Está en la página 1de 7

Sistemas Expertos: Aspectos tcnicos La posibilidad de poder emular la inteligencia humana ha despertado la curiosidad del ser humano desde

tiempos remotos. Y el hombre encontr dos caminos para lograr dicho fin: 1.-Tratar de imitar el funcionamiento del cerebro humano a nivel computador lo cual implica construir una analoga de tipo fsico del cerebro del hombre. Esto podra llamarse entonces enfoque fsico, y como principal e ponente de este rumbo encontramos a las redes neuronales. !.-Tratar de lograr el conocimiento humano a trav"s de la lgica, por lo #ue estaramos en presencia de un enfoque lgico. En este enfo#ue de pensamiento encontramos a los sistemas expertos #ue intentan reproducir el ra$onamiento humano de forma simblica. Introduccin Cmo se almacena el conocimiento de un experto en una especialidad determinada? Cmo es el proceso de inferencia en un sistema experto? Tiene solucin la explosin combinacional de posibles caminos a tomar? Cmo es la relacin entre el conocimiento y el razonamiento? Objetivos %efinir cuando un sistema puede denominarse e perto y a su ve$ anali$ar los componentes del mismo Efectuar una comparacin entre un sistema e perto y un programa tradicional, a fin de lograr una mayor comprensin del tema tratado %eterminar como son los procesos lgicos de carga de las reglas y hechos #ue componen un sistema e perto. Estudiar el proceso de inferencia de dichas reglas y hechos, tanto para verificar hechos como para deducirlos Cuando nos encontramos con una gran cantidad de reglas que est n en condiciones de ser utilizadas, estamos en presencia de una explosin combinacional, que debe solucionarse con el uso de metarreglas !ado un problema, el razonamiento a efectuarse depende del conocimiento con que contamos" Cuando #ste es incierto o el lengua$e en que se representa es impreciso, estamos en presencia de un razonamiento aproximado Apartados Sistema experto: Definicin y componentes Comparacin entre un sistema experto y un programa tradicional Proceso lgico de carga: de reglas y de hechos Proceso de inferencia: erificar hechos y deducir hechos La explosin com!inacional y el uso de meta reglas" El ra#onamiento aproximado

Sistema experto: definicin y componentes &n 'istema E perto es a#uel capaz de almacenar el conocimiento de un experto en una especialidad determinada y limitada, y a su ve$ de solucionar problemas mediante la induccin % deduccin lgica .

(os sistemas e pertos son programas de computacin #ue capturan el conocimiento de un e perto y tratan de imitar su proceso de ra$onamiento cuando resuelven los problemas en un determinado dominio. (os sistemas expertos incorporan en la )ase de *onocimiento del sistema, el conocimiento de un e perto e intentan simular el ra$onamiento humano por medio de un con+unto de programas de computacin. &n sistema experto se compone de: ase de !ec!os ase de conocimientos "otor de inferencia "dulos de comunicacin o de entrada#salida que se subdivide en: &dulo de consulta o del usuario &dulo de traba$o o del experto

, sea #ue podemos esquemati#ar un sistema e perto de la siguiente manera:

Sistema experto: ase de !ec!os *ontiene la informacin #ue permanece invariable y #ue recibe el nombre de hecho. -odemos decir #ue constituye la memoria de traba+o del sistema e perto. (os hechos representan la estructura din.mica del conocimiento ya #ue su n/mero puede verse incrementado a medida #ue se van relacionando las reglas. Sistema experto: ase de conocimiento *ontiene el conocimiento del dominio. Este conocimiento debe representarse a fin de #ue pueda incluirse en el sistema. 'e lo representa lo m.s sencillamente posible y se lo hace de un modo relacional entre los mismos, mediante las reglas. , sea la base de conocimientos contiene reglas. (as mismas toman la forma de: $% & premisa ' ()E* & conclusin ' (as reglas componen la !ase de conocimiento y las mismas pueden relacionarse dando lugar a nuevos hechos. Sistema experto: "otor de inferencia Es el cora#n del sistema e perto. *oncreti$a el conocimiento a!stracto #ue posee el sistema, para obtener las conclusiones y tomar las decisiones correspondientes. Es el int"rprete de las reglas y por lo tanto nos da la estrategia general de resolucin. $omparacin entre un sistema experto y un programa tradicional &n programa tradicional puede es#uemati$arse de la siguiente manera:

0ientras #ue un sistema experto estara definido de la siguiente forma:

%el es#uema se desprende #ue la !ase de hechos es en un sistema e perto, lo #ue los datos son en un programa tradicional. %e la misma manera la !ase de conocimientos reempla$a al algoritmo. El motor de inferencia es el programa. %l proceso lgico de carga -ara es#uemati$ar el proceso lgico de carga, recurriremos a la cascada de rdenes. 1s tenemos: &'O$%SO (O)I$O *% $A')A *% (A AS% *% $O+O$I"I%+,O En esta fase se determinan las reglas y se incorporan a la !ase de conocimientos

&'O$%SO (O)I$O *% $A')A *% (A AS% *% -%$-OS En esta fase se detectan los hechos y se incorporan a la !ase de hechos. 'i no e iste al menos una regla #ue contenga ese hecho debemos determinarla ya #ue de no ser as, ese hecho estara de m.s en la base de hechos.

%l proceso de inferencia %urante la inferencia puedo verificar o deducir hechos. En la erificacin de un hecho el proceso est. dirigido por los o!+eti os mientras #ue en la deduccin est. dirigido por los datos. -or medio de cascadas de rdenes, veremos ambos casos. .%'I/I$A$I0+ *% 1+ -%$-O En este proceso, una ve$ tomado un hecho, se produce el encadenamiento hacia atr.s. Es decir, se parte de la premisa para llegar a los datos.

*%*1$$I0+ *% 1+ -%$-O En este proceso, primero se re#uieren los datos para anali$ar la premisa. , sea, partimos del: $% & condicin ' para tomar luego la decisin de continuar o no con "l: ()E* & conclusin ' (a conclusin de una regla puede constituirse en condicin de la premisa necesaria para otra regla y seguir as sucesivamente. 4asta llegar al resultado final de la inferencia.

(a explosin combinacional y el uso de metarreglas Entrando en la t.ctica de la resolucin, uno de los problemas de los sistemas e pertos, es encontrarse con una gran cantidad de reglas que est,n en condiciones de ser utili#adas y que o!liga al mismo a idas y enidas por las mismas para encontrar un camino lgico . Este con+unto de reglas #ue en un mismo momento son candidatas a ser aplicadas recibe el nombre de con+unto de conflicto. 'e necesita, al igual #ue en las decisiones humanas, tener hiptesis m.s relevantes #ue vayan reduciendo ese con+unto, o sea un conocimiento de mayor ni el. Estamos en presencia de metaconocimientos, #ue reciben el nombre de metarreglas. 5-u son entonces las metarreglas6 (as metarreglas son aquellas reglas de mayor ni el que ar.an la estrategia de resolucin seg/n sea el pro!lema o seg/n sean los resultados que se an o!teniendo . -or lo tanto, simplifican el camino inductivodeductivo, orientando al motor de inferencia sobre el conocimiento #ue debe ser seleccionado y consecuentemente aplicado en cada momento. El uso de metarreglas, #ue comen$ con la llamada segunda generacin de sistemas e pertos, necesita un motor de inferencia #ue las interprete. 1 su ve$, el conocimiento debe estar agrupado por clases, #ue posibiliten el accionar de las metarreglas. -or lo tanto, en un sistema e perto #ue utilice metarreglas, el conocimiento deber. estar estructurado como: %e control 7metarreglas8 %e dominio 7reglas8 %l ra2onamiento aproximado %ado un problema, el ra#onamiento a efectuarse depende del conocimiento con #ue contamos. 'i es parcial, el ra$onamiento ser. por defecto. 'i es conflictivo, el ra$onamiento ser. no monotnico. 'i el conocimiento es incierto o el lengua+e en #ue se representa es impreciso, estamos en presencia de un ra$onamiento aproximado.

:emos entonces #ue un conocimiento puede ser impreciso sin ser incierto o ser incierto sin ser impreciso. :eremos ambos casos. 5Cu,ndo un conocimiento es incierto6 &n conocimiento es incierto cuando est. expresado con predicados precisos, pero donde no puede esta!lecerse el alor de erdad. E+emplos de lo anterior est.n constituidos por predicados del tipo: Creo que """ Es posi!le que""" 5Cu,ndo un conocimiento es impreciso6 &n conocimiento es impreciso cuando cuenta solamente con predicados agos , o sea #ue las aria!les no reci!en un alor preciso, sino #ue solamente se especifica un subcon+unto al #ue pertenecen. E+emplo de esto sera: Carlos es alto" 0uan tiene entre 12 y 13 a4os" El uso de este tipo de conocimiento nos adentra en la lgica difusa, dado #ue se recurre a la utili$acin de coeficientes. Este, es un factor #ue se agrega para representar la incertidum!re o la imprecisin #ue el experto asigna a este conocimiento. Este factor recibe el nombre de coeficiente de refinamiento y por lo general se mide en una escala de 2 a 5 e implica una modificacin al principio de inferencia. -or lo tanto la regla tomara la siguiente forma: $% & premisa ' ()E* & conclusin ' & coeficiente ' Este coeficiente de refinamiento constituye un modificador de la conclusin en la regla y, por lo tanto, es luego utili$ado por el motor de inferencia para la gestin del ra#onamiento aproximado. 'esumen (os sistemas expertos capturan y utili#an el conocimiento de un experto humano para la solucin de pro!lemas en un ,rea determinada y limitada del sa!er . Emplean un ra#onamiento de tipo simblico a diferencia del algortmico #ue utili$an los programas tradicionales. -or esta ra$n brindan resultados aproximados y no resultados e actos. Es decir, no determinan el resultado ptimo sino solamente uno satisfactorio, dado #ue mane+an conocimientos imprecisos e inciertos. Ese resultado brindado, debe ser +ustificado, indicando el camino lgico seguido. Este tipo de sistemas se diferencia de los sistemas de apoyo para las decisiones 7enlace8 en #ue est. capacitado para seleccionar una solucin al problema y no de+a la decisin final al usuario. %jemplo Tomamos a modo de e+emplo un sistema experto que utili#a los distintos ratios de uso com/n en el ,m!ito administrati o6conta!le. (os est.ndares aceptados por los e pertos estar.n almacenados en la base de datos del sistema de informacin, para permitir al motor de inferencias efectuar un proceso de comparacin. :eremos el caso del ;uestros hechos seran: coeficiente de li#uide$ 7CL8, compar.ndolo con el est.ndar 7 SCL8

*(, '*(, situacin, mala, buena, muy buena.

<

*uestras reglas: $% CL & SCL ()E* situacin 7 mala $% CL 7 SCL ()E* situacin 7 !uena $% CL ' SCL ()E* situacin 7 muy !uena 'i tenemos en cuenta los coeficientes de refinamientos, podemos graficar el coeficiente de li#uide$ para la situacin 7 !uena de la siguiente manera:

%e igual manera, podemos representar como sera para la relacin entre la situacin !uena y la muy !uena:

'obre la base de lo e puesto, vemos #ue al utili$ar los coeficientes de refinamiento, pueden desencadenarse varias reglas. Este proceso deber. repetirse para cada uno de los ratios considerados y luego integrar los mismos para poder determinar la situacin real de la empresa. Este tema es un e tracto de lo #ue pienso incorporar en la == edicin de mi libro: 'Enfoque (gico en )istemas' %e aparicin en !>>1

También podría gustarte