oi

Prévia do material em texto

ATIVIDADE 2 - IA - SISTEMAS ESPECIALISTAS - 53_2025
Período:28/07/2025 08:00 a 17/08/2025 23:59 (Horário de Brasília)
Status:ABERTO
Nota máxima:0,50
Gabarito:Gabarito será liberado no dia 18/08/2025 00:00 (Horário de Brasília)
Nota obtida:
1ª QUESTÃO
Os métodos probabilísticos são ferramentas matemáticas utilizadas para quantificar a incerteza. Eles se
baseiam na teoria das probabilidades, que foi formalmente desenvolvida por matemáticos, como Blaise
Pascal e Pierre-Simon Laplace (1623–1662). As probabilidades quanto ao seu status e origem surgem de
diversas visões: frequentista, objetivista e subjetivista e com o objetivo de ser uma medida que expressa o
grau de crença na ocorrência de um evento incerto, permitindo, em sistemas especialistas, avaliar a
confiabilidade de diferentes hipóteses ou diagnósticos com bases nas evidências disponíveis.
Fonte: BULEGON, H. Sistemas Especialistas. Florianópolis: Arqué, 2025. 
 
Nos sistemas especialistas, a aplicação de métodos probabilísticos permite que decisões sejam tomadas
com base em evidências parciais ou conflitantes, atribuindo a cada hipótese uma medida quantitativa de
confiabilidade. Esse processo é fundamental em domínios, como diagnóstico médico, sistemas de
recomendação e previsão de riscos, onde a certeza absoluta é, muitas vezes, inalcançável. Modelos, como
redes Bayesianas, lógica fuzzy e a teoria de Dempster-Shafer, são exemplos de abordagens que aplicam
conceitos probabilísticos para tratar a incerteza de forma robusta e flexível. Assim, os métodos
probabilísticos tornam-se essenciais não apenas como ferramentas matemáticas, mas como pilares que
sustentam o raciocínio plausível em ambientes incertos.
 
Com base na citação e na contextualização, qual é a principal função dos métodos probabilísticos em
sistemas especialistas?
ALTERNATIVAS
Garantir que todas as decisões do sistema sejam tomadas com 100% de certeza.
Automatizar o processo de aquisição de conhecimento por meio de sensores externos.
Substituir os motores de inferência baseados em regras tradicionais por algoritmos genéticos.
Eliminar a necessidade de representação simbólica do conhecimento em ambientes ruidosos.
Quantificar o grau de incerteza em hipóteses e apoiar decisões com base em evidências disponíveis.
2ª QUESTÃO
09/08/25, 15:50 Unicesumar - Ensino a Distância
about:blank 1/9
"A inteligência artificial simbólica foi a primeira na literatura a ser reconhecida e é determinada a trabalhar
com a manipulação de símbolos e regras explícitas para processar, representar e explicar o conhecimento.
Os símbolos podem representar os objetos, as relações, os eventos e os estados e têm características da
lógica booleana, o raciocínio formal, que são definidos em sistemas especialistas e os distinguem de
sistemas convencionais" (Bulegon, 2025, p. 147)
 
Fonte: BULEGON, H. Sistemas Especialistas. Florianópolis: Arqué, 2025. 
 
A inteligência artificial simbólica, também conhecida como IA simbólica, ou GOFAI (Good Old-Fashioned
Artificial Intelligence), foi pioneira nos estudos sobre como sistemas computacionais poderiam simular o
raciocínio humano.
 
Considerando as informações apresentadas, avalie as asserções a seguir e a relação proposta entre elas.
 
I. A inteligência artificial simbólica foi fundamental para os primeiros avanços no desenvolvimento de
sistemas inteligentes com base em regras explícitas.
PORQUE
II. A IA simbólica baseia-se na manipulação de símbolos e na aplicação de lógica formal, como as regras do
tipo “se-então”, para representar e inferir conhecimento.
 
A respeito dessas asserções, assinale a alternativa correta.
ALTERNATIVAS
As asserções I e II são proposições verdadeiras, e a II é uma justificativa da I.
As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I.
A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
As asserções I e II são proposições falsas.
3ª QUESTÃO
09/08/25, 15:50 Unicesumar - Ensino a Distância
about:blank 2/9
As técnicas de reforço têm sua melhor aplicação em problemas onde o agente precisa tomar decisões
sequenciais em um ambiente dinâmico, recebendo feedback para o reforço das suas decisões. Imagine,
por exemplo, a necessidade de otimizar os tempos dos semáforos de trânsito (vermelho, verde e amarelo).
Essas situações fornecem informações sobre comportamentos nos quais a aprendizagem por reforço, por
meio de recompensas, é aplicada, incluindo o subproblema de aprender como o ambiente funciona.
Fonte: BULEGON, H. Sistemas Especialistas. Florianópolis: Arqué, 2025. 
 
A citação destaca a aplicação das técnicas de aprendizagem por reforço (Reinforcement Learning — RL) em
contextos nos quais há necessidade de decisões sequenciais em ambientes dinâmicos, como na otimização
dos tempos de semáforos de trânsito. O aspecto central da aprendizagem por reforço reside na interação
do agente com o ambiente, em que ele recebe recompensas, como feedback por suas ações, aprendendo
gradualmente a política de decisão ótima. Esse tipo de aprendizado é particularmente valioso em cenários
nos quais o ambiente não é completamente conhecido de antemão e as decisões de curto prazo afetam os
resultados futuros, demandando estratégias adaptativas e capacidade de previsão.
Considerando as informações apresentadas, avalie as asserções a seguir e a relação proposta entre elas:
 
I. A aprendizagem por reforço é especialmente adequada para problemas em que a tomada de decisões
precisa considerar múltiplos passos em um ambiente em constante mudança.
PORQUE
II. O agente de aprendizagem por reforço aprende exclusivamente por meio de um conjunto fixo de regras
preestabelecidas que não dependem da interação com o ambiente.
 
A respeito dessas asserções, assinale a alternaitva correta.
ALTERNATIVAS
As asserções I e II são proposições verdadeiras, e a II é uma justificativa da I.
As asserções I e II são proposições verdadeiras, mas a II não é uma justificativa da I.
A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
A asserção I é uma proposição falsa, e a II é uma proposição verdadeira.
As asserções I e II são proposições falsas.
4ª QUESTÃO
09/08/25, 15:50 Unicesumar - Ensino a Distância
about:blank 3/9
Um sistema especialista, normalmente, é um software de decisão que pode alcançar um nível de
desempenho comparável ao especialista humano em algumas áreas especializadas e limitadas. A ideia
básica é simples: o conhecimento especialista é transferido do especialista (ou outra fonte) para o
computador. Quando necessário, os usuários podem pedir conselhos específicos ao computador, e este faz
deduções e chega a uma conclusão.
Fonte: BULEGON, H. Sistemas Especialistas. Florianópolis: Arqué, 2025.
 
Os sistemas especialistas representam uma das aplicações mais clássicas da inteligência artificial simbólica,
especialmente desenvolvida a partir da década de 1970. Sua função primordial é replicar o raciocínio de
especialistas humanos em domínios restritos, como diagnóstico médico, prospecção de petróleo, análise
jurídica ou avaliação de crédito.
 
Com base na citação e na contextualização, qual característica é fundamental para que um sistema
especialista possa superar o desempenho de um especialista humano em determinadas tarefas?
ALTERNATIVAS
A habilidade de tomar decisões com base em dados emocionais e subjetivos como um ser humano.
A estrutura aberta que permite aplicar o sistema a qualquer domínio do conhecimento sem modificações.
O fato de operar de forma probabilística e não determinística, o que garante maior criatividade nas respostas.
A presença de uma base de conhecimento especializada e de um motor de inferência que simula o raciocínio
humano.
Sua capacidade de armazenar grandes quantidades de dados não estruturados e aprender automaticamente com
eles.
5ª QUESTÃO
09/08/25, 15:50 Unicesumar - Ensino a Distância
about:blank 4/9
As variáveis aleatórias podemser divididas em três tipos, a depender do domínio (valores que uma variável
aleatória pode assumir): booleanas (verdadeiro/ falso), discretas (se o domínio for tempo, a variável aleatória
discreta pode ser ensolarado, chuvoso, nublado) e variáveis aleatórias contínuas, que são valores a partir dos
números reais, como a proposição afirma que a variável aleatória tem o valor exato 4,05. As proposições
relativas a variáveis aleatórias contínuas também podem ser desigualdades, como f (n) = h(n). A
probabilidade a priori (incondicional) consegue descrever quando queremos nos referir às probabilidades de
todos os valores possíveis de uma variável aleatória. É a probabilidade inicial que se tem sobre um evento,
antes de qualquer nova informação ou evidência ser considerada.
 
Fonte: BULEGON, H. Sistemas Especialistas. Florianópolis: Arqué, 2025.
 
 Em sistemas especialistas que fazem uso de métodos probabilísticos, as variáveis aleatórias desempenham
papel central na modelagem da incerteza e na representação de eventos que podem assumir múltiplos
valores. Essas variáveis podem ser classificadas conforme o tipo de domínio que abrangem. As variáveis
booleanas assumem apenas dois valores possíveis (verdadeiro ou falso), sendo úteis em proposições lógicas
simples. As variáveis discretas possuem um conjunto finito ou enumerável de valores possíveis, como dias
da semana ou condições climáticas, permitindo que os sistemas tratem categorias distintas com clareza. Já
as variáveis contínuas se estendem sobre os números reais, permitindo representar fenômenos com precisão
quantitativa, como temperaturas ou medidas de pressão arterial, e geralmente envolvem proposições que
tratam de igualdades ou desigualdades numéricas.
 
Com base na citação e na contextualização, qual é a utilidade da probabilidade a priori no contexto dos
sistemas especialistas com variáveis aleatórias?
ALTERNATIVAS
Definir regras determinísticas que substituem o raciocínio probabilístico em modelos lógicos.
Eliminar a necessidade de evidências para justificar inferências nos sistemas especialistas.
Garantir que todos os eventos incertos sejam tratados de forma equitativa, sem distinção de domínio.
Representar proposições apenas sobre variáveis booleanas ou discretas, ignorando variáveis contínuas.
Estabelecer um ponto de partida probabilístico sobre um evento antes da incorporação de novas evidências.
6ª QUESTÃO
09/08/25, 15:50 Unicesumar - Ensino a Distância
about:blank 5/9
A teoria de Dempster-Shafer, em vez de calcular a probabilidade de uma proposição, calcula a
probabilidade de que a evidência admita essa proposição como uma medida de crença por sua função. É
composta de conceitos básicos, como um conjunto de hipóteses, que relaciona todas as possíveis, um
conjunto finito, que armazena todas as respostas de um problema, a função de massa, que atribui a
probabilidade a cada subconjunto das hipóteses, a combinação de evidências, uma vez que, quando existem
várias fontes de evidências, as massas podem ser combinadas, a função de crença (bel), que é derivada da
função de massa para quantificar a confiança mínima a ser atribuída ao conjunto de hipótese, e a função de
plausibilidade, para representar a confiança máxima que pode ser atribuída ao conjunto de hipóteses.
 
Fonte: BULEGON, H. Sistemas Especialistas. Florianópolis: Arqué, 2025.
A teoria de Dempster-Shafer é uma abordagem matemática que permite tratar a incerteza de maneira mais
flexível que a probabilidade clássica. Essa estrutura é particularmente útil em sistemas especialistas, nos
quais as informações disponíveis podem ser incompletas, ambíguas ou originadas de múltiplas fontes com
diferentes níveis de confiabilidade.
 
Com base na citação e na contextualização, qual é uma das principais vantagens da teoria de Dempster-
Shafer na representação da incerteza em sistemas especialistas?
ALTERNATIVAS
Eliminar a necessidade de qualquer evidência empírica para tomar decisões.
Fornecer apenas uma estimativa precisa da probabilidade de uma hipótese isolada.
Substituir totalmente funções heurísticas e redes Bayesianas em todos os contextos.
Garantir que a soma das probabilidades atribuídas a cada hipótese seja sempre igual a 1.
Permitir representar diferentes níveis de confiança em conjuntos de hipóteses, mesmo com informações
incompletas.
7ª QUESTÃO
09/08/25, 15:50 Unicesumar - Ensino a Distância
about:blank 6/9
O conhecimento tem, pelo menos, duas classificações. O conhecimento tácito, geralmente, está na área do
aprendizado subjetivo, cognitivo e experimental. Já o conhecimento explícito liga-se ao conhecimento mais
objetivo, racional e técnico (dados, políticas, procedimentos, software, documentos etc.) e é extremamente
pessoal e difícil de ser formalizado. O conhecimento explícito são as políticas, as diretrizes de
procedimentos, os manuais, os relatórios, os desenhos, os produtos, as estratégias, as metas, a missão e as
competências básicas da empresa e a infraestrutura da tecnologia da informação. É o conhecimento que foi
codificado (documentado) em interação interpessoal ou pode ser transformado em um processo ou em
uma estratégia. O conhecimento tácito é o acúmulo de experiências, mapas mentais, perspicácia,
conhecimento especializado, segredos de negócio, conjunto de capacidades, compreensão e aprendizado
de uma empresa bem como a cultura organizada que nela embute as experiências passadas e presentes das
pessoas, processos e valores que fazem parte da empresa. O conhecimento tácito é difuso, não-estruturado,
não possui uma forma tangível e, portanto, é difícil de ser codificado.
Fonte: BULEGON, H. Sistemas Especialistas. Florianópoli: Arqué, 2025. 
 
A distinção entre conhecimento tácito e explícito é central para os estudos sobre gestão do conhecimento,
particularmente em ambientes organizacionais. 
 
Com base na citação e na contextualização, por que o conhecimento tácito apresenta maior dificuldade de
ser incorporado diretamente em sistemas especialistas?
ALTERNATIVAS
Porque é frequentemente confundido com conhecimento técnico e científico.
Porque é difuso, subjetivo, não-estruturado e depende da experiência pessoal.
Porque é objetivo, estruturado e facilmente formalizável, o que o torna redundante.
Porque está disponível apenas em documentos e manuais internos da organização.
Porque consiste em regras fixas utilizadas nos sistemas baseados em conhecimento.
8ª QUESTÃO
09/08/25, 15:50 Unicesumar - Ensino a Distância
about:blank 7/9
Feigenbaum, Buchanan e o Dr. Edward Shortliffe desenvolveram o sistema MYCIN para diagnosticar
infecções sanguíneas. Com cerca de 450 critérios (regras), o MYCIN foi capaz de sair tão bem quanto alguns
especialistas e melhor do que médicos em início de carreira. O sistema não tinha nenhum modelo teórico
geral a partir do qual as regras do MYCIN pudessem ser reduzidas; elas tinham de ser adquiridas a partir de
entrevistas extensivas com especialistas, que, por sua vez, as adquiriram de outras fontes. As regras tinham
de refletir a incerteza associada ao conhecimento médico, além de incorporar um cálculo de incerteza
chamado fator de certeza, que parecia, na época, adequar-se bem à forma como os médicos avaliavam o
impacto das evidências no diagnóstico.
 
Fonte: BULEGON, H. Sistemas Especialistas. Florianópolis: Arqué, 2025. 
 
O sistema MYCIN é um marco histórico no desenvolvimento da inteligência artificial médica e um exemplo
emblemático da aplicação prática de sistemas especialistas. Desenvolvido, na década de 1970, por
pesquisadores da Universidade de Stanford, MYCIN foi criado com o objetivo de auxiliar no diagnóstico e
tratamento de infecções bacterianas no sangue.
 
Com base na citação e na contextualização, qual elemento foi decisivo para que o sistema MYCIN pudesse
lidar eficazmente com a incerteza no diagnóstico médico?
ALTERNATIVAS
A utilização de um modelo teórico geral de doenças infecciosas.
A integração de sensores biomédicos para monitoramento em tempo real.
A inclusão de um banco de dadosestatístico com milhões de casos médicos.
O uso do fator de certeza para representar o grau de confiança nas evidências.
A capacidade do sistema de aprender automaticamente com os dados clínicos.
9ª QUESTÃO
O termo em inglês Depth-First Search é uma busca não informada que explora o máximo possível ao longo
de um ramo antes de retroceder. Esse algoritmo é conhecido também como algoritmo de Trémaux.
 
Fonte: BULEGON, H. Sistemas Especialistas. Florianópolis: Arqué, 2025. 
 
O algoritmo de busca em profundidade, conhecido pelo termo em inglês Depth-First Search (DFS), é uma
técnica clássica de busca não informada utilizada em inteligência artificial para explorar espaços de estados.
Sua principal característica é a priorização da expansão de nós filhos até atingir a maior profundidade
possível antes de retornar a níveis anteriores para explorar outros caminhos.
 
Com base na citação e na contextualização, qual é uma das principais limitações do algoritmo Depth-First
Search em espaços de estados grandes ou cíclicos?
ALTERNATIVAS
09/08/25, 15:50 Unicesumar - Ensino a Distância
about:blank 8/9
É incapaz de explorar nós em profundidade, limitando-se à superfície do grafo.
Necessita de alta capacidade de memória para armazenar todos os nós abertos.
Depende de heurísticas para escolher os melhores caminhos até o estado meta.
Pode entrar em loops infinitos e não garante a obtenção da solução mais eficiente.
Garante sempre encontrar a solução mais curta, mas com alto custo computacional.
10ª QUESTÃO
Os sistemas especialistas podem fazer uso de diversas tecnologias, componentes e metodologias, como
representação de conhecimento, redes semânticas, frames, ontologias e sistemas baseados em regras, uma
vez que um sistema especialista depende de alguém perito no assunto para ser desenvolvido e que, muitas
vezes, é de difícil compreensão lógica sem passar por uma explanação do assunto. Também podem utilizar
algoritmos avançados, como de busca cega, heurística, largura e profundidade, além de métodos para
o tratamento de incertezas, como a lógica fuzzy, teoria de Dempster-Shafer e redes Bayesianas.
 
Fonte: BULEGON, H. Sistemas Especialistas. Florianópolis: Arqué, 2025. 
 
A construção de sistemas especialistas envolve um conjunto complexo de técnicas de inteligência artificial
que visam reproduzir, de forma automatizada, o raciocínio e a capacidade de decisão de especialistas
humanos. Para que isso seja possível, o conhecimento deve ser representado de maneira estruturada e
compreensível pela máquina. 
 
Considerando a citação e a contextualização, qual fator amplia a capacidade de adaptação e eficácia dos
sistemas especialistas frente a problemas complexos e incertos?
ALTERNATIVAS
O foco restrito à representação formal e lógica do conhecimento.
A utilização apenas de técnicas simbólicas, como redes semânticas e frames.
A dependência exclusiva de regras fixas formuladas por especialistas humanos.
A incorporação de metodologias probabilísticas, conexionistas e evolucionárias.
A substituição completa da expertise humana por modelos estatísticos automatizados.
09/08/25, 15:50 Unicesumar - Ensino a Distância
about:blank 9/9