Metodología de los sistemas expertos

Presentado por:

Jair Antonio Vergel Arenas

UCC

BOGOTÁ D.C.

02/Mayo/2020
 Origen de los Sistemas Expertos
Los Sistemas Expertos fueron desarrollados por la comunidad de IA a mediados de los
años ‘60. En este periodo de investigación de IA se creía que algunas pocas reglas de
razonamiento sumadas a computadoras poderosas podían producir un experto o
rendimiento superhumano. Un intento en esta dirección fue el Generalpurpose Problem
Solver (GPS), Solucionador de problemas de propósito general (Turban, 1995). General-
purpose Problem Solver (Newell, 1958) o GPS fue un precursor de los SE. Esta
tecnología define los pasos necesarios para cambiar un estado inicial dado a una meta
deseada. Por cada problema se la da (1) un set de operaciones, (2) precondiciones y (3)
postcondiciones. GPS intentará reducir las diferencias entre el estado inicial y la meta. Se
cita como ejemplo el objetivo tipo #1: Encontrar una manera de transformar el objeto a en
objeto b. (Los objetos a y b, pueden ser cualquier objetos, definidos en la especificación
del ambiente de ejecución. La frase “manera de transformar” implica “aplicando una
secuencia de operadores desde el ambiente de ejecución”

Los siguientes son Sistemas Expertos que fueron clave para el éxito en el avance
significativo en el campo:

 DENDRAL: Primer Sistema Experto en ser utilizado para propósitos reales, al

margen de la investigación computacional, y durante aproximadamente 10 años, el
sistema tuvo cierto éxito entre químicos y biólogos, ya que facilitaba enormemente
la inferencia de estructuras moleculares, dominio en el que Dendral estaba
especializado (Turban, 1995).
 MYCIN: Es un SE para la realización de diagnósticos, iniciado por Ed Feigenbaum
y posteriormente desarrollado por E. Shortliffe. Su función es la de aconsejar a los
médicos en la investigación y determinación de diagnósticos en el campo de las
enfermedades infecciosas de la sangre (Nebendahl, 1991).
 CADUCEUS: Fue un Sistema Experto médico programado para realizar
diagnósticos en medicina interna. Fue completado a mediados de la década de
1980, si bien el inicio de su desarrollo se remonta a la década de 1970, siendo
programado por Harry Pople, de la Universidad de Pittsburgh y tomando como
punto de partida una serie de entrevistas de Pople al Dr. Jack Meyers. Pretendía
mejorar el MYCIN, 354 Ciencia y Tecnología, 13, 2013, pp. 349-364 ISSN 1850-
0870 S. Badaro, L. J. Ibañez y M. J. Agüero Sistemas Expertos: Fundamentos,
Metodologías y Aplicaciones sistema focalizado sobre las bacterias infecciosas de
la sangre (Nebendahl, 1991).
 XCON: El programa R1 (luego llamado XCON, por Configurador Experto) era un
sistema de producción basado en reglas escrito en OPS5 por John P. McDermott
de CMU (1978) con el propósito de asistir a los pedidos de los sistemas de
computadores VAX de DEC (Digital Equipment Corporation) seleccionando los
componentes del sistema de acuerdo a los requerimientos del cliente. El desarrollo
de XCON siguió a dos fracasos de escribir un Sistema Experto para esta tarea en
FORTRAN y BASIC (Nebendahl, 1991).
 Características de los Sistemas Expertos

 Subsistema de adquisición de conocimiento: Es la acumulación, transferencia y

transformación de la experiencia para resolver problemas de una fuente de
conocimiento a un programa de computadora para construir o expandir la base de
conocimiento. El estado del arte actual requiere un ingeniero en conocimiento que
interactúe con uno o más expertos humanos para construir la base de
conocimiento.
 Base de conocimiento Contiene el conocimiento necesario para comprender,
formular y resolver problemas. Incluye dos elementos básicos: heurística especial
y reglas que dirigen el uso del conocimiento para resolver problemas específicos
en un dominio particular.
 Base de hechos Es una memoria de trabajo que contiene los hechos sobre un
problema, alberga los datos propios correspondientes a los problemas que se
desean tratar.
 Motor de inferencia Es el cerebro del SE, también conocido como estructura de
control o interpretador de reglas. Este componente es esencialmente un programa
de computadora que provee metodologías para razonamiento de información en la
base de conocimiento. Este componente provee direcciones sobre cómo usar el
conocimiento del sistema para armar la agenda que organiza y controla los pasos
para resolver el problema cuando se realiza una consulta. Tiene tres elementos
principales: Ciencia y Tecnología, 13, 2013, pp. 349-364 ISSN 1850-0870 355 S.
Badaro, L. J. Ibañez y M. J. Agüero Sistemas Expertos: Fundamentos,
Metodologías y Aplicaciones (1) Intérprete, ejecuta la agenda seleccionada; (2)
programador, mantiene el control sobre la agenda; (3) control de consistencia,
intenta mantener una representación consistente de las soluciones encontradas
(Turban, 1995).
 Subsistema de justificación Se encarga de explicar el comportamiento del SE al
encontrar una solución. Permite al usuario hacer preguntas al sistema para poder
entender las líneas de razonamiento que este siguió. Resulta especialmente
beneficioso para usuarios no expertos que buscan aprender a realizar algún tipo
de tarea.
 Metodologias de los Sistemas Expertos

 Basados en reglas previamente establecidas: Los sistemas basados en reglas

trabajan mediante la aplicación de reglas, comparación de resultados y aplicación
de las nuevas reglas basadas en situación modificada. También pueden trabajar
por inferencia lógica dirigida, bien empezando con una evidencia inicial en una
determinada situación y dirigiéndose hacia la obtención de una solución, o bien
con hipótesis sobre las posibles soluciones y volviendo hacia atrás para encontrar
una evidencia existente (o una deducción de una evidencia existente) que apoya
una hipótesis en particular.
 Representación del conocimiento: Hay numerosas formas de representar el
conocimiento en IA, sin embargo, los Sistemas Expertos suelen ser llamados
sistemas basados en reglas.
 Reglas “Si...entonces...”: Las reglas “si.. entonces..” son el principal tipo de
conocimiento usado en Sistemas Expertos, donde dichas normas se utilizan para
capturar razonamiento de expertos que emplean a menudo. Sin embargo, con el
tiempo los investigadores comenzaron a desarrollar e integrar otras formas de
representación del conocimiento, tales como el razonamiento basado en casos.
Los sistemas que incluyen múltiples tipos de conocimiento a veces se conocen
356 Ciencia y Tecnología, 13, 2013, pp. 349-364 ISSN 1850-0870 S. Badaro, L. J.
Ibañez y M. J. Agüero Sistemas Expertos: Fundamentos, Metodologías y
Aplicaciones como sistemas híbridos, o etiquetados después de un determinado
tipo de representación del conocimiento, por ejemplo, basado en casos (O’Leary,
2008).
 Basados en casos: El razonamiento basado en casos es el proceso de solucionar
nuevos problemas basándose en las soluciones de problemas anteriores. Un
mecánico de automóviles que repara un motor porque recordó que otro auto
presentaba los mismos síntomas está usando razonamiento basado en casos. Un
abogado que apela a precedentes legales para defender alguna causa está
usando razonamiento basado en casos. También un ingeniero cuando copia
elementos de la naturaleza, está tratando a esta como una “base de datos de
soluciones”. El Razonamiento basado en casos es una manera de razonar
haciendo analogías. Se ha argumentado que el razonamiento basado en casos no
sólo es un método poderoso para el razonamiento de computadoras, sino que es
usado por las personas para solucionar problemas cotidianos. Más radicalmente
 se ha sostenido que todo razonamiento es basado en casos porque está basado
en la experiencia previa.
 Basados en redes bayesianas: Una red bayesiana, red de Bayes, red de creencia,
modelo bayesiano o modelo probabilístico en un gráfico acíclico dirigido es un
modelo gráfico probabilístico (un tipo de modelo estático) que representa un
conjunto de variables aleatorias y sus dependencias condicionales a través de un
gráfico acíclico dirigido (DAG por sus siglas en inglés). Por ejemplo, una red
bayesiana puede representar las relaciones probabilísticas entre enfermedades y
síntomas. Dados los síntomas, la red puede ser usada para computar las
probabilidades de la presencia de varias enfermedades.
 Sistemas Expertos difusos: Los Sistemas Expertos difusos se desarrollan usando
el método de lógica difusa, la cual trabaja con incertidumbre. Esta técnica emplea
el modelo matemático de conjuntos difusos, simula el proceso del razonamiento
normal humano permitiendo a la computadora comportarse menos precisa y más
lógicamente que las computadoras convencionales. Este enfoque es utilizado
porque la toma de decisiones no es siempre una cuestión de blanco y negro,
verdadero o falso; a veces involucra áreas grises y el término “quizás” (Holland,
1992).

Ventajas y limitaciones
Ventajas:

Mientras que un experto humano tiene limitaciones y percances propias de su

condición humana, es decir: se enferma, envejece, migra a otras empresas, el
Sistema Experto, respecto a sus pares humanos, no sufre de estas cuestiones y
se convierte en una herramienta estable para su entorno y fiable porque sus
actividades son completamente replicables (siempre contesta de la misma manera
a menos que se le cambie el diseño).

Finalmente, si se evalúa el costo total del empleo de esta tecnología, la

replicabilidad y estabilidad, asociado a la seguridad que provee, resulta una
ecuación favorable, aun considerando que las inversiones iniciales pueden ser
relativamente elevadas.

Limitaciones:

Es evidente que para actualizar se necesita de reprogramación de estos (tal vez

este sea una de sus limitaciones más acentuadas) otra de sus limitaciones puede
ser el elevado costo en dinero y tiempo, además que estos programas son poco
flexibles a cambios y de difícil acceso a información no estructurada.

Los Sistemas Expertos carecen de sentido común, para un SE no hay nada obvio
Además no podemos mantener una conversación informal con estos sistemas.
Para un sistema experto es muy complicado de aprender de sus errores y de
errores ajenos. No son capaces de distinguir cuales son las cuestiones relevantes
de un problema y separarlas de cuestiones secundarias.
Por otra parte, la inteligencia artificial no ha podido desarrollar sistemas que sean
capaces de resolver problemas de manera general o de aplicar el sentido común
para resolver situaciones complejas ni de controlar situaciones ambiguas.

Conclusiones
Los Sistemas Expertos han sido diseñados para facilitar las tareas en múltiples
campos de aplicación y proporcionar equivalentes resultados a los de un experto
humano. Se sabe que no son aptos para resolver problemas generales pero su
eficiencia aumenta mientras más acotado o específico sea el dominio de
aplicación. Actualmente los Sistemas Expertos son empleados en áreas diversas y
existe una importante variedad de herramientas y tecnologías para
implementarlos. Como todo sistema, poseen fortalezas y debilidades, no obstante
y en términos generales, por su flexibilidad, confiabilidad y escalabilidad se los
puede considerar como una tecnología de probada efectividad y lo suficientemente
madura para confiar decisiones de considerable criticidad.

Bibliografía
Ameri, A. (2008). Design and Development of an Expert System in Differential
Diagnosis of Maxillofacial Radio-lucent Lesions. Mälardalen University.

Balbin, I. (1985). Introductory Papers to Logic Programming and Prolog. Springer.

Britos, P. (2001). Sistema de Ayuda sobre Legislación Argentina en Riesgos de

Trabajo. Universidad Politécnica de Madrid.

Browne, P. (2009). JBoss Drools Business Rules. Packt. Cardona, C., Restrepo,
D., Ovalle, D. (2007) Sistema Experto Difuso para Determinar Perfiles
Criminológicos basado en el Test de Lüscher y Variables SocioCriminológicas.
Revista de Avances en Sistemas e Informática. UAEM. México.

Clips. (1994). Third Conference on CLIPS Proceedings. Disponible en: http://

clipsrules.sourceforge.net/documentation/other/3CCP.pdf

https://www.palermo.edu/ingenieria/pdf2014/13/CyT_13_24.pd