Inteligência artificial

Capítulo 1
- Resumo das categorias
Capítulo 2
Capítulo 3
Capítulo 4
Capítulo 5
Capítulo 6
Observações…
- Como organizei o conteúdo desta página

Capítulo 1

Conceito	Definição
Inteligência Artificial (IA)	Área da tecnologia que busca simular o pensamento ou a ação humana para facilitar operações complexas.
	Ápice da história da tecnologia, desde ferramentas rudimentares até a simulação de processos inteligentes.
	Não possui uma definição única, variando conforme a interpretação de como os processos da IA se correlacionam com o cérebro e a mente humana.
Definições de IA	Quatro categorias: sistemas que pensam como humanos, sistemas que pensam racionalmente, sistemas que agem como humanos e sistemas que agem racionalmente.
Linhas de Pesquisa em IA	Simbólica, conexionista e evolucionária.
Linha Simbólica	Busca simular processos inteligentes utilizando linguagens lógicas e redes semânticas.
	Exemplos: linguagens LISP e PROLOG, sistemas especialistas e ontologias.
Linha Conexionista	Inspirada na estrutura e funcionamento do cérebro, busca criar sistemas que simulem o comportamento de neurônios.
	Exemplos: Redes Neurais Artificiais (RNA) e Sistemas Imunológicos Artificiais.
Linha Evolucionária	Utiliza princípios da evolução biológica, como seleção natural e mutação, para desenvolver sistemas inteligentes.
	Exemplos: Algoritmos Genéticos e Programação Genética.
História da IA	Dividida em eras clássica, romântica e moderna, cada uma com seus objetivos e desafios.
	Marcada por avanços e desafios, com previsões otimistas e subestimação da complexidade da inteligência humana.

Resumo das categorias

	Humanos	Racionalidade
Pensar	Sistemas que pensam como seres humanos	Sistemas que pensam racionalmente
Agir	Sistemas que agem como seres humanos	Sistemas que agem racionalmente

Capítulo 2

Conceito	Descrição
Agente	Um artefato com sensores para perceber o ambiente e atuadores para agir sobre ele. Análogo a um ser humano, com sensores como olhos e ouvidos, e atuadores como mãos e pernas.
Sensores	Permitem ao agente perceber o ambiente, capturando sinais como imagens, sons, temperatura, etc.
Atuadores	Permitem ao agente agir sobre o ambiente, executando ações como mover-se, emitir sons, etc.
Percepções	Sinais capturados pelos sensores do agente a partir do ambiente. São processadas para gerar ações.
Ações	Respostas do agente ao ambiente, executadas por meio de seus atuadores.
Função do agente	Mapeia as ações do agente com base em suas percepções. Define o comportamento do agente. Uma descrição matemática abstrata do comportamento.
Programa do agente	Implementação concreta da função do agente. Traduz o mapeamento abstrato em instruções executáveis.
Agente racional	Agente que seleciona ações para maximizar sua medida de desempenho. Considera o sucesso da tarefa em suas decisões.
Medida de desempenho	Critério objetivo para avaliar o sucesso do agente na execução da tarefa. Define o que significa um bom desempenho.
Conhecimento prévio	Informações sobre o ambiente que o agente possui antes de iniciar sua tarefa. Influencia as decisões do agente.
Sequência de percepções	Histórico de percepções do agente até o momento presente. As ações são escolhidas considerando todas as percepções anteriores.
Ambiente de tarefa	Descrição completa do ambiente onde o agente atua, incluindo medidas de desempenho, sensores, atuadores e características do ambiente.
PEAS (Performance, Environment, Actuators, and Sensors)	Abordagem para definir o ambiente de tarefa, especificando desempenho, ambiente, atuadores e sensores.
Propriedades do ambiente	Características que classificam o ambiente, como observabilidade, determinismo, episodicidade, dinamicidade, etc.
Tipos de agentes (estruturas)	Categorias que descrevem o funcionamento interno dos agentes: reativos simples, reativos baseados em modelo, baseados em objetivos e baseados em utilidade.
Agente reativo simples	Seleciona ações com base apenas na percepção atual, ignorando o histórico.
Agente reativo baseado em modelo	Mantém um modelo interno do mundo e o utiliza para tomar decisões. Considera como o mundo evolui.
Agente baseado em objetivos	Toma decisões considerando seus objetivos, buscando alcançar estados desejáveis.
Agente baseado em utilidade	Utiliza uma função de utilidade para quantificar a "felicidade" de um estado e tomar decisões que maximizem essa utilidade.
Agente com aprendizagem	Agente capaz de adquirir conhecimento a partir da experiência, melhorando seu desempenho ao longo do tempo.

Capítulo 3

Conceito	Descrição
Agente de resolução de problemas	Um tipo de agente inteligente que se concentra em encontrar sequências de ações para atingir um estado desejável. Difere dos agentes reativos, que apenas mapeiam estados para ações.
Formulação de problemas	Processo crucial em IA que define quais estados e ações são relevantes para o problema, dado um objetivo específico. Envolve a escolha de representações adequadas para o problema.
Espaço de estados	Conjunto de todos os estados possíveis que podem ser alcançados a partir do estado inicial, considerando as ações disponíveis. Visualizado como um grafo onde os nós são estados e os arcos são ações.
Componentes de um problema	Quatro elementos formais: 1) Estado inicial, 2) Função sucessor, 3) Teste de objetivo e 4) Função de custo.
Estado inicial	O estado em que o agente inicia a resolução do problema.
Função sucessor	Define os estados alcançáveis a partir de um estado específico, considerando as ações possíveis. Retorna um conjunto de pares ordenados <ação, sucessor>.
Teste de objetivo	Verifica se um estado alcançado corresponde ao estado desejado, determinando se o problema foi resolvido.
Função de custo (ou função de custo de caminho)	Atribui um custo numérico a cada caminho (sequência de ações) no espaço de estados. Utilizada para avaliar a qualidade das soluções.
Solução ótima	A solução com o menor custo entre todas as soluções possíveis para o problema. Encontrar a solução ótima é frequentemente o objetivo da resolução de problemas.
Tipos de problemas	Classificados em miniproblemas (ilustrativos, com descrições concisas) e problemas do mundo real (complexos, geralmente subdivididos em problemas menores).
Exemplos de problemas	Robô aspirador, puzzle de 8 peças, problema de roteirização, problema do caixeiro viajante.
Árvore de busca	Estrutura utilizada por algumas técnicas de busca para representar o espaço de estados. A raiz é o estado inicial e os nós são expandidos usando a função sucessor.
Estratégias de busca	Métodos para explorar o espaço de estados e encontrar soluções. Classificadas em busca sem informação (cega) e busca com informação (heurística).
Medidas de desempenho de busca	Completeza, otimização, complexidade de tempo e complexidade de espaço.
Busca sem informação	Explora o espaço de estados sem conhecimento específico do problema. Exemplos: busca em extensão, busca de custo uniforme, busca em profundidade.
Busca com informação	Utiliza conhecimento adicional (heurísticas) para guiar a busca de forma mais eficiente. Exemplos: busca gulosa, algoritmo A*.
Função heurística (h(n))	Função que estima o custo do caminho mais barato do nó atual até o nó objetivo. Utilizada em buscas com informação para melhorar a eficiência.

Capítulo 4

Conceito	Definição
Sistemas Especialistas (SE)	Programas de computador que imitam o comportamento de especialistas humanos dentro de um domínio específico de conhecimento, sugerindo alternativas de ação.
Base de Conhecimento	Parte de um sistema especialista onde fica armazenado o conhecimento obtido do domínio, traduzido em regras e memória de trabalho.
Quadro Negro	Local onde as informações são alimentadas ao sistema, relacionadas às variáveis lidas do ambiente.
Mecanismo de Inferência	Responsável pelo encadeamento e teste das regras, fornecendo resultados com base nos fatos alimentados ao sistema.
Aquisição de Conhecimento	Processo de coleta e análise de informações de especialistas e outras fontes, essencial para o desenvolvimento de um sistema especialista.
Regras	Sequências lógicas compostas por premissas (antecedentes) e conclusões (consequentes), usadas para representar o conhecimento em um sistema especialista.
Proposição	Declaração que pode ser verdadeira ou falsa, usada para descrever relacionamentos em um sistema especialista.
Programação em Lógica (Prolog)	Paradigma de programação baseado em lógica, especialmente útil para a criação de sistemas que raciocinam de acordo com a lógica de primeira ordem.
Coeficiente de Confiança	Valor utilizado em regras probabilísticas para indicar a probabilidade ou confiança de que uma ação irá acontecer no sistema especialista.
Expert SINTA	Shell utilizado para a implementação de sistemas especialistas, oferecendo funcionalidades como definição de variáveis e regras sem a necessidade de codificação complexa.

Capítulo 5

Conceito	Descrição
Redes Neurais Artificiais (RNA)	Área de pesquisa da IA inspirada no cérebro humano, capaz de aprender padrões a partir de dados.
Neurônio (em RNA)	Unidade fundamental de processamento que simula o comportamento de um neurônio biológico.
Camadas	Estruturas que organizam os neurônios em uma RNA, incluindo camadas de entrada, ocultas e de saída.
Pesos Sinápticos	Valores que representam a força das conexões entre os neurônios, ajustados durante o aprendizado.
Função de Ativação	Função que define o estado de ativação de um neurônio com base na soma ponderada de suas entradas.
Aprendizagem	Processo pelo qual uma RNA ajusta seus pesos sinápticos para melhorar seu desempenho em uma tarefa.
Aprendizagem Supervisionada	Tipo de aprendizado em que a RNA recebe exemplos de entrada e saída desejada para ajustar seus pesos.
Aprendizagem Não Supervisionada	Tipo de aprendizado em que a RNA aprende padrões nos dados sem receber exemplos de saída desejada.
Perceptron	Modelo clássico de RNA que pode aprender a classificar padrões linearmente separáveis.
Perceptron Multicamadas (MLP)	Tipo de perceptron com camadas ocultas que permite a aprendizagem de padrões não linearmente separáveis.
Retropropagação	Algoritmo de aprendizado supervisionado usado em MLPs para ajustar os pesos sinápticos com base no erro.
Função Sigmoide	Função de ativação suave e contínua frequentemente utilizada em MLPs.
Normalização	Processo de ajustar os valores de entrada para um intervalo específico, facilitando o treinamento da RNA.

Capítulo 6

Conceito	Descrição
Algoritmos Genéticos (AG)	Classe de algoritmos de busca inspirados na teoria da evolução de Darwin, utilizados para encontrar soluções ótimas em problemas complexos.
Função Objetivo (Fitness)	Função que avalia a qualidade de uma solução candidata, guiando o processo de busca do AG.
População	Conjunto de soluções candidatas (indivíduos) que evoluem ao longo das gerações do AG.
Indivíduo	Uma solução candidata dentro da população do AG, representando um ponto no espaço de busca.
Cromossomo	Representação codificada de um indivíduo no AG, geralmente utilizando uma sequência de bits (genes).
Gene	Unidade básica de informação dentro de um cromossomo, representando uma característica específica da solução.
Seleção	Operador que escolhe indivíduos da população para reprodução, geralmente favorecendo aqueles com maior fitness.
Roleta Viciada	Método de seleção que atribui probabilidades de seleção aos indivíduos proporcionais ao seu fitness.
Cruzamento (Crossover)	Operador que combina os cromossomos de dois indivíduos pais para criar novos indivíduos filhos.
Ponto de Corte	Posição aleatória ou pré-definida no cromossomo onde ocorre a troca de material genético durante o crossover.
Mutação	Operador que introduz pequenas alterações aleatórias nos genes dos indivíduos, promovendo a diversidade genética.
Taxa de Mutação	Parâmetro que controla a frequência com que as mutações ocorrem na população.
Tamanho da População	Número de indivíduos que compõem a população do AG, influenciando a diversidade e o tempo de execução.
Condições de Terminação	Critérios que definem quando o AG deve parar de executar, como um número máximo de gerações ou a convergência para uma solução satisfatória.

Observações…

Como organizei o conteúdo desta página

Esta página contém resumos dos principais conceitos de inteligência artificial extraídos de arquivos no formato PDF com a ferramenta NotebookLM.

De forma simples, enviei os arquivos para o NotebookLM e pedi os resumos com os seguintes comandos:

Organize uma tabela com os principais conceitos do texto. Na primeira coluna, o nome do conceito e na segunda, o conceito em si.

A partir do segundo pedido, usei o comando:

Repita o processo anterior para este texto.

No terceiro pedido, recebi a mensage de:

O comando fornecido solicita que o processo anterior seja repetido. No entanto, não há processo anterior no histórico de conversas fornecido. [Me] Para obter uma resposta abrangente, forneça o processo anterior que você gostaria que fosse repetido.

Desta forma, alternei entre o primeiro e segundo comando até o último arquivo, que veio com a formatação Markdown deformada. Então, pedi uma última revisão com o comando:

Refaça a tabela para uma melhor formatação em Markdown.

Especificamente no arquivo do quarto capítulo, a ferramenta NotebookLM não conseguiu repetir o mesmo processo dos capítulos anteriores, mesmo eu testanto alterações no texto da solicitação. Ao consultar o arquivo, percebi que ele possui muitas imagens e suponho que este tenha sido o motivo dela não ter conseguido fazer o resumo, mesmo eu mudando o prompt para o seguinte texto:

Ignore as imagens do texto e organize uma tabela com os principais conceitos, na primeira coluna, o nome do conceito e na segunda, o conceito em si.

Então, fiz a mesma solicitação ao ChatGPT e o resultado é a parte correspondente ao capítulo 4.

A publicação final continua uma exportação simples, do formato org mode para HTML, usando o Emacs.