aprendizagem por Reforço (AR) - Fundamentos:
Dynamic
Programming (Richard Bellman, anos 50/60): Base
terica para o AR moderno.
O
problema do "Credit Assignment" (Minsky,
1961): Formalizou
o desafiode atribuir crédito pelas ações ao longo do tempo.
Métodos
Estatísticos Clássicos:
Análise
de Cluster (K-Means): Proposto
por Hugo Steinhaus (1956) e formalizado por James MacQueen em 1967.
Um dos algoritmos de agrupamento mais simples e populares.
Análise
de Componentes Principais (PCA): Desenvolvida
por Karl Pearson (1901) e Harold Hotelling (1933), mas a sua
aplicação computacional ganhou força nos anos 60.
Sistemas
Especialistas (Embrião):
Dendral
(iniciado em 1965): Frequentemente
considerado o primeiro sistema especialista, foi desenvolvido para
analisar dados espectrométricos e inferir a estrutura de moléculas
orgânicas.
Década
de 1970: A Ascensão dos Sistemas Baseados em Conhecimento
Como
reação às limitações das redes neurais, a IA simblica tornou-se
dominante.
Sistemas
Especialistas:
MYCIN
(Edward Shortliffe, ~1976): Um
sistema pioneiro para diagnstico de infeções bacterianas e
recomendação de antibiticos. Introduziu conceitos fundamentais
como o motor
de inferência e
a base
de conhecimento,
separando a lgica do conhecimento factual.
Estruturas
de Representação de Conhecimento:
Frames
(Marvin Minsky, 1974): Estruturas
para representar conhecimento estereotipado sobre objetos e
eventos.
Scripts
(Roger Schank e Robert Abelson, 1977): Para
representar sequências de eventos típicas (ex: ir a um
restaurante).
Algoritmos
de Redes Neurais:
Backpropagation
(Ideias Iniciais): A
base do algoritmo foi proposta por Paul Werbos na sua tese de
doutoramento (1974), mas não recebeu atenção imediata.Década
de 1980: A Explosão da IA Simblica e o Renascimento Conexionista
Foi
a era de ouro dos sistemas especialistas comerciais e, ao mesmo
tempo, viu o retorno das redes neurais.
Redes
Neurais - Segunda Vaga:
Backpropagation
(Rumelhart, Hinton, Williams, 1986): O
artigo que popularizou e demonstrou a eficácia do algoritmo de
retropropagação para treinar redes multi-camadas (perceptrões
multicamadas), superando as limitações do perceptron simples.
Hopfield
Network (John Hopfield, 1982): Um
tipo de rede recorrente que podia funcionar como memória
associativa.
Algoritmos
de Aprendizagem Automática (Machine Learning):
Árvores
de Decisão (ID3): Desenvolvido
por Ross Quinlan em 1986. Um algoritmo fundamental para a
classificação que deu origem a versões mais modernas (C4.5,
C5.0).
Algoritmos
Genéticos (John Holland, anos 60/70): Ganharam
popularidade e aplicação prática nesta década, inspirados na
seleção natural.
Sistemas
Especialistas e Ferramentas:
Proliferação
de shells (como CLIPS) e linguagens (como Prolog) para construir
sistemas especialistas. O mercado comercial floresceu, mas depois
entrou em declínio devido aos seus prprios limites (dificuldade de
manutenção, conhecimento não comum).Década
de 1990: A Ascensão dos Métodos Estatísticos e Práticos
A
IA tornou-se mais prática e estatística, com métodos robustos que
são usados até hoje.
Métodos
de Conjunto (Ensemble Methods):
Random
Forests (Leo Breiman, 2001, mas baseado em bagging dos anos 90): A
ideia de bagging foi
introduzida por Breiman em 1996.
AdaBoost
(Yoav Freund e Robert Schapire, 1996): Um
dos primeiros e mais bem-sucedidos algoritmos de boosting.Máquinas
de Suporte Vetorial (SVMs):
Tornaram-se
populares com os trabalhos de Corinna Cortes e Vladimir Vapnik
(1995). Ofereciam fortes garantias teóricas e alto desempenho em
problemas de classificação.
Métodos
Probabilísticos:
Redes
Bayesianas: Tornaram-se
um modelo gráfico probabilístico amplamente adotado para
representar conhecimento sob incerteza.
Processamento
de Linguagem Natural (PNL) Estatístico:
Transição
de abordagens baseadas em regras para modelos estatísticos
alimentados por incorporação de texto.
Mineração
de Dados (Data Mining):
O
termo ganhou popularidade. Algoritmos como Apriori (para
regras de associação, 1994) foram desenvolvidos para descobrir
padrões em grandes conjuntos de dados.Década
de 2000: A Fundação para o Big Data
A
internet e a digitalização geraram mais dados, exigindo métodos
escaláveis.
Aprendizagem
por Reforço Moderna:
Consolidação
teórica e aplicações práticas. O livro de Sutton e Barto
("Reinforcement Learning: An Introduction", 1998)
tornou-se a bíblia da área.
Aplicação
no roteamento de viaturas de polícia
Algoritmo
de Colônia
de Formigas (Marco Dorigo, 1992): Pertence
à área da Inteligência
de Enxame (Swarm Intelligence) e
ganhou grande aplicação na década de 2000 para otimização
combinatorial
Métodos
de Dimensionalidade Não-Linear:
t-SNE
(Laurens van der Maaten e Geoffrey Hinton, 2008): Para
visualização de dados de alta dimensão.
Isomap
e LLE: Outros
métodos de manifold
learning.
O
Paradigma do Ensemble Amadurece:
Gradient
Boosting Machines (Jerome Friedman, 2001): A
base para ferramentas extremamente poderosas como XGBoost
(2016), LightGBM e CatBoost,
que dominariam competições de ciência de dados (como o Kaggle)
na década de 2010.
Década
de 2010 até ao Presente: A Era do Deep Learning e do Big Data
A
convergência de grandes dados (Big
Data),
poder computacional (GPUs) e avanços algorítmicos levou à
revolução do Deep
Learning.
Deep
Learning (Aprendizagem Profunda):
Redes
Neurais Convolucionais (CNNs): AlexNet
(2012) venceu uma competição de visão computacional por uma
margem enorme, iniciando a febre do DL. Evoluiu para arquiteturas
como VGG, GoogLeNet, ResNet.
Redes
Neurais Recorrentes (RNNs) e LSTMs: Para
dados sequenciais (linguagem, séries temporais).
Transformers
(2017): A
arquitetura por trás da revolução atual em PNL (ex: BERT, GPT) e
além, substituindo em grande parte as RNNs.
===========================================================================
A
partir de 2017 estudei este tema mais por curiosidade e diletantismo
Aprendizagem
por Reforço Profunda (Deep RL):
Combina
Deep Learning com AR. Exemplos famosos: AlphaGo (2016) da DeepMind,
que venceu o campeão mundial de Go.
Aprendizagem
Generativa:
GANs
(Generative Adversarial Networks - 2014): Duas
redes neurais que competem para gerar dados novos e realistas
(imagens, áudio).
Modelos
de Difusão (2020s): A
tecnologia por trás de ferramentas como DALL-E, Midjourney e
Stable Diffusion, que superaram as GANs em qualidade e estabilidade
para geração de imagens.
Métodos
Escaláveis para Big Data:
Processamento
Distribuído: Frameworks
como Apache
Hadoop e Apache
Spark tornaram-se
essenciais para processar petabytes de dados.
Aprendizagem
Automática em Plataformas Distribuídas: Bibliotecas
como MLlib do
Spark permitiram aplicar algoritmos clássicos de ML a conjuntos de
dados extremamente
grandesResumo
Visual da Linha do Tempo:
Década
|
Paradigma
Dominante
|
Métodos
e Inovações Chave
|
1960s
|
IA
Simbólica & Algoritmos Fundamentais
|
Perceptron,
K-Means, Sistemas Especialistas (embrião)
|
1970s
|
Sistemas
Baseados em Conhecimento
|
MYCIN,
Frames, Scripts, Backpropagation (teoria)
|
1980s
|
IA
Simbólica & Conexionismo
|
Backpropagation
(prática), Hopfield Nets, Árvores de Decisão (ID3)
|
1990s
|
Modelos
Estatísticos Práticos
|
SVMs,
Random Forests (Bagging), AdaBoost (Boosting), Redes Bayesianas
|
2000s
|
Ensembles &
Escalabilidade
|
Gradient
Boosting, XGBoost, Inteligência de Enxame, t-SNE
|
2010s+
|
Deep
Learning & Big Data
|
CNNs,
RNNs/LSTMs, Transformers,
GANs, Modelos de Difusão, Deep RL
|
Esta
linha do tempo mostra uma evolução clara: dos fundamentos
matemáticos e lógicos, passando pelo conhecimento especializado
simbólico, pelos modelos estatísticos robustos, até aos modelos de
representação profunda e generativa alimentados por grandes volumes
de dados , o que caracteriza a inteligência artificial moderna
=================================================================================
O ciclo da Administração da Produção e da Gestão de Recursos (Estoques, Pessoal, etcc...) se inicia quando se conhece uma previsão de demanda, ou por inicação formal de "Vendas" ou por uma pesquisa de Mercado, ou ambas.
O desdobramento deste conhecimento da demanda é aquela que, após a técnica criada por Joseph Orlicki, o MRP, é que irá desencadear o planejamento das ações de abastecimento de recursos (materiais, mão de obra, energia, etc...) -A representação gráfica está disponível nas postagens anteriores.
Ocorre que tal planejamento ocorre em um ambiente dinâmico, onde todas as variáveis , daí este nome, variam. No tempo e no espaço. Alguns exemplos: O fornecedor não consegue abastecer a tempo, o percurso dos meios de liberação de carga está interrompido (enchente, greve...), um recurso produtivo (máquina operatriz, mão de obra estão provisoriamente indisponíveis, imprevisões financeiras, remanejamentos urgentes na fila de produçao....a lista é imensa.
Agora vejamos: os instrumentos de IA que se baseiam em "experiência pretérita" terão que, além de buscar uma ocorrência no tempo "razoavelmente semelhante", indicar a melhor solução para o específico problema. Para tal existem recursos computacionais que mostram por simulação as possíveis saídas e seus respectivos "graus de mérito". Ou seja, aquela mesma técnica que "rodou" o Planejamento/Programação/Ação é utilizadas em carater "what-if", Ou seja, o "net-change" já sugerido por George Plossl, (aquele velhinho simpático que tive o privilégio de conhecer em 1978 no congresso da APICS), e que fora implementado pelo COPICS da IBM.
A evolução dos MRPII que desencadeou a produção dos ERP mundo afora, inclusivre aqui no Brasil, não sofreu a tentação de buscar uma solução IA para substituir o profissional de Planejamento e Programação de Produção e Suprimentos. Portanto faço aqui o meu ato de contrição de ter tentado adequar os métodos que ensaiara na busca de solução de prolemas de "atendimento policial" e "identificação de áreas de risco" , notoriamente derivados de tratamentos estatísticos de "Grandes Dados" a Administração da Produção.
Mas (quem sabe?) se algum dia alguem mais esperto poderá conseguí-lo. Afinal "deus ex machina".
