Artificial Intelligence Markup Language

Introdução

O Artificial Intelligence Markup Language (AIML) é uma especificação baseada em XML, proposta por [@Wallace2009], destinada à programação de agentes conversacionais, comumente denominados chatbots. A concepção da linguagem prioriza o minimalismo, característica que simplifica o processo de criação de bases de conhecimento por indivíduos sem experiência prévia em programação [@Wallace2009]. A arquitetura fundamental de um interpretador AIML genérico é ilustrada na Figura 3.1{reference-type="ref" reference="fig:interpretador"}.

Adaptado de

Interpretador AIML arquitetura.

A técnica central empregada pelo AIML é a correspondência de padrões (pattern matching). Este método é amplamente utilizado no desenvolvimento de chatbots, particularmente em sistemas orientados a perguntas e respostas [@Abdul-Kader2015]. Uma das metas de projeto do AIML é possibilitar a fusão de bases de conhecimento de múltiplos chatbots especializados em domínios distintos. Teoricamente, um interpretador poderia agregar essas bases, eliminando automaticamente categorias redundantes para formar um chatbot mais abrangente [@Wallace2000].

AIML é frequentemente associado aos chatbots de terceira geração [@Maria2010] e estima-se sua adoção em mais de 50.000 implementações em diversos idiomas. Extensões da linguagem foram propostas, como o iAIML, que introduziu novas tags e incorporou o conceito de intenção com base nos princípios da Teoria da Análise da Conversação (TAC) [@Neves2005]. Adicionalmente, ferramentas baseadas na Web foram desenvolvidas para apoiar a construção de bases de conhecimento AIML [@Krassmann2017]. Um exemplo proeminente é o chatbot ALICE, cuja implementação em AIML compreendia aproximadamente 16.000 categorias, cada uma potencialmente contendo múltiplas tags XML aninhadas [@Wallace2000]. Uma representação visual desta estrutura de conhecimento é apresentada na Figura 3.2{reference-type="ref" reference="fig:representacaovisual"}.

Retirado de

Representação visual da base de conhecimento do chatbot ALICE.

[@Wallace2000] estabeleceu analogias entre o funcionamento de interpretadores AIML e a teoria do Raciocínio Baseado em Casos (RBC). Nessa perspectiva, as categorias AIML funcionam como "casos", onde o algoritmo identifica o padrão que melhor se alinha à entrada do usuário. Cada categoria estabelece um vínculo direto entre um padrão de estímulo e um modelo de resposta. Consequentemente, chatbots AIML inserem-se na tradição da robótica minimalista, reativa ou de estímulo-resposta [@Wallace2000], conforme esquematizado na Figura 3.3{reference-type="ref" reference="fig:teoriaestimulo"}. Vale notar que a própria técnica de RBC já foi integrada a interpretadores AIML como um mecanismo para consultar fontes de dados externas e expandir a base de conhecimento do agente [@Kraus2008].

Retirado de

Teoria estímulo-resposta aplicada no AIML

Os chatbots que utilizam AIML são classificados como sistemas "baseados em recuperação" (retrieval-based). Tais modelos operam a partir de um repositório de respostas predefinidas, selecionando a mais apropriada com base na entrada do usuário e no contexto conversacional, guiando assim o fluxo da interação. Esta abordagem é frequentemente empregada na construção de chatbots destinados a operar em domínios de conhecimento restritos [@Borah2019].

A Figura 3.4{reference-type="ref" reference="fig:exemplodeumabase"} demonstra a estrutura elementar de um arquivo AIML. A tag <category> encapsula a unidade básica de conhecimento. Internamente, a tag <pattern> define o padrão de entrada a ser reconhecido (no exemplo, o caractere curinga *, que corresponde a qualquer entrada), enquanto a tag <template> contém a resposta associada. No exemplo ilustrado, o chatbot responderia "Hello!" a qualquer interação. Uma visão abstrata da árvore de conhecimento resultante pode ser observada na Figura 3.5{reference-type="ref" reference="fig:representacaovisualabstrata"}. O AIML padrão suporta transições baseadas primariamente em correspondência de padrões, uma limitação inerente, embora extensões específicas de interpretadores possam permitir a integração de outras técnicas de processamento.

        <aiml>
        <category>
            <pattern>*</pattern>
            <template>Hello!</template>
        </category>
        </aiml

Retirado de

Exemplo de uma base de conhecimento em AIML

Retirado de https://www.pandorabots.com/docs/aiml-fundamentals/

Representação visual abstrata de uma base de conhecimento AIML

O profissional responsável pela criação, manutenção e curadoria da base de conhecimento de um chatbot AIML é denominado botmaster [@Wallace2000]. Suas atribuições englobam a edição da base (frequentemente via ferramentas auxiliares), a análise de logs de diálogo para identificar padrões de interação e a subsequente criação ou refino de respostas. Este papel pode ser exercido por indivíduos com diferentes perfis, incluindo webmasters, desenvolvedores, redatores, engenheiros ou outros interessados na construção de chatbots [@Wallace2000].

Algumas implementações de interpretadores AIML podem incorporar capacidades rudimentares de compreensão semântica através do Resource Description Framework (RDF)[^1]. O RDF é um padrão W3C para representação de informações na Web, usualmente por meio de triplas (sujeito-predicado-objeto) que descrevem relações entre entidades. No contexto AIML, RDF pode ser utilizado para armazenar e consultar fatos. Contudo, mesmo com tais adições, as capacidades linguísticas permanecem aquém da complexidade e do potencial gerativo da linguagem humana, conforme descrito por [@chomsky2002syntactic].

Embora [@Hohn2019] argumente que o AIML padrão carece de um conceito explícito de "intenção" (intent), similar ao encontrado em plataformas de Natural Language Understanding (NLU), é possível emular o reconhecimento de intenções. Isso é tipicamente alcançado definindo categorias que representam "formas canônicas" ou "padrões atômicos" para uma intenção específica[^2]. Variações de entrada (e.g., "oi", "olá") podem ser mapeadas para uma categoria canônica (e.g., "saudação") usando a tag <srai> (Symbolic Reduction Artificial Intelligence), que redireciona o fluxo de processamento (ver Figura 3.6{reference-type="ref" reference="fig:sodatagsrai"}). Dessa forma, um chatbot AIML pode gerenciar intenções distintas dentro de seu domínio, como realizar um pedido ou verificar o status de entrega.

Retirado de

Uso da tag <srai>

chatbots baseados em AIML têm obtido sucesso significativo em competições como o Prêmio Loebner. Notavelmente, o chatbot Mitsuku[^3], desenvolvido por Steve Worswick, conquistou múltiplos títulos recentes[^4], seguindo vitórias anteriores do ALICE. [@Wallace2000].

Adicionalmente, Mitsuku foi classificado em primeiro lugar numa análise comparativa envolvendo oito chatbots [@Sharma2020]. Nesse estudo, que avaliou atributos conversacionais com base em um conjunto padronizado de perguntas, o Google Assistant obteve a segunda posição, seguido pela Siri em terceiro. O chatbot ALICE. alcançou a quarta posição, enquanto o ELIZA ficou na última colocação entre os sistemas comparados [@Sharma2020].

Tags do AIML 1.0: Explicação e Exemplos

Esta seção descreve as principais tags do AIML, versão 1.0, com explicações e exemplos.

<aiml>

Descrição: Tag raiz que engloba todo o conteúdo AIML.

    <aiml version="1.0">
        <!-- Categorias aqui -->
    </aiml>

<category>

Descrição: Unidade básica de conhecimento, contendo um padrão e uma resposta.

    <category>
        <pattern>OLÁ</pattern>
        <template>Oi! Como posso ajudar você hoje?</template>
    </category>

<pattern>

Descrição: Define o padrão de entrada do usuário, com curingas como * e _.

    <category>
        <pattern>EU GOSTO DE *</pattern>
        <template>Que bom que você gosta de <star/>!</template>
    </category>

<template>

Descrição: Define a resposta do bot ao padrão correspondente.

    <category>
        <pattern>QUAL É O SEU NOME</pattern>
        <template>Meu nome é neo chatbot.</template>
    </category> 

<star/>

Descrição: Captura o conteúdo do curinga * ou _.

    <category>
        <pattern>MEU NOME É *</pattern>
        <template>Olá, <star/>!</template>
    </category>

<that>

Descrição: Considera a última resposta do bot para decidir a próxima.

<category>
    <pattern>SIM</pattern>
    <that>Você gosta de programar?</that>
    <template>Ótimo! Qual linguagem você prefere?</template>
</category>

<topic>

Descrição: Define um contexto ou tópico para categorias.

<category>
  <pattern>VAMOS FALAR SOBRE ESPORTE</pattern>
  <template>Ok! <topic name="esporte"/></template>
</category>

<random> e <li>

Descrição: Escolhe aleatoriamente uma resposta de uma lista.

<category>
  <pattern>COMO ESTÁ O TEMPO</pattern>
  <template>
    <random>
      <li>Está ensolarado!</li>
      <li>Está chovendo.</li>
    </random>
  </template>
</category>

<condition>

Descrição: Adiciona lógica condicional baseada em variáveis.

<category>
  <pattern>COMO EU ESTOU</pattern>
  <template>
    <condition name="humor">
      <li value="feliz">Você está bem!</li>
      <li>Não sei ainda!</li>
    </condition>
  </template>
</category>

<set> e <get>

Descrição: Define e recupera variáveis.

    <category>
        <pattern>MEU NOME É *</pattern>
        <template><set name="nome"><star/></set>Olá, <get name="nome"/>!</template>
    </category>

<srai>

Descrição: Redireciona a entrada para outro padrão.

    <category>
        <pattern>OI</pattern>
        <template><srai>OLÁ</srai></template>
    </category>

<think>

Descrição: Executa ações sem exibir o conteúdo.

    <category>
        <pattern>EU SOU TRISTE</pattern>
        <template><think><set name="humor">triste</set></think>Sinto muito!</template>
    </category>

<person>, <person2>, <gender>

Descrição: Transforma pronomes ou ajusta gênero.

    <category>
        <pattern>EU TE AMO</pattern>
        <template><person><star/></person> ama você também!</template>
    </category>

<formal>, <uppercase>, <lowercase>

Descrição: Formata texto (capitaliza, maiúsculas, minúsculas).

<category>
  <pattern>MEU NOME É joão</pattern>
  <template>Olá, <formal><star/></formal>!</template>
</category>

<sentence>

Descrição: Formata como frase (primeira letra maiúscula, ponto final).

<category>
  <pattern>oi</pattern>
  <template><sentence><star/></sentence></template>
</category>