A solução de alguns problemas, principalmente em Inteligência Artificial, requer a capacidade de inferência, isto é, a capacidade de deduzir novas informações a partir de uma base de conhecimento. Infelizmente, esta tarefa não é simples, sendo que quanto mais expressiva for a linguagem de representação da base de conhecimento, mais complexos serão os procedimentos de inferência. Esta dissertação apresenta uma forma de lidar com essa complexidade explorando o conceito de relevância que, em geral, está presente nas bases de conhecimento.A estratégia proposta é não tentar fazer a inferência utilizando-se todo o conhecimento disponível de uma só vez. Ao invés disto, a inferência deve ser realizada em etapas, começando-se com um pequeno subconjunto das informações da base de conhecimento, acrescentando-se cada vez mais informações à medida que a solução não for encontrada com as informações consideradas na etapa anterior. Neste processo, são selecionadas primeiramente as informações mais relevantes para a inferência desejada. O ponto chave da estratégia é a escolha da definição de relevância na base de conhecimento, o que poderia disparar uma extensa discussão filosófica sobre o assunto. Entretanto, como é mostrado nesta dissertação, uma forma simples e interessante de se definir a relevância é através da própria sintaxe da linguagem utilizada para representar a base de conhecimento, sem recorrer a nenhuma estrutura extra. São apresentados resultados práticos da aplicação desta proposta com o provador de teoremas OTTER realizando inferências em uma base de conhecimento construída a partir da bibioteca de problemas TPTP.

not available