A Representação do Conhecimento e Visualização de Dados

Tema: Teoria do Conhecimento, Tecnologia da Informação, Inteligência Artificial

Conhecer tem uma íntima e indissociável ligação como a gradativa aproximação com o objeto, a ser conhecido. Portanto podemos auferir que o conhecimento dá-se por aproximação, e uma junção sincrônica com a análise e o processo de inferência, tangencialmente referente ao objeto. No campo da IA (Inteligência Artificial) o conhecimento resume-se na justaposição dos dados armazenados, dos algoritmos aplicados a estes dados e processamentos dos mesmos, interpretados sob a forma de informação, para posterior discernimento (conhecimento). Rich & Knight, traçam um paralelo importante a respeito dos problemas solucionáveis pela IA e o conhecimento para atingir o objetivo, isto é, criar as soluções. Os problemas que se apresentam como complexos na IA, é pertinaz uma grande e volumosa quantidade de conhecimento, bem como meios eficientes para manipulá-lo.

A IA é um campo abrangente, e abarca nas suas bases, conceitos de origens: filosófico, social, matemático, tecnológicos, físico e lógico, que somados objetivam dotar os sistemas computacionais de capacidades e competências até então inerentes ao ser humano, empregados na resolução de problemas complexos e que exijam o emprego de aprendizagem, mineração de dados, pesquisa em campo profundo e valores flutuantes. A convergência de todas estas colocações aponta para uma definição de IA permeada pela teoria, no que tange a sua concepção, mas, sobretudo para outro aspecto totalmente aplicável e prático. As competências necessárias e alusivas a uma máquina automatizada computacionalmente, realizando trabalhos e tarefas cognitivos, à altura dos seres humanos. Aristóteles (384 – 322 a.C.) um polímata grego, fez avanços e deu significativas contribuições em diversas áreas do saber, dentre as quais o campo da lógica. As leis estruturadas do pensamento correto deveriam governar as operações e inferências da mente; o seu estudo deu início à lógica. Os lógicos do século XIX desenvolveram operações e padrões logicistas, sobre todos os tipos de coisas no mundo e a sua relação.

Na hipótese da representação do conhecimento, trás a tona que todo o processo inteligente; indubitavelmente contará com um interpretador – agente dotado da capacidade de manipular as representações percebidas pelo observador externo. (Bittencourt, 1996). Sendo que o computador é o inter-locutor (interpretador) entre o objeto e/ou dado a ser interpretado ou manipulado e o homem (observa-dor).

Quando falamos de Mineração de Dados, é indissociável a aplicação de algoritmos sobre os da-dos, objetando abstrair conhecimento. Estes algoritmos fundamentam-se em técnicas que visam explorar os dados armazenados, intuindo produzir modelos de conhecimento. A forma de como é representado o conhecimento, no seu modelo, depende do algoritmo de mineração que for utilizado. (Goldschmidt, Passos, & Bezerra, 2015).

Representação do Conhecimento e Visualização de Dados

A aplicação de algoritmos específicos sobre os dados personifica-se sumariamente como o cerne, da representação do conhecimento em IA e da Mineração de Dados, além dos mecanismos de manipulação do “conhecimento”. Entretanto é importante salientarmos que sem a possibilidade de visualizarmos os dados de uma forma inteligível, coesa e amigável, torna-se sem sentido todo este aparato que envolve a representação do conhecimento. A visualização dos dados manipulados possibilita uma interação direta com o observador (indivíduo).

Um determinado sistema visual de representação de dados, deve necessariamente permear pela simplicidade, disponibilidade, reutilização, capacidade, segurança e autonomia do usuário. A simplicidade de um sistema de visualização de dados reside no fato de ele ser intuitivo ao usuário e amigável. Dotado de uma estrutura de dados que possibilite a fácil recuperação, por meio de pesquisas ágeis e com confiabilidade, tendo também um número reduzido de etapas necessárias para alcançar o objetivo. Um sistema de mineração de dados visual eficiente deve ter a competência e a capacidade de demonstrar os resultados ao observador; e este por meio das suas abstrações visuais, tirar as conclusões elementares e pertinentes ao observado. (Wong, 1999).

A significância de aprender, quando correlacionamos este aspecto com a IA, perfaz todo o sentido. Isto porque o aprendizado é a mola propulsora, a peça fundamental para programas dotados de certas capacidades “inteligentes”. Portanto pode-se inferir que não há IA sem aprendizado.

Fontes:

(Inteligência Artificial - Rich, E. & Knight, K. )

(Data Mining - Goldschmidt, R., Passos, E., & Bezerra, E.)

(Visual Data Mining. IEEE Computer Graphics and Applications.Wong, - P., C.)

(Inteligência Artificial – Ferramentas e Teorias Bittencourt. G.)