INTRODUÇÃO À INTELIGÊNCIA

ARTIFICIAL
AULA 5

Prof. Elton Masaharu Sato

 CONVERSA INICIAL

Bem-vindos à nossa quinta aula de Introdução à Inteligência Artificial!

Hoje, vamos mergulhar no fascinante mundo dos agentes inteligentes. Esses
agentes estão presentes em muitas tecnologias que usamos diariamente,
desde assistentes virtuais até carros autônomos.

Vamos explorar o que torna um agente inteligente, como ele percebe o

ambiente ao seu redor com sensores, e como ele age sobre ele com
atuadores. Aprenderemos sobre os diferentes tipos de agentes, desde os mais
simples, reativos, até os mais complexos, baseados em objetivos. Discutiremos
também as características e componentes dos sistemas inteligentes, e os
diversos tipos que existem.

Esta aula contemplará os seguintes tópicos:

Tema 1: O que é um agente inteligente?

Tema 2: Tabela de Regras de um Agente
Tema 3: Tipos de Agentes Inteligentes
Tema 4: Tipos de Sistemas Inteligentes
Tema 5: Árvores de Decisão e Redes Bayesianas

2
 TEMA 1 – O que é um agente inteligente?

Figura 1: Uma pintura aquarela de um agente inteligente.

Fonte: Dall-E 3 / Elton Sato

No contexto da inteligência artificial, um agente inteligente é uma

entidade capaz de perceber seu ambiente através de sensores, tomar decisões
com base nessas percepções e agir no ambiente usando atuadores para
alcançar objetivos específicos. Agentes inteligentes podem variar em
complexidade, desde simples programas de software até robôs sofisticados
que interagem de maneira autônoma com o mundo físico.

Tema 1.1 Definição de Agente Inteligente

Um agente inteligente é definido como qualquer hardware ou software

que possa ser vista como percebendo seu ambiente através de sensores e
agindo sobre esse ambiente através de atuadores. A essência de um agente
inteligente é sua capacidade de tomar decisões informadas para maximizar
suas chances de sucesso ou atingir seus objetivos.

3
 Figura 2: Um braço robótico em uma linha de produção.

Fonte: Dall-E 3 / Elton Sato

Tema 1.2 Sensores e Atuadores

Sensores são dispositivos que coletam informações do ambiente e as

convertem em dados que podem ser processados por um agente. Dependendo
do tipo de agente e de suas funções, os sensores podem variar enormemente.
Aqui estão alguns exemplos:

1. Sensores Visuais: Câmeras, sensores de luz, e outros dispositivos de

imagem que permitem ao agente "ver" o ambiente.
2. Sensores Auditivos: Microfones e outros dispositivos que captam
ondas sonoras, permitindo ao agente "ouvir".
3. Sensores Táteis: Sensores de toque e de pressão que permitem ao
agente "sentir" objetos físicos.
4. Sensores de Movimento: Acelerômetros e giroscópios que ajudam o
agente a detectar movimentos e orientar-se no espaço.
5. Sensores de Proximidade: Sensores que detectam a presença de
objetos próximos sem contato físico, como sensores infravermelhos ou
ultrassônicos.

4
 Atuadores são componentes que permitem ao agente executar ações no
ambiente. Eles recebem comandos do sistema de controle do agente e
realizam as ações correspondentes. Os atuadores podem incluir:

1. Motores: Utilizados para movimento, como em rodas ou braços

robóticos.
2. Displays: Monitores e LEDs para comunicação visual.
3. Alto-falantes: Para comunicação auditiva.
4. Braços Robóticos: Equipados com várias articulações para manipular
objetos.

Exemplos de Agentes Inteligentes:

1. Robôs de Limpeza: Equipados com sensores de proximidade e

câmeras, esses robôs detectam sujeira e obstáculos, decidindo a rota
ótima para limpar um ambiente. Seus atuadores são motores
conectados a rodas e as escovas que varrem a sujeira.
2. Carros Autônomos: Utilizam uma vasta gama de sensores, incluindo
câmeras, LIDAR e radares, para navegar e tomar decisões de direção
em tempo real. Os carros autônomos possuem diversos tipos de
atuadores, motor do carro, ar condicionado, sistema de som, luzes e
faróis, pára-brisas, etc.
3. Assistentes Virtuais: Como Siri ou Alexa, que utilizam microfones para
perceber comandos de voz e alto-falantes para responder.

Agentes inteligentes possuem os sensores e atuadores, mas na camada

interna de processamento das informações, diversas formas de raciocínio e
formas de decisão podem ser implementadas, alguns exemplos são as
diversas inteligências artificiais estudadas nesta disciplina.

5
 Figura 3: Um robô utilizando sensores e atuadores para jogar xadrez.

Fonte: Dall-E 3 / Elton Sato

PONTOS IMPORTANTES

 O que é um agente inteligente

 O que são sensores para agentes inteligentes

 O que são atuadores para agentes inteligentes

6
 TEMA 2 – Tabela de Regras de um Agente

Figura 4: Uma pintura aquarela de um robô em um fluxograma.

Fonte: Dall-E 3 / Elton Sato

A tabela de regras é um conceito fundamental na construção de agentes

inteligentes. Ela representa a lógica de decisão que um agente utiliza para
realizar ações com base em seus estados perceptíveis. Neste tema,
exploraremos a definição, estrutura e implementação de uma tabela de regras,
discutindo como ela contribui para o comportamento dos agentes e fornecendo
exemplos práticos para ilustrar sua aplicação.

Tema 2.1 O que é uma Tabela de Regras?

Uma tabela de regras é uma estrutura que define um conjunto de

condições e as ações correspondentes que um agente deve executar quando
essas condições são satisfeitas. Essencialmente, a tabela de regras funciona
como um "manual de instruções" para o agente, permitindo que ele responda
de maneira apropriada aos diferentes estados do ambiente.

7
 As tabelas de regras eram uma das primeiras formas que inteligências
artificiais foram estudadas e aplicadas com um certo grau de sucesso, e
existem várias formas de implementar uma tabela, e aqui demonstraremos
duas.

A estrutura básica de uma tabela de regras sempre envolverá:

1. Condições (ou Percepções): Estas são as entradas sensoriais que o

agente recebe do ambiente. Podem incluir variáveis como a posição de
objetos, a presença de obstáculos, a leitura de sensores de luz,
temperatura, entre outros.

2. Ações: São as saídas ou respostas do agente com base nas condições

percebidas. Podem incluir movimentos, mudanças de estado, ativações
de atuadores, etc.

3. Regras: Cada regra associa uma ou mais condições a uma ou mais

ações. A forma mais simples de uma regra é a estrutura "se-condição-
então-ação".

Figura 5: Uma figura de um robô limpando uma sala.

Fonte: Dall-E 3 / Elton Sato

8
 Este robô possui sensores e atuadores que o permitem interagir com o
ambiente. Vamos imaginar que este robô é responsável por manter dois
cômodos de uma casa limpas, um quarto e uma cozinha.

Figura 6: Uma figura de um robô limpando um quarto.

Fonte: Dall-E 3 / Elton Sato

Figura 7: Uma figura de um robô limpando uma cozinha.

Fonte: Dall-E 3 / Elton Sato

9
 Exemplo de Tabela de Regras
Está no Quarto Está na Cozinha

Sujo Limpa a Sala Limpa a Sala

Limpo Se move para a Cozinha Se move para o Quarto

Neste exemplo, as condições são leituras dos sensores para verificar se

o agente inteligente está na cozinha ou no quarto, e se o local está sujo ou
limpo. As ações são comandos para o agente que dependem da situação do
agente.

A implementação de uma tabela de regras pode variar dependendo da

complexidade do agente e do ambiente em que ele opera. Para agentes
simples, uma abordagem direta usando estruturas de controle básicas, como
if-else, pode ser suficiente. Em sistemas mais complexos, pode ser
necessário usar técnicas mais avançadas, como árvores de decisão ou
máquinas de estados finitos.

Pseudo-código para uma tabela de regras simples:

if sujo:
limpar()
elif esta_no_quarto:
vai_para_a_cozinha()
elif esta_na_cozinha:
vai_para_o_quarto()

Este pseudo-código representa a lógica de decisão de um agente

baseado na tabela de regras simples. E como puderam perceber, este tipo de
inteligência artificial se enquadra como um sistema especialista.

PONTOS IMPORTANTES

 O que é uma Tabela de Regras

 Estrutura básica de uma Tabela de Regras

 Entender como uma Tabela de Regras pode se tornar um código

10
 TEMA 3 – Tipos de Agentes Inteligentes

Figura 8: Um agente inteligente aprendendo.

Fonte: Dall-E 3 / Elton Sato

Os agentes inteligentes são uma das principais áreas de estudo dentro

da inteligência artificial. Eles são sistemas que percebem seu ambiente através
de sensores e atuam sobre ele através de atuadores. A complexidade e a
inteligência de um agente dependem de como ele processa a informação
recebida e toma decisões. Neste tema, exploraremos detalhadamente os
diferentes tipos de agentes inteligentes: reativos, baseados em modelos,
baseados em objetivos, baseados em utilidade, e os com aprendizado.

11
 Tema 3.1 - Agentes Reativos

Os agentes reativos são o tipo mais simples de agente inteligente. Eles

tomam decisões com base nas percepções imediatas do ambiente, sem
qualquer forma de memória ou consideração de estados passados. Isso
significa que sua resposta é diretamente acionada por estímulos presentes. Um
exemplo clássico de agente reativo é um termostato, que liga ou desliga o
aquecimento baseado na temperatura atual.

Figura 9: Diagrama de um Agente Reativo.

Fonte: Inteligência Artificia, Russel;Norvig.

12
 Tema 3.2 - Agentes Reativos Baseados em Modelos

Os agentes baseados em modelos possuem um entendimento mais

sofisticado do mundo. Eles não apenas respondem às percepções imediatas,
mas também mantêm um modelo interno do estado do ambiente. Este modelo
permite que eles considerem os estados passados e prevejam estados futuros,
tornando suas decisões mais informadas e eficazes. Um exemplo disso é um
aspirador de pó robótico que mapeia o ambiente e planeja rotas otimizadas
para limpar a área eficientemente.

Figura 10: Diagrama de um Agente Baseado em Modelos.

Fonte: Inteligência Artificia, Russel;Norvig.

13
 Tema 3.3 - Agentes Baseados em Objetivos

Os agentes baseados em objetivos têm um ou mais objetivos

específicos que guiam seu comportamento. Além de possuir um modelo do
mundo, esses agentes também utilizam objetivos para determinar quais ações
devem ser tomadas para alcançar esses objetivos. Por exemplo, um sistema
de navegação de um carro autônomo que precisa chegar a um destino
específico é um agente baseado em objetivos. Ele considera a melhor rota,
evita obstáculos e segue as regras de trânsito para atingir o objetivo final.

Figura 11: Diagrama de um Agente Baseado em Objetivos.

Fonte: Inteligência Artificia, Russel;Norvig.

14
 Tema 3.4 - Agentes Baseados em Utilidade

Os agentes baseados em utilidade são uma forma mais avançada de

agentes baseados em objetivos. Além de buscar atingir um objetivo, eles
consideram a utilidade (ou valor) das possíveis ações para tomar decisões que
maximizem a satisfação de uma função de utilidade. Em outras palavras, eles
avaliam múltiplos critérios para determinar a melhor ação a ser tomada. Um
exemplo é um assistente pessoal virtual que não apenas agenda
compromissos, mas também prioriza eventos baseados na importância, tempo
disponível e preferências do usuário.

Figura 11: Diagrama de um Agente Baseado em Utilidade.

Fonte: Inteligência Artificia, Russel;Norvig.

15
 Tema 3.5 - Agentes com Aprendizado

Os agentes com aprendizado são capazes de melhorar seu

desempenho ao longo do tempo com base na experiência adquirida. Estes
agentes utilizam técnicas de aprendizado de máquina para ajustar seu
comportamento com base em dados passados, aprimorando suas ações
futuras. Existem várias abordagens para o aprendizado em agentes, incluindo
aprendizado supervisionado, não supervisionado e por reforço. Um exemplo é
um sistema de recomendação de filmes, que aprende as preferências dos
usuários ao longo do tempo para sugerir filmes mais relevantes.

Figura 12: Diagrama de um Agente com Aprendizado.

Fonte: Inteligência Artificia, Russel;Norvig.

16
 Tema 3.6 - Comparação e Aplicações

Comparação entre os Tipos de Agentes

 Reativos: Simples, respondem diretamente às percepções.
 Baseados em Modelos: Consideram estados passados e preveem
estados futuros.
 Baseados em Objetivos: Guiados por objetivos específicos, planejam
ações para alcançar esses objetivos.
 Baseados em Utilidade: Maximização de uma função de utilidade,
consideram múltiplos critérios.
 Com Aprendizado: Melhoram seu desempenho ao longo do tempo com
base na experiência e dados adquiridos.

Os agentes inteligentes são amplamente aplicados em diversas áreas, cada

um com suas especificidades de acordo com o tipo de agente:
 Agentes Reativos: Sistemas de controle simples, como alarmes de
incêndio e dispositivos IoT básicos.
 Agentes Baseados em Modelos: Robôs de limpeza, drones de
mapeamento e sistemas de monitoramento.
 Agentes Baseados em Objetivos: Veículos autônomos, sistemas de
gerenciamento de tarefas e assistentes de navegação.
 Agentes Baseados em Utilidade: Assistentes pessoais avançados,
sistemas de recomendação e gerenciadores de investimentos
financeiros.
 Com Aprendizado: Sistemas de recomendação, chatbots inteligentes e
plataformas de personalização de conteúdo.

PONTOS IMPORTANTES

 Tipos de Agentes Inteligentes

 Comparação entre Agentes Inteligentes

 Aplicações dos diferentes Tipos de Agentes Inteligentes

17
 TEMA 4 – Tipos de Sistemas Inteligentes

Figura 13: Uma pintura aquarela de um agente inteligente e seus diferentes tipos.

Fonte: Dall-E 3 / Elton Sato

Os sistemas inteligentes são categorizados de diversas maneiras para

entender melhor seus comportamentos e aplicações. Nesta seção,
exploraremos essas classificações, destacando suas características e
exemplos práticos. A seguir, apresentamos os tipos de sistemas inteligentes
divididos em categorias distintas:

Tema 4.1 Sequencial vs. Episódico

Os sistemas inteligentes podem ser classificados como sequenciais ou

episódicos, dependendo da dependência das ações futuras em relação às
ações passadas.

 Sequencial: Em sistemas sequenciais, as ações futuras dependem das

ações passadas. Cada decisão tomada influencia diretamente as

18
 decisões subsequentes. Exemplos incluem jogos de xadrez e problemas
de planejamento onde a sequência de movimentos importa.
 Episódico: Em sistemas episódicos, as ações são independentes umas
das outras. Cada decisão é tomada sem considerar as decisões
anteriores. Isso é comum em tarefas como classificação de imagens,
onde cada imagem é analisada de forma independente. Exemplos
incluem alarmes e medidores de temperatura.

Tema 4.2 Observável Completo vs. Observável Parcial

Esta classificação se refere ao grau de informação disponível para o

agente sobre o estado do ambiente (esta característica é similar à informação
perfeita/imperfeita em teoria de jogos).

 Observável Completo: O agente tem acesso a todas as informações

relevantes sobre o estado do ambiente em qualquer momento. Isso
facilita a tomada de decisões, como xadrez onde todas as peças estão
visíveis.
 Observável Parcial: O agente só tem acesso a uma parte das
informações sobre o estado do ambiente, necessitando inferir ou prever
informações ausentes. Exemplos clássicos são jogos de cartas como
poker.

Tema 4.3 Estático vs. Dinâmico

A dinâmica do ambiente também é um fator crucial na classificação dos

sistemas inteligentes.

 Estático: O ambiente não muda enquanto o agente está deliberando. A

única mudança no ambiente é resultado das ações do agente. Exemplos
incluem resolver quebra-cabeças ou jogos de tabuleiro.
 Dinâmico: O ambiente pode mudar independentemente das ações do
agente, requerendo adaptação contínua. Sistemas de navegação em
19
 tempo real, onde o tráfego e outras condições mudam constantemente,
exemplificam ambientes dinâmicos.

Tema 4.4 Determinístico vs. Estocástico

Esta categoria se refere à previsibilidade das ações e resultados no

ambiente.

 Determinístico: Cada ação tem um resultado previsível e definido. Não

há incerteza nos efeitos das ações do agente. Exemplos incluem
programas de computador que executam tarefas pré-definidas com
resultados esperados.
 Estocástico: As ações têm resultados probabilísticos e imprevisíveis. A
incerteza é uma característica inerente. Jogar um dado ou prever o clima
são exemplos de ambientes estocásticos.

Tema 4.5 Discreto vs. Contínuo

Esta classificação refere-se à natureza dos estados e ações no

ambiente.

 Discreto: O ambiente tem um número finito de estados e ações. Jogos

de tabuleiro e problemas de navegação em grafos são exemplos típicos.
 Contínuo: O ambiente tem um número infinito de estados e ações
possíveis, exigindo técnicas mais sofisticadas para representação e
decisão. Controlar um robô móvel ou dirigir um carro são exemplos de
ambientes contínuos.

20
 Tema 4.6 Individual vs. Multiagente

Esta classificação refere-se ao número de agentes operando no

ambiente.

 Individual: Apenas um agente opera no ambiente. Exemplos incluem

um aspirador de pó robótico em uma casa.
 Multiagente: Vários agentes interagem no mesmo ambiente,
colaborando ou competindo entre si. Jogos multiplayer e sistemas de
negociação automática são exemplos de ambientes multiagente.

PONTOS IMPORTANTES

 Tipos de Sistemas Inteligentes

 Características que definem Sistemas Inteligentes

21
 TEMA 5 – Árvores de Decisão e Buscas

Figura 14: Uma pintura aquarela de um agente inteligente se tornando uma árvore.

Fonte: Dall-E 3 / Elton Sato

As árvores de decisão e as buscas em árvores são conceitos

fundamentais na inteligência artificial (IA), desempenhando um papel crucial na
tomada de decisões e na solução de problemas complexos. Neste tema,
exploraremos detalhadamente o que são árvores de decisão, como são
utilizadas, os diferentes tipos de algoritmos de busca em árvores e suas
aplicações práticas. Este conhecimento fornecerá uma base sólida para
compreender como os agentes inteligentes tomam decisões e resolvem
problemas.

Tema 5.1 O que são Árvores de Decisão?

Árvores de decisão são estruturas de dados hierárquicas que modelam

decisões e suas possíveis consequências, incluindo resultados, custos e
utilidades. Elas são usadas para representar e analisar processos de tomada

22
 de decisão, onde cada nó da árvore representa uma decisão ou teste, e cada
ramo representa o resultado dessa decisão.

Estrutura de uma árvore de decisão:

1. Nó Raiz: O nó superior da árvore, que representa a decisão inicial ou

teste. Na figura 15, é o nó avermelhado.

2. Nós Internos: Nós que representam testes ou decisões intermediárias.

Na figura 15, são os nós azuis.
3. Nós Folha: Nós terminais que representam o resultado final ou a
decisão tomada. Na figura 15, são os nós verdes.

Figura 15: Exemplo de uma Árvode de Decisão.

Fonte: Elton Sato

23
 Tema 5.2 Construção de uma Árvore de Decisão

A construção de uma árvore de decisão envolve selecionar a variável

que mais eficazmente divide os dados em grupos homogêneos. Este processo
é repetido recursivamente para cada subconjunto resultante, até que os dados
estejam perfeitamente classificados ou um critério de parada seja alcançado.

Construir uma árvore de decisão pode parecer complicado à primeira

vista, mas vamos simplificar esse processo passo a passo. Imagine que você
está tentando ensinar um robô a decidir se deve sair para passear com seu
cachorro com base em diferentes condições climáticas. Você quer que o robô
considere fatores como "Está chovendo?" e "Está ensolarado?". Aqui está
como você pode construir uma árvore de decisão para ajudá-lo:

1. Escolher a Primeira Pergunta: Primeiro, precisamos escolher a

pergunta mais importante que ajuda a dividir as situações de forma mais
clara. Por exemplo, a primeira pergunta pode ser: "Está chovendo?".
2. Dividir as Respostas: Com base nas respostas ("Sim" ou "Não") para a
primeira pergunta, dividimos as situações em dois grupos. Se a resposta
for "Sim", o robô sabe que não deve sair para um passeio. Se a resposta
for "Não", o robô passa para a próxima pergunta.
3. Fazer Mais Perguntas: Para o grupo onde a resposta foi "Não" (não
está chovendo), fazemos outra pergunta, como "O cachorro já passeou
hoje?". Novamente, dividimos as situações com base nas respostas.
4. Continuar até as Decisões Finais: Repetimos esse processo até que
tenhamos feito perguntas suficientes para chegar a uma decisão final
em cada ramo da árvore. Por exemplo, se a resposta para "O cachorro
já passeou hoje?" for "Não", o robô decide que deve sair para um
passeio. Se for "Sim", talvez ele deva ficar em casa.

Árvores de decisão e buscas em árvores são amplamente utilizadas em

diversos campos, incluindo:

 Diagnóstico Médico: Para identificar doenças com base em sintomas.

24
  Sistemas de Recomendação: Para sugerir produtos ou serviços com
base em preferências do usuário.
 Jogos de Tabuleiro: Para avaliar movimentos possíveis e estratégias
vencedoras.

PONTOS IMPORTANTES

 O que é uma Árvore de Decisão

 Estrutura de uma Árvore de Decisão

 Aplicações de uma árvore de decisões

25
 FINALIZANDO

Hoje exploramos o fascinante mundo dos agentes inteligentes,

começando pelo entendimento dos componentes essenciais como sensores e
atuadores. Vimos como as tabelas de regras guiam o comportamento dos
agentes e discutimos os diferentes tipos de agentes, desde os reativos até
aqueles com objetivos complexos. Analisamos as diversas características dos
sistemas inteligentes, considerando fatores como observabilidade, dinamismo e
determinismo. Também introduzimos técnicas fundamentais como árvores de
decisão, que são cruciais para a tomada de decisão em diversos sistemas
inteligentes.

REFERÊNCIAS

Russell, Stuart J., and Peter Norvig. Artificial intelligence a modern

approach. London, 2010.
Wooldridge, Michael. An introduction to multiagent systems. John wiley &
sons, 2009.
Wooldridge, Michael. A brief history of artificial intelligence: what it is,
where we are, and where we are going. Flatiron Books, 2021.

26