Aula 3, IA simbólica

Esta aula apresenta a primeira grande corrente da Inteligência Artificial, a simbólica, que representa o conhecimento de forma explícita, com símbolos, regras e lógica. É a abordagem que dominou as primeiras décadas da área e que ainda hoje aparece dentro de assistentes educacionais, sempre que precisamos de decisões claras e auditáveis.

Na aula anterior vimos a história da IA balançar como um pêndulo entre fazer a máquina seguir regras e deixá-la aprender com dados. Agora vamos olhar com cuidado para o primeiro lado desse pêndulo. A IA simbólica parte de uma ideia poderosa, a de que pensar é manipular símbolos segundo regras, do mesmo jeito que a gente resolve uma conta seguindo passos bem definidos.

Entender essa abordagem é importante por dois motivos. Primeiro, porque ela é transparente, ou seja, conseguimos ler e justificar cada decisão, algo precioso na educação, onde precisamos explicar ao aluno o porquê de uma recomendação. Segundo, porque conhecer os limites dela é o que motiva tudo o que vem depois na trilha, quando passamos a aprender padrões a partir de exemplos. Ao final, você terá construído um pequeno motor de inferência, o coração de um sistema simbólico.

Objetivos

Ao final desta aula, você deve ser capaz de:

Explicar o que é a IA simbólica e em que ideia ela se apoia.
Descrever como o conhecimento é representado por fatos e regras.
Entender a inferência por modus ponens e o encadeamento para frente.
Implementar um motor de inferência simples e reconhecer suas forças e limites.

Teoria

A IA simbólica, às vezes chamada de IA clássica, trabalha com símbolos que representam coisas do mundo, como conceitos, objetos e relações, e com regras que dizem como combinar esses símbolos. A aposta de fundo foi formulada por Newell e Simon, em 1976, na hipótese do sistema de símbolos físicos, segundo a qual um sistema que manipula símbolos da maneira certa tem o necessário para exibir inteligência. Foi nessa tradição que surgiram linguagens como o LISP, criado por John McCarthy em 1960, pensadas justamente para manipular expressões simbólicas.

Um sistema simbólico costuma ter três partes. A base de fatos guarda o que se sabe no momento, por exemplo que um aluno domina aritmética. A base de regras guarda o conhecimento na forma se isto, então aquilo, por exemplo se o aluno domina aritmética, então ele pode estudar álgebra. E o motor de inferência é o mecanismo que aplica as regras aos fatos para derivar novos fatos e chegar a conclusões.

flowchart LR
    F[Base de fatos] --> M[Motor de inferência]
    R[Base de regras] --> M
    M -->|deriva novos fatos| F
    M --> C[Conclusões e recomendações]

Há duas formas clássicas de raciocinar. No encadeamento para frente, partimos dos fatos conhecidos e aplicamos regras para descobrir tudo o que se pode concluir, útil quando queremos saber aonde os dados nos levam. No encadeamento para trás, partimos de um objetivo, por exemplo o aluno pode estudar cálculo, e procuramos para trás quais fatos e regras o sustentariam, útil quando queremos provar ou justificar uma meta.

O auge prático dessa abordagem foram os sistemas especialistas dos anos 1980, como o famoso MYCIN, documentado por Buchanan e Shortliffe, que sugeria diagnósticos médicos a partir de centenas de regras. Eles mostraram tanto a força quanto a fraqueza da IA simbólica. A força é a clareza, pois cada conclusão vem com a cadeia de regras que a sustenta. A fraqueza é a fragilidade, pois alguém precisa escrever todas as regras à mão, e o sistema quebra diante de situações que ninguém previu, um problema conhecido como gargalo da aquisição de conhecimento.

Explicação Intuitiva

Pense em um detetive clássico. Ele tem alguns fatos, como pegadas na lama e um relógio parado em certa hora, e tem regras gerais sobre o mundo, como a de que pegadas frescas indicam uma passagem recente. Combinando fatos e regras, ele deduz conclusões novas, como a de que alguém passou ali pouco tempo atrás. A IA simbólica funciona assim, ela deduz o que ainda não estava dito de forma explícita, a partir do que já sabe e das regras que possui.

Outra imagem útil é a de um manual de procedimentos muito bem escrito. Enquanto a situação está prevista no manual, o sistema responde com precisão e consegue explicar cada passo. O problema aparece quando surge um caso que o manual não cobre. O detetive humano improvisa, mas o sistema simbólico simplesmente não sabe o que fazer, porque ninguém escreveu a regra para aquilo.

Explicação Matemática

A base lógica da IA simbólica é a lógica proposicional. Uma regra é uma implicação, em que um conjunto de condições leva a uma conclusão. Se $p_1, p_2, \dots, p_k$ são as condições e $q$ é a conclusão, a regra é

\[p_1 \wedge p_2 \wedge \dots \wedge p_k \;\rightarrow\; q.\]

A inferência usa a regra clássica do modus ponens. Se sabemos que $p$ é verdadeiro e que $p \rightarrow q$, então podemos concluir $q$:

\[\frac{p, \quad p \rightarrow q}{q}.\]

O encadeamento para frente nada mais é do que aplicar o modus ponens repetidamente. Começamos com um conjunto de fatos $F$. A cada passada, procuramos uma regra cujas condições estejam todas em $F$ e cuja conclusão ainda não esteja, e então adicionamos essa conclusão a $F$. Repetimos até que nenhuma regra nova possa disparar, um estado chamado de ponto fixo. Como cada passada só acrescenta fatos e o número de fatos possíveis é finito, o processo sempre termina.

Exemplo Prático

Vamos construir um pequeno tutor simbólico que recomenda o próximo passo de estudo. A base de fatos descreve o que o aluno já domina e algumas preferências, e a base de regras codifica a sequência pedagógica, por exemplo que dominar aritmética libera o estudo de álgebra. O motor de inferência, por encadeamento para frente, descobre tudo o que o aluno pode estudar e quais recomendações fazer.

Esse exemplo é proposital. Ele resolve bem um problema bem delimitado e explica cada conclusão, o que é a marca da IA simbólica. Mais adiante na trilha, quando os casos ficarem ambíguos e cheios de exceções, vamos sentir por que precisamos também das abordagens que aprendem com dados. O código está no notebook notebooks/modulo-01/03-ia-simbolica.ipynb, então abra-o ao lado para acompanhar.

Código Comentado

# Cada regra é um par (condições, conclusão).
# Todas as condições precisam estar nos fatos para a regra disparar.
regras = [
    (["domina aritmética"], "pode estudar álgebra"),
    (["domina álgebra"], "pode estudar funções"),
    (["domina funções"], "pode estudar cálculo"),
    (["dificuldade em frações"], "revisar aritmética"),
    (["pode estudar álgebra", "gosta de desafios"],
     "sugerir problemas avançados de álgebra"),
]


def encadeamento_para_frente(fatos_iniciais, regras):
    """Aplica as regras aos fatos até nenhuma nova conclusão surgir."""
    fatos = set(fatos_iniciais)
    houve_mudanca = True
    while houve_mudanca:
        houve_mudanca = False
        for condicoes, conclusao in regras:
            # A regra dispara se a conclusão ainda não é conhecida
            # e todas as suas condições já estão entre os fatos.
            if conclusao not in fatos and all(c in fatos for c in condicoes):
                fatos.add(conclusao)
                houve_mudanca = True
                print("Regra disparou, novo fato:", conclusao)
    return fatos


fatos_iniciais = ["domina aritmética", "gosta de desafios"]
resultado = encadeamento_para_frente(fatos_iniciais, regras)

print()
print("Fatos finais:")
for fato in sorted(resultado):
    print(" -", fato)

Repare que, a partir de apenas dois fatos iniciais, o motor deduz uma cadeia de recomendações, inclusive a sugestão de problemas avançados, que só aparece porque o aluno domina aritmética e gosta de desafios ao mesmo tempo. Cada novo fato vem acompanhado da regra que o gerou, o que torna o raciocínio transparente.

Exercícios

1) Conceitual: Explique a diferença entre encadeamento para frente e encadeamento para trás, e dê um exemplo de pergunta que se encaixa melhor em cada um. 2) Conceitual: O que é o gargalo da aquisição de conhecimento e por que ele limita os sistemas simbólicos? 3) Prático: Acrescente uma regra que recomende revisar álgebra quando o aluno tiver dificuldade em equações. Crie fatos iniciais que disparem essa nova regra. 4) Prático: Mude os fatos iniciais para incluir dificuldade em frações e veja como a recomendação muda. O motor sugere revisar antes de avançar? 5) Extensão: Pesquise como o sistema especialista MYCIN lidava com incerteza, com os chamados fatores de certeza, e escreva um parágrafo sobre isso.

Projeto da Aula

Transforme o tutor simbólico em algo que também explica o porquê de cada recomendação. A entrega é um programa que, além de derivar os fatos por encadeamento para frente, guarda para cada conclusão qual regra a gerou, de modo que o aluno possa perguntar por que deve estudar determinado tema e receber a cadeia de justificativas.

Considere o projeto pronto quando o sistema, dado um objetivo já derivado, como sugerir problemas avançados de álgebra, conseguir mostrar a sequência de regras e fatos que leva até ele. Como desafio extra, ajuste os fatos iniciais para que o aluno chegue a poder estudar cálculo e justifique também esse objetivo. Esse recurso de explicação é uma das maiores vantagens da IA simbólica, e vai reaparecer quando discutirmos transparência nos assistentes educacionais mais adiante.

Leituras Recomendadas

Capítulos sobre agentes lógicos e representação de conhecimento em Russell e Norvig, Artificial Intelligence: A Modern Approach.
Material introdutório sobre sistemas especialistas e encadeamento de regras, para ver exemplos além do contexto educacional.
Tutoriais sobre lógica proposicional, úteis para firmar a base da seção matemática.

Referências Científicas

As referências abaixo são reais e estão registradas em references/referencias.bib. As chaves entre parênteses são as do BibTeX.

Newell, A., e Simon, H. A. (1976). Computer Science as Empirical Inquiry: Symbols and Search. Communications of the ACM, 19(3), 113-126. (newell1976symbols)
McCarthy, J. (1960). Recursive Functions of Symbolic Expressions and Their Computation by Machine, Part I. Communications of the ACM, 3(4), 184-195. (mccarthy1960lisp)
Buchanan, B. G., e Shortliffe, E. H. (1984). Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Addison-Wesley. (buchanan1984mycin)
Russell, S., e Norvig, P. (2020). Artificial Intelligence: A Modern Approach, 4ª edição. Pearson. (russell2020aima)