Sei sulla pagina 1di 7
revista da espm • ano 21 • edição 97 • nº2 • março/abril 2015 •

revista da espm • ano 21 • edição 97 • nº2 • março/abril 2015 • r$ 28,00

• edição 97 • nº2 • março/abril 2015 • r$ 28,00 Entrevistas Quem ouve o trovão

Entrevistas

Quem ouve o trovão não morre pelo raio Luiz Carlos Mendonça de Barros

A hora de pedir conselhos Daniel Kahneman

É na crise que testamos nosso caráter Raj Sisodia

O consumo é um gesto de esperança Washington Olivetto

tomada de decisão

em tempos de incerteza

Artigos #RuimPraQuem?
Artigos
#RuimPraQuem?

A necessária reforma

tributária do Estado

Mastodôntico

Saia da mesa, arregace

as mangas e mãos à obra!

Por que convivemos com tantas incertezas?

A inteligência emocional

pode dar a você uma visão além do alcance!

O

PES mostra o caminho!

O

que é e como funciona

a Lógica Fuzzy

Abordagem sistêmica no processo decisório da empresa

Fuzzy Abordagem sistêmica no processo decisório da empresa Artigos A corrida da inovação: uma prova que

Artigos

A corrida da inovação:

uma prova que acontece com ou sem crise!

Estratégias inovadoras a partir de ambientes disruptivos

Da iluminação à inovação: as organizações descobrem a mindfulness

As grandes pensam grande!

Do Brasil para o mundo: por que investir no exterior?

Planejamento metropolitano e rede de cidades: o futuro passa por aqui!

MEtODOLOGIA

Oqueéecomo

funcionaaLógicaFuzzy

Conheça o modelo matemático que transforma em sistemas lógicos a forma humana de raciocinar. Com o desenvolvimento da tecnologia, a Lógica Fuzzy está sendo cada vez mais utilizada pelo mercado para aprimorar todo tipo de processo decisório, da máquina de fazer arroz ao sistema de frenagem do metrô japonês

Por Antônio Carlos Morim

68 Revista da esPM | março/abril de 2015

shutterstock

shutterstock

Um exemplo de sistemas que utilizam a lógica Fuzzy é o processo de aceleração e frenagem dos trens do metrô em sendai, no Japão

março/abril de 2015 | Revista da esPM

69

shutterstock

Metodologia

D iariamente tomamos decisões pessoais e profissionais. Mas essas decisões nem sem- pre conseguem estar suportadas por dados e fatos de forma plena. Muitas vezes toma-

mos decisões hoje com dados de ontem que nos afeta- rão no futuro e, por vezes, sem condição de revisão ou

mudança dos rumos decididos. Em momentos de maior incerteza, isso pode nos levar a um engessamento ou a uma dificuldade em agir, dadas as condições de riscos crescentes.

Criada por Lotfi Zadeh, na década de 1960, a Lógica Fuzzy surgiu da percepção de que as ferramentas daquela época não eram plenamente capazes de tratar os pro- blemas reais de forma adequada. A deficiência de nosso processo decisório em considerar a complexidade deve ser suportada pela utilização de ferramentas de mode- lagem que permitam simular nossos modelos mentais,

o mundo das possibilidades, e não apenas das probabi-

lidades. O ser humano em sua essência é um ser possi- bilístico e, por isso, na visão de Zadeh, deveria ter fer- ramentas que suportassem tal realidade.

Dessa forma, a Lógica Fuzzy e a relacionada teoria de conjuntos Fuzzy foram criadas com o intuito de adequar

o ferramental matemático da lógica a tipos de incerteza característicos da linguagem humana e seus modelos mentais. Assim nasceu um instrumental matemático capaz de modelar em sistemas lógicos a forma humana

de raciocinar, visando aprimorar os processos decisórios.

A evolução da ciência partiu de modelos “determinís-

ticos”, como a física newtoniana, para uma abordagem estatística, baseada na teoria das probabilidades, capaz de considerar incertezas, buscando soluções mais robus- tas. Esse paradigma manteve-se pouco contestado até 1965, quando Zadeh propôs uma lógica com valores con- tínuos na tentativa de contornar os problemas da lógica clássica aristotélica com diferentes tipos de incerteza.

Conforme Carlos Alberto Nunes Cosenza descreveu no artigo An industrial location model, em 1981, a incerteza pode se manifestar de várias formas nos momentos de decisão: dados nebulosos, obscuros, imprecisos ou apro- ximados; vagos, não específicos ou amorfos; ambíguos, com muitas alternativas ou contraditórios; ignorados, divergentes ou desconhecidos; e naturalmente variá- veis, randômicos, caóticos ou imprevisíveis.

A teoria da probabilidade lida bem com incertezas

decorrentes de uma imprecisão quantificável (relativa

70 Revista da esPM | Março/abril de 2015

a partir da década de 1980, a lógica Fuzzy passou a ser aplicada em equipamentos como as máquinas que cozinham arroz e têm comandos específicos preparados para entender o gosto do consumidor

à ocorrência de determinado evento), porém não con-

segue tratar incertezas relacionadas a informações lin-

guísticas ou intuitivas (independentes da ocorrência). Como exemplo, Zadeh cita a precisão matemática, que está baseada no falso ou no verdadeiro. Isso ocorre em

parte por conta dos esforços de Aristóteles e de outros filósofos que o precederam. “A linguagem natural possui

a noção do que é vago e do que é impreciso. Por exemplo:

Carlos é alto, possui a altura de 1,79 metro, porém, se

alguém mede 1,78 metro, será considerado baixo? Den- tro da cultura de Carlos, ele é considerado alto. Mas será que em outra cultura ele também será considerado alto?”

A Lógica Fuzzy, de um ponto de vista simples, pode

ser considerada um sistema lógico com uma extensão

da lógica multivalor. Entretanto, de uma perspectiva mais ampla e conceitual, ela reflete a teoria de conjun- tos Fuzzy que trata de classificações (em conjuntos), com fronteiras suaves determinadas por graus de pertinência e, portanto, envolve reflexões teóricas mais profundas.

A lógica é uma das maneiras que o ser humano utiliza

para raciocinar. É por meio dela que conseguimos orga- nizar palavras para criar sentenças claras. O interesse

em lógica é estudar a verdade em sentenças lógicas, que no caso clássico é binária/booleana (verdadeiro ou falso)

e no caso Fuzzy, parcial. Conforme Timothy Ross descreve no livro Fuzzy logic with engineering applications (Editora McGraw- -Hill, 1995), a lógica (Fuzzy ou não) não é capaz de determinar quais sentenças usar em variados con- textos, demandando uma racionalidade prévia para

a sua utilização. Por esse motivo, geralmente utiliza-

se lógica em raciocínios dedutivos (do todo, infere-se algo sobre a parte), considerados superficiais quando comparado ao raciocínio indutivo, que infere do par- ticular conhecimento geral.

A linguagem natural é uma das formas mais poderosas

de transmitir conhecimentos e informações que huma- nos possuem em relação a problemas e situações que

envolvem raciocínio e decisão. Apesar de sua vagueza

e ambiguidade, a linguagem faz com que indivíduos

sejam capazes de se entender. Por isso, para modelar

o processo de raciocínio humano, é necessário emular

nossa linguagem natural (e suas variáveis linguísticas).

A Lógica Fuzzy é um método para formalizar com fer-

ramental matemático específico a capacidade humana de raciocínio impreciso ou raciocínio aproximado. Esse raciocínio representa a capacidade humana de julgar sob incerteza. Na Lógica Fuzzy, as verdades são parciais ou

aproximadas, interpoladas entre os extremos de verda- deiro e falso e, portanto, capazes de considerar verdades parciais (níveis de verdade). Cosenza aponta algumas das vantagens de Lógica Fuzzy: é conceitualmente fácil de entender; pode ser facilmente modificada e adaptada;

é tolerante a dados imprecisos: permite modelar fun-

ções não lineares de complexidade arbitrária; pode ser construída aproveitando a experiência de especialistas;

pode ser mesclada a técnicas de controle convencionais;

é baseada na linguagem natural, a forma mais efetiva

de comunicar algo. Para a lógica, uma proposição P é uma afirmação linguística ou declarativa contida em um universo de

A Lógica Fuzzy surgiu da percepção de

que as ferramentas da década de 1960

não eram plenamente capazes de tratar

os problemas reais de forma adequada

elementos, digamos X, que podem ser identificados como uma coleção de elementos em X que são verda- deiros ou falsos. Uma proposição Lógica Fuzzy envolve um conceito com fronteiras não claramente definidas,

que tendem a expressar ideias subjetivas e geralmente apresentam interpretações ligeiramente diferentes entre as pessoas.

O principal objetivo da Lógica Fuzzy é criar uma fun-

damentação teórica para abordar e utilizar proposições

imprecisas com verdades parciais.

O raciocínio baseado nesse tipo de proposição foi cha-

mado, por Zadeh, de raciocínio aproximado, em dois arti- gos: The concept of a linguistic variable and its application

to approximate reasoning (1975) e A theory of approximate reasoning (1979). E a sua maior aplicação é para inferên- cias em sistemas baseados em regras.

A forma mais básica de representar conhecimento

humano usando expressões linguísticas é: SE premissas (antecedentes); e ENTÃO conclusões (consequências). Esse tipo de construção é chamado de forma dedutiva, pois parte-se de um fato (premissa, hipótese) para infe- rir uma conclusão (consequência). Normalmente, insere conhecimentos empíricos e heurísticos, sendo incapaz de capturar formas mais profundas de conhecimento como a intuição, estrutura e comportamento. Uma regra IF-THEN (A B) é usada para determinar se um dado antecedente (causa ou ação) implica uma determinada consequência (efeito ou reação). Sistemas Fuzzy são, então, conjuntos de regras IF- THEN relativas a variados antecedentes e versando sobre múltiplas consequências. Na maioria dos casos, mais de uma regra se refere a uma mesma variável con- sequência, havendo necessidade de definir uma técnica de agregação dessas diversas regras. Na matemática clássica, um subconjunto U de um con- junto S pode ser definido como uma aplicação dos ele- mentos de S aos elementos do conjunto [0,1]. U:S [0,1] Essa aplicação pode ser representada como um con- junto de pares ordenados. O primeiro é elemento do con- junto S e o segundo é o elemento do conjunto [0,1]. Essa função é denominada função de pertinência, que repre- senta o fator caracterizador do conjunto nebuloso. Ela associa a um elemento do universo um número real do intervalo [0,1]. O grau de pertinência 1 equivale ao clás- sico símbolo de pertinência , e o grau de pertinência 0 equivale ao clássico símbolo .

de pertinência , e o grau de pertinência 0 equivale ao clássico símbolo . março/abril de

março/abril de 2015 | Revista da esPM

71

Metodologia

A teoria dos conjuntos nebulosos indica com que grau cada elemento pertence ao conjunto. O valor 0, ou o valor

nulo, indica que não pertence; representa a “total perti- nência”. E o valor 1 indica “total pertinência”. Outro tipo de pertinência é dado pelos valores intermediários entre

0 e 1. Esses valores representam os “graus de pertinência”

(também pode ser interpretado como “grau de veracidade”) da afirmativa. Essa teoria transforma o conceito de falso

ou verdadeiro em números reais, no intervalo 0 a 1, em que

0 é falso e 1 é verdadeiro, como aponta Arnold Kaufmann,

em Fuzzy graphs and fuzzy relations, escrito em 1975. Em 2009, Gin-Shuh Liang e Mao-Jiun Wang comple- mentaram a tese com o artigo A fuzzy multi-criteria deci- sion-making method for facility site selection. Juntos, eles reforçam a tese de que os conjuntos nebulosos são aplica- dos quando não é possível identificar todas as variáveis antecipadamente ou as variáveis conhecidas não podem ser medidas corretamente e/ou existem conceitos vagos. Podemos identificar nesse princípio básico as definições de funções características e funções escolha, existentes na teoria dos conjuntos. A função característica associa, por exemplo, os elementos de um conjunto A aos elementos de um conjunto B; este último é formado por apenas dois números, 0 ou 1. A função associa, por escolha, os elemen- tos de um conjunto A aos elementos de um conjunto B. Considerando o conjunto B formado por números que sejam maiores que 0 e menores que 1, ou seja, B={x/x 0 < x <1}, e posteriormente definindo uma função, que pode ser subjetiva ou não, de associação dos elementos do con- junto A com os elementos do conjunto B, e definindo o conjunto A como sendo formado pelos números reais,

temos uma função de pertinência para os elementos do conjunto A. Acrescentando a essa definição da função de perti- nência o princípio da função característica, temos um conjunto A que se associa a um conjunto B, em que os elementos de B variam de 0 a 1, obtendo assim o princí- pio da matemática nebulosa. Os números naturais e reais da matemática clássica

podem ser expressos por meio de números nebulosos, cujo valor da função de pertinência é “um”. Por exemplo:

um conjunto A definido pelos três primeiros números naturais seria 1 | 0, 1 | 1, 1 | 2; em que o primeiro algarismo, no caso 1, representa a pertinência do número 0, 1 e 2. A maneira como o conjunto A foi definido é denominada caso discreto. Um número nebuloso (também chamado difuso) é um número pertencente a um conjunto nebuloso com função de pertinência normalizada. As funções pertinência µa(x) de um número nebuloso podem assumir diferentes formas.

A dispersão de µa(x) pode ser interpretada como uma

medida de dispersão do número nebuloso x qualquer,

onde: µa(x) = 1 se x a

A função de pertinência µa(x) , onde 0 ≤ µa(x)≤ 1, está

associada aos eventos xi, em que i varia de 1 até n. Dessa

forma, o conjunto nebuloso é representado, também, por

A= { µa(xi) / xi}, i = 1,2,

A variável X pode ser discreta contínua; o caso discreto

está descrito no parágrafo anterior; para o caso contínuo, um conjunto nebuloso B poderia ser:

para o caso contínuo, um conjunto nebuloso B poderia ser: e µa(x) = 0 se x

e µa(x) = 0 se x

um conjunto nebuloso B poderia ser: e µa(x) = 0 se x a. , n. B

a.

, n.

B = { X/ µA(x) = 1 se X ≥ b; µA(x) = ( X-a) / (b-a ) Se a ≤ X < b e µA(x) = 0 se X<a}

Formas típiCas de ConJUntos FUzzy trianGUlares e trapezoidais

= 0 se X<a} Formas típiCas de ConJUntos FUzzy trianGUlares e trapezoidais 72 Revista da esPM
= 0 se X<a} Formas típiCas de ConJUntos FUzzy trianGUlares e trapezoidais 72 Revista da esPM
= 0 se X<a} Formas típiCas de ConJUntos FUzzy trianGUlares e trapezoidais 72 Revista da esPM
= 0 se X<a} Formas típiCas de ConJUntos FUzzy trianGUlares e trapezoidais 72 Revista da esPM

72 Revista da esPM | Março/abril de 2015

= 0 se X<a} Formas típiCas de ConJUntos FUzzy trianGUlares e trapezoidais 72 Revista da esPM
= 0 se X<a} Formas típiCas de ConJUntos FUzzy trianGUlares e trapezoidais 72 Revista da esPM
= 0 se X<a} Formas típiCas de ConJUntos FUzzy trianGUlares e trapezoidais 72 Revista da esPM
= 0 se X<a} Formas típiCas de ConJUntos FUzzy trianGUlares e trapezoidais 72 Revista da esPM
shutterstock
shutterstock

o projeto biodiesel, que envolve 1.789 municípios do semiárido do nordeste, é outra demonstração de aplicações baseadas em lógica Fuzzy, que visa criar uma base teórica para abordar proposições imprecisas com verdades parciais

Nas figuras da página anterior, podemos ver formas típicas de representação de conjuntos Fuzzy triangu- lares e trapezoidais. Vale ressaltar que existe uma modelagem especí- fica tanto para efetuar essa análise aplicando a Lógica Fuzzy, que chamamos de fuzzificação e, posterior- mente, métodos matemáticos com, por exemplo, o método dos máximos e mínimos para voltar à forma convencional ou crispy, que intitulamos de defuzzifi- cação — de tal forma a poder estabelecer comparações

e interpretações adequadas ao ambiente profissional

e empresarial. Dentre as diversas possibilidades computacionais da Lógica Fuzzy, podemos destacar: sistemas de tomada

de decisão, hierarquização, localização, interpretação, automação, controle e inteligência artificial. Essas possibilidades se revelaram ao longo da década de 1980, com a formalização do conhecimento em publi- cações, artigos, patentes e, sobretudo, com o apareci- mento de máquinas Fuzzy, com o uso de chips capazes de armazenar regras nebulosas. Por exemplo: máquinas que cozinham arroz têm comandos específicos prepara- dos para entender o gosto adequado quando do preparo do arroz pelo consumidor ou ainda as aplicações especí- ficas para aceleração e frenagem dos trens do metrô em Sendai, no Japão. Além de estarem cada vez mais pre- sentes em análises de mercado, como os estudos de pre- cificação de produtos e serviços. Em 2012, realizei uma série de estudos sobre o assunto, descritos no material Think Fuzzy: developing new pricing strategy for consu- mer goods using fuzzy logic, desenvolvido em conjunto com Luiz Eduardo Safortes, Paulo Reis, Carlos Alberto Nunes Cosenza, Francisco Doria e Armando Gonçal- ves. No ano seguinte, estudos de adequação para deci- sões de produção de confecções na indústria feitos por Fabio Luiz Peres Krykhtine deram origem à dissertação Um algoritmo fuzzy para mensurar o desejo do consumi- dor: uma modelagem parametrizada para o segmento de confecções na indústria têxtil. Na abordagem de tomada de decisão, pode-se desta- car o uso de Lógica Fuzzy em muitos modelos de tomada de decisão para cenários de gestão financeira e avalia- ção econômica. No delineamento de zonas através de seleção multicritério, os sistemas nebulosos vêm sendo recorrente solução, por sua capacidade de lidar com um número grande de variáveis incorporando grau de incer- teza elevado e, a partir de seu processamento, extrair resultados extremamente precisos. O Modelo Locacional Coppe Cosenza — que evolui de Cosenza (1981) até os mais recentes trabalhos desenvol- vidos para a hierarquização e localização exigidos e uti- lizados para o Projeto Biodiesel Brasileiro, envolvendo 1.789 municípios do semiárido do Nordeste brasileiro — é outra demonstração da robustez e flexibilidade de aplicações baseadas em Lógica Fuzzy.

Antônio Carlos Morim

Coordenador e professor da pós-graduação da ESPM-Rio, doutorado e mestre em engenharia de produção pela Coppe-UFRJ, pesquisador do CNPq

março/abril de 2015 | Revista da esPM

73