1. Introdução

No campo da Inteligência Artificial (IA), nossa objetivo maior é desenvolver sistemas que não apenas emulem a inteligência humana, mas que também consigam perceber, compreender, prever e interagir com um mundo que é inerentemente vasto e complexo. Porém, a realidade de grande parte dos ambientes em que os agentes de IA operam está longe de ser perfeita. É nesse ponto que a incerteza se torna um aspecto crucial e inescapável para o estudo da IA.

Como visto nas aulas, os agentes inteligentes são projetados para tomar as "melhores" ações possíveis, visando maximizar seu desempenho. No entanto, o mundo real normalmente é, nondeterminístico e parcialmente observável. As informações que os agentes recebem, por exemplo, de seus sistemas sensoriais como visão ou sonar, não são muito confiáveis. Essa limitação gera uma ignorância e preguiça, o que torna a incerteza uma característica fundamental na tomada de decisões. Quando um agente não consegue deduzir uma situação com certeza, ele precisa de uma forma de raciocinar e planejar sob essa ambiguidade. Por isso, Russell e Norvig (2010) destacam que "sistemas de raciocínio e planejamento devem ser capazes de lidar com a incerteza", uma vez que as informações sensoriais não são totalmente seguras. Além disso, a busca pela racionalidade perfeita pode ser computacionalmente inviável em cenários complexos, exigindo abordagens que integrem a incerteza.

Este portfólio foi estruturado em quatro partes principais, explorando os conceitos e técnicas que nos permitem construir agentes mais robustos e adaptáveis:

Incerteza e Probabilidade: Aqui, investigaremos a base teórica para quantificar a incerteza, fundamental para qualquer agente que opera em ambientes imprevisíveis. Como vimos nas aulas (slides 16 e 17), a probabilidade nos oferece as ferramentas necessárias para expressar as crenças de um agente em relação à evidência disponível . O trabalho de Thomas Bayes, com sua famosa regra para atualizar probabilidades diante de novas evidências, é um pilar dessa área, sendo a base da maioria das abordagens modernas em sistemas de IA.
Redes Bayesianas: Aprofundando o estudo da probabilidade, as Redes Bayesianas nos fornecem uma maneira sistemática e eficiente de representar relações de independência condicional. Como estudamos nas aulas (slides 17), uma Rede Bayesiana é um grafo direcionado onde cada nó representa uma variável aleatória, e as setas indicam relações de causalidade ou dependência, permitindo que a distribuição conjunta seja expressa como um produto de probabilidades condicionais locais. Segundo Russell e Norvig (2010), a formalização das Redes Bayesianas foi criada para permitir a "representação eficiente e raciocínio rigoroso com conhecimento incerto".
Raciocínio Probabilístico ao Longo do Tempo: Em muitos problemas de IA, o ambiente muda dinamicamente, e o estado atual do agente pode depender de eventos passados e influenciar eventos futuros. Esta será abordado modelos probabilísticos podem ser estendidos para raciocinar sobre sequências de eventos ao longo do tempo, um tópico central da disciplina (slides 18 e 19). Funções como filtragem, predição e suavização são cruciais para manter uma estimativa atualizada do estado do mundo, prever seu futuro ou entender seu passado. Os Modelos Ocultos de Markov (HMMs) são um exemplo notável de modelo probabilístico temporal, onde o estado do processo é descrito por uma única variável aleatória discreta.
Filtros de Kalman: Por fim, exploraremos os Filtros de Kalman, uma ferramenta poderosa para inferência em sistemas dinâmicos lineares com ruído gaussiano. Como vimos nas aulas (slides 20), desenvolvido por Rudolf E. Kálmán em 1960, este filtro é amplamente utilizado em aplicações como sistemas de navegação, piloto automático e visão computacional. Ele nos permite estimar o estado de um sistema com base em medições ruidosas e um modelo de processo incerto, modelando o conhecimento do estado como uma distribuição gaussiana e lidando com o ruído do sensor.

Em resumo, este portfólio tem como objetivo aprofundar e consolidar nosso entendimento sobre como a IA pode prosperar em um mundo de incerteza, fornecendo uma base sólida nas técnicas probabilísticas essenciais para o desenvolvimento de agentes inteligentes. Todo o material será baseado nos conceitos abordados nas aulas e aprofundado com base na literatura, principalmente no livro de Russell e Norvig (2010).

Referências

RUSSELL, Stuart J.; NORVIG, Peter. Artificial Intelligence: A Modern Approach. 3. ed. Upper Saddle River: Prentice Hall, 2010.

Versão	Data	Modificação	Nome	GitHub
`1.0`	16/07/2025	Criação do documento	Ana Beatriz Norberto	@ananorberto