CCT-UFCA/Ciência da Computação/Inteligência Artificial/Agentes Lógicos e Representação do Conhecimento

Agentes Lógicos

• São agentes que tomam decisões baseados em conhecimento armazenado em uma Base de Conhecimento (BC).
• Essa BC guarda sentenças lógicas sobre o mundo.
• Eles não só percebem e agem, mas também raciocinam para decidir.

Operações básicas:

• TELL → adiciona novas informações na base de conhecimento.
• ASK → consulta a base de conhecimento para decidir o que fazer.

Pense num agente lógico como um estudante bem organizado:

• Ele anota tudo (TELL),
• Consulta seus cadernos e faz deduções (ASK),
• E só depois age.

O Mundo Wumpus – Um exemplo clássico

É o cenário usado para mostrar como agentes lógicos funcionam.

Estrutura do mundo:

• Uma caverna 4x4 de salas.
• Há um monstro (Wumpus), poços perigosos e um tesouro.
• O agente começa na posição [1,1] e precisa sobreviver, pegar o ouro e sair.

Regras do jogo:

• +1000 pontos se sair com o tesouro.
• -1000 se cair em um poço ou for devorado.
• -1 por ação (para incentivar soluções rápidas).
• -10 por usar a flecha.

Atuação do agente:

• Pode virar, andar para frente, pegar objetos, atirar uma flecha ou escalar para sair.

Sensores:

• Brisa → sala adjacente tem um poço.
• Fedor → sala adjacente tem o Wumpus.
• Brilho → sala contém o ouro.
• Grito → o Wumpus morreu.

 [1,1] Início
   ↓
 Brisa → perigo próximo
 Fedor → monstro perto
 Brilho → ouro aqui!

O agente usa lógica para deduzir onde estão os perigos e como alcançar o tesouro em segurança.

Representação com Lógica

• Podemos representar fatos do mundo com lógica proposicional:
  • Pij: há poço na posição [ i, j ].
  • Bij: há brisa em [ i, j ].
  • Exemplo de regra:
    • B11 → (P12 ∨ P21) → Se há brisa em [ 1, 1 ], então existe poço em [ 1, 2 ] ou [ 2, 1 ].

• Ou usar lógica de predicados (mais flexível):
  • ∀y [B(y) → ∃x (P(x) ∧ Adj(x,y))]
  • "Se em y há brisa, então existe algum x adjacente que é poço".

Algoritmos de Inferência

São usados para deduzir novos fatos a partir da BC.

1. Enumeração de Modelos

• Testa todas as combinações possíveis de valores (V ou F) até verificar se uma sentença é sempre verdadeira.
• ✅ Correto e completo, mas lento (exponencial).

Exemplo: como tentar todas as respostas possíveis de uma prova até achar a certa.

2. Busca de Provas

• Usa algoritmos de busca para provar sentenças.
• Só aplica regras relevantes, ignorando informações inúteis.
• Mais eficiente que enumerar tudo.

Analogia: estudar só os capítulos do livro que caem na prova, em vez de decorar tudo.

3. Algoritmo de Resolução

• Baseado em combinar cláusulas até encontrar uma contradição (cláusula vazia).
• Exemplo:
  • a ∨ b, ¬a ∨ c → gera b ∨ c.
• Se a contradição aparece, significa que a dedução é válida.

Analogia: como juntar pistas em uma investigação até encontrar a única solução possível.

4. Cláusulas de Horn

• Forma simplificada de escrever sentenças lógicas → mais eficiente.
• Exemplo:
  • (L1,1 ∧ Brisa → B1,1) → se em [ 1, 1 ] há brisa, então em [ 1, 1 ] há perigo.
• Permite inferência rápida.

Analogia: regras de “se… então…”, fáceis de aplicar.

5. Encadeamento para Frente

• Parte dos fatos conhecidos → aplica regras → gera novos fatos até responder a consulta.
• Exemplo:
  • Sei que [1,1] tem brisa + regra = concluo que há perigo em vizinhos.

Analogia: como montar um quebra-cabeça, encaixando peça por peça até formar a imagem.

Conclusão

• Agentes lógicos são fundamentais porque conseguem raciocinar e deduzir fatos invisíveis.
• O Mundo Wumpus mostra como um agente pode usar lógica para sobreviver em um ambiente perigoso.
• Os algoritmos de inferência (enumeração, resolução, cláusulas de Horn, encadeamento) são as ferramentas que dão “inteligência” ao agente.

Esse é o passo além da simples busca: aqui a IA pensa como um detetive lógico, usando fatos e regras para agir com segurança.

Referências

1. RUSSELL, S. J.; NORVIG, P. Inteligência artificial. 3 ed. LTC, 2013. 1016 p.
2. COPPIN, B. Inteligência Artificial. 1a ed. LTC, 2010. 664 p.