Sistemas Expertos

DEFINICIÓN.- "Es un programa que soluciona problemas y da consejos en un área especializada de conocimiento."

OBJETIVO.- Pueden resolver problemas muy difíciles como los expertos humanos, razonan pero en base a un conocimiento adquirido, funcionan con datos que contienen errores, contemplan múltiples hipótesis en competición simultáneamente, y pueden justificar sus conclusiones.

CONCEPTOS.- Los programas convencionales utilizan datos exactos lo que es una indudable ventaja de los computadores. Esta clase de datos se denomina conocimiento factual o preciso.

Los humanos usamos una mezcla de ese conocimiento factual y de conocimiento heurístico (o sea la intuición lógica), que es una indisputable ventaja de los humanos.

Los sistemas expertos tratan de emular ese conocimiento heurístico, lo que los hace superiores a los programas convencionales ya que pueden tratar con datos "inciertos", o sea, no precisos.

Básicamente el Sistema Experto esta compuesto por los siguientes módulos:

1. Base de conocimientos: Consiste en las reglas, procedimientos y datos intrínsecos al área del problema. Generalmente se construye a través de consulta con uno o varios expertos del área, para incluir el conocimiento heurístico, manuales, base de datos, etc.

2. Motor de inferencia: Es el mecanismo usado para extraer el conocimiento de la base de conocimientos, para alcanzar una solución o conclusión determinada.

3. Interface con el usuario: Es el medio de comunicación entre el sistema experto y el usuario. Permite que el usuario pueda describir el problema al sistema experto. Interpreta sus preguntas, los comandos y la información ofrecida.

LAS REGLAS DE INFERENCIA.- La mayoría de los sistemas expertos almacenan su conocimiento en forma de reglas de inferencia: sí esto, entonces eso; sí eso, entonces aquello otro.

Las reglas de inferencia permiten relacionar hechos o situaciones del mundo real para deducir otros hechos que, en principio, no son evidentes sin la utilización de dicha reglas.

MODELO (REPRESENTACION DEL CONOCIMIENTO).- Como habíamos mencionado antes existen dos clases de conocimiento a tratar:

1.Conocimiento factual, o sea, aquel que por naturaleza es preciso y libre de "ruido". Se caracteriza también por ser objetivo y fácil de representar.

2.Conocimiento heurístico, es el conocimiento que usamos intuitivamente pero en forma consciente. NO es preciso ya que generalmente es subjetivo y es difícil de representar.

Existen varias maneras de representar el conocimiento, tales como:

Redes semánticas, Marcos, Reglas de producción, Lógica de predicados, Libretos, Híbridos.

En la construcción de los sistemas expertos el modelo mas usado es el de las reglas de producción por su versatilidad. Sin embargo recientemente los modelos híbridos, o sea, la combinación de algunos de los modelos, han tenido mucho éxito en su aplicación, especialmente para la representación del conocimiento heurístico.

Las reglas de producción generalmente son escritas en la forma IF-THEN, donde:

IF premisa, THEN conclusión

IF entrada, THEN salida

IF condición, THEN acción

IF antecedente, THEN consecuente

IF datos, THEN resultados

IF acción, THEN meta.

La parte IF generalmente contiene varias cláusulas unidas por los conectivos lógicos AND, OR. La parte THEN consiste en una o más frases que especifican la acción a tomar.

LENGUAJES.- Hay lenguajes de programación que se han desarrollado para la inteligencia artificial y por extensión, para los sistemas expertos, como son LISP o PROLOG, que digamos son los dos lenguajes predominantes.

HERRAMIENTAS.- Para aquellos que se inicien en este mundo, comiencen por aprender a manejar alguna de la muchas herramientas existentes en el mercado, tales como KEE, Art, Art-im, LOOP, CLisp, etc. O bien pueden programar su propio motor de inferencia en algunos lenguajes. La red bayesiana es una red de inferencias probabilísticas para codificar el conocimiento sobre un dominio y utiliza la heurística

PRINCIPIOS.-

FORWARD CHAINING.- Es una de varias estrategias deductivas del control de las aplicaciones que existen o los datos nuevamente deducidos para accionar las deducciones y las conclusiones futuras sobre los datos. Se repite el proceso hasta que el programa alcanza su meta o se ejecuta de nuevas posibilidades. Esta técnica se utiliza típicamente para la búsqueda del estado-espacio o el razonamiento dirigido a los datos.

BACK CHAINING.- Es otra estrategia deductiva del control que trabaja de metas a qué se sabe ya o qué necesita saberse para satisfacer esas metas. Se emplea típicamente en la reducción del problema.

UNIFICATION.- La unificación es similar a corresponder con, pero ahora modelamos a otros modelos. Observe que las variables pueden ahora atar a otras variables. El código es muy similar corresponder con.

MODUS PONENS.- Es la forma de colocar las oraciones de modo que se comporten de forma canónica, es decir, que las oraciones sean atómicas (indivisibles).

DOMINIOS Y APLICACIONES.- Un SE se puede aplica en la interpretación (deducir situaciones a partir de datos), predicción (meteorológica, tráfico, bolsa), diagnostico (medico, fallos en electrónica), diseño planificación (proyectos, inversiones, militar), supervisión, reparación, instrucción (corrección de errores), depuración, en el control (interpreta, predice y supervisa su conducta) y la enseñanza (recoger el conocimiento y mostrarlo).

BIBLIOGRAFÍA

Stuart Russell y Peter Norving, "Inteligencia Artificial, Un enfoque Moderno", 53500 Naucalpan de Juárez Estado de México, Editorial Prentice Hall Hispanoamericana, S. A.

Historia de los Sistemas Expertos páginas de la 19 a la 28.

Principios (Modus Ponens, Unificación) páginas 284 a la 286.