Leliane Nunes de Barros.

Redes bayesianas permitem representar modelos probabilísticos de for- ma concisa aproveitando-se de independências entre variáveis. No en- tanto, muitas propriedades de um domínio são capturadas apenas no ní- vel dos eventos. Tais propriedades, chamadas de estrutura local, incluem determinismo, independência sensível a contexto, e replicação. Inferência em redes bayesianas pode ser agilizada explorando a estrutura local; para isso, é necessária uma linguagem formal que permita a representação de tais propriedades e auxilie no raciocínio probabilístico. Este projeto visa investigar diferentes linguagens formais para especificação de redes baye- sianas com estrutura local abundante. Em particular, investigaremos lin- guagens relacionais e mais, especificamente, linguagens temporais. Nosso objetivo é encontrar linguagens que sejam convenientes para descrição de conhecimento e que permitam realizar inferência de forma mais rápida aproveitando-se da estrutura local.

A surpreendente e rápida evolução da tecnologia deu origem a uma nova era de descoberta de conhecimento científico. Essa nova era da ciência, conhecida como e-Science é descrita como uma nova ciência computacional e composta por uma equipe multidisciplinar que exige novas metodologias para o armazenamento, modelagem e análise de dados. Em particular, o desenvolvimento de sistemas de software transacionais e analíticos para aplicações e-Science visto como sistemas dinâmicos apresenta novos desafios computacionais. Entre eles, destacam-se os desafios dos processos de descoberta de conhecimento científico que, na maioria das vezes, envolvem mudanças frequentes de requisitos para armazenagem, modelagem e análise de dados. A necessidade de abordar sistemas dinâmicos científicos para tratar complexas aplicações de e-Science despertou a comunidade científica para a necessidade de sistemas de software robustos e evolutivos para atender a esses novos desafios. Sistema dinâmico é um arcabouço matemático clássico para representar fenômenos que evoluem no tempo e que são de grande interesse na ciência. Neste projeto, nosso principal objetivo é desenvolver modelos computacionais e metodologias para apoiar as aplicações e-Science. Nossa pesquisa fundamental cobre três principais áreas: armazenagem, modelagem e análise de sistemas dinâmicos. Essas áreas de pesquisa são importantes e relevantes para o Programa e-Science FAPESP já que muitos dos desafios atuais de e-Science estão relacionadas ao tratamento adequado dos sistemas dinâmicos. Assim, pretendemos desenvolver e aplicar metodologias computacionais que irão facilitar o desenvolvimento de aplicações e-Science contribuindo assim para a melhoria do conhecimento científico mundial, respeitando as restrições legais e éticas na gestão de dados..

Projeto Universal. RTDP (Real-time dynamic programming) resolve processos de decisão Markovianos (MDPs), quando o estado inicial e estados metas são conhecidos. Ao visitar(e atualizar), apenas uma fração do espaço de estados, esta abordagem pode ser usada para resolver problemas com espaço de estado grandes intratáveis. A fim de melhorar o desempenho do algoritmo RTDP, uma variante com base em representação simbólica foi proposta, chamada de sRTDP (symbolic RTDP). Abordagens baseadas em RTDP tradicionais trabalham melhor em problemas com matrizes de transição esparsas, em que muitas vezes essas abordagens podem atingir de forma eficiente uma e-convergência sem visitar todos os estados; no entanto, em problemas com matrizes de transição densas, em que a maioria dos estados são alcançáveis em um passo, o sRTDP mostra uma vantagem sobre o RTDP tradicional em até três ordens de magnitude, como demonstramos em trabalhos anteriores. Também propomos uma nova variante do sRTDP baseada em BRTDP (Bounded RTDP), chamada de sBRTDP, a qual converge rapidamente quando comparado com variantes do RTDP, uma vez que sBRTDP realiza menos atualizações, fazendo uma escolha melhor do próximo estado a ser visitado. O objetivo desse projeto é o de estudar melhorias para as abordagens RTDP baseadas em representação simbólica, tanto exatas quanto aproximadas para resolver problemas modelados como MDPs, em que são conhecidos os estados iniciais e metas, a fim de resolver problemas envolvendo milhares de estados. Assim, será possível resolver problemas reais, como por exemplo, o planejamento de tráfego urbano e automação de linhas de montagem industrial. Além disso, pretendemos explorar soluções baseadas em RTDP de problemas envolvendo variáveis binárias e contínuas.

Em trabalhos anteriores, foram propostas soluções eficientes, aproximadas e exatas, para resolver problemas de tomada de decisão sequencial com probabilidades imprecisas nos efeitos das ações. Nesse projeto, pretendemos investigar novos critérios de avaliação de soluções. Além disso, pretendemos investigar soluções para MDPs de primeira ordem, com probabilidades imprecisas e sua ligação com técnicas conhecidas de aprendizagen por reforço.

Projeto Temático FAPESP, processo 2008/03995-5, em Lógica e Probabilidade, com aplicações em Planejamento Probabilístico e Raciocínio Espacial, sob coordenação de Marcelo Finger, e pesquisadores principais, Leliane Nunes de Barros e Fábio Cozman. 


Resumo: Das possíveis formas de raciocínio que um agente racional pode utilizar, o raciocínio lógico e as inferências probabilisticas estão entre as que recebem maior destaque na prática, sendo incorporadas em modelos e em programas de computador para a realização das mais diversas tarefas. No entanto, as interações possíveis entre estas formas de raciocínio ainda não são muito bem compreendidas, tanto do ponto de vista teórico como no de aplicações computacionais. Do ponto de vista teórico, ainda está-se por estabelecer, de forma equívoca, relações entre valores verdades e distribuições de probabilidades sobre fórmulas. Do ponto de vista de aplicações, ainda está-se tentanto estabelecer a fronteira entre quando empregar inferências lógicas e quando empregar inferências estatísticas. Este projeto pretende investigar estas questões, tanto do aspecto teórico quanto do aspecto de aplicações computacionais. Abordaremos a área de satisfatibilidade probabilística, lógicas de descrição probabilísticas para web semântica, planejamento probabilístico e análise de cenas. Estre projeto pretende desenvolver softwares que abordem os temas investigados e disponibilizá-los através de uma licença de software livre dentro do escopo da Divisão de Inteligência Artificial do Centro de Competência em Software Livre da USP.

Este projeto investiga a união de métodos lógicos e probabilísticos, focando sobretudo no desenvolvimento de algoritmos de inferência. Esta união é um tema antigo em Inteligência Artificial: uma linguagem unificadora teria grande impacto em representação de conhecimento, aprendizado de regras, recuperação e busca de informações. O projeto se propõe a construir uma lógica probabilística que seja associada a relações de probabilidade e obter algoritmos de inferência para a lógica resultante. Aplicações em Robótica Cognitiva e na construção da Web Semântica (Semantic Web) são estudadas no projeto além de problemas de planejamento sob incerteza.

The main goal of the project is to study and evaluate new techniques that have been developped in the context of the Semantic-web. The idea behind the Semantic-web is that, instead of having web content available as natural language texts together with HTML, one could use a "semantic" mark-up language in order to make these contents available for automatic processing. One of the key elements for these new mark-up languages is the use of formally described domain ontologies. The use of ontologies is seen now in Artificial Intelligence as the key to efficient search and retrieval of data. In this context, we are developping several small systems using ontologies. One application we have in mind is the use of CNPq's Lattes CV's, which can be obtained in XML format, in order to search for publications and research groups.

Construção de um plugin Eclipse para ensino de programação baseada em Padrões Elementares de Programação e integrado a um sistema de diagnóstico baseado em modelos de programação.

Resolver problemas em domínios complexos geralmente envolve múltiplos agentes, raciocínio sobre um mundo dinâmico, planejamento de atividades, necessidade de aprender através de realimentações e experiências prévias, além de interações no mundo por meio de percepção e ação. O projeto MAPPEL visa investigar um espectro concreto de temas relevantes para o desenvolvimento de times de agentes completos atuando em um ambiente dinâmico, eventualmente adversário e com exigências de atuação em tempo real. O interesse consiste em investigar e desenvolver agentes robóticos que sejam: autônomos (capazes de raciocinar sobre suas experiências e tomar suas próprias decisões); eficientes (capazes de atingir metas específicas sob restrições de tempo e recursos, através da integração de planejamento reativo e deliberativo de atividades); cooperativos (capazes de colaborar com outros agentes para resolver problemas e realizar tarefas muito complexas em relação às suas capacidades individuais); adaptativos (capazes de aprender conforme adquirem mais experiência, através do refinamento de suas preferências de seleção de ações individuais e colaborativas). NSF / CNPq - ProTeM CC Proc. Inst. No. 68.0033/99-8. Número do Processo Individual: 48.0320/99-3. Início do Processo: Junho de 2000 Duração: 3 anos. Valor global da concessão no Brasil: R$ 125.841,39 e bolsas DTI .