IA simbólica

A IA simbólica, frequentemente designada por Good Old-Fashioned AI (GOFAI), é um ramo da Inteligência Artificial (IA) que se centra na representação do conhecimento humano através de regras e símbolos explícitos. Esta abordagem foi o paradigma dominante na investigação em IA desde a década de 1950 até ao final da década de 1980. Ao contrário dos métodos modernos baseados em dados, a IA simbólica baseia-se no princípio de que a inteligência pode ser alcançada através da manipulação de símbolos que representam conceitos do mundo real, regidos por um conjunto de regras lógicas. A ideia central, defendida por pioneiros como John McCarthy, era construir sistemas que pudessem raciocinar sobre o mundo de uma forma semelhante à lógica dedutiva humana.

Como funciona a IA simbólica

Os sistemas de IA simbólica são normalmente compostos por dois componentes principais: uma base de conhecimentos e um motor de inferência.

• Base de conhecimentos: Uma base de dados estruturada que contém factos, conceitos e as relações entre eles, tudo codificado numa linguagem simbólica. Este conhecimento é frequentemente objeto de curadoria manual por peritos humanos. Um equivalente moderno deste conceito pode ser visto nos gráficos de conhecimento.
• Motor de inferência: Um conjunto de regras e algoritmos que aplicam a dedução lógica à base de conhecimentos para obter novas informações ou tomar decisões. Utiliza a lógica formal, como IF-THEN para processar consultas e resolver problemas. Este processo é altamente transparente, o que faz dele uma pedra angular da IA explicável (XAI).

Linguagens de programação como Lisp e Prolog foram desenvolvidas especificamente para suportar este estilo de programação baseado em regras.

IA simbólica vs. aprendizagem automática

A IA simbólica é fundamentalmente diferente da aprendizagem automática (ML), que é a base da maioria das aplicações modernas de IA, incluindo modelos avançados de visão por computador (CV) como o Ultralytics YOLO.

A principal distinção reside na forma como o conhecimento é adquirido:

• A IA simbólica é uma abordagem descendente. Um perito humano programa explicitamente as regras e os conhecimentos para o sistema. O raciocínio do sistema limita-se a este conhecimento pré-definido.
• A aprendizagem automática é uma abordagem ascendente. Os modelos, especialmente os que utilizam aprendizagem profunda e redes neuronais (NN), aprendem padrões e relações de forma implícita, analisando grandes quantidades de dados de treino. Por exemplo, um modelo YOLO aprende a efetuar a deteção de objectos ao ser treinado com milhares de imagens rotuladas, e não ao ser-lhe transmitidas as regras explícitas do que constitui um "carro" ou uma "pessoa".

Embora os modelos de ML sejam excelentes no tratamento de dados complexos e não estruturados, o seu processo de tomada de decisões pode ser opaco. Em contrapartida, o raciocínio da IA simbólica é facilmente rastreável, o que é crucial para aplicações em que a responsabilidade e a ética da IA são fundamentais.

Aplicações e exemplos do mundo real

Embora menos comum atualmente, a IA simbólica tem impulsionado várias aplicações importantes e os seus princípios continuam a ser relevantes.

1. Sistemas periciais: Estas foram das aplicações mais bem sucedidas da IA simbólica. Um sistema pericial é concebido para emular a capacidade de decisão de um perito humano num domínio específico. Por exemplo, o MYCIN foi um famoso sistema pericial desenvolvido na década de 1970 para identificar bactérias causadoras de infecções graves e recomendar antibióticos. Utilizava uma base de conhecimentos de cerca de 600 regras derivadas de peritos médicos.
2. Processamento de linguagem natural (PNL) inicial: Antes do aparecimento dos métodos estatísticos e dos modelos de linguagem de grande dimensão (LLM), os sistemas de PLN baseavam-se em abordagens simbólicas. Utilizavam gramáticas formais e regras de sintaxe para analisar frases e compreender a estrutura da língua. Os primeiros verificadores gramaticais automáticos e sistemas de tradução automática baseavam-se nestes princípios.

O futuro: IA híbrida

As limitações da IA simbólica - nomeadamente a sua fragilidade quando confrontada com situações novas ou ambíguas e a dificuldade de aumentar a sua base de conhecimentos - levaram ao aparecimento do ML. No entanto, o futuro está provavelmente nos modelos híbridos de IA que combinam os pontos fortes de ambas as abordagens. Ao integrar o raciocínio lógico da IA simbólica com o poder de reconhecimento de padrões do ML, os programadores podem criar sistemas de IA mais robustos, transparentes e capazes. Estes sistemas híbridos têm como objetivo tirar partido do conhecimento estrutural dos sistemas simbólicos para melhorar o processo de aprendizagem dos modelos de base, um conceito explorado em domínios como a IA Neuro-Simbólica. Plataformas como o Ultralytics HUB simplificam a implementação de modelos de ML, que poderão um dia incorporar estas técnicas híbridas.