Fundamentos da Inteligência Artificial

Prévia do material em texto

Inteligência 
Artificial
Alan de Oliveira Santana
Diretor Executivo 
DAVID LIRA STEPHEN BARROS
Gerente Editorial 
CRISTIANE SILVEIRA CESAR DE OLIVEIRA
Projeto Gráfico 
TIAGO DA ROCHA
Autoria 
ALAN DE OLIVEIRA SANTANA
Alan de Oliveira Santana
Olá. Sou Alan de Oliveira Santana, possuo graduação em Ciência da 
Computação – Universidade do Estado do Rio Grande do Norte – e Mestre 
em Sistemas da Computação – Universidade Federal do Rio Grande do 
Norte. Atualmente sou professor conteudista, elaborador de cadernos 
de questões e doutorando em Ciências da Computação. Como cientista, 
atuo no desenvolvimento e avaliação de técnicas de desenvolvimento de 
sistemas com ênfase na educação.
Desse modo, fui convidado pela Editora Telesapiens a integrar seu 
elenco de autores independentes. Estou muito satisfeito com o convite 
e a possibilidade de auxiliar em seu desenvolvimento intelectual e 
profissional. Bons estudos!
AUTORIA
ICONOGRÁFICOS
Olá. Esses ícones irão aparecer em sua trilha de aprendizagem toda vez 
que:
SUMÁRIO
Fundamentos da inteligência artificial e sua história .................. 11
 Introdução as definições de Inteligência Artificial ...................................................11
IA, um campo interdisciplinar ................................................................................................. 14
Filosofia ............................................................................................................................... 15
Matemática ....................................................................................................................... 15
Economia ...........................................................................................................................16
Neurociência ................................................................................................................... 17
Psicologia ...........................................................................................................................18
Engenharia de computadores ............................................................................ 19
Teoria de controle e cibernética ....................................................................... 19
Linguística ......................................................................................................................... 20
A história da IA .................................................................................................................................. 20
Agentes inteligentes e o ambiente para a ia .................................. 23
Definições introdutórias sobre os agentes e a IA ....................................................23
 O teste de Turing e os agentes inteligentes ................................................................25
Tipos de agentes ............................................................................................................................ 26
Agentes e sua relação com o ambiente ....................................................................... 28
Onde os agentes estão presentes em nossas vidas ............................................ 30
Lógica proporcional ................................................................................... 33
 O que são agentes baseados em conhecimentos .................................................33
 Introdução a lógica na computação .................................................................................35
 A lógica proposicional e os sistemas inteligentes ..................................................37
Grafos para busca em espaço de estados........................................41
O que são grafos.............................................................................................................................. 41
 O que é uma máquina de estados .....................................................................................44
 Grafos de planejamentos ......................................................................................................... 46
Tipos de buscas computacionais em espaço de estados ............47
Planejamentos estratégicos com busca em espaço ........................47
Inteligência Artificial 9
UNIDADE
01
Inteligência Artificial10
A Inteligência Artificial é um ramo da computação que vem ganhando 
grande visibilidade nas últimas décadas, em especial a partir das primeiras 
décadas do século XXI, onde o desenvolvimento tecnológico, que vêm 
permitindo o desenvolvimento de hardwares cada vez mais potentes e 
baratos, tem propiciado a criação de sistemas cada vez mais capazes de 
agirem de forma autônoma e não apenas reativa, podendo refletir sobre suas 
ações, além de tomar decisões de forma independente e em tempo real.
Porém, a Inteligência Artificial não procura apenas fazer com que 
um sistema simule um cérebro biológico, mas também ações específicas 
que auxiliam na produtividade e desempenho de diversas tarefas, 
estando estes sistemas inteligentes em todas as partes, como: nos sites 
de compras, em robôs, em tutores virtuais, jogos digitais, entre muitos 
outros. Até sua geladeira pode estar dotada de alguma característica 
inteligente.
Assim, esta unidade procurará apresentar uma introdução a 
fundamentos da Inteligência Artificial que serão usados de base para as 
próximas unidades, bem como, para ajudá-lo a perceber e reconhecer as 
principais características dos sistemas inteligentes que estão presentes 
em sua vida.
INTRODUÇÃO
Inteligência Artificial 11
Olá. Seja muito bem-vindo à Unidade 1. Nosso objetivo é auxiliar 
você no desenvolvimento das seguintes competências profissionais até o 
término desta etapa de estudos:
1. Compreender como surgiu a IA e seus fundamentos. 
2. Conhecer o conceito de multiagentes, compreendendo como 
estes sistemas se relacionam com o ambiente. 
3. Aplicar os conceitos da lógica proporcional em soluções 
informáticas. 
4. Realizar planejamentos por busca em espaço de estados, 
aplicando o conceito de grafos. 
Então? Preparado para adquirir conhecimento sobre um assunto 
fascinante e inovador como esse? Vamos lá!
OBJETIVOS
Inteligência Artificial12
Fundamentos da inteligência artificial e 
sua história
OBJETIVOS
A Inteligência Artificial (IA) é um dos campos mais recentes 
da Ciência da Computação, com menos de 100 anos de 
desenvolvimentos e pesquisas. Porém, sua aplicação 
moldou e continua a moldar a nossa sociedade e a forma 
como nos relacionamos com a tecnologia. Neste sentido, 
para entender como a IA é uma área altamente relevante 
para nossas vidas, este capítulo abordará a história e os 
principais conceitos e fundamentos gerais ligados à IA e 
como estes estão relacionados ao desenvolvimento social 
e tecnológico atual, bem como, permitir uma reflexão 
sobre seus impactos futuros. Vamos juntos explorar estes 
conhecimentos!
Introdução as definições de Inteligência 
Artificial
Há muito tempo, os pensadores gregos procuraram entender 
aspectos fundamentais da natureza e do homem, como: o sentido da 
vida, os fenômenos naturais, das relações entre os homens e os deuses, 
assim como, entre o homem e o homem.
Dentro das reflexões realizadas pelos pensadores do passado, estava 
o entendimento da inteligência humana como um importante aspecto ligado 
a nossa natureza, buscando o entendimento de como pensamos, uma 
habilidade compartilhada por todos os indivíduos e sendo a fonte principal 
de nossa sobrevivência. Em razão disto, originou-se o termo Homo sapiens, 
tendo por significado “homem sábio”, reforçando mais uma vez a ideia da 
inteligência como um diferencial humano em relação as demais criaturas.
Entre as principais características da inteligência, estão as 
habilidades de perceber, compreender, prever, construir e manipular o 
Inteligência Artificial 13
mundo em que estamos inseridos, sendo estes aspectos uma das bases 
fundamentais da InteligênciaArtificial quanto ciência, procurando criar 
entidades artificiais capazes de simular as características citadas, entre 
outras, referentes à inteligência presente no homem.
Desta forma, uma vez que algumas das principais características 
das IAs foram apresentadas, poderemos definir o que é uma IA. Porém, 
esta é uma tarefa um pouco complexa, visto que, além de existirem 
diversas definições sobre o que é um sistema dotado de inteligência, 
estas definições também levam em consideração aspectos particulares 
da aplicação e da simulação a ser feita.
Segundo Russell (2013), podemos definir às IAs de acordo com 4 
estratégias: pensando com humanos, pensando racionalmente, agindo 
como seres humanos e agindo racionalmente.
Note que, pensar como humano e pensar racionalmente, está 
relacionado ao processo de pensamento e raciocínio, enquanto, agir como 
um ser humano e agir racionalmente, está relacionado a comportamentos.
Desta forma, podemos apresentar um conjunto de definições sobre 
IA relativas a cada uma das quatro estratégias apresentadas. O Quadro 1 
apresenta um conjunto de duas definições para cada uma das estratégias, 
totalizando em oito definições que demonstram a alta maleabilidade que 
sistemas inteligentes possuem em suas aplicações e na forma como são 
desenvolvidos.
Inteligência Artificial14
Pensando como um humano Pensando racionalmente
“O novo e interessante esforço 
para fazer os computadores 
pensarem (...) máquinas com 
mentes, no sentido total e literal.” 
(Haugeland, 1985)
“[Automatização de] atividades 
que associamos ao pensamento 
humano, atividades como a 
tomada de decisões, a resolução 
de problemas, o aprendizado...” 
(Bellman, 1978)
“O estudo das faculdades 
mentais pelo uso de modelos 
computacionais.” (Charniak e 
McDermott, 1985)
“O estudo das computações 
que tornam possível perceber, 
raciocinar e agir.” (Winston, 1992)
Agindo como seres humanos Agindo racionalmente
“A arte de criar máquinas que 
executam funções que exigem 
inteligência quando executadas 
por pessoas.” (KURZWEIL, 1990)
“O estudo de como os 
computadores podem fazer 
tarefas que hoje são melhor 
desempenhadas pelas pessoas.” 
(RICH e KNIGHT, 1991)
“Inteligência Computacional 
é o estudo do projeto de 
agentes inteligentes.” (POOLE, 
MACKWORTH e GOEBEL, 1998)
“AI... está relacionada a um 
desempenho inteligente de 
artefatos.” (NILSSON, 1998)
Quadro 1 - Estratégias de criação de sistemas inteligentes
 Fonte: Russel (2013).
Uma vez apresentada as definições, vamos construir juntos nossa 
própria definição.
Em primeiro lugar, é preciso atentar para o fato de que uma IA 
dota um equipamento, sistema ou artefato computacional com suas 
características.
Em seguida, notamos que a inteligência é uma capacidade psíquica 
que permite a seu portador habilidades como: perceber, compreender, 
prever, construir e manipular algo ligado ao ambiente que se está inserido 
ou o ambiente como todo.
Inteligência Artificial 15
Desta forma, depreende-se que a Inteligência Artificial é a 
capacidade fornecida a um sistema digital, artefato ou equipamento 
de manifestar habilidades psíquicas ligadas ao ambiente em que está 
inserido.
IA, um campo interdisciplinar
A Inteligência Artificial é um dos mais recentes campos da 
computação a serem desenvolvidos e compreendidos como ciência. Este 
fato corrobora para que um número elevado de outras disciplinas sejam 
usadas como base para a criação de produtos inteligentes.
Muitos destes produtos estão presentes em nossas vidas em 
diversas formas, como os sistemas de venda que procuram avaliar os 
perfis de compra dos clientes para oferecer ofertas direcionadas aos 
padrões de consumo específicos de cada cliente, o qual, este tipo de 
análise de perfil de consumo também está inserido em redes sociais e 
outras ferramentas de uso diário, permitindo uma análise mais profunda e 
acertada sobre os ditos padrões.
Outras ferramentas procuram perceber os padrões dos usuários 
para melhorar a experiência de uso, como sistemas de navegação que 
utilizam gps, a analise do perfil de rotas faz o sistema dar preferencialmente 
rotas feitas corriqueiramente pelo usuário.
Sistemas de entretenimento em massa por mídia de vídeo também 
utilizam esta análise para indicar filmes e série especificas para cada 
usuário, entre outras funções.
Desta forma, perceba que a IA está mais próxima de nós do que 
muitas vezes imaginamos, seja em um aplicativo de filmes e séries, uma 
rede social, o uso de uma agenda ou despertador digital, entre outros. 
Você é capaz de perceber estes sistemas no seu cotidiano?
Neste sentido, esta seção apresentará um breve resumo de 
como certas áreas do conhecimento contribuíram e contribuem para a 
Inteligência Artificial.
Inteligência Artificial16
Filosofia
A filosofia é um dos campos do conhecimento mais antigo que temos 
registros e o mãe de outros diversos campos de conhecimentos, bem como, 
da fundamentação dos conceitos de ciência como a conhecemos hoje.
Um dos primeiros pensadores a levantarem o tema sobre as leis 
que fundamentam a parte racional da mente foi Aristóteles (384-322 a.C.), 
sendo este um dos primeiros passos para o desenvolvimento e estudos 
de como as ideias se organizam racionalmente.
Este raciocínio permitiu que outros grandes nomes como Hobble 
(1588-1679) e Leonardo da Vinci (1452-1519) não apenas proporem, mas 
também desenvolvessem artefatos mecânicos levando em consideração 
que o raciocínio humano era similar à computação numérica.
Todas as breves contribuições citadas estão fortemente ligadas a 
conjuntos de questionamentos ligados à prática filosófica, sendo alguns 
deles apresentados abaixo:
 • A utilização de regras formais apresenta válidas 
conclusões?
 • Como se dá o desenvolvimento intelectual em um cérebro 
biológico?
 • Qual a origem do conhecimento?
 • Como o conhecimento está vinculado as ações?
Perguntas, muitas vezes simples, como estas, provocam os 
desenvolvedores de sistemas inteligentes a procurarem soluções cada 
vez mais eficientes e próximas da forma como os humanos as respondem.
Matemática
A filosofia permitiu o levantamento de questões que ao serem 
respondidas, fomentaram as principais ideias ligadas a IA. Porém, foi 
Inteligência Artificial 17
através da matemática que muitas destas ideias puderam ser aplicadas, 
formalizando três áreas da matemática fundamentais para a IA: lógica, 
computação e a probabilidade.
O termo computação é uma derivação da palavra computar, ou 
seja, a capacidade de realizar operações matemáticas. Todavia, o termo 
computação atualmente está fortemente ligado a lógica booleana, onde 
os números usados variam entre 0 e 1, uma aplicação revolucionária para 
o desenvolvimento tecnológico, em especial pela relativa facilidade no 
tratamento de pulsos elétricos representando os valores 1 e 0 na presença ou 
ausência de corrente em um espaço determinado de tempo e a capacidade 
de representar qualquer número ou operação realizada em outros sistemas 
numéricos, como o decimal, através da combinação dos pulsos elétricos.
Além da computação e da lógica, a probabilidade também fornece 
uma base matemática importante para a IA. Neste sentido, a probabilidade, 
na qualidade de ciência quantitativa, permite o tratamento eficiente de 
problemas de raciocínio incertos presentes nos sistemas inteligentes.
Perguntas relevantes também são levantadas com base nos 
fundamentos matemáticos citados, como os presentes abaixo:
 • Quais as regras formais para obtenção de conclusões válidas?
 • Quais dados podem ser computador?
 • Como se dá o raciocínio através de dados incertos?
Com base nos estudos matemáticos, modelos importantes como o 
proposto por Thomas Bayes (1702-1761), chamado de análise bayesiana, 
aplicam probabilidade em sistemas computacionais baseados em lógica 
para solucionar problemas ligados ao raciocínio incerto.
Economia
A economia comociência foi constituída através dos trabalhos de 
Adam Smith (1723-1790), filósofo escocês que contribuiu com uma visão 
Inteligência Artificial18
científica sobre achados econômicos já estudados por filósofos de todo o 
mundo no passado, como por exemplo os filósofos gregos.
Dentre as contribuições da economia para a IA está o pensamento 
crítico sobre o grau de satisfação e rentabilidade que são obtidos das 
coisas, chamado de teoria da utilidade, ligado as teorias probabilísticas, 
permitindo a tomada de decisão sobre a incerteza.
Outra contribuição importante advinda da economia e da 
matemática é a teoria dos jogos de John von Neumann (1903-1957) e 
Oskar Morgenstern (1902-1977), que demostrou que em certos ambientes 
(jogos), certos agentes podem adotar aspectos aleatórios na busca por 
melhorar seus resultados.
Tais esforços econômicos contribuirão para o desenvolvimento 
de algoritmos de decisão sequenciais como o processo de decisão de 
Markov, um algoritmo utilizado para tratamento de incertezas com base 
em estudos probabilísticos e regras ligadas a conceitos como os ligados 
a teoria da utilidade.
Neurociência
A neurociência é um ramo da ciência que estuda o funcionamento 
do sistema nervoso, com ênfase, mas não somente, no cérebro.
A muito tempo os estudiosos sabem que o cérebro humano possui 
características que o diferenciam de outros animais, apresentando o maior 
cérebro em proporção ao tamanho do corpo.
Em 1938, o físico teórico Nicolas Rashevsky (1899-1872) fez uma 
das primeiras propostas onde modelos matemáticos foram criados para 
representar e auxiliar os estudos sobre o sistema nervoso.
Para a IA, os modelos matemáticos podem ser usados para 
representar uma das principais, se não a mais importante, estrutura que 
compõem o sistema nervoso, os neurônios.
Os neurônios são compostos de três partes principais, o corpo 
celular, responsável por realizar o processamento das informações, os 
Inteligência Artificial 19
dendritos, responsável por receber os impulsos nervosos e o axônio, 
prolongamentos que levam a informação em uma estrutura ramificada 
entre um neurônio e outros.
Da mesma forma, os sistemas digitais, em especial alguns tipos de 
IA, como as redes neurais artificiais, dividem-se em três estruturas onde 
uma é responsável pelo processamento, outras duas pela comunicação 
entre diversos agentes (similar aos neurônios), sendo uma especializada 
em enviar e a outra em receber informações.
Os estudos da Neurociência também permitiram um entendimento 
melhor de como as estruturas do cérebro atuam em parceria para 
aumentar o poder de processamento e consequentemente a capacidade 
de respostas mais rápidas e eficientes para os diversos estímulos.
Tais estudos fundamentaram não apenas a computação e criação de 
computadores cada vez mais eficientes, mas também, na conexão entre diversos 
sistemas aumentando consequentemente seu poder de processamento.
Psicologia
A psicologia é responsável por realizar estudos sobre o 
comportamento e a mente dos humanos e animais com base em critérios 
científicos baseados em evidências. Por sua vez, uma das áreas da 
psicologia que mais contribuíram para a IA foi a psicologia cognitiva.
A psicologia cognitiva procura estudar como as pessoas percebem, 
aprendem, lembram-se e pensam sobre dados que estas venham a ter 
contato (STERNBERG, 2008).
Outra teoria importante que contribui para o desenvolvimento da IA 
é o movimento chamado behaviorismo, responsável por realizar estudos 
sobre o comportamento humano baseado em parâmetros ou métricas 
definidas ligadas a estímulos e respostas.
Assim, os projetistas de IAs devem atentar para perguntas ligadas 
a como os animais e humanos pensam e agem, sendo essa uma de suas 
principais contribuições para a IA.
Inteligência Artificial20
Engenharia de computadores
O desenvolvimento dos computadores evoluiu e continua a evoluir 
aumentando o poder de processamento enquanto barateia o custo dos 
meios de armazenamento de dados.
Está evolução pode ser percebida quando analisamos o poder de 
processamento do computador que auxiliou a ida do homem à lua, o qual, 
consistia em um aparelho de 36Kg com clock máximo de 2.048 MHz e 
uma RAM de 4 kB. Ao ser comparado com um processador Intel I7-7700HQ 
com capacidade de clock máximo de até 3.80 GHz com a memória RAM 
dos computadores modernos facilmente superando os 2 GB.
Note que, ao passo que os computadores aumentaram seu 
poder de processamento e armazenamento, o custo destes mesmos 
computadores reduziu a ponto de podermos possuir hoje máquinas muito 
superiores aos computadores que levaram o homem à lua.
Mesmo que os computadores apresentem configurações cada vez 
mais robustas e acessíveis, a aplicação das técnicas de engenharia de 
software como gerência de requisitos, boas práticas de desenvolvimento 
como a rastreabilidade e padrões de projeto, entre outras aplicações que 
procuram dar produtividade e qualidade aos softwares, tem contribuído 
para a criação de sistemas de IA cada vez mais eficientes.
Teoria de controle e cibernética
A teoria do controle, cujo qual tem por base as teorias probabilísticas, 
tem por objetivo maximizar uma função objetivo em relação ao tempo, 
com a subárea conhecida como métodos estocásticos, cujo os objetos 
não possuem estado e origem determinados, como uma das principais 
contribuições. 
Tais estudos contribuíram para que novos modelos fossem 
propostos em contra partida aos modelos behavioristas, em especial com 
a proposta de que máquinas poderiam ser dotadas de inteligência, dando 
luz a cibernética.
Inteligência Artificial 21
Assim, o levantamento do questionamento de como um sistema 
digital pode operar de forma autônomas, é o questionamento levantado 
para a IA.
Linguística
Por fim, a linguística moderna é uma área do conhecimento que 
surgiu aproximadamente na mesma época que a IA compartilhando áreas 
de estudo como o processamento de linguagem natural.
A linguística estuda aspectos da fala, linguagem e da própria língua, 
avaliando aspectos importantes sobre sua relação com o pensamento, 
ao avaliar os processos como, análise, interpretação, compreensão, entre 
outros ligados ao campo de estudo abrangente da linguística.
Desta forma, sua contribuição se dá ao avaliar como o pensamento 
é influenciado pelas relações presentes na linguagem.
As disciplinas e áreas apresentadas não esgotam a possibilidade de 
outras disciplinas apresentarem contribuições para a IA. Devemos lembrar 
que o ramo de pesquisa das IAs está em pleno desenvolvimento até hoje, 
com cada vez mais participação e formação de profissionais para atender 
a demanda do mercado por pesquisas e desenvolvimentos na área. 
A história da IA
A história da IA é altamente rica e cheia de reviravoltas, porém, esta 
seção procurará não apenas fundamentar os principais fatos e históricos, mas 
também, procurar instigar a busca por mais informações sobre essa os fatos 
que levaram a IA a ser um dos campos mais interessantes da computação. 
O primeiro trabalho ligado a IA apresentado foi em 1943, onde 
Warren McCulloch e Walter Pitts apresentaram uma proposta de um 
modelo de neurônio artificial baseado em estudos sobre neurociência, 
teoria dos sistemas e lógica proporcional. Porém, nesta época ainda não 
existia o conceito moderno, bem como o termo, Inteligência Artificial.
Inteligência Artificial22
Neste trabalho, foi demostrado que todos os operadores lógicos (e, 
ou, não, etc.) e funções computáveis, poderiam ser implementados em 
uma rede conectada de neurônios simples.
Em 1956, em um seminário no Dartmouth College, em Hanover, New 
Hampshire, liderados pelo PhD John McCarthy (1927-2011), foi proposto 
que a IA deveria se tornar um campo próprio de pesquisas. 
Porém, mesmo sendo cunhado o termo e a área de pesquisa da IA, 
o seminário não apresentou novidades, em contrapartida, criou um grupo 
forte de pesquisadoresformado por professores e alunos que dominaram 
as pesquisas na área nos próximos 20 anos.
Os primeiros anos após a criação da área de pesquisas sobre 
IA causaram entusiasmo na comunidade acadêmica, fato devido 
possivelmente a visão que os computadores eram meras máquinas para 
realizar operações aritméticas, como citado por Russell (2013).
SAIBA MAIS
Saiba mais sobre a história da IA assistindo o vídeo 
“A história da Inteligência Artificial - TecMundo” 
disponível em: <https://www.youtube.com/
watch?v=Lhu8bdmkMCM&feature=emb_logo>.X
Porém, por volta da metade da década de 60 do século XX, notou-
se que o rápido avanço e a maravilha de computadores pensantes não 
seria algo para ser alcançado em 10 ou 20 anos, na sorte que, muitas das 
predições realizadas no início da IA, prevendo seu acontecimento para 10, 
só se concretizaram cerca de 40 anos depois, como um computador ser 
campeão de xadrez, ocorrido em 1993 quando o sistema Deep Blue da 
IBM derrotou o então campeão mundial de xadrez Garry Kasparov.
Foi apenas por volta de 1980 que a IA se tornou comercialmente 
bem sucedida com um sistema que foi capaz de configurar pedidos de 
novos sistemas de computadores, acarretando na economia de cerca 
de 40 milhões de dólares por ano, o R1, da empresa Digital Equipment 
Corporation.
https://www.youtube.com/watch?v=Lhu8bdmkMCM&feature=emb_logo
https://www.youtube.com/watch?v=Lhu8bdmkMCM&feature=emb_logo
Inteligência Artificial 23
Através do sucesso comercial, outras empresas pelo mundo 
passaram a desenvolver sistemas inteligentes para as mais diversas 
funções, como: sistemas de suporte financeiros, robôs, assistentes, entre 
outros.
Atualmente, a IA está presente em diversos sistemas, todavia, 
nota-se certo foco nas áreas de análise de grande quantidade de dados 
e procura por padrões, ambos utilizados fortemente pela indústria e 
comércio para dar mais eficiência na oferta e produção de serviços e 
produtos.
RESUMINDO
Neste capítulo observamos que a IA – Inteligência 
Artificial – pode ser conceituada de acordo com diferentes 
estratégias, permitindo aos desenvolvedores aplicarem 
definições diferentes entre as estratégias e dentro das 
próprias estratégias. Em seguida, vimos que o campo 
de conhecimento da IA é composto de contribuições de 
diversas outras áreas do conhecimento, como engenharia 
de software, economia, filosofia e outras, cada uma 
contribuindo com reflexões que permitem uma visão mais 
complexa e profunda sobre como dotar um sistema de 
capacidades que simulam a inteligência. Por fim, fizemos 
um pequeno resumo da história da IA apresentando os 
principais momentos históricos e sua relevância para as 
pesquisas e aplicações atuais da Inteligência Artificial. Assim, 
esperamos que os conteúdos apresentados tenham sido 
compreendidos, pois, entender as origens e os clássicos 
nos permitem não apenas não replicar os erros do passado, 
mas refletir sobre eles e procurar continuar com as boas 
práticas já realizadas, as melhorando e encontrando novos 
caminhos para as futuras gerações. Assim é a ciência!
Inteligência Artificial24
Agentes inteligentes e o ambiente para a IA
OBJETIVOS
O conceito de agentes é um importante conhecimento 
para quem vai estudar IA, pois, são os agentes que são 
dotados de inteligência através de diversos modelos, o 
qual, estudaremos a frente alguns. Assim, o objetivo deste 
capítulo é familiarizá-lo com o conceito e identificação do 
que vem a ser um agente para IA.
Definições introdutórias sobre os agentes e 
a IA
No capítulo 1 deste módulo, aprendemos conceitos da IA e sua 
relação multidisciplinar com diversos campos do conhecimento. Todavia, 
não chegamos a conceituar o que fundamentalmente é inteligência.
Na figura abaixo, Quadro 2, está apresentado os conceitos de 
inteligência segundo o minidicionário da língua portuguesa (BUENO, 
2016), e o dicionário Houaiss da língua portuguesa (2009).
Quadro 2 - Estratégias de criação de sistemas inteligentes
Fonte: Autor (2020).
Minidicionário 
da língua 
portuguesa
Houaiss da língua portuguesa
• Faculdade de 
compreender
• Compreensão 
fácil
• Abstração
• Faculdade de conhecer, compreender e aprender
• Capacidade de compreender e resolver novos problemas, 
conflitos e deadaptar5-se a novas situações
• Conjunto de funções ´psíquicas e psicofisiológicas que 
contribuem para o conhecimento, para a compreensão 
da natureza das coisas e dão significado dos fatos
• Modo de interpretar, julgar, interpretação, juízo
Inteligência Artificial 25
Note que, as definições citadas possuem algumas características 
comuns, a capacidade de interpretar o ambiente em algum nível, sendo 
todas elas vinculadas a um indivíduo capaz de agir segundo princípios de 
autonomia.
Desta forma, podemos simplificar que um ser inteligente é um 
agente, ou seja, um ser que age, assim como seu significado em latim, 
agere, significando fazer.
Os humanos e outras espécies de seres vivos também podem ser 
entendidos como agentes, pois uma função biológica presente em todos 
estes seres é a capacidade sensorial que por sua vez culmina em ações 
em resposta a estímulos externos ao ser.
Por exemplo. Um humano ao colocar a mão sobre uma superfície 
muito quente, reagirá, em geral, automaticamente retirando a mão da dita 
superfície.
Da mesma forma, os olhos são sensores capazes de captar uma 
certa faixa do espectro eletromagnético, convertendo-o em imagens ou 
objetos que representam o ambiente em que está.
Assim, como citado por Segundo Russell (2013), quando um agente 
responde a estímulos externos internos e externos em pró de alcançar 
bons resultados, este agente pode ser entendido como um agente 
racional.
Estes agentes racionais irão em pró de benefícios próprios ou de 
uma comunidade de agentes, procurar interagir com seu ambiente e com 
os demais agentes colaborando para solucionar problemas da forma mais 
eficiente.
Esta definição acima é será a definição padrão para agentes 
inteligentes computacionais, também chamados de agentes inteligentes 
artificiais.
As seções a seguir tratarão de aspectos fundamentais ligados aos 
agentes e sua aplicação na IA.
Inteligência Artificial26
O teste de Turing e os agentes inteligentes
Esta seção abordará conceitualmente o teste de Turing e sua 
importância para a IA, bem como, sua ligação com o conceito de agente 
já apresentado.
O cientista da computação e matemático Alan Mathison Turing (1912-
1954), realizou importantes contribuições para a ciência da computação 
com seus trabalhos sobre formalização de algoritmos e com a máquina 
de Turing 
SAIBA MAIS
Um dos feitos notórios de Turing foi trabalhar na 
decodificação da máquina enigma das alemãs, uma espécie 
de computador capaz de criptografar e descriptografar 
informações, sendo este feito muito importante para o 
esforço de guerra dos aliados.
Por volta de 1950, Alan Turing apresentou a proposta de um teste 
que procurou avaliar se um computador era capaz de agir de forma 
inteligente, com este teste também servindo para definir o conceito de 
inteligência operacional (TURING, 1950).
O teste é relativamente simples em seu conceito. Um ser humano 
deveria fazer um conjunto de perguntas textuais para um conjunto de 
agentes, sendo estes agentes humanos e mecânicos (representado por 
computadores).
Uma vez analisada as perguntas, os agentes deveriam responder 
as questões que seriam posteriormente analisadas pelo humano que as 
formulou.
Este humano em seguida deveria dizer se as respostas foram dadas 
por um humano ou por um computador.
Segundo a proposta de Turing em seu teste, para que uma máquina 
venha a conseguir sucesso neste teste ela deve apresentar um conjunto 
de características fundamentais, sendo elas:
Inteligência Artificial 27
 • Ser capaz de processar linguagem natural, ou seja, 
linguagens próximas das línguas faladas por pessoas, 
como inglês e português.
 • Ser capaz de armazenar um conjuntode conhecimentos 
sobre dados que tem acesso.
 • Ser capaz de realizar operações de raciocínio, 
compreendendo o que está analisando e gerando 
inferências sobre estes dados.
 • Ser capaz de aprender baseada em padrões matemáticos 
como os definidos na área da computação chamada 
aprendizado de máquina, onde modelos matemáticos são 
usados para identificar padrões de dados, o que acarreta 
na possibilidade de aprender e tratar dados segundo 
características específicas.
NOTA
É inevitável a observação dos trabalhos e propostas de 
Turing para o desenvolvimento de diversas subáreas da IA, 
como as pesquisas sobre linguagem natural e aprendizado 
de máquina, com muitos cientistas e entusiastas procurando 
criar sistemas que passem no teste proposto por Turing até 
os dias de hoje.
Por fim, notem que o teste de Turin procura verificar se um sistema 
é capaz de apresentar um certo tipo de inteligência ou simulação das 
capacidades psíquicas humanas, todavia, estes sistemas com tais 
capacidades podem ser vistos como agentes inteligentes.
Tipos de agentes
Um agente pode ser implementado ou aplicado com base 
em características que atendam a seu propósito, sendo construído 
parcialmente ou completamente os conceitos que definem um agente. 
Inteligência Artificial28
A forma mais simples de implementar um agente é dotá-lo da 
capacidade de reagir condicionalmente a um conjunto de dados. Este 
tipo de agente é denominado agente reativo simples, e são os agentes 
mais fáceis de serem implementados e mais utilizados devido esta 
característica.
Se o objetivo do sistema é monitorar o ambiente em que o agente 
está inserido, ele deverá manter um tipo de estado parcial do mundo em 
sua memória, para poder comparar quando ocorrerem mudanças dentro 
da área analisada. Esta memória parcial é chamada de modelo do mundo, 
um termo que nomeia este tipo de agente, os agentes reativos baseados 
em modelo.
Manter um modelo do mundo permite o agente observar as 
mudanças que ocorrem em seu ambiente, porém, apenas a percepção 
da mudança não significa que o agente agia de diferentes maneiras ou 
específicas. Para isso, os agentes baseados em objetivos, nome dado pela 
regra de criar objetivos a serem alcançados, procuram manter conjuntos 
de regras a serem utilizados em conjunto com o modelo do mundo, 
permitindo por sua vez que estratégias possam ser aplicadas em pró de 
alcançar objetivos pré-determinados.
Por fim, o último tipo de agente explanado neste módulo, será os 
agentes baseados em utilidade. 
Estes agentes procuram executar suas ações com base em 
objetivos, porém, estes procuram a melhor forma de fazê-lo, ou procuram 
atingir um certo nível de felicidade pessoal, por exemplo, executando o 
objetivo com o menor custo computacional possível.
O termo utilidade no nome do agente tem sua origem no 
entendimento dos economistas e cientistas da computação que felicidade 
é um termo pouco científico, utilizando utilidade em seu lugar.
Estes são alguns dos modelos de agentes existentes, porém, esta 
seção tem por objetivo dar uma visão geral da modularidade que os 
agentes são capazes de apresentar, cabendo ao desenvolvedor avaliar o 
que o agente deve fazer, seus objetivos e como se dá a relação entre o 
agente e o ambiente, bom como, entre o agente e outros agentes.
Inteligência Artificial 29
Agentes e sua relação com o ambiente
O ambiente é um importante fornecedor de estímulos para os 
agentes pois está constantemente sendo influenciado por eventos 
externos, bem como, pelos próprios agentes que estão dentro de si.
Podemos fazer uma abstração de um ambiente ao compará-lo a uma 
cidade, desta forma, as pessoas seriam os agentes que constantemente 
o modificam e interagem com outros agentes. Da mesma sorte, a cidade 
pode sofrer influência de eventos naturais ou realizar comércio com 
outras cidades. Todas estas interações permitem que os agentes ao 
perceberem as mudanças no ambiente, possam reagir segundo suas 
próprias estratégias a estas, realizando alguma ação ou as ignorando.
Da mesma forma que um humano não é capaz de ver toda uma 
cidade de uma vez, bem como, perceber todos os eventos de uma vez, 
alguns ambientes computacionais podem ser do tipo completamente 
observáveis ou parcialmente observáveis para um dado agente. Apesar 
de incomum, um ambiente também pode ser inobservável para um 
agente que não possui sensores para analisar o ambiente.
Os ambientes apresentam conjuntos de características que os 
definem, podendo algumas serem implementadas separadamente e 
outras sendo concorrentes de modelos opostos como apresentado abaixo:
Ambientes determinísticos vs estocásticos: Um ambiente 
determinístico é aquele que possui seu próximo estado baseado no 
estado anterior. Por sua vez, ambientes estocásticos possuem estados 
aleatórios ou com regras muito complexas, o que as torna muito difícil ou 
impossíveis de serem previstas.
Ambiente episódico vs sequencial: Um agente presente em um 
ambiente episódico tem suas ações atuais não gerando repercussões em 
um dado período de tempo, com o próximo episódio iniciando o agente 
segundo características pré-definidas para cada momento. Porém, 
agentes em ambientes sequenciais quando executam alguma ação, a 
reação gera um efeito em cadeia que permanecerá até que alguma regra 
o modifique ou finalize.
Inteligência Artificial30
Ambiente estático vs dinâmico vs semi-estático: Estas características 
permitem ou não que agentes modifiquem o ambiente durante suas 
ações. Estas modificações, presentes em ambientes dinâmicos, também 
geram modificações no desempenho dos próprios agentes, algo que 
não ocorre nos ambientes estáticos, porém, se um agente em um dado 
período sofrer modificações sem que ocorram modificações no ambiente, 
este ambiente é caracterizado como semi-estático.
Ambientes discretos ou contínuos: Um ambiente discreto é aquele que 
a passagem do tempo se dá em intervalos definidos e, em geral, não muito 
curtos, como, por exemplo, uma partida de xadrez, onde um jogador deve 
esperar para realizar sua ação após o outro jogador finalizar a sua. Por sua 
vez, os ambientes contínuos são os que o intervalo de tempo são quase ou 
completamente imperceptíveis, como, por exemplo, uma partida de futebol, 
onde cada agente no campo atua em tempo real em relação as modificações 
que estão correndo com outros agentes e com o próprio ambiente.
Ambientes conhecidos vs desconhecidos: este conceito determina 
que um agente em um ambiente conhecido é capaz de prever as 
possíveis saídas para suas ações, porém, ambientes desconhecidos 
forçam os agentes a aprender, criar suas próprias regras e com elas, gerar 
as saídas. Em alguns ambientes, o conjunto de regras e saídas possíveis 
podem ser conhecidas, porém, é a interação entre os diversos agentes e 
o ambiente que determinará as saídas, não sendo qualquer agente capaz 
de prever qual saída ocorrerá. Neste caso, o ambiente é considerado 
semi-conhecido, pois mesmo não tendo controle das ações que levam 
as saídas, os agentes as conhecem bem devido as regras pré-estipuladas.
Ambiente multiagente ou com apenas um agente: Ambientes 
em geral são populosos na vida real, porém, note que, uma pessoa na 
condição de agente, pode ficar só em casa e decidir fazer uma faxina 
ou exercícios de IA para fixação. Da mesma um agente virtual pode estar 
vinculado sozinho a um ambiente. Assim, ambientes que possuem mais 
de um agente, mesmo que existam dois agentes e um não tenha sensores, 
são chamados de ambientes multiagentes ou sistemas multiagentes. 
Sistemas que possuem quantidade dinâmica de agentes, podendo 
em algum momento possuir zero e em outros muitos agentes, podem 
Inteligência Artificial 31
nomear o ambiente de acordo com a quantidade de agentes presentes 
no ambiente, ou apenas ser chamados de multiagentes.
Todas as características citadas apresentaram dois conjuntos 
ou mais de regras concorrentes,todavia, uma vez escolhida uma regra 
concorrente, esta pode ser combinada com outras. Por exemplo:
O ambiente não pode ser discreto, contínuo e conhecido ao mesmo 
tempo, pois discreto e contínuo são concorrentes entre si. Podendo 
apenas ou ser discreto e conhecido ou contínuo e conhecido.
Esta regra também serve para combinações com as outras 
caraterísticas apresentadas, podendo ao ambiente apresentar apenas 
uma ou todas, mas, sem conter características concorrentes.
Onde os agentes estão presentes em nossas 
vidas
Como já citado, agentes podem ser qualquer objeto ou criatura 
virtual ou real que seja capaz de avaliar conjuntos de dados e realizar 
inferências com base nestes.
Assim, podemos observar que estamos rodeados de sistemas 
compostos de agentes em todas as partes. 
No campo computacional, coisas que vemos no dia a dia como 
um semáforo, um despertador, ou o sistema eletrônico de controle de 
filas em bancos e outros locais, são na prática agentes atuando segundo 
conjuntos de regras em ambientes específicos.
Por exemplo, como citado, o semáforo que altera o estado da luz 
entre vermelho, amarelo e verde de acordo com regras baseadas no 
tempo decorrido. Fato que também ocorre com os despertadores.
Por sua vez, um sistema de controle de senhas em filas, levará 
em consideração mais variáveis, como, se o cliente é idoso ou requer 
atendimento diferenciado/acelerado.
Inteligência Artificial32
Desta forma, procure analisar ao seu redor e identificar quais 
sistemas computacionais são agentes ou não. Também procure identificar 
padrões na sociedade que podem definir certos indivíduos como agentes 
e seus respectivos ambientes, procurando criar relações lógicas entre as 
ações dos agentes e as características dos ambientes.
RESUMINDO
Neste capítulo estados sobre os agentes e suas 
características. Em um primeiro momento, procuramos 
apresentar conceitos fundamentais sobre inteligência e 
sua ligação com a IA permitindo em seguida definir o que 
vem a ser um agente e suas principais características. Em 
seguida, falamos sobre o teste de Turing e sua contribuição 
para o desenvolvimento de diversas áreas da IA, bem 
como, sua ligação com os agentes inteligentes. Uma 
vez apresentado os conceitos e fundamentos básicos 
sobre agentes, foi apresentado alguns tipos de agentes, 
procurando demostrar que cada aplicação deve ser levada 
em consideração ao definir as características presentes 
nos agentes. Além das características dos agentes, 
também foi demostrado a importância do ambiente e suas 
características, que em geral, possuem forte influência nos 
agentes. Por fim, foi feita uma análise breve e provocativa 
de como estamos rodeados por sistemas baseados em 
agentes.
Inteligência Artificial 33
Lógica proporcional 
OBJETIVOS
Neste capítulo abordaremos sobre agentes capazes de 
raciocinar e como esta simulação é feita através do uso de 
modelos de conhecimento e estratégias de processamento 
de dados. Vamos lá!
O que são agentes baseados em conhecimentos
Uma das belezas da vida é a diversidade dos seres. Alguns são 
grandes e outros pequenos, alguns rápidos e outros lentos, alguns 
vivem muitos e outros apenas um dia. Porém a habilidade de raciocinar 
está presente apenas a seletos grupos de seres, entre eles os animais e 
consequentemente os humanos.
O cérebro humano é composto por diversas partes, porém, 
podemos destacar três especiais ligadas a teoria do cérebro trino 
(DELGADO; GOMES, 2019).
Nesta teoria, o cérebro é dividido em 3 partes distintas: o neocortex, 
parte mais externa do cérebro e responsável pelo pensamento racional; 
sistema límbico, ao qual, controla as emoções; e o chamado cérebro 
reptiliano, parte mais primitiva do cérebro e responsável pelo pensamento 
irracional, ou seja, pelas ações realizadas com pouco em nenhum controle, 
como a respiração e o impulso de retirar a mão de superfícies e objetos 
quentes. Vide Figura 1 para ver um modelo da teoria do cérebro trino.
O cérebro reptiliano presente nos humanos, é caracterizado como 
a parte irracional, ou automatizada, de nossa inteligência, atuando de 
forma a reduzir a carga de atenção nas demais camadas. Além disso, 
sua característica reativa está presente em todas as formas de vida 
conhecidas, capacitando os seres sensitivos a responderem a estímulos 
internos e externos ao organismo.
Inteligência Artificial34
Desta forma, podemos fazer um comparativo com os agentes 
apresentados no capítulo anterior, onde, estas entidades computacionais 
de forma simplista, apresentam no mínimo a capacidade de reagir a 
estímulos diversos, como por exemplo, a chamada de uma função ou 
análise condicional de um conjunto de dados.
Figura 1 - Modelo da teoria do cérebro trino
Fonte: Autor (2020)
Porém, apenas reagir a estímulos, não significa propriamente que 
a reação foi inteligente, logicamente, considerando inteligência algo 
particular, ligado especialmente ao raciocínio.
Da mesma forma que nosso cérebro possui uma camada racional, 
o neocórtex. Os agentes precisam de mais algumas camadas para serem 
consideradas capazes de raciocinar. Entre essas camadas, podemos 
destacar uma base de conhecimento por aprendizado ou fornecida, para 
servir de base para o raciocínio.
Inteligência Artificial 35
Desta forma, um agente capaz de realizar tomadas de decisão, 
possuindo também um conjunto de regras reativas e uma base de 
conhecimento, é chamado de agente baseado em conhecimento.
IMPORTANTE
O sistema límbico da teoria citada acima, pode ser 
implementado em um agente simulando emoções. O 
nome desta área da IA é computação afetiva, apesar deste 
assunto não ser abordado neste módulo e nos módulos a 
seguir, é recomendado que você pesquise um pouco sobre 
e como a parte racional dos agentes combina as emoções 
para tomar decisões mais próximas dos seres vivos, em 
especial, dos humanos.
Introdução a lógica na computação
Esta seção não tem por objetivo aprofundar sobre os conceitos de 
lógica computacional, mas, apresentar uma visão geral o capacitando a 
entender sobre os assuntos ligados a aplicação da lógica nos sistemas 
inteligentes.
Como citado no capítulo 1, a lógica é uma das disciplinas 
fundamentais para a computação, em especial, através da lógica 
booleana, permitindo que dados em forma de pulsos elétricos possam ser 
processados em estruturas maiores e altamente complexas usadas tanto 
em circuitos digitais, como na própria lógica para criação de programas.
A lógica booleana em sistemas digitais, permite que um pulso possa 
ser tratado com valor 1 ou 0, porém, a combinação entre estes valores é 
uma de suas principais base de estudos, pois, ao combinar um conjunto 
de entradas 1’s e 0’s, usando-se modelos lógicos, é possível gerar dados 
de resposta específicos.
Se um aparelho é capaz de receber um sinal 0 ou 1, processá-lo e 
dar uma saída de um único dígito, sua resposta será baseada no valor da 
entrada. Por exemplo, se a entrada é 1, o sistema reativo pode ter como 
saída o valor 1 ou 0 de acordo com as regras preexistentes.
Inteligência Artificial36
Todavia, outro aparelho pode ser capaz de receber dois sinais 
simultâneos aleatórios, podendo ser compostos pelas seguintes 
combinações. 00, 01, 10 ou 11 e com saída com apenas um dígito. Desta 
forma, será o conjunto de regras que também definirá o valor da saída.
Para permitir uma espécie de linguagem universal onde diferentes 
projetistas de hardware e softwares, a lógica booleana possui modelos 
que tratam as entradas e permitem que saídas específicas sejam geradas.
Uma vez tratada como linguagem universal, é preciso criar conjuntos 
de classificações semelhantes as gramáticas das línguas, semelhante ao 
português e inglês por exemplo.
Assim, podemos definir um conjunto de sentenças como entrada, 
sendo as sentenças combinações de 0’s e 1’s, as organizando de acordo 
com o modelo sintático específico.
Um exemplo de modelo sintático seria x +y = z. Este modelo é 
facilmente identificado como correto por qualquer pessoa que estudou 
certos fundamentos matemáticos. Porém, note que a expressão xyz+= não 
é uma sentença sintaticamente correta na matemática. 
Em seguida, as sentenças devem ser organizadas e definidas 
através de um modelo semântico. Por exemplo, se x + y = 10, x e y devem 
possuir valores tal que a soma seja sempre igual a 10, onde x pode 
assumir o valor 6 e y 4, bem como, x pode ser igual a 5 e y também e 
assim sucessivamente.
Para a lógica booleana, as sentenças são combinações entre 
valores 1’s e 0’s, o qual, sempre são analisados um a um ou dois a dois, 
sendo está a regra sintática. Por sua vez, a regra semântica permite que o 
resultado possa ser previsto de acordo com as entradas.
Como as entradas são representadas por dois valores possíveis, o 
1 e o 0, e se tomarmos por fundamento a lógica dos circuitos digitais, 
podemos dar o nome para 1 de verdadeiro, existe um estímulo, e 0 de 
falso, não existe um estímulo.
Inteligência Artificial 37
A lógica proposicional e os sistemas 
inteligentes
Baseado no conceito apresentado, a lógica booleana possui um 
conjunto de tabelas (modelos) que permitem prever as saídas com base 
em regras definidas através de modelos matemáticos. Esse conjunto de 
modelos é chamado de lógica proposicional.
Os modelos semânticos da lógica booleana, servem como base 
fundamental de conhecimento, com as regras embutidas nos próprios 
modelos, sendo a capacidade simples de raciocinar sobre os dados de 
entrada, ou seja, sobre os estímulos.
No total, existem 7 modelos representado em forma de tabelas. 
Cada tabela possui sua própria base matemática advinda da teoria dos 
conjuntos.
A primeira tabela recebe apenas um valor como entrada e sua saída 
é o valor inverso. Esta tabela é chamada de não lógico e sua representação 
gráfica é um ‘~’ (til).
Note no Quadro 3 que a tabela é composta na primeira coluna do 
símbolo do modelo na primeira linha e os valores possíveis nas demais 
linhas da primeira coluna. Por sua vez, a última coluna representa as saídas 
para cada valor de entrada. Atente que, os dados de entrada e saída são 
chamados de verdade (1) ou falso (0), fator que resulta na forma como as 
tabelas são chamadas, tabelas verdade.
¬ (não) Saída
1 0
0 1
Quadro 3 - Não lógico
Fonte: Autor (2020)
O Quadro 4 apresenta dois valores de entrada, ou seja, a combinação 
de dois valores e a respectiva saída. Esta regra também será utilizada nas 
demais tabelas.
Inteligência Artificial38
Λ (e) Saída
0 0 0
0 1 0
1 0 0
1 1 1
V (ou) Saída
0 0 0
0 1 1
1 0 1
1 1 1
Quadro 4 - E lógico
Fonte: Autor (2020)
Quadro 5 - Ou lógico
Fonte: Autor (2020)
Este quadro se chama ‘e lógico’. Sua regra define que para uma 
saída ser verdadeira, 1, é preciso que ambas as entradas sejam também 
verdadeiras como demostrado abaixo.
O Quadro 5 é chamada de Ou lógico e sua regra define que para 
uma saída ser falsa, é preciso que ambas entradas também a sejam. 
Um exemplo prático é a escolha entre dois objetos, no fim, um será 
selecionado, ou os dois.
IMPORTANTE
O quadro do Ou lógico possui duas variações que não serão 
apresentadas aqui, sendo chamadas de ou exclusivo (xor) e 
não ou exclusivo (xnor). Ambos são bastante utilizados no 
desenvolvimento de circuitos digitais, onde as tabelas são 
chamadas de portas lógicas.
Inteligência Artificial 39
O modelo da tabela ‘se, então’ será verdadeiro sempre que a 
primeira entrada condicionar verdadeiramente a segunda. Por exemplo:
O conjunto dos naturais, N, está contido no conjunto dos inteiros, Z, 
que por sua vez está contido no conjunto dos racionais, Q.
Note que, nem todos os números presentes em Z estão presentes 
em N, porém, o inverso é verdade. Assim, podemos dizer que uma 
entrada verdadeira, por exemplo um valor de N, for condicionada pelo 
se então e sua condição for falsa, pois um valor qualquer de N pode não 
estar contido em Z, podemos afirmar que estas entradas, os conjuntos, 
resultam em uma saída falsa.
NOTA
Os quadros verdades apresentadas acima são aplicadas 
na programação lógica em estruturas como o se (if) e o 
escolha (switch), ocorrendo a verificação do valor da entrada 
segundo as regras dos modelos e lógico e ou lógico, porém, 
pode-se entender a estrutura do se (if), como um se, então.
Desta forma, o quadro verdade do ‘se, então’ está apresentada no 
Quadro 6. Atente para seu símbolo na primeira célula da primeira coluna.
Quadro 6 - Se, então
Fonte: Autor (2020)
→ (se então) Saída
0 0 1
0 1 1
1 0 0
1 1 1
O último quadro apresentado neste material é referente ao modelo 
do ‘se somente se’, um modelo que gera uma dependência entre os 
valores de entrada com suas respectivas saídas.
Inteligência Artificial40
Quadro 7 - Se, somente se
Fonte: Autor (2020)
↔ (se, somente se) Saída
0 0 1
0 1 0
1 0 0
1 1 1
Como ambas as entradas são dependentes, note que, se ambas 
são verdadeiras ou falsas, significa que a dependência foi atingida, 
resultando em uma saída verdadeira. Porém, se as entradas possuírem 
valores diferentes, o valor da saída será falso, visto não ter atendido a 
dependência. Vide o Quadro 7.
Como citado, com base nos modelos presentes nas tabelas 
verdades apresentadas, um agente é capaz de realizar tomadas de 
decisões diferentes, por exemplo, aplicando dentro de uma condição ou 
função regras baseadas estes modelos para a tomada de decisão.
Desta forma, a lógica proposicional e seu conjunto de tabelas, 
permitem que agentes virtuais possam realizar raciocínio simples e 
estruturado, o que por sua vez, permite que lógicas mais complexas 
possam ser sobre os modelos citados.
RESUMINDO
Este capítulo tratou sobre o raciocínio em máquinas 
e como os modelos básicos da lógica proposicional 
permitem criar uma base de conhecimento para este fim. 
Para isto, primeiro tratamos de apresentar uma visão geral 
sobre o que são agentes baseados em conhecimento ao 
citar a camada reativa dos agentes e a necessidade de 
uma base de informações para poder raciocinar sobre as 
entradas e gerar posteriormente saídas bem definidas. 
Para dar o entendimento não apenas da camada de 
raciocínio e de conhecimento, foi dada uma introdução a 
lógica proposicional, o permitindo visualizar as bases de 
conhecimentos baseadas em modelos matemáticos e seu 
poder na capacidade de raciocínio dos sistemas. 
Inteligência Artificial 41
Grafos para busca em espaço de estados
OBJETIVOS
Este capítulo continua os assuntos sobre como dotar um 
sistema digital com a capacidade de raciocinar. O conteúdo 
abordado apresentará a ideia de grafos e como estes 
objetos auxiliam na criação de modelos superiores.
O que são grafos
Antes de definir o que vem a ser um grafo, é preciso apresentar 
alguns conceitos advindos da teoria dos conjuntos.
Um conjunto é uma estrutura que contém zero até infinitos 
elementos, especificamente, como definido por Dante (2013), “...Um 
conjunto é uma coleção qualquer de objetos...”.
Por exemplo: podemos definir que pinceis pertencem ao conjunto 
de objetos capazes de pintar. Porém, podemos definir um conjunto para 
inserir apenas os pinceis de uma determinada cor.
Assim, podemos dizer que os conjuntos contêm objetos segundo 
um conjunto de regras pré-definidos.
Na matemática, a teoria dos conjuntos divide os números de acordo 
com regras bem definidas, por exemplo. Os números que começam a 
partir de 0 em intervalos de 1 em 1 até valores ditos infinitos, são valores 
pertencentes ao conjunto dos naturais, representados por um N.
Exemplo: (0, 1, 2, 3, 4 e 5), são elementos pertencentes ao conjunto N
Porém, existem outros conjuntos que expandem a variação de 
números, como por exemplo o conjunto dos inteiros, representado pela 
letra Z, o qual, adiciona a variação de valores negativos aos inteiros.
Exemplo: (-5, -3, 0, 6 e 120) são exemplos de números pertencentes 
ao conjunto dos Z.
Inteligência Artificial42Perceba que os números naturais estão presentes no conjunto dos 
números inteiros, porém, o inverso não é verdade.
NOTA
A teoria dos conjuntos, como é chamado os conceitos 
apresentados acima, possuem um conjunto de regras 
próprias e bem fundamentadas. O modelo citado acima 
serve para um entendimento geral, porém, é indicado que 
você procure por materiais adicionais sobre essa teoria, em 
especial pelo fato de a teoria dos conjuntos ser uma das 
bases fundamentais da computação.
Com base nos conceitos simples de um objeto pertencer a 
um conjunto, agora podemos avançar nos conceitos básicos que 
fundamentam os grafos.
Agora, vamos falar um pouco sobre conceitos de geometria, em 
especial, sobre alguns objetos fundamentais.
Um dos objetos mais simples que podem ocupar um espaço 
qualquer é um ponto. Como aprendido em disciplinas básicas de 
matemática, um conjunto de pontos forma uma reta.
Podemos entender que uma reta é um traço continuo que partem 
de um dado ponto de origem até outro ponto de chegada. 
Note que, o ponto de origem e o ponto de chegada podem ser 
entendidos com dois elementos distintos, assim como a reta que liga 
ambos os pontos.
Na geometria, estes pontos isolados são objetos e as linhas que os 
conectam são chamados de vértices.
Por fim, quando três pontos distintos, vamos dar o nome a estes 
pontos de A, B e C, se unem através de vértices, a ligação de duas arestas 
a um único ponto é chamada de aresta.
Para dar uma visualização mais objetiva destes conceitos, observe 
a Figura 2.
Inteligência Artificial 43
Observe que as arestas entre os pontos (A e B) e entre os pontos 
(B e C) formam uma estrutura chamada de aresta, ou seja, um ponto que 
está ligado a mais de um outro ponto.
Agora sim. Com estes fundamentos simples, podemos em fim 
conceituar o que são grafos.
A teoria dos grafos é um ramo da matemática que estuda a 
combinação (relação) entre objetos discretos (NETTO, 2011), porém, a 
computação a utiliza na análise e desenvolvimento de diversos algoritmos.
Por sua vez, um grafo é uma estrutura formada pela combinação 
entre dois ou mais objetos (pontos), onde podemos através de modelos, 
aplicar técnicas de tratamento sobre os dados, sempre possuindo um 
ponto de origem e um ou mais pontos objetivos.
Figura 2 - Pontos, vértices e arestas
Fonte: Autor (2020).
Ponto B 
Ponto C 
 
 
 
 
 
 
 
 
 
 
 
Inteligência Artificial44
O que é uma máquina de estados
Como vimos, um grafo é uma estrutura formada por pontos e vértices, 
assim, podemos considerar que os pontos são áreas de processamento 
de dados e os vértices o modelo de ligação entre as interfaces de entrada 
e saída dos pontos.
Assim, podemos criar modelos e regras para tratar os dados que 
estão vendo de um ponto qualquer e definir qual as saídas e para onde 
estas devem ser direcionadas.
Por exemplo. Se definirmos que um conjunto de cidades é 
interpretadas como pontos e a ligação entre elas como arestas, é possível 
definir rotas entre as cidades até chegar ao objetivo. 
Não apenas traçar uma rota, também é possível traçar qual a melhor 
rota com base na distância, tampo para atravessar a cidade, ou seja, de 
acordo com os modelos e regras de custos.
Assim, tanto o grafo, como suas regras, pode ser entendido como 
o modelo que permite que um viajante qualquer saia de um ponta para 
outro e identifique o menor custo de tempo para sua viagem, ou seja, é 
um tipo de raciocínio prático baseado em regras.
Desta forma, podemos expandir um pouco mais a ideia geral de 
grafos e definir um outro conceito computacional que utiliza os grafos 
para tomada de decisão estratégicas. As máquinas de estados.
De forma simples, podemos dizer que uma máquina de estados 
é uma estrutura condicional que permite que um fluxo de dados saía de 
uma origem até um destino de forma estruturada, ou seja, através de 
estruturas que definem como os dados devem ser tratados e para qual 
ponto o fluxo deve seguir.
A Figura 3 apresenta um exemplo curto de máquina de estado que 
avalia a idade do usuário e diz quais os conteúdos podem ser acessados.
Inteligência Artificial 45
Figura 3 - Exemplo de máquina de estado
Fonte: Autor (2020).
Fim 
 
 
 
 
 
 
 
 
 
 
 
Conteúdo limitado A Conteúdo completo Conteúdo limitado B 
Idade superior a 17 anos Idade até 17 anos 
 
Idade até 12 anos 
Coleta da idade do usuário 
Início 
Observe, como um fluxo, o grafo da Figura 4 após iniciar coleta a 
idade do usuário e já trata o perfil de acesso. Em seguida direciona para 
a área específica de tratamento de coleta de cada faixa etária e por fim, 
recupera os conteúdos limitando o acesso ou não com base na idade, 
finalizando o grafo em seguida.
Perceba que a estrutura direciona os dados e as saídas, porém, 
é a etapa de coleta de dados que direciona para um fluxo específico, 
finalizando em seguida o sistema.
Perceba também que a análise feita na coleta da idade não é 
demonstrada claramente, apenas citando que algum processamento foi 
feito para esta coleta e para o direcionamento da saída.
Desta forma, se pensarmos um agente específico para limitar o 
acesso por faixa etária, o raciocínio é dado nas diferentes possibilidades 
e em suas regras.
Inteligência Artificial46
IMPORTANTE
É importante citar que o uso de estruturas de dados como 
vetores, árvores, entre outros, auxiliam nas estratégias 
implementadas para processar os dados e na forma como 
cada elemento se relaciona.
Existem diferentes formas de estruturar um grafo, muitas delas 
documentadas em diferentes literaturas, sendo a usada acima baseada 
em estados para a frente, ou seja, baseado em progressão.
Algo importante na análise dos grafos no planejamento estratégico, 
é que nunca mais de um estado estará ativo ao mesmo tempo, assim, 
podemos em um dado período de tempo, avaliar qual estado está ativo e 
quais as possibilidades de fluxo que este estado pode ativar em seguida.
Grafos de planejamentos
Um grafo de planejamento é uma estrutura de dados que permite 
um planejamento que apresente estimativas mais precisas sobre as saídas. 
Estas regras de planejamento podem ser entendidas como heurísticas 
específicas.
NOTA
Heurística são métodos que tem por objetivo a resolução 
de problemas por aproximação, ou seja, não é esperado 
a melhor solução, mas uma solução viável (BUENO, 2009).
Desta forma, a heurística pode ser aplicada a diferentes métodos de 
busca em pró da criação do modelo de procura pela melhor solução, ou 
seja, um modelo de raciocínio computacional.
Inteligência Artificial 47
Tipos de buscas computacionais em espaço de 
estados
Para permitir um bom planejamento, a estratégia de busca deve ser 
antes definida. Nesta seção abordaremos de forma conceitual algumas 
formas de busca computacionais para espaço de estados.
A progressão, ou busca para frente, é uma forma de busca aplica 
em estruturas de dados similares a árvores, ou seja, com um início definido 
e com fim possível.
Esta busca parte do início verificando todas as possibilidades para ir 
para os ativar os próximos estados (nós) até alcançar a solução pretendida. 
Podemos exemplificar utilizando a Figura 4, onde a partir de 
qualquer nó ativo, podemos verificar quais as possíveis ramificações que 
podemos ir e se ela é o objetivo ou fim da execução.
Por sua vez, outra estratégia é a busca para trás (regressão), onde, 
a partir do objetivo, é traçado o caminho até a origem, o que por vezes, 
resultada em uma análise mais rápida que a busca para frente, uma vez 
que um estado posterior sempre terá apenas um estado anterior caso a 
estrutura seja baseada em uma árvore.
Porém, se a estrutura permitir que mais de um estado anterior 
possam ramificar para um estado posterior, o custo total da busca para 
trás pode se tornar igual ao da busca para frete.
Para que ambas as estratégias possam ser implementadas de forma 
eficiente, é preciso que uma boa heurística seja desenvolvida,procurando 
tornar as buscas admissível em um espaço de tempo. Para isto, a busca 
em grafos de planejamento, aponta-se como uma solução eficaz.
Planejamentos estratégicos com busca em espaço
Grafos de planejamento são indicados unicamente para problemas 
baseados no planejamento proposicional, apresentado no capítulo 3.
Inteligência Artificial48
Estes grafos são chamados de grafo direcionados, ou seja, um grafo 
que os dados fluem para uma dada direção.
Sua estrutura é baseada em níveis, como nível S0, progredindo até 
um objetivo G definido. Porém, o algoritmo não define a existência de um 
caminho existente entre S0 e G, mas sim uma aproximação polinomial 
entre os dois, estimando o número de passos.
Os níveis S definem o fluxo verdadeiro que cada nó S contém. Por 
sua vez, cada nível S está associado a um nível A, que representa as ações, 
regras, que são aplicadas a cada S.
Desta forma, em um tempo i, um número de Si níveis podem ser 
acessados, bem como, uma quantidade Ai de processos que cada S pode 
executar.
Um exemplo simples de aplicação é o trivial algoritmo de 
produção de um bolo, o qual, pode ser demostrado através de grafos 
de planejamento, porém, apresentaremos o algoritmo de ter e comer um 
bolo, apresentado por Russell (2013), apresentada na Figura 4.
Figura 4 - Algoritmo ter e comer bolo
Fonte: Russell (2013).
Início(Ter(Bolo))
Objetivo(Ter(Bolo) Λ Comido(Bolo))
Ação(Comer(Bolo)
 PRECOND: Ter(Bolo)
 EFEITO: ¬Ter(Bolo) Λ Comido(Bolo))
Ação(Assar(Bolo)
 PRECOND: ¬Ter(Bolo)
 EFEITO: Ter(Bolo))
Inteligência Artificial 49
Perceba que a ação estratégica é em cada linha descrito abaixo:
Linha 1: no início é preciso ter o bolo.
Linha 2: o objetivo é comer o bolo, para isso, é preciso ter um bolo 
e comê-lo.
Linha3: é referente a ação de comer o bolo
Linha 4: é a pré-condição da ação, ou seja, ter o bolo.
Linha 5: o efeito da ação é não ter o bolo, uma vez que foi comido, 
e a própria ação de comido.
Linha 6: é a ação de assar um bolo.
Linha 7: a pré-condição é não ter um bolo. Note que o símbolo 
apresentado nesta condição é de negação, assim, o ato de ter um bolo é 
negado, passando ao estado de não ter um bolo.
Linha 8: é o efeito de assar, passando a ter um bolo.
Perceba que este algoritmo simples permite é composto de alguns 
níveis S com suas respectivas regras A.
Mesmo simples, essa é uma estratégia útil para criar modelos de 
planejamento para dotar um agente da capacidade de raciocinar, os 
aproximando da proposta apresentada no teste de Turing, existir uma 
máquina inteligente, tal que, um humano entrevistador não é capaz de 
discernir se está entrevistando um humano ou máquina.
RESUMINDO
Estudamos neste capítulo sobre os grafos e como podemos 
dotar sistemas irracionais com grafos e permiti-los apresentar 
características de raciocínio. Para isso, primeiramente 
apresentamos uma visão geral de o que são grafos. Em 
seguida passamos a falar sobre as máquinas de estado e seu 
poder ligado a escolha e fluxos diferentes de dados para uma 
saída com base em sua entrada. Por fim, discutimos sobre o 
uso de grafos no planejamento estratégico da racionalidade 
dos agentes. Assim, esperamos que este conteúdo o auxilie 
nas demais unidades, onde exploraremos de forma mais 
profunda e objetiva o poder da IA.
Inteligência Artificial50
REFERÊNCIAS
BUENO, F. Métodos Heurísticos: Teoria e Implementações. IFSC. Araranguá, 
2009. Disponível.em:<https://wiki.ifsc.edu.br/mediawiki/images/b/b7/
Tutorial_m%C3%A9todos_heur%C3%ADsticos.pdf>. Acesso em 5 maio 2020.
B. NETTO, P. O. Grafos: Teoria, Modelos, Algaritmos. 5. Ed. São Paulo: Editora 
Blucher, 2011.
BUENO, S. Minidicionário da língua Portuguesa. 3 ed. São Paulo: FTD, 2016.
DANTE, L. R. Matemática: contexto & aplicações. 2 ed. São Paulo: Ática, 2013.
DELGADO, L. F. M.; GOMES, R. S. A função do neuromarketing no jornalismo 
online. Scientia Alpha-Revista Científica Multidisciplinar da Faculdade ALFA 
Umuarama, v. 1, n. 1, 2019.
HAUGELAND, J. Artificial Intelligence: The Very Idea. MIT Press. 1985.
NILSSON, N. J. Artificial Intelligence: A New Synthesis. Morgan Kaufmann. 
1998.
POOLE, D. MACKWORTH, A. K. e GOEBEL, R. Computational intelligence: A 
logical approach. Oxford University Press. 1998.
RICH, E. e KNIGHT, K. Artificial Intelligence, ed. 2. McGraw-Hill. 1992.
RUSSELL, S. Inteligência artificial. 3. ed. Rio de Janeiro: Editora Elsevier, 2013.
STERNBERG, R. J. Psicologia cognitiva. 4. ed. Porto Alegre: Editora Artmed, 
2008.
TEC MUNDO. YOUTUBE, 2018. Disponível em: <https://www.youtube.com/
watch?v=Lhu8bdmkMCM&feature=emb_logo>. Acesso em: 10 de maio de 
2020.
TURING, A. M. Computing machinery and intelligence. Mind, Volume LIX, 
Issue 236, Pages 433–460. 1950.