Uma introdução ao campo emergente da IA neurossimbólica

Atualmente, graças ao rápido crescimento da inteligência artificial (AI) e à crescente disponibilidade de capacidade computacional, os modelos avançados de IA são lançados mais rapidamente do que nunca. De facto, o setor da IA está a impulsionar inovações significativas em muitos setores.

Por exemplo, na área da saúde, os sistemas de IA são utilizados 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 chegou a essa conclusão. Esta falta de explicabilidade torna mais difícil para médicos e investigadores confiarem plenamente nos resultados da IA ou validá-los.

É precisamente por isso que o interesse no campo emergente da IA neurossimbólica está a crescer. A IA neurossimbólica combina as capacidades de reconhecimento de padrões da aprendizagem profunda com o raciocínio estruturado e baseado em regras da IA simbólica. O objetivo é criar sistemas que façam previsões precisas e também consigam explicar o seu raciocínio de uma forma compreensível para as pessoas.

Neste artigo, vamos explorar como funciona a inteligência artificial neurossimbólica e como ela combina aprendizado e raciocínio para criar sistemas mais transparentes e atentos ao contexto.

As duas vertentes da IA neurossimbólica: aprendizagem e raciocínio#

Antes de nos aprofundarmos na IA neurossimbólica, vamos analisar melhor os dois subcampos que esta combina: a aprendizagem profunda e a IA simbólica.

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

Visão geral da aprendizagem profunda#

A aprendizagem profunda é um ramo da aprendizagem automática que utiliza redes neuronais artificiais, inspiradas de forma geral na maneira como o cérebro processa informações. 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 textos sem precisarem de regras criadas manualmente para cada situação. Por esse motivo, a aprendizagem profunda é muito 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 rotulados suficientes, pode aprender a distinguir estradas, veículos e peões em imagens de trânsito em tempo real.

No entanto, apesar da sua precisão, os modelos de aprendizagem profunda têm muitas vezes dificuldade em explicar claramente como chegaram a um resultado específico. Este desafio, habitualmente designado como o problema da caixa-preta, dificulta a interpretação ou a verificação das decisões do modelo, sobretudo em áreas sensíveis como a saúde ou as finanças. É uma questão importante 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 utilizamos o raciocínio e a linguagem para resolver problemas. Cada etapa do processo de raciocínio é definida, 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 o planeamento, a calendarização ou a gestão de conhecimento estruturado. No entanto, a IA simbólica tem dificuldade em lidar com dados não estruturados ou situações que não se enquadram claramente em categorias predefinidas.

Os primeiros programas de xadrez são um exemplo comum de abordagens simbólicas em ação. Seguiam regras criadas manualmente e estratégias fixas, em vez de aprenderem com partidas anteriores ou se adaptarem a adversários diferentes. Por isso, o seu estilo de jogo tendia a ser rígido e previsível.

Fig. 1. Visão geral da estrutura da IA e dos seus subcampos. (Imagem do autor)

O que é a IA neurossimbólica?#

Na década de 2010, à medida que a aprendizagem profunda se tornou mais amplamente adotada, os investigadores começaram a procurar formas de ir além do simples reconhecimento de padrões e avançar para a compreensão das relações e do 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 reconhecem padrões extremamente bem, mas têm muitas vezes dificuldade em explicar o seu raciocínio ou lidar com situações desconhecidas. Este interesse renovado pelo raciocínio levou os investigadores a voltar a um campo existente desde a década de 1980: a IA neurossimbólica.

A IA neurossimbólica integra a aprendizagem profunda e a IA simbólica. Permite que os modelos aprendam com exemplos, tal como acontece na aprendizagem profunda, e que também apliquem lógica e raciocínio, como na IA simbólica.

Em termos simples, a IA neurossimbólica consegue reconhecer informações, compreender o contexto e apresentar 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 neurossimbólica (Imagem do autor)

Noções básicas sobre o funcionamento da IA neurossimbólica#

Uma arquitetura neurossimbólica combina aprendizagem e raciocínio numa única estrutura. Normalmente, inclui três componentes principais: uma camada de perceção neural que interpreta dados em bruto, uma camada de raciocínio simbólico que aplica lógica e uma camada de integração que liga as duas. A seguir, vamos analisar cada camada mais detalhadamente.

A camada de perceção neural#

O componente de perceção neural processa dados não estruturados, como imagens, vídeos, texto ou áudio, e converte-os em representações internas com que o sistema pode trabalhar. Normalmente, utiliza 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 o significado, as relações ou o contexto.

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

• Redes neuronais convolucionais (CNNs): são um tipo de rede neuronal concebido para processar dados em grelha, como imagens. As CNNs utilizam filtros de convolução para percorrer uma imagem e detetar padrões como contornos, texturas e formas. Ao combinar estes padrões em camadas, aprendem a reconhecer objetos como carros, frutas e pessoas.
• Transformers: Os Transformers são modelos projetados para entender como diferentes partes de uma entrada se relacionam. Em vez de processar as informações estritamente em ordem, eles podem analisar várias partes dos dados ao mesmo tempo e decidir quais são mais importantes. Isso os ajuda a compreender o contexto em textos, imagens ou ambos. Graças a essa flexibilidade, os Transformers são a arquitetura central da maioria dos modelos de linguagem modernos e de muitos sistemas de linguagem e visão.
• Redes neuronais recorrentes (RNNs): este tipo de modelo foi concebido para analisar dados sequenciais, como sinais de fala ou 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 em bruto. Este resultado passa então a ser 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 interpreta as informações produzidas pela camada de percepção neural usando lógica. Em vez de trabalhar apenas com padrões, ela recorre a elementos como regras, grafos de conhecimento, bases de conhecimento e ontologias (descrições organizadas de conceitos e de como eles se relacionam). Esses elementos ajudam o sistema a entender como diferentes componentes se encaixam e quais ações fazem sentido em determinada situação.

Por exemplo, em um carro autônomo, a camada de percepção neural pode reconhecer um semáforo vermelho na imagem da câmera. A camada de raciocínio simbólico pode então aplicar uma regra como: “Se o sinal estiver vermelho, o veículo deve parar.” Como o raciocínio se baseia em regras claras, é mais fácil explicar e verificar as decisões do sistema, o que é especialmente importante em situações nas quais a segurança e a responsabilidade são fundamentais.

A camada de integração#

A camada de integração conecta a camada de percepção neural à camada de raciocínio simbólico, garantindo que o aprendizado e o raciocínio funcionem em conjunto. Em uma direção, ela converte as saídas dos modelos neurais (como a detecção de um pedestre) em representações simbólicas que descrevem o objeto e seus atributos.

Na outra direção, ela recebe regras simbólicas (por exemplo, “um veículo deve parar se houver um pedestre na faixa de pedestres”) e as traduz em sinais que orientam os modelos neurais. Isso pode envolver destacar áreas relevantes de uma imagem, influenciar a atenção ou moldar os caminhos de decisão do modelo.

Essa troca bidirecional forma um ciclo de feedback. O lado neural ganha estrutura e interpretabilidade com as regras simbólicas, enquanto o lado simbólico pode se adaptar com mais eficácia com base em dados do mundo real. Técnicas como redes neurais lógicas (LNNs) ajudam a viabilizar essa interação ao incorporar restrições lógicas diretamente às arquiteturas neurais.

Ao conectar percepção e raciocínio dessa forma, a IA neurossimbólica pode produzir decisões precisas e mais fáceis de interpretar. Muitos pesquisadores consideram essa abordagem uma etapa promissora rumo a uma IA mais confiável e alinhada aos seres humanos, e potencialmente uma base para avanços futuros rumo à inteligência artificial geral (AGI).

Aplicações da IA neurossimbólica#

Agora que entendemos melhor o que é a IA neurossimbólica e como ela funciona, vamos conhecer alguns casos de uso no mundo real.

Direção mais segura: de enxergar pedestres a entendê-los#

Veículos autônomos precisam entender o ambiente ao redor para operar com segurança. Eles usam tecnologias como visão computacional para detectar pedestres, veículos, marcações de faixa e placas de trânsito.

Embora os modelos de aprendizagem profunda consigam identificar esses objetos com precisão, nem sempre entendem o que eles significam no contexto ou como se relacionam entre si em uma situação do mundo real. Por exemplo, um modelo neural pode reconhecer um pedestre na faixa, mas não consegue dizer se ele está prestes a atravessar ou apenas parado, esperando.

A IA neurossimbólica busca preencher essa lacuna ao permitir que veículos autônomos combinem reconhecimento visual com raciocínio lógico, para que possam interpretar situações em vez de apenas identificar objetos. Pesquisas recentes em IA mostraram que sistemas que combinam percepção neural com regras simbólicas podem aprimorar a previsão do comportamento de pedestres.

Nesses sistemas, o componente neural analisa pistas visuais, como a postura, o movimento e a posição do pedestre. Em seguida, o componente simbólico aplica regras lógicas, considerando fatores como a proximidade da pessoa com uma faixa de pedestres e o que o sinal de trânsito indica naquele momento.

Ao combinar essas duas perspectivas, o sistema neurossimbólico pode fazer mais do que simplesmente detectar um pedestre. Ele pode prever de forma razoável se o pedestre provavelmente vai atravessar e explicar por que tomou essa decisão. Isso resulta em um comportamento mais seguro e transparente nos veículos autônomos.

Fig. 3. Previsões baseadas no comportamento observado de pedestres usando IA neurossimbólica. (Fonte)

Interpretação lógica em respostas a perguntas visuais#

Outra aplicação importante da IA neurossimbólica é a resposta a perguntas visuais (VQA). Os sistemas de VQA foram desenvolvidos para responder a perguntas sobre imagens.

Ela reúne grandes modelos de linguagem (LLMs) e modelos visuais para realizar raciocínio multimodal, combinando o que o sistema vê com o que entende. Por exemplo, se um sistema de VQA receber uma imagem e a pergunta “A xícara está sobre a mesa?”, ele precisará reconhecer os objetos e também entender a relação entre eles. O sistema precisa determinar se a xícara está realmente sobre a mesa na cena.

Um estudo recente demonstrou como a IA neurossimbólica pode aprimorar a VQA ao integrar percepção neural e raciocínio simbólico. No sistema proposto, a rede neural primeiro analisa a imagem para reconhecer objetos e seus atributos, como cor, forma ou tamanho.

Em seguida, o componente de raciocínio simbólico aplica regras lógicas para interpretar como esses objetos se relacionam entre si e responder à pergunta. Se a pergunta for “Quantos cilindros cinza há na cena?”, a parte neural identifica todos os cilindros e suas cores, e a parte simbólica os filtra com base nos critérios e conta os que correspondem.

Fig. 4. Exemplos de situações de VQA que exigem conhecimento abstrato e lógica. (Fonte)

Essas pesquisas mostram como a VQA neurossimbólica pode ir além de simplesmente fornecer respostas. Como o modelo pode mostrar as etapas que seguiu para chegar a uma conclusão, ele viabiliza a IA explicável, na qual os sistemas fazem previsões e justificam seu raciocínio de uma forma que as pessoas conseguem entender.

Vantagens e desvantagens da IA neurossimbólica#

Veja alguns dos principais benefícios do uso da IA neurossimbólica:

• Maior capacidade de raciocínio: Ao contrário dos modelos de aprendizagem profunda puros, a IA neurossimbólica pode realizar tarefas que exigem raciocínio em várias etapas, planejamento, cumprimento de regras e uso de áreas de conhecimento estruturado, nas quais a IA simbólica tradicional se destaca.
• Adaptabilidade: Esses sistemas têm bom desempenho em tarefas novas ou não vistas, pois conseguem raciocinar logicamente além daquilo com que foram treinados. Em vez de apenas memorizar dados, eles entendem relações e padrões.
• Robustez a ruído e ambiguidade: Restrições lógicas podem ajudar a evitar erros quando os dados são ruidosos, incompletos ou ambíguos. A camada de raciocínio pode impor regras que orientam ou corrigem as previsões neurais.

Apesar de seu potencial, a IA neurossimbólica ainda está evoluindo e apresenta alguns desafios práticos. Veja algumas de suas principais limitações:

• Integração complexa: Embora essa estrutura híbrida ofereça alta interpretabilidade, ainda é difícil criar algoritmos que combinem percepção e raciocínio.
• Escalabilidade: O raciocínio simbólico pode ficar lento ou exigir muitos recursos computacionais ao lidar com grafos de conhecimento grandes ou conjuntos de regras complexos. Isso pode dificultar a implantação eficiente de aplicações em tempo real, como direção autônoma, processamento de vídeo ou raciocínio sobre conhecimento em larga escala.
• Robustez do raciocínio: Se as regras simbólicas forem rígidas demais, os sistemas poderão ter dificuldades em situações ambíguas ou imprevisíveis do mundo real. Equilibrar aprendizado flexível com raciocínio confiável continua sendo um desafio.

Principais conclusões#

A IA neurossimbólica representa uma etapa importante rumo à criação de sistemas de IA capazes não apenas de perceber o mundo, mas também de raciocinar sobre ele e explicar suas decisões. Ao contrário dos sistemas tradicionais de aprendizagem profunda, que dependem principalmente de padrões aprendidos com dados, a IA neurossimbólica combina aprendizado estatístico com lógica e conhecimento estruturados. Em vez de substituir a aprendizagem profunda, ela se apoia nela e nos aproxima um pouco mais do desenvolvimento de uma IA capaz de entender e raciocinar de forma mais parecida com a humana.

Participe da nossa comunidade e explore nosso repositório no GitHub. Confira nossas páginas de soluções para conhecer várias aplicações de IA na agricultura e visão computacional na área da saúde. Conheça nossas opções de licenciamento e comece a desenvolver seu projeto de IA visual!