Não se tem uma definição única de IA; porém, de acordo com Luger (2004), ela pode ser definida como um ramo da ciência da computação voltado para a automação do comportamento inteligente, se preocupando em fundamentar em sólidas bases os princípios teóricos e práticos desta área, incluindo para tanto as estruturas de dados para representação do conhecimento, os algoritmos de aplicação e as linguagens e técnicas de programação necessárias a sua implementação.
Segundo Perlingeiro (2005), uma das técnicas utilizadas pela IA para resolver problemas complexos é a sua decomposição em problemas mais simples. No que tange sua aplicação no projeto, essa decomposição pode ser feita em subproblemas tecnológico, estrutural e paramétrico. Uma outra abordagem consiste em dividir um problema em duas etapas: representação e resolução. Na etapa de representação, busca-se identificar todas as soluções possíveis, representando-as de forma que a ordem definida implique em um procedimento para a resolução. Na fase de resolução, por sua vez, busca-se a solução ótima do problema, orientada pela representação construída.
Embora possam ser encontrados vestígios de tentativas de compreensão do funcionamento da inteligência humana nas reflexões de alguns filósofos desde a Grécia Antiga (tal como Aristóteles), segundo Nascimento Jr. e Yoneyama (2000), historicamente o surgimento da IA data de 1948, quando N. Wiener definiu o termo cibernética, que engloba, entre outros assuntos, o estudo da inteligência de máquinas. A partir daí, outros pesquisadores foram dando corpo e maior importância a essa área do conhecimento. Tal como Alan Turing, que propôs em 1950 o denominado Turing Test para avaliar comparativamente a inteligência de uma máquina (computador digital) em contraste com a inteligência de um ser humano.
Em 1956, os estudos sobre a construção de inteligência se intensificaram nos Estados Unidos e começaram a ser denominados por IA a partir da conferência proferida ao Darmouth College, na Universidade de New Hampshire, evento que reuniu diversos pesquisadores interessados no assunto (Maia, 1998 apud Rocha, 2006).
Em 1970 vários protótipos de sistemas especialistas obtiveram sucesso para interpretação de espectogramas de massa (DENTRAL), análise de dados geológicos para pesquisa de depósitos de petróleo (DIPMETER) e minerais (PROSPECTOR) e sistemas de configuração de computadores (XCON/R1) (Rocha, 2006).
A IA abrange diversas subáreas com foco em diferentes estudos e ferramentas, podendo citar os sistemas especialistas, compreensão da linguagem natural e modelagem semântica, modelamento do desempenho humano, planejamento, robótica, aprendizagem de máquina e representações alternativas. Essa última se preocupa com a representação explicita do conhecimento e algoritmos de busca. Destacam-se nesse âmbito as redes neurais artificiais (RNA) e os algoritmos genéticos (AG).
Segundo Souza (2008), os algoritmos genéticos (AG) constituem um tipo de metaheurística fundamentada em analogia com os processos naturais de evolução, onde, em uma dada população, indivíduos providos de melhores características genéticas estarão propensos a uma maior chance de sobrevivência e transmissão de suas características à novas gerações.
2.4.1 Redes neurais artificiais (RNA)
A concepção de RNA ocorreu na década de 40 pelo neurofisiologista Warren McCulloch e pelo matemático Walter Pitts, que estabeleceram uma analogia entre as células nervosas vivas e o processamento eletrônico. A partir da década de 80 surgiram inúmeros modelos para desenvolver e aplicar essa tecnologia (Tafner, 2006 apud Paula, 2006).
As RNAs representam uma abordagem em IA utilizada para implementar a inteligência em máquinas (computadores digitais) embasada em modelos que emulam a estrutura de funcionamento dos neurônios no cérebro humano (Luger, 2004). Sua origem remonta aos modelos matemáticos e de engenharia de neurônios biológicos (Kovács, 2006).
De acordo com Haykin (2001) (apud Paula, 2006), uma RNA consta de um processador distribuído paralelamente, composto de unidades simples de processamento, possuindo
tendência natural de acumular conhecimento empírico (aprendizagem) e disponibilizar mecanismos de recuperação (memorização).
Segundo Ezugwu et alii (2005) (apud Pontes, 2006), as RNAs representam uma poderosa técnica de modelagem, permitindo-se modelar relações cuja descrição com a utilização de modelos físicos seria difícil.
Porém, de acordo com Medeiros (1999), para que as soluções derivadas do uso de RNA tenham desempenho satisfatório, os problemas devem ser tolerantes a uma determinada imprecisão, dispor de uma grande quantidade de dados de treinamento e não necessitar de regras de decisão discretas (por exemplo, 0 ou 1, sim ou não). Algumas aplicações das RNA são: o reconhecimento de padrões em imagens, processamento de voz, processamento de sinais, análise de séries temporais, simulação de sistemas biológicos, diagnósticos médicos e previsões no mercado financeiro.
Mello (2004) (apud Paula, 2006) destaca que uma RNA é capaz de reconhecer padrões, obter regularidades e perceber relações subjacentes em uma massa de dados a priori desconexa, apresentando inclusive habilidades de trabalhar com dados incompletos, com interferência ou imprecisos e de prever sistemas não-lineares.
2.4.1.1 O neurônio biológico
Conforme Luger (2004), o neurônio biológico é uma célula delimitada por uma fina membrana celular que possui determinadas propriedades que permitem o funcionamento elétrico da célula nervosa. Um esquema simplificado de neurônio (Fig. 2.9) é composto de um corpo celular que possui diversas saliências ramificadas, denominadas dendritos, e de um único ramo chamado de axônio. Os neurônios se comunicam com os vizinhos através de sinais na forma de impulsos elétricos que se propagam por meio do axônio. As sinapses são pontos de contato entre as terminações do axônio de um neurônio com os dendritos de outros, podendo ser excitatórias ou inibitórias, dependendo se contribuem para elevar ou diminuir o sinal global do neurônio receptor.
Figura 2.9 – Esquema simplificado de neurônio biológico. Fonte: Tavares, 2001.
2.4.1.2 O perceptron
Uma RNA, similarmente ao seu paralelo biológico, é composta por um determinado número de neurônios conectados por conexões sinápticas. Cada conexão sináptica possui um peso associado, onde o conhecimento acumulado na rede depende diretamente da atualização desses pesos. Alguns desses neurônios são conectados ao ambiente externo, tratando-se das entradas e das saídas da rede. Cada neurônio possui um conjunto de entradas e de saídas ligadas a outros neurônios, exceto os neurônios de entrada e de saída que possuem um ou outro. Um neurônio possui um patamar atual de ativação que deriva da conjugação das entradas atuais recebidas com os pesos sinápticos das conexões, cujo valor resultante poderá ativar ou não as saídas deste neurônio (Medeiros, 2006).
A Figura 2.10 apresenta um modelo de neurônio chamado de perceptron, pesquisado e desenvolvido por Rosenblatt nas décadas de 50 e 60.
Figura 2.10 – Modelo de um neurônio perceptron de Rosenblatt. Fonte: Adaptado de Medeiros (2004, p. 3)
Nesse modelo de neurônio, o perceptron, as variáveis apresentadas são as seguintes: