TP de EIA Gerardi Meriggi Polverino Requejo 2012

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial
Universidad Nacional de Lans

Licenciatura en Informtica Educativa Elementos de Inteligencia Artificial Profesor: Lic. Rubn Hawryluk
Trabajo Prctico: Sistemas Expertos

Primer cuatrimestre 2012
Grupo de trabajo integrado por:
* Gerardi, Gabriel * Meriggi, Gerardo * Polverino, Germn * Requejo, Laura
ggerardi2011@gmail.com mera33@hotmail.com g.polverino@hotmail.com lauvero73@gmail.com
Gerardi Meriggi Polverino Requejo

Mayo 2012
NDICE
Sistemas Expertos (Recopilacin: Todos los integrantes) Portada (Todos los integrantes) Sistemas Expertos. Definicin. Caractersticas. (Polverino - Requejo) Evolucin histrica (Requejo) Ventajas y desventajas (Meriggi) Componentes. Descripcin (Requejo) Representacin del conocimiento. Lgica y regla (Gerardi - Meriggi) Manejo de incertidumbre (Gerardi) Lgica difusa (Polverino - Requejo) Probabilidad Bayesiana (Polverino) Factores de certeza (Meriggi) Casos de Sistemas Expertos (Gerardi Meriggi - Polverino) Conclusiones: El potencial uso de SE para mejorar el proceso educativo (Todos los integrantes) Anexo de referencias (Todos los integrantes)
Pgina
1 3 6 11 12 14 18 20 22 26 27 30 32

Mayo 2012
SISTEMAS EXPERTOS: DEFINICIN
Los sistemas expertos (SE) forman parte de los avances del campo de la inteligencia Artificial, lograr una definicin consolidada requiere ponernos a pensar de la terminologa que integra este concepto. Un experto es entendido como persona hbil en alguna prctica, saber, o disciplina, poseedora de conocimiento concreto y ms versado que otras en un campo o disciplina especfica, por tal especialista del mismo. Un sistema es un conjunto de partes o elementos organizados y relacionados que interactan entre s para lograr un objetivo. Sin embargo ajustando la definicin podramos decir que un sistema es un conjunto de principios sobre una materia enlazados entre si formando un cuerpo doctrinal. Desde esta perspectiva yuxtapuesta podramos abordar el concepto de Sistema del experto como el conjunto de procedimientos hbiles humanos conocimiento y entendimiento altamente capacitados, es decir emulan el razonamiento de un experto en un dominio concreto. Una visin convencional entiende a un Sistema Experto como un sistema computacional interactivo que permite la creacin de bases de conocimiento (mediante la incorporacin de reglas heursticas), las cuales una vez cargadas responden a preguntas, (bsqueda de reglas posibles como soluciones de un problema en concordancia con las posibles consecuencias) despejan dudas y sugieren cursos de accin (la persona responde a las preguntas formuladas por el sistema experto, este busca recorriendo las ramas ms interesantes del rbol, hasta
Mayo 2012
dar con la respuesta final al problema, o en su defecto, la ms parecida a esta) simulando el proceso de razonamiento humano especializado para resolver problemticas de un rea especfica del conocimiento (Es capaz tanto de responder como esta persona, como de explicar y justificar sus respuestas.) Bsicamente este concepto presupone dos habilidades fundamentales de los SE (aprendizaje, y simulacin el proceso de razonamiento humano). El Comit de Sistemas Expertos de la British Computer Society ha definido un sistema experto como "La incorporacin a un ordenador de un componente basado en el conocimiento que se obtiene a partir de la habilidad de un experto, de forma tal que el sistema pueda dar consejos inteligentes o tomar decisiones inteligentes. Una caracterstica adicional deseable, que para muchos es fundamental, es que el sistema sea capaz, bajo demanda, de justificar su propia lnea de razonamiento de una forma inmediatamente inteligible para el usuario. El estilo adoptado para obtener estas caractersticas es la programacin basada en reglas Dentro de los objetivos de los SE esta el lograr la calidad y rapidez en los resultados, maximizar la potencialidad y productividad de un experto, mediante los soportes de decisiones. Tcnicamente un sistema experto, contiene una base de conocimientos que incluye la experiencia acumulada de expertos humanos y un conjunto de reglas para aplicar sta base en de una conocimientos
situacin particular que se le indica al programa. Cada vez el sistema se mejora con adiciones a la base de conocimientos o al conjunto de reglas. En Teora estos sistemas son capaces de razonar siguiendo los mismos pasos que seguira un especialista (experto) en
Mayo 2012
determinada materia (mdico, matemtico, bilogo, etc) cuando resuelve un problema propio de su disciplina. Por ello, el creador de un sistema experto tiene que comenzar por identificar y recoger del experto humano los conocimientos que ste utiliza, pero sobre todo los conocimientos empricos que se adquieren con la prctica. Dado que los programas estn basados en el conocimiento un aspecto fundamental es la programacin del conocimiento la cual hace uso de la representacin explcita del conocimiento a usar por el sistema y de su interpretacin y manipulacin lgica por medio de mtodos de inferencia que permiten deducir nuevo conocimiento a partir del que ya se dispone. No pretende, en absoluto, reproducir el pensamiento humano, sino simplemente la pericia de un profesional competente (tngase en cuenta que para construir un SE se suele contar con grandes expertos en la materia que incorporan su conocimiento al sistema).
CARACTERSTICAS
Para que un sistema acte como un verdadero experto, es deseable que rena, en lo posible, lo ms importante de las caractersticas de un experto humano, esto es: *Habilidad para adquirir conocimiento. *Fiabilidad, para poder confiar en sus resultados o apreciaciones. *Solidez en el dominio de su conocimiento. *Capacidad para resolver problemas. Dada la complejidad de los problemas que usualmente tiene que resolver un SE, puede existir cierta duda en el usuario sobre la validez de respuesta obtenida. Por este motivo, es una condicin indispensable que un SE sea capaz de explicar su proceso de razonamiento o dar razn del por qu solicita tal o cual informacin o dato.

Mayo 2012
EVOLUCIN HISTRICA
Desde los aos 50, se ha producido un notable avance dentro del campo de la inteligencia artificial. El desafo de crear mquinas cuyo comportamiento asimile el de los humanos, con capacidad para tomar propias decisiones y obtener conclusiones comienza a ser tenido en cuenta a partir del desarrollo de la informtica. Concretamente, la inteligencia artificial (IA) es una rama de la ciencia de la computacin. Paralelo al desarrollo de la informtica, comienza el desarrollo de la inteligencia artificial. La IA comprende el estudio y creacin de sistemas computarizados que manifiestan cierta forma de inteligencia: sistemas que aprenden nuevos conceptos y tareas, que pueden razonar y derivar conclusiones tiles acerca del mundo que nos rodea, sistemas que pueden comprender un lenguaje natural o percibir y entender una escena visual, y sistemas que realizan otro tipo de actividades que requieren de inteligencia humana. Es una ciencia que trata de la comprensin de la inteligencia y del diseo de mquinas inteligentes, es decir, el estudio y la simulacin de las actividades intelectuales del hombre (manipulacin, razonamiento, percepcin, aprendizaje, creacin). Estudia las representaciones y procedimientos que automticamente resuelven problemas usualmente resueltos por humanos. A pesar de la diversidad de conceptos propuestos para la IA, en general todos coinciden en que la IA trata de alcanzar inteligencia a travs de la computacin. Toda computacin, requiere de una representacin de cierta entidad y de un proceso para su manipulacin. Desde el punto de vista de los objetivos, la IA puede considerarse en parte como ingeniera y en parte como ciencia: Como ingeniera, su objetivo es resolver problemas reales, actuando como un conjunto de ideas acerca de cmo representar y utilizar el conocimiento, y de cmo desarrollar sistemas informticos.

Mayo 2012
Como ciencia, su objetivo es buscar la explicacin de diversas clases de inteligencia, a travs de la representacin del conocimiento y de la aplicacin que se da a ste en los sistemas informticos desarrollados. Problemas tales como reconocimiento de voz, demostracin de teoremas juegos como las damas o el ajedrez deban ser resueltos por personas dado que requieren habilidades tales como pensar, ver, memorizar, oler, etc. Sin embargo, como se ha indicado antes, los trabajos que han llevado a cabo numerosos investigadores en la segunda mitad del siglo XX, han demostrado que este tipo de tareas pueden ser desarrollados y ejecutados perfectamente por maquinas. La IA engloba diferentes subreas, las principales existentes son, entre otras, el reconocimiento de voz o de patrones, la demostracin automtica de teoremas, el procesamiento del lenguaje natural, la visin artificial, la robtica, las redes neuronales y los sistemas expertos. 1950 el campo de la automtica recibe un gran impulso cuando Wiener desarrolla el principio de la retroalimentacin. La teora de la retroalimentacin es base fundamental de los sistemas de control. 1955 Newell y Simon desarrollan la Teora de la lgica. Este desarrollo permiti desarrollar un programa que exploraba la solucin a un problema utilizando ramas y nudos, seleccionando nicamente las ramas que ms parecan acercarse a la solucin correcta del problema. 1956 se celebra una conferencia en Vermont (USA) de gran trascendencia en el desarrollo de la IA. John McCarthy propone por primera vez el uso del trmino Inteligencia Artificial para denominar el estudio del tema. 1957 aparece la primera versin de The General Problem Solver (GPS), un programa capaz de solucionar problemas de sentido comn. El GPS utilizaba la teora de la retroalimentacin de Wiener. 1958 McCarthy anuncia su nuevo desarrollo el lenguaje LISP (LISt Procesing), el lenguaje de eleccin para todos aquellos desarrolladores inmersos en el estudio de la IA. 1963 el Instituto Tecnolgico de Massachussets (MIT) recibe una subvencin de 2,2 millones de dlares del gobierno de los Estados Unidos en concepto de

Mayo 2012
investigacin en el campo de la IA. De esa forma, se comprueba la importancia que el Gobierno concede a la investigacin dentro de ese campo. 1965 aparece DENDRAL, el primer sistema experto. Es en ese ao cuando Feigenbaum entra a formar parte del departamento de informtica de Stanford. All conoci a Joshua Lederberg, el cual quera averiguar cual era la estructura de las molculas orgnicas completas. El objetivo de DENDRAL fue estudiar un compuesto qumico. El descubrimiento de la estructura global de un compuesto exiga buscar en un rbol las posibilidades, y por esta razn su nombre es DENDRAL que significa en griego rbol. Antes de DENDRAL los qumicos solo tenan una forma de resolver el problema, esta era tomar unas hiptesis relevantes como soluciones posibles, y someterlas a prueba comparndolas con los datos. La realizacin de DENDRAL dur ms de diez aos (1965-1975). Se le puede considerar el primer sistema experto. 1972 en la Universidad de Standford se desarrolla MYCIN, sistema experto dentro del campo de la medicina para diagnostico de enfermedades infecciosas en la sangre. MYCIN se trataba de un sistema experto para el diagnstico de enfermedades infecciosas. Desde los resultados de anlisis de sangre, cultivos bacterianos y dems datos, el programa era capaz de determinar, o en lo menos, sugerir el microorganismo que estaba causando la infeccin. Despus de llegar a una conclusin, MYCIN prescriba una medicacin que se adaptaba perfectamente a las caractersticas de la persona, tales como el peso corporal de este. Al mismo tiempo, Davir Marr propone nuevas teoras sobre la capacidad de reconocimiento visual de las diferentes mquinas. Aparece el lenguaje PROLOGUE basado en las teoras de Minsky. 1973 se desarrolla el sistema experto llamado TIERESIAS. El cometido de este sistema experto era el de servir de intrprete entre MYCIN y los especialistas que lo manejaban, a la hora introducir nuevos conocimientos en su base de datos. El especialista deba utilizar MYCIN de una forma normal, y cuando este cometiera un error en un diagnstico (hecho producido por la falta o fallo de informacin en el rbol de desarrollo de teoras) TEIRESIAS corregira dicho fallo destruyendo la regla si es falsa o amplindola si es eso lo que se necesita.
Mayo 2012
1979 aparece XCON, primer programa que sale del laboratorio Su usuario fue
la Digital Equipament Corporation (DEC). El cometido de XCON sera configurar todos los ordenadores que saliesen de la DEC. El proyecto present resultados positivos y se empez a trabajar en el proyecto ms en serio en diciembre de 1978. En abril de 1979 el equipo de investigacin que lo haba diseado pens que ya estaba preparado para salir, y fue entonces, cuando se hizo una prueba real, esperando resolver positivamente un 95% de las configuraciones, este porcentaje tal alto se qued en un 20% al ser contrastado con la realidad; XCON volvi al laboratorio, donde fue revisado y a finales de ese mismo ao funcion con resultados positivos en la DEC. 1980 se instaur totalmente en DEC. Y en 1984, el XCOM haba crecido hasta multiplicarse por diez. El XCOM supuso un ahorro de cuarenta millones de dlares al ao para la DEC. Entre los aos 80 a 85 se produce la revolucin de los Sistemas Expertos. En estos 5 aos se crearon diversos sistemas expertos como el DELTA, de General Electric Company, para la reparacin de locomotoras diesel y elctricas. Aldo en Disco para la reparacin de calderas hidrostticas giratorias usadas para la eliminacin de bacterias. Se crearon multitud de empresas dedicadas a los sistemas expertos como Teknowledge Inc., Carnegie Group, Symbolics, Lisp Machines Inc., Thinking Machines Corporation, Cognitive Systems Inc.... formando una inversin total de 300 millones de dlares. Los productos ms importantes que creaban estas nuevas compaas eran las mquinas Lisp, que se trataba de unos ordenadores que ejecutaban programas LISP con la misma rapidez que en un ordenador central, y el otro producto fueron las herramientas de desarrollo de sistemas expertos. 1987 XCON empieza a no ser rentable. Los tcnicos de DEC tuvieron que actualizar XCOM rpidamente llegndose a gastar ms de dos millones de dlares al ao para mantenimiento y algo parecido ocurri con el DELTA..Tambin en 1987 aparecieron los microordenadores Apple y compatibles IBM con una potencia parecida a los LISP. El software se transfiri a mquinas convencionales utilizando el lenguaje C lo que acab con el LISP.

Mayo 2012
A partir de los 90 y con el desarrollo de la informtica, se produce un amplio
desarrollo en el campo de la IA y los sistemas expertos, pudindose afirmar que estos se han convertido en una herramienta habitual en determinadas empresas en la actualidad. La evolucin histrica de los mtodos utilizados en el desarrollo de los sistemas expertos tambin se ha producido a medida que se ha ido desarrollando la IA y los diferentes mtodos que se han empleado para su resolucin. El desarrollo de lenguajes como LISP y PROLOG condicionaron esa evolucin, as como investigaciones en diversos campos relacionados. Los primeros sistemas expertos que se desarrollaron en los aos 60 eran capaces de resolver solo problemas basados en situaciones determinadas, mediante sistemas de reglas. Es a partir de los 70 cuando se empiezan a resolver problemas basados en situaciones inciertas, basados en medidas difusas al principio y en redes probabilsticas con posterioridad.
VENTAJAS Y DESVENTAJAS
Con la ayuda de un Sistema Experto, personas con poca experiencia pueden resolver problemas que requieren un "conocimiento formal especializado". Los SE pueden obtener conclusiones y resolver problemas de forma ms rpida que los expertos humanos, razonan pero en base a un conocimiento adquirido y no tienen sitio para la subjetividad. Se ha comprobado que tienen al menos, la misma competencia que un especialista humano. Su uso es especialmente recomendado en las siguientes situaciones: Cuando los expertos humanos en una determinada materia son escasos.

Mayo 2012
10
En situaciones complejas, donde la subjetividad humana puede llevar a conclusiones errneas. Cuando es muy elevado el volumen de datos que ha de considerarse para obtener una conclusin.
Ventajas
Desventajas
Estn disponibles ininterrumpidamente El conocimiento es difcil de extraer de de da y noche, ofreciendo siempre su mximo los expertos humanos. desempeo. La aproximacin de cada experto a la Pueden duplicarse ilimitadamente, i.e. situacin evaluada puede ser diferente. tener tantos de ellos como se requieran. Tienen una nocin muy limitada acerca Pueden trabajar en entornos hostiles y del contexto de problema, i.e. no pueden peligrosos. percibir todas las cosas que un experto humano Siempre se ajustan a las normas puede apreciar de un situacin. establecidas y son consistentes en su Pueden existir decisiones que slo son desempeo, i.e. no desarrollan apreciaciones de competencia para un ser humano y no una subjetivas, tendenciosas, irracionales o mquina. emocionales. No padece de olvido, fatiga, dolor No saben como subsanar sus o comete errores de clculo. limitaciones, e.g. no son capaces de trabajar en No requiere un sueldo, promociones, equipo o investigar algo nuevo. seguros mdicos, incapacidades. Siempre estn dispuestos a dar Son muy costosos de desarrollar y explicaciones, asistir o ensear a la gente, as mantener. como a aprender. Pueden tener una vida de servicio ilimitada.
COMPARACIN CON LOS SISTEMAS TRADICIONALES

Mayo 2012
11
Sistemas Expertos Toman decisiones Calculan resultados Basados en heursticas Dan explicaciones de los resultados Usan reglas de inferencia Accesan bases de conocimientos (deductivas) Centrados en el experto y el usuario Manejan conocimiento impreciso, contradictorio o incompleto Usan datos y lenguajes simblicos
Sistemas Tradicionales Calculan resultados Basados en algoritmos Dan resultados sin explicaciones Usan secuenciacin, ciclos y condicionales Accesan bases de datos Centrados en el analista y el programador Conocimientos precisos, completos y exactos Usan datos numricos y lenguajes procedurales
COMPONENTES
Los principales componentes de un SE son los siguientes: Base de Conocimiento: Un SE posee el conocimiento del experto humano convenientemente formalizado y estructurado; esto es lo que se conoce como Base de conocimiento. Est constituido por la descripcin de los objetos y las relaciones entre ellos, as como de casos particulares y excepciones. Algunos sistemas basados en el conocimiento incluyen metaconocimiento o conocimiento sobre el conocimiento, es decir, la capacidad para buscar en la base de conocimiento y abordar la resolucin del problema de una manera inteligente usando diferentes estrategias para la resolucin con sus condiciones particulares de aplicacin. Es decir se trata de definir criterios mediante los cuales el sistema decide la estrategia de bsqueda a utilizar en funcin de unos datos iniciales. El conocimiento se puede representar mediante clculo de predicados, listas, objetos, redes semnticas y/o reglas de produccin. De todas ellas, las dos formas ms usuales son las reglas de produccin y los objetos. En cualquier caso, la eleccin de las tcnicas de representacin a utilizar dependern del tipo de problema a resolver.
Mayo 2012
12
Motor de Inferencia: Tambin llamado intrprete de reglas, es un mdulo que se encarga de las operaciones de bsqueda y seleccin de las reglas a utilizar en el proceso de razonamiento. Por ejemplo, al tratar de probar una hiptesis dada, el motor de inferencia ir disparando reglas que irn deduciendo nuevos hechos hasta la aprobacin o rechazo de la hiptesis objetivo. Base de Hechos: Se trata de una memoria temporal auxiliar que almacena los datos del usuario, datos iniciales del problema, y los resultados intermedios obtenidos a lo largo del proceso de resolucin. A travs de ella se puede saber no slo el estado actual del sistema sino tambin cmo se lleg a l. Como ya se ha mencionado antes, es conveniente que esta informacin se maneje con bases de datos relacionales, en lugar de utilizar un sistema particular de almacenamiento. Interfaz de Usuario: Todo sistema dispone de una interfaz de usuario, que gobierna el dilogo entre el sistema y el usuario. Para el desarrollo de estas interfaces algunas herramientas de desarrollo incorporan generadores de interfaz de usuario o bien se utilizan herramientas de desarrollo de interfaces grficas existentes en el mercado. Otros mdulos que forman parte de este tipo de herramientas son los siguientes: Mdulo de comunicaciones: En la actualidad la mayora de los sistemas basados en el conocimiento no viven aislados sino que interactan con otros sistemas por lo que son capaces de interactuar no solamente con el experto sino con estos sistemas, para poder recoger informacin o consultar bases de datos. Mdulo de explicaciones: Es una utilidad importante en la etapa de desarrollo ya que aporta una ayuda considerable al ingeniero del conocimiento para refinar el
Mayo 2012
13
funcionamiento del motor de inferencia, y al experto a la hora de construir y verificar la coherencia de la base de conocimiento. Sirve para explicar al usuario tanto las reglas usadas como el conocimiento aplicado en la resolucin de un determinado problema. Mdulo de adquisicin de conocimiento: Este mdulo permite al ingeniero del conocimiento, y/o experto, la construccin de la base de conocimiento de una forma sencilla, as como disponer de una herramienta de ayuda para actualizar la base de conocimiento cuando sea necesario. Si bien estos mdulos no existen en todos los sistemas expertos, o bien estn desarrollados o implementados de maneras diferentes, la funcin que desempean es muy interesante en el desarrollo de estos sistemas. As, el motor de inferencia y las interfaces, que incluyen la interfaz de usuario, el mdulo de explicaciones y el mdulo de adquisicin del conocimiento, forman el esqueleto o sistema esencial, y que, separadas de las bases de conocimiento y de hechos, constituyen una herramienta software para el desarrollo de los sistemas basados en el conocimiento.
REPRESENTACIN DEL CONOCIMIENTO: SU LGICA Y REGLA
Cada sistema experto consiste de dos partes principales: la base del conocimiento; y el razonamiento, o motor de inferencia. La base del conocimiento de los sistemas expertos contiene el conocimiento efectivo y heurstico. El conocimiento efectivo es el conocimiento del dominio de la tarea que se comparte ampliamente, encontrado tpicamente en libros de textos. El conocimiento heurstico es el conocimiento menos riguroso, ms experimental, ms crtico del funcionamiento. En contraste con el conocimiento efectivo, el conocimiento heurstico raramente se discute y es en gran parte individualista. Es el conocimiento de la buena prctica, del buen juicio y del razonamiento admisible en el campo. Es el conocimiento que es la base del "arte de buen inferir". La
Mayo 2012
14
representacin del conocimiento formaliza y ordena el conocimiento. Una representacin ampliamente usada es la regla de produccin, o simplemente regla. Una regla consiste en: una parte SI, y otra parte ENTONCES (tambin llamada como una condicin y una accin). Las listas de partes SI son un conjunto de condiciones en una cierta combinacin lgica. La porcin del conocimiento representado por la regla es relevante a la lnea del razonamiento que es convertido si la parte SI de la regla est satisfecha; por lo tanto, la parte ENTONCES puede ser concluida, o su accin de solucionar el problema ser tomada. En los sistemas expertos en que el conocimiento se representa en forma de regla se llaman: sistemas basados en reglas. Otra representacin ampliamente usada, llamada la unidad (tambin conocida como marco, esquema, o estructura de la lista) se basa sobre una vista ms pasiva del conocimiento. La unidad es un enlace del conocimiento simblico asociado acerca de una entidad que se representar. Tpicamente, una unidad consiste en una lista de las caractersticas de la entidad y de los valores asociados para esas caractersticas.

Mayo 2012
15
Puesto que cada dominio de la tarea consiste en muchas entidades que estn sujetas en varias relaciones, las caractersticas tambin se pueden utilizar para especificar relaciones y los valores de estas caractersticas son los nombres de otras unidades que se conectan segn las relaciones. Una unidad puede tambin representar el conocimiento de un
"caso especial" de otra unidad, o algunas unidades pueden ser "parte" de otra unidad. El modelo para solucionar el problema, o el paradigma, ordena y controla los pasos de progresin tomados para solucionar paradigma el problema. implica El el
encadenamiento de las reglas de SI - ENTONCES (IF-THEN) para formar una lnea de razonamiento. Si el encadenamiento empieza con un conjunto de condiciones y se mueve hacia una cierta conclusin, se llama el mtodo de encadenamiento delantero o hacia adelante. Si la conclusin se sabe (por ejemplo, una meta que se lograr) pero el camino a esa conclusin no se sabe, entonces se debe razonar al revs, y el mtodo se llama de encadenamiento posterior o hacia atrs. En estos modelos, el problema se construye en mdulos de programas llamados motores de la inferencia o los procedimientos de la inferencia, que manipulan y utilizan el conocimiento de la base de conocimiento para formar una lnea del razonamiento. La base de conocimiento que una persona experta utiliza es lo que l aprendi en la escuela, de colegas y a partir de aos de la experiencia. Probablemente cuanto
Mayo 2012
16
ms experiencia tiene, ms grande es su conocimiento almacenado. El conocimiento le permite interpretar la informacin en su base de datos ayudndolo en diagnsticos, diseo y anlisis. Aunque un sistema experto consiste fundamentalmente en una base de conocimiento y un motor de inferencia, un par de otras caractersticas vale la pena mencionar: razonamiento con incertidumbre, y la explicacin de la lnea del razonamiento. El conocimiento es casi siempre incompleto e incierto. Para tratar el conocimiento incierto, una regla puede tener asociado a ella un factor de confianza o un peso. El conjunto de mtodos para usar el conocimiento incierto conjuntamente con datos inciertos en el proceso del razonamiento se llama razonamiento con incertidumbre. Una subclase importante de los mtodos por razonar con incertidumbre se llama "lgica difusa (fuzzy logic)", y los sistemas que los utilizan se conocen como "sistemas difusos". credibilidad est a menudo en duda (al igual que en el caso con seres humanos). Cuando una respuesta a un problema es cuestionable, queremos saber el anlisis razonado. Si el anlisis razonado tendremos parece que probable, creer la En las aplicaciones expertas de un sistema incierto o el conocimiento heurstico (como los seres humanos lo hacemos) su
respuesta. La mayora de los sistemas expertos tienen la capacidad de contestar a las preguntas de la forma: "por qu es la respuesta X?" Las explicaciones pueden ser generadas rastreando la lnea del razonamiento usada por el motor. El componente ms importante de cualquier sistema experto es el conocimiento. El poder de los sistemas expertos reside en la alta calidad especfica del conocimiento que contienen acerca del dominio de la tarea. Los investigadores de
Mayo 2012
17
IA continuarn explorando y agregando al repertorio actual de mtodos de representacin y de razonamiento del conocimiento. Pero en el conocimiento reside el poder. Debido a la importancia del conocimiento en los sistemas expertos los mtodos de adquisicin de conocimiento son de vital importancia para romper el embotellamiento de la adquisicin del conocimiento, en la codificacin y la representacin de una gran infraestructura del conocimiento.
MANEJO DE INCERTIDUMBRE
El principio de incertidumbre fue desarrollado por Heisenberg en 1927, en el cual postula que es imposible conocer conjuntamente con exactitud, la posicin y la velocidad de una partcula. Dijo, si la precisin con la que determinamos la posicin es mayor, menor ser su velocidad. Heisenberg calcul la magnitud de esa inexactitud de dichas propiedades y con ello defini el Principio de Incertidumbre, por el cual recibi el Premio Nbel de fsica (1932). El punto central de la fsica cuntica es el concepto de incertidumbre. La palabra incertidumbre est en todas partes y por ello la teora quntica tiene una estructura fundamentalmente probabilstica es decir basada en la incertidumbre. De qu le sirve a la naturaleza y a la humanidad la incertidumbre? Los humanos, como observadores del mundo que nos rodea, juegan un papel central en la fsica cuntica. El proceso de definicin en la fsica cuntica precisa de la participacin de un observador consciente a un nivel fundamental. Nos interesa conocer como funciona el universo y el principio de incertidumbre es un factor clave de su funcionamiento. Necesitamos la incertidumbre para establecer relaciones afectivas, para aumentar nuestros conocimientos, para fortalecer nuestra conciencia, y para desarrollar nuestra autoestima. La incertidumbre ante el futuro, ha sido y ser el

Mayo 2012
18
motor que mueve a la humanidad hacia delante. La seguridad absoluta en todos los rdenes es parlisis, castradora de la personalidad y arrullo de vagancias. Tenemos certidumbre de alguien o de algo? Para conocer todo de alguien o de algo hay que interaccionar con ellos. Esta interaccin introduce siempre algn cambio en el comportamiento de las personas o en las propiedades de las cosas. Por ello aunque los cambios sean diminutos, siguen estando ah y con estos cambios creamos nuestra realidad. El complemento del principio de incertidumbre debe ser la tolerancia. La tolerancia que como observadores, debemos aplicar al evaluar las acciones de los dems. Cuanta ms tolerancia demostremos con las personas, mejor llegaremos a comprenderlas y estimarlas, reduciremos a valores probabilsticos manejables la incertidumbre presente en nuestras vidas. CAUSAS DE LA INCERTIDUMBRE: Informacin incompleta (falta de anlisis en medicina, falta de variables de campo en sistemas de control). Informacin poco confiable (medidores poco confiables, instrumentos imprecisos, anlisis poco confiables). Ruido, distorsin (ruido o distorsin en sistemas de visin, de reconocimiento de voz, de comunicaciones). Conocimiento impreciso (si tiene dolor de cabeza posiblemente tiene gripe, el lumen es una regin obscura, grande y uniforme). Conocimiento contradictorio (si tiene dolor de cabeza es probable que tenga gripe, pero tambin es posible que no tenga gripe, opiniones encontradas de diferentes expertos). Representacin no adecuada (no se selecciono la representacin(es) idnea(s) para la aplicacin). Falta de poder descriptivo (las representaciones no permiten representar adecuadamente el conocimiento del dominio, como lo expresa el experto). Tcnicas de la Incertidumbre: No-numricas
Mayo 2012
19
Lgicas no-monotnicas Sistemas de mantenimiento de verdad (TMS, ATMS) Teoras de endosos Numricas Empricas (MYCIN, Prospector) Mtodos aproximados Lgica difusa Teora de Dempster-Shafer Redes Bayesianas MTODOS DE TRATAMIENTO DE LA INCERTIDUMBRE Mtodos Tericos Lgica multivalorada Lgica Probabilstica Lgica Difusa o Borrosa Teora de la Evidencia (credibilidad, plausibilidad) Teora de la Posibilidad (necesidad, posibilidad) Mtodos Heursticos ms usados en la Ingeniera del conocimiento Factores de incertidumbre (MYCIN) Inferencia Bayesiana (PROSPECTOR)
LGICA DIFUSA
La Lgica Difusa o Borrosa, es una extensin de la lgica convencional (booleada) para manejar el concepto de verdad parcial. La verdad parcial se presenta cuando los valores de verdad se encuentran entre absolutamente cierto y absolutamente falso. La lgica difusa, es una lgica matemtica conjuntos basada que en la teora de el 20 posibilita imitar

Mayo 2012
comportamiento de la lgica humana. Se apoya en la experiencia del ser humano para generar un razonamiento que permite la toma de decisiones, especialmente en los matices de respuestas. La lgica borrosa, es utilizada para representar la informacin imprecisa, ambigua, o vaga, para realizar operaciones en los conceptos que estn fuera de las definiciones de la lgica booleada. Una clase de lgica que reconoce valores verdaderos y falsos ms simples. Con lgica borrosa, los subconjuntos se pueden representar con grados de la verdad o de la falsedad. Los conjuntos difusos, pueden contener elementos con grados parciales de pertenencia, a diferencia de los conjuntos clsicos en los que los elementos pueden pertenecer o no pertenecer a dichos conjuntos. La funcin de pertenencia es una curva determinada por el grado de pertenencia de los elementos del conjunto. Se denota generalmente por y puede adoptar valores entre 0 y 1. El universo de discurso es el conjunto de valores que puede tomar la variable, es el conjunto de elementos que se considera. La variable difusa, es cualquier valor que est basado en la percepcin humana ms que en valores precisos de medicin. Las operaciones bsicas con conjuntos difusos son las siguientes: Conjunto complementario de un conjunto difuso A, es aquel cuya funcin caracterstica se define:
Unin de los conjuntos difusos A y B, es un conjunto difuso A B en U, cuya
funcin caracterstica es:
Interseccin de dos conjuntos difusos A y B, es un conjunto difuso A B en
U, cuya funcin caracterstica es:
Estas tres operaciones definidas para conjuntos difusos cumplen, al igual que en la teora clsica de conjuntos, las propiedades de asociatividad, conmutatividad y
Mayo 2012
21
distributividad as como las leyes de Morgan. Sin embargo, no cumplen con el Principio de Contradiccin ni con el Principio de Exclusin. En la inferencia difusa se utilizan las reglas difusas, conjunto de proposiciones SI-ENTONCES que modelan al problema que se quiere resolver. Como es sabido, se puede establecer un isomorfismo entre la teora de conjuntos, la lgica proposicional y el lgebra booleada que garantiza que cada teorema enunciado en una de ellas tiene un homlogo en las otras dos. La existencia de estos isomorfismos permite traducir las reglas difusas a relaciones entre conjuntos difusos y stos a trminos de operadores algebraicos con los que se pueden trabajar. Los sistemas basados en lgica difusa imitan la forma en que toman decisiones los humanos, con la ventaja de ser mucho ms rpidos. Estn muy extendidos en la tecnologa cotidiana, son robustos y tolerantes a imprecisiones y ruidos en los datos de entrada. En la lgica borrosa se usan modelos matemticos para representar nociones subjetivas como caliente-tibio-fro, para valores concretos que puedan ser manipuladas por las computadoras. Los mtodos de inferencia para esta base de reglas deben ser simples, veloces y eficaces. Los resultados de dichos mtodos son un rea final, fruto de un conjunto de reas solapadas entre s. Para escoger una salida correcta a partir de tanta premisa difusa, el mtodo ms usado es el del centroide, en el que la salida final ser el centro de gravedad del rea total resultante. La lgica difusa se puede aplicar en procesos demasiados complejos, cuando no existe un modelo de solucin simple o un modelo matemtico preciso. Es til tambin, cuando se necesita usar el conocimiento de un experto que utiliza conceptos ambiguos o imprecisos. De la misma manera se puede aplicar cuando ciertas partes de un sistema a controlar son desconocidas y no pueden medirse de forma confiable y cuando el ajuste de una variable puede producir el desajuste de otras. No es recomendable utilizar la lgica borrosa cuando un modelo matemtico ya soluciona
Mayo 2012
22
eficientemente el problema, cuando los problemas son lineales o cuando no tienen solucin.
PROBABILIDAD SUBJETIVA La inferencia bayesiana constituye un enfoque alternativo para el anlisis estadstico de datos que contrasta con los mtodos convencionales de inferencia, entre otras cosas, por la forma en que asume y maneja la probabilidad. Existen dos definiciones de la nocin de probabilidad: objetiva y subjetiva. Mientras que en la concepcin lgica la probabilidad tiene un carcter objetivo, como algo intrnseco de la proposicin a que se refiere, en la concepcin subjetiva, la probabilidad se define como: el grado de creencia personal en la veracidad de una proposicin y puede variar de un sujeto a otro. El valor que cada sujeto asigne a esta medida de incertidumbre, depender de la informacin de que disponga de manera que dos personas con informacin distinta asignarn probabilidades distintas a un mismo suceso. Por ello, tambin se define la probabilidad subjetiva como aquella que se determina en base a la experiencia personal de quien la establece Esta concepcin subjetiva de la probabilidad, es tambin denominada Bayesiana debido al papel clave que tiene el teorema de Bayes en esta teora. Esta probabilidad que puede parecer poco cientfica, no es tal, pues permite estudiar aquellos fenmenos a los que no es de aplicacin la probabilidad frecuencialista. Pero, adems, presenta la ventaja de que si el fenmeno es susceptible de repeticin, mediante el Teorema de Bayes se puede incorporar a la probabilidad subjetiva a priori la informacin extrada de las repeticiones del fenmeno, para transformarla en probabilidad a posteriori. Las cosas ocurren de tal forma, que, a medida que se va obteniendo ms informacin objetiva, la informacin subjetiva a priori va pesando menos, con lo que dos individuos que partieran de probabilidades subjetivas a priori diferentes, y que utilizaran la misma informacin objetiva, a medida que sta ltima es mayor, las probabilidades a posteriori iran

Mayo 2012
23
siendo cada vez ms prximas, porque cada vez es menor el peso relativo de la informacin a priori. Thomas Bayes (17021761) se interes por el desarrollo de una nueva forma de clculo probabilista que se basa en partir del anlisis de los efectos observables de un fenmeno hacia las causas o las hiptesis posibles que explican su ocurrencia, una forma de pensamiento inductivo que justamente es conocido como el Teorema de Bayes, la Probabilidad Inversa, la Probabilidad Inductiva o la Probabilidad Bayesiana. Este tipo de probabilidad hacia atrs es aplicable cuando slo se conoce la ocurrencia de unos cuantos datos, hechos o resultados aleatorios aislados (efectos), pero desconoce con total exactitud cul es la regla general (causa) que los entrelaza y condiciona, y por tanto debe proceder inductivamente para valorar el grado de probabilidad existente para creer que un conjunto de hiptesis pueden ser la causa que gener los resultados analizados. El teorema de Bayes expresa la probabilidad condicional de un evento aleatorio A dado B en trminos de la distribucin de probabilidad condicional del evento B dado A y la distribucin de probabilidad marginal de slo A. Sea de cero (0). Sea B un suceso cualquiera del que se conocen las probabilidades condicionales expresin: . Entonces, la probabilidad viene dada por la un conjunto de sucesos mutuamente
excluyentes y exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta
Donde: son las probabilidades a priori. es la probabilidad de en la hiptesis . P(H\D) = P(D\H) P(H) P(D) 24
son las probabilidades a posteriori.

Mayo 2012
Explicacin de los diferentes trminos que conforman esta frmula: La expresin H representa una Hiptesis, y la expresin D representa un Dato o hecho analizado. La expresin P(H) representa la denominada Probabilidad Previa de H, es decir, la probabilidad de que la hiptesis H sea correcta an antes de que se observe la ocurrencia del dato D analizado. La expresin P(D\H), en la que el operador (\) separa los trminos, representa la denominada Probabilidad Condicional existente para que sea observado el dato D dado que la hiptesis H es correcta. La expresin P(D) es la Probabilidad Marginal de que el dato D pueda ocurrir independientemente de que la hiptesis H sea correcta o incorrecta. La expresin P(H\D) representa la denominada Probabilidad Posterior, es decir, la probabilidad de que la hiptesis H sea correcta dada la ocurrencia del dato D a partir de la informacin disponible. En el caso del clculo de P(D), es decir, la Probabilidad Marginal de que el dato D pueda ocurrir independientemente de que la hiptesis H sea correcta o incorrecta, es necesario tener en cuenta el valor de todas las posibles hiptesis H que tambin podran ser el origen del dato D, y por eso Bayes concluy que cuando para explicar la ocurrencia de un hecho o el origen de un dato observado hay varias hiptesis posibles H1, H2, H3, , etc., entonces esta Probabilidad Marginal se calcula teniendo en cuenta el valor de la Probabilidad Condicional P(D\H) del dato D, el cual debe ser multiplicado por el valor de la Probabilidad Previa P(H) de cada posible hiptesis H que pueda ser el origen del dato D analizado, y los productos as obtenidos se integran en una sumatoria, todo lo cual se resume en la siguiente frmula: P(D) = P(D\H1) P(H1) + P(D\H2) P(H2) + + P(D\Hn) P(Hn)

Mayo 2012
25
Es necesario recalcar que al aplicar esta frmula del Teorema de Bayes o de la Probabilidad Bayesiana generalmente slo se logra atribuirle un valor matemtico a la creencia de que determinada hiptesis H es la causa de un hecho D analizado dada la informacin disponible en el momento, pero nada garantiza que esa creencia matemticamente valorada por s sola sea cien por ciento verdadera o certera, es decir, ante la posibilidad de disponer de ms o de nueva informacin sobre el hecho D analizado es posible que se confirme o se anule el valor asignado a esa creencia de que una determinada hiptesis H es la causa del hecho D analizado. INFERENCIA BAYESIANA La inferencia bayesiana se aplica a muchos dominios de la teora de la decisin, es un tipo de inferencia estadstica en la que las evidencias u observaciones se emplean para actualizar o inferir la probabilidad de que una hiptesis pueda ser cierta. El nombre bayesiana proviene de uso frecuente que se hace del teorema de Bayes durante el proceso de inferencia. Hoy en da, uno de los campos de aplicacin es en la teora de la decisin, visin artificial (simulacin de la percepcin en general) y reconocimiento de patrones por computadora. Un ejemplo de inferencia bayesiana es el siguiente: Durante miles de millones de aos, el sol ha salido despus de haberse puesto. El sol se ha puesto esta noche. Hay una probabilidad muy alta (o 'Yo creo firmemente que' o 'es verdad que') de que el sol va a volver a salir maana. Existe una probabilidad muy baja (o 'yo no creo de ningn modo que' o 'es falso que') de que el sol no salga maana. La inferencia bayesiana usa un estimador numrico del grado de creencia en una hiptesis an antes de observar la evidencia y calcula un estimador numrico del grado de creencia en la hiptesis despus de haber observado la evidencia. La inferencia generalmente se basa en grados de creencia, o probabilidades subjetivas, en el proceso de induccin y no necesariamente declara proveer un mtodo objetivo de induccin.

Mayo 2012
26
FACTORES DE CERTEZA Una de las principales caractersticas de los SE, es la de manejar la incertidumbre a travs de los factores de certeza o confianza, la cual los diferencia de las otras herramientas de resolucin. Los factores de certeza no son el producto de una estadstica, sealan la seguridad de un conocimiento para la toma de decisiones. Se pueden distinguir dos tipos de certeza: Factor de certeza del experto (cnfe) Factor de certeza del usuario (cnfu) Los resultados obtenidos son ms o menos ciertos en funcin de la certeza o falsedad de los hechos y conocimientos utilizados. Los factores de certeza que van asociados a los predicados, por lo general pueden ir de 0 a 100. El procedimiento a seguir en el modelo aproximado es el siguiente: El factor de un conjunto de condiciones unidas por el operador lgico Y (And) es igual al mnimo de los factores que intervienen. El factor de un conjunto de condiciones unidas por el operador lgico O (Or) es igual al mximo de los factores que intervienen. El factor de certeza de una conclusin es igual al producto del factor de certeza de las condiciones por el de la regla. Para el clculo del coeficiente resultante de la totalidad de reglas que se han encadenado en la deduccin de un hecho, se aplican la siguiente relacin: Ffinal = F1 + F2 - ( F1 * F2 )
CASOS DE SISTEMAS EXPERTOS
1. Diagnstico y localizacin de averas de dispositivos y de sistemas de todas las clases. Esta clase abarca, los sistemas que deducen incidentes y sugieren las
Mayo 2012
27
acciones correctivas para un dispositivo o un proceso que funciona incorrectamente. El diagnstico mdico era una de las primeras reas del conocimiento a las cuales la tecnologa de los SE fue aplicada, pero el diagnstico de sistemas dirigidos sobrepas rpidamente el diagnstico mdico. Probablemente, hay ms aplicaciones de diagnstico de Sistemas Expertos que de cualquier otro tipo. El problema de diagnstico se puede manifestar, en resumen, como: dado la evidencia que se presenta, cul es el problema / razn / causa subyacente. 2. Planeamiento y programacin. Los sistemas que caen en esta clase analizan un conjunto de una o ms metas potencialmente complejas y obran recprocamente para determinar un conjunto de acciones para lograr esas metas, y/o proveen el orden temporal detallado de esas acciones considerando el personal, el material y otros apremios. Esta clase tiene gran potencial comercial. Los ejemplos implican la programacin de vuelos, el personal y las puertas de una lnea area; la programacin del departamento de empleo de la fbrica; y las hojas de operacin (planning) de proceso de la fabricacin. 3. Configuracin de objetos manufacturados. La configuracin, por el cual una solucin a un problema se sintetice de un conjunto dado de elementos relacionados por un conjunto de apremios, es histricamente una de las aplicaciones de los sistemas expertos ms importante. Las aplicaciones de la configuracin fueron iniciadas por las compaas de computadoras como medio para facilitar la fabricacin de las minicomputadoras. La tcnica ha encontrado su forma de uso en muchas industrias diferentes, por ejemplo, construccin modular, fabricacin, y otros problemas que implicaban diseo y la fabricacin compleja de la ingeniera. 4. Toma de Decisin Financiera. La industria de los servicios financieros ha sido un usuario vigoroso de las tcnicas de los Sistemas Expertos. Los programas consultivos se han creado para asistir a banqueros en la determinacin de si hacer prstamos a los negocios y a los individuos. Las compaas de seguro han utilizado los sistemas expertos para evaluar el riesgo presentado por el cliente y determinar un precio para la aplicacin tpica del seguro; en los mercados financieros est en la negociacin de la moneda extranjera.

Mayo 2012
28
5. Publicacin del Conocimiento. sta es una aplicacin relativamente nueva, pero tambin es un rea potencialmente delicada. La funcin primaria del sistema experto es entregar el conocimiento que es relevante al problema del usuario, en el contexto del problema del usuario. Los dos sistemas expertos ms extensamente distribuidos en el mundo estn en esta categora. El primero es un consejero que aconseja al usuario con el uso gramatical apropiado en un texto. El segundo es un consejero de impuesto, que acompaa un programa de preparacin de impuesto y aconseja al usuario en la estrategia y tctica de impuesto, y la poltica de impuesto individual. 6. Vigilancia y control del proceso. Los sistemas que caen en esta clase analizan datos en tiempo real de los dispositivos fsicos con la meta de advertir las anomalas, predecir las tendencias, y controlar la correccin del optimizador y del incidente. Los ejemplos de sistemas en tiempo real que vigilan activamente los procesos se pueden encontrar en las industrias de la siderurgia y de la refinacin del petrleo. 7. Diseo y fabricacin. Estos sistemas asisten al diseo de dispositivos y de procesos fsicos, extendindose del diseo conceptual del alto nivel de entidades abstractas a la configuracin de los procesos de la fabricacin.
Categora Interpretacin
Tipo de problema
Aplicacin
Anlisis de imgenes, Deducir situaciones a partir de reconocimiento del habla, datos observados inversiones financieras Prediccin meteorolgica, Inferir posibles consecuencias a Prediccin previsin del trfico, evolucin partir de una situacin de la bolsa Deducir fallos a partir de sus Diagnstico mdico, deteccin Diagnstico efectos de fallos en electrnica Configurar objetos bajo ciertas Diseo de circuitos, edificios, Diseo especificaciones automviles Desarrollar planes para llegar a Programacin de proyectos e Planificacin unas metas inversiones. Planificacin militar Monitorizacin Controlar situaciones donde hay Control de centrales nucleares y o supervisin planes vulnerables factoras qumicas Prescribir remedios para Desarrollo de software y Depuracin funcionamientos errneos circuitos electrnicos
Mayo 2012
29
Reparacin Instruccin Control Enseanza
Efectuar lo necesario para hacer una correccin Diagnstico, depuracin y correccin de una conducta Mantener un sistema por un camino previamente trazado. Interpreta, predice y supervisa su conducta Recoger el conocimiento y mostrarlo
Reparar sistemas informticos, automviles Correccin de errores, enseanza Estrategia militar, control de trfico areo Aprendizaje de experiencia
CONCLUSIONES: El potencial uso de los sistemas expertos para mejorar el proceso educativo En la actualidad, se presentan diferentes desafos en el mbito educativo, generando preocupacin en la toma de decisiones alrededor del modo de ejecutar el proceso didctico. La gran diversidad de variables que intervienen, tanto en las formas de la planificacin como en el uso de recursos, pasando por estrategias, grupo de alumnos, establecimiento, comunidad escolar, expectativas, manejo de contenidos y de la informacin, habilidades personales, etc., hace que se dificulte la eleccin del camino a seguir. Si adems tomamos en cuenta las necesidades que exige la sociedad para la insercin laboral de los individuos, el abanico se abre an ms. A partir de este contexto, la toma de decisiones sobre los modelos de enseanza o instruccionales, se convierte en un proceso de especial atencin en el mbito de la planificacin educativa, pues las responsabilidades de docentes y alumnos quedan claramente definidas en un marco de accin validado. Si bien los SE llevan un recorrido hecho en su evolucin, en el plano de la enseanza-aprendizaje cobraran en papel algo innovador, en su rol complementario a los procesos ya conocidos. Los avances de la IA en el entorno educativo probablemente generen nuevos recursos fomentado oportunidades a la adquisicin de competencias. De alguna forma la pedagoga da a da cada vez ms va incorporando
Mayo 2012
30
los aportes de los nuevos enfoques de las Tecnologas Educativas, junto con las contribuciones de la informtica, las Tics, en busca de cambios metodolgicos para el abordaje disciplinar. Existen algunos SE en el mbito educativo, los mismos presentan ciertas ventajas, para la enseanza y aprendizaje de algunas disciplinas en particular. Por ejemplo, los sistemas creados con fines pedaggicos e instruccionales, diagnostican, depuran y corrigen la ejecucin de los estudiantes en un rea particular de conocimiento. Los SE, son sistemas informticos que simulan el proceso de aprendizaje, mejorando la memorizacin, el razonamiento, la comunicacin y la accin. El SE determina el nivel cognoscitivo del alumno y lo ayuda a mejorar sus debilidades para que alcance un nivel superior de aprendizaje o bien la contribucin al docente para que pueda asumir diversos roles, en su trabajo de grupo o el de gua cuando contribuye de una manera menos directa, siendo asistido por sistemas artificiales. Es importante tener presente, que un SE necesita del conocimiento de los expertos, no prescinde de ellos. Por lo tanto, la capacitacin y actualizacin docente debe ser permanente, intensificada (si fuese necesario) y organizada para volcar las modificaciones al sistema. Un sistema que se ajusta constantemente, tiene mayor probabilidades de estar mejor adaptado a las necesidades y alcanzar mejores soluciones a los problemas planteados. Para concluir, se puede inferir, que la aplicacin de SE en la educacin complementa y colabora con las decisiones sobre el proceso, pero que establece una demanda de informacin que empuja al docente a comprometerse con su profesionalidad. No es una mera solucin desde afuera, requiere aprehensin del conocimiento y la habilidad de comunicacin del mismo, formando as una conjuncin entre el docente y el sistema experto utilizado.

Mayo 2012
31
ANEXO DE REFERENCIAS: http://www.informaticaintegral.net/sisexp.html http://www.slideshare.net/leonardobernalzamora/sistemas-expertos-5396761 http://www.depi.itch.edu.mx/apacheco/ai/ventdesv.htm http://www.conganat.org/3congreso/cvhap/conferencias/004/texto.htm http://www.monografias.com/trabajos10/exper/exper.shtml#def http://es.wikipedia.org/wiki/Sistema_experto http://reocities.com/SiliconValley/pines/7894/introduccion/expertos.html http://www.alegsa.com.ar/Dic/sistema%20experto.php http://es.scribd.com/mquis/d/76082669-Libro-de-Sistemas-Expertos Fundamentos de la tecnologa documental. Carlos Manuel costa Carballo http://es.wikipedia.org/wiki/Teorema_de_Bayes http://es.wikipedia.org/wiki/Inferencia_bayesiana http://es.scribd.com/doc/53190552/17/II-2-3-Probabilidad-subjetiva-ohttp://dxsp.sergas.es/ApliEdatos/Epidat/Ayuda/9Ayuda%20An%E1lisis http://es.scribd.com/doc/71500970/logica-difusa#outer_page_1 Viejo Hernando Diego (2003). Sistemas expertos. Consultado en 06, 04, 2004
bayesiana %20bayesiano.pdf
en http://www.divulga-ia.com
Mayo 2012
32
Samper Mrquez Juan Jos (2004). Introduccin a los sistemas expertos.
Consultado en 06, 03, 2004 en http://www.redcientifica.com/doc/doc199908210001.html. Samper Juan (2003). Sistemas expertos. El conocimiento al poder. Consultado en 06, 03, 2004 en http://www.psycologia.com/articulos/arjsamper01.htm. Criado Briz Jos Mario (2002). Introduccin a los sistemas expertos. Consultado en 06, 05, 2004 en http://ingenieroseninformatica.org/recursos/tutoriales/sist_exp/cap1.php. Castro Marcel (2002). Sistemas expertos. Consultado en 06, 04, 2004 en Flix Justo (2004). Aplicaciones, ventajas y limitaciones de los sistemas http://strix.ciens.ucv.ve/~iartific/Material/PP_Sistemas_Expertos.pdf. expertos. Consultado en 06, 04, 2004 en http://efelix.iespana.es/efelix/expertaplicaciones.htm. Montes Cerra Maria Clara (2003). Sistemas expertos. Consultado en 06, 05, Sierra, E., Hossian, A., y Garca, R. Sistemas expertos que recomiendan 2004 en http://dis.eafit.edu.co/labs estrategias de instruccin. Un modelo para su desarrollo. [En red]. Disponible en: http://laboratorios.fi.uba. ar/lsi/rgm/articulos/R-extremadura.pdf. 2008
Cuadro de distribucin de tareas
Contenido Bsqueda y recopilacin de toda la informacin utilizada Diseo de la portada y organizacin del trabajo Sistemas Expertos. Definicin. Caractersticas
Integrantes Gerardi - Meriggi Polverino - Requejo Gerardi - Meriggi Polverino - Requejo Polverino - Requejo 33

Mayo 2012
Evolucin histrica Ventajas y desventajas Componentes. Descripcin Representacin del conocimiento. Lgica y regla Manejo de incertidumbre Lgica difusa Probabilidad Bayesiana Factores de certeza Casos de Sistemas Expertos Conclusiones: El potencial uso de SE para mejorar el proceso educativo Anexo de referencias
Requejo Meriggi Requejo Gerardi - Meriggi Gerardi Polverino Requejo Polverino Meriggi Gerardi - Meriggi Polverino Gerardi - Meriggi Polverino Requejo Gerardi - Meriggi Polverino - Requejo

Mayo 2012
34

TP de EIA Gerardi Meriggi Polverino Requejo 2012

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TP de EIA Gerardi Meriggi Polverino Requejo 2012

Cargado por

Copyright:

Formatos disponibles

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Universidad Nacional de Lans

Trabajo Prctico: Sistemas Expertos

Grupo de trabajo integrado por:

* Gerardi, Gabriel * Meriggi, Gerardo * Polverino, Germn * Requejo, Laura

ggerardi2011@gmail.com mera33@hotmail.com g.polverino@hotmail.com lauvero73@gmail.com

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

SISTEMAS EXPERTOS: DEFINICIN

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

A partir de los 90 y con el desarrollo de la informtica, se produce un amplio

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

COMPARACIN CON LOS SISTEMAS TRADICIONALES

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

REPRESENTACIN DEL CONOCIMIENTO: SU LGICA Y REGLA

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Unin de los conjuntos difusos A y B, es un conjunto difuso A B en U, cuya

funcin caracterstica es:

Interseccin de dos conjuntos difusos A y B, es un conjunto difuso A B en

U, cuya funcin caracterstica es:

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

excluyentes y exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta

son las probabilidades a posteriori.

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

CASOS DE SISTEMAS EXPERTOS

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Reparacin Instruccin Control Enseanza

Trabajo prctico: Sistemas expertos Elementos de inteligencia artificial

Gerardi Meriggi Polverino Requejo