Conclusão

Explorar os agentes lógicos ao longo deste portfólio foi uma oportunidade de entender como a inteligência artificial começou a construir sistemas capazes de raciocinar, não apenas agir mecanicamente. Esses agentes, ao manterem uma base de conhecimento e usarem a lógica para inferir ações a partir do que percebem, demonstram uma abordagem declarativa que busca simular o pensamento humano de forma estruturada.

Durante as aulas, especialmente nos slides 14, 15 e 16, vimos como essa ideia funciona bem em domínios simples e totalmente observáveis, como o Mundo do Wumpus. No entanto, ao nos aprofundarmos no livro de Russell e Norvig (2010), fica claro que, apesar de serem e logicamente sólidos, os agentes puramente lógicos enfrentam limitações importantes quando o ambiente se torna incerto ou parcialmente conhecido. A necessidade de considerar todos os possíveis estados do mundo e de lidar com exceções torna inviável o uso exclusivo da lógica proposicional em aplicações complexas.

É justamente aí que os conteúdos das aulas e o capítulo 7 do livro convergem: os agentes lógicos foram essenciais para fundamentar o campo, mas hoje caminham lado a lado com abordagens probabilísticas. O raciocínio baseado em probabilidade e utilidade, como vimos nos slides e em capítulos posteriores da obra, surge como uma continuação natural, mais adequada a muitos dos desafios do mundo real.

Concluir esse quarto portfólio é reconhecer o valor histórico e conceitual dos agentes lógicos, mas também entender que eles fazem parte de um caminho maior dentro da IA, um caminho que continua evoluindo, misturando lógica, estatística e aprendizado para alcançar sistemas realmente inteligentes.

Referências

RUSSELL, Stuart J.; NORVIG, Peter. Artificial Intelligence: A Modern Approach. 3. ed. New Jersey: Pearson Education, 2010.
FGA0221 – Inteligência Artificial. Quantificando Incertezas. Slides 14, 15 e 16. [S. l.: s. n.].

Versão	Data	Modificação	Nome	GitHub
`1.0`	24/06/2025	Criação do documento	Ana Beatriz Norberto	@ananorberto