How shall a business adapt its management control systems when learning machines enter the arena? Will the control system continue to focus on humans aspects and continue to consider a learning machine to be an automation tool as any other historically programmed computer? Learning machines introduces productivity capabilities that achieve very high levels of efficiency and quality. A learning machine can sort through large amounts of data and make conclusions difficult by a human mind. However, as learning machines become even more complex systems, they introduce an uncertainty not previously considered by automation tools. The algorithms can make their own associations, and the automation engineer will no longer know exactly how a learning machine produces its outcome. What is the motive for a learning machine’s decision? A learning machine in this context becomes more human-like compared to the older generation of automation computers. This thesis concludes that most contemporary Management Control System principles are relevant when deploying machine learning, but some are not. A Management Control System must in contradiction to a historically programmed computer, consider multiple human-like aspects while controlling a deployed learning machine. These conclusions are based on empirical data from web-articles, TED-talks, literature and questionnaires directed to contemporary companies using machine learning within their organizations.

O Objetivo deste trabalho foi implementar um resolvedor distribuído para o problema de satisfabilidade em lógica proposicional (SAT) que pudesse ser executado em uma grade de computadores. Foi analisada a influência que o número de máquinas utilizadas pela grade para resolver diversas instâncias do SAT exerce sobre o desempenho do resolvedor implementado / O Objetivo deste trabalho foi implementar um resolvedor distribuído para o problema de satisfabilidade em lógica proposicional (SAT) que pudesse ser executado em uma grade de computadores. Foi analisada a influência que o número de máquinas utilizadas pela grade para resolver diversas instâncias do SAT exerce sobre o desempenho do resolvedor implementado

This master’s thesis is focused on description of e-learning by electronic form of teaching as a way of modern education. In theoretical part various forms, possibilities and basic structures of electronic education systems are described. It presents thorough analyses of positives and negatives of e-learning, both, from a technical perspective as well as from social point of view. In the second part of this thesis, the reader becomes familiar with e-learning system AI Tools used by UAMT FEEC VUT in Brno to support the teaching of basics of artificial intelligence. Furthermore, the work deals with the creation of three plug-in modules for this computer programme. These modules are programmed in C# and pursue matters of informed and uninformed state space search, and issues of forward and backward chaining used in expert systems. In conclusion, the results of theoretical and practical work are evaluated

Hoje em dia, com a privatização e aumento da competitividade no mercado elétrico, as empresas precisam encontrar formas de melhorar a qualidade do serviço e garantir lucratividade. A previsão de carga de curto prazo é uma atividade indispensável à operação que pode melhorar a segurança e diminuir custos de geração. A fim de realizar a previsão da carga, é necessária a identificação de padrões de comportamento de consumo e da sua relação com variáveis exógenas ao sistema tais como condições climáticas. Originalmente o problema foi resolvido de forma matemática e estatística através de técnicas tais como as séries numéricas, que fornecem bons resultados, mas utilizam processos complexos e de difícil modelamento. O surgimento das técnicas de inteligência artificial forneceu uma nova ferramenta capaz de lidar com a grande massa de dados das cargas e inferir por si mesmo a relação entre as variáveis do sistema. Notadamente, as redes neurais e a lógica fuzzy se destacaram como as técnicas mais adequadas, sendo que já vem sendo estudadas e utilizadas para a previsão de carga a mais de 20 anos. Este trabalho apresenta uma metodologia para a previsão da curva de carga diária de áreas elétricas através do uso de técnicas de inteligência artificial, mais especificamente as redes neurais. Inicialmente são apresentadas as principais técnicas de previsão sendo dado maior detalhamento as redes neurais e a lógica fuzzy. É feita a análise dos dados necessários à previsão e seu tratamento. Em seguida, o processo do uso de redes neurais e lógica fuzzy na previsão é descrito e é apresentado o desenvolvimento e resultados obtidos com o desenvolvimento e implementação de um sistema de previsão com redes neurais na concessionária CTEEP Transmissão Paulista. Como contribuição dessa tese, a transformada Wavelet é analisada como ferramenta para a filtragem e compactação de dados na previsão com redes neurais. / Nowadays, with privatization of utility companies and increase in competition in the energy market, companies must increase their service quality and ensure profits. Short term load forecasting is essential for operation of power systems and can increases security and reduces generation costs. Forecasting the load demands the identification of load patterns and its relations with exogenous variables such as weather. Originally, the problem was solved using mathematics and statistics with techniques such as time series, which produces good results but are complex and have a difficult modeling. With the advent of artificial intelligence techniques, new tools capable of dealing with large amounts of data and learn by themselves system variables relations were available. Artificial neural networks and fuzzy logic came up as the most suitable for load forecasting that have been tested and used for load forecasting for the last 20 years. This work presents a methodology for daily load forecasting of electrical areas using artificial intelligence techniques, specifically neural networks. At first, forecasting techniques are presented with emphasis on neural networks and fuzzy logic. Acquisition and treatment of data are analyzed. The load forecasting using neural networks and fuzzy logic is described and the results of the development and tests of a load forecasting system at CTEEP Transmissão Paulista presented. As contribution of this thesis, Wavelet transform is analyzed as a tool for denoising and data compression for neural network load forecasting.

Hoje em dia, com a privatização e aumento da competitividade no mercado elétrico, as empresas precisam encontrar formas de melhorar a qualidade do serviço e garantir lucratividade. A previsão de carga de curto prazo é uma atividade indispensável à operação que pode melhorar a segurança e diminuir custos de geração. A fim de realizar a previsão da carga, é necessária a identificação de padrões de comportamento de consumo e da sua relação com variáveis exógenas ao sistema tais como condições climáticas. Originalmente o problema foi resolvido de forma matemática e estatística através de técnicas tais como as séries numéricas, que fornecem bons resultados, mas utilizam processos complexos e de difícil modelamento. O surgimento das técnicas de inteligência artificial forneceu uma nova ferramenta capaz de lidar com a grande massa de dados das cargas e inferir por si mesmo a relação entre as variáveis do sistema. Notadamente, as redes neurais e a lógica fuzzy se destacaram como as técnicas mais adequadas, sendo que já vem sendo estudadas e utilizadas para a previsão de carga a mais de 20 anos. Este trabalho apresenta uma metodologia para a previsão da curva de carga diária de áreas elétricas através do uso de técnicas de inteligência artificial, mais especificamente as redes neurais. Inicialmente são apresentadas as principais técnicas de previsão sendo dado maior detalhamento as redes neurais e a lógica fuzzy. É feita a análise dos dados necessários à previsão e seu tratamento. Em seguida, o processo do uso de redes neurais e lógica fuzzy na previsão é descrito e é apresentado o desenvolvimento e resultados obtidos com o desenvolvimento e implementação de um sistema de previsão com redes neurais na concessionária CTEEP Transmissão Paulista. Como contribuição dessa tese, a transformada Wavelet é analisada como ferramenta para a filtragem e compactação de dados na previsão com redes neurais. / Nowadays, with privatization of utility companies and increase in competition in the energy market, companies must increase their service quality and ensure profits. Short term load forecasting is essential for operation of power systems and can increases security and reduces generation costs. Forecasting the load demands the identification of load patterns and its relations with exogenous variables such as weather. Originally, the problem was solved using mathematics and statistics with techniques such as time series, which produces good results but are complex and have a difficult modeling. With the advent of artificial intelligence techniques, new tools capable of dealing with large amounts of data and learn by themselves system variables relations were available. Artificial neural networks and fuzzy logic came up as the most suitable for load forecasting that have been tested and used for load forecasting for the last 20 years. This work presents a methodology for daily load forecasting of electrical areas using artificial intelligence techniques, specifically neural networks. At first, forecasting techniques are presented with emphasis on neural networks and fuzzy logic. Acquisition and treatment of data are analyzed. The load forecasting using neural networks and fuzzy logic is described and the results of the development and tests of a load forecasting system at CTEEP Transmissão Paulista presented. As contribution of this thesis, Wavelet transform is analyzed as a tool for denoising and data compression for neural network load forecasting.

Em sistemas multiagentes (SMA), a impossibilidade de controle do comportamento interno dos agentes propicia a emergência de dilemas sociais. Uma das possíveis abordagens para resolver tais dilemas é a abordagem social, que tem no conceito de reputação seu principal mecanismo de controle. Para agilizar a obtenção da reputação, torna-se essencial que os agentes cooperem, trocando informações a respeito de reputação. Assim, a partir de diversas observações, avaliações e troca de informações sobre reputação pode-se observar o surgimento da ordem social no sistema global. Entretanto, a heterogeneidade semântica entre os diferentes modelos de reputação torna a interação de agentes um problema, principalmente em SMA abertos. Este trabalho propõe uma arquitetura baseada em serviços, denominada SOARI, para o tratamento deste problema. Esta arquitetura apóia o mapeamento e tradução de conceitos entre ontologias de modelos de reputação distintos através do uso de uma ontologia comum no domínio da reputação. Para ilustrar o uso da arquitetura, foram realizados diversos experimentos nos domínios de comércio eletrônico e de avaliação de obras de arte. Neste último caso, analisou-se os impactos causados nos agentes como conseqüência da habilitação de uma maior expressividade e heterogeneidade na comunicação sobre reputação. / In Multiagent Systems (MAS), controlling the internal agent\'s behavior is impossible and therefore social dilemma may emerge. One possible approach to solve the problem is the social approach, which considers reputation as its main control mechanism. In order to accelerate the reputation evaluation, it is essential that the cooperating agents could exchange information about reputation. Thus, by using observations, evaluations and information exchange about reputation the social order in the global system may occur. However, the semantic heterogeneity of different reputation models makes agent interaction a problem, especially in open MAS. This work proposes a service oriented architecture, named SOARI, to deal with this problem. This architecture supports concept mapping and translation among different reputation model ontologies by using a common ontology. In order to illustrate its deployment, several experiments in the electronic commerce and art appraisal domains were performed. In the latter it was analyzed the effects caused on the agents as a consequence of a more expressive and heterogeneous communication about reputation.

Redes de Anúncios (Ad Networks) são redes que promovem a distribuição de anúncios pela internet, de forma a maximizar o lucro total gerado pela exibição dos anúncios nos websites. Estas redes tipicamente operam através do modelo de negócios chamado CPC (Custo por Clique), em que o anunciante paga um determinado valor somente se algum usuário clicar em seu anúncio. A escolha de como o intermediador planeja a distribuição dos anúncios aos websites é de extrema importância, já que a taxa de cliques nos anúncios é extremamente baixa. Atualmente a alocação dos anúncios tem sido feita através de uma solução aproximada baseada na alocação ótima definida com dados de um período anterior, a qual é calculada através de programação linear aliada à utilização de heurísticas. Entretanto, este sistema claramente é um processo de decisão sequencial em que diversas restrições são aplicáveis, como por exemplo: o orçamento dos anunciantes, limites mínimos do número de exibições de cada anúncio, categorias dos anúncios, entre outras. Neste trabalho argumenta-se que MDPs (Markov Decision Processes) fornecem uma melhor modelagem para o problema, já que conseguem levar em conta a dinâmica do sistema, considerando, por exemplo, que um anúncio que tem poucas chances de ser clicado consiga ser alocado de forma eficiente em relação ao retorno de longo prazo, mesmo quando outros anúncios proveriam um lucro maior a curto prazo. No entanto, devido ao grande número de estados, utilizar uma solução ótima através de MDPs é impraticável. Portanto analisa-se o desempenho relativo entre o estado da arte e a modelagem ótima, obtendo garantias de que a solução aproximada baseada em programação linear não está longe da solução ótima, e que em problemas grandes (similares aos encontrados na prática) essa diferença pode ser ignorada. Por fim, propõe-se uma modelagem baseada em aprendizado por reforço para a solução deste problema, utilizando duas abordagens, uma desconsiderando informações de contexto e outra considerando informações de contexto. Aqui argumenta-se que o uso de aprendizado por reforço é mais apropriado para a solução do problema de alocação de anúncios, já que ele é capaz de adaptar sua política de alocação em função das mudanças que ocorrem como, por exemplo, no perfil do usuário. / Ad Networks promote the distribution of ads in the internet, so as to maximize the revenue generated by their display of ads in websites. These networks typically operate using the CPC (Cost per Click) business model, where the advertiser pays a monetary value when a user clicks in its advertisement. The choice of how the Ad Network distributes ads to websites is of utmost importance, since the rate of clicks on ads is extremely low. The allocation of ads has been done by an approximate solution based on data from an early period of time, which is calculated using linear programming combined with heuristics. However, this problem is clearly a sequential decision process in which multiple sequential restrictions apply, such as: the budget of the advertisers, minimum limits on the number of views for each campaign, categories of advertisements. In this dissertation we argue that MDPs (Markov Decision Processes) provide a better model for the problem, since they can automatically take into account the dynamics of the system, considering, for example, an ad with little chance of being clicked can be allocated in an efficient way, even when other ads would provide a higher profit in the short term. However, due to the large number of states, an optimal solution through MDPs is impractical; therefore we analyze here the relative performance between the linear programming and the MDP approaches, deriving guarantees that the approximate solution based on linear programming is not far from the MDP optimal solution, and in large problems (similar to those found in practice) this difference can be disregarded. Finally, we propose a model based on reinforcement learning using two different approaches, one disregarding the contextual information, and the other using contextual information. We argue that the use of reinforcement learning is more suitable for solving the problem of allocation of ads, since it is able to adapt its allocation policy to reflect changes that occur, e.g., in the user profile.

Em sistemas multiagentes (SMA), a impossibilidade de controle do comportamento interno dos agentes propicia a emergência de dilemas sociais. Uma das possíveis abordagens para resolver tais dilemas é a abordagem social, que tem no conceito de reputação seu principal mecanismo de controle. Para agilizar a obtenção da reputação, torna-se essencial que os agentes cooperem, trocando informações a respeito de reputação. Assim, a partir de diversas observações, avaliações e troca de informações sobre reputação pode-se observar o surgimento da ordem social no sistema global. Entretanto, a heterogeneidade semântica entre os diferentes modelos de reputação torna a interação de agentes um problema, principalmente em SMA abertos. Este trabalho propõe uma arquitetura baseada em serviços, denominada SOARI, para o tratamento deste problema. Esta arquitetura apóia o mapeamento e tradução de conceitos entre ontologias de modelos de reputação distintos através do uso de uma ontologia comum no domínio da reputação. Para ilustrar o uso da arquitetura, foram realizados diversos experimentos nos domínios de comércio eletrônico e de avaliação de obras de arte. Neste último caso, analisou-se os impactos causados nos agentes como conseqüência da habilitação de uma maior expressividade e heterogeneidade na comunicação sobre reputação. / In Multiagent Systems (MAS), controlling the internal agent\'s behavior is impossible and therefore social dilemma may emerge. One possible approach to solve the problem is the social approach, which considers reputation as its main control mechanism. In order to accelerate the reputation evaluation, it is essential that the cooperating agents could exchange information about reputation. Thus, by using observations, evaluations and information exchange about reputation the social order in the global system may occur. However, the semantic heterogeneity of different reputation models makes agent interaction a problem, especially in open MAS. This work proposes a service oriented architecture, named SOARI, to deal with this problem. This architecture supports concept mapping and translation among different reputation model ontologies by using a common ontology. In order to illustrate its deployment, several experiments in the electronic commerce and art appraisal domains were performed. In the latter it was analyzed the effects caused on the agents as a consequence of a more expressive and heterogeneous communication about reputation.

Redes de Anúncios (Ad Networks) são redes que promovem a distribuição de anúncios pela internet, de forma a maximizar o lucro total gerado pela exibição dos anúncios nos websites. Estas redes tipicamente operam através do modelo de negócios chamado CPC (Custo por Clique), em que o anunciante paga um determinado valor somente se algum usuário clicar em seu anúncio. A escolha de como o intermediador planeja a distribuição dos anúncios aos websites é de extrema importância, já que a taxa de cliques nos anúncios é extremamente baixa. Atualmente a alocação dos anúncios tem sido feita através de uma solução aproximada baseada na alocação ótima definida com dados de um período anterior, a qual é calculada através de programação linear aliada à utilização de heurísticas. Entretanto, este sistema claramente é um processo de decisão sequencial em que diversas restrições são aplicáveis, como por exemplo: o orçamento dos anunciantes, limites mínimos do número de exibições de cada anúncio, categorias dos anúncios, entre outras. Neste trabalho argumenta-se que MDPs (Markov Decision Processes) fornecem uma melhor modelagem para o problema, já que conseguem levar em conta a dinâmica do sistema, considerando, por exemplo, que um anúncio que tem poucas chances de ser clicado consiga ser alocado de forma eficiente em relação ao retorno de longo prazo, mesmo quando outros anúncios proveriam um lucro maior a curto prazo. No entanto, devido ao grande número de estados, utilizar uma solução ótima através de MDPs é impraticável. Portanto analisa-se o desempenho relativo entre o estado da arte e a modelagem ótima, obtendo garantias de que a solução aproximada baseada em programação linear não está longe da solução ótima, e que em problemas grandes (similares aos encontrados na prática) essa diferença pode ser ignorada. Por fim, propõe-se uma modelagem baseada em aprendizado por reforço para a solução deste problema, utilizando duas abordagens, uma desconsiderando informações de contexto e outra considerando informações de contexto. Aqui argumenta-se que o uso de aprendizado por reforço é mais apropriado para a solução do problema de alocação de anúncios, já que ele é capaz de adaptar sua política de alocação em função das mudanças que ocorrem como, por exemplo, no perfil do usuário. / Ad Networks promote the distribution of ads in the internet, so as to maximize the revenue generated by their display of ads in websites. These networks typically operate using the CPC (Cost per Click) business model, where the advertiser pays a monetary value when a user clicks in its advertisement. The choice of how the Ad Network distributes ads to websites is of utmost importance, since the rate of clicks on ads is extremely low. The allocation of ads has been done by an approximate solution based on data from an early period of time, which is calculated using linear programming combined with heuristics. However, this problem is clearly a sequential decision process in which multiple sequential restrictions apply, such as: the budget of the advertisers, minimum limits on the number of views for each campaign, categories of advertisements. In this dissertation we argue that MDPs (Markov Decision Processes) provide a better model for the problem, since they can automatically take into account the dynamics of the system, considering, for example, an ad with little chance of being clicked can be allocated in an efficient way, even when other ads would provide a higher profit in the short term. However, due to the large number of states, an optimal solution through MDPs is impractical; therefore we analyze here the relative performance between the linear programming and the MDP approaches, deriving guarantees that the approximate solution based on linear programming is not far from the MDP optimal solution, and in large problems (similar to those found in practice) this difference can be disregarded. Finally, we propose a model based on reinforcement learning using two different approaches, one disregarding the contextual information, and the other using contextual information. We argue that the use of reinforcement learning is more suitable for solving the problem of allocation of ads, since it is able to adapt its allocation policy to reflect changes that occur, e.g., in the user profile.

Made available in DSpace on 2014-06-11T19:33:38Z (GMT). No. of bitstreams: 0 Previous issue date: 2008-11-26Bitstream added on 2014-06-13T20:45:32Z : No. of bitstreams: 1 andrade_ag_dr_jabo.pdf: 23073379 bytes, checksum: 890e280dd903085eca5cf094bbbb6ce3 (MD5) / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / Para o estudo da viabilidade do emprego de metodologias de sistema de informação geográfica, geoestatística e redes neurais foram desenvolvidos dois ensaios. O primeiro visou a modelagem da evolução espaço-temporal da incidência do Huanglongbing ao longo dos anos de 2004, 2007 e 2008 em cinco grupos de idade (0 a 2 anos, 3 a 5 anos, 6 a 10 anos, mais de 10 anos, todas as idades), por meio da técnica geoestatística da krigagem e da técnica de inteligência artificial de rede neurais do tipo perceptron de múltiplas camadas com topologia 3x10x10x1, treinada pelo algoritmo da propagação elástica do erro. Neste ensaio foi ainda realizada a análise do modelo do semivariograma, cálculo da média zonal dos talhões dentro de cada faixa de idade e mesorregião do estado de São Paulo, e finalmente, foi previsto o padrão espacial da incidência da doença para o ano de 2009 pelas redes neurais. O segundo ensaio consistiu em se verificar o efeito do alinhamento de plantio na severidade da mancha preta dos citros e sua implicação na qualidade do suco e produção. Neste ensaio foram selecionados talhões distribuídos ao longo do cinturão citrícola paulista com diferentes alinhamentos de plantio, onde foram analisadas as variáveis supracitadas nas linhas de plantio e nas faces expostas da planta. / For viability study of using geographic information systems, geostatistics and neural networks two experiments were carried out. The first one was focused on modeling the spatial-temporal progress of Huanglongbing incidence in 2004, 2007 and 2008 on five age groups (0 – 2 years old, 3 – 5 years old, 6 – 7 years old, more than 10 years old and all ages) using the geostatistical technique of kriguing and the artificial intelligence technique of neural networks of multi-layer perceptron type with 3x10x10x1 topology, trained by resilient error propagation. Complementing the study the analysis of semivariogram model, zonal mean calculation of blocks on each age group were realized inside the mesoregions of São Paulo state and finally the disease incidence spatial pattern for 2009 was forecasted by the neural networks. The objective of the second experiment was verifying effect of planting alignment on citrus black spot severity and its implication on juice quality and production. On this experiment was selected blocks distributed among the São Paulo state citrus belt with different planting alignments, where was analyzed those variables on the lines and exposed faces.