1

SOCIEDADE EDUCACIONAL DE SANTA CATARINA - SOCIESC INSTITUTO SUPERIOR TUPY

Juliemar Berri

APLICAO DE REDES NEURAIS ARTIFICIAIS PARA AUXILIAR EM DIAGNSTICO DE ANLISE DE DEMONSTRAES FINANCEIRAS

Joinville/SC 2011/2

JULIEMAR BERRI

APLICAO DE REDES NEURAIS ARTIFICIAIS PARA AUXILIAR EM DIAGNSTICO DE ANLISE DE DEMONSTRAES FINANCEIRAS

Trabalho de Concluso de Curso apresentado ao Instituto Superior Tupy como requisito parcial para obteno do grau de Bacharel em Engenharia de Computao.

Gilberto Luiz de Souza Paula, DSc.

Joinville/SC 2011/2

JULIEMAR BERRI

APLICAO DE REDES NEURAIS ARTIFICIAIS PARA AUXILIAR EM DIAGNSTICO DE ANLISE DE DEMONSTRAES FINANCEIRAS

Este trabalho foi julgado e aprovado em sua forma final, sendo assinado pelos professores da banca examinadora.

Joinville, ___de________________de_____

__________________________________________ Gilberto Luiz de Souza Paula, DSc

__________________________________________ Juliane Candido, MSc

__________________________________________ Fabiano Dantas

Dedico esse trabalho primeiramente a Deus e a minha esposa Alinne pela compreenso e apoio durante o trabalho.

AGRADECIMENTOS Agradeo a minha me Lenita por todo o apoio dado durante a minha formao, aos meus colegas de classe que se tornaram verdadeiros amigos para a vida e aos professores Gilberto e Glaci que a cada reviso e correo contriburam para a concluso do trabalho.

Tenha vontade tenha juventude. Eu sempre desejei isso para mim. E agora que vocs se formam para comear algo novo, eu desejo isso para vocs. STEVE JOBS

RESUMO

O constante avano tecnolgico percebido mais facilmente na interface dos equipamentos, alm de minimizar o volume fsico desses equipamentos, vem aumentando e em muito a capacidade de processamento numrico. A inteligncia artificial utilizada em muitos casos porque facilita o reconhecimento de padres mesmo quando a entrada no est completamente bem definida, esta "plasticidade" alm de melhorar os critrios de busca, ainda caminham para a individualidade do equipamento, ou seja, o prprio equipamento "compreender" o que usurio "quer". Com o objetivo de desenvolver um dispositivo de analise patrimonial fundamentado em Redes Neurais Artificiais, programa-se um software, que, embora nesse trabalho seja de carter exploratrio, permitir o desenvolvimento de uma ferramenta informtica para a poio a decises contbeis sobre a sade de uma empresa. Para tanto preciso entender o que so balanos patrimoniais, as redes neurais artificiais e linguagem de programao. A opo de um algoritmo de Hopfield para esse tipo de anlise se deve em um primeiro momento porque se demonstrou eficiente na identificao dos padres de balano contbeis oferecidos, e devido ao fato de oferecer mnimos esprios ao invs de probabilidades de resposta, que so uma vantagem significativa a redes do tipo Backpropagation ou outra qualquer, porque no induzem o usurio, assim, se no for parecido com nenhum aprendizado pre fere-se no dizer nada. Os padres de entrada e sada, mesmo sendo fictcios, ser vem para demonstrar o funcionamento do software aplicado, afinal por mais que se estude o uso de Inteligncia Artificial mais interessante quando fundamentado na experincia do profissional. Portanto utilizou-se a rede de Hopfield, com programao Java como um sistema especialista fundamentado em redes neurais artificiais para analise de demonstraes financeiras de uma empresa fictcia.

Palavras-chave: Rede Neural Artificial, Inteligncia Artificial, Balano patrimonial, Hopfield.

ABSTRACT

The constant technological advancement most noticeable at the interface of the equipment, while minimizing the physical volume of equipment, and much has been increasing the capacity of numerical processing. Artificial intelligence is used in many cases because it facilitates the recognition of patterns even when the input is not completely defined, this "plasticity" in addition to improving the search criteria, still "go" to the individuality of the equipment, in the other words, the equipment "understand" what user "wants." In order to develop a device to analyze equity based on Artificial Neural Networks, Programs, and software, that although this work is exploratory, allow the development of a data proccess tool to support decisions on the financial health of a the company. For this you need to understand what are balance sheets, the artificial neural networks and programming language. The option of a Hopfield algorithm for this type of analysis is due at first because it has been shown effective in identifying patterns of balance sheet provided, and because of present minimum rather than spurious response probabilities, which are a significant advantage to the type Backpropagation networks or any other, because they induce the user, so if it is not "like" with no learning "preferred" say nothing. The patterns of entry and exit, even if fictional, serve to demonstrate the operation of application software, after all no matter what you use study of Artificial Intelligence is more interesting when based on professional experience. Therefore was used the Hopfield network, programming with Java as an expert system based on artificial neural networks for analyzing financial statements of a fictitious company.
Keywords: Artificial Neural Networks, Artificial Intelligence, Balance Sheet, Hopfield.

LISTA DE ILUSTRAES

Figura 1 - Conceito dos sistemas de Inteligncia Artificial ........................................ 22 Figura 2 Solues oferecidas pelo sistema especialista ........................................ 23 Figura 3 Neurnio biolgico.................................................................................... 25 Figura 4 Neurnio de McCulloch e Pitts com limiar explcito .................................. 26 Figura 5 - Neurnio de McCulloch e Pitts com limiar implcito................................... 27 Figura 6 - Rede neural Percepton multicamada ........................................................ 31 Figura 7 - Rede Hopfield formada de N=4 neurnios ................................................ 35 Figura 8 Framework Neuroph................................................................................. 38 Figura 9 Site Heaton Research .............................................................................. 39 Figura 10 - Cadastro de ativos .................................................................................. 42 Figura 11 - Cadastro de Balanos ............................................................................. 43 Figura 12 - Cadastro de valores de treinamento ....................................................... 43 Figura 13 Resultado de anlise .............................................................................. 44

10

LISTA DE TABELAS Tabela 1 Balanos fictcios ..................................................................................... 40 Tabela 2 Valores com Alteraes bsicas.............................................................. 41 Tabela 3 Dados Desconhecidos............................................................................. 41

11

SUMRIO

1 2

INTRODUO.................................................................................................. 13 CONCEITO DE CONTABILIDADE .................................................................. 16

2.1 ANLISE DE DEMONSTRAES FINANCEIRAS .......................................... 16 2.1.1 Balano Patrimonial ................................................................................... 17

2.1.1.1 Ativo.............................................................................................................. 18 2.1.1.2 Passivo ......................................................................................................... 18 2.2 CONTABILIDADE E TECNOLOGIA DA INFORMAO .................................. 19 3 INTELIGNCIA ARTIFICIAL ............................................................................ 21

3.1 SISTEMAS ESPECIALISTAS ........................................................................... 22 3.2 REDE NEURAL ARTIFICIAL ............................................................................ 24 3.2.1 3.2.2 3.2.3 Neurnio biolgico ..................................................................................... 24 Neurnio Artificial....................................................................................... 25 Aprendizado ................................................................................................ 27

3.2.3.1 Aprendizado supervisionado ........................................................................ 27 3.2.3.2 Aprendizado no supervisionado ................................................................. 28 3.2.4 Adaline ......................................................................................................... 28

3.2.4.1 Algoritmo de aprendizado ............................................................................. 29 3.2.5 Perceptron ................................................................................................... 29

3.2.5.1 Algoritmo de aprendizado ............................................................................. 30 3.2.6 Redes Neurais Multi Camadas .................................................................. 30

3.2.6.1 Treinamento em redes MLP ......................................................................... 32 3.2.7 4 Rede Hopifield............................................................................................. 34 PROJETO ......................................................................................................... 37

4.1 LINGUAGEM DE PROGRAMAO ................................................................. 37 4.2 BIBLIOTECAS DE RNA PARA JAVA ............................................................... 37 4.2.1 4.2.2 Neuroph ....................................................................................................... 37 Encog........................................................................................................... 38

12

4.3 APLICATIVO PARA ANLISE DE BALANO .................................................. 39 4.3.1 5 Apresentao do aplicativo ....................................................................... 42 CONCLUSO ................................................................................................... 45

REFERNCIAS ......................................................................................................... 46

13

1 INTRODUO

Nas ltimas trs dcadas, a evoluo e popularizao de Redes Neurais Artificiais foram possveis graas ao advento de recursos computacionais cada vez mais potentes com menores custos. Uma Rede Neural Artificial pode ser definida em neurnio, arquitetura e aprendizagem (FERNANDES 2005). Entendendo o neurnio como uma unidade de processamento com n entradas e que resulta em um sinal de sada ou uma funo de transferncia. A principal vantagem de sistemas neurais biolgicos em relao a sistemas computacionais est no fato de que mesmo com falhas nos receptores de entrada do sistema biol gico (viso, tato) ele reconhece o cenrio no qual est inserido. A exemplo, um rato no precisa estar na frente de um gato, sentir seu cheiro, e as vibraes do ambiente para fugir, isso que garante a sua sobrevivncia. Modelos computacionais estruturados esto condenados extino em sistemas abertos, porque estes sistemas possuem diversas variveis e sua intensidade tambm no exata. Assim modelos de inteligncia artificial buscam a similaridade da convergncia a padres de respostas dados cenrios de entradas. Por isso um sistema fundamentado em inteligncia artificial necessita de uma fase de treinamento onde constituda a relao entre a entrada e resposta esperada. Entretanto uma Rede Neural Artificial possui n neurnios e pode ser dividida em trs camadas: camada de entrada, onde os padres so apresentados; camadas Intermedirias ou Escondidas, onde realizado o processamento e as conexes e camada de Sada, onde apresentado o resultado. No mundo moderno, as organizaes esto cientes das necessidades de insero tecnolgica e esto cada vez mais flexveis no que tange ao uso das informaes. Dentre as diversas facilidades da tecnologia e seus sistemas no ambiente empresarial, se pode destacar em mbito contbil, o aumento da produtividade, melhoria e garantia da qualidade dos servios, eficcia e mais facilidade para os profissionais da rea, uma vez que os sistemas baseados em Inteligncia Artificial so capazes de gerar inmeras suposies e previses. Alm dos diversos benefcios empresa, sistemas de informao tambm facilitam o acesso s informaes nas organizaes. possvel destacar com base neste trabalho acadmico de concluso de curso que os Sistemas de Informao vm aplicando tcnicas inteligentes em sua essncia. Onde a rea financeira tam-

14

bm se beneficia. Por exemplo, a aplicao de um Sistema Especialista na rea contbil capaz de ajudar profissionais a tomarem deciso de forma mais gil, rpida e segura, de acordo com a identificao e caracterstica dos dados inseridos nele. Com base em tal relevncia, poder uma Rede Neural Artificial auxiliar o profissional na tomada de decises contbeis? A habilidade do ser humano em aprender sempre foi alvo de indagaes e pesquisas, o nome desta capacidade protopeiria (ARARIBIA). Redes Neurais Artificiais tambm possuem a capacidade de aprender com exemplos e fazer interpolaes e extrapolaes do que aprenderam. Para que uma Rede Neural Artificial possa aprender uma determinada funo so necessrios conjuntos de procedimentos bem definidos conhecidos como algoritmos de aprendizagem (BRAGA, 2000). Existem diversos mtodos para o treinamento, mas que podem ser agrupados em dois paradigmas: Aprendizado supervisionado e Aprendizado no supervisionado. altamente importante uma boa definio do processo de aprendizado das Redes Neurais Artificiais. Atualmente existem inmeras pesquisas voltadas ao processo de aprendizado biolgico comparado ao artificial. O aprendizado supervisionado tem seu erro minimizado (AZEVEDO, 2000), pois o processo de aprendizado da rede consiste em apresentar uma entrada e com base no erro de sada calculado o ajuste necessrio nos pesos sinpticos da rede. Porm existem alguns

parmetros que devem ser considerados: o tempo requerido por iterao, nmero de iteraes por padro de entrada para o erro alcanar um valor mnimo durante a sesso de treinamento, se a Rede Neural Artificial atingiu um mnimo Local ou Global, e caso Local se a rede pode escapar dele. No aprendizado no supervisionado, no existe uma sada desejada, durante todo o processo de treinamento a Rede Neural Artificial excitada com padres de entrada bem distintos e vai organizando Arbitrariamente os padres em diversas categorias. Geralmente este tipo de aprendizado utilizado em sistemas classificadores (AZEVEDO, 2000). Desta forma se faz necessrio o estudo dos

diferentes algoritmos de Redes Neurais Artificiais, buscando uma convergncia generalizada para auxiliar o profissional de contabilidade em tomadas de decises nas demonstraes contbeis. O objetivo deste trabalho desenvolver um software aplicativo que utilize redes neurais para anlise de balanos patrimoniais. Para atingir o objetivo foram

15

formulados os seguintes objetivos especficos: estudar balano patrimonial, Estudar Redes Neurais Artificiais, escolher uma Rede Neural Artificial especfica para desenvolver o aplicativo, definir uma linguagem de programao e desenvolver o aplicativo. A metodologia aplicada consiste inicialmente em uma pesquisa de carter exploratrio sobre a utilizao de Redes Neurais Artificiais na anlise de balanos patrimoniais. Quanto abordagem, de uma pesquisa qualitativa. A estratgia utilizada de uma pesquisa bibliogrfica em livros, artigos cientficos e websites. E um aplicativo utilizando uma Rede Neural Artificial Hopfield especializado em analisar e identificar padres em balanos patrimoniais. Este trabalho estrutura-se em cinco captulos. Neste captulo, apresenta-se uma viso geral do trabalho, informaes relacionadas ao tema, o objetivo geral, os objetivos especficos e metodologia utilizada. O segundo captulo apresenta os conceitos de contabilidade, balano patrimonial, passivo, ativo e a importncia da tecnologia da informao na contabilidade. O terceiro captulo explora-se a inteligncia artificial atravs de seu histrico e desafios a serem superados pelo desenvolvedor, apresentada a importncia dos sistemas especialistas, uma breve viso histrica sobre Rede Neural Artificial, detalhamento do neurnio biolgico e neurnio artificial e as redes neurais artificiais, Adaline, Perceptron, Redes Neurais Multicamadas e Rede Hopfield. At este ponto do trabalho est realizada a fundamentao terica. No quarto captulo detalhado o processo de desenvolvimento do software aplicativo, escolha da linguagem de programao a ser utilizada, escolha de projetos que facilitam a utilizao de Rede Neural Artificial, requisitos para o desenvolvimento do software, demonstrao atravs de tabelas dos resultados obtidos pela aplicao e apresentao do aplicativo em funcionamento. J no quinto captulo realizada a concluso atravs de uma anlise crtica sobre os desafios e resultados encontrados na execuo do trabalho, e sugestes para estudos futuros.

16

2 CONCEITO DE CONTABILIDADE De acordo com Marques (2004, p. 17), o conceito de contabilidade cientfico, a cincia que estuda e controla o patrimnio das entidades . Mas tambm se pode conceituar contabilidade como cincia que registra os fatos e gera informaes do patrimnio da empresa, sendo este patrimnio o conjunto de riquezas de propriedade fsica ou jurdica. Pode ser considerada uma combinao de fatores tcnicos que tambm descreve alguns acontecimentos encontrados no patrimnio das empresas, atravs de coleta, armazenamento e processamento das informaes. Traz como um dos principais objetivos o estudo dos resultados ou nmeros das empresas, registrandoos atravs de demonstraes contbeis todos os acontecimentos financeiros apresentados. Atravs destas demonstraes contbeis as empresas conseguem medir sua sade financeira, como afirma a lei 6.404/76, que apresenta estas demonstraes como contedo que expe qualitativamente e quantitativamente os elementos do patrimnio. Estas demonstraes descritas na lei so conhecidas em meio contbil, como por exemplo, o Balano Patrimonial, Demonstrao do Resultado do Exerccio, Demonstrao Fluxo de Caixa, entre outros. Desta forma afirma Padoveze (2010, p.3) que, se pode definir contabilidade como o sistema de informao que controla o patrimnio de uma entidade. Po dendo ser considerada como entidade, o conjunto patrimonial pertencente a uma pessoa ou empresa.

2.1

ANLISE DE DEMONSTRAES FINANCEIRAS

A anlise de demonstraes financeiras uma importante ferramenta de uso nas empresas pela rea contbil, sendo capaz de demonstrar os resultados e criar novas simulaes financeiras. De acordo com o Cdigo Comercial, em lei 6.404/76 as empresas cuja razo social denominadas em Sociedade Annima (S.A) ou tambm Sociedade por Aes precisam divulgar seu Balano Patrimonial em mdia, ressalvo de algumas excees. De acordo com S (S, 1999), ao analisar as demonstraes contbeis de uma empresa, comum o acompanhamento da evoluo dos resultados ao longo

17

de vrios exerccios consecutivos anuais para avaliar se as empresas esto melhorando ou piorando sua situao financeira e patrimonial. Desta forma, necessrio que se expresse com clareza seu balano patrimonial, com demonstrao dos lucros ou prejuzos acumulados, demonstrao do resultado do exerccio do ano e demonstrao das origens e aplicaes de recursos. Com a publicao exigida por lei as anlises de balanos se tornaram ainda mais claras e fidedignas. Considerando as demonstraes contbeis nas empresas, o balano patrimonial considerado uma das principais e mais confiveis declaraes financeiras de uma empresa. a demonstrao que apresenta todos os bens, direitos e obrigaes da empresa. Referenciando a necessidade de existncia do Balano Patrimonial segundo Pimentel,
O balano de uma empresa uma foto da empresa, demonstrando suas posies patrimonial e financeira num mesmo dado momento. O balano pode relatar a situao da companhia a cada ano fiscal ou trimestre. O balano precisamente til para fornecer informaes contbeis que ajudam a compreender o que ocorreu com a empresa em um determinado perodo. (PIMENTEL,2007,p.59)

2.1.1 Balano Patrimonial

Ao se traduzir o sentido de balano patrimonial possvel se destinar anlise qualitativa e quantitativa de uma empresa, em determinada data, situao patrimonial e financeira. O contedo traduzido de um balano patrimonial apresentado por Ativo e Passivo. Onde objetivamente o Ativo a soma de bens e direitos e o Passivo a soma de obrigaes e patrimnio lquido. Na definio de patrimnio, entende-se como o conjunto de bens, direitos e obrigaes da empresa. Onde em definio de Ativo, est bens, ou coisa palpvel e tangvel, define-se tambm os direitos como: valores de natureza da empresa, de retorno para a empresa e Bens Intangveis como por exemplo sua marca. Em definio do Passivo, ao citar o termo obrigaes, compreende-se como sendo algo avaliado em dinheiro que no da empresa, mas est em responsabilidade e posse da mesma. E por fim, patrimnio lquido interpretado como sendo soma do ativo subtrado das obrigaes da empresa, o valor de retorno da empresa aos scios e acionistas.

18

De acordo com Padoneze e Benedicto (PADONEZE; BENEDICTO,2004) se considera realizado um Ativo quando os valores so recebidos ou transformados em dinheiro. E um passivo quando a despesa paga ou a obrigao que representa liquidada.

2.1.1.1 Ativo

Caracterizando as contas principais do Ativo, conforme definido anteriormente, se pode citar como bens da empresa, seu caixa e conta bancria, assim como estoques que so dinheiro investido e tambm terrenos, carros, mveis e utenslios. De acordo com Iudcibus (2006, p.138), ativos representam benefcios futuros esperados, direitos que foram adquiridos pela entidade como resultado de alguma transao corrente ou passada. Da mesma forma representando os direitos da empresa ou benefcios futuros, como ttulos a receber, impostos a recuperar e tambm adiantamentos financeiros realizados. Ainda na subdiviso do Ativo so dispostas a diviso em, Ativo Circulante e Ativo no Circulante, conforme Lei 11638/2007. Comenta Iudcibus (2006, p. 153), o ativo e sua conceituao configuram -se, talvez, como o captulo mais importante da teoria contbil, ao lado do captulo de receitas, despesas, perdas e ganhos de uma empresa.

2.1.1.2 Passivo

Ao passivo so destinadas em demonstrativo financeiro as contas no grupo de obrigaes em duplicatas a pagar, impostos a recolher, salrios a pagar, emprstimos bancrios entre outras obrigaes deste gnero. Uma caracterstica essencial para caracterizar o Passivo que a empresa tem uma obrigao no momento da avaliao. Uma obrigao o dever ou a responsabilidade de agir ou cumprir de uma certa forma. (IUDCIBUS, MARION, 2006). E tambm complementando o passivo as contas do patrimnio lquido podem ser exemplificadas no capital social da empresa, investimentos, reservas financeiras e lucros acumulados. Assim como o Ativo, o Passivo disposto em mais divises como Passivo circulante e Passivo no Circulante. Sendo sempre de importncia se fazer uma distino entre obrigaes presentes e comprometimentos futuros, ambos

19

aparecendo como saldo credor para as empresas. Ainda afirma Iudcibus (2006, p.157) O passivo, ou uma exigibilidade um servio avalive l em dinheiro, que um proprietrio obrigado a prestar por uma norma legal ou equitativa para uma segunda pessoa ou conjunto de pessoas.

2.2

CONTABILIDADE E TECNOLOGIA DA INFORMAO

De acordo com o dicionrio Aurlio (2009, p.1925) a definio de tecnologia simplesmente, o conjunto de conhecimentos ou princpios cientficos, que se apli cam a um determinado ramo de atividade, capaz de realizar integrao de informaes. tambm perceptvel notar que a tecnologia est mais prxima de todos nesta ltima dcada, de forma com que todos que queiram tenham acesso informao, a novos conhecimentos e a facilidades que a mesma emprega. De acordo com Padoveze (2009, p.27) a informao o dado que processado e armazenado de forma compreensvel para seu receptor e que apresenta valor real para suas decises correntes ou prospectivas. Tambm nas empresas a mesma tecnologia vem ao encontro com o negcio e necessidades do dia a dia, facilitando para as empresas a entrada e gerao de informaes mais concretas e fidedignas. Assim como em vrios segmentos, tambm na contabilidade este acesso s informaes facilita na tomada de decises. Para que o efeito da tecnologia seja uma parceria de sucesso nas empresas, os usurios precisam estar cientes das inovaes tecnolgicas, incorporando-as no apenas de forma superficial, mas tambm nos procedimentos contbeis bsicos, situaes que exijam uma analise contbil mais apurada e complexa. A nova forma de se fazer negcio atravs do apoio da tecnologia est proporcionando para as empresas uma conquista no ambiente contbil com solues praticas e inteligentes, que ajudam a melhorar o padro de qualidade de servios. A tecnologia, em termos de desenvolvimento, tem despontado, trazendo grandes avanos para a sociedade em geral. A mais de trs dcadas a contabilidade percebe mudanas significativas devidas transformaes sociais e tecnolgicas que contriburam para aumentar a produtividade e facilitar o acesso s informaes. Conforme afirma Padoveze (2009, p.29) a tecnologia da informao todo o conjunto tecnolgico disposio das empresas para efetivar seu subsistema de informao e suas operaes.

20

Afirma Padoveze (2009) que a cincia contbil pode se traduzir naturalmente dentro de um sistema de informao, visto que em carter de exatido a contabilidade pode ser comparada a mesma arquitetura de um sistema informacional. Hoje em dia com facilidade tecnologia e a mesma em favor da Cincia Contbil proporcionou uma exatido nas entradas e processamento dos nmeros onde os erros tornam-se mnimos. O incentivo dos executivos no desenvolvimento de maior qualidade da informao tem levado os especialistas a aperfeioarem continuamente nos processos de inovaes para a rea contbil.

21

3 INTELIGNCIA ARTIFICIAL

Inteligncia Artificial pode-se traduzir como uma simulao da inteligncia humana na realizao de atividades elaboradas por pessoas, que podem ser substitudos pelo uso de recursos da cincia da computao e tambm seus respectivos algoritmos inteligentes. Atravs desta inteligncia possvel se resolver problemas quando se faltam informaes, determinar o que importante, reagir a situaes inesperadas como tambm prever resultados. Segundo Rosini e Palmisano (2003 apud RICH, 1988, p.30) A Inteligncia Artificial o estudo de como fazer os computadores realizarem tarefas em que, no momento as pessoas so melhores. No entanto, a Inteligncia Artificial uma noo que dispe de mltiplas interpretaes, no raro conflitantes ou circulares. A rea de pesquisa que d origem a Inteligncia Artificial na tecnologia a Cincia da Computao e a Engenharia da Computao, ambas com o foco em buscar mtodos computacionais que possam simular a capacidade racional de resolver problemas, pensar de forma inteligente. Nestes ltimos anos a Inteligncia Artificial tem ultrapassado os tradicionais programas de converso e tem envolvido reas como viso computacional, anlise e sntese da voz, lgica difusa, redes neurais artificiais e muitas outras. Nos subcampos que existem na Inteligncia se encontra o estudo de modelos redes neurais (conexes). Ento uma rede neural pode ser vista como um modelo matemtico simplificado do funcionamento do crebro humano. Estes recebem e enviam estmulos eltricos entre si, formando uma rede altamente interconectada. Com o desenvolvimento dos estudos e base terica da Inteligncia Aritificial, quando h necessidade de se escrever ou desenvolver uma soluo inteligente utilizando a mesma, comum que se usam teorias j existentes ao invs de se criar novas teorias para estes fins. Um sistema desenvolvido com inteligncia artificial no somente capaz de armazenar e manipular dados e informaes como tambm representar e manipular o conhecimento. Ou seja, capaz de deduzir e apresentar novos resultados em um ambiente o qual sujeito. Um dos resultados mais teis que surgiram das pesquisas em IA, que fatos e regras, conhecimento declarativo, podem ser representados separadamente dos algoritmos de deciso - conhecimento procedimental. Desta forma, as questes principais a serem contornadas pelo desenvolvedor

22

de um sistema de Inteligncia Artificial, segundo figura 1 so:

Figura 1 - Conceito dos sistemas de Inteligncia Artificial

Sendo assim, conclui-se que o campo ou espao de um sistema de Inteligncia Artificial tem por objetivo, o contnuo aumento de inteligncia do computador, com base nos na inteligncia natural. Para este fim, se pode definir como sendo uma juno de tcnicas suportadas por computador simulando capacidades dos seres humanos.

3.1

SISTEMAS ESPECIALISTAS

A medida que se tem necessidade de desenvolver um sistema para processar informao no numrica, possvel se desenvolver um sistema especialista. O mesmo capaz de apresentar concluses sobre um assunto especfico, desde que seja corretamente orientado e alimentado. Estes sistemas so aplicaes da Inteligncia Artificial e so comumente utilizado nas empresas. Situa-se na rea de aplicao da Cincia Cognitiva disciplinas como: biologia, neurologia, psicologia, matemtica, para verificar como os seres humanos aprendem, criam, e desenvolvem aplicaes baseada no conhecimento com acompanhamento de um especialista (OBRIEN, 2004). Concluiu-se que o sistema especialista til para os diversos setores da empresa, podendo ser utilizado de acordo com a necessidade tambm especfica, facilitando a tomada de deciso de maneira precisa e eficaz. Segundo Stair e Reynolds, esto representadas como Solues oferecidas pelo Sistema Especialista na Figura 1:

23

Figura 2 Solues oferecidas pelo sistema especialista Fonte: Stair; Reynolds(2002, p.351)

a) Ajuste da meta estratgica Representam tomadas de deciso na empresa, constituem a estrutura de todas as outras atividades da organizao, podendo os sistemas especialistas sugerir estas metas; b) Planejamento A capacidade de alcanar os objetivos corporativos gerais com planos especficos, ajudar uma organizao a competir no mercado e podem ser investigados por meio dos sistemas especialistas; c) Projeto - Projetar servios e produtos requer experincia e conhecimento do comportamento do mercado. Os sistemas especialistas tm sido desenvolvidos para auxiliar no desenvolvimento de vrios produtos; d) Tomada de deciso Esses sistemas sugerem possibilidades diferentes no que concerne aos problemas e abordagens lgicas do processo de tomada de deciso, podendo tambm, melhorar o processo de aprendizado para profissionais sem muita experincia, em tomada de deciso; e) Controle e Monitoramento de Qualidade - Os sistemas especialistas podem ajudar no monitoramento de diversos sistemas e propor solues para problemas em outros sistemas, podendo tambm, ser utilizados para monitorar a qualidade dos produtos;

24

f) Diagnstico O monitoramento determina o estado atual do sistema e o diagnstico busca as causas e prope solues.

Portanto, so considerados sistemas especialistas, sistemas que fundamentam suas decises na experincia de um profissional, e so utilizados para solucionar problemas e dvidas em reas especficas da empresa. Segundo Turban et al (2004, p. 376) considera que sistema especialista um sistema de computador que tenta imitar especialistas humanos aplicando metodologias de raciocnio ou conhecimento sobre uma rea especfica.

3.2

REDE NEURAL ARTIFICIAL Segundo Braga, Carvalho e Ludemir (2000), as Redes Neurais Artificiais

(RNAs) so modelos matemticos que se assemelham s estruturas neurais biolgicas e que tem capacidade computacional adquirida por meio de aprendizado e generalizao. Ento, a rede neural absorve dados e, a partir destes, modifica seus parmetros de entrada. Uma Rede Neural Artificial treinada pode ter uma boa capacidade de generalizao independentemente de ter sido controlada durante o treinamento. Boa parte das pesquisas atual na rea, visa o desenvolvimento de modelos e tcnicas de aprendizado que tenham algum controle de generalizao (BRAGA; CARVALHO;LUDEMIR, 2000). Qualquer problema de aproximao de funes contnuas pode ser resolvido por meio de Redes Neurais Artificiais, independente do nmero de variveis envolvidas. Conforme ainda afirmam Braga, Carvalho e Ludemir, uma das

caractersticas mais importantes das Redes Neurais Artificiais que as mesmas so aproximadoras universais de funes multivariveis contnuas.

3.2.1 Neurnio biolgico

No sculo XIX o mdico Ramon y Cajal em seus diversos estudos sobre o sistema nervoso central descreveu anatomicamente um neurnio. Assim como qualquer outra clula biolgica o neurnio composto de uma membrana celular e possui papel essencial no funcionamento eltrico de clulas nervosas.

25

O corpo dessas clulas nervosas capaz de projetar extenses filamentares que so conhecidos como dentritos e axnio, conforme ilustrado na Figura 3. Os dentritos so filamentos que cobrem um volume maior que o prprio corpo celular formando uma espcie de rvore. E j o axnio, tambm chamado de fibra nervosa responsvel em conectar clulas nervosas no sistema nervoso. Sendo esta ento a composio considerada o centro de processos metablicos. Cada neurnio possui um axnio e este pode chegar a vrios metros. Alguns neurnios encontrados no sistema nervoso central dos vertebrados, composto de uma capa de mielina, uma substncia lipda proveniente de clulas do hipotlamo. Esta mielina capaz de envolver fibras nervosas fazendo que estas fibras possam criar os impulsos nervosos mais rpidos, acelerando assim a transmisso de informao pelo neurnio.

Figura 3 Neurnio biolgico

Fonte: Valena (2006, p.18)

Passou-se a entender o neurnio biolgico como sendo basicamente o dispositivo computacional elementar do sistema nervoso, que possui muitas entradas e uma sada (KOVACS, 2006). Principalmente por que o Spike que a ativao do neurnio dada a configurao de entrada, pode ser visto como um sistema ligado x desligado (1,0) no seu comportamento coletivo.

3.2.2 Neurnio Artificial

O neurnio artificial uma representao matemtica do neurnio biolgico. A primeira proposta para representar matematicamente um neurnio foi realizada por McCulloch e Pitts em 1943. O modelo utiliza uma regra de propagao e uma de ativao para representar um neurnio biolgico. A emisso de sinal fundamentada na Lei do Tudo ou Nada. Conforme demonstrado por Valena (2007,p.20 ) a

26

representao matemtica descrita nas prximas linhas: Considere como sendo variveis de entrada do

neurnio de sada i. a entrada liquida o. Onde so os pesos sinpticos e

dada pela seguinte regra de propaga-

o limiar representado na Figura 4.

Figura 4 Neurnio de McCulloch e Pitts com limiar explcito

Fonte: Valena (2006, p.20)

A funo de ativao

neste caso a funo degrau, isto : {

Nos algoritmos de aprendizagem, considerar do limiar de forma implcita mais adequado. A Figura 5 apresenta uma alternativa de representao do neurnio, em que o efeito da funo limiar representado por se fazer duas modificaes:

27

Figura 5 - Neurnio de McCulloch e Pitts com limiar implcito

Fonte: Valena (2006, p.21)

Adicionou uma entrada de valor fixo Adicionado novo peso sinptico (VALENA, 2006).

3.2.3 Aprendizado

O processo de aprendizado em Redes Neurais Artificiais constantemente submetido a intensas pesquisas relacionadas s redes biolgicas e neurais. Existem inmeros processos de aprendizado adequados a diferentes tipos de redes neurais. Estes processos podem ser divididos em dois tipos: Associativo e no associativo. O tipo Associativo a forma de aprender atravs do relacionamento entre pares de estmulos e est relacionado ao modelo de aprendizado para Redes Neurais Artificiais supervisionadas. J no tipo no associativo no existem estmulos secundrios. Deste modo, por meio da repetio de um estmulo que surge a oportunidade de aprender sobre determinada propriedade. Este tipo um modelo para Redes Neurais Artificiais no supervisionadas (KOVACS, 2006).

3.2.3.1 Aprendizado supervisionado

Este o mtodo mais utilizado para treinamento de Redes Neurais Artificiais. O objetivo dele ajustar os parmetros da rede para encontrar uma ligao entre os

28

pares de entrada e sada. Um mecanismo de avaliao indica um comportamento esperado da rede a fim de direcionar o processo de treinamento. A sada comparada com a resposta desejada e recebe informaes sobre o erro da resposta corrente. Para todos os padres apresentados, so comparadas as respostas desejadas com as respostas calculadas, ajustando os pesos das conexes para minimizar o erro. A grande desvantagem do aprendizado supervisionado que, na ausncia do avaliador, a rede no ir evoluir e aprender novas estratgias em situaes no apresentadas pelo treinamento da rede. Os algoritmos mais conhecidos para

aprendizado supervisionado so a regra Delta e o algoritmo Backpropagation. Existem duas formas de implementao do aprendizado supervisionado: offline e on-line. Off-line: os dados de treinamento no mudam e, ao obter uma soluo para a rede, ela permanece fixa. Quando novos dados so adicionados ao treinamento, ele deve ser refeito. On-line: o conjunto de dados muda continuamente e a rede est em contnuo processo de adaptao. (BRAGA,2008;AZEVEDO,2000)

3.2.3.2 Aprendizado no supervisionado

O modelo no supervisionado no requer um supervisor. Para estes algoritmos necessria somente a apresentao dos padres de entrada. Com estes padres a rede tenta estabelecer uma harmonia atravs regularidades estatsticas. Desta forma ela estabelece representaes internas para criar caractersticas e separar por meio de classes ou grupos automaticamente. O sistema de aprendizado no supervisionado pode adquirir uma variedade de formas distintas, como consistir em uma camada de entrada, uma de sada, conexes feedforward da entrada para a sada e conexes laterais entre os neurnios da camada de sada.

3.2.4 Adaline

Em 1960, Bernad Widrow, professor da universidade de Stanford, apresentou em uma conferncia do Institute of Radio Eletrnics - IRE hoje conhecida como Institute of Eletrical and Eletronic Engineers - IEEE um modelo muito simples de rede neural, o qual ele batizou de Adaptive Linear Neuron - ADALINE. Este modelo

29

baseado em elementos de processamento que executam operaes de soma e posteriormente executada uma comparao com um valor linear. A grande contribuio de Widrow foi o algoritmo de treinamento chamado de regra Delta que posteriormente deu origem ao algoritmo Back-propaga-

tion.(BRAGA,2008;AZEVEDO,2000) ADALINE um modelo linear de Rede Neural Artificial com aprendizado supervisionado, cuja sada simplesmente a combinao dos componentes do vetor de entrada x. Seu valor de sada limitado a +1 se o resultado do somatrio de entrada for positivo e a -1 se o resultado do somatrio de entrada for negativo. Este comportamento bipolar tem seus pesos adaptados em funo do erro de sua sada linear ( ). Isto leva a uma funo de custo minimizado por ser quadrtica . Desta forma, se garante a minimizao pelo mtodo do

nos pesos de entrada

gradiente. (BRAGA,2008).

3.2.4.1 Algoritmo de aprendizado

A regra de aprendizado que Widrow prope usar a funo de entrada antes da sada ser mapeada, este modelo conhecido como procedimento de aprendizado Least Means Square - LMS, ou regra Delta. Desta forma, a funo de sada pode ser: o peso para o neurnio , para o neurnio , e que a funo de entrada para o neurnio , e sempre apresenta uma entrada +1 e So entradas para o neurnio um termo chamado de bias, um peso adaptativo .

ADALINE no capaz de aprender a separar funes no linearmente separveis. Portanto, no ser abordada a sua aplicao para auxiliar no diagnstico clnico. (AZEVEDO,2000).

3.2.5 Perceptron

Em 1058 Rosenblatt props o modelo Perceptron, que composto por uma estrutura de rede, cuja sua unidade bsica so nodos MCP, e uma regra de aprendizado. Anos depois ele demonstrou que um nodo MCP treinado com o algoritmo do

30

Perceptron sempre ir convergir caso o problema a ser solucionado possa ser linearmente separvel. O modelo original proposto por Rosenblatt era composto por unidade de entrada, unidades de associao e por unidades de sada, responsvel pelas respostas. Apesar de este modelo possuir trs nveis, ele conhecido como Perceptron de uma nica camada. Isto porque somente os nveis de sada possuem propriedades adaptativas (AZEVEDO,2000;BRAGA,2008).

3.2.5.1 Algoritmo de aprendizado

A regra de aprendizado de uma rede Perceptron consiste na adaptao dos seus pesos de forma que a rede execute uma determinada tarefa de classificao. Conforme demonstrado por (BRAGA,2008) a equao geral para a atualizao dos pesos de um nodo Perceptron simples demonstrado na equao abaixo.

A limitao desta funo est em obter apenas solues para problemas de separao de duas classes linearmente separveis em um tempo finito (BRAGA,2008) .

3.2.6 Redes Neurais Multi Camadas

Para a soluo de problemas no linearmente separveis necessria a utilizao de uma ou mais camadas intermedirias. Um ponto de ateno para este tipo de implementao que, conforme a distribuio dos dados, a rede pode convergir para um mnimo local ou levar um tempo considervel para encontrar uma soluo vlida. (BRAGA,2008). Na dcada de 70 houve uma reduo nas pesquisas relacionadas as Redes Neurais Artificiais por causa da falta de conhecimento de algoritmos para o treinamento de redes com uma ou mais camadas. Redes multilayer perceptron MLP possuem um poder computacional bem elevado comparado as de apenas uma camada. Deste modo, MLPs podem tratar dados que no so linearmente separveis. A preciso e sua implementao depende apenas do nmero de nodos nas camadas intermedirias. A Figura 6 representa uma MLP:

31

Figura 6 - Rede neural Percepton multicamada Fonte: Seielo

Em uma rede multicamadas, o processamento realizado por cada nodo definido pela combinao dos processamentos realizados pelos nodos da camada anterior que esto conectados a ele. Para uma rede de apenas duas camadas intermedirias, o processamento descrito nas prximas linhas ocorre em cada uma delas (BRAGA,2008). Primeira camada intermediria: Nodo traa retas no espao de padres de treinamento. Segunda camada intermediria: cada nodo combina as retas traadas pelos neurnios da camada anterior conectados a ele, formando regies convexas, onde o nmero de lados definido pelo nmero de unidades a ele conectadas. Camada de sada: Cada nodo forma regies que so combinaes das regies convexas definidas pelos nodos a ele conectados da camada anterior. Desta maneira, os nodos definem regies com formatos abstratos. As unidades intermedirias de uma rede do tipo MLP funcionam como detectores de caractersticas. Com um nmero suficientemente elevado de unidades intermedirias, possvel formar representaes internas para qualquer conjunto de padres de entrada. O nmero de nodos nas camadas intermedirias na maioria das redes definido empiricamente. Este nmero est diretamente relacionado com a distribuio

32

dos padres de treinamento e validao da rede. No entanto existem alguns mtodos propostos, sendo que, os mais utilizados so: a) Definir o nmero de unidade em funo do nmero de entradas e sadas; b) Utilizar um nmero de conexes dez vezes menor que o nmero de exemplos. Este mtodo apenas reduz a incidncia de overfitting. Caso o nmero de exemplos for muito maior que o nmero de conexes, overfitting improvvel, mas existe o risco de ocorrer underfitting. Entendendo-se underfitting como um subajuste que ocorre quando a rede no suficientemente treinada para se tornar capaz de produzir resultados satisfatrios ou convergir; E overfitting considerado um super-ajuste e ocorre quando a rede demasiadamente treinada e passa a decorar os dados apresentados. Para a adequao do nmero de nodos na camada intermediria os seguintes fatores devem ser analisados: a) Nmero de exemplos de treinamento; b) Quantidade de rudo presente nos exemplos; c) Complexidade da funo a ser aprendida; d) Distribuio estatstica dos dados de treinamento. A quantidade de unidades de entrada e de sada varia conforme o problema, para alguns necessrio apenas uma unidade de entrada e uma de sada, j para outros este valor pode crescer exponencialmente com o nmero de entradas. A soluo mais eficiente aquela que o nmero de unidades cresce de forma polinomial com o aumento no nmero de entradas (BRAGA, 2008).

3.2.6.1 Treinamento em redes MLP

Existem vrios algoritmos para treinar redes MLP. Estes algoritmos so geralmente do tipo supervisionado, e podem ser classificados em dois tipos, esttico e dinmico. a) Esttico: No alteram a estrutura da rede, apenas variam apenas os valores de seus pesos; b) Dinmico: Podem reduzir ou aumentar o tamanho da rede (nmero de camadas, nmeros de nodos nas camadas intermedirias e nmero de conexes).

33

O algoritmo mais conhecido para o treinamento deste tipo de rede o algoritmo back-propagation. A maioria dos mtodos de aprendizado para Redes Neurais Artificiais do tipo MLP utiliza variaes deste algoritmo. Este algoritmo do tipo supervisionado, que utiliza pares de entrada e sada desejada, para por meio de um mecanismo de correo de erros ajustar os pesos da rede. Seu treinamento consiste em dois passos. No primeiro, apresentado s unidades da camada de entrada e a partir dessa camada as unidades calculam sua resposta que produzida na camada de sada o erro calculado. E no segundo passo, este erro propagado a partir da camada de sada at a camada de entrada e os pesos das conexes das camadas internas so modificados. Com isso, o erro vai sendo progressivamente diminudo (FERNANDES,2005; BRAGA 2008) . O back-propagation est fundamentada na regra delta proposta por Widrow e Holf, conhecida tambm como regra delta generalizada. O objetivo deste algoritmo definir os erros dos nodos das camadas intermedirias. Com isso possvel ajustar seus pesos atravs do mtodo do gradiente. A derivao da regra delta generalizada semelhante a da regra delta. Desta forma, a funo para a minimizao do erro uma funo quadrtica definida pela funo abaixo: a medida do erro total, o nmero de pades, de sada, a -sima sada desejada e o nmero de unidades

a -sima sada gerada pela rede.

Esta equao apresenta o erro total cometido pela rede ou a quantidade que para todos os padres de um dado conjunto, as sadas geradas so diferentes das sa-

das desejadas (BRAGA,2008). A regra delta generalizada necessita que as funes de ativao dos nodos sejam contnuas diferenciveis. Estas funes so conhecidas como: Funes semilineares: A constante representa o numero de entradas do nodo e e o nodo (BRAGA,2008). , o peso da

conexo entre a entrada

Ao utilizar o algoritmo back-propagation possui uma limitao relacionada ao tempo de treinamento, algumas vezes so necessrios milhares de ciclos para se

34

chegar a nveis de erros aceitveis, principalmente se estiver sendo simulado em computadores seriais. Pois a CPU calcula as funes para cada unidade e suas conexes separadamente (FERNANDES, 2005). Para reduzir o tempo de treinamento do algoritmo de retro propagao e ao mesmo tempo garantir a estabilidade do processo D. Rumelhart descreveu o mtodo chamado de momento, no qual ele adiciona um termo para o ajuste de peso, que proporcional ao valor da mudana de peso anterior. Uma vez que o ajuste feito, ele guardado e seve para modificar o ajuste dos pesos subseqentes (AZEVEDO,2000). Braga afirma que Redes perceptron multicamadas so as redes mais utilizadas, por sua facilidade de implementao e por sua simplicidade. Dentro das aplicaes que ele destaca, est a de diagnstico mdico.

3.2.7 Rede Hopifield

uma implementao de memrias associativa por uma rede recorrente proposta por Hopfield em 1982. Ele descreveu como capacidades computacionais podem ser obtidas atravs de redes com elementos tipo neurnio (KOVCS, 2006). Este tipo de rede possui apenas uma nica camada de unidades de processamento. A cada unidade determinado um valor de atividade, ou estudo que binrio. A cada instante a rede possui um estado. Este estado um vetor de 1s e 0s. Cada um dos elementos deste vetor corresponde a uma unidade individual de processamento na rede. Esta arquitetura torna a rede recursiva, isso porque as sadas de cada unidade so entradas de todas as outras unidades em uma mesma camada conforme representado pela Figura 7. Cada interconexo possui um peso associado. Este peso um valor escalar. Hopfield os pesos e denota o peso da unidade para a unidade . Em uma rede so iguais, portanto, , . Quando esta igual-

dade verdadeira significa que a rede possui capacidade de convergncia e deste modo atinge um valor estvel (AZEVEDO, 2000).

35

Figura 7 - Rede Hopfield formada de N=4 neurnios Fonte: Castro (2011, p.01)

Para cada unidade de processamento a rede deve apresentar um estado inicial. Um procedimento de atualizao aplicado e a cada instante uma unidade atualizada. O Estado de cada unidade afetado ou no a cada procedimento. Esta atualizao continua at que todas encontrem um equilbrio. Em uma rede Hopfield o neurnio possui dois estados. A sada do neurnio caso ele no se encontre ativado e se ele estiver ativado. O neurnio . A regra de

recebe uma entrada do neurnio com uma fora de conexo ativao pode ser observada abaixo, {

um threshold que deve ser definido para o neurnio ser ativado. Uma caracterstica marcante em redes deste tipo o fato de ser assncronas. Em cada instante apenas um neurnio muda de estado. Todo o neurnio tem a mesma probabilidade de ser escolhido para uma possvel transio de estado. A energia em cada n definida por:

36

A energia total definida por:

Apesar de ser chamada de funo de energia ela no representa a energia real de qualquer sistema fsico. Ela uma funo objetiva que minimizada pela rede. A cada atualizao de uma unidade de processamento a energia da rede diminui ou permanece a mesma (AZEVEDO, 2000). O comportamento da rede s pode ser vlido se os estados estveis possam ser selecionados. Para isso existem dois mtodos: Diretamente por clculo e por treinamento da rede.

37

4 PROJETO

Para cumprir com o objetivo do trabalho sero realizadas as seguintes etapas: a) b) definir linguagem de programao; pesquisar bibliotecas de Rede Neural Artificial disponveis na linguagem escolhida e definir qual ser aplicada no trabalho; c) d) e) definir Redes que sero trabalhadas; desenvolver um aplicativo que utilize as redes escolhidas; comparar a assertividade das redes escolhidas.

4.1

LINGUAGEM DE PROGRAMAO

Para este trabalho a linguagem de programao escolhida ser Java. Java uma linguagem relativamente fcil, pois sua sintaxe se assemelha muito com C e tambm por possuir uma comunidade muito ativa disposta a ajudar e solucionar eventuais dvidas.

4.2

BIBLIOTECAS DE REDES NEURAIS ARTIFICIAIS PARA JAVA

Existem uma infinidade de projetos de Redes Neurais Artificiais desenvolvidos em Java. Estas bibliotecas visam simplificar o trabalho do desenvolvedor. Graas a elas o programador dedica maior parte do seu tempo no problema que se deseja solucionar com a Rede Neural Artificial, sem necessariamente precisar desenvolver uma Rede Neural Artificial do zero. Os principais projetos construdos sobre a plataforma Java so: Neuroph e Encog.

4.2.1 Neuroph

um projeto de redes neurais artificiais em Java que utiliza uma arquitetura de orientao a objetos. O que chama a ateno neste projeto o fato dele possuir um Framework construdo sobre a IDE Netbeans. O que facilita a criao de uma rede neural em minutos. Na Figura 8 apresentado o Framework Neuroph.

38

Figura 8 Framework Neuroph Fonte: Neuroph

Neuroph pode ser considerado um projeto bem completo, sua implementao abrange as mais variadas Redes Neuras Artificiais. a) Adaline; b) Perceptron; c) Perceptron multicamadas com backpropagation; d) Hopfield; e) Kohonen; f) Hebbian; g) Rede competitiva; h) Instar; i) Outstar; j) Rede RBF; k) Fuzzi.

4.2.2 Encog

uma biblioteca avanada desenvolvida em Java com o intuito de auxiliar o programador no desenvolvimento de aplicativos que utilizem Redes Neurais Artificiais. Este projeto tem com o seu principal patrocinador o Heaton Research e sua licena est sobre o regime apache 2.0. No site http://www.heatonresearch.com possvel encontrar vrios vdeos e e-Books com foco em Inteligncia Artificial. Na
Figura 9

apresentado o site Heaton Research.

39

Figura 9 Site Heaton Research Fonte: Heaton Research

Encog suporta os mais variados tipos de arquitetura para Redes Neurais Artificiais. Segue a lista dos tipos suportados. a) ADALINE; b) Memria associativa bidirecional; c) Mquina de Boltzmann; d) Rede Counterpropagation; e) Rede Elman; f) Perceptron; g) Hopfield; h) Rede Jordan i) Rede Funo Radial Bsica j) RSOM k) Kohonen A biblioteca mais adequada pra o trabalho a Neuroph. A escolha dela se justifica pelo fato de possuir um framework. O que facilita na execuo de testes e criao de pequenos prottipos para um melhor entendimento do comportamento da rede e seu grau de assertividade.

4.3

APLICATIVO PARA ANLISE DE BALANO

Para que o aplicativo cumpra com o objetivo de utilizar Redes Neurais Artificiais Para anlise de balano foram levantados os seguintes requisitos: a) possuir cadastro de Ativos; b) possuir cadastro de Passivos; c) possuir cadastro de grupos de balanos para treinamento;

40

d) Possuir rea para anlise de um balano qualquer. A Rede Neural Artificial a ser avaliada ser Hopfield, e por sua vez esta uma rede de memria associativa com entradas e sadas binrias (0 e 1), e neste caso houve a necessidade de desenvolver uma funo de ativao dos neurnios. Para cada grupo de balanos calculado a mdia individual de todos os seus atributos. Aps necessrio calcular a mdia geral de todos os grupos de balanos. Somamse individualmente atributos ativos e atributos passivos, depois se verifica a porcentagem que o atributo representa em seu grupo maior ou menor que a porcentagem encontrada na mdia geral. Caso seja maior, o valor adotado para o atributo ser um, caso menor ou igual o valor adotado ser zero. O foco do trabalho desenvolver um modelo computacional, capaz de identificar se um balano qualquer, se encaixa, em um grupo de balanos j conhecidos pela Rede Neural Artificial. Com base em tal relevncia a Tabela 1 representa trs balanos fictcios que foram utilizados como base de conhecimento da Rede Neural Artificial.
Tabela 1 Balanos fictcios para treinamento

Ativo
Dinheiro em caixa Depsitos sem juros e contas de compensao Depsitos e investimento com juros < 1 ano Despesas antecipadas Investimentos > 1 ano Passivo Depsitos vista Depsito a curto prazo (< 1 ano) Emprstimos tomados a curto prazo (< 1 ano) Outros passivos a curto prazo Depsito a longo prazo (> 1 ano) Emprstimos tomados a longo prazo (> 1 ano) Contas de Quase-Capital Fonte: Prpria

Balano Balano Balano A B C 10000 50000 20000 20000 40000 0 30000 30000 12000 40000 20000 33000 50000 10000 5000

70000 50000 30000 10000 60000 40000 20000

20000 30000 40000 70000 50000 20000 10000

40000 10000 20000 48000 23000 10000 78000

O primeiro passo para verificar se a Rede Neural Artificial est identificando corretamente os balanos utilizar os dados j cadastrados como entrada. O Aplicativo se comportou corretamente e identificou todos os balanos

41

correspondentes. Outro teste relevante trocar alguns valores de posio e submete-los ao aplicativo para verificar o comportamento. Na Tabela 2 esto representados os valores com pequenas intervenes para a Rede Neural Artificial.
Tabela 2 Valores com Alteraes bsicas

Ativo
Dinheiro em caixa Depsitos sem juros e contas de compensao Depsitos e investimento com juros < 1 ano Despesas antecipadas Investimentos > 1 ano Passivo Depsitos vista Depsito a curto prazo (< 1 ano) Emprstimos tomados a curto prazo (< 1 ano) Outros passivos a curto prazo Depsito a longo prazo (> 1 ano) Emprstimos tomados a longo prazo (> 1 ano) Contas de Quase-Capital Fonte: Prpria

Balano Balano Balano A B C 10000 40000 20000 20000 50000 0 50000 30000 33000 40000 20000 12000 30000 10000 5000

70000 50000 30000 10000 60000 40000 20000

20000 30000 40000 70000 50000 10000 20000

40000 10000 48000 20000 23000 10000 78000

Ao submeter os dados da Tabela 2 o aplicativo se comporta de forma esperada. Ento se elaborou um conjunto de dados totalmente desconhecidos pelo aplicativo conforme Tabela 3. Nesta tabela, o Teste A apresentou o tendncia ao balano de treinamento do tipo B, o Teste B apresentou tendncia ao balano de treinamento do tipo A e o Teste C tendeu ao balano de treinamento do tipo C. O aplicativo apresentou um resultado satisfatrio, mas quando executado o Teste D, o aplicativo no Identificou o padro que ele se assemelha. Este comportamento pode ocorrer com por que os dados so apenas fictcios e no representam uma realidade contbil. Neste caso se faz necessrio um estudo direcionado na rea contbil com dados reais.
Tabela 3 Dados Desconhecidos

Ativo
Dinheiro em caixa Depsitos sem juros e contas de compensao Depsitos e investimento com juros < 1 ano Despesas antecipadas Investimentos > 1 ano

Teste A Teste B 13280 2840 16600 5680 9960 14200 6640 11360 3320 8520

Teste C Teste D 8420 30400 0 12980 13893 640 5052 750 2105 3800

42

Passivo Depsitos vista Depsito a curto prazo (< 1 ano) Emprstimos tomados a curto prazo (< 1 ano) Outros passivos a curto prazo Depsito a longo prazo (> 1 ano) Emprstimos tomados a longo prazo (> 1 ano) Contas de Quase-Capital Fonte: Prpria

6640 9960 13280 23240 16600 3320 6640

19880 14200 8520 2840 17040 11360 5680

16840 4210 20208 8420 9683 4210 32838

9630 12435 14650 6300 9460 2200 1300

4.3.1 Apresentao do aplicativo

Para que o aplicativo possa contemplar os mais variados segmentos de empresas, existe o cadastro de Ativos e Passivos. Consiste em uma interface bem simples onde o usurio define quais sero os ativos e os passivos correspondentes s anlises que sero realizadas. Na Figura 10 representado este cadastro.

Figura 10 - Cadastro de ativos

Uma rede neural artificial precisa de dados para gerar o conhecimento dela. No aplicativo existe uma rea onde o operador pode cadastrar vrios tipos de balanos padres que geram o conhecimento para o aplicativo. A Figura 11 representa a interface onde so cadastrados os balanos padres.

43

Figura 11 - Cadastro de Balanos

Depois de cadastrados os balanos so necessrios cadastrar os seus devidos valores para o treinamento da rede neural artificial. Na Figura 12 representada a interface para adicionar estes valores.

Figura 12 - Cadastro de valores de treinamento

Aps realizados todos os cadastros o aplicativo est pronto para realizar an-

44

lises de balanos desconhecidos. Para isto necessrio acessar a opo Anlise e informar os valores de um balano qualquer que se deseja analisar. Ao Executar a analise o aplicativo ir informar qual dos balanos conhecidos, este novo se assemelha, caso ele no se assemelhar com nenhum dos j cadastrados o aplicativo informar que desconhece o balano analisado. A Figura 13 representa a interface para anlise de balanos.

Figura 13 Resultado de anlise

45

5 CONCLUSO

Com o objetivo de desenvolver um software aplicativo que utilize redes neurais artificiais para anlise de balanos patrimoniais, como ferramenta para auxiliar o profissional contbil a identificar padres em balanos distintos, utilizou-se a linguagem de programao Java para o desenvolvimento do aplicativo e o projeto Neuroph como o facilitador para a utilizao da Rede Neural Artificial Hopfield. Realiza-se uma pesquisa terica que envolve conceitos de contabilidade e Inteligncia Artificial, principalmente sobre Redes Neurais Artificiais atravs de suas caractersticas e comportamentos distintos entre os diferentes modelos conhecidos. Aps esta etapa realizou-se um estudo sobre qual a melhor Rede Neural Artificial para utilizar no aplicativo e entre as estudadas Hopfield apontou ser a mais adequada, por no ser probabilstica, ou seja, se ela reconhecer um padro ir apresenta-lo caso contrrio o resultado dado como desconhecido. Com relao s dificuldades encontradas, elas ajudaram a compreender a estrutura de deciso de uma Rede Neural Artificial e com isso notou-se que a utilizao de dados fictcios mostrou a eficincia do modelo computacional proposto para a Rede Neural artificial, mas que se houvesse a utilizao de dados reais poderia haver uma comprovao estatstica da eficincia do aplicativo. Para que o aplicativo se adapte ao cenrio para analise de balanos patrimoniais, necessrio que exista uma rea para cadastro de ativos e cadastro de passivos. Como uma Rede Neural Artificial necessita de Dados para treinamento tambm se criou a rea onde so cadastrados padres de balanos j conhecidos pelo profissional contbil, com o objetivo de treinar a Rede Neural Artificial. J com a base de conhecimento devidamente cadastrada, basta o profissional entrar com dados inditos na rea de execuo para saber se estes dados se assemelham com os j cadastrados ou se a rede os desconhece. Para dar continuidade ao trabalho sugere-se, para futuras pesquisas que, validem o aplicativo atravs de dados reais; busquem novos modelos

computacionais e estatsticos para a ativao dos neurnios; utilizem outras redes neurais de memria associativa para a identificao de balanos patrimoniais.

46

REFERNCIAS

ARARIBIA, G. Inteligncia Artificial: um curso prtico. Rio de Janeiro: Livros Tcnicos e Cientficos Editora Ltda, 1998. AZEVEDO, Fernando Mendes de et al. Redes Neurais: com Aplicaes e Controle e em Sistemas Especialistas. Florianpolis: VisualBooks, 2000. BRAGA, Antnio, CARVALHO, Andr, LUDEMIR, Teresa. Redes Artificiais: Teoria e Aplicaes. 1.Ed. Rio de Janeiro: LTC, 2000. Neurais

BRAGA, Antnio de Pdua et al. Redes Neurais Artificiais: Teoria e Aplicao. Rio de Janeiro: Livros Tcnicos e Cientficos Editora S.A., 2000. CASTRO, Fernando Cesar C. de. Redes neurais artificiais. Disponvel em:< http://www.ee.pucrs.br/~decastro/RNA_hp/pdf/RNA_C8.pdf>. Acesso em: 19 jun.2011. CHAGAS, Gilson. Contabilidade Geral Simplificada. Braslia, DF: Editora Senac, 2005. FERNANDES, Anita Maria da Rocha. Inteligncia Artificial: noes gerais. Florianpolis: VisualBooks, 2005. GONZLES, Ral Rojas. Neural Networks: A Systematic Introduction. Berlin: Springer, 1996. HEATON, Jeff. Introduction Neural Network with Java: 2.Ed. USA: Heaton Research, 2008. HEATON RESEARCH. Disponvel em: < http://www.heatonresearch.com >. Acesso em 13 jun.2011. IUDCIBUS, Srgio de. Teoria da Contabilidade. So Paulo: Atlas, 2006. IUDCIBUS, MARION, Srgio de; Jos Carlos. Introduo Contabilidade. So Paulo: Atlas, 2006. KOVCS, Zsolt lszl. Redes Neurais Artificiais: Fundamentos e aplicaes. So Paulo: Livraria da Fsica, 2006. MARQUES. Wagner Luiz. Contabilidade Gerencial Necessidade das Empresas. 2. Ed. Cia Norte, PR: 2004. NEUROPH. Disponvel em: < http://neuroph.sourceforge.net >. Acesso em: 13 jun.2011. OBRIEN. James. A. Sistemas de Informao: E as decises gerenciais na era da internet. 2. ed. So Paulo: Saraiva, 2004.

47

OLIVEIRA, Edson. Contabilidade Informatizada: Teoria e Pratica. 2. ed. So Paulo: Atlas, 2000. PADOVEZE, Clvis Lus. Sistemas de Informaes Contbeis. So Paulo: Atlas, 2009. PADOVEZE, Clvis Lus. Manual de Contabilidade Bsica. So Paulo: Atlas, 2010. PIMENTEL, Alex. Tudo o que voc precisa saber sobre economia para conquistar o sucesso financeiro. So Paulo: Digerati Books, 2007. ROSINI E PALMISANO, Alessandro Marco; Angelo. Administrao de Sistemas de Informao e a Gesto do Conhecimento. So Paulo: Thonsom, 2003. S, Antonio Lopes de. Dicionrio de Contabilidade, 9. ed. So Paulo: Atlas, 1999. SEIELO, The Scientific Electronic Library Online. Disponvel em: < http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0104-530X2008000300016>. Acesso em: 11 jun.2011. STAIR E REYNOLDS, Ralph M; George W. Princpios de sistemas de informao. 4. ed. Rio de Janeiro: LTC, 2002. TURBAN, Efraim. Tecnologia da Informao para Gesto Transformando os negcios na economia digital. So Paulo: Artmed Editora SA 2002. TURBAN, Efraim; McLEAN, Ephraim; WETHERE, James. Tecnologia da informao para gesto: transformando os negcios na economia digital. 3. ed. So Paulo: Bookman, 2004. VALEA, Muser. Fundamentos de Redes Neurais Artificiais: Exemplos em java. Olinda, PE: Livro Rpido, 2007.