A inteligência artificial (IA) representa uma tecnologia de ponta, popular, que eleva as capacidades intelectuais humanas a um novo patamar. Ela possibilita a integração da inteligência precisa em sistemas computacionais.
Os seres humanos são dotados de habilidades avançadas de pensamento, raciocínio, interpretação e compreensão do conhecimento. O conhecimento que acumulamos nos auxilia na execução de diversas atividades no mundo real.
Atualmente, as máquinas também estão se tornando aptas a realizar numerosas tarefas, graças aos avanços tecnológicos.
Recentemente, tem-se observado um aumento no uso de sistemas e dispositivos que incorporam IA, devido à sua eficiência e precisão na execução de tarefas complexas.
Um desafio enfrentado é que, enquanto os humanos adquirem múltiplos níveis e tipos de conhecimento ao longo de suas vidas, as máquinas têm dificuldade em interpretar o mesmo conhecimento.
É nesse contexto que a representação do conhecimento se torna essencial. Ela busca solucionar problemas complexos em nosso mundo, que seriam difíceis e demorados para os humanos resolverem.
Neste artigo, exploraremos o conceito de representação do conhecimento em IA, seu funcionamento, os diferentes tipos e técnicas envolvidas, e muito mais.
Vamos começar!
O que é Representação e Raciocínio do Conhecimento?
A representação e raciocínio do conhecimento (KR&R) é um ramo da inteligência artificial dedicado a representar informações do mundo real de maneira que um computador possa compreendê-las e agir de acordo. Isso possibilita a solução de problemas complexos, como cálculos avançados, diálogos em linguagem natural, diagnóstico de condições médicas críticas, entre outros.
A representação do conhecimento encontra suas raízes na psicologia, investigando como os seres humanos solucionam problemas e representam o conhecimento para conceber formalismos. Isso possibilita que a IA compreenda como um ser humano simplifica sistemas complexos durante a sua construção e design.
Os primeiros trabalhos nessa área se concentraram em solucionadores de problemas gerais, desenvolvidos por Herbert A. Simon e Allen Newell em 1959. Esses sistemas empregavam estruturas de dados para decomposição e planejamento. O sistema começava com um objetivo e o decompunha em sub-objetivos. Em seguida, o sistema estabelecia estratégias construtivas para alcançar cada sub-objetivo.
Esses esforços levaram a uma revolução cognitiva na psicologia humana e a uma fase na IA que se concentrou na representação do conhecimento. Isso resultou no desenvolvimento de sistemas especialistas nas décadas de 1970 e 1980, linguagens de quadros, sistemas de produção e outros avanços. Mais tarde, o foco da IA se deslocou para sistemas especializados capazes de igualar a competência humana, como o diagnóstico médico.
Além disso, a representação do conhecimento permite que os sistemas computacionais compreendam e utilizem o conhecimento para resolver problemas do mundo real. Ela também define uma maneira de representar o conhecimento e o raciocínio em IA.
A representação do conhecimento vai além do armazenamento de dados em bancos de dados; ela possibilita que máquinas inteligentes aprendam com o conhecimento humano e o vivenciem, para que possam se comportar e agir como um ser humano.
Os humanos possuem conhecimento que é estranho às máquinas, incluindo sentimentos, intenções, crenças, bom senso, julgamentos, preconceitos, intuição e muito mais. Alguns conhecimentos são diretos, como saber certos fatos, conhecimento geral de eventos, pessoas, objetos, linguagem, disciplinas acadêmicas, etc.
Com KR&R, é possível representar os conceitos humanos em um formato compreensível pelas máquinas, tornando os sistemas de IA verdadeiramente inteligentes. Aqui, conhecimento se refere a fornecer informações sobre o ecossistema e armazená-las, enquanto raciocínio se refere a tomar decisões e ações com base nas informações armazenadas.
Que Conhecimento Deve Ser Representado em Sistemas de IA?
O conhecimento que precisa ser apresentado em sistemas de inteligência artificial pode abranger:
- Objetos: Os objetos estão constantemente presentes ao nosso redor. Portanto, informações sobre esses objetos são cruciais e devem ser consideradas como um tipo de conhecimento. Por exemplo, pianos têm teclas brancas e pretas, carros têm rodas, ônibus precisam de motoristas, aviões precisam de pilotos, etc.
- Eventos: Inúmeros eventos acontecem continuamente no mundo real. A percepção humana é baseada em eventos. A IA precisa ter conhecimento de eventos para agir. Alguns eventos incluem fomes, avanços sociais, guerras, desastres, conquistas, entre outros.
- Performance: Este conhecimento lida com ações específicas que os humanos realizam em diversas situações. Ele representa o aspecto comportamental do conhecimento, que é essencial para a IA entender.
- Metaconhecimento: Ao analisar todo o conhecimento existente no mundo, podemos dividi-lo em três categorias principais:
- O que já sabemos
- O que sabemos que não sabemos completamente
- O que ainda não sabemos
- O metaconhecimento lida com a primeira categoria, ou seja, o que já sabemos, e permite que a IA perceba o mesmo.
- Fatos: Este conhecimento se baseia na descrição factual do nosso mundo. Por exemplo, a Terra não é plana, nem perfeitamente redonda, o nosso Sol possui um apetite voraz, entre outros.
- Base de Conhecimento: A base de conhecimento é um componente fundamental da inteligência humana. Ela se refere a um conjunto de dados ou informações relevantes sobre qualquer campo, descrição, etc. Por exemplo, uma base de conhecimento sobre como projetar um modelo de carro.
Como Funciona a Representação do Conhecimento?
Normalmente, uma tarefa a ser realizada, um problema a ser resolvido e a obtenção de uma solução são apresentados informalmente, como entregar encomendas quando chegam ou resolver problemas elétricos em uma casa.
Para resolver um problema real, o projetista do sistema deve:
- Executar a tarefa para determinar a melhor solução possível.
- Representar o problema em uma linguagem que um computador possa entender para raciocinar.
- Usar o sistema para computar uma saída final, que é a solução para o usuário ou uma sequência de atividades a serem realizadas no ecossistema.
- Interpretar o resultado final como uma solução para o problema principal.
O conhecimento é a informação que um ser humano já possui, mas que as máquinas precisam aprender. Como existem muitos problemas, a máquina precisa de conhecimento. Como parte do sistema de design, é preciso definir qual conhecimento deve ser representado.
Conexão Entre Representação do Conhecimento e IA
O conhecimento desempenha um papel crucial na inteligência, sendo também responsável pela criação da inteligência artificial. Ele é essencial para expressar comportamentos inteligentes em agentes de IA. Um agente é incapaz de funcionar com precisão quando lhe falta experiência ou conhecimento de certas entradas.
Por exemplo, se você deseja interagir com uma pessoa, mas não entende o idioma, é evidente que não poderá responder adequadamente nem realizar nenhuma ação. O mesmo se aplica ao comportamento inteligente dos agentes. A IA precisa ter conhecimento suficiente para executar sua funcionalidade, pois um tomador de decisão precisa conhecer o ambiente e aplicar o conhecimento necessário.
No entanto, a IA não pode exibir comportamento intelectual sem os componentes de conhecimento.
Tipos de Conhecimento Representados na IA
Agora que sabemos por que a representação do conhecimento é necessária na IA, vamos explorar os tipos de conhecimento representados em um sistema de IA.
- Conhecimento Declarativo: Representa os objetos, conceitos e fatos que ajudam a descrever o mundo ao redor. Ele compartilha a descrição de algo e expressa sentenças declarativas.
- Conhecimento Procedimental: O conhecimento procedimental é menor em comparação com o conhecimento declarativo. Ele também é conhecido como conhecimento imperativo, utilizado por robôs móveis para declarar a realização de uma ação. Por exemplo, com um mapa de um prédio, robôs móveis podem criar seu próprio plano, realizar ataques ou navegar.
Além disso, o conhecimento processual é aplicado diretamente à tarefa, incluindo regras, procedimentos, agendas, estratégias, etc.
- Metaconhecimento: No campo da inteligência artificial, o conhecimento predefinido é conhecido como metaconhecimento. Por exemplo, o estudo de marcação, aprendizado, planejamento, etc., se enquadra nesse tipo de conhecimento.
Este modelo modifica seu comportamento ao longo do tempo e utiliza outras especificações. Um engenheiro de sistemas ou engenheiro de conhecimento utiliza várias formas de metaconhecimento, como precisão, avaliação, propósito, fonte, tempo de vida, confiabilidade, justificativa, integridade, consistência, aplicabilidade e desambiguação.
- Conhecimento Heurístico: Também conhecido como conhecimento superficial, segue o princípio da regra do polegar. É altamente eficiente no processo de raciocínio, pois pode resolver questões com base em registros anteriores ou problemas compilados por especialistas. Ele reúne experiências de problemas passados e oferece uma abordagem baseada em conhecimento para especificar problemas e agir.
- Conhecimento Estrutural: O conhecimento estrutural é o mais simples e básico, utilizado na solução de problemas complexos. Ele busca soluções eficazes ao identificar a relação entre objetos e conceitos. Descreve a relação entre múltiplos conceitos, como parte de, tipo de ou agrupamento de algo.
O conhecimento declarativo descreve algo, enquanto o conhecimento procedimental realiza algo. Além disso, o conhecimento declarativo é explícito, enquanto o conhecimento procedimental é tácito ou implícito. O conhecimento declarativo pode ser articulado, enquanto o conhecimento procedimental não.
Técnicas de Representação do Conhecimento em IA
Existem quatro técnicas principais para representar conhecimento em IA:
- Representação lógica
- Redes semânticas
- Regras de produção
- Representação de quadros
Representação Lógica
A representação lógica é a forma básica de representar conhecimento para máquinas, usando uma sintaxe definida com regras básicas. Essa sintaxe não tem ambiguidade no significado e lida com preposições. A forma lógica de representação do conhecimento funciona como regras de comunicação, sendo usada para representar fatos para as máquinas.
A representação lógica é de dois tipos:
- Lógica Proposicional: Também conhecida como lógica de declaração ou cálculo proposicional, funciona em um sistema booleano, ou seja, Verdadeiro ou Falso.
- Lógica de Primeira Ordem: Também chamada de Lógica de Cálculo de Predicados de Primeira Ordem (FOPL), representa predicados e objetos em quantificadores. É um modelo avançado de lógica proposicional.
Essa forma de representação do conhecimento se assemelha à maioria das linguagens de programação, usando semântica para encaminhar informações. É uma forma altamente lógica de resolver problemas. No entanto, sua principal desvantagem é a natureza rígida da representação, sendo difícil de executar e, às vezes, pouco eficiente.
Redes Semânticas
Essa representação gráfica emprega objetos conectados que são usados com uma rede de dados. As redes semânticas incluem arcos/bordas (conexões) e nós/blocos (objetos) que descrevem a conexão entre os objetos.
Ela representa uma alternativa à forma lógica de representação de Cálculo de Predicados de Primeira Ordem (FOPL). As relações nas redes semânticas são de dois tipos:
É uma forma de representação mais natural do que a lógica devido à sua simplicidade de compreensão. A principal desvantagem é seu alto custo computacional e a falta de quantificadores equivalentes aos encontrados na representação lógica.
Regras de Produção
As regras de produção são a forma mais comum de representar conhecimento em sistemas de IA. É a forma mais simples de representar sistemas baseados em regras if-else, sendo facilmente compreendida. Ela representa uma forma de combinar FOPL e lógica proposicional.
Para entender tecnicamente as regras de produção, é preciso compreender os constituintes do sistema de representação, incluindo um conjunto de regras, memória de trabalho, aplicador de regras e um ciclo de ação reconhecido.
Para cada entrada, a IA verifica as condições das regras de produção e, ao encontrar uma regra adequada, executa a ação necessária imediatamente. O ciclo de selecionar regras com base nas condições e agir para resolver o problema é conhecido como ciclo de reconhecimento e ação, que ocorre a cada entrada.
No entanto, esse método apresenta problemas como a execução ineficiente devido às regras ativas e a falta de ganho de experiência devido ao não armazenamento de resultados anteriores. Como as regras são expressas em linguagem natural, o custo das desvantagens pode ser mitigado. As regras podem ser alteradas e descartadas facilmente, se necessário.
Representação de Quadro
Para entender a representação de quadro em nível fundamental, imagine uma tabela composta por nomes em colunas e valores em linhas; as informações necessárias são transmitidas nessa estrutura completa. Em termos simples, a representação de quadro é uma coleção de valores e atributos.
Trata-se de uma estrutura de dados específica da IA que usa preenchimentos (valores de slot que podem ser de qualquer tipo e forma de dados) e slots. O processo é semelhante a um sistema de gerenciamento de banco de dados (DBMS). Esses preenchimentos e slots formam uma estrutura chamada quadro.
Os slots, nessa forma de representação do conhecimento, possuem nomes ou atributos, e o conhecimento relacionado aos atributos é armazenado em fillers. A principal vantagem é que dados semelhantes podem ser agrupados para dividir o conhecimento em estruturas, que também podem ser divididas em subestruturas.
Sendo como uma estrutura de dados típica, essa representação é facilmente entendida, manipulada e visualizada. Conceitos típicos, como remoção, exclusão e adição de slots, podem ser executados sem esforço.
Requisitos para Representação do Conhecimento em Sistemas de IA
Uma boa representação de conhecimento possui algumas propriedades:
- Precisão Representacional: a representação do conhecimento precisa representar cada tipo de conhecimento necessário com precisão.
- Eficiência Inferencial: É a capacidade de lidar facilmente com mecanismos de conhecimento inferencial em direções produtivas, usando guias apropriados.
- Adequação Inferencial: A representação do conhecimento deve ser capaz de manipular algumas estruturas representacionais para representar novos conhecimentos com base nas estruturas existentes.
- Eficiência de Aquisição: A capacidade de obter novos conhecimentos usando métodos automáticos.
Ciclo de Conhecimento de IA
Os sistemas de IA incluem alguns componentes importantes para exibir um comportamento inteligente que torna possível a representação do conhecimento.
- Percepção: Ajuda o sistema baseado em IA a coletar informações sobre o ambiente usando diferentes sensores, familiarizando-o com o ecossistema para interagir com eficiência com os problemas.
- Aprendizado: Permite que os sistemas de IA executem algoritmos de aprendizado profundo já programados, para que os sistemas de IA possam fornecer as informações necessárias do componente de percepção ao componente de aprendizado, melhorando o aprendizado e a compreensão.
- Representação do Conhecimento e Raciocínio: Os seres humanos usam o conhecimento para tomar decisões. Portanto, esse bloco é responsável por servir os seres humanos, utilizando os dados de conhecimento dos sistemas de IA e o conhecimento relevante sempre que necessário.
- Planejamento e Execução: Este bloco é independente. Ele é usado para obter dados dos blocos de conhecimento e raciocínio, executando ações relevantes.
Conclusão
Os humanos podem obter conhecimento de diferentes formas, assim como as máquinas baseadas em IA. À medida que a IA evolui, representar o conhecimento para as máquinas de forma mais eficaz ajuda a resolver problemas complexos com o mínimo de erros. Portanto, a representação do conhecimento é um atributo essencial para que as máquinas de IA funcionem de forma inteligente e eficaz.
É possível observar também a diferença entre Inteligência Artificial, Machine Learning e Deep Learning.