Fundamentos de IA: Do Agente ao Ambiente de Tarefas

No campo da Inteligência Artificial, a unidade central de análise não é apenas o algoritmo, mas o agente. Compreender como esse sistema interage com o mundo ao seu redor é o primeiro passo para construir soluções robustas e racionais.

1. O que é um Agente? (ideia central)

Na IA, o foco não é só o algoritmo — é o agente.

Um agente é qualquer sistema que:

• percebe o ambiente → usando sensores
• toma decisões → processando essas informações
• age no ambiente → usando atuadores

👉 Em resumo:

entrada (percepção) → decisão → saída (ação)

Esse processo acontece em loop contínuo:

• O ambiente gera um percepto (informação no tempo t)
• O agente analisa o histórico de perceptos
• O agente escolhe uma ação

2. Função do Agente vs Programa (onde muita gente confunde)

Aqui está a diferença mais importante:

✔ Função do Agente (teórica)

É uma definição matemática:

 f:P∗→A

Ou seja:

• recebe todo o histórico de perceptos
• retorna uma ação

👉 Define o que o agente deve fazer

✔ Programa do Agente (prático)

É o código que você escreve (JavaScript, Python, etc).

👉 Define como o agente faz isso

💡 Ponto crítico:

Criar uma tabela com todas as possíveis entradas (perceptos) é impossível → por isso usamos algoritmos, heurísticas e aprendizado.

3. O que é um Agente Racional (o que realmente importa)

Na IA, “inteligente” ≠ “humano”

O que importa é ser racional.

✔ Definição:

Um agente é racional se escolhe ações que maximizam o resultado esperado, com base no que ele sabe.

🔑 Os 4 pilares da racionalidade:

1. Medida de desempenho
2. → o que significa “dar certo”
3. Conhecimento prévio
4. → o que o agente já sabe do mundo
5. Ações possíveis
6. → o que ele consegue fazer
7. Histórico de perceptos
8. → tudo que ele já percebeu

⚠️ Problema sério: Reward Hacking

Se você definir mal a recompensa, o agente “trapaceia”.

Exemplo ruim:

• “ganha ponto ao limpar sujeira”

👉 O agente pode:

• sujar de propósito
• limpar depois
• farmar pontos infinitos

✔ Solução correta:

Medir o estado final do ambiente, não só a ação.

Exemplo melhor:

• “quanto mais limpo o ambiente ao longo do tempo, melhor”

👉 Isso força comportamento útil de verdade.

4. PEAS (como definir um problema antes de programar)

Antes de sair codando, você precisa modelar o problema com PEAS:

Sigla Significado Exemplo:(carro autônomo)

P Performance segurança, tempo

E Environment estrada, trânsito

A Actuators freio, volante

S Sensors câmera, radar

👉 Isso evita fazer IA “no escuro”.

5. Tipos de Ambiente (define a dificuldade do problema)

O comportamento do agente depende totalmente do ambiente:

🔍 Observabilidade

• Total → vê tudo
• Parcial → informação incompleta

👥 Número de agentes

• Único → sozinho
• Multiagente → competição ou cooperação

🎲 Determinismo

• Determinístico → ação previsível
• Estocástico → tem incerteza

⏱ Dinâmica

• Estático → não muda enquanto pensa
• Dinâmico → muda em tempo real

📈 Continuidade

• Discreto → estados finitos (xadrez)
• Contínuo → infinitos valores (direção de carro)

Conclusão (agora mais forte)

Construir IA não é só treinar modelo.

É:

• entender o ambiente
• definir corretamente o objetivo
• evitar recompensas mal projetadas
• modelar o agente de forma coerente

👉 Se errar nisso, até um algoritmo perfeito vai tomar decisões erradas.

👉 Se acertar isso, até um modelo simples funciona bem.

Resumo direto (pra fixar)

• IA = agente interagindo com ambiente
• Função = teoria | Programa = código
• Racionalidade = maximizar resultado
• Reward mal definido = desastre
• PEAS = base do projeto
• Ambiente define tudo

Referências:

• Maia, Hendrick. Notas de Aulas 001: Fundamentos de Inteligência Artificial. PIT-Piauí Instituto de Tecnologia, 2026.
• Russell, S.; Norvig, P. Artificial Intelligence: A Modern Approach. 4. ed. Pearson, 2021.