Computação Cognitiva – O mundo da consciência

...

Fig. 2.Estrutura de um elemento autonômico

Adaptado de (Kephart e Chess, 2001)

Para tornar possíveis as operações autonômicas efetivas os elementos autonômicos devem ser capazes de monitorar, analizar, planejar e executar ações adquirindo conhecimento.

Quando falamos de computação cognitiva nos referimos há algo a mais, todas estas informações anteriores são essenciais mas ainda existem assuntos a abordar.

Os pesquisadores BERNS e GHOSH (2009) publicaram as auto propriedades para os sistemas autonômicos que englobam o auto gerenciamento, auto estabilização, auto cura, auto organização, auto proteção, auto otimização, auto configuração, auto escalabilidade, auto imunidade e a auto retenção.

Mas isto não é o bastante. Ainda que os agentes autonômicos de sistema (AAS) contenham todas estas propriedades na EURESCOM (2009), os pesquisadores assinalaram que estrutura o desenvolvimento, a implantação, a gestão e a cooperação destas propriedades dos recursos autonômicos é essencial para atender o desafio de combinar as propriedades auto.

A explicação mais clara disso, de acordo com WANG (2009) está descrita abaixo:

“As funções cognitivas mais elevadas na camada 6 de LRMB abrangem reconhecimento, imaginação, compreensão, aprendizagem, raciocínio, dedução, indução, tomada de decisão, solução de problemas, explicação, análise, sintética, criação, analogia, planejamento e quantificação tal como descrita formal e naturalmente”.[2]

Analisando toda esta gama de informações e variávies, podemos chegar a uma realidade muito importante que encontra amparo nas pesquisas de GALIS et Al (2009) que defende o conceito da auto consciencia e a comunicação de recursos, ou seja, é necessário que na computação cognitive, estejam presents os conceitos e as propriedades de auto conhecimento, conhecimento do meio, conhecimento do contexto e ainda o auto aprendizado para que a tomada de decisões, a solução do problema e o alcance dos objetivos possam ocorrer verdadeiramente de forma cognitiva pelos fundamentos e propriedades da inteligência artificial.

A auto consciência ou auto conhecimento pode ser traduzido com a ciência de si mesmo, o que e que eu sou;

O conhecimento do meio pode ser traduzido em onde estou, qual a minha localização;

O conhecimento do contexto pode ser traduzido em decorrência dos anteriores, eu sou tal coisa, localizada em tal lugar e posso realizar tais tarefas. Exemplo: uma seifadeira com tanque cheio de combustível, numa plantação de soja de “x” hetares que devem ser colhidos em “y” intervalo de tempo;

O auto aprendizado pode ser traduzido em resultados da tomada de decisões para a solução de um problema e alcance de um objetivo proposto. Exemplo: a seifadeira deve colher a soja dos “x” hectares da plantação no menor tempo possível. Se ela começar as atividades numa cadência mais leve não poderá realizar no menor intervalo de tempo, então conhecendo todo o contexto, ela irá realizar uma divisão dos “x” hectares em quarto lotes distintos, analisar o tempo gasto em um deles na cadência inicial e ao conhecer o resultado irá tomar a decisão sobre qual cadência deverá utilizer no processamento da colheita para que possa alcançar o resultado esperado e alcançar o objetivo.

- sistemas autonômicos

Segundo Clark com a suas Pesquisa Baseada em engenharia de software ( Software Engineering) provou que uma maneira muito eficaz de otimizar problemas de engenharia de software onde o potencial do software é considerado como um meio de adaptabilidade dinâmica que permanece sob exploração e define a agenda para Dinâmico Adaptativo do software , em que a otimização é incorporado em software instalado para criar sistemas adaptativos auto-otimização. Na qual o dinâmico Adaptativo do software irá mover a agenda de pesquisa para a frente a englobar tanto os processos de desenvolvimento de software e dos produtos de software que foram dirigindo o longa data, e como ainda não resolvido, em grande parte, grande desafio dos sistemas auto-adaptativa

Como o sistema autonômico faz parte da infra-estrutura de computação, novas exigências que serão colocadas em todos os usuários. Ai surgem as as seguintes questões

Como os usuários a entender o que os sistemas autonômicos estão tentando fazer?

Como os sistemas devem retratar-se aos usuários?

Como podemos projetar a experiência de computação autônoma para amplificar as capacidades do usuário?

Para responder as questões acima colocadas este artigo apresenta um modelo de arquitetura de alto nível para ajudar na entrega de computação autônoma em fases. Com a arquitetura de reforço que é autogestão com implementações de loop de controle inteligente para monitorar, analisar, planejar e executar, alavancando o conhecimento do ambiente. Essas malhas de controle pode ser incorporado em ambientes de recursos de tempo de execução ou entregues em ferramentas de gestão. As malhas de controle colaborar usando um dos cinco blocos de construção de arquitectura, que integra os restantes quatro blocos de construção de arquitectura: gestores, gerentes autonômicos manuais, pontos de contato e fontes de conhecimento. Gestores e gerentes autonômicos manuais comunicar com recursos gerenciados através da interface de gerenciamento, sob a forma de um ponto de contato, usando interfaces de sensores e efetoras. A interface do sensor exibe dois estilos de interação, o estilo recuperar-estado de interação usado para consultar informações de um recurso gerenciado) eo estilo de interação receber notificação usado para enviar informações sobre o evento assíncrono a partir de um recurso gerenciado. A interface efetoras exibe dois estilos de interação, o estilo de interação realizar-operação usado para definir os dados de estado na gestão recurso e o estilo de interação pedido usado por um recurso gerenciado para obter serviços de alguma outra entidade externa no sistema.

Segundo Kephart and Chess O objetivo da computação autonômica é reduzir a complexidade e o custo de sistemas de computação de grande escala, dotando-os a capacidade de gerir-se de acordo com os objetivos de alto nível especificado por seres humanos. Este artigo apresenta uma abordagem de arquitetura para computação autônoma que é