Conjuntos nebulosos, notícias falsas e modelagem computacional:
uma abordagem divertida
Atividade inserida no Projeto “Inteligência Artificial: da Lógica às Humanidades” (CNPq).
Saber identificar uma notícia falsa é fundamental na sociedade atual. A educação tem um papel importante no combate à desinformação e propagação de notícias falsas, também conhecidas como Fake News. Por outro lado, com o advento das tecnologias, também fica clara a limitação de sistemas computacionais baseados em lógica clássica, que por sua vez não são capazes de lidar com problemas reais, como aqueles que envolvem variáveis linguísticas do tipo “muito”, “pequeno”, “próximo”, “longe”, “em torno de”, etc.
Pretendemos desenvolver a criticidade como medida de combate à desinformação, contrapondo a crença na exatidão da lógica clássica ao utilizar conceitos da teoria de conjuntos nebulosos (ou conjuntos fuzzy) para construir um modelo computacional de análise de dados e mostrar alguns resultados que podem ser obtidos utilizando sistemas computacionais, destacando o potencial da IA. Assim, o objetivo é promover o interesse por temas relacionados à inteligência artificial a partir de Fake News, modelagem computacional e análise de dados vagos.
Introdução
O que são Fake News?
Uma notícia falsa tem 70% mais chances de ser propagada do que uma notícia verdadeira. Informações falsas circulam com mais velocidade, profundidade e alcance do que fatos reais. Foi constatado que quando o tema é política, as Fake News se espalham três vezes mais rápido. Assim, na sociedade atual são cada vez mais necessárias iniciativas que promovam o combate às informações falsas. As crianças e os adolescentes podem contribuir significativamente para diminuir a propagação de Fake News desde que ações nesse sentido sejam promovidas.
Conjuntos nebulosos (fuzzy)
Cada indivíduo funciona como uma “caixa preta” que recebe informações, muitas vezes imprecisas, que são interpretadas de acordo com seus parâmetros e que levam a decisões. Na década de 1960, Zadeh sugeriu uma teoria alternativa dos conjuntos, menos rígida do que o habitual, chamada de teoria dos conjuntos fuzzy. Na proposta de Zadeh a mudança de pertinência para não pertinência é gradual e não abrupta. Com os conjuntos fuzzy, cresceu a possibilidade de interpretar fenômenos não quantitativos e imprecisos e a necessidade de buscar mecanismos de inferências a partir desses dados.
Assim surgiram os sistemas de inferência baseado em regras fuzzy, conhecidos também como SBRF. Um SBRF consiste de quatro componentes conectados, são eles: (i) fuzzificação, (ii) regras, (iii) inferência e (iv) defuzzificação. Em um SBRF, as entradas são valores precisos (crisp), ou seja, não são valores do tipo fuzzy.
Na etapa de fuzzificação, esses valores são mapeados pelas funções de pertinência estabelecidas durante a construção do sistema – desta forma essa etapa fornece parâmetros fuzzy que serão utilizados na próxima etapa. Os parâmetros fuzzy são enviados para uma máquina de inferência que processa uma série de regras do tipo SE-ENTÃO, isto é, proposições envolvendo termos de variáveis linguísticas. Na etapa final do processamento das regras, o valor fuzzy, que foi obtido como resposta passa por um processo de defuzzificação dos valores fuzzy obtidos como saída do processo e assim, temos uma saída precisa novamente (crisp).
Os sistemas baseados em regras fuzzy permitem o tratamento e manipulação de informações incertas, vagas e imprecisas, as quais estão representadas por uma família de conjuntos fuzzy. Eles são bastante utilizados na construção de modelos computacionais de análise de dados que lidam com esse tipo de informação.
Material e atividades em elaboração - novidades em breve! 🙂
Sede das atividades presenciais