Inteligencia Artificial

Prévia do material em texto

Introdução à inteligência artificial
APRESENTAÇÃO
A inteligência artificial (IA) é o ramo da ciência que desenvolve métodos de automação da inteli
gência, aplicável tanto para problemas simples e do dia a dia quanto para sistemas complexos de 
produção e controle. O campo da IA tem um longo histórico de avanços como, por exemplo, o r
econhecimento ótico de caracteres, que agora já são considerados rotina.
Nesta Unidade de Aprendizagem, você irá entender um pouco sobre a origem e conceito da intel
igência artificial, os tipos ou classificações de sistemas inteligentes existentes e a importância de 
métodos estatísticos utilizados pelos sistemas de inteligência artificial.
Bons estudos.
Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados:
Reconhecer o conceito de inteligência artificial e sua história.•
Explicar os tipos de inteligência artificial.•
Identificar a importância da distribuição, frequência e média para a IA.•
DESAFIO
A principal característica de um sistema de inteligência artificial que o diferencia dos demais sis
temas de informação atuais é que os sistemas de IA são capazes de resolver questões que soment
e a mente humana seria capaz de resolver. É muito comum as pessoas se confundirem quando o 
assunto é um sistema inteligente ou quando se trata apenas de um sistema de automatização de t
arefas.
Pensando nisso, imagine a seguinte situação:
 
Com base na situação apresentada, responda:
O que esse sistema proposto pelo fornecedor precisa apresentar para ser considerado um sistema 
de inteligência artificial?
INFOGRÁFICO
O surgimento da inteligência artificial está muito relacionado com a própria computação. Alan T
uring, matemático inglês, conhecido como o precursor da computação, foi também um pioneiro 
na área de inteligência artificial.
Confira no Infográfico uma breve evolução da área de inteligência artificial, desde o seu surgim
ento até a atualidade.
CONTEÚDO DO LIVRO
A inteligência artificial, em sua essência, permite que os sistemas tomem decisões de forma inde
pendente, precisa e apoiada em dados digitais. Em uma visão otimista, isso multiplica a capacid
ade racional do ser humano de resolver problemas práticos, simular situações e pensar em respo
stas ou, de forma mais ampla, potencializa a capacidade de ser inteligente.
O capítulo Introdução à inteligência artificial, da obra Inteligência artificial, trata da origem da i
nteligência artificial como ciência, suas classificações e a importância de alguns métodos estatist
icos para sua aplicação. Além disso, explica por que a estatística é fundamental para a base dos s
istemas inteligentes.
INTELIGÊNCIA 
ARTIFICIAL 
Fabricio Machado da Silva
Introdução à 
inteligência artificial
Objetivos de aprendizagem
Ao final deste texto, você deve apresentar os seguintes aprendizados:
 � Reconhecer o conceito de inteligência artificial e sua história.
 � Analisar os tipos de inteligência artificial.
 � Identificar a importância da distribuição, frequência e média para a 
inteligência artificial.
Introdução
O termo inteligência artificial representa um software diferente dos 
demais, pois é inteligente e visa fazer os computadores realizarem 
funções que eram exclusivamente dos seres humanos, por exemplo, 
praticar a linguagem escrita ou falada, aprender, reconhecer expres-
sões faciais, etc. Seu campo tem um longo histórico e muitos avanços, 
como o reconhecimento de caracteres ópticos, que atualmente são 
considerados de rotina.
Neste capítulo, você estudará a origem e o conceito de inteligência 
artificial, seus tipos ou suas classificações de sistemas inteligentes e a 
importância dos métodos estatísticos utilizados pelos sistemas desse 
software.
Origem da inteligência artificial
A inteligência artificial está cada vez mais presente no dia a dia, mas essa 
tecnologia é mais antiga do que você pensa e começou a ser desenvolvida 
ainda na década de 1950, com o Dartmouth Summer Research Project on 
Artificial Intelligence (Projeto de Pesquisas de Verão em Inteligência Arti-
ficial de Dartmouth) no Dartmouth College, em Hanover, New Hampshire, 
Estados Unidos.
Contudo, seu objeto de estudo continua não sendo muito claro, no sentido 
em que o ser humano ainda não possui uma definição suficientemente satis-
fatória de inteligência e, para compreender seus processos e a representação 
do conhecimento, deve dominar os conceitos de inteligência humana e 
conhecimento.
Com o decorrer do tempo, surgiram várias linhas de estudo da inte-
ligência artificial, como a biológica, que estudava o desenvolvimento de 
conceitos que pretendiam imitar as redes neurais humanas. Já durante os 
anos de 1960, essa ciência recebeu o nome de inteligência artificial, e seus 
pesquisadores pensavam ser possível que máquinas realizassem tarefas 
humanas complexas, como raciocinar. Depois de um período, na década de 
1980, esse estudo sobre redes neurais volta e, nos anos de 1990, ele tem um 
grande impulso, consolidando-o verdadeiramente como a base das análises 
de inteligência artificial.
Assim sendo, a inteligência artificial foi desenvolvida para que os disposi-
tivos criados pelo ser humano pudessem desempenhar determinadas funções 
sem a interferência humana, mas quais são elas? A cada dia que passa, a 
resposta fica maior e pode ser entendida por meio de alguns exemplos de 
suas aplicações.
O sistema de inteligência artificial não é capaz apenas de armazenar e ma-
nipular dados, como também adquirir, representar e manipular conhecimento. 
A manipulação inclui a capacidade de deduzir ou inferir novos conhecimentos 
ou relações sobre fatos e conceitos a partir do conhecimento já existente e 
utilizar métodos de representação e manipulação para resolver problemas 
complexos que são frequentemente não quantitativos por natureza.
Uma das ideias mais úteis que emergiram das pesquisas é que fatos e 
regras (conhecimento declarativo) podem ser representados separadamente 
dos algoritmos de decisão (conhecimento procedimental), tendo um efeito 
profundo tanto na forma com que os cientistas abordavam os problemas como 
nas técnicas de engenharia para produzir os sistemas inteligentes. Ao adotar 
um procedimento particular ou a máquina de inferência, o desenvolvimento 
de um sistema de inteligência artificial é reduzido à obtenção e codificação de 
regras e fatos que sejam suficientes para determinado domínio do problema, 
cujo processo é chamado de engenharia do conhecimento. 
Portanto, as principais questões a serem contornadas pelo projetista do 
sistema de inteligência artificial são aquisição, representação e manipulação 
Introdução à inteligência artificial2
de conhecimento e, geralmente, uma estratégia de controle ou a máquina de 
inferência que determina os itens de conhecimento acessados, as deduções 
feitas e a ordem dos passos usados. Na Figura 1, você pode ver tais questões 
e a inter-relação entre os componentes de um sistema clássico de inteligência 
artificial.
Figura 1. Visão conceitual dos sistemas de inteligência artificial.
Fonte: Adaptada de Schutzer (1987).
Pesquisa
Dedução
Conhecimento
Sistema IA
Aquisição
Representação
Exemplos de aplicação da inteligência artificial
O setor de atendimento ao consumidor é um dos mais beneficiados pela in-
teligência artificial, porque a eficiência do chatbot (robô atendente) assegura 
que todo usuário seja devidamente atendido, solucionando sua dúvida de 
maneira imediata ou redirecionando-o à área competente. Porém, como o 
chatbot funciona na prática? Quando o cliente acessa ao site da empresa e 
deseja tirar dúvidas ou falar com o representante, há um robô de prontidão para 
respondê-lo por meio do chat, assim, ao mesmo tempo em que isso agiliza o 
processo, por ocorrer imediatamente, ainda valoriza o tempo dos empregados 
que prestam o atendimento inicial, permitindo que eles se dediquem a outros 
processos internos.
3Introdução à inteligência artificial
Acesse o link a seguir para ver umexemplo de aplicação da inteligência artificial, 
como a plataforma digital que pretende solucionar problemas relacionados aos 
planos de saúde em até três horas; o uso dessa tecnologia na medicina, por exemplo, 
no tratamento de doenças; e o primeiro hospital da América Latina a usá-la contra 
o câncer.
https://qrgo.page.link/6QoR
A chegada das Fintechs no mercado financeiro, antes dominado por 
tradicionais instituições bancárias, também expandiu as possibilidades do 
consumidor com inovações incríveis, as quais costumam envolver o uso de 
inteligência artificial.
Quanto à inteligência artificial moderna, oriunda dos anos de 1950 com 
Alan Turing (criptoanalista), passando por Noam Chomsky (linguista) até HAL 
9000 e Watson, desenvolveu-se duas perspectivas que se tornaram conhecidas 
como inteligência artificial forte e fraca.
A inteligência artificial é definida como o estudo dos sistemas que agem de um modo 
que, a um observador qualquer, pareçam ser inteligentes.
Categorizações da inteligência artificial
As categorizações da inteligência artificial auxiliam a compreender seu grau 
de desenvolvimento, que vai desde o mais restrito e específico até a superin-
teligência. Assim, de forma geral, qualquer produto dessa ciência pode ser 
classificado em três categorias.
Introdução à inteligência artificial4
Inteligência artificial fraca
A inteligência artificial fraca é uma corrente de pesquisa e desenvolvimento que 
defende que nunca será possível construir máquinas inteligentes no real sentido 
da palavra, pois, para ela, a inteligência demanda consciência e autopercepção, 
habilidades impossíveis de serem recriadas. Tudo que se pode fazer envolve imitar 
comportamentos inteligentes e emoções, bem como resolver problemas, mas 
nunca a consciência, considerando que isso se resume a um conjunto de cálculos. 
Inteligência artificial forte
Já o grupo da inteligência artificial forte acredita que um dia será possível 
recriar máquinas capazes de pensar, criar e exibir comportamento inteligente 
nos moldes humanos, a partir da criação de algoritmos cognitivos que possam 
executar em computadores. Assim, essas duas correntes são de caráter filosófico 
e servem para refletir sobre os limites da tecnologia.
Superinteligência
O termo superinteligência, por sua vez, foi definido pelo filósofo sueco Nick 
Bostrom como “um intelecto que é muito mais inteligente do que o melhor 
cérebro humano em praticamente todas as áreas, incluindo criatividade cientí-
fica, conhecimentos gerais e habilidades sociais” (BOSTROM, 2003, p. 12–17). 
Assim, a artificial abrange possibilidades que variam desde o computador um 
pouco mais inteligente do que um ser humano até aquele milhões de vezes 
mais inteligente do que uma pessoa em todas as capacidades intelectuais.
Nesse tipo hipotético de inteligência artificial, concentram-se hoje as prin-
cipais discussões, pois é dessa área que vêm as promessas mais promissoras 
e assustadoras para o futuro da humanidade: a imortalidade ou a extinção 
dos seres humanos.
Há relatos de que a inteligência artificial será responsável por milhares de pessoas 
perderem o emprego e, embora isso acontecerá de fato, não precisa ser visto de uma 
forma tão pessimista. Certamente, surgirão oportunidades de novas aplicações, mas 
com aprendizado constante.
5Introdução à inteligência artificial
Importância da análise estatística de dados
A estatística pode ser explicada como um ramo da ciência que busca modelar 
a incerteza e a aleatoriedade para inferir conclusões para a estimativa de 
fenômenos futuros, funcionando por meio da coleta, análise e interpretação 
de dados. Em suma, ela é uma ferramenta para interpretar esses dados.
Aliada à inteligência artificial, decorrente do avanço científico em campos 
como machine learning (o aprendizado de máquinas que substitui a codifica-
ção algorítmica por seres humanos) e deep learning (o campo de codificação 
algorítmica com uso das técnicas de redes neurais artificiais, que imitam o 
cérebro), a estatística é uma área de apoio para atravessar a Era Big Data e 
enfrentar todos os inerentes desafios e oportunidades, como na Indústria 4.0 e 
na Internet of Things (IoT). Na Figura 2, você pode conferir uma representação 
dos campos da inteligência artificial.
Figura 2. Campos da inteligência artificial.
Fonte: Adaptada de Crawford (2016, documento on-line).
Campo da inteligência arti�cial
Aprendizagem
profunda
Campos de 
aprendizagem da máquina
Introdução à inteligência artificial6
Ao abordar uma problemática envolvendo métodos estatísticos, estes devem 
ser utilizados antes de se recolher a amostra, planejando a experiência que 
permitirá essa coleta de dados a fim de, posteriormente, extrair o máximo 
de informação relevante para o problema e a população da qual eles provêm. 
Quando você tiver esses dados, precisa agrupá-los e reduzi-los sob forma de 
amostra, evitando a aleatoriedade.
Já o objetivo do estudo estatístico inclui estimar uma quantidade ou testar 
uma hipótese, utilizando as técnicas convenientes, as quais realçam toda a 
potencialidade da estatística, na medida em que permitem tirar conclusões 
sobre uma população e baseiam-se em uma pequena amostra, propiciando 
uma medida do erro cometido.
Distribuição de frequências
Na análise de dados, é comum conferir certa ordem aos números e torná-los 
visualmente mais amigáveis. Assim, o procedimento mais frequente é sua 
divisão por classes ou categorias, verificando-se o número de indivíduos 
pertencentes a cada uma.
A distribuição de frequências compreende a organização dos dados de 
acordo com as ocorrências dos diferentes resultados para cada variável. 
Essas informações podem ser resumidas e visualizadas por meio de tabelas 
e gráficos.
Essa distribuição dos dados pode ser feita de dois modos: relativo ou acu-
mulado. A frequência relativa é a apresentação da frequência de valores que 
aparecem em cada uma das faixas, dividida pela frequência total de valores 
de um conjunto, geralmente, expressa em porcentagem e sendo representada 
pela seguinte fórmula:
Frequência relativa ( faixa) =
( frequência da faixa)
( frequência total )
100*
O modo acumulado, por sua vez, é a apresentação das frequências acumu-
ladas que aparecem em cada uma das faixas, dividida pela frequência total 
de valores de um conjunto. Assim, uma simples análise da distribuição de 
frequências tem muito valor.
Quando se começa a descrever os dados e a explorá-los, compreende-se 
um pouco mais a população da qual eles foram extraídos. Esse tipo de análise 
pode ser caracterizado como exploratório ou uma tentativa de captar a essência 
das informações contidas nesses dados, por meio da construção de tabelas e 
7Introdução à inteligência artificial
gráficos. Em termos mais técnicos, uma análise exploratória consiste na busca 
de um padrão ou modelo que possa orientar em estudos posteriores.
No Quadro 1, você pode ver uma distribuição de frequências e sua análise.
Intervalos de classe Frequências
0 | – 10 47
10 | – 20 29
20 | – 30 13
30 | – 40 7
40 | – 50 3
Acima de 50 1
Quadro 1. Exemplo de distribuição de frequências
Média aritmética
A média é entendida como o ponto de equilibração entre os dados de uma 
distribuição, considerando os desvios dos valores. Já a média aritmética seria 
o valor que equilibra os dados — como o ponteiro de uma balança — e equi-
valeria ao ponto central da massa de um conjunto deles (NOVAES; COUTI-
NHO, 2009). Os estudos anteriores sobre média apontam diferentes aspectos 
conceituais que precisariam ser abordados na escola, por exemplo, Strauss e 
Bichler (1988) investigaram essa compreensão entre 80 estudantes com 8 a 
12 anos, em Israel, e elencaram sete propriedades que deveriam ser ensinadas 
para se ter o domínio do conceito de média.
No Quadro 2, você pode ver as propriedades da média segundo Strauss 
e Bichler (1988).
Introdução à inteligência artificial8
Fonte: Adaptado de Strauss e Bichler (1988).
Propriedades (P) Significado
P1A média está localizada entre os valores extremos.
P2 A soma dos desvios a partir da média é zero.
P3 A média é influenciada por cada um e por todos 
os valores.
P4 A média não coincide necessariamente com um 
dos valores do banco de dados que a compõe.
P5 A média pode ser um número que não tem 
correspondente na realidade física.
P6 O cálculo da média considera todos os 
valores, inclusive os nulos e os negativos.
P7 A média é um valor representativo do banco 
de dados a partir dos quais ela foi calculada.
Quadro 2. Propriedades da média
A DeepMind Health faz parte do Google e trabalha com o University College London 
Hospitals para desenvolver algoritmos de aprendizado de máquinas que detectam 
diferenças em tecidos saudáveis e cancerosos a fim de melhorar os tratamentos de 
radioterapia. A pesquisa usa uma técnica chamada de deep learning.
CRAWFORD, C. An Introduction to Deep Learning. Algorithmia — AI in Every Application, 
Seattle, 4 Nov. 2016. Disponível em: https://blog.algorithmia.com/introduction-to- 
deep-learning/. Acesso em: 27 abr. 2019. 
9Introdução à inteligência artificial
NOVAES, D. V.; COUTINHO, C. Q. S. Estatística para a educação profissional. São Paulo: 
Atlas, 2009. 186 p.
SCHUTZER, D. Artificial intelligence: na applications-oriented approach. New York: Van 
Nostrand Reinhold, 1987. 294 p.
STRAUSS, S.; BICHLER, E. The development of children’s concepts of the arithmetic ave-
rage. Journal for Research in Mathematics Education, Reston, v. 19, n. 1, p. 64–80, Jan. 1988.
Leituras recomendadas
GONZALO, L. M. Inteligencia humana e inteligencia artificial. Madrid: Palabra, 1987. 167 p.
GROOVER, M. P. et al. Robótica: tecnologia e programação. São Paulo: McGraw-Hill, 
1989. 401 p.
MORETTIN, L. G. Estatística básica: probabilidade e inferência. São Paulo: Pearson Pren-
tice Hall, 2010. 375 p.
NAVIDI, W. Probabilidade e estatística para ciências exatas. Porto Alegre: AMGH; Book-
man, 2012. 616 p.
Introdução à inteligência artificial10
DICA DO PROFESSOR
 
Big data e inteligência artificial são dois dos termos mais falados atualmente no segmento empr
esarial. E não é para menos, uma vez que eles estão prometendo (e cumprindo) revolucionar o m
undo dos negócios com seus números, dados e algoritmos, o que torna qualquer menção a eles r
epleta de expectativas. O big data reúne a imensa quantidade de dados digitais disponível na red
e que, quando exposta, permite a criação de modelos que analisam e antecipam o comportament
o e a dinâmica de sistemas e interações complexas.
Acompanhe a Dica do Professor e saiba mais sobre big data.
Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar.
EXERCÍCIOS
1) Os sistemas de inteligência artificial (IA) mudaram a forma como interagimos com a 
computação. Essas aplicações são capazes de processar, com rapidez, uma quantidad
e enorme de dados que têm suas origens nos mais variados meios.
Com base nesse conceito, analise as afirmativas abaixo e identifique aquela que está e
m conformidade com as características de um sistema de inteligência artificial.
A) 
Coletar dados e apresentar o resultado desses dados são características que por si só justific
am um sistema como inteligente.
B) 
Os sistemas de IA devem coletar e analisar os dados, sendo capazes de gerar alguma inferê
ncia sobre a manipulação e análise desses dados.
C) 
Sistemas de IA são classificados em IA forte (realiza alguma manipulação e extração do co
nhecimento) e IA fraca (realiza coleta e apresentação de dados).
https://fast.player.liquidplatform.com/pApiv2/embed/cee29914fad5b594d8f5918df1e801fd/885fbba06a68cd60b7889d87e4d37de7
D) 
Os sistemas de IA atuais substituem por completo a necessidade da interferência humana.
E) 
Os sistemas de IA não manipulam dados, apenas realizam análise sobre os dados coletado
s.
2) As aplicações de inteligência artificial são classificadas como fracas, fortes e superinte
ligentes. Com relação às categorizações da inteligência artificial, analise as afirmativa
s e identifique a que está em concordância com as características da inteligência artifi
cial classificada como forte.
A) 
São sistemas capazes de aprender com as ações executadas, aprimorando a si mesmos em s
uas técnicas de análise de dados.
B) 
São sistemas mais inteligentes que a mente humana em todas as suas capacidades intelectu
ais.
C) 
São os sistemas de IA mais utilizados hoje em dia, capazes de olhar para o passado e gerar 
alguma inferência.
D) 
Um sistema de IA forte não é capaz de gerar um aprendizado contínuo – essa característica 
se aplica aos sistemas superinteligentes.
E) 
A inteligência artificial forte é uma técnica que veio para substituir a inteligência artificial 
classificada como fraca.
3) Considere a afirmativa a seguir: 
 
Quando de posse dos dados, procura-se agrupá-los e reduzi-los, sob forma de amostr
a, deixando de lado a aleatoriedade presente.
Essa afirmativa faz referência a qual método matemático?
A) 
Probabilidade.
B) 
Análise de frequências.
C) 
Média aritmética.
D) 
Curtose.
E) 
Análise de dados.
4) A quantidade de incidências em determinado intervalo de tempo é um indicativo de f
requência. Supondo que um sistema de IA esteja coletando esses dados, é correto afir
mar que:
A) 
por trabalhar com o conceito de análise de frequência, o sistema de IA pode vir a considera
r esse dado para tomar alguma solução.
B) 
esse indicativo de frequência não será um fato relevante para o sistema de IA, sendo desco
nsiderado.
C) 
esse indicativo de frequência será levado em consideração e usado pelo sistema, sem neces
sidade de análise.
D) 
será um dado tabelado pelo sistema e que, com outras informações relacionadas, pode ser 
ou não considerado.
E) 
esse indicativo de frequência será utilizado como base histórica para sistemas de IA.
5) Com o passar do tempo, surgem várias linhas de estudo da IA. Uma delas é a biológic
a, que estuda o desenvolvimento de conceitos que pretendiam imitar as redes neurais 
humanas. Nos anos 60, essa ciência recebe a alcunha de inteligência artificial. Os pesq
uisadores da linha biológica acreditavam ser possível máquinas realizarem tarefas hu
manas complexas como raciocinar, por exemplo.
Considerando esse trecho, é possível afirmar que:
A) 
a inteligência artificial veio para substituir o pensamento humano.
B) 
a inteligência artificial é uma ciência nova, com origem no final da década de 90.
C) 
a inteligência artificial não poderá substituir ou acompanhar o pensamento humano.
D) 
a inteligência artificial nunca vai substituir e raciocinar como um ser humano.
E) 
o estudo da IA é antigo, e pesquisadores desenvolveram essa ciência a partir do pensament
o humano representado pelas redes neurais.
NA PRÁTICA
A inteligência artificial, ou computação cognitiva, é a tecnologia que torna uma máquina capaz 
de tomar decisões baseadas nas informações por ela processadas e nas experiências anteriores, e
m constante autoaprendizado, de forma semelhante ao que acontece no cérebro humano. Sendo 
assim, a inteligência artificial atualmente vem apoiando muito rotinas de setores que lidam com 
muitas informações, como o jurídico.
Confira como a inteligência artificial apoia rotinas do setor jurídico.
SAIBA +
Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do professo
r:
A história da Inteligência Artificial
No link a seguir, confira um pouco do passado, presente e futuro da Inteligência Artificial, desde 
as primeiras pesquisas, passando pelas revoluções e chegando nas possibilidades pro futuro.
Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar.
O impacto da inteligência artificial na indústria financeira
A matéria a seguir aborda os impactos da inteligência artificial nas empresas e como ela vem tra
nsformando a sociedade e causando impacto na economia global. Não deixe de ler.
Aponte a câmera para o código e acesse o link do vídeoou clique no código para acessar.
https://www.youtube.com/embed/Lhu8bdmkMCM
https://canaltech.com.br/infra/o-impacto-da-inteligencia-artificial-na-industria-financeira-97590/
Engenharia de ontologias
APRESENTAÇÃO
Durante as duas últimas décadas, cada vez mais atenção tem sido direcionada às ontologias e à 
Engenharia de Ontologias. As ontologias são agora amplamente utilizadas na Engenharia do Co
nhecimento, Inteligência Artificial e Ciência da Computação. Além disso, elas têm sido usadas e
m larga escala em diversas aplicações que envolvem gestão do conhecimento, processamento de 
linguagem natural, comércio eletrônico, integração de grandes bases de dados, na educação e em 
vários outros campos, como a Web semântica.
Já a Engenharia de Ontologias consiste num conjunto de atividades relacionadas às etapas ao lon
go do processo de desenvolvimento da ontologia e ao seu ciclo de vida, aos princípios, métodos 
e metodologias para sua construção e aos conjuntos de ferramentas e linguagens que os suporta
m.
A Engenharia de Ontologias é uma área que dá a racionalização do design de uma base de conhe
cimento, restrições semânticas de conceitos juntamente com teorias e tecnologias sofisticadas qu
e permitem acumular conhecimento, que é dispensável para processamento de conhecimento no 
mundo real. Nesse sentido, uma ontologia, que é um sistema de conceitos fundamentais, ou seja, 
um sistema de conhecimento prévio de qualquer base de conhecimento, explica a conceitualizaç
ão de um determinado domínio. Além disso, ela fornece uma base sólida sobre a qual se pode co
nstruir bases de conhecimento compartilhadas para um uso mais amplo do que de uma base de c
onhecimento convencional. Nesse contexto, a Engenharia de Ontologias é o próximo passo da E
ngenharia de Conhecimento.
Nesta Unidade de Aprendizagem, você vai conhecer metodologias que têm sido propostas para 
direcionar a criação de ontologias, bem como as diferentes ferramentas existentes para facilitar e
sse desenvolvimento, uso e reutilização de ontologias. Por fim, você vai compreender como se a
plica a metodologia 101 na criação de uma nova ontologia.
Bons estudos.
Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados:
Comparar metodologias e o ciclo do processo de desenvolvimento de ontologias.•
Identificar as principais ferramentas para criação e manipulação de ontologias.•
Descrever a construção de ontologias por meio da metodologia 101.•
DESAFIO
A diabetes é uma doença que ocorre quando a glicose no sangue está muito alta. Essa glicose é a 
principal fonte de energia humana e vem dos alimentos ingeridos. A insulina, um hormônio prod
uzido pelo pâncreas, ajuda a glicose dos alimentos a entrar nas células para, posteriormente, ser 
usada como energia.
Às vezes, o corpo não produz insulina, ou não o suficiente, ou não a utiliza da melhor forma, faz
endo com que a glicose permaneça no sangue e não chegue às células. Nesse contexto, é essenci
al ter uma alimentação saudável e fazer atividade física para manter uma boa saúde, melhorar os 
níveis de glicose e atingir melhores taxas de boa gordura no sangue. 
Imagine a seguinte situação:
Com base na situação apresentada, responda as questões a seguir:
a) Suponha que você identificou a necessidade de criar uma ontologia de alimentos e suas infor
mações nutricionais para facilitar o desenvolvimento das aplicações relacionadas. Descreva com
o seria o desenvolvimento dessa ontologia caso seguisse a metodologia 101.
b) Qual(is) ferramenta(s) você recomenda que fosse(m) utilizada(s) para criar e manipular essa o
ntologia? Justifique sua escolha.
INFOGRÁFICO
Para que ontologias possam ser utilizadas na Engenharia de Conhecimento, é essencial que elas 
estejam incluídas em uma metodologia. Isso porque a ontologia desempenha o papel de espinha 
dorsal, dando suporte a vários tipos de gestão, recuperação, armazenamento e compartilhamento 
de informações na Web. 
Por outro lado, escolher uma metodologia para construí-la pode ser muito difícil, uma vez que u
m número considerável de metodologias tem surgido para orientar o processo de desenvolvimen
to. 
Veja, no Infográfico, algumas das principais metodologias propostas para auxiliar o desenvolvi
mento de ontologias. 
CONTEÚDO DO LIVRO
As pesquisas de Engenharia de Ontologias têm crescido e ganhado destaque cada vez mais, pois 
já se reconhece que as ontologias não são apenas para sistemas baseados em conhecimento, uma 
vez que todos os softwares precisam de modelos do mundo e, sendo assim, podem fazer uso de 
ontologias no seu design. 
No capítulo Engenharia de Ontologias, base teórica desta Unidade de Aprendizagem, você conh
ecerá diferentes metodologias para criar ontologias, bem como algumas das ferramentas mais uti
lizadas para isso, além de aprender na prática como aplicar a metodologia 101 para criar uma no
va ontologia. 
Boa leitura. 
ENGENHARIA DO 
CONHECIMENTO 
OBJETIVOS DE APRENDIZAGEM
 > Comparar metodologias e o ciclo do processo de desenvolvimento de on-
tologias.
 > Identificar as principais ferramentas para criação e manipulação de onto-
logias.
 > Descrever a construção de ontologias por meio da metodologia 101.
Introdução
Ontologias são “[...] especificações formais e explícitas de conceituações com-
partilhadas” (GUIMARÃES, 2015, p. 61). Podemos encontrar na literatura técnica 
muita coisa sobre o que as constitui, como podem ser projetadas e onde podem 
ser utilizadas em aplicações — essas informações podem ser agrupadas no termo 
“engenharia de ontologias”, que consiste em um conjunto de atividades que dizem 
respeito ao processo de desenvolvimento da ontologia, ao longo de seu ciclo de 
vida, aos métodos e metodologias de sua construção, bem como aos conjuntos 
de ferramentas e linguagens que os suportam (GÓMEZ-PÉREZ; FERNÁNDEZ-LÓPEZ; 
CORCHO, 2004). 
Neste capítulo, você vai ver como diferenciar diferentes metodologias propostas 
para o desenvolvimento de ontologias, vai conhecer as principais ferramentas para 
que seja possível criá-las e manipulá-las, bem como aplicar a metodologia 101. 
Engenharia 
de ontologias
Nicolli Souza Rios Alves
Metodologias para o desenvolvimento 
de ontologias
Ontologias foram desenvolvidas na área de inteligência artificial (IA) para 
facilitar o compartilhamento e a reutilização do conhecimento e, desde os 
anos 1990, elas têm se tornado uma área que só tem crescido entre várias 
comunidades de pesquisa em IA, bem como em engenharia de conhecimento, 
processamento de linguagem natural e representação do conhecimento. 
Tudo isso porque sua definição ronda a ideia de promoção de um entendi-
mento compartilhado e comum de um determinado domínio que pode ser 
comunicado entre pessoas e sistema. Dessa forma, o termo “ontologias” 
tem se espalhado entre diferentes aplicações atualmente, incluindo o seu 
uso na integração inteligente de informações, em sistemas de informações 
cooperativos, na recuperação de informações, na gestão do conhecimento 
e até em aplicações de e-commerce. 
Ainda nos anos 1990, com o crescente interesse na área de ontologia, 
houve também um grande interesse em abordagens para a construção de 
ontologias a partir do zero, para reutilizar outras já existentes e para usar 
métodos semiautomáticos que reduzissem o gargalo de aquisição de conhe-
cimento do processo de desenvolvimento de ontologias. Nesse contexto, 
as equipes de desenvolvimento passaram a seguir um conjunto próprio de 
princípios, critérios de design e fases para a construção manual da ontologia 
(GÓMEZ-PÉREZ; FERNÁNDEZ-LÓPEZ; CORCHO, 2004). Com isso, teve-se um 
atraso no desenvolvimento de ontologias dentro e entre as equipes, na sua 
extensão e na possibilidade de reutilizá-las, bem como em seu uso final em 
aplicações — tudo isso devido à falta de diretrizes comuns e estruturadas 
para apoiar esses processos. 
Somente após um workshop realizado em 1997 para discutir aspectos 
sobre o uso de ontologias,bem como sua criação e avaliação, começaram 
a surgir metodologias associadas a diferentes atividades do processo de 
desenvolvimento de ontologias. Considerando que, para usar ontologias na 
engenharia do conhecimento, elas devem estar embutidas em uma metodo-
logia, nesta seção, vamos ver algumas das principais metodologias propostas 
para construir novas ontologias por meio da reutilização e da reengenharia 
de outras ontologias por um processo de fusão ou pela utilização de uma 
abordagem de aprendizagem de ontologia. 
Engenharia de ontologias2
Metodologia de Grüninger e Fox
A partir da metodologia de Grüninger e Fox, o desenvolvimento de uma ontologia 
deve ser motivado considerando um cenário, ou seja, possíveis aplicações em 
que é utilizada, que descreve um problema e suas possíveis soluções, como 
mostra a Figura 1. Esse cenário pode auxiliar diretamente os desenvolvedores 
a entender a necessidade da ontologia e como ela pode e será utilizada. 
Figura 1. Processo de desenvolvimento para ontologias com a metodologia de Grüninger e Fox.
Fonte: Adaptada de Breitman, Casanova e Truszkowski (2007).
Dessa forma, com base em um ou mais cenários motivadores, surge um 
conjunto de questões que a ontologia passa a ter o poder de responder, 
chamadas de questões informais de competência, que podem ser usadas na 
avaliação dos compromissos das ontologias que foram feitos. Em seguida, 
faz-se a especificação da terminologia da ontologia, em que, primeiramente, 
os objetos relevantes são identificados e, a partir disso, os seus atributos 
são definidos por predicados unários, e relações entre objetos são definidas 
por predicados n-ários.
Depois disso, é necessário, levando em conta os axiomas na ontologia, 
definir as questões de competência formalmente, que serão utilizadas para 
diferenciar as ontologias, analisando que tipo de problemas podem resolver. 
Nessa metodologia, o passo considerado mais difícil na definição de 
ontologias é definir os axiomas, que devem ser precisos e suficientes para 
expressar as questões de competência e suas soluções. Por fim, tem-se a 
criação de teoremas de completude para a ontologia, que vão definir as 
condições que devem ser tomadas como base para completar as perguntas. 
Engenharia de ontologias 3
Abordagem KACTUS 
Esta abordagem tem com objetivo investigar a reutilização do conhecimento 
em sistemas e a função das ontologias nesse processo. O processo de cria-
ção de ontologias a partir do KACTUS tem forte infl uência da possibilidade 
de reutilização de conceitos defi nidos em ontologias que já existem. Nesse 
contexto, essa abordagem está condicionada a analisar e adaptar os conceitos 
de outras ontologias. KACTUS envolve três etapas, como mostra a Figura 2. 
Figura 2. Processo de desenvolvimento para ontologias com o KACTUS.
Primeiramente, captura-se o contexto da aplicação a partir de uma lista 
de termos relacionados ao domínio. Em seguida, faz-se uma avaliação das 
ontologias superiores disponíveis, são escolhidas as categorias de nível 
superior relevantes e, depois, refinadas, estendidas e incorporadas a uma 
nova ontologia, ou seja, reutilizadas. Por fim, tem-se a refatoração da on-
tologia a fim de reorganizá-la e atingir um design que siga os princípios de 
modularização e organização da hierarquia. 
Como podemos notar observando a Figura 2, não há processos relacio-
nados a documentação, avaliação e evolução da ontologia. Por outro lado, 
como essa abordagem promove o reuso de ontologias, traz uma série de 
benefícios, como reduzir o seu tempo e risco de desenvolvimento, induzindo 
a consistência do vocabulário, a atualização e a adição contínua de novos 
conceitos, entre outros (BREITMAN; CASANOVA; TRUSZKOWSKI, 2007). 
Metodologia Methontology
Este framework é baseado no padrão IEEE de desenvolvimento de software 
e dá suporte automatizado para desenvolver ontologias. A Methontology é 
considerada essencialmente descritiva, já que sugere as atividades específi cas 
devem ser realizadas para construir ontologias, mas não diz como elas devem 
ser realizadas. Essas atividades incluem (FERNÁNDÉZ-LOPÉZ; GÓMEZ-PÉREZ; 
JURISTO, 1997):
Engenharia de ontologias4
 � atividades de gerenciamento de ontologias — abrangem identificação, 
agendamento, controle e garantia de qualidade das tarefas a serem 
realizadas; 
 � atividades orientadas para o desenvolvimento de ontologia — incluem 
um estágio de pré-desenvolvimento em que são realizados estudos 
de ambiente e de viabilidade. Depois que a ontologia estiver em vigor, 
realiza-se: especificação, formalização, implementação e gerenciamento; 
 � atividades de apoio à ontologia — abrange atividades fundamentais que 
são relacionadas a aquisição de conhecimento, alinhamento, documen-
tação, avaliação, integração, fusão e gerenciamento de configurações. 
A Figura 3 ilustra as etapas do processo de desenvolvimento da Methon-
tology. Como podemos observar, a primeira coisa ao construir uma ontologia 
é a especificação do seu propósito, o nível de formalidade e o escopo da 
ontologia. Após, é preciso coletar o conhecimento por meio de várias formas, 
como entrevistas estruturadas e não estruturadas, brainstorming, análise 
formal e informal de textos e ferramentas para adquirir conhecimento. 
Figura 3. Processo de desenvolvimento para ontologias com a metodologia Methontology.
Fonte: Adaptada de Gómez-Pérez, Fernández-López e Corcho (2004).
Engenharia de ontologias 5
Em seguida, é recomendado construir um glossário de termos com todos 
os conhecimentos que podem ser úteis no domínio em questão. Depois, esses 
termos são organizados tomando como base os conceitos e verbos para formar 
tabelas de fórmulas e regras. Depois disso, é necessário verificar se existem 
ontologias que podem e devem ser usadas nesse caso. 
Nas fases finais de implementação, temos a codificação da ontologia em 
uma linguagem formal que pode ser verificada e validada. Por fim, temos a 
documentação, em que será descrita cada parte desenvolvida da ontologia. 
Metodologia 101
Esta metodologia descreve uma forma de desenvolver uma ontologia de forma 
iterativa, começando com um conceito próximo e, depois, fazendo sua revisão 
e completando com os detalhes. Atualmente, é uma das mais utilizadas para 
construir ontologias por causa da sua simplicidade. 
Basicamente, o domínio e o escopo da ontologia são determinados, se-
guidos da verificação da possibilidade de já usar uma já existente — e, se for 
possível, como. Depois, tem-se a produção de uma lista termos necessários 
e usados e, após a definição de classes e checagem de suas propriedades, 
finalmente, a criação das instâncias individuais. Mais adiante, veremos o uso 
dessa metodologia com mais detalhes. 
Ferramentas para criação e manipulação 
de ontologias 
O processo de engenharia de ontologias exige o uso de diversas ferramentas 
de software. Hoje existe uma série de ferramentas open source e também 
comerciais disponíveis, as quais auxiliam na criação e na manipulação de 
várias ontologias chamadas de construtores de ontologia. Essas ferramentas 
são usadas para construir uma nova ontologia do zero ou para auxiliar o 
reuso de ontologias existentes, o que geralmente suporta editar, navegar, 
codificar, manter, documentação, exportar e importar diferentes formatos, 
visualizações, entre outras funcionalidades. Essas ferramentas podem ser 
aplicadas a vários estágios do ciclo de vida da ontologia, incluindo criação, 
implementação e manutenção de ontologias. 
Vamos conhecer, a seguir, algumas dessas ferramentas, tendo uma visão 
geral delas, vendo o grupo que as desenvolveu, seus principais recursos e 
funcionalidades, como baixá-las, entre outras informações. 
Engenharia de ontologias6
Protégé Ontology Editor
É uma ferramenta open source e gratuita desenvolvida pela Universidade 
de Stanford, sendo uma das mais utilizadas para construir ontologias. O 
Protegé fornece um conjunto de ferramentas para a construção de modelos 
de domínio e aplicaçãobaseadas em conhecimento com ontologias a uma 
crescente comunidade de usuários. 
O Protegé implementa um conjunto de estruturas para modelar o conheci-
mento a ações que auxiliam criar, visualizar e manipular ontologias de várias 
formas de representação. A ferramenta também é extensível por meio do uso de 
plug-ins e da API baseada em Java. Além disso, permite definir classes, variáveis 
de hierarquias de classe, restringir valor de variável e os relacionamentos. 
A ferramenta vem com diversos pacotes de visualização, como OntoViz e 
EZPal. A ideia é auxiliar o usuário a visualizar ontologias com ajuda de dia-
gramas. Depois de uma atualização, o Protégé passou a incluir uma interface 
para SWRL (Semantic Web Rule Language), que fica em cima do OWL para fazer 
matemática, raciocínio temporal e adiciona regras de raciocínio do tipo Prolog. 
Uma grande vantagem dessa ferramenta se dá pelo fato que a ferramenta 
dá suporte, ao mesmo tempo, para criadores de ferramentas, engenheiros 
de conhecimento e especialistas no domínio, diferenciando-a das outras 
ferramentas disponíveis. Isso porque as outras geralmente são direcionadas 
ao engenheiro do conhecimento e não têm flexibilidade para meta-modelo. 
Além disso, o Protégé oferece suporte à edição colaborativa de ontologias, 
bem como anotações de componentes e mudanças de ontologias.
OntoStudio
É uma ferramenta comercial baseada na estrutura do IBM Eclipse. Grafica-
mente, dá suporte ao desenvolvimento e à manutenção de ontologias. Além 
disso, considera a arquitetura cliente/servidor, em que as ontologias são 
gerenciadas em servidores, tornando possível o acesso e a modificação dessas 
ontologias por vários clientes, bem como permite o desenvolvimento colabo-
rativo de ontologias usando o servidor colaborativo OntoBroker Enhancement. 
O OntoStudio usa uma estrutura de plug-in aberta e possibilita edição 
da hierarquia de conceitos ou classes. O modelo de dados de representação 
interna pode ser exportado tanto para DAML + OIL, F-Logic quanto para RDF (S) 
e OXML, permitindo, também, que ontologias sejam exportadas para banco de 
dados relacionais por meio do JDBC. A ferramenta, além disso, permite o acesso 
de ontologias de uma forma orientada a objetos a partir de um API fornecida. 
Engenharia de ontologias 7
Apollo
É uma aplicação de modelagem de conhecimento implementada em Java 
que permite ao usuário modelar ontologias com primitivas básicas, como 
instâncias, funções, classes, etc. Sua base de conhecimento define em uma 
organização de hierarquia de ontologias, que podem ser herdadas de outras e 
também podem ser utilizadas como se fossem suas próprias. Cada ontologia 
herda pelo menos uma ontologia — uma ontologia padrão, que contém todas 
as classes primitivas: boolean, integer, float, string, list, entre outros. 
Além disso, cada classe pode criar várias instâncias, e uma instância herda 
todos os slots da classe, que consistem em um conjunto de facetas.
Vale ressaltar que essa ferramenta não suporta a visualização de gráfico, 
web, extração de informações e capacidades multiusuário ou processamento 
colaborativo; por outro lado, apresenta forte verificação de consistência 
de tipo, armazenamento de ontologias (somente arquivos) e formato de 
importação/exportação. 
Swoop
Esta ferramenta é um editor e navegador open source de ontologia OWL baseado 
na web que contém validação e uma série visualizações de sintaxe de apresen-
tação OWL. Além disso, tem suporte de raciocínio similar ao RFD-S e fornece um 
ambiente de múltiplas ontologias, em que suas entidades e relacionamentos 
podem passar por comparações, edições e mesclagem de forma adequada. 
Geralmente, sua navegação é simples e fácil por causa dos recursos de 
hiperlink na sua interface, bem como por não seguir nenhuma metodologia de 
construção de ontologias. Por outro lado, com o Swoop, não é possível impor-
tar OWL parcialmente, mas é possível buscar conceitos em várias ontologias. 
A ferramenta utiliza algoritmos de busca que combinam palavras-chave com 
construções baseadas em OWL DL para identificar conceitos relacionados em 
ontologias que já existem. 
TopBraid Composer Free Edition
É uma ferramenta de modelagem para a criação e para a manutenção de 
ontologias que fornece um desenvolvimento direcionado a sintaxe de onto-
logias RDF-S e OWL, importação/exportação de regras da Web Semântica de 
uma série de formatos de dados incluindo RDF-S, XML, Excel, entre outros, 
bem como consultas na linguagem SPARQL. 
Engenharia de ontologias8
A TopBraid Composer possui três edições: 
 � Free Edition (FE) — é uma versão básica com apenas um conjunto mí-
nimo de recursos;
 � Standard Edition (SE) — abrange todos os recursos do FE, com a adição 
de visualizadores gráficos, recursos de importação, suporte avançado 
de refatoração, entre outros;
 � Maestro Edition (ME) — abrange todos os recursos do SE mais suporte 
para TopBraid Live, EVN e Ensemble, bem como SPARQLMotion e muitos 
outros recursos avançados para o usuário.
O TopBraid Composer (FE) é uma ferramenta para desenvolver ontologias 
profissionalmente baseada na plataforma Eclipse e na API Jena. Essa ferra-
menta é considerada um editor completo para modelos RDF-S e OWL, assim 
como uma plataforma para outros componentes e serviços baseados em RDF. 
Além disso, permite carregar e salvar qualquer arquivo OWL2 em diferentes 
formatos como RDF/XML e até mesmo o Turtle.
Além disso, também suporta vários mecanismos de raciocínio e verificação 
de consistência por meio de mecanismo de inferência OWL integrado, meca-
nismo de consulta SPARQL e mecanismo de regras. Sua lógica de descrição 
OWL é apoiada por uma série de mecanismos OWL DL integrados, assim como 
OWLIM, Jena e Pellet. 
Metodologia 101 para construir ontologias
Nesta seção, você vai conhecer como é o processo de criação de uma ontologia 
do zero, de forma simplificada, por meio da metodologia 101 (NOY; MCGUINNESS, 
2001). Vale destacar que, apesar da existência de diversas metodologias para 
apoiar a criação e manipulação de ontologias, não há um modo ou metodologia 
correta para desenvolver ontologias. Além disso, apesar de vários pesquisa-
dores da área não considerarem a metodologia 101 como adequada para criar 
ontologias, ela ainda é uma das mais citadas na literatura, visto que fornece 
uma série de etapas simples e de fácil entendimento para alguém que deseja 
criar ontologias pela primeira vez (ISOTANI; BITTENCOURT, 2015). 
Essa metodologia, assim como a ferramenta Protégé, foi criada por pes-
quisadores da Universidade Stanford que juntaram suas experiências obtidas 
a partir do uso das ferramentas Protégé, Ontolingua e Chimaera para criar 
essa metodologia. Como mostra a Figura 4, a metodologia 101 é basicamente 
composta por sete etapas para auxiliar o processo de construção de ontolo-
gias. Vamos aprender agora sobre cada uma dessas etapas em mais detalhes.
Engenharia de ontologias 9
Figura 4. Ciclo de vida de uma ontologia na metodologia 101.
Fonte: Isotani e Bittencourt (2015, documento on-line).
Etapa 1: determinar o domínio e o escopo 
da ontologia
A metodologia sugere iniciar o desenvolvimento de uma ontologia a partir 
da defi nição do domínio e do seu escopo. Essa defi nição pode ser feita res-
pondendo as seguintes perguntas (NOY; MCGUINNESS, 2001): 
 � Qual é o domínio que a ontologia cobrirá?
 � Para que (ou como) vamos usar a ontologia?
 � Quem mais usará a ontologia?
 � Para quais tipos de perguntas as informações na ontologia fornecerão 
respostas?
 � Quem vai usar e manter a ontologia?
As respostas a essas perguntas podem ser expressas como casos de uso, 
uma vez que são situações que descrevem eventos possíveis que ilustram 
as respostas. A conclusão bem-sucedida da ontologia pode ser medida pelo 
grau em que as questões foram abordadas. Vale lembrar que essas respostas 
podem mudar ao longo do processo de design da ontologia, mas a qualquer 
momento ajudam a limitar o escopo. 
Engenharia de ontologias10Etapa 2: considerar o uso de ontologias existentes
Vale a pena considerar o que outra pessoa já fez e verificar se podemos refinar 
e estender as fontes existentes para nosso domínio e tarefas específicos. A 
política de vocabulário HL7 estabelece que os vocabulários existentes devem 
ser usados se estiverem disponíveis e atenderem os requisitos do projeto 
(NOY; MCGUINNESS, 2001). 
Muitas ontologias já estão disponíveis em formato eletrônico e podem ser 
importadas para uma ferramenta de apoio ao desenvolvimento de ontologias 
que estamos utilizando. Usualmente, o formalismo no qual uma ontologia é 
expressa não importa, já que muitos sistemas de representação de conheci-
mento podem importar e exportar ontologias. Assim, mesmo que um sistema 
de representação de conhecimento não possa trabalhar diretamente com 
um formalismo particular, geralmente não teremos dificuldade na tarefa de 
traduzir uma ontologia de um formalismo para outro. Assim, torna-se útil 
identificar essas ontologias, seja para inclusão, harmonização ou para definir 
os limites do projeto em questão.
Para isso, temos uma série de biblioteca de ontologias reutilizáveis na web 
e na literatura, como OntoLingua, DAML e outras comercias também, como 
UNSPSC, RosettaNet e DMOZ. 
Etapa 3: listar os termos relevantes do domínio
Aqui, capturamos os termos do domínio que são importantes para a des-
crição do domínio, escrevendo uma lista de todos os termos para os quais 
gostaríamos de fazer declarações ou explicações para um usuário, como: 
 � Quais são os termos sobre os quais gostaríamos de falar? 
 � Quais propriedades esses termos possuem? 
 � O que gostaríamos de dizer sobre esses termos?
Esses podem ser termos comumente utilizados no domínio ou mesmo 
usados para descrever propriedades e associações. Vale ressaltar que, 
inicialmente, é importante obter uma lista abrangente de termos sem se 
preocupar com a sobreposição ou equivalência entre os conceitos que eles 
representam, as relações entre os termos ou quaisquer propriedades que os 
conceitos possam ter ou se os conceitos são classes ou slots. Aqui, somente 
capturá-los é suficiente, não sendo necessário fazer a sua estruturação ou 
organização. 
Engenharia de ontologias 11
Etapa 4: definir as classes e a hierarquia de classes
É nessa etapa que se inicia a organização e apresentação da estrutura dos 
termos capturados na etapa anterior. A partir da lista, vamos escolher aqueles 
que representam objetos que não possuem existência dependente em vez 
daqueles que descrevem esses objetos. 
Só para relembrar, o conceito de classe consiste no nome geral escolhido 
para esses termos. As classes são usadas para denotar o conjunto de objetos 
compreendidos por um conceito e podem ser associadas a outras classes 
por meio de relacionamentos de generalização/especialização quando for 
apropriado. 
Para isso, existem várias abordagens possíveis no desenvolvimento de 
uma hierarquia de classes (USCHOLD; GRÜNINGER, 1996), como você confere 
a seguir.
 � Top-down (de cima para baixo): esse processo tem início com a de-
finição da maioria dos conceitos gerais no domínio e a subsequente 
especialização dos conceitos. Por exemplo, podemos criar uma classe 
de conceito geral como fruta e depois especializá-la criando algumas 
subclasses como fruta ácida, fruta semiácida, fruta doce e fruta ole-
oginosa e assim por diante. 
 � Bottom-up (de baixo para cima): esse processo é o contrário do anterior 
e começaria com a definição das classes mais específicas, as folhas 
da hierarquia, com o subsequente agrupamento dessas classes em 
conceitos mais gerais. 
 � Combinação: aqui temos uma combinação dos dois processos anteriores 
em que definimos primeiro os conceitos mais salientes e depois gene-
ralizamos e especializamos de forma adequada. Por exemplo, podemos 
começar com conceitos de nível superior fruta e depois seguir com 
conceitos específicos como frutas regionais, sazonais ou algo do tipo.
Etapa 5: definir as propriedades das classes — slots
Propriedades ou propriedades do objeto se referem às entidades que descre-
vem de que forma os indivíduos se relacionam. Assim como com as classes, 
as propriedades podem ser organizadas em hierarquias. 
As classes por si só não vão fornecer informações suficientes para res-
pondermos as questões de competência da etapa 1. Assim, depois de definir 
algumas das classes, devemos descrever a estrutura interna de conceitos. 
Engenharia de ontologias12
Então, já que selecionamos classes da lista de termos criada na etapa 3, é 
provável que a maioria dos termos que sobraram sejam propriedades dessas 
classes. Esses termos pode incluir, por exemplo, cor da fruta, corpo, teor de 
açúcar, nível de acidez, entre outros. 
A linguagem OWL permite asserções de propriedades negativas, em que 
não existe um tipo de relacionamento entre dois indivíduos. Esse tipo de 
informação é bem importante em OWL, uma vez que a postura padrão é a de 
que tudo é possível até que se diga o contrário. Além disso, chamamos de 
intervalo da propriedade aquelas classes permitidas para uma propriedade, 
e domínio da propriedade as classes reais que a propriedade descreve.
Etapa 6: definir restrições
A propriedade valuetype relaciona um indivíduo a um valor de dados, infor-
mação numérica, ao contrário de uma propriedade de objeto que relaciona 
um indivíduo a outro indivíduo. Como essas propriedades do objeto, os tipos 
de dados podem ser restringidos pela atribuição de domínios e intervalos.
Nesse sentido, os slots podem ter diferentes facetas que descrevem o 
tipo de valor, os valores permitidos, o número dos valores (cardinalidade) e 
outras características dos valores que o slot pode assumir. Por exemplo, o 
valor de um slot de nome (como em “o nome de uma fruta”) é uma string. Ou 
seja, o nome é um slot com o tipo de valor string. Um slot regiaobrasileira 
(como em “uma região do Brasil produz essa fruta”) pode ter vários valores, 
e os valores são instâncias da classe fruta.
Vale enfatizar que é de extrema importância que a equipe de engenharia 
de ontologias não descuide essa etapa de definição de restrições. Devido ao 
nível de granularidade fino, no qual a equipe deverá examinar cada termo 
e suas restrições, isso costuma ser negligenciado e, consequentemente, o 
compromisso da ontologia se perde (ISOTANI; BITTENCOURT, 2015). 
Etapa 7: criar instâncias
Nesta última etapa, criamos instâncias individuais de classes na hierarquia. 
Para essa definição, é necessário: 
 � escolher uma classe;
 � criar uma instância individual dessa classe;
 � preencher os valores da propriedade.
Engenharia de ontologias 13
É importante lembrar sempre que essas instâncias devem, no mínimo, 
satisfazer as perguntas e casos de uso que foram estabelecidos na etapa 1. 
Aqui, por exemplo, podemos criar uma instância individual de abacate para 
representar um tipo específico de fruta oleoginosa que também possui cor 
verde e assim por diante. 
Noy e McGuinness (2001) apresentam um exemplo na prática de 
construção de uma ontologia de vinhos ao adotar a Metodologia 101. 
Você pode aprender como aconteceu todo esse processo, em português, etapa 
por etapa, a partir da seção 4.4.2 do livro Dados Abertos Conectados, autoria 
de Seiji Isotani e Ig Ibert Bittencourt (2015). 
Com base no que foi exposto, podemos notar que o processo de desenvol-
vimento de novas ontologias não é uma tarefa fácil, mas, quando se utiliza uma 
metodologia que seja de simples entendimento e fácil aplicação, esse processo é 
favorecido. Além disso, o uso de ferramentas de apoio à criação e à manipulação 
de ontologias é essencial para diminuir o esforço exigido nessas atividades. 
Referências
BREITMAN, K. K.; CASANOVA, M. A.; TRUSZKOWSKI, W. Methods for ontology develop-
ment. In: BREITMAN, K. K.; CASANOVA, M. A.; TRUSZKOWSKI, W. Semantic Web: concepts, 
technologies and applications. London: Springer, 2007. 
FERNÁNDEZ-LÓPEZ, M.; GÓMEZ-PÉREZ, A.; JURISTO, N. Methontology: from ontologicalart towards ontological engineering. In: SPRING SYMPOSIUM ON ONTOLOGICAL ENGI-
NEERING OF AAAI, California, 1997. Proceedings […]. California: Stanford University, 1997.
GÓMEZ-PÉREZ, A.; FERNÁNDEZ-LÓPEZ, M.; CORCHO, O. Ontological engineering. London: 
Springer, 2004.
GUIMARÃES, R. C. M. Nomeação de elementos ontológicos para criação de ontologias: 
uma proposta metodológica. 2015. 171 p. Tese (Doutorado em Ciência da Informação) 
- Universidade de Brasília, Brasília, 2015. Disponível em: https://www.repositorio.unb.
br/bitstream/10482/22049/1/2015_RachelCristinaMelloGuimar%c3%a3es.pdf. Acesso 
em: 28 dez. 2020.
ISOTANI, S.; BITTENCOURT, I. I. Dados abertos conectados: em busca da web do conhe-
cimento. São Paulo: Novatec, 2015. E-book. Disponível em: https://ceweb.br/livros/
dados-abertos-conectados//. Acesso em: 28 dez. 2020.
NOY, N. F.; MCGUINNESS, D. L. Ontology development 101: a guide to creating your first 
ontology. Knowledge Systems Laboratory, Stanford University, 2001. Disponível em: 
https://www.cs.upc.edu/~jvazquez/teaching/sma-upc/docs/ontology101.pdf. Acesso 
em: 28 dez. 2020.
USCHOLD, M.; GRÜNINGER, M. Ontologies: principles, methods and applications. The 
Knowledge Engineering Review, v. 11, n. 2, 1996.
Engenharia de ontologias14
Leitura recomendada
SEMAFORA SYSTEMS GMBH. OntoBroker and OntoStudio X. Disponível em: https://
www.semafora-systems.com/ontobroker-and-ontostudio-x. Acesso em: 28 dez. 2020.
Os links para sites da web fornecidos neste capítulo foram todos 
testados, e seu funcionamento foi comprovado no momento da 
publicação do material. No entanto, a rede é extremamente dinâmica; suas 
páginas estão constantemente mudando de local e conteúdo. Assim, os editores 
declaram não ter qualquer responsabilidade sobre qualidade, precisão ou 
integralidade das informações referidas em tais links.
Engenharia de ontologias 15
DICA DO PROFESSOR
Nos últimos anos, o número de ferramentas propostas para a construção de ontologias tem cresci
do exponencialmente. Essas ferramentas são muito importantes, pois seu objetivo é fornecer sup
orte para o processo de desenvolvimento de ontologias, diminuindo o tempo e esforço gastos, e 
para o uso subsequente da ontologia.
Veja, nesta Dica do Professor, algumas das principais ferramentas que auxiliam na criação de on
tologias. 
Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar.
EXERCÍCIOS
1) Ontologias são especificações formais e explícitas de conceituações compartilhadas. D
esenvolvidas na área de Inteligência Artificial, seu propósito é tornar mais simples o c
ompartilhamento e a reutilização do conhecimento. Têm sido propostas diferentes me
todologias associadas a diferentes atividades do processo de desenvolvimento de ontol
ogia.
Sobre a metodologia de Grüninger e Fox, assinale a alternativa correta:
A) 
Na primeira fase, deve-se definir as questões informais de competência para avaliar os co
mpromissos das ontologias.
B) 
O segundo passo é escolher um cenário motivador com o intuito de entendimento das nece
ssidades da ontologia, como ela pode e vai ser utilizada.
C) 
O terceiro passo corresponde à especificação da terminologia da ontologia, identificando o
s objetos relevantes.
https://fast.player.liquidplatform.com/pApiv2/embed/cee29914fad5b594d8f5918df1e801fd/5b7dce79c3b95e67ed65f4452e99d5af
D) 
O quarto passo se refere à criação de teoremas de completude, quando são definidas as con
dições para completar as perguntas.
E) 
Os dois últimos passos são interativos e correspondem à definição formal das questões de 
competência e dos axiomas.
2) Hoje em dia, pode-se encontrar diversas metodologias para auxiliar no desenvolvime
nto de novas ontologias, bem como fazer o reuso daquelas já existentes. Apesar de est
arem disponíveis várias metodologias, não há uma forma correta de desenvolver onto
logias. O que diferencia uma da outra é a simplicidade e facilidade de usar cada uma 
delas. Entre essas tantas, temos a abordagem Kactus e a metodologia Methondology:
I. A abordagem Kactus tem como objetivo explorar o reuso do conhecimento em siste
mas e a função das ontologias nesse contexto.
II. As fases do Kactus compreendem reuso, formalização e refinamento da ontologia.
III. A Methondology está condicionada à análise e adaptação dos conceitos de outras 
ontologias.
IV. As atividades que devem ser realizadas usando a Methondology incluem gerencia
mento e são orientadas para o desenvolvimento e apoio à ontologia.
É correto apenas o que se afirma em:
A) 
I e II.
B) 
II e III.
C) 
I e IV.
D) 
I, II e III.
E) 
II, III e IV.
Ontologia é uma maneira formal de descrever taxonomias e redes de classificação, de
finindo essencialmente a estrutura do conhecimento para vários domínios. Nesse senti
do, os substantivos representam classes de objetos, enquanto os verbos representam a
s relações entre os objetos. O processo de engenharia de ontologias exige o uso de dive
3) 
rsas ferramentas de software. A ferramenta Protégé é a mais utilizada para desenvolv
er ontologias, pois: 
I. fornece uma série de ferramentas para a construção de modelos de domínio e aplic
ação baseadas em conhecimento com ontologias;
II. sua maior desvantagem se concentra na falta de extensibilidade;
III. usa a interface Semantic Web Rule Language para fazer matemática e raciocínio 
temporal, além de adicionar regras de raciocínio.
Assinale a alternativa que contém a afirmação correta:
A) 
Apenas a I.
B) 
Apenas a II.
C) 
Apenas a III.
D) 
I e III.
E) 
II e III.
Atualmente, há diversas ferramentas open source e também comerciais disponíveis p
ara auxiliar a criação e manipulação de várias ontologias. Essas ferramentas são utili
zadas para construir uma nova ontologia do zero, auxiliar a reutilização de ontologia
s existentes (o que geralmente suporta edição, navegação, codificação, manutenção, d
ocumentação) e também exportar e importar diferentes formatos, visualizações, entre 
outras funcionalidades. Sobre OntoStudio, TopBraid Composer e Swoop, leia as segu
intes afirmações:
I. Através do Swoop, não é possível importar OWL parcialmente.
II. A ferramenta Apollo não suporta visualização de gráfico, Web, extração de infor
mações e capacidades multiusuário ou processamento colaborativo.
III. A OntoStudio é uma ferramenta comercial que utiliza a arquitetura cliente-servi
dor, permitindo que vários clientes acessem e modifiquem essas ontologias.
IV. A lógica de descrição OWL na ferramenta TopBraid Composer é apoiada através 
de diversos mecanismos OWL Full integrados.
4) 
É correto apenas o que se afirma em:
A) 
I e II.
B) 
II e III.
C) 
III e IV.
D) 
I, II e III.
E) 
II, III e IV.
5) A metodologia 101 foi criada por pesquisadores da Universidade de Stanford que jun
taram suas experiências na criação de ontologias com as ferramentas Protégé, Chima
era e Ontolingua. Suponha que há necessidade de criar uma ontologia de diferentes ti
pos de medicamentos seguindo essa metodologia. O objetivo dessa criação é ajudar n
o desenvolvimento de um sistema de recomendação de medicamentos com base em in
formações dadas pelo usuário. Em certo momento, são definidos “conceitos”, como p
osologia, indicações, efeitos colaterais, contraindicações, entre outros.
Essa definição refere-se a qual etapa? Assinale a alternativa correta. 
A) 
Determinar o domínio e o escopo.
B) 
Enumerar termos importantes da ontologia. 
C) 
Definir classes e hierarquia de classes. 
D) 
Definir propriedades das classes. 
E) 
Definir as restrições. 
NA PRÁTICA
As imagens médicas são extremamente necessárias para rastrear o progresso de uma doença em 
curso ou até mesmo descobrir uma nova doença. Imagens como as fornecidas pela ressonância 
magnética e tomografia computadorizada, por exemplo, permitem que os profissionais de saúde 
monitorem a eficácia do tratamento e ajustem os protocolos conforme necessário. Vale ressaltar 
que, quando se tem informações detalhadas egeradas por imagens médicas, é possível fornecer 
aos pacientes um atendimento melhor e mais acertado.
Neste Na Prática, conheça como e por que um grupo de pesquisa construiu uma ontologia para d
escrever imagens médicas. 
SAIBA +
Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do professo
r:
Ontologias – Web & Web semântica
Nesta aula do professor André Santanché, aprenda mais sobre fundamentos de ontologias em co
mputação e a sua relação com Ontologia da Filosofia. Além disso, veja ontologias em RDF e O
WL com exemplo prático em Protégé, noções básicas de regras em SWRL e inferência.
Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar.
Tutorial metodologia 101 (em espanhol)
Neste vídeo, você saberá mais sobre como aplicar a metodologia 101 na prática na construção d
e ontologias.
Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar.
Criar ontologia, configurar URI, criar classes, propriedades e indivíduos (Web Protégé)
Neste vídeo, aprenda a criar ontologias, suas propriedades, classes e outros atributos usando a fe
rramenta Web Protégé da Universidade de Stanford.
Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar.
https://www.youtube.com/embed/9jqq8Ahtj0U
https://www.youtube.com/embed/uE0D3sVapYQ
https://www.youtube.com/embed/O86L-5V8v1A
Exemplo de ontologia de cervejas com o Protégé
Neste vídeo, veja como Rafael Ferreira criou uma ontologia para representar tipos de cervejas e 
o domínio de cervejeiros artesanais usando a metodologia 101.
Aponte a câmera para o código e acesse o link do vídeo ou clique no código para acessar.
https://www.youtube.com/embed/IYhWiyYxRns
Ontologias na criação de sistemas 
especialistas
APRESENTAÇÃO
O conhecimento vai muito além de lembrar certos fatos, significa aprender algo por meio de exp
eriências ou por raciocínio, vislumbrando o ser humano desde a antiguidade, e ainda fascina. Co
m a informatização de tudo, é natural aspirar a sistemas que possam pensar igualmente aos hum
anos, ou ao menos chegar próximo. Para isso, existe uma técnica chamada ontologia, que permit
e construir uma base de conhecimento utilizada por sistemas computacionais. 
 
Nesta Unidade de Aprendizagem, você vai aprender um pouco dos conceitos que cercam a ontol
ogia, alguns dos principais softwares utilizados para seu desenvolvimento e, por fim, ver como a 
ontologia pode ser associada a sistemas especialistas.
Bons estudos.
Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados:
Definir ontologia.•
Identificar software para desenvolvimento de ontologias.•
Explicar o uso de ontologias em conjunto com sistemas especialistas.•
DESAFIO
Um dos objetivos do avanço da tecnologia é a diminuição do trabalho humano, não apenas na fo
rma braçal, como nas indústrias, mas também em atividades que exigem raciocínio lógico. Está 
se tornando comum a utilização de sistemas inteligentes em áreas que tinham resistência ao uso 
de tecnologia, para assim obter resultados mais rápidos, melhores e mais precisos.
Qual técnica você pode utilizar para desenvolver esse sistema? Justifique sua resposta. 
INFOGRÁFICO
Toda tecnologia precisa de passos bem definidos para ser colocada em prática. Esses passos irão 
mostrar todas as ações que precisam ser realizadas para que seus resultados sejam os melhores p
ossíveis. Para ontologia, há um processo denominado Ontology Development 101, que descreve 
um guia de passos interativo que direciona os pesquisadores no desenvolvimento de uma ontolo
gia.
Veja, no Infográfico, a metodologia Ontology Development 101, as sete etapas que a compõem 
e o que deve ser feito em cada uma dessas etapas.
CONTEÚDO DO LIVRO
Imagine como seria interessante se sistemas computacionais pudessem pensar e ajudar a tomar d
ecisões mais assertivas. Essa já é uma ação realizada e, para isso, existem algumas técnicas de in
teligência artificial. A ontologia é uma técnica de inteligência artificial que visa a construir uma 
base de conhecimento sólida o suficiente, a fim de que os sistemas computacionais a consumam 
para inferir novas informações sobre uma base de dados. Os sistemas especialistas utilizam muit
o esse procedimento para abstrair informações e conseguir realizar tomada de decisões.
No capítulo Ontologias na criação de sistemas especialistas, da obra Sistemas especialistas, base 
teórica desta Unidade de Aprendizagem, você vai conhecer os principais conceitos da ontologia, 
quais softwares podem ser utilizados para o desenvolvimento dessa metodologia, bem como a c
orrelação da ontologia com sistemas especialistas.
Boa leitura.
SISTEMAS 
ESPECIALISTAS
OBJETIVOS DE APRENDIZAGEM
 > Definir ontologia.
 > Identificar software para desenvolvimento de ontologias.
 > Explicar o uso de ontologias em conjunto com sistemas especialistas.
Introdução
A demanda do ser humano por sistemas inteligentes vem crescendo a cada dia. 
Atualmente, existem diversas técnicas que possibilitam a criação de software capaz 
de pensar como uma pessoa. A ontologia é uma dessas técnicas, a qual permite a 
criação de uma base de conhecimento para sistemas desse tipo.
Neste capítulo, estudaremos os principais conceitos que envolvem a tecnologia 
da ontologia. Além disso, conheceremos pacotes de software para desenvolver 
uma ontologia e veremos como conciliar a ontologia com sistemas especialistas.
Ontologia
A grande diversidade e o alto volume de informações disponíveis atualmente 
estabelecem um fator que complica o trabalho de quem busca informações 
específicas (PALMEIRA; FREITAS, 2007). Muito disso é decorrente da ascensão 
dos sites, sistemas digitais e redes sociais. 
Ontologias na 
criação de sistemas 
especialistas
Marcos Vinicius Bião Cerqueira
A partir dessa problemática, faz-se necessária uma ferramenta eficaz para 
buscar informações, que seja capaz de processar semanticamente aquelas 
contidas na documentação relacionada à exibição dos dados (PALMEIRA; 
FREITAS, 2007). Atualmente, existe uma grande variedade de métodos para 
desenvolver uma ferramenta de busca. Um desses métodos é baseado na 
criação de regras, em que criamos um modelo que represente o modo de 
raciocínio e o conhecimento aplicado por algum especialista no âmbito de 
um contexto específico (RAUTENBERG, 2016).
Ao empregarmos regras explícitas para expressar o conhecimento do 
domínio de um problema, podemos confrontar conhecimentos já existentes 
com fatos notórios de um problemas que iremos tratar. Dessa forma, é pos-
sível inferir novos fatos. 
Toda essa noção de regras e fatos pode ser expressada por meio de uma 
ontologia. No sentido filosófico, o termo ontologia refere-se a um sistema de 
categorias específico que lida com uma certa visão de mundo, e, portanto, 
pode ser considerada uma área da metafísica. Seu objetivo é classificar uma 
parte da realidade e definir seu vocabulário e a expressão normativa da teoria 
(OLIVEIRA; WERNECK, 2003).
Em ciência da computação e ciência da informação, a ontologia é um 
modelo de dados que representa um conjunto de conceitos no domínio e as 
relações entre eles. Ontologias são usadas para inferir objetos de domínio. As 
vantagens de criar, usar e aplicar ontologias foram amplamente defendidas e 
comprovadas na comunidade. Um dos maiores motivos para o estabelecimento 
da ontologia é a possibilidade de compartilhar informações e reaproveitar 
conhecimentos em campos específicos.
Para realizar tarefas de conhecimento, os engenheiros precisam fazer 
generalizações. A abstração requer insights metafísicos e ontologia. Nessa 
linha de pensamento, a ontologia é uma teoria representante de alguns 
fatos e regras importantes, usados para fins de computação. O termo on-
tologia é, portanto, outro nome para essa teoria, geralmente especificado 
de forma lógica.
Com base na definição de ontologia, podemos inferir que ela é essencialpara um sistema de software projetado para pesquisar ou fundir/integrar 
informações de diferentes comunidades. É o caso das informações contidas 
na web (mais precisamente na web semântica), pois a ontologia pode repre-
sentar a semântica do documento e permitir que aplicativos web e agentes 
Ontologias na criação de sistemas especialistas2
web utilizem programas. Quando a ontologia está habilitada em aplicativo 
da web que podem entendê-la e processá-la, no sentido de considerar a 
capacidade de realizar tarefas em um nível conceitual mais amplo, abre-se 
caminho para aplicativos que podem surgir no futuro.
Sendo assim, o termo ontologia originou-se da filosofia, sendo um nome 
do ramo da metafísica. No entanto, o significado de ontologia na ciência da 
computação é uma descrição dos conceitos e relacionamentos que os agentes 
ou comunidades de agentes devem considerar. Além disso, as ontologias são 
geralmente escritas como um conjunto de definições de vocabulário formal.
Formalmente, uma ontologia pode ser definida pela tupla (I, C, A, R) (CAN-
TELE, 2017) em que:
 � Indivíduos — componentes básicos de uma ontologia, podem ser objetos 
concretos como planetas, pessoas ou animais, mas também podem 
ser entidades abstratas, como palavras e números.
 � Conceitos — classes que representam os indivíduos, outras classes 
ou ambos. Devemos ter cuidado durante a criação dos conceitos, pois 
algumas vezes é necessário restringir alguns aspectos para evitar 
paradoxos.
 � Atributos — conjunto de dados que um indivíduo possui. Cada atributo 
tem pelo menos um nome e um valor, possibilitando o armazenamento 
das informações necessárias para o objeto em questão.
 � Relacionamento — representa a relação entre conceitos já estabe-
lecidos e os indivíduos. Os relacionamentos podem ser subdivididos 
em dois subconjuntos: H representa as relações de hierarquia e N 
representa uma determinada ação.
A ontologia trabalha com aspectos muito próximos à computação, então 
existe uma distância muito grande em relação ao modo como os elementos 
funcionam no mundo real. Logo, é necessário abstrair alguns aspectos para 
conseguirmos correlacionar esses dois mundos. Para isso, podemos criar 
conceitos dos elementos existentes no mundo real para, a partir disso, criar-
mos modelos referentes aos conceitos. Dessa forma, é possível desenvolver 
uma ontologia que atenda melhor às necessidades do sistema. A Figura 1 
representa esse nível de abstração.
Ontologias na criação de sistemas especialistas 3
Figura 1. Níveis de abstração.
Fonte: Engenharia... ([201-?, documento on-line).
Uma ontologia pode ser classificada quanto ao seu grau de formalismo, 
sua aplicação e sua função. Quanto ao formalismo, temos as seguintes 
classificações:
 � altamente informal — expressa em linguagem natural;
 � semi-informal — expressa em linguagem natural de forma restrita e 
estruturada;
 � semiformal — expressa em linguagem computacional, fortemente 
definida;
 � formal — expressa por meio de semântica formal, com teoremas e 
provas.
Quanto à aplicação, pode ser classificada como:
 � autoria neutra — descrita em linguagem única e convertida para di-
versos sistemas (reutilização de informações);
 � especificação — baseada em uma ontologia de domínio que é utilizada 
para documentar e manter o desenvolvimento de software.
 � acesso comum — quando um vocabulário é inacessível e a ontologia 
permite entender tal informação.
Ontologias na criação de sistemas especialistas4
Por fim, podemos classificá-la quanto à sua função:
 � Ontologia genérica — descreve conceitos amplos que não dependem 
de um problema específico ou domínio particular. A ideia é construir 
teorias básicas de caráter bastante abstrato, aplicáveis a qualquer 
domínio (conhecimento de senso comum).
 � Ontologia de domínio — descreve conceitos relacionados a um domínio 
específico. Muito utilizada para descrever um “minimundo”.
 � Ontologia de tarefa — descreve tarefas ou atividades comuns que 
podem ajudar a resolver problemas, independentemente da área de 
conhecimento.
 � Ontologia de aplicação — descreve conceitos que dependem de um 
domínio específico e de uma tarefa específica. Deve ser uma especiali-
zação da terminologia do domínio correspondente e ontologia de tarefa.
Software para ontologia
Agora que entendemos o que são ontologias, vamos conhecer um pouco sobre 
as ferramentas disponíveis no mercado para trabalhar com essa tecnologia. 
É possível encontrar na literatura diversos pacotes de software que nos 
ajudam no uso de ontologias, cada qual com suas particularidades. O Quadro 
1 mostra alguns exemplos desses sistemas.
Quadro 1. Exemplos de software que ajudam no uso de ontologias
Apollo Hozo OntoStudio Protégé TopBraid
Extensível Plug-ins Não Plug-ins Plug-ins Plug-ins
Extensões para 
importação e 
exportação de 
dados
Apollo 
Meta 
language, 
OCML, 
CLOS
XML(S), 
RDF(S), 
OWL, 
outros
XML(S), 
RDF(S), OWL, 
Diagrama 
UML, outros
XML(S), 
OWL, 
RDF(S), 
Excel, 
outros
RDFa, WOL, 
RDF(s), 
XHTML, 
Excel, 
outros
Trabalho 
colaborativo
Não Sim Sim Sim Sim
Permite Zoom Não Sim Sim Sim Não
Licença Código 
aberto
Software 
proprietário
Software 
proprietário
Código 
aberto
Software 
proprietário
Biblioteca de 
ontologias
Sim Não Sim Sim Sim
Fonte: Adaptado de Souza (2018).
Ontologias na criação de sistemas especialistas 5
Ferramentas como Apollo e Protégé foram produzidas por estudos em 
universidades e possuem licença livre, o que nos permite utilizá-los sem 
problemas (SOUZA, 2018). Já para sistemas como Hozo, OntoStudio e TopBraid 
é preciso adquirir uma licença específica para utilizá-los.
Como exemplo, vamos conhecer um pouco mais da ferramenta Protégé. 
Além de um editor, ele é um framework para obtenção de conhecimento. 
Possui suporte a extensões por meio de plug-ins e também permite o de-
senvolvimento de aplicações e protótipos eficientes com o auxílio de uma 
base flexível (SOUZA, 2018). 
O software Protégé foi desenvolvido pelo grupo Stanford Center for 
Biomedical Informatics Research e, de acordo com o site oficial, a 
ferramenta possui mais de 360 mil usuários. Ele é um sistema escrito em Java 
e possui suporte para as plataformas Linux, Mac OS e Windows. O Protégé está 
disponível nas versões desktop e web.
Uma grande vantagem do Protégé é que na sua versão web há a pos-
sibilidade de colaboração entre seus usuários. É possível que mais de um 
colaborador acesse simultaneamente os arquivos dos projetos, possibilitando 
que diversos pesquisadores colaborem simultaneamente. 
Uma das principais características das ferramentas de desenvolvimento 
colaborativo é permitir aos usuários comentar e discutir o conteúdo e as mu-
danças da ontologia que desenvolveram em conjunto. Fazemos isso apoiando a 
associação de anotações com qualquer componente da ontologia ou quaisquer 
alterações na ontologia. A ferramenta também fornece suporte para diferentes 
visualizações de anotação, e os usuários podem personalizá-la especificando 
diferentes condições de filtro. Além disso, os usuários podem pesquisar as ano-
tações disponíveis especificando critérios de pesquisa simples ou complexos.
As principais funcionalidades fornecidas pelo Protégé são: 
 � criação de elementos da ontologia, como classes, propriedades, 
indivíduos;
 � anotação de mudanças de ontologia, como criação, exclusão, reno-
meação de classe, etc.;
 � suporte para propostas de mudança e votação de propostas;
 � suporte para filtragem de anotações existentes;
 � suporte para pesquisa de anotações com base em critérios simples 
ou complexos;
 � suporte para tópicos de discussão.
Ontologias na criação de sistemas especialistas6
A interface gráfica de usuário do Protégé disponibiliza as funcionalidades 
de edição e navegação nas anotações. A Figura 2 mostra uma captura de 
tela do Protégé desktop, em que a interface foi aprimorada por meio de um 
plug-in com um painel de anotações no qual o usuário pode editar e navegar 
pelas anotações.