Bayesianismo

O reverendo Bayes em 1763 (Bayes, 1963) sugeriu uma regra (regra de Bayes) possibilitando que a probabilidade de um evento possa ser dada com base no conhecimento humano. Isto é, em eventos que não se pode medir a freqüência com que ocorrem, a probabilidade pode ser dada com base no conhecimento que um especialista tem sobre o mesmo.

A estatística bayesiana passou a ser aplicada em sistemas de Inteligência Artificial no início da década de 60 (Russell & Norvig, 1995). Naquela época o formalismo da utilização de probabilidades condicionais ainda não estava bem definido. Além disso, a quantidade muito grande de dados a serem manipulados dificultava a utilização dessa teoria. Assim, a partir do início dos anos 70, até a metade da década de 80 a probabilidade bayesiana não foi muito utilizada nas pesquisas de IA.Com a publicação de trabalhos que definiram de forma mais concisa o ferramental bayesiano e reduziram a quantidade de cálculos necessários, a teoria bayesiana sofreu um grande impulso no campo de IA.

A probabilidade bayesiana é uma teoria consistente e que permite a representação de conhecimentos certos e incertos via distribuição de probabilidade conjunta. Tal distribuição conjunta pode ser representada pelo produto de distribuições condicionadas.

Através das redes bayesianas pode-se representar problemas do mundo real em que existam relações de causa e conseqüência entre as variáveis. Existem várias aplicações que obtiveram bons resultados (Doyle e outros pp.657, 1996), como por exemplo o "Intelipath" (Heckerman, 1991), um sistema de diagnóstico de patologias aprovado pela associação Americana de Medicina, o "VISTA" (Horvitz e outros, 1992) um sistema de monitoramento e análise utilizado pela NASA para o controle de missões espaciais e os assistentes de solução de problemas da Microsoft (Heckerman e outros, 1995).

As redes bayesianas possuem ainda a possibilidade de realizar o aprendizado a partir de dados. Nesse aprendizado, é dada uma amostra, e o sistema, através de um algoritmo gera a estrutura que o melhor se adapta aos dados do problema.