O que funciona na prática quando você precisa implementar conhecimento de senso comum
Eu costumava subestimar essa parte do desenvolvimento de sistemas. Achei que bastava juntar algumas heurísticas óbvias e o modelo ia funcionar. Não funcionou. Aprendi da forma mais dolorosa possível, gastando semanas refatorando regras que pareciam sensatas no papel. Conhecimento de senso comum é, basicamente, a coleção de suposições sobre como o mundo funciona que qualquer pessoa normal dá como garantidas. Quando você constrói um sistema que precisa tomar decisões em cenários reais, essas suposições acabam sendo o diferencial entre algo que parece inteligente e algo que quebra no primeiro teste inesperado.
Como estruturar conhecimento de senso comum em projetos reais
A abordagem mais direta começa com a catalogação. Eu listo os cenários onde meu sistema provavelmente vai errar, e não os cenários que ele vai acertar. Os acertos são triviais. Os erros é que custam caro. Por exemplo, eu desenvolvi um sistema de recomendação de receitas baseado em ingredientes disponíveis. A lógica básica funcionava bem. Até que um usuário inseriu "ovo", "leite" e "farinha". O sistema sugeriu bolo de chocolate. O problema? A receita pedia cacau em pó, que não estava na lista de ingredientes. O senso comum diria que não dá para fazer bolo de chocolate sem cacau. O sistema não tinha esse conhecimento embutido.
O workaround que eu implementei foi criar uma camada de validação prévia. Antes de gerar qualquer recomendação, o sistema verifica se os ingredientes da receita sugerida podem ser substituídos ou se há algum item essencial faltando. Isso reduziu recomendações inviáveis de cerca de 40% para menos de 5%. Não eliminei o problema completamente, mas ficou viável.
As camadas do conhecimento
Existem pelo menos três níveis que precisam ser considerados, e a maioria dos projetos pula direto para o mais complexo sem tratar os básicos. O primeiro nível é factual. Água é molhada. Fogo queima. Cubos flutuam na água apenas se forem de madeira leve ou ocos. Esses fatos parecem absurdos de listar, mas é exatamente nisso que sistemas quebram. Eles tratam "flutuar" como uma propriedade universal de sólidos, não como algo dependente de densidade.
O segundo nível é causal. Se algo cai de uma altura, vai atingir o chão. Se uma panela fica no fogo muito tempo, o conteúdo queima. Se você coloca eletrônicos perto de água, pode haver curtocircuito. A relação causa-efeito é o que diferencia um sistema que reage de um que prevê consequências. O terceiro nível é pragmático e social. Pessoas não costumam dizer exatamente o que querem. Elas dão pistas. "Está frio aqui" pode significar "feche a janela", não apenas uma observação meteorológica. Sistemas que interpretam linguagem natural precisam capturar essas nuances, senão parecem robôs dos anos 1990.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Armazenamento e manutenção
Regras codificadas manualmente funcionam para conjuntos pequenos. Depois de cinquenta regras, você já não consegue mais acompanhar o que cada uma faz e como elas interagem. Eu migrei para grafos de conhecimento, onde cada nó é um conceito e cada aresta é uma relação. Isso permite adicionar novos conhecimentos sem refatorar regras existentes. O formato que eu uso atualmente é RDF com ontologias personalizadas. A curva de aprendizado é alta, mas a manutenibilidade é muito melhor do que manter arquivos de regras em linguagem natural. Uma base de conhecimento bem estruturada leva de duas a três horas para responder consultas que levariam minutos sendo processadas por um modelo genérico.
A desvantagem é clara: construir e manter o grafo exige esforço significativo. Cada nova relação precisa ser validada. Dados incorretos se propagam rapidamente. Um nó mal conectado pode causar inferências erradas em cascata. Você gasta cerca de quatro a seis horas para mapear um domínio que um modelo pré-treinado já domina parcialmente, mas o resultado é muito mais controlável e auditar.
Erros comuns que eu vi acontecerem repetidamente
O maior erro é achar que conhecimento de senso comum é universaL. Ele não é. O que é senso comum no Brasil pode não ser em outro lugar. Direção pela direita, tipos de comida, referências culturais. Se seu sistema vai rodar em múltiplas regiões, o conhecimento precisa ser contextualizado, não copiado de datasets genéricos. Outro erro é confundir senso comum com bom senso estatístico. Modelos treinados em grandes volumes de dados aprendem padrões, mas padrões não são leis causais. Um modelo pode aprender que chovendo as pessoas compram guarda-chuvas, mas não necessariamente entenderá que guarda-chuvas não funcionam em ventos muito fortes. A distinção importa quando o sistema precisa tomar decisões críticas.
O erro é tentar cobrir tudo. Isso é impossível. Sempre haverá edge cases que ninguém pensou. O segredo é saber quais áreas são mais propensas a falhas e priorizar ali. Em sistemas de saúde, por exemplo, um erro de senso comum pode ter consequências graves. Em um chatbot de entretenimento, o mesmo erro é apenas inconveniente.
Alternativas quando construir do zero não vale a pena
Se o seu projeto não tem recursos para manter uma base de conhecimento customizada, modelos de linguagem modernos já incorporam quantidades consideráveis de conhecimento de senso comum. O GPT-4, por exemplo, lida razoavelmente bem com inferências causais básicas e interpretações pragmáticas de linguagem. A desvantagem é que você não tem controle sobre o que ele sabe e o que ele inventa. Alucinações acontecem, e em contextos sensíveis isso é inaceitável. Uma opção intermediária é usar modelos de linguagem como base e adicionar uma camada de verificação baseada em conhecimento estruturado. O modelo gera uma resposta, e o sistema de regras valida se ela é consistente com o conhecimento de senso comum disponível. Isso combina a flexibilidade do modelo com a confiabilidade das regras. Na prática, esse híbrido reduziu minhas taxas de erro em testes de validação em cerca de 60% comparado ao uso do modelo sozinho.
Onde o conhecimento de senso comum realmente brilha
Sistemas de diagnóstico técnico. Robótica doméstica. Assistentes virtuais para idosos. Qualquer aplicação onde o custo de um erro é alto e o ambiente é imprevisível. Nessas áreas, o conhecimento de senso comum não é um luxo, é uma necessidade. Sem ele, o sistema funciona perfeitamente até acontecer algo que ninguém previu, e aí você perde credibilidade rapidamente. Eu ainda trabalho nisso. Ainda encontro casos que eu não antecipei. Mas pelo menos agora eu sei verificar antes de assumir que o sistema está funcionando.
