With the rise of Deep Learning the field of Artificial Intelligence (AI) Research has entered a new era. Together with an increasing amount of data and vastly improved computing capabilities, Machine Learning builds the backbone of AI, providing many of the tools and algorithms that drive development and applications. While we have already achieved many successes in the fields of image recognition, language processing, recommendation engines, robotics, or autonomous systems, most progress was achieved when the algorithms were focused on learning only a single task with little regard to effort and reusability. Since learning a new task from scratch often involves an expensive learning process, in this work, we are considering the use of previously acquired knowledge to speed up the learning of a new task. For that, we investigated the application of Transfer Learning methods for Deep Reinforcement Learning (DRL) agents and propose a novel framework for knowledge preservation and reuse. We show, that the knowledge transfer can make a big difference if the source knowledge is chosen carefully in a systematic approach. To get to this point, we provide an overview of existing literature of methods that realize knowledge transfer for DRL, a field which has been starting to appear frequently in the relevant literature only in the last two years. We then formulate the Case-based Reasoning methodology, which describes a framework for knowledge reuse in general terms, in Reinforcement Learning terminology to facilitate the adaption and communication between the respective communities. Building on this framework, we propose Deep Case-based Policy Inference (DECAF) and demonstrate in an experimental evaluation the usefulness of our approach for sequential task learning with knowledge preservation and reuse. Our results highlight the benefits of knowledge transfer while also making aware of the challenges that come with it. We consider the work in this area as an important step towards more stable general learning agents that are capable of dealing with the most complex tasks, which would be a key achievement towards Artificial General Intelligence. / Com a evolução da Aprendizagem Profunda (Deep Learning), o campo da Inteligência Artificial (IA) entrou em uma nova era. Juntamente com uma quantidade crescente de dados e recursos computacionais cada vez mais aprimorados, o Aprendizado de Máquina estabelece a base para a IA moderna, fornecendo muitas das ferramentas e algoritmos que impulsionam seu desenvolvimento e aplicações. Apesar dos muitos sucessos nas áreas de reconhecimento de imagem, processamento de linguagem natural, sistemas de recomendação, robótica e sistemas autônomos, a maioria dos avanços foram feitos focando no aprendizado de apenas uma única tarefa, sem muita atenção aos esforços dispendidos e reusabilidade da solução. Como o aprendizado de uma nova tarefa geralmente envolve um processo de aprendizado despendioso, neste trabalho, estamos considerando o reúso de conhecimento para acelerar o aprendizado de uma nova tarefa. Para tanto, investigamos a aplicação dos métodos de Transferência de Aprendizado (Transfer Learning) para agentes de Aprendizado por Reforço profundo (Deep Reinforcement Learning - DRL) e propomos um novo arcabouço para preservação e reutilização de conhecimento. Mostramos que a transferência de conhecimento pode fazer uma grande diferença no aprendizado se a origem do conhecimento for escolhida cuidadosa e sistematicamente. Para chegar a este ponto, nós fornecemos uma visão geral da literatura existente de métodos que realizam a transferência de conhecimento para DRL, um campo que tem despontado com frequência na literatura relevante apenas nos últimos dois anos. Em seguida, formulamos a metodologia Raciocínio baseado em Casos (Case-based Reasoning), que descreve uma estrutura para reutilização do conhecimento em termos gerais, na terminologia de Aprendizado por Reforço, para facilitar a adaptação e a comunicação entre as respectivas comunidades. Com base nessa metodologia, propomos Deep Casebased Policy Inference (DECAF) e demonstramos, em uma avaliação experimental, a utilidade de nossa proposta para a aprendizagem sequencial de tarefas, com preservação e reutilização do conhecimento. Nossos resultados destacam os benefícios da transferência de conhecimento e, ao mesmo tempo, conscientizam os desafios que a acompanham. Consideramos o trabalho nesta área como um passo importante para agentes de aprendizagem mais estáveis, capazes de lidar com as tarefas mais complexas, o que seria um passo fundamental para a Inteligência Geral Artificial.

Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-07-31T13:24:56Z No. of bitstreams: 1 EXPEDITO CARLOS LOPES - TESE PPGCC 2010..pdf: 2264969 bytes, checksum: 6815e69976b1952aaaa1a4e74e9026b9 (MD5) / Made available in DSpace on 2018-07-31T13:24:56Z (GMT). No. of bitstreams: 1 EXPEDITO CARLOS LOPES - TESE PPGCC 2010..pdf: 2264969 bytes, checksum: 6815e69976b1952aaaa1a4e74e9026b9 (MD5) Previous issue date: 2010-10-20 / No cotidiano de muitos profissionais uma situação comum é estar confrontado com um problema que requer um processo decisório para sua resolução. Porém, nem todo problema é considerado trivial. Quando o problema apresenta dificuldades associadas à ausência de soluções disponíveis ou se exige número de recursos significativos, e conseqüentemente, muito esforço para sua solução ou para diagnosticar as suas causas; ele é considerado complexo. Raciocínio Baseado em Casos (RBC) usa o histórico de casos similares apoiando na resolução de casos complexos, exibindo soluções extraídas de uma Base de Casos, prevendo atividades para retenção de soluções individuais. Entretanto, o RBC pode não servir na solução de um problema complexo quando nenhum caso similar é encontrado na Base de Casos. Por outro lado, a Prática Baseada em Evidências (PBE), representa um processo decisório centrado em justificativas de informações relevantes contendo provas de pesquisas científicas comumente encontradas em sites confiáveis. Entretanto, procedimentos da PBE não provêem mecanismos para retenção de conhecimentos estratégicos de soluções individuais, o que poderia facilitar a aprendizagem de tomadores de decisão, preservando evidências utilizadas. Assim, a integração de RBC com PBE contempla mecanismos complementares para apoiar soluções de problemas complexos e não se encontra modelos que incorporem estes paradigmas, independente de domínios que tratam de PBE. Além disso, contexto é um tipo de conhecimento que ajuda a identificar o que é ou não é relevante em uma dada situação. Porém, o uso de contexto na PBE ainda é uma questão em aberto. Esta tese propõe um framework conceitual composto de uma arquitetura e de um esquema conceitual para representar a integração de evidências, contexto e casos, independente entre domínios que usam a PBE, servindo de apoio para projetistas de sistemas. Além disso, é especificada uma abordagem metodológica de apoio à decisão para guiar especialistas na resolução de problemas complexos utilizando RBC e PBE, considerando contextos de tomadas de decisão. Para tornar factível esta proposta, duas aplicações do framework foram realizadas em diferentes domínios (médico e jurídico criminal). A validação foi feita a partir de um estudo de caso realizado no domínio jurídico criminal, tendo como resultado um protótipo implementado. / In the routine of many professionals is a common situation being confronted with a problem that triggers a decision process for its resolution. However, not every problem is considered common. When the problem presents difficulties associated with the absence of available solutions, or requires significant number of resources and effort to its solution, or to diagnose its causes, it is considered a complex problem. Case Based Reasoning (CBR) uses the history of similar cases supporting the resolution of complex cases, based on solutions extracted from a Case-Base, providing mechanisms to retain new individual problem-solutions. But, CBR can not support the solution of complex problems when no similar case is found in the Case-Base. On the other hand, Evidence-Based Practice (EBP) represents a decision-making process centered on justifications of relevant information contained scientific research proof found, generally, in reliable sites. But, EBP procedures do not provide mechanisms to retain strategic knowledge from individual solutions, which could facilitate the learning of decision makers, preserving used evidences. However, the integration of CBR with EBP includes important mechanisms to support solutions to complex problems, but we did not find domain-independent models that incorporate these paradigms. Furthermore, Context is a type of knowledge that supports identifying what is or is not relevant in a given situation. However, the use of contextual information in EBP is still an open issue. This thesis proposes a conceptual framework consisting of: architectural elements, and a conceptual scheme to represent the integration of evidence, context and cases domain-independent that use research evidences, oriented to assist system designers. In addition, we specify a decision support methodology to guide experts in solving complex problems using CBR and EBP, considering the contexts of decision making. To investigate the feasibility of the proposal, we developed the design of two applications in different application domains (medical and juridical). The validation was realized with a case study conducted in juridical domain, resulting in a prototype implemented.

Orientadores: Gilberto Shigueo Nakamiti, Heloisa Vieira da Rocha / Dissertação (mestrado profissional) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-08-04T19:58:40Z (GMT). No. of bitstreams: 1 Julio_MarciaReginaFerroMoss_M.pdf: 5134591 bytes, checksum: 7b347ade85c8652d790d671fd0d3bd1c (MD5) Previous issue date: 2005 / Resumo: No momento da escolha da solução para um problema, muitas vezes o ser humano se vale de experiências passadas, ocorridas com problemas semelhantes e que, portanto, podem prever soluções de sucesso ou não. Sistemas Baseados em Casos (SBC) podem utilizar soluções anteriores para interpretar uma nova situação, ou criar uma solução apropriada para um novo problema. Este trabalho apresenta um estudo de métricas de similaridade em sistemas baseados em casos, aplicados à área da saúde, mais especificamente sobre epicondilite lateral, uma tendinite do cotovelo. O estudo sobre métricas de similaridade em sistemas baseados em casos foi realizado a partir de levantamentos bibliográficos sobre Raciocínio Baseados em Casos e sobretudo com o estudo e aprendizado obtido por meio da aplicação de RBC na área da Saúde. A aplicação foi desenvolvida com a participação de profissionais da área da saúde que muito colaboraram na construção da aplicação, bem como com o fornecimento de casos reais para os cadastros na base de casos e aplicação de testes de validação / Abstract: When solving a problem, humans ofien use past experiences with similar situations, which can help the prediction of failure or success. Case-Based Systems use past experiences to interpret a new situation, or to create an appropiate solution for a new problem. For work presents a study on similarity metrics in case-based systems, and an application concerning the health area, more specifically about Lateral Epiconditis, an elbow tendinitis. The study on similarity metrics in case-based systems was conducted from bibliographic research and more importantly, with the study and learning abtained with the health area application development. Health area professionals took part and helped the application development, as well as provided real cases to configure and validate the system / Mestrado / Engenharia de Software / Mestre Profissional em Computação

Orientador: Mauro Sergio Miskulin, Rosana G. S. Miskulin / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-08T03:31:45Z (GMT). No. of bitstreams: 1 PivaJunior_Dilermando_D.pdf: 2474733 bytes, checksum: 6f2118117d2c8fc9a5f56f799d06aafe (MD5) Previous issue date: 2006 / Resumo: Este trabalho apresenta a arquitetura computacional AUXILIAR, que foi especificada com o objetivo de potencializar a ação docente em módulos de Ensino de Engenharia. Para tanto foi implementado um mecanismo que, além de facilitar o processo de avaliação, procura por casos similares ocorridos com outros alunos em situações passadas semelhantes. Esta busca permite que o sistema possa redefinir o conteúdo que o aluno deve ser submetido e eliminar as deficiências detectadas durante a avaliação formativa, sem a necessidade de uma maior intervenção do professor no processo educativo. Para atingir tais objetivos foram utilizados conceitos de Inteligência Artificial, especificamente Raciocínio Baseado em Casos aplicado à Educação, e conceitos de Avaliação Formativa, buscando, com essa abordagem e com a utilização de metodologia específica para construção de cursos Online (AUXILIARCONSTRUTOR), facilitar a organização dos conteúdos pedagógicos a serem disponibilizados em cursos Online. Ao final, são apresentados resultados preliminares da utilização da arquitetura computacional AUXILIAR, em uma primeira implementação, em dois momentos, 1º e 2º semestres de 2005, e envolvendo disciplinas e turmas distintas de cursos específicos de Engenharia da Computação, Ciência da Computação e Tecnologia em Informática. Com essas perspectivas esta pesquisa procura investigar o desenvolvimento de uma ferramenta computacional inteligente utilizando a metodologia de Raciocínio Baseado em Casos (RBC) que potencializará a ação docente no gerenciamento, condução e redirecionamento dos alunos em módulos de ensino em cursos Online na área de Engenharia, proporcionando uma melhoria na aprendizagem / Abstract: This study presents the AUXILIAR computational architecture, which was specified with the objective of enhancing the professor action in the Engineering Teaching modules. To carry this out, it was implemented a mechanism that, besides facilitating the evaluation process, it looks for similar cases occurred with students on past similar situation. This search allows the system to redefine the content¿s student that must be submitted and eliminates the detected deficiencies during the formative evaluation without the professor¿s intervention in the educative process. To reach these proposals, have been used concepts on Artificial Intelligence, specifically Case-Based Reasoning applied to Education, and concepts of Formative Evaluation aiming with this focus and also with the usage of specific methodology applied to online courses assembling (called, AUXILIAR-CONTRUTOR), to facilitate the pedagogical contents organization to be available in online courses. At the end of the study, preliminary results of AUXILIAR computational architecture usage are presented, in a first implementation, in two moments (first and second half of 2005), involving distinct disciplines and classes of the Computing Engineering, Computer Science and Information Technology courses. With these perspectives, this research looks to investigate the development of an intelligent computational tool using the methodology of Case Based Reasoning (CBR) that enhances the teaching action in the management, conduction and redirection of the students in modules of education in online courses of Engineering area, providing an improvement in the learning / Doutorado / Automação / Doutor em Engenharia Elétrica

Conselho Nacional de Desenvolvimento Científico e Tecnológico / In a collaborative risk management scenario, project stakeholders often need natural forms of recording and reusing past risk management experiences so that they could better assess whether there are threats to the goals of new projects. The contribution of this dissertation is to propose an enhanced case-based reasoning (CBR) approach to support project participants to exploit such experiences, which are here expressed as collaborative risk management discussion cases. In this context, collaborative risk discussion of software project can be carried out by a existing risk discussion system (SEVERO, POZZEBON, et al., 2013), where such dialogues follow a communication protocol (SEVERO, FONTOURA, et al., 2013) e argumentation schemes (REED e WALTON, 2007). This research aims to propose an enhanced case-based reasoning approach, which is structured through traditional factual attributes in combination with argumentation attributes. Furthermore, different forms of CBR queries are exploited, such queries are based on facts and arguments so that past risk discussion cases could be retrieved from a case base. Finally, CBR explanation techniques, in particular case-based explanation templates, are exploited, allowing users from this risk discussion system a better understanding of how and why the most similar cases to a given query may be relevant to the solution of found problems in current risk discussions. To demonstrate the practical utility of this approach, a case study involving the collaborative experience-based risk management of a software project is discussed, as well as the results of an experiment conducted which show positive evidence for the acceptance and applicability of the approach in the solution of current problems of collaborative risk management by using past experiences. / Em um cenário de gerenciamento colaborativo de riscos, as partes interessadas de um projeto precisam muitas vezes gravar e reusar experiências passadas de gerenciamento de riscos de maneiras naturais para que tais interessados possam melhor avaliar se existem ameaças aos objetivos de novos projetos. A contribuição desta pesquisa é propor uma abordagem avançada de Raciocínio Baseado em Casos (Case-Based Reasoning - CBR) para apoiar os participantes de projetos na exploração de tais experiências, que aqui são expressas como casos de discussão de gerenciamento colaborativo de riscos. Neste contexto, discussões colaborativas de riscos de projetos de software podem ser realizadas por meio de um sistema de discussão de riscos já existente (SEVERO, POZZEBON, et al., 2013) tais debates seguem um protocolo de comunicação (SEVERO, FONTOURA, et al., 2013) e esquemas de argumentação (REED e WALTON, 2007). Esta pesquisa apresenta a exploração de casos avançados, que possuem além de características factuais tradicionais em CBR, o uso de características argumentativas. Além disso, diferentes formas de consultas CBR são exploradas para que casos passados de discussão de riscos possam ser recuperados a partir de uma base de casos. Estas consultas são baseadas em ambos os tipos de características presentes em um caso. Para finalizar, técnicas de explicação em CBR, em especial templates de explicação baseado em casos, são exploradas, permitindo aos usuários deste sistema de discussão de riscos um melhor entendimento de como e por que os casos mais similares a uma consulta podem ser relevantes para a solução de problemas encontrados em discussões de riscos atuais. Para demonstrar a utilidade prática desta abordagem, é discutido um estudo de casos envolvendo gerenciamento colaborativo de riscos baseado em experiência, bem como os resultados de um experimento realizado, que apresentam evidências positivas para a aceitação e aplicabilidade da abordagem na solução de problemas atuais de gerenciamento colaborativo de riscos com o uso de soluções de experiências passadas.

Made available in DSpace on 2016-12-23T14:33:36Z (GMT). No. of bitstreams: 1 dissertacao.pdf: 2123194 bytes, checksum: b9d4a5d39eaf88559d7055b13547ab8e (MD5) Previous issue date: 2006-11-27 / Due to the complexity and the high number of variables involved in the management activities, it is essential to the project manager to have some kind of automated support to perform her tasks. During the accomplishment of a software project, a high amount of knowledge is produced and used. Looking for the reuse of that knowledge in future projects, we need to provide means to retain and store the generated knowledge in a way to minimize the effort to obtain it in the future. In this context, knowledge management can be used to capture the knowledge and experience generated and accumulated during the software process and to promote the appearance of new knowledge. Experience constitutes a key factor in order to management activities can be accomplished with success. Thus, the benefits reached by the change of ideas during the accomplishment of those activities are evident. During this work, in order to support software project management using knowledge management in the software development environment ODE, we have developed and integrated to ODE an infrastructure to support software items characterization and search for similar items and an infrastructure to support group decision. To evaluate the potential of these infrastructures, we specialized them, respectively, to support project characterization and cooperative elaboration of risk plans. / Tendo em vista a complexidade das atividades de gerência e a quantidade de variáveis envolvidas nessas atividades, é essencial que o gerente de projetos conte com algum tipo de apoio automatizado para realizá-las. Durante a realização de um projeto de software, muito conhecimento é produzido e utilizado. Visando à reutilização desse conhecimento em projetos futuros, é fundamental que sejam providos meios de se reter e armazenar o conhecimento gerado, de forma a minimizar o esforço para obtê-lo no futuro. Neste contexto, a gerência de conhecimento pode ser usada para capturar o conhecimento e a experiência gerada e acumulada durante o processo de software e promover o surgimento de novo conhecimento. A experiência constitui um fator de fundamental importância para que as atividades de gerência sejam realizadas com sucesso. Assim, os benefícios alcançados pela troca de idéias durante a realização dessas atividades são evidentes. Durante este trabalho, visando ao apoio de gerência de conhecimento à gerência de projetos de software no ambiente de desenvolvimento de software ODE, foram desenvolvidas e integradas a ODE uma infra-estrutura para caracterização de itens de software e busca de itens similares e uma infra-estrutura de apoio à decisão em grupo. Para avaliar o potencial dessas infra-estruturas, foram conduzidas especializações das mesmas, respectivamente, para caracterização de projetos e para a elaboração cooperativa de planos de riscos.

Made available in DSpace on 2016-12-23T14:33:37Z (GMT). No. of bitstreams: 1 dissertacao.pdf: 8391728 bytes, checksum: 9bece3ebe6f8b8e7853c4336a5dd29f5 (MD5) Previous issue date: 2006-09-10 / Tendo em vista a complexidade das atividades de gerência e a quantidade de variáveis envolvidas nessas atividades, é essencial que o gerente de projetos conte com algum tipo de apoio automatizado para realizá-las. Durante a realização de um projeto de software, muito conhecimento é produzido e utilizado. Visando à reutilização desse conhecimento em projetos futuros, é fundamental que sejam providos meios de se reter e armazenar o conhecimento gerado, de forma a minimizar o esforço para obtê-lo no futuro. Neste contexto, a gerência de conhecimento pode ser usada para capturar o conhecimento e a experiência gerada e acumulada durante o processo de software e promover o surgimento de novo conhecimento. A experiência constitui um fator de fundamental importância para que as atividades de gerência sejam realizadas com sucesso. Assim, os benefícios alcançados pela troca de idéias durante a realização dessas atividades são evidentes. Durante este trabalho, visando ao apoio de gerência de conhecimento à gerência de projetos de software no ambiente de desenvolvimento de software ODE, foram desenvolvidas e integradas a ODE uma infra-estrutura para caracterização de itens de software e busca de itens similares e uma infra-estrutura de apoio à decisão em grupo. Para avaliar o potencial dessas infra-estruturas, foram conduzidas especializações das mesmas, respectivamente, para caracterização de projetos e para a elaboração cooperativa de planos de riscos. / Due to the complexity and the high number of variables involved in the management activities, it is essential to the project manager to have some kind of automated support to perform her tasks. During the accomplishment of a software project, a high amount of knowledge is produced and used. Looking for the reuse of that knowledge in future projects, we need to provide means to retain and store the generated knowledge in a way to minimize the effort to obtain it in the future. In this context, knowledge management can be used to capture the knowledge and experience generated and accumulated during the software process and to promote the appearance of new knowledge. Experience constitutes a key factor in order to management activities can be accomplished with success. Thus, the benefits reached by the change of ideas during the accomplishment of those activities are evident. During this work, in order to support software project management using knowledge management in the software development environment ODE, we have developed and integrated to ODE an infrastructure to support software items characterization and search for similar items and an infrastructure to support group decision. To evaluate the potential of these infrastructures, we specialized them, respectively, to support project characterization and cooperative elaboration of risk plans.

Submitted by Rosivalda Pereira (mrs.pereira@ufma.br) on 2017-09-22T18:42:19Z No. of bitstreams: 1 AdrianaCosta.pdf: 3838428 bytes, checksum: 2c98d9d837cb8ba187aa038e80b2d304 (MD5) / Made available in DSpace on 2017-09-22T18:42:19Z (GMT). No. of bitstreams: 1 AdrianaCosta.pdf: 3838428 bytes, checksum: 2c98d9d837cb8ba187aa038e80b2d304 (MD5) Previous issue date: 2017-08-14 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Fundação de Amparo à Pesquisa e ao Desenvolvimento Científico e Tecnológico do Maranhão / Software agents represent an evolution of traditional software entities, having the ability to control their own behavior and acting with autonomy. Typically, software agents act reactively, where actions and perceptions are predefined at design time, or in a deliberative way, where the corresponding action for a given perception is found at run time through reasoning. Deliberative agents do not need all knowledge to be predefined; on the contrary, from an initial knowledge they can infer new knowledge. However, to find an action appropriate to a particular perception, they take a long time, generating a high computational cost. As a solution to this problem, a hybrid architecture with learning for the development of hybrid software agents is presented in this work. Hybrid agents combine reactive and deliberative behavior taking advantage of the speed of reactive behavior and the reasoning capability of the deliberative one are a better option for structuring software agents. The main advantages of the proposed architecture are learning of the reactive behavior, faster and more efficient, through the interactions of the agent with its environment and its consequent adaptability to the environment. The agent adapts to the environment as it learns new reactive behavior from frequent deliberative behavior. The proposed architecture was evaluated through the development of case studies in the information security domain using case-based reasoning, ontologies for the representation of domain knowledge and supervised learning for automatic generation of reactive rules. Results obtained with the case studies performed confirmed a greater effectiveness and a shorter response time of the hybrid agent with learning regarding both the reactive or deliberative agent as well as a hybrid agent without learning in the intrusion detection in computer networks domain. From the specification and evaluation of the hybrid architecture with supervised learning in the Information Security domain, a reference architecture for the development of hybrid agents with learning was generalized. In future works, we intend to evaluate this reference architecture in other domains, with other types of reasoning and learning techniques to evaluate its impact on the productivity and quality of the development of hybrid software agents. / Os agentes de software representam uma evolução do software tradicional, tendo a capacidade de controlar seu próprio comportamento e agir com autonomia. Tipicamente, os agentes de software agem de forma reativa, onde as percepções e ações são predefinidas no momento da sua concepção, ou de forma deliberativa, onde a ação correspondente para uma determinada percepção é encontrada em tempo de execução através de um processo de raciocínio. Os agentes deliberativos não necessitam que todo o conhecimento seja predefinido, ao contrário, a partir de um conhecimento inicial eles conseguem inferir novo conhecimento. Todavia, em muitos casos, para encontrar uma ação apropriada a uma determinada percepção eles levam muito tempo, gerando um alto custo computacional. Como solução a esse problema, apresentamos neste trabalho uma arquitetura híbrida com aprendizagem para o desenvolvimento de agentes de software híbridos. Os agentes híbridos, que combinam comportamento reativo e deliberativo, são uma opção melhor para estruturar os agentes de software. As principais vantagens da arquitetura tese é o aprendizado do comportamento reativo, mais rápido e eficiente, através de interações do agente com o seu ambiente e a sua consequente adaptabilidade ao ambiente. O agente se adapta ao ambiente na medida em que aprende novo comportamento reativo a partir de comportamento deliberativo frequente. A arquitetura tese foi avaliada através do desenvolvimento de estudos de casos no domínio da segurança da informação utilizando o raciocínio baseado em casos, ontologias para a representação do conhecimento do domínio de estudo e aprendizagem supervisionada para geração automática de regras reativas. Os resultados obtidos com os estudos de casos realizados confirmaram uma efetividade maior e um menor tempo de resposta do agente híbrido com aprendizagem em relação tanto ao comportamento isolado de um agente reativo ou deliberativo bem como de um agente híbrido sem aprendizagem no domínio da detecção de intrusões em redes de computadores. A partir da especificação e avaliação da arquitetura híbrida com aprendizagem supervisionada no domínio da Segurança da Informação, foi generalizada uma arquitetura de referência para o desenvolvimento de agentes híbridos com aprendizagem. Em trabalhos futuros, pretende-se avaliar esta arquitetura de referência em outros domínios, com outros tipos de raciocínio e técnicas de aprendizagem para avaliar o seu impacto na produtividade e qualidade do desenvolvimento de agentes de software híbridos.

This paper aims to provide an Interactive Learning Environment using the computer to support aid in the diagnosis and treatment of patients with neurological disorders. The study proposes an architecture which facilitates the activities of students in the health area, in decision making, for the advice of physiotherapy for stroke patients. It was used the approach of Case-Based Reasoning (CBR) that has, like general idea, the use of past experiences to the solution of new problems. This work focused on the stages of indexing, representation and retrieval of cases, with the use of metrics, similar characteristics as the Count Features and Tversky s Contrast Model. A prototype was built for the validation of these metrics, proving the efficiency in the recovery of the cases on the basis of cases / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Este trabalho tem como objetivo apresentar um Ambiente Interativo de Aprendizagem utilizando o Computador de apoio ao diagnóstico e auxílio no tratamento de pacientes que apresentam disfunções neurológicas. A pesquisa propõe uma arquitetura que facilite as atividades dos estudantes da área da saúde, na tomada de decisão, para o aconselhamento fisioterápico dos pacientes de acidente vascular cerebral. Utilizou-se a abordagem de Raciocínio Baseado em Casos (RBC) que tem como idéia geral a utilização de experiências passadas para a solução de novos problemas. Este trabalho se concentrou nas fases de indexação, representação e recuperação dos casos, com a utilização de métricas de similaridade como a Contagem de Características e a Regra do Contraste de Tversky. Um protótipo foi construído para a validação dessas métricas, provando a eficiência na recuperação dos casos na base de casos

Sistemas de Recomendação (SR) são softwares capazes de sugerir itens aos usuários com base no histórico de interações de usuários ou por meio de métricas de similaridade que podem ser comparadas por item, usuário ou ambos. Existem diferentes tipos de SR e dentre os que despertam maior interesse deste trabalho estão: SR baseados em conteúdo; SR baseados em conhecimento; e SR baseado em filtro colaborativo. Alcançar resultados adequados às expectativas dos usuários não é uma meta simples devido à subjetividade inerente ao comportamento humano, para isso, SR precisam de soluções eficientes e eficazes para: modelagem dos dados que suportarão a recomendação; recuperação da informação que descrevem os dados; combinação dessas informações dentro de métricas de similaridade, popularidade ou adequabilidade; criação de modelos descritivos dos itens sob recomendação; e evolução da inteligência do sistema de forma que ele seja capaz de aprender a partir da interação com o usuário. A tomada de decisão por um sistema de recomendação é uma tarefa complexa que pode ser implementada a partir da visão de áreas como inteligência artificial e mineração de dados. Dentro da área de inteligência artificial há estudos referentes ao método de raciocínio baseado em casos e da recomendação baseada em casos. No que diz respeito à área de mineração de dados, os SR podem ser construídos a partir de modelos descritivos e realizar tratamento de dados textuais, constituindo formas de criar elementos para compor uma recomendação. Uma forma de minimizar os pontos fracos de uma abordagem, é a adoção de aspectos baseados em uma abordagem híbrida, que neste trabalho considera-se: tirar proveito dos diferentes tipos de SR; usar técnicas de resolução de problemas; e combinar recursos provenientes das diferentes fontes para compor uma métrica unificada a ser usada para ranquear a recomendação por relevância. Dentre as áreas de aplicação dos SR, destaca-se a recomendação de notícias, sendo utilizada por um público heterogêneo, amplo e exigente por relevância. Neste contexto, a presente pesquisa apresenta uma abordagem híbrida para recomendação de notícias construída por meio de uma arquitetura implementada para provar os conceitos de um sistema de recomendação. Esta arquitetura foi validada por meio da utilização de um corpus de notícias e pela realização de um experimento online. Por meio do experimento foi possível observar a capacidade da arquitetura em relação aos requisitos de um sistema de recomendação de notícias e também confirmar a hipótese no que se refere à privilegiar recomendações com base em similaridade, popularidade, diversidade, novidade e serendipidade. Foi observado também uma evolução nos indicadores de leitura, curtida, aceite e serendipidade conforme o sistema foi acumulando histórico de preferências e soluções. Por meio da análise da métrica unificada para ranqueamento foi possível confirmar sua eficácia ao verificar que as notícias melhores colocadas no ranqueamento foram as mais aceitas pelos usuários / Recommendation Systems (RS) are software capable of suggesting items to users based on the history of user interactions or by similarity metrics that can be compared by item, user, or both. There are different types of RS and those which most interest in this work are content-based, knowledge-based and collaborative filtering. Achieving adequate results to user\'s expectations is a hard goal due to the inherent subjectivity of human behavior, thus, the RS need efficient and effective solutions to: modeling the data that will support the recommendation; the information retrieval that describes the data; combining this information within similarity, popularity or suitability metrics; creation of descriptive models of the items under recommendation; and evolution of the systems intelligence to learn from the user\'s interaction. Decision-making by a RS is a complex task that can be implemented according to the view of fields such as artificial intelligence and data mining. In the artificial intelligence field there are studies concerning the method of case-based reasoning that works with the principle that if something worked in the past, it may work again in a new similar situation the one in the past. The case-based recommendation works with structured items, represented by a set of attributes and their respective values (within a ``case\'\' model), providing known and adapted solutions. Data mining area can build descriptive models to RS and also handle, manipulate and analyze textual data, constituting one option to create elements to compose a recommendation. One way to minimize the weaknesses of an approach is to adopt aspects based on a hybrid solution, which in this work considers: taking advantage of the different types of RS; using problem-solving techniques; and combining resources from different sources to compose a unified metric to be used to rank the recommendation by relevance. Among the RS application areas, news recommendation stands out, being used by a heterogeneous public, ample and demanding by relevance. In this context, the this work shows a hybrid approach to news recommendations built through a architecture implemented to prove the concepts of a recommendation system. This architecture has been validated by using a news corpus and by performing an online experiment. Through the experiment it was possible to observe the architecture capacity related to the requirements of a news recommendation system and architecture also related to privilege recommendations based on similarity, popularity, diversity, novelty and serendipity. It was also observed an evolution in the indicators of reading, likes, acceptance and serendipity as the system accumulated a history of preferences and solutions. Through the analysis of the unified metric for ranking, it was possible to confirm its efficacy when verifying that the best classified news in the ranking was the most accepted by the users