Está en la página 1de 8

Sistemas Expertos o Inteligencia Artificial

Sistemas Expertos Introduccin


Existen grandes diferencias entre las arquitecturas de SI (Sistemas Informticos) y SE (Sistemas Expertos) o tambin conocidos como IA (Inteligencia Artificial). A continuacin, har un pormenorizado detalle entre ambos modelos y sus principales diferencias.

Arquitecturas de Sistemas Informticos


En el caso de los SI, la arquitectura clsica lo centra en un rea de competencia integral llamada CPU (Central Processing Unit) o Unidad de Procesamiento Central. El CPU se compone de una serie de reas en las que se tratan diversos procesos. Existen en este momento dos arquitecturas propias de estos modelos que son la Arquitectura x86 (32 bits) y la Arquitectura x64 (64 bits). Segn las propuestas de ingeniera de los fabricantes de hardware, este tipo de arquitectura puede variar notablemente, pero a grandes rasgos, tienen ciertas similitudes. Las diferencias ms especficas estriban en la coordinacin y modelos del proceso de datos, aunque en el fondo, todas se basan en el modelo universal propuesto por el Dr. John von Neumann y quiz con algunas mejoras. El modelo computacional se compone de circuitos electrnicos discretos, ms o menos elaborados y avanzados tecnolgicamente, basados en una serie de etapas integradas a una escala muy pequea que los hace extremadamente portables y que derivan de los transistores de Si (silicio) y Ge (germanio). En la dcada de los 40 y 50, se utilizan vlvulas electrnicas. Entrado los 60, se reemplazaron por los transistores, luego estos se integraron en unidades discretas ms pequeas las que llamaron circuitos integrados y hoy hablamos de chips que no son ms que integracin de otras integraciones de circuitos discretos en una sola pieza o espacio. Todos estos utilizan un principio elctrico que a travs de diferencias de potenciales elctricos se permite determinar la informacin. La tecnologa utilizada es de tipo digital, es decir, considera una lgica de dos estados, la cual puede ser representada un nivel elctrico, sea este positivo o negativo, como un 1 (uno binario) o un nivel elctrico nulo representado por 0 (cero binario). Sin embargo, los primeros ordenadores eran analgicos, es decir, utilizaban un sistema basado en ponderaciones discretas de energa para representar la informacin. El modelo del Dr. John von Neumann propone una arquitectura basada en Entradas y Salidas, Memoria y Procesos Aritmticos. Los procesos se encargan a travs de clculos matemticos procesar los datos ingresados. La memoria se la utiliza para persistir la informacin de forma temporal entre procesos, clculos, acumulacin, etc., a los efectos de optimizar las tareas operativas y dar lugar adecuado para su funcionamiento en general. Una de las etapas ms importantes internas del Procesador es la llamada ALU (Arithmetic Logic Unit) o Unidad Aritmtica Lgica, con la cual, puede realizar todos los clculos aritmticos bsicos tales como la suma, resta, divisin y multiplicacin. Lo gracioso de todo esto es que la ALU solo utiliza la suma para realizar todas las operaciones aritmticas. Por ejemplo, para operar con la resta, utiliza la suma de un nmero con el complemento del segundo nmero a sumar. La multiplicacin es una combinacin de estos procesos basados en sucesivas sumas y la divisin igual modo excepto que es una sucesin de restas. En consecuencia, todos los procesos constan en datos que son procesados a travs de instrucciones aritmticas basadas en algoritmos, cronometrados por un reloj interno, un sistema de control, un sistema de direccionamientos y distribuido entre la memoria, los clculos y las entradas y salidas. Todos estos procesos se realizan en formato binario (unos y ceros) debido a que estos permiten mayor flexibilidad y velocidad operativa para los clculos. El lenguaje binario, es el lenguaje de las computadoras.

Wagner, Ariel Alejandro

Sistemas Expertos o Inteligencia Artificial La velocidad operativa de los CPU se mide a travs de MIPS (Micro-Instrucciones Por Segundo). En breve, el ordenador no es ms que un equipo que trata los datos a travs de procesos de clculos, respondiendo a un programa que consta de algoritmos que permiten su funcionamiento. Es por esta razn que este tipo de equipos, no son inteligentes sino extremadamente operacionales. Un algoritmo es una serie de procesos lgicos que permiten a travs de diversas instrucciones obtener de un proceso una serie de resultados en funcin a diversos datos ingresados. Por ejemplo, la resolucin de un clculo como podra ser obtener porcentajes, determinar la velocidad de un cohete mediante una frmula cientfica, etc. Fue propuesto por primera vez por el matemtico rabe Abu Abdullah Muhammad bin Musa al-Khwarizmi entre los siglos VIII y IX, para resolver diversos problemas matemticos y contables en aquella poca, lo que no pudieron ser aplicados debido a la limitacin tecnolgica de aquellas pocas. Estos modelos fueron propuestos ms tarde por Charles Babbage y puestos en vigencia recin a mediados del siglo XX. El trmino de Algoritmo viene de la deformacin del apellido de este matemtico. En estos momentos se estn desarrollando modelos de computacin cuntica que permitira elevar la velocidad operativa de los computadores modernos, incluso, utilizar un margen de clculos ms complejos. La tecnologa cuntica propone el modelo QuBits que utiliza una base de 4 estados lgicos debido al factor que ofrece un spin en las subpartculas de los tomos, mientras que el modelo de Bits tradicional propone una base de 2 estados lgicos, basado en un modelo bi-condicional de la lgica booleana. Este aumento de su base en el caso del modelo cuntico, proporciona el manejo de grandes nmeros o porciones de datos. Sin embargo, la arquitectura del Dr. John von Neumann an sigue vigente en estos modelos operativos modernos y por tanto, el sistema sigue siendo altamente operacional y no inteligente.

Sistema Experto
Fundamentos
La arquitectura bsica de un SE, se centra en tres etapas fundamentales y estas son: El llamado Ingeniero del Conocimiento o Base de datos, el motor de Inferencia y el Programador o Usuario de Interaccin. El modelo de SE tiene como principal proceso la combinacin e interaccin entre el motor de inferencia y el ingeniero del conocimiento, que a la postre, es su base de datos. El motor de inferencia simula el proceso operacional del cerebro humano mientras que la base de datos solo acumula informacin. El desarrollador o el usuario de interaccin consisten en un rea donde se establecen diversas directivas operacionales, las cuales, constan de proporcionar diversos tipos de problemas a resolver, clasificaciones, analogas, etc., orientndolas hacia el motor de inferencia y desde el la base del conocimiento. El motor de inferencia se trata de una simulacin operacional de nuestro cerebro basado en una arquitectura de red neuronal artificial. Las neuronas artificiales tienen un comportamiento analgico y utilizan las ponderaciones o pensiones discretas como elementos de procesamiento de los datos, lo que en breve, se los conoce como aprendizajes artificiales. Mediante este aprendizaje, las neuronas interactan entre s, creando enlaces o rupturas a los efectos de formar un proceso ponderado de lo podemos decir razonamiento artificial con el objeto de llegar a un determinado resultado.

Redes Neuronales
Puesto que una red neuronal se constituye de una arquitectura muy similar a la que posee el cerebro humano, el comportamiento de procesamiento entre el cerebro humano y la red de Wagner, Ariel Alejandro 2

Sistemas Expertos o Inteligencia Artificial neuronas artificiales resultan prcticamente iguales excepto que el cerebro humano es mucho ms complejo que esta red. En breve, la red neurolgica artificial solo se limita a crear enlaces y rupturas para ponderar las pensiones de sus datos. La neurona humana se compone de una suerte de esfera cuyo tamao oscila entre los 5 a 10 micras aproximadamente y que posee una serie de mecanismos de conexin que lo hacen a travs de los llamados axones y a travs de las dendritas. Las dendritas suelen acarrear la informacin del interior del cerebro y estimulan a la neurona para que esta establezca las comunicaciones por medio de los axones hacia otras neuronas. Los axones establecen la comunicacin de forma elctrica mientras que las dendritas lo hacen qumicamente. Por tanto, la comunicacin total entre neuronas se trata de un proceso electroqumico. La variacin de las substancias en las dendritas, es decir, la variacin inica del Na+ (sodio aninico) y K- (potasio catinico) permiten establecer el nivel de comunicacin en el canal llamado sinapsis, mientras que en el canal de los axones, esta comunicacin se establece a travs de diferencias elctricas. En el caso de las neuronas artificiales, la comunicacin se establece a travs de mecanismos de conexin elctrica y la posibilidad de establecer diversos puntos de conexin para conformar la red. Los puntos de conexin en un principio o al menos en las primeras redes neuronales experimentales eran conocidos con el nombre de crossbars conexiones cruzadas. Con el paso del tiempo, las redes neuronales fueron evolucionando y modificando estos modelos de hardware primarios por otros ms eficientes. En la actualidad, el modelo de conexin es muy similar al humano, por lo que no demanda ms comentarios al respecto. El factor clave del llamado aprendizaje artificial depende en grado del modelo funcional operativo que la red neuronal utilice. El proceso bsico de aprendizaje a igual que el cerebro humano, consiste en manipular ponderaciones elctricas en la neuronas, o sea, distintos niveles elctricos registrados all, ms la posibilidad de realizar conexin o desconexiones de comunicacin entre otras neuronas colindantes. Las comunicaciones entre las neuronas producen entre estas un proceso de sumas de niveles de energas o impulsos que hacen que las mismas se sometan a un proceso de carga ponderada. Los niveles de ponderacin y puesto que son analgicas, poseen tres puntos de inters. Un estado es cuando la neurona carece de nivel energtico o est por debajo de una tasa importante de estimulacin, luego se tiene un punto de saturacin y entre ambos puntos, una graduacin de ponderaciones discretas de niveles de energa. El equilibrio de puntos de nulidad o saturacin, estarn dadas por el factor de discriminacin que la neurona pueda proporcionar o el mecanismo de interrupcin necesario para su posterior correccin. De todos modos, este comportamiento tan particular, depender en grado del modelo funcional de la red para su aprendizaje. La red neuronal puede ser de tipo monocapa o multicapa. La red monocapa posee una serie de neuronas conectadas a travs del modelo crossbars y resultan en puntos de interaccin entre las neuronas muy sencillas. Las redes multicapa estn separadas de modo tal que cada separacin representan una zona especfica y abstracta de la red con funciones especficas para las mismas. El modelo de aprendizaje tambin depende en grado si el modelo de red neuronal responde a prototipos feedforward (conexin en avance) o feedback (conexin en retroceso). El modelo feedforward establece una conexin hacia adelante sin posibilidad de retroceso. Por otro lado, las redes feedforward/feedback permiten tanto el avance como el retroceso de las conexiones. Es muy utilizado por ejemplo para el reconocimiento de patrones incluso, en el reconocimiento de ruidos en lneas telefnicas como filtros o supresores de espurios sonoros, utilizadas en los prototipos ADELINE Y MADELINE respectivamente. Existen varios modelos de aprendizaje artificial que pueden ser utilizados para el procesamiento de los datos en la red neuronal. Dentro de estos modelos de aprendizaje, existen dos grandes grupos que son los modelos de aprendizaje supervisados y no supervisados. La diferencia existente entre estos dos grandes modelos estriba en que el modelo supervisado requiere de un supervisor es decir, de un ente o recurso de verificacin de los procesos dados mientras que el segundo no. A este proceso, se le debe Wagner, Ariel Alejandro 3

Sistemas Expertos o Inteligencia Artificial agregar los llamados estados ON-LINE y OFF-LINE que permite determinar si el aprendizaje artificial se realiza en plena conexin o en plena desconexin. En breve, podemos clasificar los aprendizajes de la siguiente manera: Aprendizaje Supervisado o o o o o Por Conexin de Error Por Refuerzo Estocstico Hebbiano Competitivo y Cooperativo

Aprendizaje No Supervisado

Ingeniero del Conocimiento


Como hemos visto en el comienzo de estos apartados acerca de SE, a continuacin, har un detalle pormenorizado de las etapas del Ingeniero del Conocimiento y el Motor de Inferencia. Como seale en un principio, el Ingeniero del Conocimiento o base de datos, se trata de un rea donde se guarda toda la informacin relevante del sistema. Esta seccin permite interactuar con el motor de inferencia, proporcionndole la informacin adecuada para que el modelo experto pueda operar. No resulta para nada alocado afirmar que la base de datos es la experiencia del sistema, pues en efecto, en cierto modo si lo es. Por empezar, el Ingeniero del Conocimiento consiste internamente en dos grandes etapas, las cuales son llamadas generalmente como conocimiento efectivo y el conocimiento heurstico. El conocimiento efectivo se trata de un modelo de informacin certera y que puede admitir cierto factor de criticidad que permite mediante un proceso de debate externo, deliberar si la informacin resulta evidentemente efectiva para el sistema experto. En breve, la informacin resulta ser crucial para el equipo. En cambio, en el caso del conocimiento heurstico, se procede a un paso de almacenamiento de datos que se efectivizan de forma totalmente individualizada, lo que hace que esta condicin, rechace de plano conceptos de criticidad de parte de terceros u otros y opere de forma individualista ante los hechos. Este punto es menos riguroso y es en cierto modo donde se acerca al efecto experiencial que describ en un principio. El principal objetivo del ingeniero del conocimiento es la de crear un marco de referencia para que el motor de inferencia a travs del anlisis, la induccin, cuantificacin, etc., le permita determinar si su anlisis puede ser viable y le lleve a un resultado final adecuado y coherente. Obviamente, el acierto o no del resultado, depender de muchos factores incluso, la aprobacin del programador o el usuario de interaccin o el resto del equipo. Adems de la informacin contenida en la base de datos del ingeniero del conocimiento, este mismo, se vale de las llamadas reglas que son formalizadas sobre el motor de inferencia para que este utilice el factor de accin de resolucin ms adecuado. El llamado razonamiento artificial se trata de una serie de reglas propuestas generalmente desde el ingeniero del conocimiento para establecer un camino de resolucin de problemas. Estas reglas pueden basarse en un proceso de resolucin de problemas hacia adelante o hacia atrs. El mtodo de resolucin de un problema que va hacia adelante, por ejemplo, podra ser un caso en donde se comienza analizando un conjunto de propuestas y estas se trasladan a una conclusin final. En caso de ser de retroceso, podra surgir el siguiente ejemplo donde la conclusin de un resultado implique cuestionarse si la respuesta es concluyente. En caso de que no sea concluyente o no sea demasiado clara, se recurre yendo hacia atrs, de dnde se encuentran las proposiciones que la justifican. Con estas dos reglas simples se construyen parte de los procesos para establecer las inferencias adecuadas. Adems de estas dos reglas bsicas, en otros procesos mucho ms complejos, podremos encontrarnos con los mtodos de razonamientos lineales o de incertidumbres. Dado que la Wagner, Ariel Alejandro 4

Sistemas Expertos o Inteligencia Artificial mayora de los casos los conocimientos pueden entrar en tela de juicio como as las inducciones analticas de las reglas, los procesos inciertos establecen el razonamiento incierto y es algo que el propio ser humano posee ante diversos casos de resolucin y anlisis de diversos tipos de problemas. Parte de esta clase de ponencias se relacionan con la llamada Fuzzy Logic o Lgica Borrosa que tambin directamente se traslada al sistema. En estos casos y como sucede con los humanos entra en escena el proceso heurstico. Como se plante recientemente, en caso de que una respuesta sea cuestionable, por proceso inductivo se acudir a verificar la condicin que disparo su cuestionamiento. Hasta que la respuesta no resulte concisa o suficiente, el proceso de cuestionamiento estar difuso. El proceso de alimentacin de la base de datos suele hacerse de dos modos. Uno es a travs de un programador o desarrollador del conocimiento de la base de datos. Este personaje se encarga de desarrollar en el lenguaje que el SE pueda comprender todo el compendio de informacin que ha de ser almacenada en el sistema de la base de datos del ingeniero del conocimiento. El otro mtodo es el autoconocimiento que hoy en da resulta en un desafo. Sin embargo, existen una serie de algoritmos y desarrollos que han dado un mayor avance en esta rea. La injerencia del hombre sigue siendo importante an en esta rea aunque el motor de la experiencia sigue evolucionando considerablemente.

Plante del Crecimiento Celular


Uno de los inconvenientes ms significativos en la base del conocimiento es el incremento de la informacin y el hacer frente a la capacidad mxima del sistema. A esto tambin se le debe agregar la memoria del sistema que, dado el factor de interrelacin entre el motor de inferencia y el ingeniero del conocimiento, resulta particularmente importante. La memoria de intercambio temporal o de soporte para el equipo tambin resulta significativa. El Dr. John von Neumann durante el desarrollo de la computadora, siempre plante el concepto de los procesos de almacenamiento eficiente de la informacin, haciendo nfasis tanto en la memoria operativa de los equipos como en la informacin persistente. El gran problema erradicaba que la informacin aumentaba y esta requera ser persistida en el medio y, por supuesto, todo esto requera de mayor espacio. Su tesis acerca de la que llamo Autmatas Celulares, pretende hacer un acercamiento al concepto del tamao de la memoria y la persistencia de la informacin con un mecanismo de crecimiento progresivo acompaado con una evolucin mecnica. En breve, crear un hardware capaz de autoconstruirse y desarrollarse por s mismo, lo que permitira crear la expansin de la memoria y persistencia de la informacin a nivel de hardware y beneficiar al sistema a nivel del software. A lo que apuntaba el Dr. Von Neumann, entre otras cosas, era a crear un mecanismo de procreacin celular de hardware, algo muy parecido a lo que ocurre en nuestro cerebro que va creando clulas para mantener y soportar el crecimiento experiencial del individuo, sus conocimientos, sistemas vitales, etc. A mayor cantidad de clulas creadas, el sistema neuronal de nuestro cerebro, permite desarrollar ms inteligencia y conciencia debido a que este crecimiento facilita la construccin eficiente de canales de comunicacin entre las neuronas a travs de los axones y las dendritas, sin olvidar claro est, parte del soporte biolgico que el cuerpo humano requiere. Actualmente, todo esto en la ciencia de SE e IA est muy lejos de poder hacerse. Sin embargo, si se ha logrado algo parecido al respecto. Se ha desarrollado al menos un mecanismo de optimizacin de la memoria y la persistencia de datos dentro de espacios fsicos acotados, lo que en breve, parte de las ideas del crecimiento celular, podra estar muy cercana a estas. El Dr. John von Neumann demostr que esto poda ser posible utilizando un vector dinmico, (una variable que permite indexarse y crear celdas de espacios para manipular datos), y que permita acceder a sus celdas colindantes e interactuar entre ellas para obtener un modelo de crecimiento de pila. Esto en biologa puede explicarse con la regla o patrn de crecimiento celular basado en patrones, cuyos procesos relativos evolutivos, se basan en el crecimiento y una relacin matemtica muy interesante, tal como Wagner, Ariel Alejandro 5

Sistemas Expertos o Inteligencia Artificial propuso Leonardo Pisano Finobacci, la cual llamo Sucesin o Relacin Finobacci, que bien podra encajar perfectamente en esta teorizacin de un modelo celular evolutivo.

El Motor de Inferencia
El motor de inferencia resulta ser el espacio donde todo el conjunto de mecanismos de reglas, analticos, resolutivos, lgicos, etc., se formalizan dentro de una serie de procesos especficos con el objeto de obtener la gestin en general del sistema y perseguir diversos resultados finales, entre otras cuestiones. Podemos resumir a esta rea en las siguientes operaciones ms comunes como: Lenguaje escrito Velocidad operativa Estrategias resolutivas Seleccin del conocimiento Incorporacin de metaconocimiento Lgica empleada (reglas de produccin y anlisis) Procesos de evaluaciones del conocimientos completos e incompletos

El motor de inferencia cuenta con dos grandes etapas resolutivas. Una puede ser a travs de la lgica convencional que le permite resolver problemas relativamente sencillos y la otra etapa que incluya el conocimiento y permita desarrollar estrategias para resolver problemas ms complejos. Es aqu en este punto donde entra la inteligencia artificial. Ambos procesos son gestionados por una herramienta llamada Shell. El Shell permite gestionar el proceso del SE haciendo posible su utilizacin. Las caractersticas del Shell dependen en grado del tipo de regla formal que utilice. En la actualidad, la mayoras de los Shell modernos, incluyen muchas de estas herramientas mencionadas en el prrafo anterior para colaborar con el ingeniero del conocimiento y los desarrolladores del sistema. El xito de un SE erradica en dos grandes reas. Una es la base del conocimiento que el ingeniero del conocimiento debe crear de forma eficiente y la otra es el motor de inferencia junto a los desarrollos del Shell tambin de forma eficiente, por tanto, existe un gran compromiso entre ambos puntos de procesos. Otro gran punto de importancia es el lenguaje de aplicacin para el desarrollo del SE. Los lenguajes de IA se basan en dos modelos clsicos. Aquellos que se basan en listas lgicas de procesos y los que son meramente lgicos o inferenciales. Por ejemplo, el lenguaje LISP permite la creacin de las llamadas listas inteligentes que permite una gran flexibilidad para el desarrollo de modelos ms fundamentados en matemticas. Por otro lado, el lenguaje creado en Francia llamado PROLOG. Este mismo permite desarrollar reglas de inferencias muy interesantes, aunque en el fondo, PROLOG tiene similitudes con LISP puesto que en parte deriva del mismo. No obstante, estos lenguajes no resultan en la nica alternativa en la actualidad. Por ejemplo, de la familia de lenguajes como C, C++ e incluso C#, estn dando un paso en esta rea y por tanto, el tercer lenguaje podra ser C y su familia. En la actualidad, se utilizan alguno de estos tres.

Determinando la Inteligencia de un Sistema


Para que una mquina sea inteligente debiera de alguna forma encontrar los recursos adecuados para poder resolver determinados problemas. Las mquinas poseen ciertos niveles de inteligencia. Los niveles permiten clasificar de alguna forma la escala de su inteligencia. Ahora bien, la inteligencia de un sistema puede ser meramente mecnica o puede recurrir a un proceso en un sentido ms amplio como lo es la inteligencia artificial. La diferencia entre la inteligencia de un sistema informtico y de un sistema experto erradica Wagner, Ariel Alejandro 6

Sistemas Expertos o Inteligencia Artificial en los procesos en cmo trata la informacin. La inteligencia computacional depende fuertemente de algoritmos predecibles. En este caso, el problema se resuelve a travs de un proceso lgico como por ejemplo, si se pretende determinar si un nmero es mayor que otro. Aqu resulta suficiente con utilizar un axioma para obtener un resultado final. En el caso de un sistema experto, una solucin a un problema podra utilizar reglas resolutivas que dependern en grado de la base del conocimiento. Por ejemplo, para determinar si un nmero es mayor que otro, el SE podra utilizar un simple comparador de axiomas, pero si en su base de conocimiento tiene otra forma de evaluar esta comparacin, recurrir a esta. En breve, un SE puede cambiar las reglas de inferencia segn sea necesario en funcin a su experiencia o su conocimiento previo del problema. En este caso, estamos ante un sistema que resulta ser ms inteligente que el anterior. El primer caso, la inferencia es directo e invariable mientras que en el segundo caso la inferencia resulta ser flexible. Por tanto, hay marcada tendencia a considerar que la inteligencia erradica en los procesos de inferencia que posee el sistema. Durante los desarrollos de la mquina determinista y no determinista, Alan Turing pudo determinar que una mquina poda resolver o no determinados problemas. Cuando el matemtico David Hilbert propuso la tesis de determinar si los clculos matemticos pudieran ser decibles, es decir, si pudieran ser definidos para solucin. Para ello, se prob la mquina de Turing y se lleg a la conclusin de que ciertos clculos resultaban imposibles de resolver. Dentro de este compendio, la mquina de Turing tambin contemplaba un problema que era el llamado Halting o de detencin. Este problema no puede ser resuelto por la mquina debido a que no se puede determinar con precisin en qu momento una mquina se detendr. Ante este suceso tan notorio, Alan Turing se propuso determinar si una mquina era capaz de pensar. Para poder probar su planteo propuso una prueba muy sencilla y que consista en dos personas y un ordenador potente. Cada uno de estos se encuentran en habitaciones aislados entre si y tan solo conectados de forma remota. Una de las personas resultar ser el interrogado, mientras que del otro lado, se encontraba en una habitacin una persona y en otra habitacin una computadora. En esta especie de juego, se permite que los interrogadores, la computadora y la otra persona, puedan mentir, hacer preguntas tramposas, etc. Al interrogado. El objetivo de la prueba es que la persona sometida al interrogatorio, pueda determinar quin es la computadora y quien es la persona que estn del otro lado de la pared. Hasta ahora, nadie ha superado este test. Ms all de este test que no deja de ser interesante, la inteligencia entre un sistema y el hombre, dista mucho. Un sistema informtico basado en ordenadores no es inteligente sino altamente veloz con sus cmputos. Esta caracterstica de inteligencia es engaosa puesto que el ordenador basado en un sistema de informacin solo podr resolver planteos bajo un proceso de inferencia directa. Esto hace que el sistema informtico carezca totalmente del factor de pensamiento. Por otro lado, un sistema experto cambiar dichas reglas segn sea necesario. En el caso de un SE el nivel de inteligencia ser superior a los sistemas basados en cmputos. Bajo este escenario tan particular, los SE no pueden pensar de forma autnoma. En el caso del SE, existe un factor de uso de la regla de inferencia segn la base del conocimiento o la experiencia del sistema. Esto en verdad se trata de un pensamiento artificial el cual consistir en encontrar el mecanismo resolutivo ms adecuado para resolver el problema planteado. Sin embargo y de fondo, la opcin que seleccione como regla de inferencia en el sistema, es producto de la acumulacin experiencial del sistema y que ha sido inserto por el desarrollador o ingeniero del conocimiento. Si el problema requiere de una regla de inferencia que el SE carece, es muy probable que no lo pueda resolver y solicite ms informacin. Esto muestra una clara prueba del que el SE no puede pensar por s mismo porque, si lo hiciere, no requerira del ingeniero del conocimiento y su proceso de experiencia y conocimiento se hara de forma autnoma, cosa que como hemos visto, eso resulta imposible. En resumen, el pensamiento que un SE puede mostrar no es ms que una combinacin de reglas que son el producto de una resolucin meramente lgica y que tendr una estrecha Wagner, Ariel Alejandro 7

Sistemas Expertos o Inteligencia Artificial dependencia de la experiencia o de la informacin en su base de datos de conocimiento. Para considerar si un SE tiene pensamientos tal cual como los tiene el hombre, tendramos que hipotticamente considerar condiciones fuera del mbito fsico y ya estaramos entrando en un terreno que escapa de esta tesis e incluso de la realidad cientfica. En breve, saque Ud., sus propias conclusiones. Autor: Developer & Instructor Wagner, Ariel Alejandro

Wagner, Ariel Alejandro