EAD

Representação de
Conhecimento

5
1. OBJETIVOS
• Conhecer, refletir e discutir os fundamentos referentes à
Representação de Conhecimento.
• Aplicar os conceitos sobre Representação de Conheci-
mento.

2. CONTEÚDOS
• Métodos para Representação de Conhecimento.
• Ontologias e Engenharia de Conhecimento.
• Aspectos práticos da Representação de Conhecimento.

3. ORIENTAÇÕES PARA O ESTUDO DA UNIDADE

Antes de iniciar o estudo desta unidade, é importante que
você leia as orientações a seguir:
166 © Inteligência Artificial

1) A partir de agora, estudaremos formas de Representa-

ção de Conhecimento, que podem ser caracterizadas a
partir de hierarquias de sistemas. Iniciando desde siste-
mas mais simples, na base dessa hierarquia, até sistemas
mais complexos, que ficam no topo, representando, por
meio de cálculos lógicos expressivos, diferentes eventos
e entidades do problema. A hierarquia que estudaremos
apresenta níveis denominados por catálogo de concei-
tos, glossário de conceitos, hierarquia de conceitos do
tipo é – um, tesauros de conceitos, hierarquia de concei-
tos do tipo parte – de, hierarquia de classes e instâncias
e teorema axiomática, que possibilita a representação
de maior expressividade dentre todos os níveis.
2) Esta unidade trata de questões de natureza filosófica,
um tanto diferentes dos tópicos e temas tratados nas
demais unidades. Estude cuidadosamente todo o texto
e as leituras complementares. O entendimento apro-
fundado desses temas é extremamente útil para o bom
aproveitamento das técnicas de Inteligência Artificial
em situações diversificadas. Sempre que sentir necessi-
dade, entre em contato com seus colegas de turma pela
Sala de Aula Virtual e com seu tutor e proponha discus-
sões sobre os assuntos estudados. Isso pode estimular o
aprendizado!
3) Antes de iniciar os estudos desta unidade, pode ser inte-
ressante conhecer um pouco da biografia de Peter Mark
Roget, cujo pensamento norteia a proposta deste Cader-
no de Referência de Conteúdo. Para saber mais, acesse o
site indicado.

Peter Mark Roget (1779-1868)

Roget foi um doutor inglês, escritor e inventor, mas
hoje é mais conhecimento por seu thesaurus. Nasceu
em 18 de janeiro de 1779, em Londres, filho de um
clérigo suíço. Ele estudou medicina na Universida-
de de Edimburgo e se graduou em 1798. Como um
jovem doutor, publicou trabalho sobre tuberculose e
sobre o efeito de óxido nitroso, conhecido como “gás
hilariante”, usado como anestésico. Roget trabalhou
em Bristol e em Manchester e durante um período foi
professor (tutor) particular, viajando pela Europa. Em
 © U5 - Representação de Conhecimento 167

1808, mudou-se para Londres e continuou a lecionar tópicos em Medicina. Foi

membro da Sociedade Royal e entre 1827 e 1848 atuou como secretário.
Em 1814, ele inventou uma regra para calcular as raízes de números. Suas re-
gras foram utilizadas em escolas até a invenção da calculadora. Também se
interessou pela óptica e sobre como melhorar o caleidoscópio. Mais adiante,
tentou construir sua própria máquina de calcular e escreveu sobre diversos te-
mas e áreas.
Em 1940, Roget, efetivamente aposentado na Medicina, passou o resto de sua
vida dedicado a um projeto que aclamou seu nome: Roget’s Thesaurus of En-
glish Words and Phrases, um tesauro de frases e palavras em inglês, como um
dicionário de sinônimos.
Já em 1805, construiu, para seu próprio uso, um pequeno catálogo indexado de
palavras que usou para melhorar a escrita prolífica.
Roget faleceu em 12 de setembro de 1869. (imagem disponível em: <http://
www.bbc.co.uk/history/historic_figures/roget_peter_mark.shtml>. Acesso em: 14
ago. 2010. Texto adaptado e traduzido do original disponível em: <http://www.
bbc.co.uk/history/historic_figures/roget_peter_mark.shtml>. Acesso em: 14 ago.
2010).

4. INTRODUÇÃO À UNIDADE
Nas unidades anteriores, você estudou que a Representação
Formal de Conhecimento é um recurso muito útil para a constru-
ção de sistemas em Inteligência Artificial, pois permite-nos desen-
volver teorias científicas de conhecimento, que servem de fun-
damento para a resolução prática de problemas e para o estudo
dos procedimentos inteligentes que admitem resoluções para os
problemas.
Nesta unidade, você aprenderá que a Representação Formal
de Conhecimento tem também a qualidade de ser automatiza-
da na forma de programas de computador – como, por exemplo,
programas escritos na linguagem PROLOG – constituindo, assim,
agentes inteligentes efetivamente automatizados.

5. MÉTODOS PARA A REPRESENTAÇÃO DE CONHECI-

MENTO
Na linguagem de programação PROLOG, podemos perceber
que há uma tensão permanente entre o poder expressivo de um

Claretiano - Centro Universitário

168 © Inteligência Artificial

cálculo lógico e a eficiência computacional dos programas cons-

truídos utilizando esse cálculo lógico para resolver problemas prá-
ticos. De maneira geral, quanto mais detalhes forem precisos para
caracterizar um problema a ser resolvido, mais expressiva será a
lógica utilizada para representá-lo com suas soluções. Dessa for-
ma, quanto mais expressiva uma lógica, mais recursos computa-
cionais – como, por exemplo, tempo de processamento e memória
de computador – são requeridos para efetuar as inferências lógi-
cas necessárias à resolução de problemas.
Frequentemente, somos capazes de representar os detalhes
suficientes para muitos problemas práticos com cálculos lógicos,
de forma mais simples que a Lógica Proposicional. Em algumas
situações específicas, entretanto, precisamos de lógicas mais so-
fisticadas, como, por exemplo, a Lógica de Predicados de Primeira
Ordem ou outras ainda mais expressivas.
Seria bom se fosse possível representar um problema e suas
soluções de forma bem detalhada e, ao mesmo tempo, manipu-
lar computacionalmente essa representação de maneira eficien-
te. Contudo, isso não é possível, pois a “arte” da Representação
de Conhecimento consiste em encontrar, para cada problema, um
ponto de equilíbrio em que sejam construídas representações su-
ficientemente detalhadas que orientem de forma satisfatória um
usuário de um sistema provido de Inteligência Artificial, para que
ele possa resolvê-lo. Assim, é necessário, também, que sejam su-
ficientemente eficientes para fornecer respostas utilizando uma
quantidade razoável de recursos computacionais, ou seja, utilizan-
do uma quantidade razoável de memória e de tempo de processa-
mento que viabilize o seu uso.
A estratégia mais comumente adotada para construir uma
representação adequada de conhecimento é feita com base em
representações bastante simples, as quais são caracterizadas utili-
zando cálculos lógicos relativamente simples e eficientes do ponto
de vista computacional, sofisticados apenas quando o problema e
 © U5 - Representação de Conhecimento 169

suas soluções assim exigirem de forma incremental, preservando,

dessa maneira, na medida do possível, a simplicidade dos meca-
nismos de inferência.
Utilizando essa estratégia, podemos caracterizar hierarquias
de sistemas para Representação de Conhecimento. Em suas ba-
ses, colocamos sistemas de representação mais simples, que não
nos possibilitam diferenciar de forma refinada muitos eventos e
entidades do problema a ser resolvido, mas que admitem mani-
pulação computacional bastante eficiente. No topo, colocamos
sistemas de representação mais sofisticados, que correspondem
a cálculos lógicos mais expressivos, permitindo representar de for-
ma detalhada os diferentes eventos e entidades do problema, mas
que exigem grande poder computacional para ser manipulados
por meio de mecanismos de inferência.
A seguir, você conhecerá uma dessas hierarquias, bastante
utilizada, por sua vez, para caracterizar problemas práticos e con-
cretos, que lhe permitirá apreciar, de forma mais concreta, como
essas hierarquias são constituídas.

6. HIERARQUIAS DE SISTEMAS PARA REPRESENTA-

ÇÃO DE CONHECIMENTO
Nessa hierarquia, teremos sete níveis. O primeiro nível é a
base, que é considerado, ao mesmo tempo, o sistema de represen-
tação mais econômico do ponto de vista computacional e o menos
expressivo. Nesse nível, são identificados os conceitos relevantes
para o problema, mas estes não se relacionam entre si.
O sétimo nível, que caracteriza o sistema de representação
mais refinado e, ao mesmo tempo, o computacionalmente mais
caro, é um cálculo lógico equivalente à Lógica de Predicados de
Primeira Ordem.

Claretiano - Centro Universitário

170 © Inteligência Artificial

Observe, a seguir, quais as denominações dos sete níveis:

1) Catálogo de conceitos.
2) Glossário de conceitos.
3) Hierarquia de conceitos do tipo é – um.
4) Tesauro de conceitos.
5) Hierarquia de conceitos do tipo parte – de.
6) Hierarquia de classes e instâncias.
7) Teoria axiomática.
Catálogo de conceitos
Um catálogo de conceitos é, simplesmente, uma coleção de
conceitos que não se relacionam entre si, ou seja, a cada conceito
relevante para um problema é associado um nome, mas não são
identificadas as relações entre eles.
O catálogo de conceitos não possibilita manipulá-los de for-
ma alguma, apenas permite selecionar um ou outro conceito. Em
um contexto de engenharia, por exemplo, um catálogo de conceitos
permite apenas identificar e destacar um componente mecânico.
Computacionalmente, um catálogo de conceitos é simples-
mente uma lista de nomes, que podem ser consultados um a um.
Podemos, por exemplo, ter os seguintes conceitos em um catálogo:
• bomba;
• motor;
• válvula.
Glossário de conceitos
Um glossário de conceitos é um catálogo de conceitos enri-
quecido com explicações informais para cada item. Dessa forma,
correspondendo a cada conceito é acrescentado o significado pre-
tendido para o seu respectivo nome.
Computacionalmente, um glossário de conceitos é equiva-
lente a um catálogo de conceitos, mas sua utilidade prática pode
ser bem maior, pois, ao declarar publicamente o significado pre-
tendido para cada conceito relativo a um problema, a representa-
 © U5 - Representação de Conhecimento 171

ção desse problema se torna autossuficiente, podendo ser utiliza-

da, por exemplo, por um engenheiro que não tenha participado da
elaboração do sistema de Representação de Conhecimento.
Os conceitos caracterizados anteriormente, enriquecidos
com explicações para constituir um glossário de conceitos, pode-
riam ser representados da seguinte maneira:
• Bomba: movimenta líquidos ou gases entre reservatórios.
• Motor: transforma energia em movimento.
• Válvula: regula a passagem de líquidos ou gases entre re-
servatórios.
Hierarquia de conceitos do tipo é – um
Uma hierarquia de conceitos do tipo é – um identifica re-
lações simples entre conceitos. As relações capturadas por ela
permitem identificar certos conceitos como extensões, ou seja,
particularizações de outros conceitos. A extensão de um conceito
herda todas as propriedades dele e as acrescenta a um conjunto
adicional, que as caracteriza como um caso particular notável.
Uma hierarquia é – um caracteriza informações adicionais
importantes, que permitem, inclusive, efetuar inferências simples
sobre os conceitos que descrevem um problema. Essa hierarquia
complementa as informações presentes em um catálogo de con-
ceitos ou em um glossário de conceitos.
Os conceitos vistos nos exemplos anteriores (catálogo e glos-
sário), ligeiramente estendidos para ilustrar melhor a hierarquia é
– um, podem ser apresentados conforme ilustrado na Figura 1.

Claretiano - Centro Universitário

172 © Inteligência Artificial

Bomba Motor Válvula

Bomba Bomba
Hidráulica

Figura 1 Hierarquia é – um.

Analisando a Figura 1, observe que a hierarquia é – um forma

uma árvore simples de conceitos. Podemos inferir propriedades
de um conceito alvo percorrendo a árvore para cima e identifican-
do propriedades dos conceitos mais gerais, dos quais o conceito
alvo é uma extensão.
A condição da hierarquia é – um formar uma árvore simples
garante a simplicidade e a eficiência computacional para percorrer
essa árvore. Um conceito geral pode ter muitas extensões, mas
cada extensão tem apenas um conceito geral acima dela.
A condição de árvore simples, entretanto, é uma restrição
formal. Ela é útil para garantir propriedades matemáticas e com-
putacionais do sistema de representação, mas restringe de forma
artificial a sua expressividade.
Essa condição pode ser generalizada para uma hierarquia
polimórfica, ou seja, em que um conceito geral admita muitas ex-
tensões e um conceito específico possa ser a extensão de mais de
um conceito geral. Dessa forma, os conceitos fundamentais que
caracterizam um problema constituem uma rede, e, ao navegar-
mos por ela, podemos encontrar explicações a respeito de um
conceito em termos a ele conectados.
A noção de hierarquia ainda existe, e, quando um conceito é
a extensão de um conjunto de conceitos mais gerais, ele herda as
propriedades e as características de todos esses conceitos.
 © U5 - Representação de Conhecimento 173

Tesauro de conceitos
Esse sistema de Representação de Conhecimento recebe o
nome de tesauro de conceitos. O tesauro foi desenvolvido por Pe-
ter Mark Roget, em 1852, e assemelhava-se a um dicionário, com
a diferença de ser organizado por significados e não por ordem
alfabética. As palavras e os termos foram organizados de acordo
com a relação existente entre os seus significados. Outras carac-
terísticas foram introduzidas ao conceito de tesauro com o passar
do tempo, e outras abordagens surgiram com objetivo de refinar o
modelo proposto por Roget.
Observe, na Figura 2, um exemplo simples para ilustrar um
tesauro de conceitos.

Sistema hidráulico Sistema mecânico

Bomba Motor Válvula

Bomba Bomba
Hidráulica

Figura 2 Tesauro de conceitos.

O tesauro é muito utilizado na área de documentação para

facilitar a indexação e recuperação dos documentos. No geral, há
um sistema automatizado em que um indexador analisa um docu-
mento e extrai dele termos que serão utilizados para indexação no
tesauro.
A expressividade dos sistemas de representação vistos até
o momento permite caracterizar muitos problemas de interesse

Claretiano - Centro Universitário

174 © Inteligência Artificial

prático. Ela não permite, entretanto, relacionar conceitos de for-

ma mais elaborada. Uma forma particularmente frequente de se
encontrar é a composição em que um conceito é definido como a
combinação estruturada e organizada de diferentes conceitos par-
ticipantes. No exemplo da Figura 2, podemos ter uma bomba de
combustível como um conceito participante do conceito motor,
considerando que um motor é composto por diferentes peças e
partes, dentre elas uma bomba de combustível.
Hierarquia de conceitos do tipo parte – de e Hierarquia de classes
e instâncias
Para capturar em um sistema de representação um tipo de
relacionamento entre conceitos, como, por exemplo, motor e
bomba de combustível, precisamos enriquecer a representação
com a possibilidade de caracterizar hierarquias parte – de. A re-
presentação gráfica dessa hierarquia pode produzir gráficos de
difícil visualização e leitura, e, por esse motivo, é melhor utilizar-
mos representações textuais nesse tipo de relacionamento entre
conceitos.
As hierarquias parte – de são representadas por intermédio
de expressões que caracterizam teorias formais denominadas te-
orias mereológicas, as quais são construídas com base em duas
formas fundamentais de relacionamento entre conceitos:
• Igualdade (=): dois conceitos são iguais se eles produzem
os mesmos resultados quando ativados de maneira simi-
lar.
• Parte própria (<<): um conceito A é parte própria de um
conceito B se A for diferente de B e, ao mesmo tempo, for
um componente que constitui B, por exemplo, uma peça
essencial para o funcionamento de B.
Formalmente, é exigido que o conceito de parte própria seja
antissimétrico e transitivo, mas o que isso quer dizer?
• Antissimetria: se A << B, então ┐ B << A.
• Transitividade: se A << B e B << C, então A << C.
 © U5 - Representação de Conhecimento 175

Essas duas formas de relacionar conceitos permitem definir

outras formas, que podem ser bastante úteis. Observe a seguir:
• Parte (<): A < B se e somente se A = B ou A << B.
• Sobreposição (●): A●B se e somente se existir um concei-
to C tal que C < A e C < B, ou seja, se A e B compartilharem
um componente comum.
• Disjunção (|): A|B se e somente se ┐A●B.
Teoria axiomática
A teoria axiomática acrescenta constantes e axiomas, não
lógicos, que são necessários para a dedução de novos resultados
mais complexos a partir dos dados de origem. Em uma teoria me-
reológica, podemos definir axiomas, ou seja, propriedades gerais
que devem valer para um dado problema e todos os seus concei-
tos. Veja, a seguir, alguns axiomas que frequentemente são utili-
zados:
• Princípio da suplementação fraca: A<<B → ∃
C.(C<<B)&(C|A).
• Princípio da atomicidade: ∃ A ∃ B.(A<<B)&( ∀
C.((C<<B)→┐(C<<A))).
Intuitivamente, o primeiro axioma indica que se um conceito
A é uma parte própria de um conceito B, então há outros concei-
tos que precisam complementar A, para que a composição total
reconstrua B. O segundo axioma indica a existência de "conceitos
atômicos", ou seja, conceitos que não admitam conceitos "meno-
res" que lhes sejam partes próprias.
O nível seguinte de expressividade de representação coinci-
de com o que usualmente encontramos em linguagens orientadas
a objetos. Além dos relacionamentos entre conceitos vistos até o
momento, incluímos também as noções usuais de agregação e as-
sociação: um conceito pode ser caracterizado como um agregado
de conceitos mais simples – um "coletivo" da Língua Portuguesa.

Claretiano - Centro Universitário

176 © Inteligência Artificial

Assim, ao conceito de alcateia, corresponde um agregado

de indivíduos atômicos da classe lobo; ao conceito de cardume,
corresponde um agregado de peixes etc. Uma associação entre
dois conceitos indica como eles podem se combinar para produzir
efeitos conjuntos. Por exemplo, se tivermos em nosso problema os
conceitos de automóvel e pessoa, eles podem assumir, respectiva-
mente, os papéis de veículo e motorista, e produzirem um efeito
conjunto de movimentação conduzida. Um automóvel pode ser
conduzido por diferentes pessoas, e uma pessoa pode conduzir
diferentes automóveis. Portanto, essa associação tem cardinalida-
de N-M. Outras associações podem ter diferentes cardinalidades,
como 1-N e 1-1, caracterizando diferentes possibilidades de efei-
tos combinados.
Finalmente, as associações entre conceitos podem ser com-
plexas e sofisticadas, exigindo, também, expressões mais comple-
xas e sofisticadas para descrevê-las. Nesse caso, é necessário uti-
lizar um cálculo lógico, como, por exemplo, os cálculos estudados
nas unidades anteriores.
Considerando os conceitos apresentados nesta unidade, um
sistema de Representação de Conhecimento deve ser suficiente-
mente expressivo para descrever um problema e suas soluções de
forma satisfatória. Em contrapartida, quanto mais simples for um
sistema de representação, mais eficiente será a sua manipulação
computacional. Portanto, deve-se sempre procurar sistemas de re-
presentação tão simples quanto possível, desde que seja garanti-
do um detalhamento de representação suficiente para caracterizar
adequadamente cada problema.

7. QUESTÕES AUTOAVALIATIVAS
Procure resolver as questões autoavaliativas para medir o
seu conhecimento. É uma oportunidade para você se preparar
para a avaliação final, que será dissertativa. Se tiver dificuldades,
solicite ajuda de seu tutor web.
 © U5 - Representação de Conhecimento 177

1) Explique, com suas próprias palavras, os sete níveis de

Representação do Conhecimento estudados nesta uni-
dade. Procure diferenciar cada nível e apresentar suas
vantagens e desvantagens em relação aos demais.

2) Realize uma pesquisa sobre Ontologias, que se consti-

tui em uma forma de Representação do Conhecimento.
Após sua pesquisa, discuta com seus colegas de turma e
com seu tutor web sobre as vantagens de Ontologias em
relação às formas estudadas nesta unidade.

8. CONSIDERAÇÕES
Como você pôde perceber, nesta unidade estudamos concei-
tos fundamentais da Representação de Conhecimento. Para tanto,
utilizamos conceitos filosóficos complexos, e você pode ter tido
mais dificuldade nesta que nas unidades anteriores.
A apresentação desses conceitos, entretanto, é útil e impor-
tante, ao menos como referência dos temas que devem ser estuda-
dos para o entendimento dos fundamentos da Inteligência Artificial.
Para uma compreensão mais profunda dos assuntos estudados, su-
gerimos que você consulte as referências bibliográficas indicadas,
especialmente as bibliografias básicas, e realize suas próprias pes-
quisas.

9. REFERÊNCIAS BIBLIOGRÁFICAS
RUSSELL, S.; NORVIG, P. Artificial intelligence: a modern approach. New Jersey: Prentice-
Hall, 1995.
SOWA, J. Knowledge representation: logical, philosophical and computational foundations.
Oxford: Blackwell, 1999.

Claretiano - Centro Universitário

Claretiano - Centro Universitário