image

Acesse bootcamps ilimitados e +650 cursos pra sempre

60
%OFF
Article image
Roberto Nascimento
Roberto Nascimento05/11/2024 10:30
Compartilhe

Uma Breve Introdução às Quatro Abordagens da Inteligência Artificial

    1 - Agir de forma humana: abordagem do teste de Turing

    No teste proposto por Alan Turing (1950), o experimento hipotético abordaria uma questão com certo teor filosófico: "Uma máquina pode pensar?". Um computador passará no teste se um interrogador humano, depois de propor algumas perguntas por escrito, não conseguir descobrir se as respostas escritas vêm de uma pessoa ou de um computador. Para passar no teste, é necessário programar um computador com as seguintes capacidades:

    I - Processamento de Linguagem Natural

    A fim de que ele se comunique com sucesso em uma linguagem humana;

    II - Representação de Conhecimento

    Para armazenar o que sabe ou ouve;

    III - Raciocínio Automatizado

    Para responder as perguntas e tirar novas conclusões.

    IV - Aprendizado de Máquina

    Para adaptar as novas circunstâncias e para detectar e extrapolar padrões.

    V - Teste de Turing Total

    Turing enxergava a simulação física de uma pessoa como desnecessária para demonstrar inteligência. Entretanto, outros pesquisadores propuseram o chamado teste de Turing total, que exige interação com objetos e pessoas no mundo real. Para ser aprovado no teste de Turing total, um robô precisará de:

    VI - Visão Computacional

    Reconhecimento de fala para perceber o mundo.

    & Robótica

    Para manipular objetos e mover-se.

    Essas seis disciplinas compõem a maior parte da IA. Ainda assim, os pesquisadores da IA têm dedicado pouco esforço à aprovação no teste de Turing, acreditando que seja mais importante estudar os princípios básicos da inteligência. A busca pelo “voo artificial” teve sucesso quando engenheiros e inventores pararam de imitar os pássaros e começaram a usar túneis de vento e aprender sobre aerodinâmica. Os textos de engenharia aeronáutica não definem como objetivo de seu campo criar “máquinas que voem exatamente como pombos a ponto de poderem enganar até mesmo outros pombos”.

    2 - Pensar de forma humana: estratégia de modelagem cognitiva

    Para dizermos que dado programa pensa como um ser humano, devemos determinar, de alguma maneira, como os seres humanos pensam. Podemos aprender sobre o pensamento humano de três maneiras:

    I - Introspecção

    Procurando captar nossos próprios pensamentos à medida que eles se desenvolvem.

    II - Experimento psicológico

    Observando uma pessoa em ação.

    III - Imagens cerebrais

    Observando o cérebro em ação.

    Assim que tivermos uma teoria da mente suficientemente precisa, será possível expressar a teoria como um programa de computador. Se o comportamento de entrada e saída do programa coincidir com o comportamento humano correspondente, teremos evidência de que alguns dos mecanismos do programa também podem operar nos seres humanos.

    2.1 Ciência Cognitiva

    O campo interdisciplinar da ciência cognitiva reúne modelos computacionais da IA e técnicas experimentais da psicologia para construir teorias precisas e verificáveis a respeito dos processos de funcionamento da mente humana. Por exemplo, Allen Newell e Herbert Simon, que desenvolveram o GPS (General Problem Solver), mais do que desenvolver um programa para resolver um problema, também estavam preocupados em comparar os passos de suas etapas de raciocínio aos passos de indivíduos humanos resolvendo os mesmos problemas. O campo interdisciplinar da ciência cognitiva reúne modelos computacionais da IA e técnicas experimentais da psicologia para construir teorias precisas e verificáveis a respeito dos processos de funcionamento da mente humana.

    Os dois campos (IA e Psicologia) trazem colaborações mútuas, principalmente na visão computacional, que incorpora evidências neurofisiológicas em modelos computacionais. Recentemente, a combinação de métodos de neuroimagem combinados a técnicas de aprendizado de máquina para analisar tais dados levou ao início da capacidade de “ler mentes” – isto é, averiguar o conteúdo semântico dos pensamentos íntimos de uma pessoa. Por sua vez, essa capacidade poderia lançar mais luz sobre como funciona a cognição humana.

    3 - Pensar racionalmente: abordagem das "leis do pensamento"

    3.1 Silogismo

    Os silogismos de Aristóteles, um dos pais da filosofia, tentam codificar processos de raciocínio, fornecendo padrões para estruturas de argumentos. O exemplo canônico começa com "Sócrates é um homem e todos os homens são mortais e conclui que Sócrates é mortal". Essas leis do pensamento deveriam governar a operação da mente; seu estudo deu início ao campo chamado lógica.

    3.2 Logicista

    Os lógicos do século XIX desenvolveram uma notação precisa para declarações sobre todos os tipos de objetos do mundo e sobre as relações entre eles. (Compare isso com a notação aritmética básica, que fornece apenas declarações a respeito de números.) Por volta de 1965, foram concebidos programas que, teoricamente, são capazes de resolver qualquer problema solucionável descrito em notação lógica. A chamada “tradição logicista” dentro da inteligência artificial almeja criar sistemas inteligentes a partir de tais programas.

    3.3 Probabilidade

    A teoria da probabilidade permite um raciocínio rigoroso com informações incertas, o que a diverge da lógica convencionalmente compreendida. Por exemplo, quando tratamos de temas como política ou guerra, suas regras não mostram-se precisas e certas quando as comparamos com as regras do xadrez ou da aritmética. Em princípio, ela permite a construção de um modelo abrangente de pensamento racional, que vai da informação perceptiva bruta à compreensão de como o mundo funciona e às previsões sobre o futuro.

    4 - Agir racionalmente: abordagem de agente racional

    4.1 Agente

    Um agente é simplesmente algo que age/faz. Certamente todos os programas de computador realizam alguma coisa, mas espera-se que um agente computacional faça mais: opere autonomamente, perceba seu ambiente, persista por um período de tempo prolongado, adapte-se a mudanças e seja capaz de criar e perseguir metas. Um agente racional é aquele que age para alcançar o melhor resultado ou, quando há incerteza, o melhor resultado esperado.

    A abordagem do agente racional da IA tem duas vantagens sobre as outras abordagens. Primeiro, ela é mais genérica que a abordagem de “leis do pensamento”, visto que produzir inferência correta é apenas um entre vários mecanismos possíveis para se alcançar a racionalidade. Em segundo lugar, ela é mais acessível ao desenvolvimento científico. O padrão de racionalidade é matematicamente bem definido e completamente geral. Frequentemente podemos trabalhar a partir dessa especificação para derivar projetos de agentes que comprovadamente a alcançam; algo que é amplamente impossível se o objetivo for imitar o comportamento humano ou os processos de pensamento.

    4.2 Modelo padrão

    Nas primeiras décadas, os agentes racionais eram baseados em alicerces lógicos e formavam planos definidos para se alcançarem objetivos específicos. Posteriormente, métodos baseados na teoria da probabilidade e aprendizado de máquina permitiram a criação de agentes que pudessem tomar decisões sob incerteza a fim de alcançar o melhor resultado esperado. Esse paradigma geral é tão difundido que poderíamos chamá-lo de modelo padrão. Ele prevalece não apenas na IA, mas também na teoria de controle, em que um controlador minimiza uma função de custo; na pesquisa operacional, em que uma política maximiza uma soma de recompensas; na estatística, em que uma regra de decisão minimiza uma função de perda; e na economia, em que um tomador de decisão maximiza a utilidade ou alguma medida de bem-estar social.

    4.3 Racionalidade Limitada

    É preciso que se faça uma melhoria importante no modelo padrão para considerar o fato de que a racionalidade perfeita – sempre fazer a ação exatamente ótima – não é algo viável em ambientes complicados. As demandas computacionais são simplesmente muito elevadas.

    Stuart Russell; Peter Norving.

    Compartilhe
    Comentários (0)