Sistemas Expertos

Es una rama de la Inteligencia artificial; son sistemas informáticos que simulan

el proceso de aprendizaje, de memorización, de razonamiento, de comunicación
y de acción en consecuencia de un experto humano en cualquier rama de la
ciencia.
Características
Para que un sistema actúe como un verdadero experto, es deseable que reúna,
en lo posible, lo más importante de las características de un experto humano,
esto es:
 Habilidad para adquirir conocimiento.
 Fiabilidad, para poder confiar en sus resultados o apreciaciones.
 Solidez en el dominio de su conocimiento.
 Capacidad para resolver problemas.
Componentes de un sistema experto

 Separan conocimientos (reglas y hechos) y el procesamiento; se le añade

un interfase de usuario y un componente explicativo; los siguiente
componentes pueden estar estructurados de formas muy variadas.
 Base de conocimientos: Contiene el conocimiento de los hechos y las
experiencias de los expertos en un dominio determinado
 Mecanismo de inferencia: Puede simular la estrategia de solución de un
experto
 Componente explicativo: Explica al usuario la estrategia de solucion
encontrada y el por qué de las desiciones tomadasInterfase de usuario:
Sirve para que este pueda realizar una consulta en un lenguaje lo más
natural posible Componente de adquisición: Ofrece ayuda a la
estructuración e implementación del conocimiento en la base de
comocimientos
Tipos de sistemas expertos
Existen tres tipos de sistemas expertos:

 Basados en reglas: Aplicando reglas heurísticas apoyadas generalmente en

lógica difusa para su evaluación y aplicación.
 Basados en casos CBR (Case Based Reasoning): Aplicando el razonamiento
basado en casos, donde la solución a un problema similar planteado con
anterioridad se adapta al nuevo problema.
 Basados en redes: Aplicando redes bayesianas, basadas en estadística y el
teorema de Bayes.

Ejemplos de Sistemas Expertos.

MYCIN
Mycin fue uno de los primeros sistemas expertos que se usaron para
diagnosticar enfermedades en medicina. El sistema podía identificar bacterias
que causaban severas infecciones, tales como la bacteremia y la meningitis.
Igualmente, podía recomendar antibióticos dosificados, basándose en el peso
del paciente. El nombre del programa derivó de los antibióticos que tienen
muchas veces el sufijo “mycin”. El sistema también se usó para diagnosticar
enfermedades infecciosas de la sangre.

SISTEMAS BASADO EN REGLAS

Los sistemas basados en reglas trabajan mediante la aplicación de reglas, comparación
de resultados y aplicación de las nuevas reglas basadas en situación modificada.
También pueden trabajar por inferencia lógica dirigida, bien empezando con una
evidencia inicial en una determinada situación y dirigiéndose hacia la obtención de una
solución, o bien con hipótesis sobre las posibles soluciones y volviendo hacia atrás para
encontrar una evidencia existente (o una deducción de una evidencia existente) que
apoye una hipótesis en particular.

Dendral

Dendral (Interpreta la estructura molecular)es el nombre de un sistema

experto desarrollado por Edward Feigenbaum y otros programadores en la Universidad
de Stanford, a mediados de los años 60, y su desarrollo duró diez años, (1965 a 1975).
Fue el primer sistema experto en ser utilizado para propósitos reales, al margen de la
investigación computacional, y durante aproximadamente 10 años, el sistema tuvo cierto
éxito entre químicos y biólogos, ya que facilitaba enormemente la inferencia de
estructuras moleculares, dominio en el que Dendral estaba especializado.

DATA MINING
El Data Mining es un conjunto de técnicas y tecnologías que permiten explorar
grandes bases de datos, de manera automática o semiautomática, con el objetivo de
encontrar patrones repetitivos que expliquen el comportamiento de estos datos.
La minería de datos surgió con la intención o el objetivo de ayudar a comprender
una enorme cantidad de datos, y que estos, pudieran ser utilizados para extraer
conclusiones para contribuir en la mejora y crecimiento de las empresas, sobre todo,
por lo que hace a las ventas o fidelización de clientes.
Su principal finalidad es explorar, mediante la utilización de distintas técnicas y
tecnologías, bases de datos enormes de manera automática con el objetivo de encontrar
patrones repetitivos, tendencias o reglas que expliquen el comportamiento de los datos
que se han ido recopilando con el tiempo. Estos patrones pueden encontrarse utilizando
estadísticas o algoritmos de búsqueda próximos a la Inteligencia Artificial y a las redes
neuronales.
Por tanto, los datos son el medio o la base para llegar a conclusiones y transformar
estos datos en información relevante, para que las empresas puedan abarcar mejoras
y soluciones que les ayuden a conseguir sus objetivos.
VENTAJAS
 Permite descubrir información que no esperábamos obtener. Esto se debe a su
funcionamiento con algoritmos, ya que permite hacer muchas combinaciones
distintas.
 Es capaz de analizar bases de datos con una enorme cantidad de datos.
 Permite encontrar, atraer y retener clientes.
 La empresa puede mejorar la atención al cliente a partir de la información
obtenida.
 Ahorra costes a la empresa y abre nuevas oportunidades de negocio.
DESVENTAJAS
 Puede ser muy trabajoso
 La recopilación de datos puede tener un coste elevado.

VIDA ARTIFICIAL
El estudio científico de la vida artificial nos ha permitido comprender mejor propiedades
y contrastar teorías sobre el origen de la vida y su evolución, la autonomía, la auto-
organización, la adaptación, la ecología, las sociedades, el comportamiento, la
información y las bases químicas de la vida.
La vida artificial también se empieza a aplicar a la tecnología, ya que nos permite no
sólo comprender mejor a los sistemas vivos, sino construir sistemas artificiales con
propiedades de sistemas vivos. Por ejemplo, es conveniente construir ciudades más
como sistemas vivos que como máquinas, ya que necesitan adaptarse constantemente
a su entorno dinámico.
La vida artificial también ha contribuido a la filosofía. Nos podemos preguntar: si un ser
vivo necesita conocimiento para sobrevivir en su entorno, ¿cómo se desenvuelve el
conocimiento de las criaturas artificiales? Las respuestas nos pueden dar indicios sobre
el conocimiento en los seres biológicos, además de que es más fácil intervenir a las
criaturas artificiales para contrastar distintas teorías.
APLICACIONES
Las aplicaciones de la vida artificial se pueden encontrar en:
 Los sistemas complejos adaptativos, que han dado pasó a una nueva generación
de sistemas expertos, que son capaces de aprender y evolucionar.

 Los autómatas celulares, que imitan funciones de los organismos celulares en

programas complejos, aplicando el conocimiento biológico de los mismos a
principios prácticos de organización en sistemas de cómputo.

 Los agentes autónomos, que son cada día más usados en aplicaciones de
búsqueda.

 En el conocimiento de comportamientos adaptativos, para el desarrollo de robots

adaptativos.
 Redes Neuronales Artificiales
Las redes neuronales artificiales (RNA) son modelos matemáticos que intentan
reproducir el funcionamiento del sistema nervioso.

LA RED NEURONAL ARTIFICIAL PERCEPTRON

La operación de un perceptrón con n neuronas de entrada y m neuronas de salidas

puede ser resumida de la siguiente manera:

La arquitectura del Perceptron, llamada mapeo de patrones (pattern-mapping),

aprende a clasificar modelos mediante un aprendizaje supervisado.
APLICACIONES
El perceptrón multicapa se utiliza para resolver problemas de asociación de
patrones, segmentación de imágenes, comprensión de datos, etc.

LA RED NEURONAL ARTIFICIAL ADALINE

La red ADALINE es muy similar al Perceptrón, excepto que su función de
transferencia es lineal o sigmoidal, en vez de escalón, la cual puede procesar
información analógica, tanto de entrada como de salida.
APLICACIONES

Esta red ha sido extensamente utilizada en estadística (Análisis de Regresión Lineal),

ingeniería (El Procesamiento Adaptativo de Señales, Control de Sistemas,
reconocimiento de voz) y gracias a sus
características lo hace bien práctico en las
aplicaciones de procesamiento de señales
digitales, por ejemplo, las líneas telefónicas de
gran distancia utilizan la red Adeline para
cancelar el ruido inherente a su recorrido.
LA RED NEURONAL ARTIFICIAL
MADALINE
El sistema Madaline tiene una capa de
unidades Adaline que están conectadas a una simple unidad Madaline. La Figura
 muestra cuatro unidades en la capa de entrada, tres unidades Adaline en la segunda
capa y una unidad Madaline en la tercera capa.

Desventaja
El inconveniente de la MADALINE es que el proceso de entrenamiento es muy lento
pues se modifican una sola ADALINE en cada
iteración.

Ejemplo son el uso de métodos de

clasificación o predicción en estudios
econométricos o estadísticos tales como:
Predicción de Quiebra o Solvencia de
determinadas entidades financieras o empresas,
Análisis de valores bursátiles, etc...

La lógica Difusa
La Lógica Borrosa tiene gran utilidad ya que ella nos permite tratar problemas
demasiado complejos, mal definidos o para los cuales no existen modelos
matemáticos precisos.
Gracias a este tipo de lógica se ha permitido modelizar y resolver situaciones
consideradas intratables desde el punto de vista de la Lógica Clásica.
A continuación se citan algunos ejemplos de su aplicación:
• Sistemas de control de acondicionadores de aire
• Sistemas de foco automático en cámaras fotográficas
• Electrodomésticos familiares (frigoríficos, lavadoras...)
• Optimización de sistemas de control industriales
• Sistemas de escritura
• Mejora en la eficiencia del uso de combustible en motores

Ingeniería del Conocimiento

La ingeniería de conocimiento es aquella disciplina moderna que forma parte de la
Inteligencia Artificial y cuyo fin es el de diseñar el desarrollo de Sistemas expertos.
Para esto, se apoya en metodologías instruccionales y en las ciencias de la
computación y de las tecnologías de la información, intentando representar el
conocimiento y razonamiento humanos en un determinado dominio, dentro de un
sistema artificial.
El trabajo de los ingenieros de conocimiento consiste en extraer el conocimiento de
los expertos humanos en un área determinada, y en codificar dicho conocimiento de
manera que pueda ser procesada por un sistema.
La habilidad de expresar el conocimiento y utilizarlo en un sistema experto es aún
más difícil, pues el lenguaje que utiliza un experto no es un lenguaje que la
computadora entienda. Por eso es necesario que el ingeniero de conocimiento
establezca una comprensión global del área, se forme un diccionario mental de los
términos esenciales y desarrolle una comprensión básica de los conceptos clave.

De manera general la ingeniería de conocimiento está constituida por tres

procesos:
1. Adquisición del conocimiento: fase que se da mediante expertos humanos
en el dominio de conocimiento y los ingenieros de conocimiento.
2. Representación del conocimiento: interviene de manera fundamental el
ingeniero de conocimiento encargado de codificar y hacer explicitas las
reglas u otros procedimientos.
3. Base de conocimiento: última fase y es en la cual la información entra tal
como llega, ya que el orden no influye en los resultados obtenidos. La
información puede ser representada mediante reglas de producción.

Procesamiento Basado en el lenguaje natural

El concepto de inteligencia artificial cada vez es más habitual, no solo en el
ámbito tecnológico, sino en la vida diaria. Básicamente se refiere a la habilidad
de simular procesos de la inteligencia humana desarrollada por software
informáticos, adquiriendo las capacidades de razonar, aprender y autocorregirse.
Según (Huerta, 2009, p.29) el lenguaje natural, también llamado lenguaje
ordinario, es el que utiliza una comunidad lingüística con el fin primario de la
comunicación, y se ha construido con reglas y convenciones lingüísticas y
sociales durante el periodo de constitución histórica de nuestra sociedad. Es
decir a través del lenguaje natural surge el fenómeno de la comunicación y por
ende es una forma de transmitir el conocimiento.
El procesamiento del lenguaje natural se centra en la manera que tiene una
inteligencia artificial para poder entender e imitar el lenguaje natural de los seres
humanos.
Conseguir esto ha sido todo un reto para quienes lo han llevado a cabo pero
finalmente han dado con varias maneras de desarrollar el PLN:
 Modelo Probabilístico: para llevar a cabo este modelo primero se
recogen datos y se calcula cual es la frecuencia en la que aparecen ciertas
unidades lingüísticas en un contexto, de tal manera que la siguiente vez
que se produzca ese contexto se podrá predecir que unidad seria la
adecuada.
 Modelo Lógico: a la inversa del modelo anterior, en este caso los que
definen los patrones previamente son los lingüistas, de tal manera que
combinándolos con la información de diccionarios almacenada, se
configuraran los patrones de respuesta.
Relación
La inteligencia artificial se basa en este procesamiento para poder dar
respuestas eficaces y mantener conversaciones acercándose cada vez más al
lenguaje humano.
Una de las caras más visibles de esta área son los chatbots, especialmente
podemos hablar de los asistentes personales como Siri, Cortana o Alexa.