Um dos maiores desafios que os sistemas de Inteligência Artificial têm de enfrentar atualmente é como possibilitar que grandes e complexos modelos de representação do conhecimento possam ser embarcados em dispositivos computacionais com recursos limitados. No presente trabalho este problema é tratado no contexto de modelos probabilísticos em Inteligência Artificial, mais precisamente, redes Bayesianas. Um novo algoritmo, capaz de produzir inferências sob várias restrições de tempo e espaço, é proposto e testado. Caracterizando-se por sua adaptabilidade e pela utilização de métodos de condicionamento, o algoritmo recebe o nome de condicionamento adaptativo. As diversas técnicas empregadas, assim como a possibilidade de produzir inferências associando vários algoritmos diferentes sob sua supervisão, tornam este algoritmo flexível e apto a ser utilizado em sistemas embarcados ou equipamentos com recursos limitados. Resultados experimentais com redes de grande porte são apresentados em gráficos de três dimensões (Qualidade da resposta x Memória x Tempo), indicando seu desempenho com redes reais.

One of the biggest challenges that artificial intelligence systems have to cope with today is how to enable large and complex knowledge representation to operate in embedded systems with bounded resources, such as real-time devices. This work is focused on probabilistic models in artificial intelligence, more precisely, Bayesian networks. A new algorithm, able to yield inferences under both time and memory constraints, is presented and tested. Displaying flexibility and adaptability as its fundamental features, the algorithm named Adaptive Conditioning uses conditioning methods mixed with search-based and cache methods to compute probabilistic inferences. Besides, it can also combine different algorithms under its supervision for the same inference. These features allow adaptive conditioning to be used in embedded systems or in devices with bounded resources in general. Experimental results with demanding networks are presented in three-dimensional graphs (Answer quality x Memory x Time), indicating the algorithm's performance in real applications.