http://repositorio.febab.org.br/files/original/29/4044/SNBU2002_039.pdf 6f2b78e8f0bacba95bd87286b778a4e0 PDF Text Text UM MODELO DE PREVISÃO BASEADO EM INTELIGÊNCIA ARTIFICIAL NA GESTÃO DE BIBLIOTECAS UNIVERSITÁRIAS Domingos Vanderlei Filho 1 Tiago Alessandro Espíndola Ferreira 2 Teresa Bernarda Ludermir2 Mêuser Jorge Silva Valença3 Resumo Este artigo trata do problema de previsão em relação a demanda de usuários que buscam os serviços de uma biblioteca universitária. Nele procura-se através de uma ferramenta de inteligência artificial, chamada Redes Neurais Artificiais, estabelecer estimativas que auxiliem o gestor nas tarefas de planejamento e dimensionamento da estrutura física e de pessoal. Estas tarefas são necessárias para oferecer serviços dentro de padrões de qualidade estabelecidos junto aos clientes. Para o estudo de caso foram utilizados dados reais do sistema de informação da Biblioteca Central da Universidade Federal de Pernambuco (UFPE), referentes aos atendimentos prestados aos usuários quanto a empréstimos de publicações e renovações, realizados no período de janeiro de 1995 a dezembro de 2001. Palavras-chave: previsão de demanda; redes neurais artificiais; biblioteca universitária, gestão de serviços, séries temporais. 1 INTRODUÇÃO A previsão de demanda é uma das atividades mais difíceis dentro do contexto de uma organização ou empresa. Caso a demanda não seja dimensionada de forma correta, a previsão terá em contrapartida repercussões negativas no âmbito financeiro. Portanto, uma demanda superestimada acarreta gastos com excesso de oferta e no caso de uma demanda subestimada significa perda de receita. ___________________________________________________________________________ 1 UFPE Departamento de Eletrônica e Sistemas, Rua Acadêmico Hélio Ramos, s/n - Cidade Universitária, CEP: 50740-530 Recife - PE - Brasil. E-mail: dvanderlei@yahoo.com.br 2 UFPE Centro de Informática Caixa Postal 7851, CEP: 50732-970 Recife – PE - Brasil. E-mail: tbl@cin.ufpe.br, taef@cin.ufpe.br 3 UNIVERSO, Av. Mascarenhas de Moraes, 1919 - Imbiribeira, CEP: 51150-000 Recife - PE - Brasil. E-mail: neuserv@uol.com.br �Este trabalho surgiu da idéia de desenvolver um processo de previsão de demanda que faz uso dos dados disponíveis para criar um modelo de previsão acurado, através de uma ferramenta de inteligência artificial chamada redes neurais artificiais (RNAs). O sistema de previsão de demanda foi concebido como sendo uma ferramenta de apoio a tomada de decisão para os gestores das bibliotecas universitárias da UFPE. Este sistema permite analisar e estimar o comportamento do volume de usuários que procuram os serviços de empréstimo e renovação de livros e periódicos, tomando-se por base os dados históricos (séries temporais) armazenados no sistema de informação da UFPE. Baseando-se na afirmação de Linguanotto, Grandi, Sampaio (2001) observa-se que “a necessidade de informação pode ser caracterizada como a busca por produtos e serviços imprescindíveis para o suporte às atividades de ensino, pesquisa e trabalhos acadêmicos”. Adicionalmente, é intuitivo que as bibliotecas universitárias têm papel relevante dentro da sociedade atual, pois elas atuam como provedoras de informação, a qual é o insumo básico para produção do conhecimento. Assim, entende-se que uma determinada necessidade de informação não satisfeita pode ser capaz de provocar perdas no desenvolvimento das atividades acadêmicas. É possível observar que dentro da dinâmica do mundo atual globalizado e virtualizado, é requerido das instituições a definição de modelos, métodos gerenciais e práticas de trabalho que permitam dar respostas mais rápidas e eficientes para seus clientes. Neste sentido, existe um nível de exigência crescente dos clientes com relação aos serviços oferecidos, o que tem levado as empresas a buscar melhorias contínuas de seus processos. Isto sugere a implantação de recursos que propiciem aos gestores um melhor controle dos processos sob sua responsabilidade e permitam atingir níveis satisfatórios de qualidade e satisfação junto aos clientes. O cliente é sem dúvida um elemento importante para o ambiente empresarial, principalmente considerando-se pontos de vista como o de Teboul (1999), o qual apresenta a idéia da sociedade estar na Era dos Serviços. �Dentre outros aspectos que podem ser considerados no objetivo de melhor gerenciar os serviços e produtos oferecidos pelas bibliotecas universitárias brasileiras, observa-se a previsão de demanda. Uma previsão dentro de limites confiáveis poderá permitir uma melhor alocação de recursos materiais e de mão de obra gerenciados. Assim, os gestores de bibliotecas passam a ter mais informações para a tomada de decisão em diversos aspectos como: no planejamento de férias e licenças-prêmio, na decisão da quantidade e quando será necessário contratar mão de obra terceirizada para atender demandas futuras, na aquisição de equipamentos e outros bens materiais ou ainda na ampliação ou redução do espaço físico utilizado. Portanto, uma vez que esteja disponível uma estimativa do valor futuro através da previsão, serão aumentadas as chances de manter a qualidade do serviço evitando-se estresses e perdas dentro da empresa ou unidade organizacional. 1.1 Problema Abordado Para a realização deste trabalho, foram utilizados dados reais obtidos a partir do sistema de informação de bibliotecas da UFPE no período de janeiro de 1995 a dezembro de 2001. A série temporal dos dados tratados pode ser vista na Figura 1. Série Temporal de Atendimentos BC- UFPE (jan/1995 - dez/2001) 10000 8000 6000 4000 2000 jul/01 jan/01 jul/00 jan/00 jul/99 jan/99 jul/98 jan/98 jul/97 jan/97 jul/96 jan/96 jul/95 jan/95 0 FIGURA 1: Série temporal do serviço de empréstimo e renovações de livros e periódicos na Biblioteca Central da UFPE entre jan/1995 e dez/2001 O problema tratado neste trabalho pode ser sucintamente descrito como um problema de previsão de demanda dos usuários do serviço de empréstimo e renovação de livros e �periódicos da Biblioteca Central da UFPE. Pretende-se através da utilização das redes neurais artificiais propor uma previsão de demanda em relação ao problema tratado. Este trabalho está estruturado na forma a seguir: Na seção 2 é feita uma breve explicação das Redes Neurais Artificiais. A seção 3 apresenta o modelo de previsão proposto e os resultados obtidos com redes Time Delay Neural Networks (TDNN). As considerações finais sobre os resultados obtidos na seção 3 bem como sugestões são mostradas na seção 4. 2 AS REDES NEURAIS ARTIFICIAIS A busca do homem em criar máquinas capazes de gerar respostas e ações inteligentes vem desde a antiguidade. Este pensamento levou cientistas e pesquisadores a buscar formas alternativas de computação. Entre estas formas estão as Redes Neurais Artificiais, as quais podem ser entendidas como modelos matemáticos que, de uma maneira geral, procuram imitar o funcionamento do cérebro humano. Portanto, o desenvolvimento das RNAs tem por objetivo produzir alguma forma de inteligência artificial. O cérebro humano é composto por bilhões de neurônios que se interconectam, formando uma verdadeira rede. Na Figura 2 pode ser visto um neurônio natural. Esta rede é capaz de processar milhões de informações e realizar trilhões de ligações sinápticas. Embora a velocidade de processamento do cérebro humano seja relativamente baixa quando comparada aos computadores modernos, sua forma de processar informação, não linear e paralela, e a capacidade de organizar seus neurônios resulta num desempenho melhor na computação de certas funções como no reconhecimento de exemplos. Entre as características de processamento inteligente das RNAs pode-se citar: aprendizado (conhecimento extraído de exemplos), adaptação (capacidade de adaptar-se a um novo ambiente a partir de retreinamento), tomada de decisões e outras. Estas características fornecem as RNAs potencial para serem aplicadas na solução de vários tipos de problemas, como os de classificação de padrões, categorização, otimização, controle e previsão entre outros. �A tarefa de previsão consiste em dado um conjunto de exemplos {(x(t1 ), x(t2 ), ..., x(tn )}, prever uma saída x(tn+1 ). FIGURA 2: Neurônio Natural 2.1 Conceitos Básicos sobre Redes Neurais Artificiais Em 1943 Warren McCulloch e Walter Pitts desenvolveram um trabalho pioneiro que resultou no primeiro modelo artificial de um neurônio biológico (McCulloch. & PITTS, 1943). Diversos trabalhos de pesquisa e estudos permitiram prosseguir e promover avanços na área de redes neurais artificiais, como os de Donald Hebb (HEBB, 1949), Widrow e Hoff (WIDROW & HOFF, 1960), Frank Rosemblatt (ROSEMBLATT, 1958) e Rumelhart, Hinton e Williams (RUMELHART et al, 1986). Não há uma definição universalmente aceita para uma RNA. Entretanto, há uma certa concordância entre os pesquisadores em alguns aspectos. Assim, uma RNA pode ser definida como uma rede de muitos processadores simples, cada um dos quais possui uma pequena quantidade de memória local. Estes processadores (unidades), estão conectados através de conexões que transportam dados numéricos. Segundo Braga, Ludermir e Carvalho (BRAGA et al, 2000), RNAs são sistemas paralelos distribuídos compostos por unidades de processamento simples (nodos) que calculam determinadas funções matemáticas (normalmente não-lineares). Estas unidades estão em uma �ou mais camadas e interligadas por um grande número de conexões, geralmente unidirecionais. Na Figura 3 pode ser visto um neurônio de McCulloch e Pitts. FIGURA 3: Neurônio de McCulloch e Pitts A maioria das RNAs possui algum tipo de regra de treinamento através da qual os pesos das conexões são ajustados baseados nos dados. Portanto, as RNAs aprendem a partir de exemplos e exibem alguma capacidade de generalização além dos dados de treinamento. Além das características já mencionadas as RNAs apresentam: adaptabilidade, tolerância a falhas e implementação rápida. De maneira geral, pode-se definir ainda uma RNA como um sistema constituído por elementos de processamento que estão interconectados, chamados de neurônios, os quais estão dispostos em camadas (uma camada de entrada, uma ou várias intermediárias e uma de saída) e são responsáveis pela não-linearidade da rede, através do processamento interno de certas funções matemáticas. Na Figura 4 está um exemplo de uma RNA com três camadas e três neurônios na camada intermediária. Essas redes neurais artificiais possuem alguma forma de regra de aprendizagem que são responsáveis pela modificação dos pesos sinápticos a cada ciclo de iteração, de acordo com os �exemplos que lhe são apresentados. Assim pode-se dizer, que as Redes Neurais Artificiais aprendem por exemplos. ENTRADA SAÍDA FIGURA 4: Exemplo de uma RNA com 3 camadas De acordo com Rumelhart e McClelland (RUMELHART & McCLELLAND, 1986), os modelos de redes neurais, de maneira geral, apresentam 8 componentes principais: Um conjunto de elementos de processamento; Um estado de ativação; Uma função de saída para cada elemento de processamento; Um padrão de interconexão entre os elementos de processamento; Uma regra de propagação; Uma regra de ativação; Uma regra de aprendizado; Uma representação do ambiente onde o sistema deve operar. 3 MODELO O modelo desenvolvido neste trabalho é baseado em RNAs do tipo Time Delay Neural Networks (HAYKIN, 1994) com o algoritmo Levenberg-Marquardt. Todas RNAs foram implementadas através da ferramenta computacional MatLab 6.1 (DERMUTH & BEALE, 1996). Nas subseções seguintes são apresentadas informações sobre a metodologia utilizada para realização dos experimentos pertinentes a este trabalho. Inicialmente descreve-se as etapas realizadas no pré-processamento dos dados, seguidas de como foi efetuada a divisão do conjunto de dados, as arquiteturas das redes utilizadas, os experimentos executados, os parâmetros do treinamento empregados e a apresentação dos resultados obtidos. Em função das informações disponíveis e respostas desejadas para este problema, foi estabelecida inicialmente uma topologia com 1 entrada e 1 saída para cada RNA. �Durante o desenvolvimento do modelo o conjunto de dados disponível foi submetido a várias configurações de nodos da camada escondida e também foi investigada a influência da variação do parâmetro mu. 3.1 Descrição das etapas do experimento A seqüência de etapas executadas neste experimento está descrita a seguir. As quatro primeiras etapas fazem parte do pré-processamento dos dados. I. LIMPEZA DOS DADOS – A observação da série de dados indicou a presença de outliers em agosto, setembro e outubro de 2001. Estes dados foram substituídos pelos valores das médias calculadas sobre os meses correspondentes nos outros anos da série estudada. II. ESCALONAMENTO DOS DADOS – Realizou-se o escalonamento nos dados de janeiro de 1995 a dezembro de 2001 segundo a Expressão 1. X ESCALONADO = X − X MÍn. X Mãx. − X MÍn. (1) III. CRIAÇÃO DO DELAY PARA OS DADOS – Foram calculadas as correlações considerando-se diversos delays para os valores da série temporal estudada, identificando-se entre os mais relevantes o (t-1). Os valores obtidos podem ser observados na Tabela 1. Para criação do delay nos conjuntos de exemplos, os dados foram emparelhados de forma que a coluna da tabela de exemplos representando o número de usuários atendidos no tempo t (mês), fosse seguida de outra coluna que representa os dados coletados no tempo t+1 (mês subseqüente). Dessa forma implementou-se a arquitetura TDNN com um delay para o problema. O conjunto exemplos utilizado nesse passo estava ordenado na ordem que foram coletados pelo sistema de informação. �TABELA 1: Correlação para delays de 1 a 15 t-1 t-2 t-3 t-4 t-5 t-6 t-7 t-8 t-9 t-10 t-11 t-12 t-13 t-14 t-15 0,62 0,18 -0,14 -0,19 -0,02 0,12 -0,01 -0,29 -0,37 -0,16 0,18 0,37 0,28 -0,1 -0,3 IV. CRIAÇÃO DOS CONJUNTOS - Para o tratamento do problema utilizando-se RNAs foi realizada a divisão do conjunto de exemplos em conjunto de treinamento, conjunto de validação e conjunto de teste. Esta divisão consistiu em separar 71% do total de exemplos para a etapa de treinamento, 14,5% para a validação e 14,5% para o teste, conforme pode ser observado nos valores da Tabela 2. TABELA 2: Divisão do conjunto de dados em conjunto de treinamento, validação e teste Período Número de Exemplos Conj. de Treinamento Número de Exemplos Conjunto de Validação Número de Exemplos Conjunto de Teste De jan. 1995 a dez. 2001 59 12 12 V. PROSPECÇÃO – Para a escolha da topologia de rede a ser utilizada no modelo foi realizado um conjunto de simulações, através da Toolbox de Redes Neurais do MatLab. Os valores encontrados para os erros percentuais no conjunto de validação para 10 execuções estão apresentados na Tabela 3. Nesta etapa as diversas redes foram observadas variando-se o números de nós na camada escondida. A topologia (1-5-1) foi escolhida dentre todas testadas por ter apresentado melhor média e desvio padrão. Detalhes sobres os parâmetros das RNAs utilizadas nessa fase estão descritos nas subseções seguintes. �TABELA 3 Topologia 1-1-1 e mu=0,001 Erro Quadrático Médio no Conjunto de Validação (%) Média 1,7067 Desvio Padrão 0,1640 Topologia 1-3-1 e mu=0,001 Erro Quadrático Médio no Conjunto de Validação (%) Média 1,6085 Desvio Padrão 0,0957 Topologia 1-5-1 e mu=0,001 Erro Quadrático Médio no Conjunto de Validação (%) Média 1,5452 Desvio Padrão 0,0904 Topologia 1-10-1 e mu=0,001 Erro Quadrático Médio no Conjunto de Validação (%) Média 1,5896 Desvio Padrão 0,1065 VI. EXPERIMENTOS – Partindo-se da rede escolhida na fase anterior mostrada na Figura 5, com cinco nós na camada escondida, foram realizados experimentos utilizando-se combinações de: quatro valores de mu (1000; 1; 0,001 e 0,0001) e dez inicializações com pesos aleatórios variando entre –0,5 e +0,5. Isto resultou em quarenta simulações. Os resultados das simulações em relação a média e o desvio padrão dos erros no conjunto de validação tomados percentualmente estão na Tabela 4. Observa-se melhores respostas para valores de mu= 0,001 e 0,0001, tendo-se optado por um valor de mu = 0,001. ENTRADA SAÍDA FIGURA 5: Topologia (1-5-1) �TABELA 4 Topologia 1-5-1 e mu=1000 Erro Quadrático Médio no Conjunto de Validação (%) Média Desvio Padrão 1,9408 0,9228 Topologia 1-5-1 e mu=1 Erro Quadrático Médio no Conjunto de Validação (%) Média Desvio Padrão 1,6866 0,1123 Topologia 1-5-1 e mu=0,001 Erro Quadrático Médio no Conjunto de Validação (%) Média 1,5451 Desvio Padrão 0,0903 Topologia 1-5-1 e mu=0,0001 Erro Quadrático Médio no Conjunto de Validação (%) Média Desvio Padrão 3.2 1,5503 0,0633 Arquitetura Neste conjunto de experimentos, foram utilizadas redes neurais Multilayer Perceptron (MLP), com topologia Time Delay Neural Networks (TDNN), com um delay, o que implica em 1 entrada paras todas as redes contendo apenas uma camada intermediária e diversas configurações de nós. Os nodos da camada intermediária e de saída possuem em todos os casos função de ativação sigmóide unipolar [0, 1]. A rede contém todas as possíveis conexões feedforward entre camadas adjacentes, sem possuir shortcut connections, que são as conexões que ligam nodos de camadas não-adjacentes. Foi empregado nos experimentos, o algoritmo de treinamento Levenberg-Marquardt. A atualização dos pesos das redes foi realizada após cada época, ou seja, após a apresentação de todos padrões de treinamento (batch). �3.3 Parâmetros de Treinamento Para o algoritmo Levenberg-Marquardt, selecionou-se mu com valores 1000; 1; 0,001 e 0,0001. Em todos os casos, os demais parâmetros tiveram seus valores mantidos inalterados em relação aos valores padrões da ferramenta computacional utilizada (Matlab6 R12), destacando-se o mu máximo = 1010 , o fator de incremento do mu = 10 e o fator de decremento do mu = 0,1. Os pesos das redes foram inicializados aleatoriamente entre –0,5 e 0,5. A função de avaliação de performance da rede foi o somatório dos erros quadráticos (SSE). O critério de parada utilizado foi o early stopping (PRECHELT, 1994). Observando-se este critério, o treinamento foi parado quando se obteve pelo menos um dos seguintes valores especificados: - Número máximo de épocas igual a 150. - Erro quadrático mínimo no conjunto de treinamento igual a 0. - Generalization Loss (GL) igual a 5% - Training Progress (P) igual a 0,01 O critério GL (PRECHELT, 1994) traduz a perda de generalização da rede pelo aumento do erro no conjunto de validação e o Training Progress (PRECHELT, 1994) traduz a estagnação do aprendizado. Estes dois critérios só são levados em consideração pelo sistema após terem sido transcorridas 10 iterações. Este conjunto de critérios implica que o treinamento não é realizado com o objetivo de se conseguir um valor de erro mínimo no conjunto de treinamento, porém até quando se obtenha um valor mínimo absoluto no erro do conjunto de validação, durante o treinamento da rede, ou que algum dos outros critérios seja atingido. 3.4 Aspectos Observados Para o problema abordado, os aspectos observados no presente trabalho foram os seguintes: • Erro Quadrático Percentual do conjunto de treinamento ao final do treinamento, • Erro Quadrático Percentual do conjunto de validação ao final do treinamento, • Erro Quadrático Percentual do conjunto de teste ao final do teste, �• Número de iterações efetuadas até o final do treinamento. • Critério de parada do treinamento. 4 CONCLUSÕES FINAIS E SUGESTÕES O problema de previsão de demanda está intimamente relacionado com as dificuldades encontradas pela ciência para explicar completamente a geração de uma determinada variável, neste caso a demanda futura por serviços oferecidos pela biblioteca. Desta forma, faz-se necessário a utilização de modelos matemáticos, ainda que, simplificados e imperfeitos permitam realizar uma representação do sistema. Neste sentido, foi proposta uma rede neural artificial na forma de uma ferramenta bastante poderosa, uma vez que permite tratar a complexidade do problema de forma bastante simples. A Tabelas 4 apresenta os resultados obtidos para 10 replicações com 5 nós na camada escondida. O valor parâmetro mu = 0.001, do algoritmo Levenberg-Marquardt, foi definido na fase de prospecção (subseção 3.1) onde foi verificado que para este valor a solução do problema em questão adaptou-se de melhor forma. Observa-se na Tabela 5 o melhor desempenho da rede com erro percentual de validação igual a 1,3789. TABELA 5: Top. (1-5-1) mu=0,001 Erro(%) Erro(%)Validação Erro(%)Teste Treinamento 1 2 4,2954 5,4523 1,6404 1,5008 4,9363 5,3027 3 4 5 3,7604 4,4319 5,0888 1,5361 1,6648 1,5002 6,2484 4,8563 5,1983 6 7 8 5,2207 5,2424 6,0083 1,5071 1,4785 1,6055 5,2195 5,199 5,8344 9 10 Média 4,2978 3,5786 4,7377 1,6394 1,3789 1,5452 4,9266 6,1703 5,3892 Desvio Padrão 0,7830 0,0904 0,5119 �Neste trabalho foi possível experimentar em parte as diversificadas possibilidades de para se determinar a melhor configuração de uma RNA para se solucionar este problema. Assim, utilizou-se os algoritmos de treinamento Backpropagation e Levenberg-Marquardt, variou-se o número de nós na camada escondida, bem como os parâmetros de treinamento taxa de aprendizagem, mu, critérios de parada do treinamento. Posteriormente, verificou-se que resultados mais significativos foram obtidos com o Levenberg-Marquardt. Entretanto, para que os resultados até agora obtidos venham a ser estatisticamente mais confiáveis, se faz necessário mais replicações de cada configuração. A fundamentação teórica e os resultados obtidos indicam a possibilidade de melhorias nos resultados através de novas configurações e arquiteturas das RNAs, isto tem implicação direta no tempo necessário a ser destinado para experimentação. Contudo, é necessário destacar que o aprimoramento do modelo apresentado neste trabalho deve buscar prover máxima confiança com baixo custo. Os resultados apresentados neste trabalho embora preliminares, apontam na direção da utilização de novas ferramentas e tecnologias para um melhor gerenciamento e otimização dos recursos existentes nas bibliotecas universitárias. Adicionalmente, eles permitem a detecção antecipada de possíveis pontos críticos no atendimento aos usuários da biblioteca e introdução de ações corretivas ou ainda que permitam minimizar os efeitos e impactos negativos na execução do serviço. É necessário considerar os ganhos gerenciais com a introdução de ações preventivas, pois torna-se possível estabelecer uma melhor prestação de serviço, considerando-se tanto o ponto de vista do usuário que procura a biblioteca e então recebe um atendimento mais ágil, ou ainda para o funcionário diretamente ligado pelo atendimento através de uma carga de trabalho melhor distribuída ao longo do tempo, tudo isto sempre buscando-se a melhor relação custo benefício. É importante esclarecer que este modelo de previsão poderá ser aplicado aos demais serviços prestados pelas bibliotecas universitárias como: comutação eletrônica de documentos, �treinamento de usuários em base de dados, serviço de pesquisa em base de dados; normalização de documentos; catalogação na fonte; catalogação cooperativa de registros bibliográficos; serviço de referência on-line e outros. Finalizando, ressalta-se que este trabalho procura integrar a computação inteligente a área de ciência da informação, e desta forma permitir a difusão de novas ferramentas direcionadas a melhoria dos processos. Como sugestão para trabalhos futuros recomenda-se aprimorar o atual modelo desenvolvido incorporando-se outras ferramentas de inteligência computacional através de sistemas neurais híbridos (GOONATILAKE & KHEBBAL, 1995) (BRAGA et al, 2000). 5 REFERÊNCIAS BIBLIOGRÁFICAS BRAGA, A. P.; LUDERMIR, T. B.; CARVALHO; A. C. P. L. F. Redes Neurais Artificiais – Teoria e Aplicações. Editora LTC, Rio de Janeiro, 2000. DERMUTH, H., BEALE, M. Neural Network Toolbox User's Guide. The MathWorks, Inc, March 1996. GOONATILAKE, S.; KHEBBAL, S. Intelligent Hybride Systems . Jonh Wiley & Sons, Inc, 1995. HAYKIN, Simon. Neural Network, Macmillan Publish Company, 1994. HEBB, D. O. The organization of Behavior. Willey, 1949. LINGUANOTTO, A. R. J.; GRANDI, M. E. G.; SAMPAIO, M. I. C. Indicadores de Qualidade para o Serviço de Referência: Uma Proposta de Aplicação às Bibliotecas do SIBI/USP. São Paulo,2001. 71p. (Série informação, 1) McCULLOCH, W. S., PITTS, W. A Logical Calculus of the Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics, 5:115-133, 1943. PRECHELT, L. Proben1 – A Set of Neural Network Benchmark Problems and Benchmarking Rules. Technical Report 21/94, Fakultät für Informatik, Universität Karlsruhe, Germany, September, 1994. ROSEMBLATT, F. The Perceptron: A Probabilistic model for information storage and organization in the brain. Psycol. Rev., 65:386-408, 1958. RUMELHART, D. E., HINTON, G. E., WILLIAMS, R. J. Learning representations by back-propagation errors. Nature, 323:533-536, 1986. RUMELHART, D. E., McCLELLAND, J. L. Parallel Distributed Processing, vol. 1: Foundations. The MIT Press, 1986. TEBOUL, J. A Era dos Serviços : uma nova abordagem de gerenciamento. Rio de Janeiro. Qualitymark, 1999. WIDROW, B., HOFF, M. E. Adaptative switching circuits. Institute of Radio Engineers, Western Electronic Show and Convention, 1960. � Dublin Core The Dublin Core metadata element set is common to all Omeka records, including items, files, and collections. For more information see, http://dublincore.org/documents/dces/. Title A name given to the resource SNBU - Edição: 12 - Ano: 2002 (UFPE - Recife/PE) Subject The topic of the resource Biblioteconomia Documentação Ciência da Informação Bibliotecas Universitárias Description An account of the resource Tema: Bibliotecas universitárias: espaços de (r) evolução do conhecimento e da informação. Creator An entity primarily responsible for making the resource SNBU - Seminário Nacional de Bibliotecas Universitárias Publisher An entity responsible for making the resource available UFPE Date A point or period of time associated with an event in the lifecycle of the resource 2002 Language A language of the resource Português Type The nature or genre of the resource Evento Coverage The spatial or temporal topic of the resource, the spatial applicability of the resource, or the jurisdiction under which the resource is relevant Recife (Pernambuco) Event A non-persistent, time-based occurrence. Metadata for an event provides descriptive information that is the basis for discovery of the purpose, location, duration, and responsible agents associated with an event. Examples include an exhibition, webcast, conference, workshop, open day, performance, battle, trial, wedding, tea party, conflagration. Dublin Core The Dublin Core metadata element set is common to all Omeka records, including items, files, and collections. For more information see, http://dublincore.org/documents/dces/. Title A name given to the resource Um modelo de previsão baseado em inteligência artificial na gestão de bibliotecas universitárias. Creator An entity primarily responsible for making the resource Vanderlei Filho, Domingos Ferreira, Tiago Alessandro Espíndola Ludermir, Teresa Bernarda Valença, Mêuser Jorge Silva Coverage The spatial or temporal topic of the resource, the spatial applicability of the resource, or the jurisdiction under which the resource is relevant Recife (Pernambuco) Publisher An entity responsible for making the resource available UFPE Date A point or period of time associated with an event in the lifecycle of the resource 2002 Type The nature or genre of the resource Evento Description An account of the resource Aborda o problema de previsão em relação a demanda de usuários que buscam os serviços de uma biblioteca universitária. Language A language of the resource pt snbu2002