Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Alumnos:
- Harold André Obregón Zavaleta
- Alejandro Daniel Solís Carbajal
Un sistema experto es un sistema informático que simula la toma de decisiones que
realizaría un experto en cierta área. Un sistema experto debería ser capaz de procesar y
memorizar información, aprender y razonar en situaciones deterministas e inciertas,
comunicar con los hombres y/u otros sistemas expertos, tomar decisiones apropiadas, y
explicar por qué se han tomado tales decisiones. Se puede pensar también en un sistema
experto como un consultor que puede suministrar ayuda a (o en algunos casos sustituir
completamente) los expertos humanos con un grado razonable de fiabilidad.
Principales características:
· Toma de decisiones con el mismo nivel que lo haría de un experto
· Representa el conocimiento y realiza inferencias.
· Está basado en un gran volumen de conocimiento teórico.
· Razona sobre las operaciones que realiza
· Constituye un modelo no algorítmico
· Admite una fácil modificación del conocimiento sin reprogramar el sistema.
· El usuario interactúa con el sistema empleando un lenguaje natural, a través de la
interfaz
9. El subsistema de explicación: explica las razones por las que se tomaron las
acciones o las conclusiones sacadas por el sistema experto.
1. La base de conocimiento
En estos sistemas intervienen dos elementos: la base de conocimiento y los datos.
Dato:
- No es permanente
- Formado por evidencias o hechos conocidos en una situación particular (por
ejemplo: el paciente tiene el síntoma de la fiebre y náuseas)
- Se almacena en la memoria de trabajo.
- Es dinámico, porque puede cambiar de una aplicación a otra.
El conocimiento:
- Permanente
- Conjunto de objetos y conjunto de reglas que relacionan dicho conjunto (2 o más
objetos)
- Se almacena en la base del conocimiento
- Estática, porque no cambia de una aplicación a otra.
Una regla está formada por premisas (son el conjunto de afirmaciones objeto-valor que
puede estar entre las palabras clave si y entonces, estas afirmaciones están conectadas
con operadores lógicos ‘y’, ‘o’ o ‘no’) y la conclusión (es lo que viene despues del entonces
y que también contienen objetos-valores con conectores logicos).
Ejemplo:
Objeto: puesto, nota.
Valores Posibles: para puesto {0,1, …,100} y para nota {0,1, …,10}
Regla: Si puesto < 20 o nota > 7, entonces Admitir= Sí y Notificar = Sí.
Reglas simples: aquellas que solo tienen expresiones lógicas simples (que solo contiene
una afirmación objeto-valor) tanto para la premisa como para la conclusión.
Reglas compuestas: aquellas que solo tienen expresiones lógicas compuestas (contraria de
las simples).
Cabe considerar que también es posible imponer restricciones a las reglas; por dos
razones, la primera es que es fácil de tratar a la hora de escribir un programa de ordenador
y la segunda, que es la más importante, es que no pierde generalidad de una regla, ya que
esta regla con restricciones puede ser escrito como una regla general también, por ejemplo
la siguiente tabla presenta equivalencias donde la primera columna presenta reglas con
restricciones, y la segunda son reglas sin restricciones, y se cumple que ambas son
equivalentes:
2. El motor de inferencia
El motor de inferencia utiliza ambos elementos mencionados anteriormente: los datos y el
conocimiento, con la finalidad de obtener conclusiones.
Una conclusión se puede decir que es producto de los datos iniciales, pero incrementados ;
es así que tanto los hechos o datos iniciales y las conclusiones derivadas de ellos, están
incluidos en hechos o datos que se dan en un instante dado.
Para la obtención de estas conclusiones, los expertos utilizan ciertas reglas y estrategias de
inferencia y control.
Reglas de inferencia:
- Modus Ponens.
- Modus Tollens.
- Resolución.
Estrategias de inferencia:
- Encadenamiento de reglas.
- Encadenamiento de reglas orientado a un objetivo.
- Compilación de reglas.
3. Control de la coherencia
En situaciones complejas, incluso verdaderos expertos pueden dar información
inconsistente (por ejemplo, reglas inconsistentes y/o combinaciones de hechos no factibles).
Por ello, es muy importante controlar la coherencia del conocimiento tanto durante la
construcción de la base de conocimiento como durante los procesos de adquisición de
datos y razonamiento. Si la base de conocimiento contiene información inconsistente (por
ejemplo, reglas y/o hechos), es muy probable que el sistema experto se comporte de forma
poco satisfactoria y obtenga conclusiones absurdas. El objetivo del control de la coherencia
consiste en:
4. Explicando conclusiones
En los sistemas expertos basados en reglas, es fácil dar explicaciones de las conclusiones
obtenidas. El motor de inferencia obtiene conclusiones basándose en un conjunto de reglas
y, por tanto, conoce de qué regla procede cada conclusión. Por ello, el sistema puede dar al
usuario la lista de hechos concluidos junto con las reglas que se han utilizado para
obtenerlos.
1. La base de conocimiento
Consiste de un conjunto de variables {X1,X2,...,Xn}, y una función de probabilidad conjunta
definida sobre ellas p(x1,...,xn).
Entonces para poder construir la base de conocimiento de un sistema experto probabilístico,
se necesita definir la función de probabilidad conjunta de las variables. El modelo más
general posible se basa en especificar directamente la función de probabilidad conjunta; es
decir, asignar un valor numérico (parámetro) a cada una de las posibles combinaciones de
valores de las variables. Desgraciadamente, la especificación directa de la función de
probabilidad conjunta implica un gran número de parámetros. Por ejemplo, con n variables
binarias, la función de probabilidad conjunta más general tiene 2n parámetros (las
probabilidades p(x1,...,xn) para toda posible realización {x1,...,xn} de las variables), un
número tan grande que no hay ordenador en el mundo capaz de almacenarlo incluso para
un valor de n tan pequeño como 50. Esta fue una de las primeras críticas al uso de la
probabilidad en los sistemas expertos. Sin embargo, en la mayor parte de las situaciones
prácticas, muchos subconjuntos de variables pueden ser independientes o
condicionalmente independientes. En tales casos, se pueden obtener simplificaciones del
modelo más general teniendo en cuenta la estructura de independencia de las variables.
Esto suele dar lugar a una reducción importante del número de parámetros. Los modelos
para tales simplificaciones son los siguientes:
1. El Modelo de Síntomas Dependientes (MSD).
2. El Modelo de Síntomas Independientes (MSI).
3. El Modelo de Síntomas Relevantes Independientes (MSRI).
4. El Modelo de Síntomas Relevantes Dependientes (MSRD).
2. El motor de inferencia
Hay dos tipos de conocimiento en los sistemas expertos probabilísticos:
1. El conocimiento, que está formado por el conjunto de variables y el conjunto de
probabilidades asociadas necesarias para construir su función de probabilidad
conjunta. Este tipo de conocimiento se almacena en la base de conocimiento.
El motor de inferencia utiliza ambos, el conocimiento y los datos para responder a ciertas
cuestiones hechas por el usuario.
3. Control de la coherencia
Uno de los problemas más serios de los sistemas expertos es la presencia de incoherencias
en su base de conocimiento y/o en su memoria de trabajo. Hay varias razones para ello. Por
ejemplo,
1. Los expertos humanos pueden suministrar conocimiento incoherente.
2. El usuario puede suministrar datos incoherentes.
3. El motor de inferencia no actualiza los hechos.
4. No hay un subsistema para controlar la coherencia que evite que llegue
conocimiento inconsistente a la base de conocimiento y/o la memoria de trabajo.