Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SISTEMAS EXPERTOS
LUIS EDUARDO MUNERA
Este artiCUlO conesponde a la ItanscnpclOO de la conferencia que sable Inteligencta Artificial dtctó el autor. el 11 de octubre de
1990. en el ICE SI
10 .Y&flIl
/CES/ .~
de lA del MlT junto con Winston. A esa para que no se hiciera un manejo, diga-
reunión asistió el profesor Shaw, del mos, tan estricto, tan simbólico y que
MIT, un colaborador de Wiener que es- aquello pudiera ser utilizado cOmo un
tuvo trabajando en la teoría de la infor- modelo de representación del conoci-
mación. miento humano. Y es allí donde surge
la técnica más importante de represen-
Estas personas conformarían después tación que se denomina reglas de pro-
grupos; por ejemplo, Shaw y Minsky se ducción y que vamos a ver más adelan-
irían para el MIT y Allen Newell y Simon te.
se irían para Carnegie Mellan. Tambíén
se conformaron dos grupos en cuanto Al mismo tiempo que Newell y Simon
ala forma de enfocar esta nueva ciencia estaban preocupados por la parte cog-
Que ellos llamaron 'A nitiva, también crearon un modelo se-
mejante al cerebro desde el punto de
En el primer grupo, sus representantes vista general, un modelo de memoria y
pretenden emular con el cerebro, inclui- de procesamiento de información. Crea-
da, si ello fuera posible, su estructura. ron lo que se denominó los sistemas de
En el segundo, sus integrantes buscan producción, tomando como base las re-
crear sistemas cuyo comportamíento gias que les acabo de mencionar.'
sea tal que SI lo llevase a cabo una per-
sona sería considerada como inteligen- En esa etapa primaria se desarrollan
te. las estrategias de búsqueda, las estra-
tegias de solución de problemas.
Se conformaron así dos tendencias, dos
líneas de investigación, que posterior- Esos sistemas de producción los utilizan
mente se conocerían con los nombres Newell y Simon para resolver proble-
de conexionismo e ingeniería del cono- mas. Pero en esa época eran demasia-
cimiento, respectivamente. do ambiciosos, creían que el problema
era muy sencillo y que se podría cons-
2. truir un solucionador general de proble-
mas. La idea que tenian era que se po-
ETAPAS DE LA EVOLUCION
DE LA I.A. día construir un sistema capaz de resol-
ver cualquier problema, que se conoce
A partir de esa época se establecen lo con el nombre de General Problem Sol-
que podríamos llamar las tres etapas ver, Solucionador General de Proble-
que ha sufrido esta ciencia. mas. Pero precisamente a raíz de este
tipo de enfoques que le dieron a las co-
En la primera etapa. la etapa primaria, sas fueron demasiado optimistas. Por
Que va de 1%6 a 1970. se desarrollan ejemplo, Simon llegó a decir viendo el
las técnicas fundamentales, las técnicas programa de juego de damas de Sa-
básicas de la lA; por ejemplo, los de muels, que en menos de diez años la
la línea cognitiva estuvieron trabajando lA podría crear un programa para jugar
en algoritmos y en estrategias de bús- al ajedrez que le ganaría al campeón
queda en solución de problemas. Allí mundíal. Todavía no se ha conseguido,
los aportes fundamentales vinieron pre- aunque s~ ha mejorado mucho en ese
cisamente de Allen Newell y de Herbert aspecto.
Simon. Ellos lo que hicieron fue tomar
los trabajos de 1943 de un lógico muy A partir de los juegos se desarrollaron
importante, Emil Post, quien había crea- las técnicas básicas. Técnicas que en
do un sistema que se conoce con el realidad son útiles en algunos casos en
nombre de Sistemas de Post o Sistemas problemas reales, pero que muchas ve-
de Producción, basados en reglas de ces no sirven para atacar problemas
reescritura que eran equivalentes a una más complejos como los que ellos pre-
máquina de Turing. Es decir, eran siste- tendían resolver. Los juegos y proble-
mas tipo reglas de gramática que los mas combinatorios proporcionan unas
profesores Newell y Simon adaptaron reglas muy definidas, con lo que la so-
11
ICESI
lución automática de estos problemas estrategias de búsqueda y aparte de los
es más fácil de realizar. intentos con el lenguaje natural, hubo
un trabajo muy importante que quiero
Una de las cosas que se trabajó en esta resaltar: el del profesor Robinson. Atacó
etapa fue el lenguaje natural y se sigue el problema de la demostración automá-
trabajando, pero entonces lo veían tica de teoremas, basado en lo que de-
como un problema muy simple. Creían nominamos el razonamiento por contra-
que podíamos lograr una gran base de dicción, negando lo que queremos de-
datos donde tendríamos almacenada la mostrar hasta obtener una contradic-
información de los idiomas, una especie ción, un absurdo. Lo que hizo el profesor
de diccionario enorme, y que con algu- Robinson fue encontrar un método, una
nas reglas gramaticales se podría hacer técnica de automatizar ese proceso de
una traducción automática de manera razonamiento que se denomina el pro-
muy simple. Sin embargo ese proyecto, ceso de resolución.
que no tuvo en cuenta para nada mu-
chos de los aspectos complicados del Este es el mérito fundamental de Robin-
lenguaje, el aspecto cultural, el aspecto son y es quizá para mí uno de los apor-
biológico y en fin todo el mundo comple- tes más importantes que se ha hecho
jo que tiene que ver con el lenguaje, fue en la historia de la I.A. El poder conse-
el fracaso más estruendoso que tuvo la guir que un computador mediante un
I.A. en esa época de los 60; tanto que procedimiento automático pueda efec-
se cuenta un chiste sobre una traduc- tuar un razonamiento por contradicción.
ción que hicieron del inglés al ruso. Ha- En resumen, en esa etapa primaria se
bía que traducir una sentencia de la Bi- desarrollaron las técnicas básicas, que
blia, algo así como: "El espíritu es fuerte se quedaron un poco en el olvido, cono-
y la carne es débil". El sistema la había cidas sólo por unos pocos investigado-
traducido al ruso as í: "El vodka está muy res que no tenían status de ninguna
bueno, pero la carne está podrida". clase dentro de la comunidad científica.
12
ICESI
, un sistema para diagnóstico de enfer- Entre \os dominios de aplicación de la
i medades infecciosas. I.A. tenemos los sistemas expertos, la
demostración automática, juegos y teo-
El término Sistema Experto se debe a ría combinatoria, aprendizaje automáti-
Feingenbaum, en 1977, aunque el pri- co, robótica, procesamiento del lengua-
mer sistema experto reconocido es el je natural, redes neurales, base de da-
Mycin del año 1974. Otros investigado- r tos inteligentes, reconocimiento de pa-
res recogen los trabajos de Robinson y trones. Como ven, los dominios de apli-
i con base en ellos crean un lenguaje de cación de la I.A. son muy amplios, cu-
' programación lógica; así nace en 1975 bren muchos aspectos.
la primera versión de PROLOG. Como
I/ ven, la etapa de prototipos es la más Esos dominios están muy relacionados;
¡ fructífera y va desde 1971 al 81 , porque por ejemplo, los trabajos en demostra-
'I!.ya es donde se construyen los primeros ción automática como el caso de PRO-
sistemas que funcionan o resuelven LOG Y todos los trabajos en lógica se
problemas, sistemas expertos para pueden usar para sistemas expertos y
: diagnóstico, como el caso de Puff que
t es un sistema para enfermedades pul-
a su vez, por ejemplo, todos los trabajos
en juegos son las estrategias básicas
monares, el sistema Prospector para la que usan los sistemas expertos. La par-
prospección geológica, un sistema para te de robótica se nutre mucho de la parte
la detección de yacimientos y el sistema de reconocimiento de patrones, o sea
Dendral que fue desarrollado por Fein- el reconocimiento de imágenes o soni-
genbaum precisamente para el análisis dos, es decir de todo lo que son estímu-
de química orgánica. los sensoriales, el manejo de la parte
auditiva o de la parte luminosa. Para los
A raiz de los éxitos de esa época del
robots esto es fundamental y para ellos
70 a181, comienza lo que se denomina
también se pueden utilizar los sistemas
la etapa de difusión industrial, es decir,
expertos, sistemas de aprendizaje auto-
ya esos prototipos que funcionaron en
mático, etc.
las universidades, en los laboratorios,
salen del mundo de la investigación y
entran en el mundo' de la industria. Las La parte de lenguaje natural se ha veni-
empresas comienzan a interesarse en do trabajando bastante y es muy compli-
cada. Realmente no se ha obtenido un
el desarrollo comercial de estos siste-
mas y en la aplicación a diferentes áreas éxito bastante rotundo en este aspecto,
es decir ha funcionado bien en algunos
de las actividades humanas. Esta etapa
de difusión industrial comienza en 1981 casos. Las redes neurales son las que
en este momento han tomado mayor
y estamos en plena expansión de ella.
auge y con ellas se están realizando
De las dos áreas, la que se viene a de-
sarrollar más en los 70 es el área de la una serie de aplicaciones, sobre todo
hacia reconocimiento de patrones,
parte cognitiva y toma un nombre: se
llama Ingeniería del Conocimiento. como por ejemplo cuando se necesita
el manejo de imágenes o de sonidos.
Sin embargo, en la etapa de difusión También se está usando como una téc-
industrial se descuida la investigación nica fundamental para los problemas de
básica y todo el mundo ya quiere meter- lenguaje natural.
se en el negocio.
Fundamentalmente todas las técnicas
En este momento estamos asistiendo a que se desarrollaron en esa etapa pri-
una especie de crisis de esa rama. Por maria que les mencioné son técnicas
el contrario la otra rama, la de redes basadas en juegos y en la actualidad
neuronales, pasó sin pena ni gloria por esta.área sigue siendo vigente. Hay pro-
esa década y sin embargo en este mo- blemas de carácter combinatorio que si-
mento es en la que más se está traba- guen tratándose mediante técnicas si-
jando. milares a éstas.
.' .. , 13
ICESI
1
14
ICESI
,
EXisten varias estrategias de búsqueda nosotros al sistema, y ese conocimiento
que es lo que suele enseñárseles a los se denomina conocimiento heuristico.
estudiantes en un primer curso de I.A.
Es decir. cómo encontrar esa meta y Así que un sistema experto puede resol-
para eso se desarrollan arboles de bús- ver un problema en un determinado do-
queda. Existen Diferentes estrategias. minio del conOCimiento como lo resolve-
Una es, por ejemplo. desarrollar el árbol ría un experto en ese campo.
en profundidad o Irse por una r;:¡ma has-
Los primeros sistemas que se hicieron
ta un determinado nivel; otra es ir desa-
eran fundamentalmente sistemas de
rrollando nivel por nivel, que se denomi- diagnóstico en medicina, capaces de
naría una búsqueda en amplitud. Estos
efectuar un diagnóstico como lo haría
dos casos se denominan búsquedas un médico experto en esa rama de la
ciegas, búsquedas sin información; lo
medicina Fundamentalmente en eso
único que se hace es una búsqueda ex- consisten los sistemas expertos, pero
haustiva hasta encontrar la meta. además tienen una cualidad importante:
Sin embargo existen teenicas más evo- el sistema es capaz de explicar los razo-
lucionadas para tratar el tema y es asig- namientos. Si el usuario le requiere por
nándole a cada estado un peso. hacien- qué llegó a determinada conclusión, el
do una evaluación de cada estado, me- sistema debe Justificar y explicar su res-
diante una tuncion heurística o funcion puesta.
de evaluación. Entonces. dependiendo
Las áreas de aplicacion de los sistemas
de esa función de eVAluacrón, naso/ros
expertos están agrupadas por tipos de
haríamos el recorrid(; para encontmr la
prvbtemas que serian básicamente: in-
meta. \erpretación, predicción, diagnosis, pla-
Existen diferentes técnicas que son las nificación y control.
que trata la Inteligencia Artificial para Los primeros sistemas, como tes he
efectuar ese proceso de bLlsqueda. contado, son los sistemas de diagnósti-
Bien. Vamos a mirar ahora un poco los co médico, pero aquí sistemas expertos
sistemas expertos que es la rama más de diagnóstico en un sentido amplio, no
interesante, o que es para nosotros la necesariamente diagnóstico médico..
que podemos desarrollar mejor. Pueden ser sistemas de diagnóstico de
tallas mecánicas o de parte eléctrica.
Se utilizan mucho, por ejemplo, en cen-
3 trales nucleares para el diagnóstico de
SISTEMAS EXPERTOS fallas en la central, o en locomotoras,
Un sistema experto es un sistema infor- etc. Aplicaciones de éstas hay muchisi-
mático que incorpora en forma operativa mas desarrolladas en el mundo entero.
el conocimiento de una persona experi- También están los sistemas de interpre-
mentada de tal manera que es capaz tación. más que todo para la parte de
tanto de responder como de explicar y interpretación de imágenes, por ejemplo
justificar sus respuestas. Esta, como to- una imagen en el radar. El sistema es
das las definiciones. os incompleta: Sin capaz de interpretar si la imagen corres-
embargo, nos c1a una idea. Fundamen- ponde a un avión de combate enemigo
talmente con los sistemas expertos lo y qué tipo de avión es. Se han desarro-
que se ha ganado es la rncorporacion llado muchas aplicaciones militares en
del conocimiento dei ser humano La la parte de interpretación.
idea es que precisamente, para resolver
Hay sistemas de predicción que son ca-
un problema inteligentemente lo que va-
paces de prever el futuro estado de un
mos a hacer es imitar cómo un ser hu-
sistema partiendo de unas condiciones
mano resuelve ese prohlema.
dadas. Se están usando, por ejemplo,
Esa experiencia del ser humano para en la parte de predicción en meteorolo-
resolver un problema la incorporamos gía que es tan compleja También tene-
15
ICE51
mos sistemas expertos en la aplicación eie de sicoanálisis) el conocimiento de
en problemas de diseño, en problemas ese experto sobre el tema, porque mu-
de planificación y de control, también chas veces el experto razona frente a
en la parte de administración en el mun- determinadas situaciones, emite unos
do de los negocios y para sistemas que juicios pero muchas veces ni él mismo
ayudan a la toma de decisiones. sabe por qué ha llegado a determinadas
conclusiones.
4. Es decir, el i·ngeniero del conocimiento
ARQUITECTURA DE LOS SISTEMAS intenta hacer explicitos esos mecanis-
EXPERTOS mos de razonamiento que efectúa el ex-
perto humano mediante técnicas que no
Vamos a mirar un poco la arquitectura
de un sistema experto, al menos de una están muy desarrolladas. Desafortuna-
forma global. damente esa es la parte más critica que
tienen los sistemas expertos.
La figura 2 nos muestra la arquitectura
Pero, muy bien; supongamos que un
de un sistema experto. Básicamente tie-
ingeniero del conocimiento ha adquirido
ne tres módulos: de una parte la base
los conocimientos de un experto en al-
de conocimientos, de otra parte el motor
gún campo, luego la labor del ingeniero
de inferencias y de otra parte el subsis-
del conocimiento es formalizar ese co-
tema de adquisición del conocimiento.
nocimiento, es decir, llevarlo a una re-
El problema fundamental en este campo presentación que sea reconocrcJa por
de los sistemas expertos es la adquisi- los seres humanos. Y esa representa-
ción del conocimiento. El ingeniero del ción también debe ser tomada por el
conocimiento es la persona encargada sistema. Ahí tenemos al subsistema de
de la construcción del sistema, o sea adquisición del conocimiento. Ese sub-
hay una nueva profesión que es la de sistema consta de un conjunto de herra-
ingenieros del conocimiento; esta profe- mientas que ayudan a representar el co-
sión surge a raiz de esta ciencia. El in- nocimiento en el sistema experto, es de-
geniero del conocimiento interactúa con cir, nos debe proporcionar unas herra-
un experto humano y trata de adquirir, mientas de ayuda y un lenguaje de re-
de sacarle de alguna manera (una espe- presentación del conocimiento.
Figura 2
Arquitectura de un sistema experto
~ SUBSISTEMA DE ~ ING.
~ ADQUISICION CONOCIMIENTO ~ CONOel-
HECHOS
~~i~--:-~---:'i-~-:--' MIENTO
BASE SUBSIS-
DE TEMA
REGLAS CONO- DE
CIMIEN- INFE- MOTOR
TOS RENCIA w
DE (j)
INFE- «u.. ~
SUBSIS- RENCIA a: USUARIO
META- TEMA w
1- ~
REGLAS DE ~
CONTROL
MEMORIA SUBSISTEMA
AUXILIAR EXPLICACIONES
16
ICESI
,
¡
, Aqui viene una parte importante que
I
17
ICESI
Figura 3
Redes Semánticas
posee
8 ~
~
es - un E3 es - un C:~V
~ tiene
8
es - un ~
G
G
ciones que existen entre ellos las situa- tiguas de representación del trabajo de
mos en los arcos. Digo, por ejemplo, Quillian de los años 60
que Piolín es un canario. Estoy dando
a entender que Piolín es un objeto, un Existen redes más evolucionadas. Las
elemento de un conjunto que es el de redes particionadas de Hendrix permi·
los canarios. Así pues, yo digo que ca- ten hacer el manejo de cuantificadores,
nario es un pájaro, estoy diciendo enton- los cuantificadores de la lógica.
ces que el conjunto de los canarios es Bien. Ahora entramos a mirar un poco
un subconjunto de los pájaros. la representación más importante que
Si digo que los pájaros tienen alas, estoy hay en sistemas expertos. Es la repre-
dando una propiedad de los pájaros. Si sentación basada en reglas.
digo que Piolín posee un nido, ese nido Como observan en la figura 4, fundamen·
es un elemento cualquiera que pertene- talmente una regla la pueden ver uste·
ce a la clase de los nidos. La importancia des como una sentencia if. .. (hen.. e/se...
de esto, de esta técnica de representa-
ción del conocimiento, es por una parte La regla tiene un lado izquierdo o premio
la sencillez y por otra que permite efec- sa y un lado derecho que serí a la con·
tuar razonamientos basados en la no- c1usión o la acción. Es decir, la idea es
ción de herencia, es decir, puedo a partir que si se cumple la premisa en una con·
de esta red inferir varias cosas, sin ne- junción de condiciones, si se cumplen
cesidad de hacer explícitas esas propie- determinadas condiciones, entonces
dades. Por ejemplo puedo deducir que podemos concluir determinada cosa o
Piolín es un pájaro, a pesar de que no podemos ejecutar determinada acción.
lo he dado explícitamente, porque se Una forma de representar las condicio-
hereda esa propiedad, y también puedo nes son las ternas: atributo, objeto, va·
decir que Piolín tiene alas: como los pá- lar. Sin embargo la representación de
jaros tienen alas y los canarios son un reglas es mucho más general. En este
subconjunto de los pájaros, entonces se caso, es una representación típica so·
puede deducir que los canarios tienen bre todo en los sistemas expertos de
alas, y como Piolín es un canario enton- primera generación usando ternas obje-
ces Piolín tiene alas. to-atributo- valor. Empero, ahi podría·
mas utilizar la lógica del cálculo de pre-
Esa es, digamos, un poco la intención
dicados, por ejemplo.
del manejo de esas redes semánticas.
las redes semánticas tienen su impor- Tenemos un eiemplo de Mycin, el siste-
tancia y fueron de las técnicas más an- ma experto más antiguo que hay, siste-
18
ICESI
Figura 4
Representación basada en reglas
Ejemplo de Mycin
SI:
- La infección del paciente es bacteriemia primaria, y
- La toma del material cultivado es una toma estéril, y
- Se cree que la puerta de entrada del organismo al paciente es el tracto
gastrointestinal,
ENTONCES:
- Hay bastante evidencia (0.7) de que la identidad del organismo sea bacte-
roides.
19
/CES/
Figura 5
Ciclo de funcionamiento de un
motor de inferencias
FASE DE DEC1SlON
ETAPA DE
/¡~ ETAPA ETAPA DE RESOLUClm
RESTRICCION EQUIPARACION DE CONFLICTOS
FASE DE EJECUCION
t
DISPARO DE LA REGLA
que tengan que ver con eso. Es la etapa. Si es así, termina; si no, encadena con
de restricción. Luego que ha selecciona- otro ciclo. O sea estos ciclos se encade-
do esas reglas ejecuta la parte más im- nan con otros hasta que encuentra la
portante que es la equiparación. Hace meta, o si no la encuentra entonces ter-
una equiparación entre esos datos y los mina señalando el fracaso.
lados izquierdos de las reglas, depen-
diendo del modo de razonamiento. Veamos, por ejemplo, un caso sencillo.
Efectúa una cotejación entre los datos En la figura 6 tenemos una base de co-
y las reglas, para ver qué datos o que
nocimiento que consta de una base de
reglas se pueden ejecutar, y si son va- reglas donde tenemos esas nueve re-
rias se presenta lo que se denomina un gias.
conjunto conflicto. y el sistema tiene que Figura 6
resolverlo. Es decir, si él puede aplicar Base de conocimiento
varias reglas, con cuál de ellas se que-
da. Tiene que utilizar una estrategia de Rl : ~ B Y D Y E ENTONCES F
resolución de conflictos.
R2 : ~ D YG ENTONCES A
Una vez que ha resuelto el conflicto se- R3 : ~ C y F ENTQNCES A
lecciona solamente una regla y entra en
la fase de ejecución que es el disparo R4 : ~ S ENTONCES X
de la regla. El disparo de la regla consis- Rs : Si D ENTONCES E
te simplemente en la parte derecha de
la regla, es decir la conclusión o la ac- Rs : ~ A Y X ENTONCES H
ción la incorpora a la base de datos.
R7 : ~ C ENTONCES D
Recuerden que en la base de conoci-
mientos tenemos hechos y reglas. Al Ra: ~ X Y C ENTONCES A
aplicar una regla se puede generar un
nuevo hecho y este nuevo hecho se ac- Rs : SJ X Y B ENTONCES D
tualiza o se da de alta en la base de HECHOS: S,C
hechos y el sistema pregunta si ha lo- META:H
grado la meta.
20
ICESI
Supongamos que aparte de esas nueve gar a las condiciones iniciales de los
reglas tenemos los siguientes hechos estados terminales que son, digamos
(estos son aserciones, son hechos co- así, las condiciones mínimas que se de-
nocidos, están tomados como,verdade- ben cumplir, y la compara con su base
ros): sabemos que es verdad "B" y es de hechos y dice: esto que yo necesito
verdad "C", y queremos establecer la para establecer H lo tengo, entonces es
meta "H"; queremos saber si "H" es ver- verdad que he conseguido la meta.
dad o no.
Veámoslo en la figura 7. Vamos a mirar
un poco cómo razonaría hacia adelante.
El motor de inferencia ejecuta su ciclo. Por ejemplo observemos la parte de
Les hablaba que él tenía un subsistema arriba, la parte de los hechos conocidos.
de inferencia que tiene varios niveles. Aqu í está haciendo un razonamiento di-
Uno de los niveles es el modo de razo- rigido por los datos, un razonamiento
namiento, hacia adelante: parte de los hechos co-
nocidos que son B y C, luego mira qué
Existen dos modos básicos de razona- reglas puede aplicar, observa que si se
miento. Un modo hacia adelante, es de- conoce B y C las reglas que se pueden
cir, dirigido por los datos. El parte desde aplicar son las reglas 4 y 7. Observen
los datos y va efectuando un encadena- la regla 4: si B da X. Por ejemplo, la
miento de sus razonamientos hacia regla 1 no la puede activar, porque para
adelante hasta obtener la meta. Pero activarla necesita B, D Y E, en cambio
existe otro modo de razonamiento que para activar la regla 4 solamente nece-
es hacía atrás. El dice: bueno, para es- sita B. Para la regla 7 solamente nece-
tablecer la meta H ¿qué tengo que co- sita C. En ese caso ve que puede activar
nocer? Para obtener H necesito tal, para esas dos reglas, por lo tanto se presenta
obtener esta necesito tal otra, hasta \Ie- un conflicto.
Figura 7
(a)
(b)
21
ICE51
Partiendo de S y e dice: se pueden ac- mirar hasta encontrar la meta. En caso
tivar las reglas 4 y 7. Ahí tenemos un de haber disparado todas las reglas po-
árbol que nos está expresando esa si- sibles y no lograr la meta dice que no
tuación. En la resolucíón de conflictos se puede establecer, es decir, ésta es
elige una, la regla 4, luego al aplicarla falsa.
establece un nuevo hecho que es X,
con lo cual se amplía la base de datos, Observen ahora que en esa estrategia,
la base de hechos y luego vuelve y en- en la segunda, la S, hubiera alcanzado
cadena con otro ciclo. Ve ya, teniendo la meta más rápido aplicando primero
la X, qué reglas se pueden aplicar: la la regla 4, luego la regla 8. Ahí el sistema
regla 7, la regla 8 y la 9 y así continúa está razonando hacia adelante y está
el proceso. Si quieren mirémoslo aquí utilizando una estrategia en profundi-
de esta manera: ahi lo que estamos ha- dad, o sea esto lo podemos interpretar
ciendo es una estrategia en profundi- como un sistema de diagnóstico médi-
dad, se va generando un árbol de bús- co: yo doy los síntomas que tiene un
queda donde partiendo de S y e se ge· paciente, doy una sintomatología del
nera S, e, X y él siempre está siguiendo paciente y le pregunto al sistema si el
la rama de la derecha y haciendo una paciente tiene determinada enferme-
búsqueda en profundidad hasta alcan- dad, y el sistema razonando hacia ade-
zar la meta que es H. lante parte de esos sintomas y trata de
alcanzar esa meta, trata de ver si esa
Ahora bien, en esa estrategia nosotros enfermedad se establece con esos sín-
podemos fijar el nivel hasta el cual se tomas. Pero lo que vamos a hacer ahora
puede llegar. Si él no llega en un deter- es razonar al revés: se le pregunta si
minado nivel a la meta, puede efectuar tiene el paciente una determinada enfer-
lo que se denomina un backtracking o medad; para obtener esa conclusión ne-
sea un retroceso: como él dejó reglas cesitamos tener cierta información, y
que se hubieran podido disparar y no para establecerla qué otra necesitamos.
se hizo, esas reglas quedan como re- Ese sería un razonamiento hacia atrás
gias pendientes, y el sistema se puede o dirigido por la meta. En la figura 8
devolver por esa rama y comienza a vemos nuestra meta H. Por ejemplo es-
Figura 8
~ e verificado
O -c::-.0ll _
- __
---
R9
R2 y
G fracaso
A
\ ""'--..__ e verificado
F~' ':~~:,:::o
y
\ R8
\
H i
R5
E O verificado
R4
X ----------- 8 verificado
22
ICESI
tamos utilizando un árbol, y/o entonces tigación y desarrollo muy importante en
para establecer H yo necesito conocer ese campo.
a. A y a X, para establecer a X yo nece-
Sito conocer a B, la regla 4, pero B es De una parte tenemos que la lA puede
un hecho conocido que está en la base hacer aportes fundamentales a las ba-
de hechos, por lo tanto esa rama está ses de datos. Entre los aportes tenemos
.verificada. lo que haria falta es saber las interfases en lenguaje natural para
si se establece la condición A. Hace una consultas, la optimización semántica de
confrontación sobre el lado derecho y consultas, la representación semántica
.se realiza el proceso contrario. Enton- de restricciones de integridad y el dise-
ces ve que para obtener A se puede ño inteligente de bases de datos.
hacer mediante la aplicación de la regla El problema del lenguaje natural no está
2, o la regla 3 o la regla 8. Primero ex- resuelto, pero cuando nosotros tene-
piara la posibilidad de la regla 2. Para mos un universo del discurso cerrado
obtener A mediante la regla 2 necesita
~uy acotado, nosotros sabemos, po~
a O y a G, para obtener D por la regla
~lemplo, sobre una base de datos, qué
7 necesita a C, pero C es un hecho lipa de preguntas vamos a hácer. En
conocido, por lo tanto la condición de D ese caso podemos hacer preguntas en
es verificada. Haría falta conocer a G castellano, preguntas en lenguaje natu-
pero sin embargo, como está en la base: ral y esas preguntas pueden ser trans-
observen que G no hay manera de ob- formadas en expresiones del Sal, un
tenerlo y en vista de que no aparece G lenguaje típico de consulta de base de
e~ los lados derechos de la regla, el
datos.
sistema establece una condición de fra-
Caso, como fracasa por el lado de la G En este campo si ha habido éxito y se
y así fracasarí a por los lados de la regla ha utilizado bastante.
2 y va a la regla 3. Sin embargo toda la
Una cosa importante con las consultas
experiencia se va incorporando. En la
sobre todo en sistemas relacionales, e;
regla 3 ve que necesita la C y la F; la
que los tiempos de respuesta son críti-
e es un hecho que está en la base; para
cos, por lo que existen unas técnicas
establecer la F necesita mediante la re-
para optimizar. Cuando uno hace una
gia 1, a B, D Y E; B es ún hecho verifi-
consulta a un sistema de base de datos
cado: O también, ya lo había estableci-
relacional, en el fondo lo que está ejecu-
do mediante la regla 2, y finalmente lo
tando es una secuencia de operadores
que le queda establecer es la E, pero
rela~ionales. El problema es que la apli-
por la regla 5 necesita O que ya se ha
caclon de determinados operadores an-
verifícado, por lo tanto así establece que
tes que otros puede afectar, computa-
se puede alcanzar la meta H y respon-
cionalmente hablando, el resultado de
dería sí a la pregunta.
la consulta. Por cualquier forma se ob-
Bien. ~on esto doy una idea de lo que tiene la misma respuesta pero la una
son mas o menos los sistemas expertos. pu~de ser más eficiente que la otra y
Ahora vaya hablar de la integración en- eXIsten unas técnicas, unos mecanis-
tre los sistemas expertos y bases de mos de optimización de esas consultas·
datos, lo que se denomina bases de da- sin embargo esos algoritmos tienen su;
tos expertas. limítaciones. lo que se hace es utilizar
heuristica, técnicas de inteligencia arti-
5. fiCial para optimizar las consultas.
BASES DE DATOS EXPERTAS
También tenemos la representación se-
Las dos tecnologías, la lA y Bases de mántíca de restricciones de integridad.
Datos, son tecnologías que han crecido Las restricciones de integridad que nor-
p~ralelamente. Hasta hace algunos malmente uno maneja en bases de da-
anos no se habían comunicado y ahora tos relacionales, son las dependé"cias
se está haciendo un esfuerzo de inves- funcionales, pero existen muchas otras
23
ICESI
restricciones de integridad que se ex- tos, todo lo que es su parte de manipu-
presan como reglas, reglas como las lación de datos, descanse sobre un sis-
que les acabo de mencionar. El manejo tema de bases de datos; que podamos
de las restricciones de integridad se almacenar las reglas en memoria se-
hace como se haría el manejo en un cundaria, en disco y sobre todo el alma-
sistema inferencial basado en reglas. cenamiento de grandes cantidades de
Así también podemos construir siste- datos cuando se tienen ya bastantes he-
mas expertos de diseño inteligente de chos, y que el sistema pueda ir trayendo
bases de datos. Es decir, ya saben que y almacenando en memoria externa.
uno de los dominios de aplicación de
los sistemas expertos es el diseño, lue- Las bases de datos aportan mucho en
go se pueden usar heurísticas que nos lo que les es propio, en la recuperación
ayuden a diseñar bien las bases de da- eficiente, en el control y concurrencia.
tos. Estos elementos no los tienen los siste-
mas expertos de primera generación,
Ahora veamos en la figura 9 qué aporte no tienen control y concurrencia, tampo- .
hacen las bases de datos a la inteligen·· ca seguridad y protección. Pero hay un
cia artificial. aspecto también muy importante que es
el de los modelos semánticos de datos.
Figura 9 A raíz de las limitaciones semánticas
Aportes de las bases de datos que tienen los modelos clásicos de da-
a la inteligencia artificial tos (el relacional, el red y el jerárquico),
surgieron a mediados de los 70 una se-
• Almacenamiento de grandes volúme- rie de modelos que incorporaban más
nes de datos. semántica. El más famoso de esos es
el modelo entidad-relación de Chen.
• Recuperación eficiente.
Pero no solamente es el modelo de
• Control y concurrencia. Chen; surgen una serie de modelos fun-
cionales y otras series de modelos de
• Seguridad y Protección.
datos. Modelos que incorporan semán-
• Modelos semánticos de datos y repre- tica. Las técnicas de representación del
sentación del conocimiento. conocimiento tradicionales se han visto
afectadas positivamente por esos mo-
delos. Todo lo que es el modelo de datos
Fundamentalmente el primero es el más y el modelo de reglas, es decir el modelo
interesante. ¿Por qué? Porque los siste- del conocimiento asercional y procedu-
mas expertos de primera generación ral, se está trabajando de forma unifor-
tipo Mycin lo que hacían era lo siguiente: me, bajo un solo modelo de representa-
cuando el sistema iba a entrar en funcio- ción, que incorpora muchas cosas de
namiento a nivel de sesión cargaba en los modelos semánticos de datos. como
memoria principal toda la base de reglaS. las restricciones de integridad.
y la base de datos, y todos los procesos
se ejecutaban en memoria principal; en- Fruto de la interacción entre sistemas
tonces el sistema se convierte en cierta expertos y bases de datos ha aparecido
forma en un manejador de datos. Pero lo que se denomina bases de datos in-
un manejador de datos muy elemental; teligentes, que pueden surgir de diferen-
allí existe una memoria de trabajo en la tes formas y diferentes vías. Una es
cual el sistema va agregando y quitan- como una extensión de los sistemas ex-
do... Por tanto hace un manejo de datos pertos, o como una extensión de los sis-
muy trivial y todo el proceso lo realiza temas de bases de datos. y la otra vía
en memoria principal; no puede estar es como una integracíón de ambos. Uno
almacenando en memoria secundaria e tiene un sistema experto concreto y lo
ir trayendo. Aquí es donde intervienen que hace es extenderlo, o un sistema
fundamentalmente las bases de datos: de base de datos y lo que hace es exten-
el poder hacer que los sistemas exper- derlo, es decir, trata de manejar conjun-
24
ICESI
tamente las funciones de manipulación En la aproximación homogénea tene-
de datos y las funciones deductivas, mos la situación tipica de los sistemas
agregándole al sistema del que uno par- expertos de primera generación y el
ta aquello que le haga falta, o alternati- caso también de Prolog, donde el siste-
vamente tomando dos sistemas diferen- ma hace un manejo de datos, pero muy
tes y acoplandolos, comunicándolos, in- elemental. En la aproximación homogé-
tegrándolos. nea lo que hallamos es que dentro de
un mismo sistema tenemos incorpora-
Sin embargo eXiste otra via que es dise- das las funciones de manipulación de
ñar bases de datos inteligentes, inde- datos y las funciones deductivas. Pero,
pendientemente de un sistema experto por ejemplo, en el caso de Prolog mane-
o un sistema de base de datos, que in- ja reglas y hechos; lo que pasa es que
corpore los elementos fundamentales no hace distinción entre ambos, hace
de ambos, las características óptimas un manejo uniforme para el todo. Son
de cada uno de ellos: de las bases de cláusulas tanto el conocimiento asercio-
datos todo lo que va a ser la manipula- nal como el procedural. Pero ¿qué suce-
ción de la base de hechos, y de los sis- de? Que el manejo de los datos es muy
temas expertos todo lo que son las fun- elemental, y no solamente en Prolog
ciones deductivas. Y haciendo una abs- sino en los sistemas expertos tradicio-
tracción de las bases de datos y de los nales.
sistemas expertos también se pueden
configurar bases de datos inteligentes. En la aproximación homogénea vamos
a distinguir entre la elemental y la avan-
Vaya mirar rápidamente algunas de es- zada. La elemental es la que les acabo
tas estrategias. Observemos la figura de mencionar
10:
Existe una aproximación homogénea
Aqui tenemos unas estrategias de inte- avanzada que consiste en tomar un sis-
gración. 8asicamente lo que se denomi- tema experto y hacer que se convierta
na una aproximación homogénea y una en un eficiente manejador de datos. En
aproximación heterogénea. otras palabras, hacer que él sea casi lo
Figura 10
Estrategias de integración
ORIENTADAS A LOS SISTEMAS EXPERTOS
I
~
APROXIMACION APROXIMACION
HOMOGENEA HETEROGENEA
25
ICESI
mismo que un sistema gestión de bases sitando cosas las va solicitando a la
de datos, o sea incorporar las mismas base de datos y también si está metido
funciones y la misma eficiencia. Esto es en un ciclo de razonamiento puede inte-
típico con Prolog; se le han incorporado rrumpirlo y hacer solicitud de nueva in·
funciones de manipulación de datos. Sin formación, o sea el manejo es mucho
embargo, esto tiene una dificultad y es más dinámico y eficiente.
que hay que efectuar un gran esfuerzo
Ahora veamos un poco la idea de las
de implantación, hay que generar mu-
cho código para hacer que un sistema bases de datos expertas en la figura 11.
Básicamente lo que se hace es crear
como Prolog sea un buen manejador de
una base de conocimiento donde tene-
datos.
mos dos niveles: un nivel orientado a
Existe también otra estrategia, que no los datos, a los hechos y otro a las re·
es tomar un sistema experto y extender- glas. Lo que se hace es establecer unos
lo de alguna manera, sino decir: bueno, niveles de abstracción, de organización
¿por qué no cogemos dos sistemas dis- de la información. En el caso de las ba-
tintos y los comunicamos? No tenemos ses de datos relacionales la unidad mí·
que ponernos a construir todas esas nima es el hecho, el dato y la agregación
propiedades. Entonces esa es la aproxi- de esos datos nos forma un registro que
mación heterogénea. ¿Porqué? Porque en el modelo relacional recibe el nombre
allí tenemos perfectamente diferencia- de tupla: la organización de esas tuplas
dos un sistema experto y un sistema de nos conforma una tabla, y un conjunto
base de datos y cada uno cumple una de tablas es la base de datos.
función. El sistema experto se va a de-
dicar a la parte deductiva y el sistema Figura 11
de bases de datos al manejo de datos.
Bases de datos expertas
Lo que vamos a hacer es un acopIa-
miento entre los dos, una interfase entre
los dos. Pero existen dos estrategias: BASE DE CONOCIMIENTO
una interfase débil y una interfase fuer-
te. En la interfase débil, fundamental-
mente lo que se hace es distinguir dos
I I
fases diferenciadas: una, el sistema ex-
perto, le hace unos requerimientos,
unas consultas al sistema de base de
t
RELACION
t
CLUSTER
datos, carga esa información en su me-
moria (hay una memoria auxiliar), efec-
túa los procesos de razonamiento y una
vez ha concluido vuelve y la envía al
t
TUPLA
t
REGLA
sistema de base de datos para que la
almacene.
26
ICESI
a la base de reglas. La base de reglas mente a como había resuelto otro pro-
era un conjunto de reglas. Sin embargo blema. Esta rama ha sido trabajada mu-
aparece la noción del "cluster". El "clus- cho por Jaime Carbonell de la Universi-
ter" trata de hacer una agregación del dad Carnegie Mellan, y es muy impor-
mismo nivel de la relación; ello es impor- tante. Existen otras ramas dentro del
tante porque este es uno de los proble- aprendizaje automático pero una de las
mas en el manejo de la base de reglas: más utilizadas es la de inducción.
que de pronto, con la información que
tenemos y necesitamos hacer un razo- Se han trabajado sistemas que inducen
namiento no es necesario cargar toda las reglas. Partimos de situaciones par-
la base de reglas, sino solamente aque- ticulares, inducimos, vamos de lo parti-
llas reglas que tengan que ver con nues- cular a lo general, es decir a partir de
tra información. Es decir, se pueden dis- una serie de datos o de hechos tratamos
tinguir desde el punto de vista estructu- de generar unos patrones, una informa-
ralo funcional. Se puede establecer una ción de más alto nivel, conceptualmente
especie de dominios o contextos; por más rica. Lo que se hace es que, por
ejemplo, si nosotros vamos a tratar so- ejemplo, en medicina necesitamos esta-
bre enfermedades de determinado tipo blecer cómo un médico determina qué
no es necesario traernos toda la base reglas usa para ciertas enfermedades.
de reglas, sino aquellas que tengan que Eso es muy difícil. Pero a lo mejor debe-
ver con esa información. O también es- mos coger un historial clínico, una base
tructuralmente; eso lo han hecho mate- de datos, un archivo donde se tenga
máticamente manejando una noción información de cómo ese médico .frente
matemática muy importante y elemen- a determinados casos en particular
tal, la de la conectividad. Tratar de esta- efectuó el diagnóstico, y partiendo de
blecer unos árboles o grupos de reglas esos casos particulares se puede hacer
que estén conectadas entre ellas; en- una inducción y nosotros generar las
tonces no es necesario traer aquellas reglas.
reglas que estén desconectadas. Esa
es una parte importante: tratar de definir
Eso se puede hacer partiendo de unos
estos contextos. Eso ayuda mucho en
archivos, o también en nuestro proceso
el proceso de razonamiento. Con esto
de interacción con el experto podemos
quedaría terminada la parte de las ba-
plantearle de una manera más general
ses expertas. Vaya hacer una mención
cuáles son los parámetros fundamenta-
de la parte más critica que hay en siste-
les a tener en cuenta y partiendo de
mas expertos.
unos ejemplos generar las reglas. Una
técnica es la de la rejilla. En estas téc-
7. nicas se establecen primero unos pará-
APRENDIZAJE AUTOMATICO metros; por ejemplo, el de la Figura 12
es un sistema para selección de perso-
Hay una rama que es la del aprendizaje nal. Qué seria lo importante a tener en
automático, el "machine learning". Den- cuenta de la persona que se va a selec-
tro de él existen varios paradigmas; uno cionar: sería su inteligencia, sus ideas;
es, por ejemplo, el razonamiento por en fin, se establecen unas característi-
analogía. Puedo definir formalmente un cas y sus opuestas, por ejemplo: para
problema como una cuaterna que tiene inteligente sería tonto o algo así, y se
un estado inicial, un conjunto de opera- hace un trabajo bipolar, es decir se le
dores, un conjunto de estados y un es- dice al experto que maneje un rango de
tado meta, y puedo trabajar matemáti- 1 a 5, donde el 1 estaría más próximo
camente y definir cuándo dos proble- a esta característica, el1 sería inteligen-
mas son isomorfos. Lo interesante en te y el 5 todo lo contrario, un 3 sería
el razonamiento por analogía es que más o menos en la mitad. En la figura
muchas veces el sistema puede resol- tenemos 10 candidatos, y la evaluación
ver el problema razonando análoga- dada por el experto: candidato 1 inteli-
27
ICESI
Figura 12
B.R. Gaines, M.L.G. Shaw
inteiligent 1 1 1 4 5 3 3 5 2 3 5 1 diez
willing 2 1 2 4 5 1 1 4 3 1 2 2unwilling
newboy 3 1 2 3 5 4 4 4 1 4 3 30ldsweats
little supervision reqd 4 3 1 4 5 2 1 5 2 2 3 4 neeed supervisión
motivated 5 1 1 4 5 2 2 5 3 3 2 51ess motivated
reliable 6 3 2 2 5 1 1 5 1 2 3 6 not so reliable
mild 7 3 4 5 2 2 3 1 5 4 5 7abrasive
ideasmen 8 1 1 5 4 2 3 1 3 4 4 8staid
self starters 9 2 1 5 5 1 3 5 3 4 5 9needapush
creative 10 1 1 5 5 2 3 4 3 4 5 10 non-creative
helpful: 11 4 3 4 2 3 5 1 4 5 5 11 unhelpfull
professional12 1 2 3 3 2 1 5 2 4 4 12 les professional
overall rating high 13 2 1 3 4 1 2 5 2 3 4 13 overall rating low
messers 14 2 2 5 4 3 5 1 5 3 1 14tidy
81 82 83 84 85 86 87 88 89 810
28
ICESI