3.2.

2 Arquitectura bsica de un sistema experto

Componentes bsicos: 1. Base de Conocimiento (BdeC) - representacin del conocimiento del dominio para la solucin de problemas especficos, normalmente dicho conocimiento se estructura en forma modular en forma declarativa. 2. Mquina de Inferencia - proceso que efecta el razonamiento a partir de los datos y utilizando el conocimiento de la BdeC. Es ``genrica'', es decir, que se puede aplicar a diferentes dominios slo cambiando la BdeC. 3. Memoria de Trabajo - lugar donde se almacenan los datos de entrada y conclusiones intermedias que se van generando durante el proceso de razonamiento. 4. Interfaz de Usuario - Entrada/Salida al usuario del sistema, incluyendo, normalmente, mecanismos de pregunta (porqu) y de explicacin (cmo). 5. Interfaz de Adquisicin - interfaz para la adqui-sicin del conocimiento del dominio, puede incluir mecanismos para facilitar su adquisicin y depuramiento interactivo y para automatizar la adquisicin (aprendizaje).

Sistemas expertos.
Los sistemas expertos son una familia de sistemas que pertenecen a la inteligencia artificial, y su inters principal con relacin a propsitos educativos reside en la circunstancia, tanto histrica como conceptual, de que constituyen un enlace natural entre la inteligencia artificial y los sistemas tutoriales [FISHEE93]. Un sistema experto es un sistema basado en la computadora que es capaz de resolver problemas complejos en dominios especficos, mostrando un nivel de desempeo comparado con el de los expertos humanos. La dificultad principal reside en el problema de representar el conocimiento del experto. Adems del dominio de conocimiento especfico, las estrategias para la resolucin de los problemas del experto tambin deben capturarse y codificarse de manera conveniente. Es posible que el experto use estas habilidades a un nivel inconsciente, por lo que el proceso de formalizar el conocimiento ( hacer patente un dominio ) es un objetivo que constituye un reto y que requiere la intervencin del ingeniero del conocimiento para poder codificar el conocimiento del experto. Como se muestra en la Figura 1.1, la estructura bsica de un sistema experto consta de : una base del conocimiento ( que incluye hechos y reglas codificadas apropiadamente ) , y una maquina de inferencias, cuyo cometido es el de activar las reglas para que se pueda obtener la solucin del problema. Se han logrado desempeos excelentes por

parte de algunos sistemas como : MYCIN ( infecciones bacterianas ), DENDRAL ( qumica orgnica) y PROSPECTOR ( en geologa ).

Figura 1.1.- Estructura bsica de un sistema experto. Es evidente que uno de los principales campos de aplicacin de los sistemas expertos debe ser la educacin. De hecho, los sistemas expertos, adems de proporcionar una solucin a un problema, tambin muestran los pasos de "razonamiento" que le permitieron llegar a esa conclusin. Sin embargo, la aplicacin de los sistemas expertos a los ambientes educativos muestra grandes dificultades, ya que el arte pedaggico es algo ms que solo codificacin y procesamiento del conocimiento. Un maestro, como experto humano, no solo muestra el camino hacia la solucin correcta, sino que explora otras posibles vas de solucin, y su meta principal es que el estudiante sea capaz de resolver toda una clase de problemas. Para lograr este objetivo, el maestro adapta toda su estrategia de enseanza a las necesidades de un estudiante especfico. Es por esto que actualmente existe el consenso de que un sistema tutorial eficiente debe poseer, adems del dominio del experto, estrategias de enseanza apropiadas que se puedan adaptar a las necesidades especficas de cada estudiante. Finalmente, la interfaz de comunicacin entre el sistema y el estudiante debe ser, al mismo tiempo, muy amigable y poderosa [FISHEE93].

Arquitectura de sistemas expertos

Una arquitectura general de un SE est compuesta fundamentalmente de: a) Una base de conocimientos (o fuente de conocimientos), de un domnio de hechos y heurstica asociada con los problemas. b) Un procedimiento de inferencia (o estructura de control) para utilizar la base de conocimientos en la solucin de los problemas.

c) Y una memoria de trabajo (base de datos global), para el resguardo de la trayectoria de los estados de los rpoblemas, los datos de entrada para un problema particular y la historia relevante de lo que se ha hecho.

Arquitectura para sistemas expertos con razonamiento aproximado

Autor: Jos Carlos Gonzlez Cristbal Fecha de lectura: 13 de octubre de 1989 Resumen: En este trabajo se extienda la concepcin clsica de las arquitecturas de metanivel utilizadas para la construccin de sistemas basados en conocimiento a fin de alcanzar el ncleo del conocimiento de control. El objetivo principal consiste en hacer posible que la interpretacin de las operaciones elementales y reglas de inferencia empleadas por als distintas teoras de razonamiento aproximado sea declarada de forma explcita. Elimiando esta limitacin se facilita la comparacin, seleccin, utilizacin y enseanza de estas metodologas. En consecuencia, se ha definido una nueva arquitectura multinivel y un nuevo lenguaje que materializan las ideas anteriores, dando lugar a un entorno hbrido para el desarrollo de sistemas expertos denominado ENAMORA (ENtorno para el Anlisis de Metodologas Orientaadas a Razonamiento Aproximado). El entorno es especialmente adecuado para aquellos dominios en los que las relaciones entre objetos del universo del discurso se estructuren de modo natural en forma de red de inferencia.

Arquitectura y funcionamiento de un Sistema Experto No existe una estructura de sistema experto comn. Sin embargo, la mayora de los sistemas expertos tienen unos componentes bsicos: base de conocimientos, motor de inferencia, base de datos e interfaz con el usuario. Muchos tienen, adems, un mdulo de explicacin y un mdulo de adquisicin del conocimiento. La figura 1 muestra la estructura de un sistema experto ideal. Fig. 1

La base de conocimientos contiene el conocimiento especializado extrado del experto en el dominio. Es decir, contiene conocimiento general sobre el dominio en el que se trabaja. El mtodo ms comn para representar el conocimiento es mediante reglas de produccin. El dominio de conocimiento representado se divide, pues, en pequeas fracciones de conocimiento o reglas SI . . . ENTONCES . . . Cada regla constar de una parte denominada condicin y de una parte denominada accin, y tendr la forma:

SI condicin ENTONCES accin Como ejemplo se puede considerar la siguiente regla mdica: SI el termmetro marca 39 Y el termmetro funciona correctamente ENTONCES el paciente tiene fiebre

Una caracterstica muy importante es que la base de conocimientos es independiente del mecanismo de inferencia que se utiliza para resolver los problemas. De esta forma, cuando los conocimientos almacenados se han quedado obsoletos, o cuando se dispone de nuevos conocimientos, es relativamente fcil aadir reglas nuevas, eliminar las antiguas o corregir errores en las existentes. No es necesario reprogramar todo el sistema experto. Las reglas suelen almacenarse en alguna secuencia jerrquica lgica, pero esto no es estrictamente necesario. Se pueden tener en cualquier secuencia y el motor

de inferencia las usar en el orden adecuado que necesite para resolver un problema. Una base de conocimientos muy ingenua, para identificar vehculos, podra ser la siguiente:

Regla 1: SI tiene 2 ruedas Y utiliza motor ENTONCES es una motocicleta Regla 2: SI tiene 2 ruedas Y es movido por el hombre ENTONCES es una bicicleta Regla 3: SI tiene 4 ruedas Y utiliza motor Y pesa menos de 3500 Kgs. ENTONCES es un coche

Existen reglas de produccin que no pertenecen al dominio del problema. Estas reglas se llaman metarreglas (reglas sobre otras reglas) y su funcin es indicar bajo qu condiciones deben considerarse unas reglas en vez de otras. Un ejemplo de metaregla es: SI hay reglas que usan materias baratas Y hay reglas que usan materias caras ENTONCES usar antes las primeras que las segundas

La base de datos o base de hechos es una parte de la memoria del ordenador que se utiliza para almacenar los datos recibidos inicialmente para la resolucin de un problema. Contiene conocimiento sobre el caso concreto en que se trabaja. Tambin se registrarn en ella las conclusiones intermedias y los datos generados en el proceso de inferencia. Al memorizar todos los resultados intermedios, conserva el vestigio de los razonamientos efectuados; por lo tanto, se puede utilizar explicar las deducciones y el comportamiento del sistema. El motor de inferencias es un programa que controla el proceso de razonamiento que seguir el sistema experto. Utilizando los datos que se le suministran, recorre la base de conocimientos para alcanzar una solucin. La estrategia de control puede ser de encadenamiento progresivo o de encadenamiento regresivo. En el primer caso se comienza con los hechos disponibles en la base de datos, y se buscan reglas que satisfagan esos datos, es

decir, reglas que verifiquen la parte SI. Normalmente, el sistema sigue los siguientes pasos: 1. Evaluar las condiciones de todas las reglas respecto a la base de datos, identificando el conjunto de reglas que se pueden aplicar (aquellas que satisfacen su parte condicin) 2. Si no se puede aplicar ninguna regla, se termina sin xito; en caso contrario se elige cualquiera de las reglas aplicables y se ejecuta su parte accin (esto ltimo genera nuevos hechos que se aaden a la base de datos) 3. Si se llega al objetivo, se ha resuelto el problema; en caso contrario, se vuelve al paso 1 A este enfoque se le llama tambin guiado por datos, porque es el estado de la base de datos el que identifica las reglas que se pueden aplicar. Cuando se utiliza este mtodo, el usuario comenzar introduciendo datos del problema en la base de datos del sistema. Al encadenamiento regresivo se le suele llamar guiado por objetivos, ya que, el sistema comenzar por el objetivo (parte accin de las reglas) y operar retrocediendo para ver cmo se deduce ese objetivo partiendo de los datos. Esto se produce directamente o a travs de conclusiones intermedias o subobjetivos. Lo que se intenta es probar una hiptesis a partir de los hechos contenidos en la base de datos y de los obtenidos en el proceso de inferencia. En la mayora de los sistemas expertos se utiliza el encadenamiento regresivo. Este enfoque tiene la ventaja de que el sistema va a considerar nicamente las reglas que interesan al problema en cuestin. El usuario comenzar declarando una expresin E y el objetivo del sistema ser establecer la verdad de esa expresin. Para ello se pueden seguir los siguientes pasos: 1. Obtener las reglas relevantes, buscando la expresin E en la parte accin (stas sern las que puedan establecer la verdad de E) 2. Si no se encuentran reglas para aplicar, entonces no se tienen datos suficientes para resolver el problema; se termina sin xito o se piden al usuario ms datos 3. Si hay reglas para aplicar, se elige una y se verifica su parte condicin C con respecto a la base de datos. 4. Si C es verdadera en la base de datos, se establece la veracidad de la expresin E y se resuelve el problema 5. Si C es falsa, se descarta la regla en curso y se selecciona otra regla 6. Si C es desconocida en la base de datos (es decir, no es verdadera ni falsa), se le considera como subobjetivo y se vuelve al paso 1 (C ser ahora la expresin E) Existen tambin enfoques mixtos en los que se combinan los mtodos guiados por datos con los guiados por objetivos.

El interfaz de usuario permite que el usuario pueda describir el problema al sistema experto. Interpreta sus preguntas, los comandos y la informacin ofrecida. A la inversa, formula la informacin generada por el sistema incluyendo respuestas a las preguntas, explicaciones y justificaciones. Es decir, posibilita que la respuesta proporcionada por el sistema sea inteligible para el interesado. Tambin puede solicitar ms informacin si le es necesaria al sistema experto. En algunos sistemas se utilizan tcnicas de tratamiento del lenguaje natural para mejorar la comunicacin entre el usuario y el sistema experto. La mayora de los sistemas expertos contienen un mdulo de explicacin, diseado para aclarar al usuario la lnea de razonamiento seguida en el proceso de inferencia. Si el usuario pregunta al sistema cmo ha alcanzado una conclusin, ste le presentar la secuencia completa de reglas usada. Esta posibilidad de explicacin es especialmente valiosa cuando se tiene la necesidad de tomar decisiones importantes amparndose en el consejo del sistema experto. Adems, de esta forma, y con el tiempo suficiente, los usuarios pueden convertirse en especialistas en la materia, al asimilar el proceso de razonamiento seguido por el sistema. El subsistema de explicacin tambin puede usarse para depurar el sistema experto durante su desarrollo. El mdulo de adquisicin del conocimiento permite que se puedan aadir, eliminar o modificar elementos de conocimiento (en la mayora de los casos reglas) en el sistema experto. Si el entorno es dinmico es muy necesario, puesto que, el sistema funcionar correctamente slo si se mantiene actualizado su conocimiento. El mdulo de adquisicin permite efectuar ese mantenimiento, anotando en la base de conocimientos los cambios que se producen. Ejemplo de funcionamiento del motor de inferencia Para ilustrar cmo trabajan los procedimientos de inferencia, se supondr un sistema que contiene las siguientes reglas en la base de conocimiento: R1: SI abrigo ENTONCES bingo R2: SI chaqueta ENTONCES dentista R3: SI bingo ENTONCES esposa -Enfoque guiado por datos (o encadenamiento hacia adelante): El problema es determinar si se da esposa sabiendo que se cumplen abrigo y chaqueta. Lo primero que se hace es introducir en la base de datos abrigo y chaqueta: B.D. = {abrigo, chaqueta} El sistema identifica las reglas aplicables: R = {R1, R2} Selecciona R1 y la aplica. Esto genera bingo que se aade a la base de datos: B.D. = {abrigo, chaqueta, bingo} Como no se ha solucionado el problema, vuelve a identificar un conjunto de reglas aplicables (excepto la ya aplicada, que no cambiara el estado de la base de datos):

R = {R2, R3} Selecciona y aplica R2 quedando: B.D. = {abrigo, chaqueta, bingo, dentista} El problema todava no se ha solucionado, luego el sistema selecciona otro conjunto de reglas aplicables: R = {R3} Seleccionando y aplicando R3, la base de datos queda: B.D. = {abrigo, chaqueta, bingo, dentista, esposa} Como esposa se encuentra en ella, se ha llegado a la solucin del problema. -Enfoque guiado por objetivos (o encadenamiento hacia atrs): Se quiere determinar si se cumple esposa teniendo en la base de datos abrigo y chaqueta: B.D. = {abrigo, chaqueta}. El conjunto de reglas aplicables en este caso ser: R = {R3} (R3 es la nica que tiene esposa en su parte derecha). Se selecciona R3 y se genera bingo. Como no se encuentra en la base de datos ( no es verdadero ni falso) se le considera como subobjetivo. El sistema intentar ahora probar bingo. Identifica las reglas aplicables: R = {R1}. Aplica R1 y se obtiene abrigo que es verdadero en la base de datos. De esta forma, se prueba el subobjetivo, y al probar ste, se prueba esposa resolviendo el problema.

1. Ventajas y Desventajas de los Sistemas Expertos

A la hora de tomar la decisin de desarrollar un Sistema Experto, se deben analizar las distintas ventajas y desventajas que estos tienen.
1. Ventajas

Entre las principales ventajas de un Sistema Experto, se pueden mencionar:

Los Sistemas Expertos que se codifican y tratan el conocimiento de un experto, alcanzan el nivel de prestaciones de un experto humano.

La separacin entre base de conocimiento y motor de inferencia proporciona una gran flexibilidad al Sistema. Los Sistemas Expertos permiten llegar a una reflexin sobre el conocimiento y los procedimientos, para toma de decisiones realizados por los expertos. Posibilidad de trazar el razonamiento seguido por el Sistema Experto. Algunos Sistemas Expertos utilizan coeficientes de verosimilitud para ponderar sus deducciones [CAST]. En manipulacin de smbolos, los Sistemas Expertos abren el campo a nuevas aplicaciones, no automatizadas hasta la fecha [CAST]. 1. Desventajas

Aunque son grandes las ventajas, no hay que dejar de lado las desventajas que se pueden presentar:
La publicidad realizada alrededor de esta tcnica seduce a muchas personas pero crea aspiraciones imposibles de satisfacer. La extraccin del conocimiento es el problema ms complejo que se les plantea a los ingenieros de conocimientos. Ciertos problemas estn ligados a la representacin del conocimiento. Los SE son incapaces de reconocer un problema para el que su propio conocimiento es inaplicable o insuficiente. Los motores de inferencia poseen algunos lmites. Las interfaces con usuarios no son lo suficientemente amigables. Las aplicaciones suministradas por los SE son, frecuentemente, esotricas. Falta personal competente para investigar y desarrollar aplicaciones. Campo de aplicaciones restringido y especfico. El costo es bastante alto.

Aunque se conozcan las ventajas y las desventajas de los Sistemas Expertos, no se logra una visin clara de los Sistemas Expertos y su capacidad, hasta que se conocen algunos ejemplos en aplicaciones reales.

Un Estudio sobre el comportamiento de los Sistemas Expertos

Introduccin a los Sistemas Expertos: Un sistemas expertos, es una clase de programa que es capaz de manejar problemas que normalmente necesitan de la intervencin humana para su resolucin, por lo tanto son capaces de aconsejar, categorizar, analizar, comunicar, consultar, disear, diagnosticar, explicar, formar conceptos, interpretar, justificar y planificar. Los sistemas expertos son desarrollados con la ayuda de un Experto de Campo que son los que tienen la informacin de los procesos mentales, que le permiten solucionar los distintos problemas y un Ingeniero de Conocimiento que es el formaliza el conocimiento del experto de campo, es decir, que le dan una forma simblica y manipulable para el sistema.

Para resolver problemas se usan mtodos heursticos que determinan que parte de la experiencia de los expertos de campo son aplicables, es decir, que son procedimientos que se aprenden con la experiencia en la resolucin de problemas en un dominio particular; ya que los problemas normalmente estn mal definidos y desestructurados, estos involucran un diagnstico o planificacin. Estas heursticas deben ser descubiertas por ingeniero de conocimientos y programadas en el sistemas expertos. Caractersticas de los sistemas expertos: 1) Solucionan problemas aplicando su experiencia de una forma eficaz, haciendo deducciones a partir de datos incompletos o inciertos. 2) Explican y justifican lo que estn haciendo. 3) Se comunican con otros expertos y adquieren nuevos conocimientos. 4) Reestructuran y reorganizan el conocimiento. 5) Interpretan al mismo tiempo el espritu y la letra de las reglas. 6) Determinan cuando un problema est en el dominio de su experiencia. Los sistemas expertos conocidos modelan a lo sumo las tres primeras caractersticas. Estudio emprico del comportamientos de sistemas expertos: a) Nociones Previas: El rango de datos ()es la cantidad de conceptos o aserciones diferentes involucradas en las reglas de la base de conocimiento; cantidad de reglas () y el factor de dispersin () como: =/ Analizando el factor de dispersin podemos decir que si es muy cercano a cero significa que las reglas contienen mucho conocimiento sobre los conceptos involucrados y si est muy lejos de cero significa que las reglas contienen poco conocimiento sobre los conceptos involucrados.

b) Descripcin de los parmetros observados: Las estadsticas resultantes de este estudio emprico se hicieron variando y cruzando los siguientes parmetros: Cantidad de reglas de los sistemas expertos: Se modelizaron nueve sistemas expertos distintos en funcin de la cantidad de reglas desde sistemas expertos de diez reglas hasta sistemas expertos de noventa reglas. Cantidad de antecedentes por regla:

Se modelizaron tres tipos de sistemas expertos distintos en funcin de la cantidad de antecedentes por regla: sistemas expertos de no ms de tres antecedentes por regla. sistemas expertos de no ms de cinco antecedentes por regla. sistemas expertos de no ms de siete antecedentes por regla. Porcentaje de sistemas expertos exitosos: Indica que cantidad de sistemas expertos fueron exitosos para una determinada configuracin de parmetros. Cantidad de reglas disparadas: Indica cual fue el promedio de reglas disparadas en los sistemas expertos exitosos para una determinada configuracin de parmetros. Rango de datos: Indica cuantos conceptos (aserciones) hay involucrados en la base de conocimiento. Se utilizaron dos grupos: 20 conceptos 40 conceptos c) Grficos: b) Interpretacin: En los grficos 1 y 2 se observa que el aumento de la cantidad de antecedentes en cada regla disminuye la posibilidad de xito del sistemas expertos. Esto sucede porque cada antecedente es una restriccin ms que la regla debe satisfacer para ser disparada. Con esto podemos formular la siguiente ley emprica: Ley1: "A mayor porcentaje de reglas con gran cantidad de antecedentes a satisfacer, se hace menor la probabilidad de xito del sistemas expertos"

En la grfica 3 se observa que cuyo factor de dispersin es ms chico tiene un mejor comportamiento que aquellos cuyo factor de dispersin es ms grande. Esto se ve en el hecho de que los sistemas expertos con rango de datos igual a veinte tiene un porcentaje de xito mucho ms elevado que el de los sistemas expertos con rango de datos igual de cuarenta. Considerando el factor de dispersin podemos formular la segunda ley emprica: Ley 2: "A menor factor de dispersin, se hace mayor la probabilidad de xito del sistemas expertos" En los grficos 4 y 5: se observa que el aumento de la cantidad de antecedentes en cada regla disminuye el promedio de la cantidad de reglas disparadas en el sistemas expertos. Esto sucede porque a mayor cantidad de

antecedentes aumenta la probabilidad de que la regla no sea disparada. As llegamos a la tercera ley emprica: Ley 3: "A mayor porcentaje de reglas con gran cantidad de antecedentes a satisfacer, se hacer menor la cantidad de reglas disparadas del sistemas expertos"

En la grfica 6: teniendo en cuenta que la cantidad de reglas disparadas se corresponde con el espacio de bsqueda generado a partir de las aserciones y reglas, podemos postular la cuarta ley emprica sobre el comportamiento de los sistemas expertos: Ley 4: bsqueda." "A menor factor de dispersin se hace mayor el espacio de

Este trabajo de investigacin pertenece al proyecto de "Aprendizaje Artificial y sistemas expertos" llevado a cabo en la Divisin de Sistemas del Departamento de Ciencias Bsicas de la Universidad Nacional de Lujn.

Mtodo de BUCHANAN
: Este mtodo puede esquematizarse en seis etapas: Etapa 1: Familiarizarse con el Problema y el Dominio. Abarca desde la lectura de libros o artculos, las entrevistas o charlas con las personas familiarizadas con el tema y la bsqueda de un experto que est dispuesto a colaborar en la construccin del sistema; como as tambin la definicin de cuales son la funciones o tareas ms idneas para ser realizadas por el sistema experto. Estas tareas son importantes para determinan que lenguaje y que sistema se usar. El ingeniero de conocimiento debe sentirse razonablemente cmodo respecto del dominio del problema, como para conversas inteligentemente con el experto. Etapa 2: Delimitar el Sistema. Significa que por medio de entrevistas con el experto, con el objetivo de identificar y caracterizar el problema informalmente. El experto de campo y el ingeniero de conocimiento definen el alcance del sistema experto, es decir, que problemas va a resolver concretamente el sistema experto. Etapa 3: Obtener la Estructura de Inferencia del Sistema Experto. Con el problema adecuadamente definido el ingeniero de conocimiento empieza a determinar los principales conceptos del dominio que se requieren para realizar cada una de las tareas que va a resolver el sistema. Este trata de

entender que conceptos son relevantes e importantes solicitndole al experto que explique y justifique los razonamientos que utiliza para resolver los problemas. Esto es importante para la tarea de definicin del sistema experto y para mantener una adecuada documentacin del mismo, ya que es til para la tarea de diseo, construccin y para posteriores modificaciones del sistema. El ingeniero de conocimiento debe prestar atencin al experto de campo para encontrar la estructura bsica que el experto utiliza para resolver el problema. Est formada por una serie de mecanismos organizativos que el experto de campo usa para manejarse en ese dominio. Esta estructura bsica de organizacin del conocimiento le permiten al experto realizar ciertos tipos de inferencias. El ingeniero de conocimiento adems debe reconocer las estrategias bsicas que usa el experto cuando desarrolla su tarea, que hechos establece primero, que tipos de preguntas realiza primero, si define supuestos inicialmente sin bases con informacin tentativa, como determina el experto que pregunta debe usar para refinar sus suposiciones y en que orden el experto prosigue con cada subtarea y si ese orden vara segn el caso. La estructura del conocimiento indica que tareas y trminos est usando y la estrategia indica como y cuando el sistema experto debe establecerlas. Etapa 4: Definir el Sistema Experto Prototipo. El ingeniero de conocimiento debe formalizar el conocimiento obtenido del experto. Esta tarea implica definir que arquitectura permitir una mejor organizacin del conocimiento. Es necesario elegir la organizacin, lenguaje y medio ambiente de programacin adecuados para la aplicacin particular. Se definen los conceptos primitivos, con la forma de representacin elegida. Este es el primer paso hacia la implementacin del prototipo. El ingeniero de conocimiento deber a medida que se desarrolla el prototipo lo siguiente: 1. que el formalismo usado es el apropiado para reflejar los conceptos y el proceso de inferencia del experto. 2. que las caractersticas particulares de construccin del lenguaje capturen exactamente los aspectos estructurales ms importantes de los conceptos usados por el experto. 3. que la estructura del control del lenguaje al activar las reglas refleje la estrategia usada por el experto. 4. que las reglas reflejen asociaciones y mtodos que: a) son los usados por el experto. b) son modelos aceptables de dichos mtodos. El ingeniero de conocimiento puede presentar las reglas definidas y en ocasiones los resultados obtenidos al usar las reglas, para que el experto manifieste su opinin sobre la representacin y soluciones.

Etapa 5: Depurar el Sistema Prototipo. Se refina el sistema prototipo, depurado la base de conocimientos, refinando reglas, rediseando la estructura del conocimiento, o reformulando conceptos bsicos, con el objetivo de capturar informacin adicional que haya proporcionado el experto. Tambin se consultan en esta etapa otros expertos para corroborar, controlar, ampliar y refinar el prototipo. Etapa 6: Optimizar el Sistema Experto Prototipo . Cuando el sistema prototipo ha crecido tanto que resulta difcil de manejar el ingeniero de conocimiento redisea un sistema ms eficiente. Este nuevo sistema deber refinarse y extenderse a fin de completar as el desarrollo del sistema experto. Esto es transformar efectivamente el sistema prototipo en un sistema experto aplicable. SNTESIS DEL MTODO DE BUCHANAN

F A S E 1

Identificacin

Seleccionar al experto, fuentes y medios de conocimiento y clara definicin del problema

Conceptualizacin

Encontrar los conceptos claves y las relaciones necesarias para caracterizar el problema. reformulacin permanente de conceptos, rediseo de la forma de representacin, refinamiento del sistema implementado, crticas y sugerencias de los expertos permiten una mejora y un control del funcionamiento del sistema

F A S E 2

Formalizacin Implementacin Control

ESTUDIO COMPARADO DE LOS MTODOS DE GROVER Y BUCHANAN

PARA EL DISEO DE BASES DE CONOCIMIENTO

Introduccin
La BC ( Base de Conocimiento ) contiene el conocimiento que maneja el Sistema Experto, el conjunto de las informaciones especificas del campo deseado. Representa las reglas y la experiencia de un profesional en un determinado dominio. La construccin de la BC es determinante en el desarrollo del SE (Sistema Experto), un error en su diseo lleva directamente al mal funcionamiento del SE. La funcin de la BC es suministrar al Motor de Inferencia, informacin sobre la naturaleza del problema a manejar. Por lo tanto, el Motor de Inferencia es el encargado de utilizar dichos conocimientos existentes en la BC, para resolver el problema especificado en la base de hechos. La mayora de las veces, la BC esta constituida por reglas del tipo A B , que expresan que cuando A es valido, puede deducirse B. En este caso, el Motor de Inferencia selecciona, valida y pone en accin algunas de las reglas a fin de llegar a la solucin del problema.

Mtodo de GROVER
Las metodologias prototipacion son herramientas esenciales usadas por el Ingeniero en conocimiento, ya que dan pautas de como desarrollar un Sistema Experto y permiten detectar problemas para corregirlos a tiempo, evitando as el arrastre de los mismos . El Mtodo de Grover es, junto con el de Buchanan, uno de los mas importantes para el diseo de una Base de conocimiento. Este mtodo adems de definir una serie de etapas, propone con nfasis una documentacin de los procesos: los cuales reemplazan parcialmente al experto y sirven de medio de comunicacin y referencia entre los usuarios y los diseadores.

Etapas
Etapa 1: Definicin del Dominio El objetivo de esta etapa consiste en realizar una cuidadosa interpretacin del problema y documentarla, elaborando un Manual de Definiciones del Dominio, el cual debe contener : .- Una descripcin general del problema .- La bibliografa de referencia .- Un glosario de trminos y smbolos .- La identificacin del o los Expertos

.- La Definicin de mtricas de performance(parmetros) para evaluar el rendimiento del Sistema Experto .- La Descripcin de escenarios para ejemplos posibles. Etapa 2: Formulacin del Conocimiento Fundamental Esta etapa tiene como objetivo examinar los escenarios ejemplo a partir de criterios de evaluacin y reclasificarlos segn: .- los mas importantes y los mas insignificantes .- los mas esperados .- los mas arquetpicos - caracteristicos,representativos.- los mas comprensibles Para obtener el Conocimiento Fundamental, una tcnica conveniente es la simulacin del proceso y la reclasificacin. La simulacin consiste en sugerirle al experto que resuelva un problema como lo hara habitualmente y que vaya construyendo verbalmente las reglas de razonamiento que utiliza. La reclasificacin consiste en analizar las reglas obtenidas y reclasificarlas segn diferentes niveles para alcanzar el objetivo propuesto. El estudio final consiste en la definicin computacional de las reglas, lo cual incluye: .- Una descripcin ontolgica de las entidades del dominio, de los objetos relacionados y de las relaciones entre los objetos. .- Una definicin de las entradas y de los formatos .- Una descripcin del estado Inicial que incluya el conocimiento de base .- Un conjunto de reglas de razonamiento .- Una lista de metarreglas, estrategias humanas, que sern consideradas por los diseadores como posibles reglas de control. Se debe adems obtener informacin sobre: .- La cota inferior del rendimiento mnimo .- Testeo predecible, definir que test y mtricas son aplicables .- Tcnicas de correccin .- Delimitacin de las capacidades del SE que pueden ser expandidas Durante esta etapa de Formulacion del Conocimiento Fundamental, se pueden considerar distintos enfoques de entrevistas al experto, estas pueden ser: .-Simulacin por escenarios: a partir de un escenario elemental, el experto razona hasta alcanzar algn objetivo. Esta tcnica presenta tres dificultades: 1) El experto puede utilizar trminos y definiciones no obtenidos en la etapa de definicin del dominio. 2)Una regla puede ser muy especifica o un paso de razonamiento olvidado. 3)El experto puede no distinguir entre el trabajo y el razonamiento para planificar el trabajo.

.- Descomposicin de Objetivos: consiste en enumerar los objetivos y construir una jerarqua estructurada de los mismos. .- Simulacin de Procedimientos: se requiere de un especialista para que resuelva el problema de manera habitual y mientras tanto vaya mencionando las reglas que utiliza. La dificultad que puede aparejar esta tcnica es que muchas veces el Ingeniero de Conocimiento pide aclaraciones que pueden distraer al Experto, por lo que deben evitarse. .- Reclasificacin Pura: Este enfoque parte del supuesto que la mayor parte del esfuerzo utilizado para establecer la situacin problema es gastado reclasificando observaciones en objetos especficos y actividades.