Em seus primórdios a pesquisa em Inteligência Artificial (IA) esteve focada no desenvolvimento de formalismos, mecanismos de inferência e ferramentas para operacionalizar Sistemas Baseados em Conhecimento.
Studer, Benjamins e Fensel (1998) relatam que estes estudos ofereceram resultados bastante promissores, mas que a aplicação desta tecnologia na construção de SBC´s para uso comercial não se mostrou adequada. Ou seja, os meios utilizados para desenvolver pequenos protótipos acadêmicos não escalavam até o design e manutenção de grandes sistemas comerciais.
No desenvolvimento dos primeiros SBC´s o conhecimento era extraído dos especialistas através de entrevistas e posteriormente era codificado através de regras heurísticas. O conhecimento era representado de maneira uniforme, num mesmo nível de abstração, dificultando o desenvolvimento de grandes sistemas no âmbito comercial, já que a manutenção dos mesmos se tornava difícil e custosa. MYCIN (Shortlife, 1976) e INTERNIST (MILLER; POPLE; MYERS, 1982) são exemplos dos primeiros SBCs.
Essa situação foi comparada a crise do software do final dos anos sessenta e da mesma forma que esta originou a disciplina de Engenharia de Software (ES), a disciplina de Engenharia do Conhecimento também nasceu da necessidade de metodologias mais adequadas, com o objetivo
de transformar o processo de construção de um SBC de uma arte para um processo de engenharia, trazendo consigo uma série de metodologias, técnicas, linguagens e ferramentas específicas para esse fim (STUDER; BENJAMINS; FENSEL, 1998).
Em uma revisão com perspectiva histórica, Studer, Benjamins e Fensel (1998) destacam a mudança de paradigma na construção de SBCs, de uma abordagem de transferência de conhecimento para uma abordagem de modelagem de conhecimento.
No início dos anos oitenta o desenvolvimento de um SBC era visto como um processo de transferência do conhecimento humano para uma base de conhecimento implementada. Esta transferência era baseada no pressuposto de que o conhecimento requerido pelo SBC já existia e tinha de ser apenas coletado e implementado. Na maioria das vezes, o conhecimento necessário era obtido através de entrevistas com especialistas sobre como eles resolviam tarefas específicas. Normalmente, o conhecimento era implementado em regras de produção que por sua vez eram executadas por um interpretador de regras (shell).
Ainda nessa mesma década (80), a comunidade de IA reuniu-se em um esforço chamado de "segunda geração de sistemas especialistas" (David et al., 1993). O trabalho desse grupo envolveu a análise de muitos sistemas especialistas, construídos na década de 1970, com domínios diferentes, da medicina à física, que abrangiam uma variedade de tarefas de manipulação de sistema (resolução de problemas, design, controle), com o objetivo de abstrair sua concepção e operação.
Segundo Clansey, Sierhuis e Seah (2009) entre as motivações desse grupo estavam a produção de frameworks de alto nível para a construção de sistemas especialistas mais eficientes, mais robustos e poderosos através da incorporação de princípios gerais, em vez de fatos e heurísticas isoladas, a facilitação da explicação do raciocínio para os usuários e facilitação do reuso no desenvolvimento de outros sistemas especialistas através do desenvolvimento de linguagens de modelagem.
O resultado desse trabalho, fruto da análise das várias bases de conhecimento de regras mostrou que o formalismo de representação de regras de produção não era suficiente para apoiar uma adequada representação de diferentes tipos de conhecimento (CLANSEY, 1983). Ou seja, concluiu-se que as regras representavam os diferentes tipos de conhecimento de uma maneira muito uniforme e que poderiam ser categorizadas de acordo com os papéis que elas desempenhavam na solução do problema.
Essa situação pode ser exemplificada através do clássico sistema especialista Mycin (SHORTLIFE, 1976), composto por uma
base de regras sobre sintomas, condições médicas, resultados de testes de laboratórios e suas possíveis associações com infecções. Tais axiomas e regras eram específicos para esse domínio e de maneira mais problemática, as regras muitas vezes incorporavam conhecimento processual implícito, como a ordenação das regras. Este conhecimento de resolução de problemas implícito tornava a base de regras pouco confiável e difícil de manter enquanto o conhecimento de domínio evoluía.
As lições aprendidas com as primeiras experiências com sistemas baseados em regras não foram apenas que conhecimento de domínio devia ser representado de maneira explícita, mas também que o comportamento de resolução de problemas de um sistema devia ser representado em um componente separado do sistema (CRUBÉZY; MUSEN, 2004).
A abordagem de transferência de conhecimento só era viável para o desenvolvimento de pequenos protótipos, e não conseguia produzir bases de conhecimento grandes, confiáveis e sustentáveis. Além disso, reconheceu-se que a abordagem de transferência, onde a aquisição de conhecimento se baseia no conjunto de conhecimentos já existentes, era inadequada diante do papel importante do conhecimento tácito do especialista na resolução de problemas. Essas deficiências resultaram em uma mudança de paradigma da abordagem de transferência para a abordagem de modelagem do conhecimento.
Ainda segundo Studer, Benjamins e Fensel (1998) se verificou mais tarde a existência de um consenso geral de que o processo de construção de um SBC deveria ser visto como uma atividade de modelagem, ou seja, construir um SBC deveria significar a construção de um modelo computacional com o objetivo de realizar as capacidades de resolução de problemas comparáveis à um especialista de domínio.
Na fase de aquisição do conhecimento o especialista pode conscientemente articular algumas partes do seu conhecimento, entretanto ele não está ciente de uma parte significativa desse conhecimento, uma vez que está escondido em suas habilidades. Este conhecimento não é diretamente acessível, tem que ser construído e estruturado durante a fase de aquisição de conhecimento. Portanto, nessa fase a aquisição de conhecimento não é mais vista como uma transferência de conhecimento em uma representação de computador, mas como um processo de construção de um modelo (CLANCEY, 1989).
Segundo Studer, Benjamins e Fensel (1998), a visão de modelagem na construção de um SBC tem as seguintes consequências:
• Como todo modelo, é apenas uma aproximação da realidade. Em princípio, o processo de modelagem é infinito, porque é uma atividade incessante, com o objetivo de aproximar o comportamento desejado.
• O processo de modelagem é um processo cíclico. Novas observações podem levar a um refinamento, modificação ou a conclusão do modelo já construído. Por outro lado, o modelo pode orientar a nova aquisição do conhecimento.
• O processo de modelagem é dependente das interpretações subjetivas do engenheiro do conhecimento. Logo, este processo é tipicamente defeituoso e uma avaliação do modelo com relação com a realidade é indispensável para a criação de um modelo adequado.
SBCs conhecidos também como Sistemas Especialistas, Sistemas de Informação Intensiva em Conhecimento ou simplesmente Sistemas de Conhecimento são a única e mais importante criação comercial e industrial da disciplina Inteligência Artificial e são usados na solução de problemas humanos em muitas áreas de aplicação (SCHREIBER et al., 2002). Os mesmos autores destacam, a rapidez e a qualidade na tomada de decisão, assim como o aumento na produtividade como os principais benefícios advindos da utilização de SBCs.
2.3.3 Método de Resolução de Problema (Problem Solving