Sistemas de inferência e raciocínio: encadeamento direto e reverso, resolução e redes semânticas

Como uma máquina chega a conclusões que ninguém escreveu explicitamente? Este post abre o capô dos sistemas de inferência: o encadeamento di...

Como uma máquina chega a conclusões que ninguém escreveu explicitamente? Este post abre o capô dos sistemas de inferência: o encadeamento direto, que parte dos fatos e vai empurrando conclusões; o encadeamento reverso, que parte da pergunta e volta atrás das evidências; a resolução, a regra única que prova por absurdo; e as redes semânticas, avós dos grafos de conhecimento que hoje respondem às nossas buscas. Tem motor de regras para diagnosticar um carro que não pega, prova passo a passo, uma rede de bichos do Cerrado para consultar e um vocabulário para revisar antes da prova.

Segunda-feira, 7h10, numa quadra residencial de Brasília. O carro de Caio não pega. A chave gira, o painel acende fraquinho e o motor de arranque só responde com uns cliques secos. Dona Lúcia, a vizinha do bloco ao lado, mecânica aposentada, passa com o cachorro e começa a listar em voz alta o que vê: painel fraco, cliques, e — olha só — o farol ficou ligado a noite inteira. Um fato puxa o outro, e em trinta segundos ela sentencia: bateria descarregada, chama alguém pra fazer uma chupeta.

Caio, estudante de Sistemas de Informação, fez o caminho contrário. Partiu de uma suspeita — será a bateria? — e se perguntou o que precisaria ser verdade para que fosse. Precisaria haver uma falha elétrica; para haver falha elétrica, o painel teria de estar fraco e o arranque, clicando. Foi conferir só essas coisas. Chegou à mesma conclusão por outra estrada.

Os dois acabaram de executar, sem saber, os dois algoritmos clássicos de raciocínio automático: o encadeamento direto (dos fatos para as conclusões) e o encadeamento reverso (do objetivo para as evidências). No post anterior da série, Lógica formal e representação do conhecimento, vimos o que uma máquina pode saber — proposições, predicados, regras de produção. Hoje abrimos o capô para ver como ela usa esse saber: os sistemas de inferência, a resolução e as redes semânticas.

Passo 01

O que é um sistema de inferência

Um sistema de inferência é um programa que deriva conhecimento novo a partir de conhecimento já representado. A arquitetura clássica, herdada dos sistemas especialistas, separa o saber do raciocinar (Luger, 2013):

• Base de conhecimento — regras do tipo SE… ENTÃO… e fatos gerais sobre o domínio, escritos por especialistas (ou extraídos de dados).
• Memória de trabalho — os fatos do caso atual: o que se observou neste carro, neste paciente, neste pedido.
• Motor de inferência — o procedimento que decide qual regra aplicar, quando e em que ordem; ele não sabe nada sobre carros, só sabe raciocinar.
• Agenda — a fila de regras prontas para disparar, de onde o motor escolhe a próxima.

Anatomia de um sistema baseado em regras: o motor é genérico; o que muda de um domínio para outro é a base de conhecimento.

Essa separação é a grande ideia: trocar a base de conhecimento muda o assunto do sistema sem reescrever uma linha do motor. O mesmo motor que diagnostica carros pode, com outras regras, aprovar crédito ou sugerir disciplinas optativas.

Dois adjetivos medem a qualidade de um procedimento de inferência (Russell; Norvig, 2022). Ele é correto (em inglês, sound) quando só deriva sentenças que de fato decorrem da base — não inventa nada. E é completo quando consegue derivar tudo o que decorre dela. Correção sem completude é um detetive honesto, mas míope; completude sem correção é um fofoqueiro que acerta tudo e mais um pouco. Queremos as duas.

Boa parte dos sistemas práticos restringe as regras a cláusulas definidas (ou de Horn): uma conjunção de condições implica uma única conclusão, como em painel_fraco ∧ cliques → falha_elétrica. A restrição parece pequena, mas é ela que torna os dois encadeamentos eficientes — para regras proposicionais desse tipo, o encadeamento direto roda em tempo linear no tamanho da base (Russell; Norvig, 2022).

Passo 02

Encadeamento direto: dos fatos às conclusões

O encadeamento direto (forward chaining) é o raciocínio de Dona Lúcia. Ele é guiado por dados: começa pelo que se sabe e dispara toda regra cujas condições estejam satisfeitas, acrescentando as conclusões à memória de trabalho. As conclusões novas podem habilitar outras regras, e o processo continua até que nada de novo apareça — o chamado ponto fixo (Coppin, 2010).

Encadeamento direto: cada fato aciona regras, que produzem fatos novos, que acionam outras regras — até o ponto fixo.

Nos sistemas de produção, isso acontece num ciclo reconhecer-agir com três fases (Luger, 2013):

enquanto houver novidade:
    1. CASAR      → encontrar as regras cujas condições estão todas
                    na memória de trabalho (o "conjunto de conflito")
    2. RESOLVER   → escolher UMA regra do conjunto de conflito
    3. EXECUTAR   → disparar a regra e acrescentar sua conclusão
                    à memória de trabalho

A fase 2 é mais sutil do que parece. Quando várias regras estão prontas, o motor precisa de uma estratégia de resolução de conflitos. As mais comuns são a refração (a mesma regra não dispara duas vezes com os mesmos dados), a recência (prioriza regras que usam os fatos mais novos, mantendo o raciocínio "no assunto") e a especificidade (prefere a regra com mais condições, isto é, a mais específica) (Luger, 2013).

A fase 1 é o gargalo: testar todas as regras contra todos os fatos a cada ciclo fica caro rapidamente. Em 1982, Charles Forgy publicou o algoritmo Rete (latim para "rede"), que compila as condições das regras numa rede de nós e guarda os casamentos parciais entre um ciclo e outro; assim, cada fato novo só percorre a parte da rede que lhe diz respeito (Forgy, 1982). Descendentes do Rete continuam no coração dos motores de regras de negócio usados em bancos, seguradoras e sistemas de monitoramento.

O ponto forte do encadeamento direto é reagir a dados que chegam: alertas, monitoramento, configuração. O ponto fraco é a falta de foco — ele deriva tudo o que pode ser derivado, inclusive o que ninguém perguntou.

Passo 03

Encadeamento reverso: do objetivo às evidências

O encadeamento reverso (backward chaining) é o raciocínio de Caio. Ele é guiado por objetivos: começa por uma hipótese e procura regras que a concluam. As condições dessas regras viram subobjetivos, que por sua vez são provados da mesma forma, numa pilha que desce até encontrar fatos conhecidos — ou perguntas que o sistema pode fazer ao usuário. Na prática, é uma busca em profundidade numa árvore E-OU (Russell; Norvig, 2022), parente direta das estratégias que vimos em Busca cega.

Encadeamento reverso: a hipótese vem primeiro; as evidências são procuradas só se forem necessárias para prová-la.

O exemplo histórico mais famoso é o MYCIN, desenvolvido em Stanford nos anos 1970 para recomendar terapia contra infecções bacterianas. Com algumas centenas de regras, ele raciocinava de trás para frente a partir da pergunta "qual organismo causa esta infecção?", fazia ao médico apenas as perguntas relevantes para o objetivo da vez e sabia explicar o raciocínio quando o usuário digitava por quê? ou como? (Buchanan; Shortliffe, 1984). Essa capacidade de explicação — a pilha de subobjetivos é, literalmente, a justificativa — continua sendo uma vantagem que modelos estatísticos têm dificuldade de oferecer.

A outra herança é a linguagem Prolog, nascida em Marselha em 1972. Um programa Prolog é uma base de cláusulas de Horn, e executar o programa é fazer uma pergunta que o interpretador responde por encadeamento reverso, em profundidade e da esquerda para a direita (Körner et al., 2022). O preço dessa estratégia simples é conhecido: uma regra circular, como "A se B" e "B se A", pode fazer o encadeamento reverso andar em círculos para sempre, coisa que o encadeamento direto, com sua memória de fatos já derivados, não sofre.

Oficina de inferência: o mesmo carro, dois motores

Marque o que foi observado no carro, escolha o modo e avance passo a passo. No modo direto, observe o conjunto de conflito crescendo e diminuindo; no reverso, veja a pilha de subobjetivos e conte quantas perguntas o sistema realmente precisou fazer.

Observações do caso (o que o motorista responderia)

luzes do painel fracas arranque só dá cliques faróis ficaram acesos a noite toda bateria tem mais de quatro anos pó esverdeado (zinabre) nos polos da bateria motor gira normalmente, mas não pega ponteiro do combustível no zero

Base de regras

1. R1 SE painel fraco E cliques ENTÃO falha elétrica
2. R2 SE falha elétrica E faróis acesos à noite ENTÃO bateria descarregada
3. R3 SE falha elétrica E bateria com mais de 4 anos ENTÃO bateria no fim da vida
4. R4 SE falha elétrica E zinabre nos polos ENTÃO mau contato
5. R5 SE bateria descarregada ENTÃO ➜ fazer chupeta e rodar 30 min
6. R6 SE bateria no fim da vida ENTÃO ➜ trocar a bateria
7. R7 SE mau contato ENTÃO ➜ limpar e apertar os terminais
8. R8 SE motor gira mas não pega E combustível no zero ENTÃO sem combustível
9. R9 SE sem combustível ENTÃO ➜ abastecer

Memória de trabalho

painel fracocliquesfaróis acesos à noite

Clique em Próximo ciclo: o motor vai casar as regras com a memória de trabalho.

Hipótese a provar: fazer chupeta trocar a bateria limpar os terminais abastecer

Escolha uma hipótese e clique em Próximo passo: o motor vai procurar uma regra que a conclua.

Regras disparadas: 0 · Perguntas feitas ao usuário: 0

Fonte: elaborado pelo autor com base em Russell e Norvig (2022) e Luger (2013). Regras simplificadas para fins didáticos; não substituem um mecânico.

Repare no placar ao comparar os modos. O direto precisa das respostas às sete observações antes de começar e dispara regras até esgotar o que dá para concluir. O reverso, perguntado sobre "fazer chupeta", faz só três perguntas — exatamente as que importam para aquela hipótese; perguntado sobre "trocar a bateria", descobre na terceira pergunta que a hipótese não se sustenta. O quadro a seguir resume as diferenças.

Quadro 1 — Encadeamento direto e encadeamento reverso, segundo critérios selecionados

Critério	Encadeamento direto	Encadeamento reverso
Ponto de partida	Fatos conhecidos	Hipótese ou objetivo
Pergunta típica	"O que posso concluir disto?"	"Isto é verdade?"
Direção na regra	Das condições para a conclusão	Da conclusão para as condições
Quando convém	Muitos dados chegando, poucas regras por fato; monitoramento e configuração	Poucas hipóteses, muitos dados possíveis; diagnóstico e consulta
Risco principal	Derivar conclusões irrelevantes	Laços em regras circulares; refazer subprovas
Explicação	Rastro dos disparos	Pilha de subobjetivos ("por quê?")
Exemplos clássicos	Motores de regras com Rete	MYCIN; Prolog

Fonte: elaborado pelo autor com base em Luger (2013), Russell e Norvig (2022), Forgy (1982), Buchanan e Shortliffe (1984) e Körner et al. (2022).Nota: sistemas reais frequentemente combinam os dois sentidos (raciocínio bidirecional), assim como a busca bidirecional combina duas frentes.

Passo 04

Resolução: uma regra para todas as provas

Os encadeamentos funcionam muito bem com cláusulas de Horn, mas tropeçam quando o conhecimento tem disjunções ("o problema é na bateria ou no alternador") ou negações. Para a lógica de primeira ordem completa, o modus ponens sozinho não basta. Em 1965, John Alan Robinson mostrou que uma única regra de inferência, a resolução, combinada com a unificação, é suficiente para provar qualquer consequência lógica de um conjunto de cláusulas (Robinson, 1965).

A regra de resolução: literais complementares se anulam e o que sobra das duas cláusulas forma uma cláusula nova.

A regra

A resolução trabalha com cláusulas: disjunções de literais (átomos ou negações de átomos). Dadas duas cláusulas em que um literal aparece positivo numa e negado na outra, ela produz o resolvente, que junta o resto das duas:

  (A ∨ P)      (¬P ∨ B)
  ─────────────────────
         (A ∨ B)

Intuitivamente: se P é verdadeiro, a segunda cláusula obriga B; se P é falso, a primeira obriga A; em qualquer caso, vale A ou B. O modus ponens é um caso particular: de P e de (¬P ∨ B), que é o mesmo que P → B, sai B.

Antes de resolver: a forma clausal

Para aplicar a regra, a base precisa estar em forma normal conjuntiva — uma conjunção de cláusulas. A conversão segue um roteiro mecânico (Russell; Norvig, 2022): eliminar ↔ e →; empurrar as negações para dentro (leis de De Morgan); renomear variáveis para que cada quantificador tenha a sua; eliminar os existenciais por skolemização (trocar "existe um x" por uma constante ou função nova); descartar os universais, que passam a ficar implícitos; e distribuir ∨ sobre ∧. Por exemplo, "toda coruja é ave", ∀x Coruja(x) → Ave(x), vira a cláusula ¬Coruja(x) ∨ Ave(x).

Unificação: o chaveiro da lógica

Em primeira ordem, os literais raramente são idênticos: temos ¬Ave(y) numa cláusula e Ave(Chica) noutra. A unificação encontra a substituição mais geral que torna dois termos iguais — aqui, {y/Chica}. Robinson chamou de unificador mais geral a substituição que faz isso sem comprometer mais variáveis que o necessário (Robinson, 1965).

Unificação: a variável x é uma chave-mestra que passa a abrir uma porta específica quando recebe o valor Chica.

Provar por absurdo: a refutação

A resolução não é usada para gerar conclusões a esmo, e sim para refutar. Para provar que a base implica uma sentença α, acrescenta-se ¬α à base e aplica-se resolução até derivar a cláusula vazia (□), que representa uma contradição. Se a base com ¬α é contraditória, então α decorre da base. Robinson provou que esse procedimento é completo para refutação: se há contradição, a resolução a encontra (Robinson, 1965).

Prova por refutação: supor o contrário do que se quer provar e mostrar que isso leva a um absurdo.

Laboratório: prove que Chica tem penas

Base: toda coruja é ave; toda ave tem penas; Chica é uma coruja. Queremos provar TemPenas(Chica), então acrescentamos sua negação e avançamos até a cláusula vazia.

1. C1 ¬Coruja(x) ∨ Ave(x) toda coruja é ave
2. C2 ¬Ave(y) ∨ TemPenas(y) toda ave tem penas
3. C3 Coruja(Chica) Chica é coruja
4. C4 ¬TemPenas(Chica) negação do objetivo
5. C5 ¬Ave(Chica) resolvente de C4 e C2, com {y/Chica}
6. C6 ¬Coruja(Chica) resolvente de C5 e C1, com {x/Chica}
7. C7 □ resolvente de C6 e C3: contradição! Logo, TemPenas(Chica).

As quatro cláusulas de partida já estão na forma clausal. Clique em Próximo passo para escolher um par com literais complementares.

Fonte: elaborado pelo autor com base em Robinson (1965) e Russell e Norvig (2022).

A elegância cobra um preço. Na lógica de primeira ordem, a consequência lógica é apenas semidecidível: se α decorre da base, a resolução acaba provando; se não decorre, o procedimento pode rodar para sempre (Russell; Norvig, 2022). Por isso os provadores usam estratégias para domar a explosão de resolventes — preferir cláusulas unitárias, exigir que cada passo envolva a negação do objetivo ou seus descendentes (conjunto de suporte), eliminar cláusulas redundantes. O Prolog, aliás, é resolução restrita a cláusulas de Horn com uma ordem fixa de busca: o encadeamento reverso do Passo 03 é resolução disfarçada (Körner et al., 2022).

Passo 05

Redes semânticas: conhecimento em forma de grafo

Regras e cláusulas são ótimas para provar, mas pouco amigáveis para organizar conceitos. Em 1966, M. Ross Quillian propôs um modelo de memória semântica em que cada conceito é um nó e os significados emergem das ligações entre nós; responder a uma pergunta, nesse modelo, é percorrer a rede a partir de dois conceitos até encontrar onde as trilhas se cruzam (Quillian, 1966). Nascia a rede semântica: um grafo rotulado em que nós representam conceitos ou indivíduos e arcos representam relações.

Uma rede semântica mínima: os arcos é-um organizam a taxonomia; os demais arcos guardam propriedades.

Dois arcos são especiais. O arco é-um liga uma classe a uma superclasse (coruja-buraqueira é-um ave), e o arco instância-de liga um indivíduo à sua classe (Chica instância-de coruja-buraqueira). Com eles vem o mecanismo de inferência mais barato da IA: a herança. Não é preciso registrar que Chica tem penas; basta subir a rede até "Ave", onde a propriedade está guardada uma única vez. Na rede semântica, inferir é caminhar pelo grafo.

O problema aparece com as exceções. Se "aves voam" está em "Ave", como fica a ema, que é ave e não voa? A solução usual é a herança por padrão (default): a propriedade vale a menos que um nó mais específico diga o contrário, e o valor mais próximo do indivíduo vence. Isso torna o raciocínio não monotônico — um fato novo pode cancelar uma conclusão anterior, algo impossível na lógica clássica (Russell; Norvig, 2022).

Herança com exceções: o valor mais específico vence o herdado — e o pinguim (ou a nossa ema) agradece.

Laboratório: pergunte à rede

Escolha um ser e uma propriedade e clique em Perguntar. O motor sobe pelos arcos até achar a resposta — e mostra o caminho. Clique num nó para ver o que está guardado nele.

Ser: Chica Coruja-buraqueira Ema Tamanduá-bandeira Lobo-guará Propriedade: voa? tem penas? põe ovos? amamenta? respira? come o quê? faz ninho onde?

Exemplo: Chica voa? Chica (nada consta) → instância-de → Coruja-buraqueira (nada consta) → é-um → Ave: voa = sim. Resposta herdada de Ave.

Fonte: elaborado pelo autor com base em Quillian (1966), Sowa (1992) e Russell e Norvig (2022).

Experimente perguntar se a ema voa (a exceção local vence a herança) e se Chica amamenta (a rede chega ao topo sem encontrar nada). Esse último caso ensina outra lição: "não consta na rede" não é o mesmo que "é falso" — a diferença entre a hipótese de mundo fechado, típica de bancos de dados e do Prolog, e a de mundo aberto, típica da Web semântica.

Muitas redes, um mesmo desenho

Ao longo das décadas, o termo "rede semântica" passou a cobrir sistemas bem diferentes entre si. John Sowa organizou essa diversidade em seis famílias (Sowa, 1992):

Quadro 2 — Tipos de redes semânticas, segundo a ênfase e o papel na inferência

Tipo	Ênfase	Papel na inferência
Definicional	Relação é-um entre tipos e subtipos	Herança de propriedades das classes para as subclasses
Assertiva	Proposições contingentes sobre o mundo	Registro de afirmações que podem ser verdadeiras ou falsas
Implicacional	Implicação como relação principal	Representação de crenças, causas e inferências
Executável	Procedimentos acoplados à rede	Passagem de marcadores e buscas por padrões
De aprendizagem	Construção a partir de exemplos	Ajuste de pesos ou da estrutura da rede
Híbrida	Combinação das anteriores	Integração de mecanismos distintos num mesmo sistema

Fonte: elaborado pelo autor com base em Sowa (1992), tradução livre.

As redes semânticas também receberam críticas: sem uma semântica formal, um arco é-um podia significar "subclasse", "instância" ou "tem a propriedade de", e dois sistemas desenhados de forma idêntica podiam querer dizer coisas diferentes. A resposta foram as lógicas de descrição, que dão significado preciso a classes e relações e tornam decidíveis perguntas como "esta classe está contida naquela?" (Russell; Norvig, 2022).

De Quillian ao seu buscador

A herdeira mais visível dessa linha é a Web semântica. No modelo RDF, padronizado pelo W3C, todo conhecimento é escrito como triplas sujeito–predicado–objeto, e um conjunto de triplas forma um grafo dirigido e rotulado (W3C, 2014). Em outras palavras: uma rede semântica com endereços na web. A tripla (Chica, instânciaDe, CorujaBuraqueira) é o arco do nosso laboratório, agora interoperável.

Em 2012, o Google anunciou o seu Knowledge Graph com o lema things, not strings — "coisas, não sequências de caracteres": em vez de casar palavras, o buscador passaria a entender entidades e suas relações. No lançamento, o grafo reunia mais de 500 milhões de objetos e mais de 3,5 bilhões de fatos sobre eles (Singhal, 2012). Aquele quadro lateral que aparece quando você busca uma cidade ou uma pessoa famosa é, no fundo, uma consulta a uma rede semântica gigante.

Passo 06

Inferência simbólica na era dos modelos de linguagem

Se os grandes modelos de linguagem conversam tão bem, por que estudar motores de regras? Porque, como vimos em Fundamentos de IA generativa, um modelo de linguagem gera a continuação mais provável de um texto — o que não é o mesmo que garantir que cada passo de um argumento seja válido. Um sistema de inferência é correto por construção; um modelo estatístico, não.

A fronteira atual está na combinação dos dois, a chamada IA neurossimbólica. O caso mais didático é o AlphaGeometry, do Google DeepMind. Em problemas de geometria de olimpíada, um motor de dedução simbólica aplica regras de inferência para a frente, derivando exaustivamente tudo o que decorre das premissas — encadeamento direto puro. Quando o motor empaca, um modelo de linguagem treinado com 100 milhões de exemplos sintéticos sugere uma construção auxiliar (um ponto, uma reta), e o motor volta a deduzir (Trinh et al., 2024). A intuição propõe; a dedução verifica.

Neurossimbólico: a rede neural sugere o passo criativo; o motor simbólico garante que cada passo seguinte é válido.

Os números mostram o que cada parte acrescenta. No conjunto de 30 problemas de geometria de olimpíadas internacionais usado pelos autores, o motor simbólico sozinho resolveu menos da metade; com o modelo de linguagem propondo construções, o sistema chegou perto da média dos medalhistas de ouro.

Tabela 1 — Problemas de geometria olímpica resolvidos, por sistema ou referência humana — conjunto IMO-AG-30, 2024

Modelo de linguagem sozinho (GPT-4)

0

Método algébrico de Wu

10

Motor simbólico sozinho (DD + AR)

14

Motor simbólico + heurísticas humanas

18

AlphaGeometry (neurossimbólico)

25

Medalhista de ouro (média)

25,9

Sistema ou referência	Problemas resolvidos	Proporção (%)
Modelo de linguagem sozinho (GPT-4)	0	0,0
Método algébrico de Wu	10	33,3
Motor simbólico sozinho (DD + AR)	14	46,7
Motor simbólico + heurísticas humanas	18	60,0
AlphaGeometry	25	83,3
Medalhista de ouro (média)	25,9	86,3

Fonte: elaborado pelo autor com base em Trinh et al. (2024).Notas: 1. Total de 30 problemas. 2. DD + AR: dedução por base de dados dedutiva mais raciocínio algébrico. 3. Proporções calculadas pelo autor.

O mesmo espírito aparece nos assistentes de prova, como o Lean, em que cada passo de uma demonstração é verificado mecanicamente — tema que apareceu no post sobre Terence Tao e a IA na ciência. Os motores de inferência não ficaram para trás: viraram o fiscal de rigor das IAs que conversam.

Vocabulário

Glossário do raciocínio automático

Digite para filtrar os termos.

Agenda

Fila de regras prontas para disparar num sistema de produção; o motor escolhe dela a próxima a executar.

Base de conhecimento

Conjunto de regras e fatos gerais sobre um domínio, separado do procedimento que raciocina sobre eles.

Cláusula

Disjunção de literais, como ¬Ave(y) ∨ TemPenas(y). É a unidade sobre a qual a resolução trabalha.

Cláusula de Horn (definida)

Cláusula com no máximo um literal positivo; equivale a uma regra "condições → uma conclusão". Base do Prolog e dos encadeamentos eficientes.

Cláusula vazia (□)

Cláusula sem literais; representa uma contradição. Derivá-la encerra uma prova por refutação.

Completude

Propriedade de um procedimento que deriva tudo o que decorre logicamente da base.

Conjunto de conflito

Regras cujas condições estão satisfeitas num dado ciclo do encadeamento direto.

Correção (soundness)

Propriedade de um procedimento que só deriva o que decorre logicamente da base.

Encadeamento direto

Inferência guiada por dados: dos fatos para as conclusões, até o ponto fixo.

Encadeamento reverso

Inferência guiada por objetivos: da hipótese para as condições que a sustentariam, em forma de subobjetivos.

Forma normal conjuntiva

Conjunção de cláusulas; formato exigido pela resolução.

Herança

Inferência em redes semânticas pela qual um nó recebe as propriedades das classes acima dele.

Literal

Átomo (P) ou átomo negado (¬P).

Memória de trabalho

Fatos do caso em análise, que crescem à medida que as regras disparam.

Motor de inferência

Componente que aplica as regras da base aos fatos, decidindo o que disparar e em que ordem.

Não monotonicidade

Característica de raciocínios em que um fato novo pode cancelar uma conclusão anterior, como nas exceções de herança.

Neurossimbólico

Abordagem que combina redes neurais (aprendizado, intuição estatística) com raciocínio simbólico (regras, provas).

Ponto fixo

Estado em que nenhuma regra produz fato novo; fim do encadeamento direto.

Rede semântica

Grafo rotulado em que nós são conceitos ou indivíduos e arcos são relações, como é-um e instância-de.

Refutação

Prova por absurdo: acrescenta-se a negação do objetivo e deriva-se uma contradição.

Resolução

Regra de inferência que, de duas cláusulas com literais complementares, produz uma cláusula com o restante das duas.

Rete

Algoritmo de casamento de padrões que guarda casamentos parciais entre ciclos, acelerando motores de regras.

Skolemização

Eliminação de quantificadores existenciais pela introdução de constantes ou funções novas.

Tripla RDF

Afirmação na forma sujeito–predicado–objeto; conjuntos de triplas formam grafos de conhecimento.

Unificação

Procedimento que encontra a substituição de variáveis mais geral que torna dois termos idênticos.

Mão na massa

Monte seu próprio motor de regras

Escolha um processo que você conhece bem — as regras de pré-requisito e trancamento do seu curso, por exemplo — e siga o roteiro. Marque cada etapa ao concluir.

Liste de 8 a 12 regras SE… ENTÃO… em linguagem natural, cada uma com uma única conclusão (cláusulas de Horn). Separe as perguntas observáveis (o que o usuário responde) das conclusões intermediárias e finais. Simule à mão o encadeamento direto a partir de um caso real e anote o conjunto de conflito a cada ciclo. Simule o encadeamento reverso para uma hipótese e conte quantas perguntas foram realmente necessárias. Traduza duas regras para a forma clausal e prove uma conclusão por refutação, chegando à cláusula vazia. Desenhe a parte taxonômica do domínio como rede semântica (é-um, instância-de) e marque ao menos uma exceção.

0 de 6 etapas

Para ler junto

Posts relacionados no Brasil Acadêmico

• Lógica formal e representação do conhecimento — o capítulo anterior: proposições, predicados, regras de inferência e o motor de identificação de bichos do Cerrado.
• Formulação de problemas e espaço de estados — provar um teorema também é buscar um caminho num espaço de estados.
• Busca cega — profundidade, largura e busca bidirecional, as mesmas estratégias por trás dos encadeamentos.
• Busca informada — heurísticas que também orientam a escolha de resolventes em provadores.
• Busca aplicada: recomendação, planejamento e otimização — planejadores clássicos são, em boa parte, motores de inferência sobre ações.
• Fundamentos de IA generativa — o lado estatístico com o qual a inferência simbólica hoje se combina.
• Terence Tao e o paradoxo da IA com a ciência — assistentes de prova e verificação mecânica de demonstrações.
• Jev: modelo de IA que decide em vez de conversar — decisões tipadas e calibradas, um contraponto probabilístico aos motores de regras.
• Como a máquina aprende — aprender regras a partir de dados em vez de escrevê-las à mão.
• Afinal, o que é inteligência artificial? — a história em que os sistemas especialistas foram protagonistas.

Q.E.D.

Como queríamos demonstrar

Dona Lúcia e Caio chegaram à mesma bateria descarregada por caminhos opostos, e é isso que os sistemas de inferência formalizam: partir dos fatos ou partir da pergunta; disparar regras ou empilhar subobjetivos; provar diretamente ou provar que o contrário é absurdo; guardar o conhecimento em regras ou em grafos que se percorrem. Nenhuma das técnicas é a melhor em absoluto — o encadeamento direto vigia, o reverso investiga, a resolução garante e a rede semântica organiza.

Fica a pergunta para a próxima aula: se um modelo de linguagem lhe der uma resposta convincente, que parte do raciocínio dele você gostaria de ver verificada por um motor de inferência — e como saberia escrever as regras para isso?

Nota do autor: as regras da oficina de inferência são deliberadamente simplificadas e servem apenas para ilustrar o funcionamento dos encadeamentos; diagnóstico automotivo real envolve outros testes (tensão da bateria, alternador, motor de arranque). Na oficina, a estratégia de resolução de conflitos adotada é a ordem das regras com refração. As traduções de termos e de trechos de obras em inglês (inclusive os tipos de rede de Sowa) são livres. Os números da Tabela 1 são os relatados por Trinh et al. (2024) para o conjunto IMO-AG-30; as proporções foram calculadas pelo autor. Seguindo o critério editorial do blog, foram citados apenas livros disponíveis em livrarias online ou em bibliotecas eletrônicas institucionais (Minha Biblioteca, Biblioteca Virtual Pearson) e artigos de acesso aberto; o texto de Sowa é a versão revisada que o autor mantém online.

Referências

1. BUCHANAN, Bruce G.; SHORTLIFFE, Edward H. (ed.). Rule-based expert systems: the MYCIN experiments of the Stanford Heuristic Programming Project. Reading, MA: Addison-Wesley, 1984. Disponível em: https://people.dbmi.columbia.edu/~ehs7001/Buchanan-Shortliffe-1984/MYCIN%20Book.htm. Acesso em: 4 out. 2026.
2. COPPIN, Ben. Inteligência artificial. Rio de Janeiro: LTC, 2010.
3. FORGY, Charles L. Rete: a fast algorithm for the many pattern/many object pattern match problem. Artificial Intelligence, Amsterdam, v. 19, n. 1, p. 17-37, 1982. DOI: 10.1016/0004-3702(82)90020-0. Disponível em: https://www.csl.sri.com/users/mwfong/public_html/Technical/RETE%20Match%20Algorithm%20-%20Forgy%20OCR.pdf. Acesso em: 4 out. 2026.
4. KÖRNER, Philipp et al. Fifty years of Prolog and beyond. Theory and Practice of Logic Programming, Cambridge, v. 22, n. 6, p. 776-858, 2022. Disponível em: https://arxiv.org/abs/2201.10816. Acesso em: 4 out. 2026.
5. LUGER, George F. Inteligência artificial. 6. ed. São Paulo: Pearson Education do Brasil, 2013.
6. QUILLIAN, M. Ross. Semantic memory. Cambridge, MA: Bolt Beranek and Newman, 1966. Relatório técnico. Disponível em: https://apps.dtic.mil/sti/tr/pdf/AD0641671.pdf. Acesso em: 4 out. 2026.
7. ROBINSON, J. A. A machine-oriented logic based on the resolution principle. Journal of the ACM, New York, v. 12, n. 1, p. 23-41, jan. 1965. DOI: 10.1145/321250.321253. Disponível em: https://dl.acm.org/doi/10.1145/321250.321253. Acesso em: 4 out. 2026.
8. RUSSELL, Stuart J.; NORVIG, Peter. Inteligência artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: GEN LTC, 2022.
9. SINGHAL, Amit. Introducing the Knowledge Graph: things, not strings. The Keyword, Mountain View, 16 maio 2012. Disponível em: https://blog.google/products/search/introducing-knowledge-graph-things-not/. Acesso em: 4 out. 2026.
10. SOWA, John F. Semantic networks. In: SHAPIRO, Stuart C. (ed.). Encyclopedia of artificial intelligence. 2. ed. New York: Wiley, 1992. Versão revisada disponível em: https://www.jfsowa.com/pubs/semnet.htm. Acesso em: 4 out. 2026.
11. TRINH, Trieu H. et al. Solving olympiad geometry without human demonstrations. Nature, London, v. 625, n. 7995, p. 476-482, 2024. DOI: 10.1038/s41586-023-06747-5. Disponível em: https://www.nature.com/articles/s41586-023-06747-5. Acesso em: 4 out. 2026.
12. W3C. RDF 1.1 concepts and abstract syntax. [S. l.]: W3C, 2014. Disponível em: https://www.w3.org/TR/rdf11-concepts/. Acesso em: 4 out. 2026.