Questão de TI - Ciência de Dados e Inteligência Artificial — Algoritmos de Machine Learning (Classificação, Regressão e Clusterização) — FGV 2026

Sistemas Especialistas e Representação do Conhecimento

Gabarito: letra C. O método primário de representação do conhecimento em sistemas especialistas que armazena o conhecimento na forma de declarações condicionais é o de Regras de Produção, estruturadas no formato "SE <condição> ENTÃO <ação/conclusão>" — é exatamente essa estrutura que permite codificar o raciocínio de especialistas jurídicos em centenas de regras e precedentes.

Um Sistema Especialista é um programa de computador que busca imitar a capacidade de decisão de um especialista humano em um domínio específico. Ele é composto, em sua arquitetura clássica, por três partes principais: a base de conhecimento (onde o conhecimento do especialista é armazenado), a máquina de inferência (o motor que aplica esse conhecimento para chegar a conclusões) e a interface com o usuário (por onde o usuário consulta o sistema e recebe respostas). A forma como o conhecimento é estruturado e armazenado na base de conhecimento é o que chamamos de representação do conhecimento.

Existem diversos paradigmas de representação do conhecimento, cada um com suas vantagens e desvantagens. As Regras de Produção são, historicamente, o método mais tradicional e difundido em sistemas especialistas. Elas representam o conhecimento como um conjunto de regras do tipo SE-ENTÃO (ou if-then), também chamadas de declarações condicionais. Por exemplo, uma regra para o sistema do enunciado poderia ser: "SE o projeto de lei trata de matéria de iniciativa privativa do Presidente da República E não foi apresentado por ele, ENTÃO o projeto é inconstitucional". Essa estrutura modular e intuitiva permite que especialistas de domínio (no caso, juristas) contribuam diretamente com a codificação do conhecimento, e que a máquina de inferência faça o encadeamento dessas regras (para frente, forward chaining, ou para trás, backward chaining) para resolver problemas.

A distinção crucial para esta questão está em entender o que cada alternativa representa e por que não se encaixa na definição de "declarações condicionais" como método primário de representação do conhecimento em sistemas especialistas. As Redes Bayesianas são um modelo probabilístico que representa um conjunto de variáveis e suas dependências condicionais por meio de um grafo acíclico dirigido — elas lidam com incerteza, não com regras determinísticas. As Redes Semânticas são grafos que representam conhecimento por meio de nós (conceitos) e arestas (relações), como "é um" ou "parte de". As Árvores de Decisão são um modelo de aprendizado de máquina supervisionado que classifica instâncias por meio de uma sequência de testes sobre atributos, mas não é o método primário de representação do conhecimento em sistemas especialistas clássicos (baseados em regras). A Lógica Difusa (ou fuzzy logic) lida com graus de verdade (valores entre 0 e 1), permitindo raciocinar com imprecisão, mas não é a forma padrão de armazenar conhecimento condicional em sistemas especialistas tradicionais.

A pegadinha que a banca explora aqui é a confusão entre representação do conhecimento (o foco da questão) e modelos de aprendizado de máquina ou técnicas de raciocínio com incerteza. O enunciado fala explicitamente em "método primário de Representação do Conhecimento em Sistemas Especialistas" e "declarações condicionais" — isso aponta diretamente para as Regras de Produção, que são a espinha dorsal dos sistemas especialistas baseados em regras (como o clássico MYCIN). As demais alternativas são técnicas que podem ser usadas em sistemas inteligentes, mas não são o método primário de representação do conhecimento em sistemas especialistas no sentido clássico do termo.

Guarde a fronteira entre representação do conhecimento (como o conhecimento é estruturado e armazenado) e mecanismo de inferência (como o conhecimento é usado para raciocinar) — é exatamente nessa distinção que as alternativas se dividem.

Alternativa A — ❌ Incorreta

As Redes Bayesianas são um modelo gráfico probabilístico que representa um conjunto de variáveis aleatórias e suas dependências condicionais por meio de um grafo acíclico dirigido (DAG). Elas são usadas para raciocinar sob incerteza, calculando probabilidades condicionais. Embora possam ser usadas em sistemas inteligentes, não são o método primário de representação do conhecimento em sistemas especialistas clássicos, que tradicionalmente usam regras de produção. A confusão aqui é entre "declarações condicionais" (regras SE-ENTÃO) e "dependências condicionais" (probabilísticas) — conceitos distintos.

Alternativa B — ❌ Incorreta

As Redes Semânticas são uma forma de representação do conhecimento baseada em grafos, onde os nós representam conceitos e as arestas representam relações entre eles (como "é um", "parte de", "tem propriedade"). Elas são úteis para representar conhecimento declarativo e hierarquias, mas não armazenam conhecimento na forma de declarações condicionais (SE-ENTÃO). A banca pode tentar confundir o candidato, pois redes semânticas também são uma técnica de representação do conhecimento, mas a forma de armazenamento é diferente: relações entre conceitos, não regras condicionais.

Alternativa C — ✅ Correta ⟵ GABARITO

As Regras de Produção são o método primário de representação do conhecimento em sistemas especialistas que armazena o conhecimento na forma de declarações condicionais, ou seja, regras do tipo "SE <condição> ENTÃO <ação/conclusão>". Essa é a estrutura canônica dos sistemas especialistas baseados em regras, como o MYCIN (diagnóstico médico) e o DENDRAL (química). No contexto do enunciado, um sistema especialista para classificar a constitucionalidade de projetos de lei seria naturalmente implementado com regras de produção, onde cada regra codifica um precedente ou uma norma constitucional. A máquina de inferência então encadeia essas regras para chegar a uma conclusão sobre a constitucionalidade do projeto.

Alternativa D — ❌ Incorreta

As Árvores de Decisão são um modelo de aprendizado de máquina supervisionado usado para classificação e regressão. Elas representam o conhecimento como uma árvore de testes sobre atributos, onde cada nó interno é um teste, cada ramo é um resultado do teste e cada folha é um rótulo de classe. Embora possam ser vistas como um conjunto de regras SE-ENTÃO (cada caminho da raiz até uma folha é uma regra), elas não são o método primário de representação do conhecimento em sistemas especialistas clássicos. A distinção fundamental é que árvores de decisão são aprendidas automaticamente a partir de dados, enquanto sistemas especialistas baseados em regras são construídos manualmente com o conhecimento de especialistas humanos.

Alternativa E — ❌ Incorreta

A Lógica Difusa (ou fuzzy logic) é uma extensão da lógica clássica que permite valores de verdade entre 0 e 1, lidando com o conceito de "verdade parcial". Ela é usada para modelar raciocínio aproximado e impreciso, como em sistemas de controle (por exemplo, máquinas de lavar, ar-condicionado). Embora possa ser usada em sistemas especialistas para lidar com incerteza, não é o método primário de representação do conhecimento em sistemas especialistas que armazena conhecimento na forma de declarações condicionais. A lógica difusa usa regras fuzzy (SE-ENTÃO com conjuntos fuzzy), mas o termo "declarações condicionais" no contexto de sistemas especialistas clássicos se refere às regras de produção determinísticas.

Gabarito: letra C