A segurança no tráfego de carros é um assunto em foco nos dias de hoje e, dentro dele, podem-se citar os sistemas de auxílio ao motorista que vêm sendo desenvolvidos com a finalidade de reduzir o grande número de fatalidades em acidentes de trânsito. Tais sistemas de auxílio buscam mitigar falhas humanas como falta de atenção e imprudência. Visto isso, o projeto SENA, desenvolvido pelo Laboratório de Robótica Móvel da Escola de Engenharia de São Carlos, busca contribuir com a evolução dessa assistência ao motorista. O presente trabalho realiza um estudo sobre uma técnica de inteligência artificial chamada de Redes Bayesianas. Essa técnica merece atenção em virtude de sua capacidade de tratar dados incertos em forma de probabilidades. A rede desenvolvida por esse trabalho utiliza, como dados de entrada, os classificadores em desenvolvimento no projeto SENA e tem como resposta um comportamento que o veículo deve executar, por um ser humano ou por um planejador de trajetórias. Em função da alta dimensionalidade do problema abordado, foram realizados dois experimentos em ambiente simulado de duas situações distintas. A primeira, um teste de frenagem próximo a um ponto de intersecção e a segunda, um cenário de entroncamento. Os testes feitos com a rede indicam que classificadores pouco discriminantes deixam o sistema mais propenso a erros e que erros na localização do ego-veículo afetam mais o sistema se comparado a erros na localização dos outros veículos. Os experimentos realizados mostram a necessidade de um sistema de tempo real e um hardware mais adequado para tratar as informações mais rapidamente / The safety of cars in traffic scenarios is being addressed on the past few years. One of its topics is the Advanced Driver-Assistance Systems which have been developed to reduce the fatality numbers of traffic accidents. These systems try to decrease human failures, such as imprudence and lack of attention while driving. For these reasons, the SENA project, in progress on the Mobile Robotics Laboratory at the Sao Carlos School of Engineering (EESC), aims to contribute for the evolution of these assistance systems. This work studies an artificial intelligence technique called Bayesian Networks. It deserves our attention due to its capability of handling uncertainties with probability distributions. The network developed in this Masters Thesis has, as input, the result of the classifiers used on SENA project and has, as output, a behavior which has to be performed by the vehicle with a driver or autonomously by the means of a path planner. Due to the high dimensionality of this issue, two different tests have been carried out. The first one was a braking experiment near a intersection point and the other one was a T-junction scenario. The tests made indicate that weak classifiers leaves the system more instable and error-prone and localization errors of the ego-vehicle have a stronger effect than just localization errors of other traffic participants. The experiments have shown that there is a necessity for a real-time system and a hardware more suitable to deal quickly with the information

Software prediction unveils itself as a difficult but important task which can aid the manager on decision making, possibly allowing for time and resources sparing, achieving higher software quality among other benefits. One of the approaches set forth to perform this task has been the application of machine learning techniques. One of these techniques are Bayesian Networks, which have been promoted for software projects management due to their special features. However, the pre-processing procedures related to their application remain mostly neglected in this field. In this context, this study presents an assessment of automatic Bayesian Networks (i.e., Bayesian Networks solely based on data) on three public data sets and brings forward a discussion on data pre-processing procedures and the validation approach. We carried out a comparison of automatic Bayesian Networks against mean and median baseline models and also against ordinary least squares regression with a logarithmic transformation, which has been recently deemed in a comprehensive study as a top performer with regard to accuracy. The results obtained through careful validation procedures support that automatic Bayesian Networks can be competitive against other techniques, but still need improvements in order to catch up with linear regression models accuracy-wise. Some current limitations of Bayesian Networks are highlighted and possible improvements are discussed. Furthermore, this study provides some guidelines on the exploration of data. These guidelines can be useful to any Bayesian Networks that use data for model learning. Finally, this study also confirms the potential benefits of feature selection in software effort prediction.

Existe uma noção intuitiva de que os custos associados a ações de suporte de projetos de gerenciamento de Tecnologia da Informação (TI), muitas vezes considerados já muito elevados e em crescimento, possuem forte vinculação com esforços empreendidos nas fases de desenvolvimento/implantação e teste. Apesar da importância de caracterizar e compreender a sistemática dessa relação, pouco tem sido feito neste domínio, principalmente devido à falta de mecanismos adequados tanto para o compartilhamento de informações entre as fases de um projeto de TI, quanto para aprender com experiências passadas. Para lidar com essa problemática, propõe-se nesta dissertação uma abordagem para estimar dinamicamente os custos de suporte de projetos de gerenciamento de TI à luz de informações provenientes das fases de desenvolvimento/implantação e teste. As estimativas de custos são calculadas a partir da integração de informações produzidas ao longo do ciclo de vida de projetos (passados). O núcleo da solução presente neste trabalho conta com um modelo Bayesiano para realizar previsão de custos de suporte, apoiado em um modelo de informação usado para persistir informações históricas. Para provar conceito e viabilidade técnica da solução proposta considerou-se, como estudo de caso, a predição de custos associados com projetos de implantação de infraestrutura de redes sem fio. Durante a avaliação é demonstrada a eficácia e eficiência do modelo, bem como discutido suas potencialidades e limitações para auxiliar no entendimento do compromisso entre custos de desenvolvimento/ implantação, teste e suporte. A avaliação conduzida fez uso de dados reais/sintéticos produzidos a partir de projetos do ISBSG e apresenta resultados próximos dos encontrados em cenários reais. Nossa abordagem obteve cerca de 80% de acerto na estimativa dos custos de suporte para os cenários avaliados. / There is an intuitive notion that the costs associated with IT management project support actions, often deemed extremely high and increasing, are directly related to the effort spent during their development/deployment and test phases. Despite the importance of systematically characterizing and understanding this relationship, little has been done in this realm mainly due to the lack of proper mechanisms for both sharing information between IT project phases and learning from past experientes. To tackle this issue, in this dissertation we proposed an approach for dynamically predicting IT management project support costs taking into account information gathered from the development/deployment and test phases. Support cost estimates are computed by integrating existing information from the lifecycle of (past) projects. The core of the solution in this work relies on a Bayesian model to perform support cost predictions, supported by an information model employed to persist historical information gathered from past projects. To prove the concept and technical feasibility of our solution we consider as a case study the prediction of costs (either development/test/support) associated with projects for the deployment of wireless network infrastructures. During the evaluation is demonstrated the effectiveness and efficiency of the model and discussed its potential and limitations in order to help understanding the trade-offs between development/deployment, test, and support costs. Our solution has been evaluated based on real/synthetics data gathered from the ISBSG dataset, and presents results similar to those found in real-life scenarios. Our solution has provided correct estimates for around 80% of the support costs for the scenarios evaluated.

Este trabalho teve como objetivo principal modelar a Rede de Regulação Gênica do organismo modelo Halobacterium salinarum NRC-1, estabelecendo interações entre as entidades da rede por intermédio de experimentos inéditos de interação física: ChIP- *, RIP-* e dRNA-seq. Em contraponto com as abordagens clássicas de construção de redes, que estimam interações através de medições de expressão gênica, este trabalho as estabeleceu exclusivamente de interações físicas, permitindo que a estrutura final seja uma representação mais fiel ao fenômeno físico de regulação gênica, baseando-se nos fundamentos da Biologia Sistêmica. Em vista da abundância de dados públicos de expressão gênica para o organismo e do objetivo primário, um objetivo secundário foi traçado: identificar, computacionalmente, genes de fato controlados pelas interações fornecidas pela nova rede. Para isso, a estrutura estabelecida foi transformada numa Rede Bayesiana, e a identificação de genes foi efetuada através da análise de suas Tabelas de Probabilidade Condicionais. Finalmente, como os resultados obtidos para o objetivo secundário foram desfavoráveis a utilização de Redes Bayesianas, os resultados efetivos deste trabalho foram a criação de uma nova Rede de Regulação Gênica para a H. salinarum e uma análise em torno da efetividade de Redes Bayesianas neste contexto. / The main goal of this work was modeling the gene regulatory network of the model organism Halobacterium salinarum NRC-1, establishing new interactions between networks entities through unpublished physical interaction experiments: ChIP-*, RIP-* e dRNA-seq. Instead of using classical approaches to build network structures that estimates interactions using gene expression data, this work established them exclusively from physical interactions. Therefore, the final structure is a more reliable representation of the physical phenomenon of gene expression, built using the principles of systems biology. Considering the amount of public available gene expression data and the primary goal, another objective was proposed: a computational analysis to detect genes actually controlled by the interactions of the new network. To achieve this goal the established network was transformed in a Bayesian network, detecting genes through the analysis of their conditional probability tables. Lastly, as the results of the secondary goal went against the use of Bayesian networks, the effective results of this thesis were the creation of a new genetic regulatory network for H. salinarum and an analysis around Bayesian networks in this context.

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2010 / Made available in DSpace on 2012-10-25T08:49:21Z (GMT). No. of bitstreams: 1 294828.pdf: 1282371 bytes, checksum: 618274463f7362a0d8b62aa943a692f9 (MD5) / Esta dissertação aborda a aplicação de inferência e decisão probabilística ao campo de pesquisa das redes sem fio cognitivas. Na busca pela autoconfiguração e reconfiguração dos equipamentos de rede sem fio, a aplicação de redes bayesianas e teoria da decisão mostraram-se promissoras no sentido de extrapolar os limites das redes cognitivas, permitindo a tomada de decisão a fim de possibilitar não apenas o compartilhamento do espectro com usuários primários, como também compartilhar os próprios recursos computacionais (equipamentos e conexão com a internet) com usuários circunvizinhos. Neste sentido, a presente dissertação apresenta dois modelos bayesianos, o primeiro dedicado ao sensoriamento do espectro e o segundo dedicado à caracterização e decisão no espectro, com o objetivo de, respectivamente, aumentar a acurácia na detecção de usuários primários e gerenciar a conectividade da rede entre usuários primários, secundários proprietários dos equipamentos e secundários não proprietários. Por fim, o objetivo último deste trabalho é fornecer bases tecnológicas para o compartilhamento altruísta da conectividade à internet, esperando sua aplicação para fins sociais.

[pt] Como consequência da atuação focada na eficiência da cadeia de suprimento, as organizações aumentam sua dependência nos fornecedores de matérias primas e componentes e tornam-se mais suscetíveis ao perfil de risco dos mesmos. O papel do gerenciamento de riscos em cadeias de suprimento é de entender e tentar evitar os efeitos devastadores ou mesmo os de menores amplitudes de rupturas de suprimento. Torna-se necessário para os gestores o desenvolvimento da capacidade para avaliação de risco, principalmente o risco de rupturas. É preciso estimar os riscos aceitáveis associados às possíveis rupturas e, então, desenvolver estratégias e diretrizes para o gerenciamento de tais riscos, já que, somente com o conhecimento dos mesmos, torna-se viável o desenvolvimento de planos de mitigação ou contingenciais. Nesta dissertação discutir-se-á o tema de gerenciamento e modelagem de riscos associados a fornecedores, destacando-se a aplicação de um modelo probabilístico de redes bayesianas como um recurso útil nos assuntos relacionados ao gerenciamento e à modelagem de riscos. As rupturas de suprimento serão modeladas utilizando-se um modelo probabilístico de redes bayesianas que possuem a habilidade de representar as relações de causa e efeito em um ambiente envolvendo incertezas. Um estudo de caso com a aplicação da metodologia na indústria de Refino também é apresentada. / [en] As a consequence of the supply chain management pursuit for efficiency, the organizations become more dependent on the suppliers of raw materials and more sensitive to their risk profiles. The Supply chain risk management (SCRM) objective is to understand and reduce the likelihood of disruptions. SCRM puts its effort in sharpen the notions of risk and reliability and tries to quantify them. The methodology used in this study can be used by managers to formulate supply chain risk management strategies and tactics that mitigate overall supply chain risks correlated with the most critical suppliers. This research is concerned with developing a Bayesian Network approach to model and to analyze supply chain disruptions associated with suppliers. The Bayesian Networks is a method of modeling the cause and effect of events and has proven to be a powerful tool under conditions of uncertainty. A case study is used to illustrate the application proposed to make the supply chain more reliable.

Existe uma noção intuitiva de que os custos associados a ações de suporte de projetos de gerenciamento de Tecnologia da Informação (TI), muitas vezes considerados já muito elevados e em crescimento, possuem forte vinculação com esforços empreendidos nas fases de desenvolvimento/implantação e teste. Apesar da importância de caracterizar e compreender a sistemática dessa relação, pouco tem sido feito neste domínio, principalmente devido à falta de mecanismos adequados tanto para o compartilhamento de informações entre as fases de um projeto de TI, quanto para aprender com experiências passadas. Para lidar com essa problemática, propõe-se nesta dissertação uma abordagem para estimar dinamicamente os custos de suporte de projetos de gerenciamento de TI à luz de informações provenientes das fases de desenvolvimento/implantação e teste. As estimativas de custos são calculadas a partir da integração de informações produzidas ao longo do ciclo de vida de projetos (passados). O núcleo da solução presente neste trabalho conta com um modelo Bayesiano para realizar previsão de custos de suporte, apoiado em um modelo de informação usado para persistir informações históricas. Para provar conceito e viabilidade técnica da solução proposta considerou-se, como estudo de caso, a predição de custos associados com projetos de implantação de infraestrutura de redes sem fio. Durante a avaliação é demonstrada a eficácia e eficiência do modelo, bem como discutido suas potencialidades e limitações para auxiliar no entendimento do compromisso entre custos de desenvolvimento/ implantação, teste e suporte. A avaliação conduzida fez uso de dados reais/sintéticos produzidos a partir de projetos do ISBSG e apresenta resultados próximos dos encontrados em cenários reais. Nossa abordagem obteve cerca de 80% de acerto na estimativa dos custos de suporte para os cenários avaliados. / There is an intuitive notion that the costs associated with IT management project support actions, often deemed extremely high and increasing, are directly related to the effort spent during their development/deployment and test phases. Despite the importance of systematically characterizing and understanding this relationship, little has been done in this realm mainly due to the lack of proper mechanisms for both sharing information between IT project phases and learning from past experientes. To tackle this issue, in this dissertation we proposed an approach for dynamically predicting IT management project support costs taking into account information gathered from the development/deployment and test phases. Support cost estimates are computed by integrating existing information from the lifecycle of (past) projects. The core of the solution in this work relies on a Bayesian model to perform support cost predictions, supported by an information model employed to persist historical information gathered from past projects. To prove the concept and technical feasibility of our solution we consider as a case study the prediction of costs (either development/test/support) associated with projects for the deployment of wireless network infrastructures. During the evaluation is demonstrated the effectiveness and efficiency of the model and discussed its potential and limitations in order to help understanding the trade-offs between development/deployment, test, and support costs. Our solution has been evaluated based on real/synthetics data gathered from the ISBSG dataset, and presents results similar to those found in real-life scenarios. Our solution has provided correct estimates for around 80% of the support costs for the scenarios evaluated.

Este trabalho propõe um modelo probabilístico de conhecimento e raciocínio para um agente, denominado Agente Social, cujo principal objetivo é analisar o perfil dos alunos, usuários de um Sistema Tutor Inteligente chamado AMPLIA, e compor grupos de trabalho. Para formar estes grupos, o Agente Social considera aspectos individuais do aluno e estratégias de formação de grupos. A aprendizagem colaborativa envolve relações sociais cujos processos são complexos e apresentam dificuldade para sua modelagem computacional. A fim de representar alguns elementos deste processo e de seus participantes, devem ser considerados aspectos individuais, tais como estado afetivo, questões psicológicas e cognição. Também devem ser considerados aspectos sociais, tais como a habilidade social, a aceitação e a forma em que as pessoas se relacionam e compõem seus grupos de trabalho ou estudo. Sistemas Tutores Inteligentes, Sistemas Multiagente e Computação Afetiva são áreas de pesquisa que vem sendo investigadas de forma a oferecer alternativas para representar e tratar computacionalmente alguns destes aspectos multidisciplinares que acompanham a aprendizagem individual e colaborativa. O Agente Social está inserido na sociedade de agentes do portal PortEdu que, por sua vez, fornece serviços ao ambiente de aprendizagem AMPLIA O PortEdu é um portal que provê serviços para os ambientes educacionais integrados a ele. Este portal foi modelado em uma abordagem multiagente e cada serviço oferecido é implementado por um agente específico. Os ambientes educacionais que utilizam os serviços do portal também são sociedades de agentes e, em geral, Sistemas Tutores Inteligentes. O ambiente AMPLIA (Ambiente Multiagente Probabilístico Inteligente de Aprendizagem) foi projetado para suportar o treinamento do raciocínio diagnóstico e modelagem de domínios de conhecimento incerto e complexo, como a área médica. Este ambiente usa a abordagem de Redes Bayesianas onde os alunos constróem suas próprias redes para um problema apresentado pelo sistema através de um editor gráfico de Redes Bayesianas. Neste trabalho, o editor do AMPLIA foi adaptado para uma versão colaborativa, que permite a construção das redes por vários alunos remotos conectados ao sistema. É através deste editor que o Agente Social observa e interage com os alunos sugerindo a composição dos grupos. Foram realizados experimentos práticos acompanhados por instrumentos de avaliação, com o objetivo de analisar a composição de grupos sugerida pelo Agente Social e relacioná-la com os grupos formados espontaneamente pelos alunos no ambiente de sala de aula. O resultado do trabalho individual e dos grupos também foi analisado e discutido nesta pesquisa. / This research proposes a probabilistic knowledge and reasoning model for an agent, named Social Agent, whose main goal is to analyze students' profiles and to organize them in workgroups. These students are users of an Intelligent Tutoring System named AMPLIA. In order to suggest those groups, the Social Agent considers individual aspects of the students and also strategies for group formation. Collaborative learning involves social relationships with complex processes which are difficult to model computationally. In order to represent these relationships, we should consider several aspects of the student, such as affective state, psychological issues, and cognition. We should also consider social aspects such as social ability, social acceptance and how people relate to each other, and how they compose their workgroups. Intelligent Tutoring Systems, Multiagent Systems and Affective Computing are research areas which our research group have been investigating, in order to represent and to deal computationally with multidisciplinary issues involving individual and collaborative learning. The Social Agent is part of an agent society of the PortEdu Portal, which provides services to AMPLIA. PortEdu is an educational portal which provides facilities to educational environments integrated to it. This portal has been modeled using a multiagent approach and each of its services is represented by a specific agent. The educational environments that make use of the portal's services are also agent societies and, in general, Intelligent Tutoring Systems. AMPLIA (Probabilistic Multiagent Learning Environment) has been designed in order to support diagnostic reasoning and the modeling of diagnostic hypotheses in domains with complex and uncertain knowledge, such as the medical domain. This environment uses a Bayesian Networks approach in which students build their own networks for a clinical case through a Bayesian Network graphical editor. Here, the AMPLIA editor has been adapted and extended to a collaborative version, which enables the network construction for remote students connected to the system. Through this editor, the Social Agent observes and interacts with students, suggesting the composition of workgroups. Practical experiments using assessment tools have been carried out, in order to analyze the workgroups suggested by the Social Agent and to compare them with groups naturally composed by students in the classroom. The results of the work done by individual students and by workgroups were also analyzed and discussed in this research.

Software prediction unveils itself as a difficult but important task which can aid the manager on decision making, possibly allowing for time and resources sparing, achieving higher software quality among other benefits. One of the approaches set forth to perform this task has been the application of machine learning techniques. One of these techniques are Bayesian Networks, which have been promoted for software projects management due to their special features. However, the pre-processing procedures related to their application remain mostly neglected in this field. In this context, this study presents an assessment of automatic Bayesian Networks (i.e., Bayesian Networks solely based on data) on three public data sets and brings forward a discussion on data pre-processing procedures and the validation approach. We carried out a comparison of automatic Bayesian Networks against mean and median baseline models and also against ordinary least squares regression with a logarithmic transformation, which has been recently deemed in a comprehensive study as a top performer with regard to accuracy. The results obtained through careful validation procedures support that automatic Bayesian Networks can be competitive against other techniques, but still need improvements in order to catch up with linear regression models accuracy-wise. Some current limitations of Bayesian Networks are highlighted and possible improvements are discussed. Furthermore, this study provides some guidelines on the exploration of data. These guidelines can be useful to any Bayesian Networks that use data for model learning. Finally, this study also confirms the potential benefits of feature selection in software effort prediction.

O raciocínio realizado em agentes BDI envolve essencialmente manipular três estruturas de dados representando suas crenças, desejos e intenções. Crenças de agentes BDI tradicionais não representam incerteza, e podem ser expressas como um conjunto fechado de literais ground. As restrições que indicam se um dado desejo é viável e pode ser adotado como uma intenção em agentes BDI tradicionais podem ser representadas como expressões lógicas sobre crenças. Dado que Redes Bayesianas permitem que representem-se informações com incerteza probabilisticamente, agentes BDI bayesianos as empregam para suportar incerteza em suas crenças. Em agentes BDI bayesianos, crenças representadas em Redes Bayesianas referem-se a estados de variáveis de eventos, possuindo probabilidades dinâmicas individuais que referem-se à incerteza. Os processos the constituem o raciocínio neste modelo de agente requerem mudanças a fim de acomodar esta diferença. Dentre estes processos, este trabalho concentra-se especificamente na seleção de desejos. Uma estratégia prévia para seleção de desejos é baseada em aplicar um limiar a probabilidades de crenças. Entretanto, tal abordagem impede que um agente selecione desejos condicionados em crenças cujas probabilidades estejam abaixo de um certo limiar, mesmo que tais desejos pudessem ser atingidos caso fossem selecionados. Para lidar com esta limitação, desenvolvemos três abordagens alternativas para seleção de desejos sob incerteza: Ranking Probabilístico, Loteria Viciada e Seleção Multidesejos Aleatória com Viés. Probability Ranking seleciona um desejo usando uma lista de desejos ordenados em ordem decrescente de probabilidade de pré-condição. Loteria Viciada seleciona um desejo usando um valor numérico aleatório e intervalos numéricos – associados a desejos – proporcionais às probabilidades de suas pré-condições. Seleção Multidesejos Aleatória com Viés seleciona múltiplos desejos usando valores numéricos aleatórios e considerando as probabilidades de suas pré-condições. Apresentamos exemplos, incluindo o agente Vigia, assim como experimentos envolvendo este, para mostrar como essas abordagens permitem que um agente às vezes selecione desejos cujas crenças pré-condições possuem probabilidades muito baixas. / The reasoning performed in BDI agents essentially involves manipulating three data structures representing their beliefs, desires and intentions. Traditional BDI agents’ beliefs do not represent uncertainty, and may be expressed as a closed set of ground literals. The constraints that indicate whether a given desire is viable and passive to be adopted as an intention in traditional BDI agents may be represented as logical expressions over beliefs. Given that Bayesian Networks allow one to represent uncertain information probabilistically, Bayesian BDI agents employ Bayesian Networks to support uncertainty in their beliefs. In Bayesian BDI agents, beliefs represented in Bayesian Networks refer to states of event variables, holding individual dynamic probabilities that account for the uncertainty. The processes that constitute reasoning in this agent model require changes in order to accomodate this difference. Among these processes, this work is specifically concerned with desire selection. A previous strategy for desire selection is based on applying a threshold on belief probabilities. However, such an approach precludes an agent from selecting desires conditioned on beliefs with probabilities below a certain threshold, even if those desires could be achieved if they were selected. To address this limitation, we develop three alternative approaches to desire selection under uncertainty: Probability Ranking, Biased Lottery and Multi-Desire Biased Random Selection. Probability Ranking selects a desire using a list of desires sorted in decreasing order of precondition probability. Biased Lottery selects a desire using one random numeric value and desire-associated numeric intervals proportional to the probabilities of the desires’ preconditions. Multi-Desire Biased Random Selection selects multiple desires using random numeric values and considering the probabilities of their preconditions. We present examples, including theWatchman agent, as well as experiments involving the latter, to show how these approaches allow an agent to sometimes select desires whose belief preconditions have very low probabilities.