Uma introdução ao campo emergente da IA neurossimbólica

Atualmente, graças ao rápido crescimento da inteligência artificial (AI) e à crescente disponibilidade de poder computacional, modelos avançados de IA estão a ser lançados mais rapidamente do que nunca. Na verdade, o setor da IA está a impulsionar uma inovação significativa em muitos setores.

Por exemplo, na área da saúde, os sistemas de IA estão a ser usados para ajudar em tarefas como a análise de imagens médicas para o diagnóstico precoce. No entanto, como qualquer tecnologia, a IA tem as suas limitações.

Uma das principais preocupações é a transparência. Por exemplo, um modelo de deteção de objetos pode localizar com precisão um tumor numa ressonância magnética cerebral, mas pode ser difícil compreender como o modelo chegou a essa conclusão. Esta falta de explicabilidade dificulta a confiança ou a validação completa dos resultados da IA por parte de médicos e investigadores.

É precisamente por isso que há um interesse crescente no campo emergente da IA neuro-simbólica. A IA neuro-simbólica combina os pontos fortes do reconhecimento de padrões da aprendizagem profunda com o raciocínio estruturado e baseado em regras presente na IA simbólica. O objetivo é criar sistemas que façam previsões precisas, mas que também consigam explicar o seu raciocínio de uma forma compreensível para as pessoas.

Neste artigo, vamos explorar como funciona a inteligência artificial neuro-simbólica e como ela reúne aprendizagem e raciocínio para criar sistemas mais transparentes e conscientes do contexto. Vamos começar!

Os dois lados da IA neuro-simbólica: aprendizagem e raciocínio#

Antes de nos aprofundarmos na IA neuro-simbólica, vamos analisar mais de perto os dois subcampos que ela reúne: a aprendizagem profunda e a IA simbólica.

A aprendizagem profunda concentra-se no reconhecimento de padrões em dados, enquanto a IA simbólica usa regras, lógica ou senso comum para raciocinar sobre problemas. Cada uma tem pontos fortes, mas também limitações. Ao combiná-las, a IA neuro-simbólica cria sistemas capazes de aprender com dados e explicar as suas decisões com mais clareza.

Uma visão geral da aprendizagem profunda#

A aprendizagem profunda é um ramo da aprendizagem automática que usa redes neuronais artificiais, vagamente inspiradas na forma como o cérebro processa informação. Estas redes aprendem ao analisar grandes quantidades de dados e ajustar as suas ligações internas para melhorar o desempenho.

Isto permite-lhes reconhecer padrões em imagens, sons e texto sem precisarem de regras criadas manualmente para cada situação. Por isso, a aprendizagem profunda é altamente eficaz em tarefas centradas na perceção, como o reconhecimento de imagens, o processamento de fala e a tradução de idiomas.

Um bom exemplo é um modelo de visão computacional treinado para segmentar objetos em imagens. Com exemplos anotados suficientes, pode aprender a separar estradas, veículos e peões em imagens de tráfego em tempo real.

No entanto, apesar da sua precisão, os modelos de aprendizagem profunda têm frequentemente dificuldade em explicar claramente como chegaram a um resultado específico. Este desafio, normalmente designado por problema da caixa-preta, dificulta a interpretação ou verificação das decisões do modelo por parte dos utilizadores, sobretudo em áreas sensíveis como a saúde ou as finanças. É significativo porque uma IA responsável exige transparência, confiança e a capacidade de compreender por que motivo um modelo fez determinada previsão.

Explorar a IA simbólica#

A IA simbólica adota uma abordagem mais estruturada à inteligência e à tomada de decisões. Representa o conhecimento através de símbolos e aplica regras lógicas para trabalhar com esse conhecimento, de forma semelhante à maneira como usamos o raciocínio e a linguagem para resolver problemas. Cada passo do processo de raciocínio é definido, o que torna as decisões da IA simbólica transparentes e mais fáceis de explicar.

O conhecimento simbólico funciona especialmente bem em tarefas que seguem regras claras e bem definidas, como planeamento, calendarização ou gestão de conhecimento estruturado. No entanto, a IA simbólica tem dificuldades com dados não estruturados ou situações que não se enquadram perfeitamente em categorias predefinidas.

Um exemplo comum de abordagens simbólicas em ação são os primeiros programas de xadrez. Seguiam regras criadas manualmente e estratégias fixas, em vez de aprenderem com partidas anteriores ou se adaptarem a adversários diferentes. Como resultado, a sua jogabilidade tendia a ser rígida e previsível.

Fig. 1. Uma análise da estrutura da IA e dos seus subcampos. (Imagem do autor)

O que é a IA neuro-simbólica?#

Na década de 2010, à medida que a aprendizagem profunda se tornou mais amplamente adotada, os investigadores começaram a procurar formas de ultrapassar o simples reconhecimento de padrões e avançar para a compreensão de relações e contexto. Esta mudança permitiu que os modelos de IA não só detetassem objetos numa cena, como um gato e um tapete, mas também interpretassem a relação entre esses objetos, reconhecendo, por exemplo, que o gato está sentado no tapete.

No entanto, este progresso também evidenciou uma limitação fundamental. Os modelos de aprendizagem profunda conseguem reconhecer padrões extremamente bem, mas têm frequentemente dificuldade em explicar o seu raciocínio ou lidar com situações desconhecidas. Este interesse renovado pelo raciocínio levou os investigadores de volta a um campo que existe desde a década de 1980: a IA neuro-simbólica.

A IA neuro-simbólica integra a aprendizagem profunda e a IA simbólica. Permite que os modelos aprendam com exemplos da mesma forma que a aprendizagem profunda, aplicando simultaneamente lógica e raciocínio como faz a IA simbólica.

Em termos simples, a IA neuro-simbólica pode reconhecer informação, compreender o contexto e fornecer explicações mais claras para as suas decisões. Esta abordagem aproxima-nos do desenvolvimento de sistemas de IA que se comportam de forma mais fiável e semelhante à humana.

Fig. 2. Compreender a IA neuro-simbólica. (Imagem do autor)

Noções básicas sobre o funcionamento da IA neuro-simbólica#

Uma arquitetura neuro-simbólica reúne aprendizagem e raciocínio numa única estrutura. Normalmente, inclui três partes principais: uma camada de perceção neuronal que interpreta dados brutos, uma camada de raciocínio simbólico que aplica lógica e uma camada de integração que liga as duas. Em seguida, vamos analisar cada camada mais de perto.

A camada de perceção neuronal#

O componente de perceção neuronal processa dados não estruturados, como imagens, vídeo, texto ou áudio, e converte-os em representações internas com as quais o sistema pode trabalhar. Normalmente, usa modelos de aprendizagem profunda para detetar padrões e identificar objetos ou características na entrada. Nesta fase, o sistema reconhece o que está presente nos dados, mas ainda não raciocina sobre significado, relações ou contexto.

Eis alguns tipos comuns de modelos de aprendizagem profunda usados nesta camada:

• Redes neuronais convolucionais (CNNs): são um tipo de rede neuronal concebido para processar dados em grelha, como imagens. As CNNs usam filtros convolucionais para percorrer uma imagem e detetar padrões como contornos, texturas e formas. Ao empilhar esses padrões, aprendem a reconhecer objetos como carros, frutas e pessoas.
• Transformers: Transformers são modelos concebidos para compreender como diferentes partes de uma entrada se relacionam entre si. Em vez de lerem a informação estritamente por ordem, podem analisar várias partes dos dados ao mesmo tempo e decidir quais são mais importantes. Isto ajuda-os a compreender o contexto em texto, imagens ou ambos. Graças a esta flexibilidade, os transformers são a arquitetura central da maioria dos modelos de linguagem modernos e de muitos sistemas de visão-linguagem.
• Redes neuronais recorrentes (RNNs): este tipo de modelo foi concebido para analisar dados sequenciais, como fala ou sinais de séries temporais. Mantém uma memória das entradas anteriores, o que significa que as suas previsões podem ter em conta o contexto ao longo do tempo.

Em última análise, estes modelos neuronais extraem e representam características relevantes dos dados brutos. Este resultado torna-se então a entrada da camada de raciocínio simbólico, que interpreta e raciocina sobre o que o sistema detetou.

A camada de raciocínio simbólico#

A camada de raciocínio simbólico recebe a informação produzida pela camada de perceção neuronal e interpreta-a usando lógica. Em vez de trabalhar apenas com padrões, baseia-se em elementos como regras, grafos de conhecimento, bases de conhecimento e ontologias (descrições organizadas de conceitos e da forma como se relacionam entre si). Estes elementos ajudam o sistema a compreender como os diferentes componentes se encaixam e que ações fazem sentido numa determinada situação.

Por exemplo, num carro autónomo, a camada de perceção neuronal pode reconhecer um semáforo vermelho na transmissão da câmara. A camada de raciocínio simbólico pode então aplicar uma regra como: “Se o semáforo estiver vermelho, o veículo deve parar.” Como o raciocínio se baseia em regras claras, as decisões do sistema são mais fáceis de explicar e verificar, o que é especialmente importante em situações nas quais a segurança e a responsabilização são relevantes.

A camada de integração#

A camada de integração liga a camada de perceção neuronal à camada de raciocínio simbólico, garantindo que a aprendizagem e o raciocínio funcionam em conjunto. Numa direção, converte os resultados dos modelos neuronais (como a deteção de um peão) em representações simbólicas que descrevem o objeto e os seus atributos.

Na outra direção, recebe regras simbólicas (por exemplo, “um veículo deve parar se houver um peão numa passadeira”) e traduz-as em sinais que orientam os modelos neuronais. Isto pode envolver o destaque de áreas relevantes de uma imagem, a influência sobre a atenção ou a modelação dos percursos de decisão do modelo.

Esta troca bidirecional forma um ciclo de feedback. O lado neuronal obtém estrutura e interpretabilidade a partir das regras simbólicas, enquanto o lado simbólico consegue adaptar-se de forma mais eficaz com base em dados do mundo real. Técnicas como as redes neuronais lógicas (LNNs) ajudam a permitir esta interação ao incorporar restrições lógicas diretamente nas arquiteturas neuronais.

Ao ligar a perceção e o raciocínio desta forma, a IA neuro-simbólica pode produzir decisões precisas e mais fáceis de interpretar. Muitos investigadores veem esta abordagem como um passo promissor rumo a uma IA mais fiável e alinhada com as pessoas, e potencialmente como uma base para futuros avanços em direção à inteligência artificial geral (AGI).

Aplicações da IA neuro-simbólica#

Agora que compreendemos melhor o que é a IA neuro-simbólica e como funciona, vamos analisar alguns dos seus casos de utilização no mundo real.

Condução mais segura: da deteção de peões à sua compreensão#

Os veículos autónomos precisam de compreender o que os rodeia para funcionarem com segurança. Usam tecnologias como a visão computacional para detetar peões, veículos, marcações de faixa e sinais de trânsito.

Embora os modelos de aprendizagem profunda consigam identificar estes objetos com precisão, nem sempre compreendem o que significam no contexto ou como se relacionam entre si numa situação do mundo real. Por exemplo, um modelo neuronal pode reconhecer um peão numa passadeira, mas não consegue dizer se ele está prestes a atravessar ou apenas parado à espera.

A IA neuro-simbólica tenta colmatar esta lacuna ao permitir que os veículos autónomos combinem o reconhecimento visual com o raciocínio lógico, para interpretarem situações em vez de apenas identificarem objetos. Investigações recentes em IA demonstraram que os sistemas que combinam perceção neuronal com regras simbólicas podem melhorar a previsão do comportamento dos peões.

Nestes sistemas, o componente neuronal analisa sinais visuais como a postura, o movimento e a posição de um peão. O componente simbólico aplica então regras lógicas, considerando fatores como a proximidade da pessoa a uma passadeira ou o que indica o sinal de trânsito atual.

Ao combinar estas duas perspetivas, o sistema neuro-simbólico consegue fazer mais do que simplesmente detetar um peão. Pode fazer uma previsão razoável sobre a probabilidade de o peão atravessar e explicar por que motivo tomou essa decisão. Isto conduz a um comportamento mais seguro e transparente nos veículos autónomos.

Fig. 3. Fazer previsões com base no comportamento observado dos peões usando IA neuro-simbólica. (Fonte)

Interpretação lógica na resposta a perguntas visuais#

Outra aplicação importante da IA neuro-simbólica é a resposta a perguntas visuais (VQA). Os sistemas de VQA foram concebidos para responder a perguntas sobre imagens.

Ela reúne modelos de linguagem de grande escala (LLMs) e modelos visuais para realizar raciocínio multimodal, combinando o que o sistema vê com aquilo que compreende. Por exemplo, se for mostrada uma imagem a um sistema de VQA e lhe for perguntado “A chávena está sobre a mesa?”, ele tem de reconhecer os objetos e também compreender a relação entre eles. Precisa de determinar se a chávena está realmente localizada sobre a mesa na cena.

Um estudo recente demonstrou como a IA neuro-simbólica pode melhorar a VQA ao integrar a perceção neuronal com o raciocínio simbólico. No sistema proposto, a rede neuronal analisa primeiro a imagem para reconhecer objetos e os seus atributos, como cor, forma ou tamanho.

O componente de raciocínio simbólico aplica então regras lógicas para interpretar a relação entre esses objetos e responder à pergunta. Se lhe for perguntado “Quantos cilindros cinzentos existem na cena?”, a parte neuronal identifica todos os cilindros e as suas cores, e a parte simbólica filtra-os com base nos critérios e conta os corretos.

Fig. 4. Exemplos de cenários de VQA em que são necessários conhecimento abstrato e lógica. (Fonte)

Esta investigação mostra como a VQA neuro-simbólica pode ir além da simples apresentação de respostas. Como o modelo consegue mostrar os passos que seguiu para chegar a uma conclusão, apoia a IA explicável, na qual os sistemas fazem previsões e justificam o seu raciocínio de uma forma compreensível para as pessoas.

Vantagens e desvantagens da IA neuro-simbólica#

Eis alguns dos principais benefícios da utilização da IA neuro-simbólica:

• Capacidades de raciocínio mais fortes: ao contrário dos modelos de aprendizagem profunda pura, a IA neuro-simbólica pode executar tarefas que exigem raciocínio em várias etapas, planeamento, seguimento de regras e gestão de áreas de conhecimento estruturado, nas quais a IA simbólica tradicionalmente se destaca.
• Adaptabilidade: estes sistemas têm um bom desempenho em tarefas novas ou não observadas, pois conseguem raciocinar logicamente para além daquilo em que foram treinados. Em vez de apenas memorizarem dados, compreendem relações e padrões.
• Robustez ao ruído e à ambiguidade: as restrições lógicas podem ajudar a evitar erros quando os dados contêm ruído, estão incompletos ou são ambíguos. A camada de raciocínio pode impor regras que orientam ou corrigem as previsões neuronais.

Apesar do seu potencial, a IA neuro-simbólica ainda está a evoluir e apresenta alguns desafios práticos. Eis algumas das suas principais limitações:

• Integração complexa: embora esta estrutura híbrida ofereça uma interpretabilidade forte, continua a ser difícil conceber algoritmos que combinem perceção e raciocínio.
• Escalabilidade: o raciocínio simbólico pode tornar-se lento ou exigir muitos recursos computacionais ao lidar com grafos de conhecimento de grandes dimensões ou conjuntos de regras complexos. Isto pode dificultar a implementação eficiente de aplicações em tempo real, como condução autónoma, processamento de vídeo ou raciocínio sobre conhecimento em grande escala.
• Robustez do raciocínio: se as regras simbólicas forem demasiado rígidas, os sistemas podem ter dificuldades em cenários ambíguos ou imprevisíveis do mundo real. Equilibrar a aprendizagem flexível com um raciocínio fiável continua a ser um desafio em aberto.

Principais conclusões#

A IA neuro-simbólica representa um passo importante rumo à criação de sistemas de IA capazes não só de percecionar o mundo, mas também de raciocinar sobre ele e explicar as suas decisões. Ao contrário dos sistemas tradicionais de aprendizagem profunda, que dependem sobretudo de padrões aprendidos a partir de dados, a IA neuro-simbólica combina aprendizagem estatística com lógica e conhecimento estruturados. Em vez de substituir a aprendizagem profunda, baseia-se nela, aproximando-nos um pouco mais do desenvolvimento de uma IA capaz de compreender e raciocinar de uma forma mais semelhante à humana.

Junta-te à nossa comunidade e explora o nosso repositório do GitHub. Consulta as nossas páginas de soluções para descobrires várias aplicações de IA na agricultura e visão computacional na área da saúde. Descobre as nossas opções de licenciamento e começa a desenvolver o teu projeto de IA para visão!