Desvendando a IA tradicional (simbólica)

Antes da ascensão dos chatbots, das redes neurais e dos sistemas que aprendem sozinhos, outro tipo de IA comandava o cenário. Ela é chamada de IA tradicional, também conhecida carinhosamente como IA simbólica ou GOFAI (IA das antigas). Pense nela como o “cérebro das regras” da inteligência artificial: preciso, lógico e muito humano na forma de raciocinar.

Na década de 1980, um programa chamado MYCIN ajudava médicos a diagnosticar infecções bacterianas. Ele fazia uma série de perguntas e seguia uma árvore de regras lógicas, todas escritas por especialistas para recomendar tratamentos. Nada de aprendizado de máquina ou redes neurais. Apenas inteligência baseada em regras. E sabe o que é mais surpreendente? Em alguns testes, seu desempenho foi tão bom quanto o de médicos de verdade!

Outro programa pioneiro de IA, o ELIZA, imitava um psicoterapeuta seguindo padrões predefinidos. Pelos padrões atuais, ele não era “inteligente”, mas as pessoas criaram vínculos emocionais com ele, mostrando que até máquinas simples, baseadas em lógica, podem parecer... humanas.

O que é IA simbólica?

Vamos entender a IA tradicional

A IA simbólica se baseia em lógica, símbolos e regras explícitas — o tipo de raciocínio que aparece nas antigas histórias de detetive, em que lógica, dedução e fatos resolvem o caso. Ela tenta reproduzir a forma como pensamos logicamente e resolvemos problemas usando conhecimento e estrutura.

Imagine ensinar um computador como você ensinaria uma criança, usando cartões de estudo e regras do tipo “se... então”:

Se o sinal estiver vermelho, então pare ou, se estiver chovendo, então leve um guarda-chuva.

A IA simbólica usa

• Regras baseadas em lógica: pense em instruções do tipo “se... então”.

• Bases de conhecimento: bibliotecas estruturadas de fatos (como enciclopédias para máquinas).

• Ontologias e mecanismos de inferência: para conectar informações e deduzir novos conhecimentos.

É como dar um manual a um computador e vê-lo seguir as instruções à risca.

Por que ainda falamos de IA simbólica?

Mesmo com o aprendizado de máquina e o aprendizado profundo no centro das atenções, a IA simbólica ainda é muito importante:

• Sistemas regulatórios e lógica especializada: muitos setores, como o jurídico, o financeiro e o médico, ainda precisam de IA explicável, cujas decisões possam ser rastreadas até regras claras, em vez de depender apenas de pesos matemáticos dentro de uma caixa-preta.

• Segurança e aplicação de políticas: em cibersegurança e conformidade, o raciocínio simbólico é usado para aplicar políticas, detectar violações de regras e tomar decisões com base em lógica.

• IA híbrida: hoje, os sistemas mais avançados costumam combinar os dois mundos: aprendizado de máquina para reconhecer padrões e IA simbólica para raciocinar.

Componentes fundamentais da IA simbólica

Antes de poder pensar, a IA precisava saber. A IA simbólica usava estruturas como:

1. Representação do conhecimento: isso nos dá uma ideia de como a máquina “sabe” das coisas.

2. Mecanismos de inferência: são os sistemas que permitem à IA raciocinar, deduzir e chegar a conclusões como um pequeno Sherlock Holmes digital.

3. Sistemas de planejamento: ao definir um objetivo para uma máquina, como resolver um quebra-cabeça ou preparar café, ela precisa de um plano. É aí que entram sistemas de planejamento como:

• STRIPS (Stanford Research Institute Problem Solver): um planejador lendário que dividia grandes objetivos em etapas menores e viáveis.

• Árvores de objetivos OU: como árvores de decisão, mas ao contrário: começam com um objetivo e perguntam “O que preciso fazer para chegar lá?”

Pontos fortes da IA tradicional

• Transparência e interpretabilidade: com a IA simbólica, você pode ver cada decisão, cada regra e cada motivo. É como ler um “processo de pensamento” claro no papel.

• Determinística e previsível: a IA simbólica se comporta exatamente da mesma maneira sempre que recebe a mesma entrada. Não há surpresas, aleatoriedade ou mistério.

• Eficaz em domínios baseados em regras: a IA tradicional se destaca em áreas com regras claras e conhecimento estruturado. No direito, por exemplo, a IA ajuda a analisar documentos jurídicos e identificar inconsistências usando lógica baseada em regras.

• Fácil de depurar e verificar: quando algo dá errado em um sistema de IA simbólica, você não precisa de um cientista de dados com doutorado em redes neurais; precisa de alguém que entenda de lógica. A IA simbólica é como um Lego: se algo quebra, você vê onde foi e encaixa a peça de volta.

Em ambientes de alto risco, regidos por regras, ela ainda é a escolha certa — não porque aprende, mas porque sabe o que está fazendo. Às vezes, a melhor IA não é a que adivinha, mas a que explica.

Limitações da IA tradicional

A IA tradicional (simbólica) é excelente naquilo para que foi criada: operar em sistemas bem definidos e baseados em regras, nos quais a lógica e a rastreabilidade são importantes. Mas, quando o mundo fica imprevisível, a IA simbólica perde força. Ela tem dificuldade com ambiguidades e termos vagos como “em breve” ou “perto”, que a deixam confusa. Se cada caso excepcional não for definido minuciosamente, ela não consegue aprender com padrões nem interpretar dados confusos e não estruturados como um modelo moderno de aprendizado de máquina. Também é frágil: até pequenas mudanças na entrada podem fazê-la falhar, e cada atualização exige que especialistas no domínio reescrevam conjuntos complexos de regras. Ironicamente, essa rigidez é uma vantagem em áreas como a segurança de código.

Nesse contexto, especialmente ao rastrear caminhos de chamadas ou identificar vulnerabilidades, consistência, explicabilidade e tolerância zero a alucinações não são meros diferenciais: são essenciais. Por isso, a IA simbólica continua sendo uma grande aliada em ferramentas como as da Snyk: ela não adivinha, ela raciocina. E, quando uma resposta errada pode custar tempo de desenvolvimento ou deixar uma vulnerabilidade passar, o raciocínio sempre prevalece.

A visão da Snyk sobre IA simbólica

Combinar IA simbólica, aprendizado de máquina (ML) e grandes modelos de linguagem (LLMs), todos voltados a um único fluxo de trabalho de segurança para desenvolvedores, permite alcançar resultados que nenhum modelo isolado conseguiria.

Neste exemplo, usamos IA simbólica para testar problemas com base em uma compreensão abstrata do fluxo de dados. Isso gera resultados mais precisos, pois os testes analisam fluxos, origens, sanitizadores e destinos, em vez de apenas comparar strings. Usamos ML para gerar novas regras que podemos aplicar às buscas, aumentando a precisão e a cobertura ao longo do tempo. Quando uma vulnerabilidade é encontrada, usamos LLMs para gerar uma correção. Mas, antes de mostrá-la ao usuário, submetemos uma “versão” do código corrigido a um teste para garantir que a correção funcione e não crie novos problemas.

Se você fizesse apenas uma dessas coisas — usar só a correção gerada por LLM ou só o ML —, não conseguiria oferecer em um único fluxo uma solução em tempo real: uma análise rápida e completa na IDE, os problemas detectados e a correção sugerida. Isso faria o desenvolvedor repetir etapas, prejudicando a produtividade que esperava ganhar com a IA, ou talvez aplicar uma “correção” que, na verdade, também fosse insegura.

A abordagem integrada oferece os melhores resultados ao usar a ferramenta certa na hora certa. Acompanhamos cada estado da variável e o que acontece com ela, como uma gravação após uma leitura ou o bloqueio duplo de um mutex. Em seguida, essas regras são avaliadas e verificadas.

A IA simbólica era como ensinar uma máquina com livros didáticos, fluxogramas e manuais de regras, dando a ela estrutura, ordem e lógica. Embora não pudesse aprender com dados como a IA moderna, conseguia explicar seu raciocínio — algo que os modelos de caixa-preta atuais ainda têm dificuldade para fazer.

No fim das contas, “Se o aprendizado profundo é instinto, a IA simbólica é sabedoria.”