IA Simbólica, Fuzzy e Evolutiva

Objetivos de aprendizagem #

• O1. Distinguir os paradigmas simbólico, conexionista, evolutivo e estatístico.
• O2. Representar conhecimento em regras e explicar o encadeamento da inferência.
• O3. Modelar incerteza linguística com conjuntos nebulosos.
• O4. Aplicar um algoritmo genético a um problema de otimização e reconhecer seus limites.

O problema: nem todo problema de IA é um problema de aprendizado #

Uma equipe precisa decidir se um lote de produção segue ou para. Tem 41 lotes rotulados de histórico, um regulador que exige justificativa por escrito para cada reprovação, e três engenheiros que fazem essa chamada há vinte anos sem errar feio.

A equipe faz o que aprendeu a fazer: treina um ensemble. Sai 0,88 de AUC na validação cruzada — em 41 exemplos, um número que não significa quase nada. Ninguém consegue explicar uma decisão individual. O regulador recusa. E os vinte anos de experiência dos três engenheiros, que era o ativo mais valioso da sala, não entrou em lugar nenhum.

O erro não foi técnico. Foi de enquadramento: supor que "usar IA" significa "ajustar um modelo a dados". Havia conhecimento, e ele estava na cabeça de gente; havia um predicado vago ("a peça está muito fora do padrão") esperando ser modelado; havia uma estrutura causal conhecida do processo. Três coisas que aprendizado supervisionado não usa — e que quatro tradições da IA foram construídas justamente para usar.

Este capítulo é o panorama dessas quatro tradições. Cada uma nasceu de um aperto que dado nenhum resolve: provar um teorema sem busca cega · decidir com um predicado vago — "a água está quente" não tem limiar · otimizar uma forma física sem derivada · raciocinar sob incerteza sem explodir a tabela conjunta. 📖

De onde isto veio #

São quatro linhagens, quatro apertos, quatro viradas. Vale ler as quatro mini-histórias antes de olhar para o que elas têm em comum — porque o que elas têm em comum é a lição do capítulo, e ela não aparece se você ler só uma.

1. A simbólica — provar teorema sem busca cega. Allen Newell, John Clifford Shaw e Herbert Simon, meados dos anos 1950. O terceiro nome quase sempre some das citações, e some porque Shaw era o programador; registre-o. O aperto: uma prova de lógica é uma sequência de aplicações de regras, e o número de sequências possíveis explode antes do quinto passo. A virada foi escrever o problema como estado, operadores e uma heurística que poda — buscar guiado em vez de buscar tudo. O Logic Theorist provou 38 dos 52 primeiros teoremas do capítulo 2 do Principia Mathematica e, para o teorema 2.85, achou uma prova mais curta que a de Whitehead e Russell ⏳. Foi demonstrado em Dartmouth, no verão de 1956 ✓ᵐ. Conta-se que o Journal of Symbolic Logic teria recusado publicar um artigo coautorado por um programa ⏳ — anedota excelente e fonte fraca, exatamente o tipo de coisa que este capítulo pede para você tratar com ceticismo.

Depois vieram os sistemas especialistas de verdade: DENDRAL (Stanford, a partir de 1965), que inferia estrutura química a partir de espectro de massa, e MYCIN (Shortliffe, 1972–76), que diagnosticava infecção bacteriana no nível de um especialista humano e nunca foi usado clinicamente ⏳. O mercado de máquinas LISP evaporou em 1987 ⏳.

A ideia reaproveitável do colapso, e ela é dura. O que matou aquele mercado não foi a IA falhar — foi o hardware genérico alcançar o especializado. Workstations comuns passaram a rodar LISP mais barato que máquinas feitas para isso. A aposta perdida foi de arquitetura, não de método. Toda vez que você amarra um resultado técnico a um substrato especializado, está fazendo essa mesma aposta. 📖

2. A fuzzy — decidir com predicado vago. Lotfi Zadeh, "Fuzzy Sets", Information and Control 8, 338–353, 1965 ✓ᵐ. O aperto é de uma banalidade desconcertante: "a água está quente" é uma frase que qualquer pessoa entende e que nenhum limiar reproduz. A 49 °C está quente e a 50 °C também; não existe o grau em que a água vira quente. A virada foi abandonar a pergunta "pertence ou não pertence?" e substituí-la por "pertence quanto?". O nome foi uma escolha ruim, e Zadeh sabia: fuzzy é pejorativo em inglês, e a palavra custou uma década de recepção ⏳. A partir de 1968 começam a chegar cartas do Japão; em 1987, o metrô de Sendai, linha Namboku, entra em operação com controle fuzzy de aceleração e frenagem ⏳.

3. A evolutiva — otimizar forma física sem derivada. Três origens independentes, três continentes, cerca de 25 anos sem que soubessem umas das outras ⏳: os genetic algorithms de Holland em Ann Arbor (1962; livro Adaptation in Natural and Artificial Systems, 1975), o evolutionary programming de Fogel em San Diego (1962; livro em 1966) e as evolution strategies de Bienert, Rechenberg e Schwefel na TU Berlin (por volta de 1965). O aperto de Rechenberg é o mais concreto do capítulo: encontrar a forma de mínimo arrasto em túnel de vento. Não há função para derivar — há uma peça de metal e um medidor. A virada foi tratar variação aleatória mais seleção como um método de busca, e não como uma metáfora biológica.

4. As bayesianas — raciocinar sob incerteza sem explodir a tabela conjunta. Judea Pearl, "Bayesian Networks: A Model of Self-Activated Memory for Evidential Reasoning", relatório técnico CSD-850017 da UCLA, apresentado na Cognitive Science Society em abril de 1985 ✓ᵐ — é ali que o termo aparece. Livro em 1988; Prêmio Turing em 2011. O aperto: a distribuição conjunta de n variáveis binárias exige 2ⁿ − 1 números. Com 30 variáveis, mais de um bilhão. A virada foi perceber que quase todos esses números são redundantes, porque a maioria das variáveis é condicionalmente independente das demais — e que essa independência pode ser desenhada, como um grafo. Em 1985, falar de probabilidade dentro da IA era estar fora do mainstream ⏳.

A ideia reaproveitável, e é uma só para as quatro. A representação escolhida decide qual busca é possível. Nenhuma das quatro tradições inventou um otimizador melhor. Cada uma inventou uma forma de escrever o problema que tornou a busca tratável: estado-e-operador tornou a prova buscável; o grau de pertinência tornou o predicado vago computável; a população tornou o espaço sem gradiente percorrível; o grafo de independências tornou a inferência probabilística viável. É a lição do capítulo 03 vista de outro ângulo — lá, a representação decide o que o modelo consegue aprender; aqui, decide o que o algoritmo consegue procurar. 📖

A rejeição tem geografia #

Duas das quatro histórias terminam com a mesma forma. A lógica fuzzy foi hostilizada no Ocidente — em boa parte por causa da palavra — e adotada industrialmente no Japão. Pearl estava fora do mainstream da IA em 1985 e recebeu o Turing 22 anos depois. Ambos venceram por fora.

A comunidade que rejeita uma ideia raramente é a que a reabilita. Isso não é consolo para quem tem uma ideia rejeitada; é uma instrução de busca. Se o seu método não anda, a pergunta útil talvez não seja "como convenço esta sala?", e sim "qual é a sala em que este método é obviamente útil?".

Repare no relógio: 22 anos e um oceano. De Zadeh (1965) a Sendai (1987) foram 22 anos e uma mudança de continente. Compare com os 43 anos do capítulo 24, os 59 do 03 e os cerca de 80 do 13. O atraso aqui é curto para o padrão do livro — o que custou tempo não foi formular a ideia nem construir a ferramenta, foi encontrar quem quisesse ouvir. 📖

Procedência das afirmações desta seção:

Simbólica: a base de conhecimento e o motor de inferência #

A arquitetura é uma separação, e é essa separação que dá o nome ao paradigma. De um lado, a base de conhecimento: fatos e regras do tipo SE — ENTÃO, escritas em linguagem que uma pessoa lê. De outro, o motor de inferência: um procedimento genérico, sem nenhum compromisso com o domínio, que combina as regras.

Duas direções de encadeamento:

O encadeamento para trás dá de graça a coisa que o resto do livro custa caro para obter: a explicação. O rastro de regras que sustentou a conclusão é a justificativa, na mesma linguagem em que o especialista fala. Compare com o esforço do capítulo 14 para extrair explicação aproximada de um modelo que não a produz.

E aqui está o gargalo que derrubou a promessa comercial da década de 1980: a aquisição do conhecimento. Escrever a base exige um engenheiro de conhecimento entrevistando um especialista — e o especialista decide bem sem conseguir enunciar as regras que usa. O motor era a parte fácil. Enquanto isso, este era o paradigma dominante da IA: as tradições deste capítulo ocuparam justamente o vazio deixado pelo inverno conexionista do capítulo 18.

Fuzzy: o grau entre o sim e o não #

Num conjunto clássico, a pertinência é 0 ou 1: o elemento está dentro ou está fora. Num conjunto fuzzy, a pertinência é um número entre 0 e 1 — 46 °C pertence ao conjunto "água quente" com grau 0,8, e ao conjunto "água morna" com grau 0,3. Os graus não precisam somar 1, e essa é a primeira pista de que isto não é probabilidade.

A distinção vale ser dita com todas as letras, porque quase todo mundo confunde: probabilidade mede incerteza sobre um fato nítido (não sei se a água está acima de 50 °C, e depois de medir saberei); pertinência mede vagueza do próprio predicado (sei exatamente que são 46 °C, e "quente" continua sendo uma questão de grau). Medir mais elimina a incerteza; não elimina a vagueza.

Sobre isso se constrói a variável linguística: "temperatura" deixa de ser um número e passa a ser uma variável cujos valores são fria, morna, quente, muito quente — cada um definido por uma função de pertinência, tipicamente triangular ou trapezoidal. E daí sai o controlador fuzzy, em três passos: fuzzificar (o sensor lê 46 °C → graus de pertinência em cada termo), avaliar as regras (SE a temperatura é quente E a variação é pequena, ENTÃO reduza a potência um pouco, com todas as regras disparando parcialmente, cada uma com a força do seu grau), e defuzzificar (agregar as saídas parciais num único número — a potência a aplicar).

O ganho de engenharia é que as regras são escritas na linguagem do operador da máquina, não na do teórico de controle. Foi isso que a linha Namboku pôs para andar: um controle de frenagem que o técnico de manutenção consegue ler.

Evolutiva: buscar onde não existe gradiente #

Um algoritmo genético mantém uma população de soluções candidatas, cada uma codificada como uma sequência. A cada geração: avalia cada candidata com uma função de aptidão, seleciona as melhores com alguma aleatoriedade, gera filhas por cruzamento (combinar pedaços de duas candidatas) e mutação (perturbar uma), e repete. Não há derivada em lugar nenhum — só avaliação, comparação e variação.

Isso delimita bem quando vale a pena. Vale quando o espaço de busca não tem gradiente utilizável: variáveis discretas, problemas combinatórios (roteamento, escalonamento, seleção de atributos), funções com muitos ótimos locais, ou uma função de aptidão que é uma caixa-preta — um simulador, um jogo, ou, como em Rechenberg, um túnel de vento com uma peça de metal dentro. Não vale quando existe gradiente: se você pode derivar, derive; o capítulo 06 faz em minutos o que uma população levaria horas para tatear.

Os dois custos a declarar antes de começar: o algoritmo genético não dá garantia de ótimo e é caro em número de avaliações — se cada avaliação é um ensaio físico ou uma simulação de dez minutos, a conta é o projeto inteiro. E ele traz um punhado de hiperparâmetros próprios (tamanho da população, taxa de mutação, pressão de seleção) que precisam ser ajustados por fora, o que é irônico: um método de busca que exige uma busca para ser configurado.

Bayesianas: a incerteza com estrutura #

Uma rede bayesiana tem duas peças: um grafo dirigido acíclico, em que cada nó é uma variável e cada seta é uma dependência direta, e uma tabela de probabilidade condicional por nó, dizendo a distribuição daquela variável dados os valores de seus pais. Só isso. As independências que o grafo declara são o que dispensa os outros bilhões de números da tabela conjunta.

O que essa estrutura permite, e uma rede neural do capítulo 09 não permite:

• Inferência em qualquer direção. A mesma rede que calcula "dada a doença, qual a chance deste sintoma?" responde "dado o sintoma, qual a chance da doença?". Uma rede neural treinada de entrada para saída faz um caminho só; para inverter, você treina outra.
• Raciocínio sobre intervenção. É diferente observar que o barômetro caiu e forçar o ponteiro do barômetro com a mão. O grafo distingue as duas coisas; um modelo que só aprendeu correlação, não.
• Funcionar com variável faltando. Não observou três das dez variáveis? A inferência simplesmente marginaliza sobre elas. Não é imputação, é a resposta correta dado o que se sabe.
• Explicação estrutural. O caminho de influência no grafo é a justificativa, e ela é a mesma que o especialista do domínio desenharia num quadro branco.

O preço: alguém precisa escrever o grafo — e voltamos ao gargalo da aquisição de conhecimento. Estruturas podem ser aprendidas de dados, mas isso exige muito mais dado do que a situação típica em que a rede bayesiana é a escolha certa.

Por que estas tradições ainda importam #

Três razões, e nenhuma delas é nostalgia.

Interpretabilidade por construção. Regras, graus de pertinência e grafos causais são legíveis porque foram escritos para ser lidos — a explicação não é extraída depois, ela é o próprio objeto. Onde há regulador, auditoria ou responsabilidade civil, isso muda o cálculo do projeto inteiro (capítulo 14).

Funcionamento com pouco dado. Um sistema de regras, um controlador fuzzy e uma rede bayesiana com estrutura desenhada por especialista funcionam com zero exemplos de treino — e usam o histórico disponível para o que ele de fato serve nesse regime: testar, não estimar. Aqueles 41 lotes do início do capítulo não davam para aprender; davam muito bem para avaliar.

A fusão com aprendizado. A direção mais viva hoje é neuro-simbólica: rede neural onde há dado e percepção, estrutura simbólica onde há regra e restrição — o modelo aprendido propõe, o componente simbólico verifica e recusa o que viola a regra. É também o padrão que ancora modelos de linguagem em ferramentas formais. 📖

Síntese — o que levar #

• A representação escolhida decide qual busca é possível. Nenhuma das quatro tradições inventou um otimizador melhor; cada uma inventou uma forma de escrever o problema. É o capítulo 03 visto do lado da busca.
• Nem todo problema de IA é problema de aprendizado. Quando a informação está na cabeça de um especialista, num consenso publicado ou numa estrutura causal conhecida, aprendizado supervisionado não tem por onde recebê-la.
• Simbólica: base de conhecimento separada do motor de inferência; encadeamento para a frente para monitorar, para trás para diagnosticar. Explicação de graça, e o gargalo é a aquisição.
• Fuzzy: pertinência entre 0 e 1 modela vagueza, não incerteza — e as duas não se confundem. Medir mais elimina incerteza; não elimina vagueza.
• Evolutiva: população, seleção, cruzamento, mutação e aptidão. Vale sem gradiente e em espaço combinatório; não vale quando você pode derivar.
• Bayesiana: grafo dirigido acíclico mais tabelas condicionais. Dá inferência em qualquer direção, raciocínio sobre intervenção e tolerância a variável faltando — coisas que uma rede neural não entrega.
• A rejeição tem geografia. A comunidade que rejeita uma ideia raramente é a que a reabilita. Se o método não anda, procure a sala certa antes de trocar o método.
• Aposta de arquitetura não é aposta de método. O colapso de 1987 não mediu a qualidade da IA simbólica; mediu a durabilidade de um hardware especializado.

Verificação #

1. Um colega afirma que "IA simbólica é IA antiga". Dê dois cenários concretos do seu contexto em que a escolha simbólica seria tecnicamente superior — e diga qual característica do cenário determina isso.
2. Explique, sem usar a palavra "probabilidade", a diferença entre dizer que uma leitura tem pertinência 0,7 ao conjunto "quente" e dizer que há 70% de chance de a água estar quente. Que decisão prática muda conforme a interpretação?
3. Você tem um problema de escalonamento com 40 tarefas e um simulador que leva 8 segundos por avaliação. Um algoritmo genético é candidato razoável? Estime a ordem de grandeza do custo, diga o que você mediria antes de decidir e qual linha de base o algoritmo precisaria bater.