Componente de un Sistema Experto y su Funcionamiento

COMPONENTES DE UN SISTEMA EXPERTO Y SU FUNCIONAMIENTO

En la figura 1 podemos apreciar la composicin bsica de un sistema experto. Un sistema experto determinista muy sencillo, como el que crearemos est integrado por: 1. Base de conocimiento Un sistema experto de verdad es, generalmente, el resultado de la colaboracin de uno o varios expertos humanos especialistas en el tema de estudio y los ingenieros del conocimiento o creadores del sistema, con los usuarios en mente. Los expertos humanos suministran el conocimiento bsico en el tema de inters, y los creadores del sistema trasladan este conocimiento a un lenguaje, que el sistema experto pueda entender. No quiere decir que sta sea la nica forma de obtener este conocimiento por parte de los creadores del sistema experto. El conocimiento se almacena en la base de conocimiento mediante reglas. Una regla es una afirmacin lgica que relaciona dos o ms objetos e incluye dos partes, la premisa y la conclusin. Cada una de estas partes consiste en una expresin lgica con una o ms afirmaciones objeto-valor conectadas mediante los operadores lgicos AND, o, OR. O sea la base de conocimiento es la parte del sistema donde estn los conocimientos que el sistema tiene sobre toda un rea especializada, es un almacenamiento permanente. 2. Memoria de Trabajo: Es el lugar de memoria donde el sistema carga los datos iniciales del problema especfico que se tratar en ese momento y va guardando todo lo que va generando (conclusiones y resultados parciales del razonamiento). Se trata de un almacenamiento transitorio de conocimiento para solucionar ese problema particular. 3. Motor de Inferencia: El motor de inferencia es como un mdulo de software que usa los datos (hechos o evidencia) y el conocimiento (el conjunto de reglas almacenado en la base de conocimiento) para obtener nuevas conclusiones o hechos. Por ejemplo, si la premisa de una regla es cierta, entonces la conclusin de la regla debe ser tambin cierta. Los datos iniciales se incrementan incorporando las nuevas conclusiones. Por ello, tanto los hechos iniciales o datos de partida como las conclusiones derivadas de ellos forman parte de los hechos o datos de que se dispone en un instante dado. Para obtener conclusiones, los expertos utilizan diferentes tipos de reglas y estrategias de inferencia y control. En lo relativo a las reglas de inferencia, bsicamente el motor puede usar: y Modus Ponens: es quizs la regla de inferencia mas comnmente utilizada. Se utiliza para obtener conclusiones simples. En ella, se examina la premisa de la regla, y si es cierta, la conclusin pasa a formar parte del conocimiento. Como ilustracin, supongamos que tenemos la regla, Si A es cierto, entonces B es cierto y que sabemos adems que A es cierto. La regla Modus Ponens concluye que B es cierto. Esta regla de inferencia, que parece

Componente de un Sistema Experto y su Funcionamiento

trivial, debido a su familiaridad, es la base de un gran nmero de sistemas expertos. y Modus Tollens: se utiliza tambin para obtener conclusiones simples. En este caso se examina la conclusin y si es falsa, se concluye que la premisa tambin es falsa. Por ejemplo, supongamos de nuevo que se tiene la regla, Si A es cierto, entonces B es cierto pero se sabe que B es falso. Entonces, utilizando la regla Modus Ponens no se puede obtener ninguna conclusin, pero la regla Modus Tollens concluye que A es falso.

Y las estrategias de inferencia posibles son: y Encadenamiento hacia delante ( forward chaining ): es una de las estrategias de inferencia ms utilizadas para obtener conclusiones compuestas. Esta estrategia puede utilizarse cuando las premisas de ciertas reglas coinciden con las conclusiones de otras. Cuando se encadenan las reglas, los hechos pueden utilizarse para dar lugar a nuevos hechos. Esto se repite sucesivamente hasta que no pueden obtenerse ms conclusiones. El tiempo que consume este proceso hasta su terminacin depende, por una parte, de los hechos conocidos, y, por otra, de las reglas que se activan. Este algoritmo puede ser implementado de muchas formas. Una de ellas comienza con las reglas cuyas premisas tienen valores conocidos. Estas reglas deben concluir y sus conclusiones dan lugar a nuevos hechos. Estos nuevos hechos se aaden al conjunto de hechos conocidos, y el proceso contina hasta que no pueden obtenerse nuevos hechos. Encadenamiento hacia atrs (backward chaining): comenzamos proponiendo una solucin hiptesis del problema, entonces el algoritmo navega hacia atrs a travs de las reglas en bsqueda de una conclusin que confirme dicha hiptesis. Si no se obtiene ninguna conclusin con la informacin existente, entonces el algoritmo fuerza a preguntar al usuario en busca de nueva informacin sobre los elementos que son relevantes para obtener informacin sobre la hiptesis objetivo.

4. Interfaz con el usuario: Permite la interaccin con el usuario humano, a travs del ingreso de datos del problema de inters, lecturas del proceso, solicitud de datos adicionales (si fuera necesario) y presentacin de las conclusiones. De todas maneras, como creadores de nuestro propio sistema experto, no necesitaremos conocer ms profundamente el funcionamiento de cada uno de estos elementos, ya que vienen softwares comerciales que se dedican al manejo de los datos. Estos nos permitirn crear un sistema experto, en cualquier rea que nos interese, solamente sabiendo cmo cargarle las reglas que le permitan resolver problemas de ese rea especfica.