Representação e Processamento do

Conhecimento

Conteudista: Prof. Me. Manuel Fernández Paradela Ledón

Revisão Textual: Prof. Me. Luciano Vieira Francisco
Revisão Técnica: Prof. Me. Douglas Almendro

Objetivos da Unidade:

Conhecer diferentes formas de representação e processamento do

conhecimento;

Conhecer as características fundamentais da lógica proposicional e da lógica de

predicados;

Conhecer as características principais das redes neurais artificiais;

Conhecer as características fundamentais da lógica nebulosa ou fuzzy.

📄 Material Teórico
📄 Material Complementar
📄 Referências
📄 Material Teórico
1 /3

Representação de Conhecimento
Já tínhamos comentado anteriormente que as técnicas de Inteligência Artificial (IA) precisam de
conhecimento: representar ou armazenar o conhecimento, processá-lo e modificá-lo. Por este
motivo, a bibliografia e as linhas de pesquisada IA estudam as distintas formas de representar e
organizar o conhecimento, realizar buscas e implementar ações relacionadas ao conhecimento
e à inteligência humana. Portanto, o conhecimento é fundamental para a Inteligência Artificial!

Assim, estudaremos algumas possibilidades que existem para armazenar conhecimento,

algumas mais simples e outras mais complexas.

Lógica Proposicional
A lógica proposicional também é conhecida como lógica das proposições, ou ainda como lógica
simbólica, uma vez que utiliza proposições ou símbolos lógicos.

Veja algumas características da lógica proposicional:

Utiliza proposições interligadas por conectivos lógicos – operadores. Os conectivos

lógicos válidos em lógica proposicional serão mostrados a seguir;

Uma proposição lógica é uma afirmativa adequadamente formada e que terá um

valor verdadeiro ou falso, por exemplo:
p: Montevidéu é a capital do Uruguai – verdadeiro
q: Assunção é a capital do Chile – falso
 Os símbolos proposicionais são representados por letras, geralmente minúsculas,
tais como p, q, r, s, t.

Ademais, os principais conectivos lógicos utilizados em lógica proposicional são:

Λ Conjunção, operação E, por exemplo, p Λ q;

∨ Disjunção, operação OU, por exemplo, p ∨ q;

~ Negação, operação NÃO, em alguns textos usa-se ¬, por exemplo: ~q (não q);

→ Condicional, por exemplo, p → q, “se p então q”;

↔ Bicondicional, por exemplo, p ↔ q, “p se e somente se q”;

( ), Para a agrupação de termos – prioridades – e separação;

≤ < > ≥ = ≠ + – Operadores de relação – comparação – e aritméticos.

Quadro 1 – Verdade das principais operações lógicas

Observe neste Quadro os resultados das principais operações lógicas, onde cada coluna de
resultado mostra os valores de determinado conectivo lógico para valores de p e q. Assim, um
valor 0 significa falso e um valor 1 corresponde a verdadeiro.
Uma proposição lógica poderia ser modificada conhecendo algumas leis e certos teoremas
fundamentais. Assim, veremos alguns dos quais, mas é sugerido aprofundar tais assuntos em
livros de lógica matemática, tais como o de Alencar Filho (2006). Vejamos:

Lei da comutatividade:

p Λ q é equivalente a q Λ p;

p ∨ q é equivalente a q ∨ p.

Lei da associatividade:

(p Λ q) Λ r é equivalente a p Λ (q Λ r);

(p ∨ q) ∨ r é equivalente a p ∨ (q ∨ r).

Lei da distributividade:

p Λ (q ∨ r) é equivalente a (p Λ q) ∨ (p Λ r);

p ∨ (q Λ r) é equivalente a (p ∨ q) Λ (p ∨ r).

Lei ou teorema de Morgan:

~ (p ∨ q) é equivalente a ~p Λ ~q;

~ (p Λ q) é equivalente a ~p ∨ ~q.
Propriedade idempotente:

p Λ p é equivalente a p;

p ∨ p é equivalente a p.

E de que forma a lógica proposicional serviria para armazenar conhecimento? Ou seja, como as
leis, teoremas ou transformações ajudariam a modificar tal saber? Vejamos dois casos:

Exemplo 1:
Sejam os símbolos proposicionais:

p: Luis estava presente na segunda-feira;

q: Luis estava presente na terça-feira.

A seguinte frase: “É falso afirmar que Luis estava presente na segunda-feira ou na terça-feira”
poderia ser expressa em lógica proposicional como:

~ (p ∨ q)

Logo, conhecendo o teorema de Morgan, a proposição lógica anterior seria equivalente a:

~p Λ ~q que, em português, poderia ser lida da seguinte maneira: “Luis não estava presente na
segunda-feira e não estava presente na terça-feira”, ou: “Luis não estava presente nem na

segunda-feira, nem na terça-feira”.

Possivelmente a frase ficou mais clara e nos permite raciocinar melhor!

Exemplo 2:
Suponhamos os símbolos proposicionais a seguir, com os seus respectivos significados:

a: o candidato conhece inglês;

b: o candidato conhece a linguagem C#;

c: o candidato conhece a linguagem Java;

d: o candidato será pré-selecionado.

Como expressá-los em lógica proposicional?

Se o candidato sabe inglês e conhece alguma das linguagens – C# ou Java –, então será pré-

selecionado:

a Λ (b ∨ c) → d

O candidato será pré-selecionado somente se sabe inglês:

d↔a

As leis e os teoremas que estudamos permitem expressar a mesma ideia de formas diferentes,
veja: “Se o candidato sabe inglês e conhece alguma das linguagens – C# ou Java –, então será
pré-selecionado”:

a Λ (b ∨ c) → d

Ademais, utilizando a Lei da distributividade, a proposição lógica anterior poderia ser expressada
como:

(a Λ b) ∨ (a Λ c) → d
Que poderá ser lida em português desta forma: “Se o candidato sabe inglês e conhece C#, ou se
sabe inglês e conhece Java, então será pré-selecionado”.

Para encerrar esta introdução à lógica proposicional, resumamos algumas das suas

características:

Permite armazenar conhecimento;

Suas estruturas permitem raciocinar, inferir, ou seja, fornecem mecanismos

simples de inferência;

Podemos modificar o conhecimento adicionando ou eliminando símbolos

proposicionais, inserindo, modificando ou excluindo proposições lógicas etc.;

Não permite estabelecer relacionamentos entre símbolos proposicionais além das

operações básicas, nem estabelecer níveis de certeza, entre outras limitações;

A implementação – programas para computador – dos mecanismos da lógica

proposicional seria relativamente fácil.

Lógica de Predicados
A Lógica de Primeira Ordem (LPO) – ou lógica de predicados –, igualmente conhecida como
Cálculo de Predicados de Primeira Ordem (CPPO) – ou simplesmente cálculo de predicados –, é

usualmente considerada como uma extensão da lógica proposicional. As possibilidades da lógica

de predicados são superiores às da lógica proposicional.

A lógica de predicados é também uma forma de armazenar conhecimento – da dose “regras”

para raciocínio lógico ou inferência.

O elemento fundamental da lógica de predicados é o próprio predicado. Assim, podemos

considerá-lo como uma função que poderá ter uma lista de parâmetros ou argumentos e que
retornará um valor lógico – verdadeiro ou falso. Se comparado a funções/métodos de Java e de
outras linguagens de programação ou funções matemáticas – que podem retornar valores
numéricos, strings etc. –, um predicado sempre retornará um valor lógico.

Em lógica de predicados podemos utilizar todos os conectivos lógicos – operadores– da lógica

proposicional, mas também são permitidos os chamados quantificadores.

A quantificação é uma construção que especifica para quais indivíduos de um domínio de

discurso se aplica uma proposição lógica. Os quantificadores ∀ e ∃ são utilizados para este
objetivo.

∀x significa “para todo o x”, “para qualquer x”, “qualquer que seja x”, ou seja, exprime fatos
sobre todos os objetos do universo.

∃x significa “existe um x”, “existe algum x”, “existe pelo menos um x”, ou seja, exprime fatos
sobre objetos particulares.

∀ e ∃ são conhecidos respectivamente como quantificadores universal e existencial.

A utilização de quantificadores permite uma melhor descrição da situação que necessitamos

representar, isto é, são elementos que ajudam no sentido de uma melhor compreensão do
problema.

Exemplo 1:
 Progenitor (Ana, Pedro) Ana é a progenitora do Pedro

Progenitor (Pedro, Rosa) Pedro é o progenitor da Rosa

...

Progenitor (Carlos, Heitor)

Homem (Pedro) Pedro é homem

Homem (Luis)

Mulher (Ana) Ana é mulher

Mulher (Rosa)

∀x: ∀y: progenitor(x,y) ^ mulher(x) → mãe (x,y)

A proposição lógica anterior teria o seguinte significado em português: “Para todo x, para todo y,
se x for progenitor de y e x for mulher, então, x é mãe de y”.

∀x: ∀y: progenitor(x,y) ^ homem(x) → pai(x,y)

A proposição lógica anterior teria este sentido em português: “Para todo x, para todo y, se x for
progenitor de y e x for homem, então x é pai de y”.

Exemplo 2:
Outras proposições lógicas mais complexas poderiam ser definidas como continuações do
exemplo anterior. Vejamos, então, proposições que definem avô, irmãos, primos e tio. Assim,
tente fazer uma figura para cada definição – o que lhe permitirá enxergar melhor o
relacionamento definido:

∀x: ∀y: ∀z: progenitor(x,y) ^ progenitor(y,z) ^ homem(x) → avô(x,z)

∀x: ∀y: ∀z: progenitor(x,y) ^ progenitor(x,z) → irmãos(y,z)

∀x: ∀y: ∀a: ∀b:

progenitor(x,y) ^ progenitor(a,b) ^ irmãos(x,a) → primos(y,b)

∀x: ∀a: ∀b: progenitor(a,b) ^ irmãos(a,x) → tio(x,b)

Exemplo 3:

Com fatos – axiomas – considerando a seguinte estrutura:

populacao(nome da cidade, população da cidade)

capital(nome do país, nome da cidade)

Por exemplo:

populacao(Campinas, 2000000)

Ou com uma string: populacao(“Campinas”, 2000000)

populacao(SaoPaulo, 15000000)
Ou com uma string: populacao(“São Paulo”, 15000000)

populacao(Lima,1500000)

populacao(Brasília, 3000000)

capital(Brasil,Brasília)

capital(Peru,Lima)

...

Defina, então e utilizando a lógica de predicados:

1 cidadeGrande(uma cidade que tenha mais de 2.500.000 habitantes)

∀c: ∀h: populacao(c,h) Λ (h > 2500000) → cidadeGrande(c);

2 capital_importante(capitais com mais de 2.500.000 habitantes)

∀c, ∀p: cidadeGrande(c) Λ capital(p,c) → capital_importante(c).

Ou também desta forma:

∀c, ∀p, ∀h: capital(p,c) Λ populacao(c,h) Λ h > 2500000 → capital_importante(c)

Regras de Produção e Sistemas Especialistas

Comentaremos brevemente nesta seção outra forma de armazenar conhecimento e raciocinar,
modo este que foi muito utilizado na elaboração dos chamados sistemas especialistas, tratam-
se das regras de produção, as quais costumam ter uma estrutura semelhante à tomada de
decisão, considerando um nível de certeza ou crença – um valor entre 0 e 1,0 ou percentagem.
Exemplo 1:

Se a grama está molhada hoje de manhã, então há evidência sugestiva (0,8) de que choveu
ontem à noite.

Exemplo 2:

A seguir, veremos um caso de regra no sistema especialista Mycin que fez bastante sucesso nas
décadas de 1960 e 1970, a fim de rápido diagnóstico da meningite e de outras infecções
bacterianas e prescrição do devido tratamento:

if the infection is meningitis and the type of infection is bacterial and

the patient has undergone surgery and

the patient has undergone neurosurgery and
the neurosurgery-time was < 2 months ago and
the patient got a ventricular-urethral-shunt

then infection = [Link](0.8) or klebsiella(0.75)

A base de conhecimento de um sistema especialista poderia ser construída utilizando as regras

de produção, afinal, foi a técnica mais frequente nas tentativas das décadas de 1960 e 1970.

Ademais, um sistema especialista processará a base de conhecimento elaborada com o auxílio

de especialistas humanos altamente qualificados, com a participação de engenheiros de
conhecimento, enquanto que um motor ou uma máquina de inferência processará os dados e,
com a ajuda dos módulos de explicação e aquisição de dados, o sistema especialista se
comunicará com os diferentes participantes. Veja uma descrição geral de um sistema
especialista – expert system:

Figura 1 – Estrutura geral de um sistema especialista

Redes Neurais Artificiais

O estudo das Redes Neurais Artificiais (RNA) é importante dentro do “enfoque conexionista” da
Inteligência Artificial, com ênfase no processamento paralelo, como uma forma computacional
não algorítmica, sendo uma alternativa à computação algorítmica tradicional e também ao
“enfoque simbólico” da IA.

As RNA se inspiram na estrutura biológica do cérebro humano, dado que este possui,
aproximadamente, 1.011 neurônios, sendo que o neurônio é a célula fundamental do cérebro e
suas características permitem que se comuniquem intensamente em paralelo.
Os dendritos recebem os impulsos nervosos de outros neurônios – informações de entrada –,
de modo que o corpo da célula processa tais impulsos e os transmite para outros neurônios
através do axônio – saída. Ademais, a sinapse é o espaço entre o axônio de um neurônio e os

dendritos de outros neurônios.

Figura 2 – O neurônio biológico

Fonte: Adaptada de Wikimedia Commons

O atrativo principal das RNA é a capacidade de aprender por meio de exemplos. Dito de outra
forma, as RNA são treinadas – aprendizado – e assim poderão resolver problemas
posteriormente, ou seja, apreendem.

O primeiro modelo artificial de um neurônio biológico foi proposto em 1943, por Warren
McCulloch – psiquiatra e neuroanatomista – e Walter Pitts – matemático.
Nessa definição, os terminais de entrada X1, X2... Xn representam os dendritos do neurônio,
cada um com um peso – positivo ou negativo – acoplado a cada entrada: pesos W1, W2... Wn.

A saída Y – axônio – será 0 ou 1, ou seja, um nodo dispara (1) ou não dispara (0). Quando a soma

ponderada das entradas ultrapassa o limiar de excitação θ – threshold, letra grega theta –, o
neurônio disparará. Podemos representar o neurônio biológico proposto por McCulloch e Pitts
da seguinte forma:

Figura 3 – Neurônio segundo McCulloch e Pitts – nodo

MCP
Fonte: Adaptada de MCCULLOCH; PITTS

Os neurônios artificiais podem implementar três tipos de portas “básicas”: de limiar linear –

como mostrado na Figura 3, no nodo MCP –, de limiar quadrática e de limiar polinomial.

Na Figura 4, a soma ponderada se comporta como uma função quadrática, aumentando a

capacidade computacional do nodo:
 Figura 4 – Neurônio com porta de limiar quadrática
Fonte: Adaptada de MCCULLOCH; PITTS

As RNA podem ser classificadas pelo número de camadas, ou seja, em redes de camada única ou
de múltiplas camadas. Em uma rede de múltiplas camadas poderão existir dois ou mais nodos –
neurônios – entre uma entrada e uma saída da rede, conforme mostrado nos exemplos b, c e d
da Figura 5.

As RNA podem ser elencadas ainda considerando as conexões entre os nodos, entre condições
cíclicas ou acíclicas. Em uma RNA cíclica – com feedback –, a saída de um nodo na camada i
poderá ser conectada a um nodo em uma camada de posição menor ou igual a i – tal como
mostrado nos exemplos d e e da Figura 5. Ademais, a rede de Hopfield é um exemplo de condição
cíclica.
 Figura 5 – Arquiteturas de rede

As redes MultiLayer Perceptron (MLP) – RNA de tipo perceptron multicamadas – apresentam

vários nodos – neurônios, perceptrons – entre uma entrada e uma saída.
 Figura 6 – Redes MLP

As redes MLP possuem um poder computacional maior que as redes com camada simples e
podem resolver problemas não linearmente separáveis – mais complexos, em geral. Por este
motivo, as redes de múltiplas camadas são as mais efetivas e utilizadas em aplicações com RNA.

Saiba Mais
Aprofunde-se nos temas de treinamento de redes neurais artificiais e
nos algoritmos de aprendizado com RNA. Por exemplo, procure mais
informações sobre o algoritmo de aprendizado mais utilizado e
referenciado nas redes MLP, o algoritmo back-propagation.

Lógica Fuzzy
Esta será a última forma de armazenar conhecimento e raciocinar que estudaremos nesta
Unidade.

A lógica fuzzy lida com a imprecisão, com o conhecimento vago ou a falta de exatidão e sua
utilização emprega como base os conjuntos difusos e a lógica difusa.

Importante!
Antes de estudarmos o que são os conjuntos difusos e a lógica fuzzy,
precisamos observar que não se deve confundir raciocínio
aproximado, vago ou impreciso, com o raciocínio incerto ou a
incerteza. Afinal, o raciocínio incerto está relacionado à teoria das
probabilidades, com a utilização das redes bayesianas para raciocinar
em relação à incerteza.
A teoria dos conjuntos difusos foi introduzida por L. A. Zadeh, em 1965, e serve como base para a
lógica difusa referenciada a partir da década de 1970. Existem alguns sinônimos importantes, a
saber: lógica difusa, lógica nebulosa, lógica fuzzy ou até fuzzy logic – em inglês – e lógica
borrosa – em espanhol.

Como mencionado, a lógica difusa está relacionada ao raciocínio aproximado ou impreciso, isto
é, lida com a imprecisão.

A teoria de conjuntos difusos e a lógica difusa criam as bases para o raciocínio aproximado –
mais uma vez, diferente de raciocínio probabilístico.

Em conjuntos difusos, o valor de Alto(Pedro) não é binário 0 ou 1, tal como aconteceria nas
lógicas proposicional ou de predicados, sendo um valor real entre 0 e 1, como 0,52 ou 0,8, por
exemplo, e que interpretaríamos como uma medida da pertinência a determinado conjunto

difuso.

Veja que este significado também é diferente do resultado binário de pertinência na teoria
clássica de conjuntos – onde temos apenas os resultados 0 ou 1, ou seja, pertence ou não
pertence. Dito de outra forma, a função característica em conjuntos ordinários retorna um valor

do conjunto discreto {0, 1}, enquanto que a função de pertinência em conjuntos nebulosos ou
difusos retornará um valor real no intervalo de valores [0, 1].

Assim, um estudo sobre conjuntos ordinários – ou crisp sets, conjuntos abruptos – seria
interessante antes de estudar os conjuntos nebulosos ou difusos.

De forma geral, o valor de pertinência antes mencionado é determinado por uma função de
pertinência que mostra o grau em que um elemento pertence a um conjunto difuso. A “função
característica” dos conjuntos ordinários é substituída por uma “função de pertinência”. Logo,
um conjunto difuso (A, µA) pode ser assim descrito:

µA: S → [0, 1] µA retorna valores no intervalo de 0 a 1;

 µA(x) → [0, 1] µA(x) é a função de pertinência de um valor x ao conjunto difuso.

A função µA(x) retorna o grau de pertinência de um elemento x ao conjunto difuso (A, µA),
sendo x ∈ ao universo S e A ⊆ S.

Portanto, se µA(x) = 0 é porque x não pertence ao conjunto, e se µA(x) = 1 é porque x pertence

totalmente. Valores intermediários entre 0 e 1 representam graus ou níveis de pertinência de x
ao conjunto nebuloso (A, µA).

Ademais, as “funções de pertinência” poderiam ter qualquer forma, mas a bibliografia cita como
as mais utilizadas as funções gaussianas, triangulares e trapezoidais.

Figura 7 – Funções de pertinência mais utilizadas

Mas como utilizar os conjuntos difusos para raciocinar e tomar decisões? Vejamos alguns
exemplos:

Exemplo 1:

Na Figura 8 mostramos vários conjuntos difusos com funções de pertinência que retornam um
valor entre 0 e 1, dependendo do valor da temperatura corporal de uma pessoa. Ora, uma

temperatura de 41 °C pertencerá, sem dúvidas, ao conjunto difuso de temperatura “muito alta”.

 Figura 8

Exemplo 2:

Na Figura 9 mostramos três conjuntos difusos com funções de pertinência que retornam um
valor entre 0 e 1, dependendo do valor da idade de uma pessoa. Tais funções de pertinência
permitem determinar se uma pessoa é jovem, madura ou velha. Ou seja, para uma idade de 50

anos, temos um valor 1,0 – máximo – de pertinência ao conjunto difuso “maduro”, mas para
uma idade de 28 anos, a função de pertinência ao conjunto difuso “maduro” retornará um valor
praticamente zero.

Figura 9
Um sistema de raciocínio baseado em lógica nebulosa contará com as características dessa
lógica para efetuar cálculos avançados. Por exemplo, observe as propriedades a seguir, as quais
apresentam algumas operações básicas com conjuntos difusos:

Negação: μ ¬ A(x) = 1 - μA(x);

União: μA ∪ B(x) = máx. [μA(x), μB(x)];

Interseção: μA ∩ B(x) = min. [μA(x), μB(x)].

Exemplo 3:

Sejam dois conjuntos difusos A e B, sendo μA(x) = 0,3 e μB(x) = 0,6:

μ ¬ A(x) = 1 - 0,3 = 0,7;

μA ∪ B(x) = 0,6 que é o máx. [μA(x), μB(x)];

μA ∩ B(x) = 0,3 que é o min. [μA(x), μB(x)];

A lógica difusa é amplamente utilizada em diferentes situações práticas da indústria, em

equipamentos eletrônicos, aparelhos domésticos etc. Os sistemas difusos de tipo Mamdani ou
controladores difusos são os mais empregados nas aplicações práticas, por permitirem a
manipulação de entradas/saídas reais, ou seja, podendo receber valores analógicos medidos

com sensores, sendo transformados em valores para processamento pela lógica fuzzy e que
poderiam retornar, novamente, uma saída analógica.
Figura 10 – Sistemas difusos
📄 Material Complementar
2/3

Indicações para saber mais sobre os assuntos abordados nesta Unidade:

Leitura

Redes Neurais Artificiais

Como Material complementar desta Unidade, leia o artigo intitulado Redes neurais artificiais, de
Emerson Alecrim, o qual traz o tema com uma abordagem simples e clara.

Clique no botão para conferir o conteúdo.

ACESSE

Lógica Fuzzy: Conceitos e Aplicações

Clique no botão para conferir o conteúdo.

ACESSE
Introdução à Lógica Difusa

Clique no botão para conferir o conteúdo.

ACESSE

Redes Neurais Artificiais

Clique no botão para conferir o conteúdo.

ACESSE
📄 Referências
3/3

ALENCAR FILHO, E. de. Iniciação à lógica matemática. São Paulo: Nobel, 2006.

BRAGA, A. P.; LUDERMIR, T. B.; CARVALHO, A. C. P. Redes neurais artificias: teoria e aplicações.
Rio de Janeiro: LTC, 2000.

FERREIRA, A. B. de H. Novo dicionário eletrônico Aurélio – versão 6.0. Curitiba, PR: Positivo,
2009.

GANASCIA, J. Inteligência artificial. São Paulo: Ática, 1997.

HAUSER, L. Artificial intelligence. Internet Encyclopedia of Philosophy, [20--]. Disponível em:

<[Link] Acesso em: 30/10/2017.

HAYKIN, S. Redes neurais – princípios e prática. 2. ed. Porto Alegre, RS: Bookman, 2001.

LUGER, G. F. Inteligência artificial. 6. ed. São Paulo: Pearson Education do Brasil, 2013.

RICH, E.; KNIGHT, K. Inteligência artificial. 2. ed. São Paulo: McGraw-Hill do Brasil, 1994.

RIGNEL, D. G. de S.; CHENCI, G. P.; LUCAS, C. A. Uma introdução à lógica fuzzy. Revista Eletrônica
de Sistemas de Informação e Gestão Tecnológica, v. 1, n. 1, 2011. Disponível em:

<[Link]
content/uploads/2013/04/uma_introducao_a_logica_fuzzy.pdf>. Acesso em: 8/11/2017.
ROSA, J. L. G. Fundamentos da inteligência artificial. Rio de Janeiro: LTC, 2011.

RUSSELL, S. J.; NORVIG, P. Inteligência artificial: referência completa para cursos de

Computação. 2. ed. Rio de Janeiro: Elsevier, 2004.

WINSTON, P. H. Inteligência artificial. Rio de Janeiro: LTC, 1988.