IA simbólica

Princípios fundamentais

A base da IA simbólica reside na hipótese do sistema de símbolos físicos, que postula que o comportamento inteligente pode ser alcançado através da manipulação de estruturas de símbolos. Os principais componentes incluem:

• Representação do conhecimento: Codificação do conhecimento humano e da experiência no domínio numa linguagem formal que um computador possa processar. Isto pode envolver regras lógicas (declarações "se-então"), redes semânticas, quadros ou gráficos de conhecimento. Um exemplo bem conhecido é o projeto Cyc, que visa codificar o conhecimento do senso comum.
• Mecanismo de raciocínio: Um mecanismo de inferência que aplica regras lógicas à base de conhecimentos para obter novas conclusões, resolver problemas ou tomar decisões. Isto envolve frequentemente técnicas da lógica formal, como a dedução e a indução, implementadas utilizando linguagens como o Prolog.
• Algoritmos de pesquisa: Métodos para explorar o espaço de possíveis soluções ou caminhos de raciocínio, cruciais para tarefas como o planeamento e a resolução de problemas.

Distinção da aprendizagem automática

A IA simbólica contrasta significativamente com a IA estatística e as abordagens de ML, como a aprendizagem profunda (DL), que dominam a IA moderna, em especial em domínios como a visão computacional (CV). Enquanto modelos como o Ultralytics YOLO se destacam em tarefas perceptivas, como a deteção de objectos e a classificação de imagens, aprendendo caraterísticas diretamente a partir dos dados, a IA simbólica baseia-se em conhecimentos explicitamente programados. Este facto torna os sistemas de IA simbólica inerentemente mais interpretáveis e explicáveis(IA explicável (XAI)), uma vez que os seus passos de raciocínio podem ser rastreados. No entanto, têm muitas vezes dificuldade em lidar com a ambiguidade, a incerteza e a aprendizagem a partir de dados brutos e não estruturados, domínio em que os modelos de aprendizagem automática têm normalmente um melhor desempenho.

Aplicações e exemplos

A IA simbólica foi o paradigma dominante durante grande parte da história da IA e teve sucesso em vários domínios:

1. Sistemas periciais: Estes sistemas encapsulam o conhecimento de peritos humanos para dar conselhos ou resolver problemas em áreas específicas. Um dos primeiros exemplos famosos é o Mycin, concebido para diagnosticar infecções bacterianas. Os sistemas modernos baseados em regras continuam a ser utilizados em áreas como a IA nas finanças para cumprimento de normas ou subscrição automatizada.
2. Processamento de linguagem natural (PNL): Os primeiros sistemas de PLN baseavam-se fortemente em regras simbólicas para analisar as estruturas das frases (sintaxe) e compreender o significado(análise semântica). Embora a PNL moderna utilize maioritariamente métodos estatísticos e grandes modelos linguísticos (LLM), as técnicas simbólicas podem ainda ser úteis para tarefas específicas ou em sistemas híbridos.
3. Planeamento e programação: A IA simbólica é adequada para tarefas que exigem um planeamento complexo, como a otimização logística, o planeamento de percursos robóticos e os sistemas de programação automatizados. O planeamento por IA continua a ser uma área de investigação ativa.
4. Verificação formal: Utilizada na engenharia de software e na conceção de hardware para provar matematicamente a correção dos sistemas em relação a especificações formais.

Pontos fortes e limitações

Pontos fortes:

• Explicabilidade: Os passos do raciocínio são transparentes e rastreáveis.
• Integração de conhecimentos: Permite a incorporação direta de conhecimentos humanos especializados e de regras do domínio.
• Precisão: É capaz de executar eficazmente tarefas que exijam um raciocínio lógico preciso.

Limitações:

• Fragilidade: Os sistemas podem falhar inesperadamente quando confrontados com situações fora das suas regras predefinidas.
• Gargalo na aquisição de conhecimentos: A codificação manual de bases de conhecimentos abrangentes é difícil e morosa.
• Lidar com a incerteza: Luta com o raciocínio probabilístico e com dados ruidosos ou incompletos em comparação com os métodos estatísticos.
• Escalabilidade: A complexidade do raciocínio pode crescer exponencialmente com o tamanho da base de conhecimentos.

O futuro: Abordagens híbridas

Embora a IA puramente simbólica enfrente desafios, os seus pontos fortes em termos de raciocínio e explicabilidade são valiosos. A investigação atual centra-se em abordagens híbridas, frequentemente designadas por IA Neuro-Simbólica, que visam combinar as capacidades de reconhecimento de padrões das redes neuronais com o raciocínio lógico dos sistemas simbólicos. Organizações como o Allen Institute for AI (AI2) e comunidades de investigação como a AAAI exploram estas integrações, potencialmente conducentes a sistemas de IA mais robustos, versáteis e fiáveis. A gestão da complexidade destes sistemas híbridos pode beneficiar de plataformas como o Ultralytics HUB para o controlo de experiências e a implementação de modelos.