Publicado em: 04/09/2026
IA que se prepara para o inesperado
Eventos inesperados são um desafio comum para sistemas automatizados. Um robô pode não conseguir executar corretamente um movimento planejado, uma rota pode ficar indisponível devido a um congestionamento inesperado, e um serviço digital pode responder de forma anormal. Levando em conta que situações como essas podem ocorrer, agir de forma inteligente exige estar preparado para o imprevisto.
Com essas problemáticas em vista, os professores do Instituto de Informática (INF/UFRGS) Frederico Messa e André Grahl Pereira desenvolveram novas técnicas para ajudarem sistemas de inteligência artificial. Os resultados foram compartilhados em “Planning with uncertainty: symmetries, policy inference, and solution compression”, artigo publicado na revista científica Artificial Intelligence (AIJ), a de maior prestígio da área de inteligência artificial.
A pesquisa está inserida na área de planejamento automatizado, um ramo da inteligência artificial dedicado ao desenvolvimento de estratégias para atingir objetivos. E o desafio é grande. Problemas relativamente simples de descrever podem rapidamente dar origem a bilhões de possibilidades que precisam ser consideradas antes que o sistema possa agir de forma confiável.
No centro do estudo está o algoritmo AND*, uma técnica desenvolvida pelos dois pesquisadores. Ao invés de assumir que tudo ocorrerá conforme o esperado, o AND* busca estratégias capazes de lidar com os diferentes empecilhos que possam surgir durante sua execução. Assim, a busca realizada pelo AND* torna-se significativamente eficiente.
Além disso, uma das principais ideias da técnica é identificar quando situações aparentemente diferentes, na prática, exigem o mesmo raciocínio. Ao evitar esse trabalho repetitivo, o sistema pode concentrar seu esforço computacional apenas nas possibilidades realmente novas.
Soluções menores e mais fáceis de utilizar
Encontrar uma solução é apenas parte do desafio. Em problemas complexos, a estratégia encontrada pode conter muitas informações repetidas, tornando seu armazenamento, análise e utilização mais difíceis.
As técnicas apresentadas no artigo reorganizam essas estratégias em representações mais compactas que preservam exatamente as mesmas decisões anteriormente apresentadas. Essa redução traz benefícios que vão além da economia de memória. Estratégias menores são mais fáceis de analisar, comparar, verificar e integrar a outros sistemas, além de exigirem menos recursos computacionais para serem utilizadas.
Os métodos foram avaliados em centenas de problemas de referência utilizados pela comunidade científica internacional. Os resultados mostraram que os métodos propostos possuem desempenho competitivo com os melhores métodos da área e os avanços desenvolvidos podem ser aplicados para resolver problemas de áreas como robótica, verificação de software, coordenação de sistemas autônomos e serviços digitais inteligentes.
O artigo está disponível em: https://doi.org/10.1016/j.artint.2026.104574