ESTADISTICA ESPAÑOLA

Vol. 34, Núm. 131, 1992, págs. 407 a 430

Inteligencia artificial y estadística

por
R. ALONSO
ETSI Agrónornos, Madrid
Unidad de Estadística

M. TALBOT
SASS, University of Edinburgh

RESUMEN

Este trabajo revisa las potenciales aplicaciones de la Inteligencia

Artificial en Estadística y, recíprocamente, de la Estadística en Inte-
ligencia Artificial.

Palabras clave: Inteligencia Artificial, Estadística.

Clasificación AMS: 62A99, 68G99.

1. INTRODUCCION

EI análisis estadístico, en particular su componente de cálculo, se hizo

progresivamente más fácil y cómodo a medida que los programas informáticos
evolucionaban desde los elaborados en las primeras etapas, de objetivo especí-
fico, hasta los paquetes de programas de arnplio espectro, con posibilidades de
interacción con el usuario y crecientes capacidades gráficas. Con la Ilegada de
los microordenadores, el potencial inforrnático de cálculo estadístico ha dejado
de estar definitivamente limitado a una élite especializada y, muy por el contra-
rio, es de fácil acceso para un muy amplio grupo de usuarios. Incluso de
^(^K ^:sr^[)IST[(^A ^^tiPAti(al_A

aquellos que disponen de una limitada formación en Estadística. Pero los profe-
sionafes expertos en Estadística, que pueden ayudar a este tipo de usuarios, no
son muy numerosos, en particular en ciertas áreas de especialización. Por lo
tanto, ^por qué no incorparar el conocimiento de los expertos en Estadístíca a
los ordenadores, de forma que el usuario de los paquetes de análisis estadístico
pueda beneficiarse del conocimiento de tales expertos?

Este articulo tiene como objetivo priorítarío analizar la investigación desarro-

liada a fin de extraer, organízar e incarporar a los ordenadores electrónicos el
conocimiento de las profesionales expertos en Estadística, utilizando las técni-
cas de Inteligencia Artificial (IA).
^a segunda sección describe las características definitorias de la IA y su
relación con !os programas de análisis estadistico. En la tercera se analiza la
naturaieza específica del conocimiento exper#o en Estadística, y en la cuarta,
los sistemas expertos en Estadística (el área de la IA que ha conocido un mayor
desarrOllo y repercusión). En la sección quinta se plantea el futuro previsibie de
la IA en Estadística, y la sexta estudia ia incidencia de la Estadística en IA.

2. INTE^.iGENCiA ARTIFICIAL EN ESTAQISTICA: UNA VISION GENERAL

EI término Inteligencia Artificial aparece en su forma actual a mediados de

las años cincuenta. La Inteligencia Artificia! es una disciplina científica que
estudia la inteligencia humana utilizando el ordenador como principal herra-
mienta de trabajo. La IA na dispone de una definición expresa que delimite su
contenido, pero una de las más aceptadas es: IA es la ciencia que persigue
lograr que las máquinas hagan cosas que, si fueran hechas por 1os seres
humanos, diríarnos que requieren inteligencia. Como se advierte, es una defini-
ción un tant0 sutil.

EI arquetipo de sisterna en IA comprende, de manera muy general, dos

componentes fundamentafes y, consiguientemente, definitorios. Estos son: a) la
Base de C©nocimientas, análoga a la base de datos en la programación conven-
cional, y b) el Mator de lnferencia, equivalen#e a los programas de naturaleza
algoritmica. De esta forma, ias caracteristicas centrales de la IA pueden resumirse
en: i) la búsqueda de la representación explicita del conocimiento humano
mediante hechos, reglas y otras estructuras símbólícas, frente al tratamiento
convencional basado en su cuantificación numérica, y ii) la aplicación de siste-
mas de inferencia que perrnitan elaborar conclusiones a partir de un conoci-
miento inicial que no tiene por qué implicar de forma automática y directa las
conclusiones obtenidas.
 INT^E^-L1(^ENC^I,A :ZkT^1F[('IAl_^ Y E^^TA[)Iti^T'I(^A ^O^)

En términos generales, la situación puede resumirse afirmando que frente a

un paradigma anterior, condensado en la expresión: Programa=Datos+Algoritmo,
ha aparecido uno nuevo: Sistema=Conocimiento+lnferencia.

EI conocirniento incorporado a los sistemas informáticos construidos en IA,

así como la forma en la que se incorpora, son aspectos tan determinantes en la
elaboración de dichos sistemas que se suelen denorninar, genéricamente, Sis-
temas Basados en el Conocimiento (SBC). Parafraseando otra afirmación más
conocida: el conocimiento {no ya la información) es poder.

Por esta razón, las técnicas de adquisición y representación del conocimien-

to son brevemente revisadas en el apartado siguiente (2.1). Algunas caracterís-
ticas de las herramientas de programación en IA se describen en el aparta-
do 2.2.

2.1. Adquisición y representacián de! conocimiento

La adquisición de conocimiento, frecuentemente adjetivada como el cuello

de botella de la ingeniería del conocimiento, es uno de los principales proble-
mas en el desarrollo de todo SBC.

En la literatura especializada se encuentran algunos ejemplos (Gale, 1986c)

de SBC en el campo de la Estadística, construidos en colaboración con ingenie-
ros del conocimiento, profesionales formados en la obtención del conocimiento
de los expertos en la materia objeto de estudio. Sin embargo, los ingenieros del
conocirniento, una figura característica de la IA, no han jugado un papel relevan-
te en la construcción de SBC en Estadística. La tendencia general ha sido la de
prescindir de «intermediarios», como comentan Lubinsky y Pregibon (1988).
Thisted (1986) explica esta tendencia a la marginación de los ingenieros del
conocimiento en la construcción de SBC en Estadística, a partir de las caracte-
rísticas propias de los profesionales de la Estadística. Estos acostumbran a
analizar e incorporar el conocimiento de quienes les consultan para aplicar las
técnicas estadísticas en un muy amplio espectro de materias. Materias sobre
las que el profesional de la Estadística tiene con cierta frecuencia un conoci-
miento escaso, en ocasiones nulo. De esta farma, el profesional de la Estadísti-
ca sería un ingeniero del conocimiento avant /a /ettre, capacitada para analizar
su propio área de especialización sin ayuda suplementaria.

Así sucede con STUDENT (Gale, 1986b, 1987a), un ambicioso proyecto

diseñado como herramienta para la construcción de SBC en el campo del
análisis de datos, que no ha precisado de ingenieros del conocimiento en su
propio desarrollo, ni se presuponen en su uso. EI profesional de la Estadística
-^ I 1) k`_í :^l)Iti T Ic A E^P ^^^+^ ^ t .^

que utilice STUDENT no precisa tampoco conocer las técnicas desarrolladas en

IA para la construcción de SBC, sino el sistema estadístico en el que se apoya
(QPE, un sucesor de S), un conocimiento que presumiblemente un estadístico
poseeré más fácilmente. Es de destacar que STUDENT, un sisterna concebido
como auxiliar, no como un producto acabado, es el único SBC adaptativo
desarrollado en Estadística; a diferencia del resto, su base de conocimientos no
es fija, sino que se construye mediante la selección de elaborados ejemplos y la
respuesta a preguntas.

A los expertos, en ocasiones, les resulta difícil justificar razonadamente sus

propias conclusiones. Por esta causa, se han desarrollado programas de adqui-
sición automática de conocimiento (Gale, 1987c}. Algunos, apoyándose en
bases probabilísticas, infieren reglas desde datos (Ivanek y Stejskal, 1988;
Jirousek y Kriz, 1988} y otros desde series de ejemplos convenientemente
elaborados.

La calidad y utilidad de todo SBC depende en buena medida de su técnica

de representación del conocimiento. La tarea de representación del conocimien-
to en Estadística es, por su amplitud, particularmente ardua y sobre ella se ha
investigado poco. Para abordar los problemas planteados los SBC en Estad ísti-
ca se han utilizado las técnicas ya desarrolladas en otras áreas. De esta forma,
para la representación del conocimiento en Estadística se han utilizado los
sistemas de producción, marcos y árboles de decisión.

Un núrnero limitado de SBC en Estadística ha utilizado los sistemas de

producción para la representacián del conocimiento. Como ejemplo citaremos el
sistema descrito por Hietala (1988). EI programa REX (Gale, 1986c) hizo uso de
los sistemas de producción y de los marcos en la representación del conoci-
miento. Como resultado de la experiencia acumulada en el desarrollo de REX,
en su sistema sucesor, STUDENT, se utilizaron exclusivamente los marcos,
técnica que se ha impuesto en el contexto de los SBC desarrollados en Estadís-
tica. La técnica de representación del conocimiento basada en los árboles de
decisión ha sido, par el contrario, poco utilizada. Sus limitaciones e inconve-
nientes se describen en Hand (1985).

EI uso de técnicas de representación del conocimiento de tipo Hypertext

puede analizarse en los sistemas de potenciación del conocimiento: LMG (Hitchock
y Edwards, 1989), KENS (Hand, 1987) y en su sucesor, NOMPAREIL (Hand,
1990b). La metadología hypertext propone una representación más estructurada,
modelizada mediante grafos, que la convencional, en especial que la consegui-
da mediante sistemas de producción (Hand, 1990a).

Oldford (198$) analiza las particularidades de la representación del conocimiento

en el contexto de la metodología de programación orientada a objetos (OOP).
 ^ti^l^ ^c^1 Vc l^1 ^klltlt ^^l ti I ^^^^I^^^^^^ ^

Técnicas específicas de representación del conocimiento se utilizan en los

trabajos de Hakong y Hickman ( 1985) y Gale y Lubinsky ( 1986).

2.2. Herramientas informáticas en Inteligencia Artificial

Las herramientas de desarrollo en IA pueden clasificarse, según un nivel de

complejidad creciente, en: i) lenguajes de programación lógica (LPL), como
PROLOG; ii) entornos de programación del conocimiento (EPC), como KEE, y
iii) periferias (shells), SBC de los que se eliminó su base de conocimienta
específica, manteniendo únicamente su motor de inferencia y ciertos elernentos
complementarios. Westerhoff y Naeve (1988) estudian las periferias en el con-
texto estadístico.

Los LPL fueron originalmente diseñados para actuar en macroordenadores,

las periferias en microordenadores y los EPC en microordenadores o estacio-
nes de trabajo (analizadas éstas en el ámbito estadístico por Rasch y Sawitzki,
1990).

Algunas aplicaciones de la IA en Estadística han hecho uso de las herra-

mientas de programación de alto nivel, como las periferias. Ejemplos son: i) el
programa desarrollado por Havranek y Sovdsky (1988) {al objeto de diseñar un
sistema que aconseje al usuario del paquete BMDP en la construcción del
archivo de parámetros para la ejecución del programa de clasificación automá-
tica), utilizando la periferia EQUANT, de tipo MYCIN, y ii) el pragrama de ayuda
para la utilización de MLP (Berzuini, 1988) construido con la periferia EXPERT.
Oldford (1988) analiza las características, en su opinión muy positivas, del
paradigma OOP y de su lenguaje más elaborado: SMALLTALK.

Pero, en el estado de investigación actual, las herramientas de programa-

ción de bajo nivel, como LISP -utilizado para elaborar DINDE (Oldford y
Peters, 1988) o PROLOG utilizado en GLIMPSE (Nelder, 1987) , son de
utilización preferente.

3. EL CONOCIMIENTO DE LOS EXPERTOS EN ESTADISTICA

Las técnicas de IA se han utilizado en la investigación desarrollada para

incorporar el conocimiento de los expertos en Estadística {3.1) a los ordenado-
res. La clave de esta investigación se encuentra no ya en los aspectos de
cálculo, sino en la elaboración de la adecuada estrategia estadística (3.2).
 t ^r.^r^is-ric^;^ t^^r^,^ ^^c ^ i ,^

3.1. La naturaleza del conocimiento de los expertos en Estadistica

Aigunos autores, como Thisted {1986) o Bell y Watts (1988}, han estudiado
las características específicas del conocimiento experto en Estadística.

Se ha prestado muy particular atención a la comparación de dicho conoci-

miento con el análogo en medicina, debido a que un buen número de técnicas
de IA se han aplicado en el contexto médico (Spiegelhalter, 1987a, b), ya desde
los años setenta, De hecho, la primera investigación de la IA en el dominio de la
Estadistica estaba fuertemente influida por el modo de pensar en el análisis de
datos como en un problema de diagnóstico: se deberían enumerar las posibles
hipótesis del modelo (proceso análogo a la especificación de las posibles enfer-
medades), estudiar en el conjunto de datos la no verificacián de las hipótesis
(síntomas) que, caso de producirse, obliga a su transformación (tratamiento). EI
conocimiento experto en Estadistica mantiene analogías con el propio en medi-
cina {analogías esencialmente basadas en la naturaleza poco estructurada de
los problemas que plantean), pero también importantes diferencias, que Chambers
(1981 } y Hand (1986a) han analizado.

3.2. Estrategia en Estadística

La estrategia estadística ha sido definida como la descripción formalizada

de las elecciones, acciones y decisiones a adoptar en la utilización de los
métodos estadísticos en el curso de un estudio de cualquier naturaleza. Hand
(1986b) estructura la estrategia del análisis estadístico en cuatro etapas:
I. Formulación de los objetivos generales; II. Formalización en términos estadís-
ticos de los objetivos prefijados; III. Tratamiento nurnérico, y IV. Interpretación
de resultados.

La etapa I constituye la actividad propia de las sesiones de consulta, en las

que se precisan las cuestiones que el investigador quiere estudiar. Esta acción
depende en gran medida del dominio abjeto de estudio, por lo que resulta difícil
plantear la elaboración de un programa que abarque el conjunto de aspectos no
estadísticos que se presentan en las sesiones de consulta. Es por esta razón
que e! problema ha recibido poca atencián (Hand, 1984b), pero no cabe duda de
su importancia. Permitiría evitar el que se ha denominado «error de tercera
especie»: dar ia respuesta correcta al problema incorrecto (incorrectamente
planteado). Ante esta posibilidad sería preferible obtener una respuesta siquiera
aproximada, pero relativa al problema real.

EI programa RX (Blum, 1982) es, de entre los no muy numerosos sistemas

que han abordado la etapa II, el más significativo. RX acepta un problema
 ItiTt^l,lt^t^^l( 1^1 ^^^tt11t Ic l^^l ti' t^T ^^[^ItiTlt .>

expresado en términos médicos y elabara una descripción del estudio estadísti-

co a efectuar. Pero en RX el análisis estadístico considerado sólo se refiere a
las técnicas de regresión multivariante. Esta limitación a un único método
estadistico es una característica del trabajo desarrollado, hasta el momento
presente en la aplicación de las técnicas de IA en Estadística. Una correcta
concepción de la Estadística debería contemplar todas y cada una de las
técnicas que la componen. Pero no se ha efectuado ningún intento de elabora-
ción de un programa capaz de incorporar el conocimiento experto en Estadística
con carácter general. Sería, al menos por el momento, impracticable. Adernás,
en paralelo con la evolución general de la IA, superada una etapa inicial de
grandes expectativas, se abordan en la actualidad problemas específicos, de
complejidad limitada. Es aún relativamente reciente la falta de curnplimiento de
las expectativas generadas en el ámbito propio de ia lA, por programas como el
sistema GPS (General Problem Solver); nadie se aventura a construir, ni siquie-
ra a plantear la construcción de un SGPS (Statistics GPS).

Es por ello que la investigación se ha centrado en la etapa III, pero entendi-

da en sentido amplio, supliendo en alguna medida la falta de tratamiento de la
etapa II. En la etapa III se ha abordado el problema de la selección de la técnica
estadística pertinente, siempre en el marco de un subdominio de la Estadística.
Así, a modo de ejemplo, el análisis multivariante en MUSE (Dambroise, 1987) o
las series temporales en ESTES (Hietala, 1988).

La etapa III se ocupa también de la aplicación de las técnicas estadísticas

consideradas pertinentes. Aplicación que no sólo implica cálculo, sino que
requiere también el análisis de las particularidades que los datos puedan pre-
sentar y que no se correspondan con las hipótesis exigidas para el correcto uso
de la técnica seleccionada. Las microestrategias, modelos formalizados de un
pequeño número de decisiones estadísticas, tal y como fueron definidas por
Gale (1988), pueden contribuir a abordar los problemas a este nivel.

La interpretación (etapa IV) de los resultados del análisis estadístico es,

quizá, el objetivo de mayor alcance de entre los abordados hasta el momento.
También es uno de los más difíciles de resolver. En opinión de Gale (1986d), la
interpretación de resultados es una tarea que está exigiendo más esfuerzos de
investigación. Algunos trabajos en esta línea son los de Gyarfars y Klosgen
(1986) y Ho et al. (1986).

Como indica Hand (1986a), es importante señalar que la linealidad de la

secuencia de tareas 1-2-3-4 constituye una simplificación. En primer lugar, la
Estadística, en tanto que disciplina científica, está dotada de una estructura
propia, no es un conjunto de recetas. Además, la práctica del análisis estadísti-
co puede desarrollarse en forma cíclica: las cuestiones a estudiar son frecuen-
 f^ r^^ ai^, r i^ ^ t,i^-^ti^ ^ i :^

temente redefinidas a la luz de la técnica a adoptar; los primeros resultados

pueden aconsejar la consideración de métodos alternativos, y la presentación
de los resultados ante 1os investigadores no estadísticos puede hacer reconsiderar
al estadístico la idoneidad de la(s) técnica(s) adoptadas primariamente.

EI estudio de las estrategias estadísticas es importante en sí mismo y en

relación con su presencia en los programas informáticos que incorporan el
saber hacer del trabajo en Estadística.

4. SISTEMAS EXPERTOS EN ESTADISTICA {SEE)

Los Sistemas Expertos (SE) constituyen un importante tipo de sistemas

basados en el conocimiento. Feingenbaum los ha definido como: «programas
de ordenador inteligentes que utilizan conocimiento y métodos de inferencia
para resolver problemas, cuya complejidad es tal, que requerirían una aporta-
ción significativa de expertos para su resolucíón». En los SE se integran hechos
y heurística. Los hechos constituyen la parte de la información que es comparti-
da, disponible en publicaciones y en la que están de acuerdo la generalidad de
los especialistas en la materia. La componente heurística, por el contrario, tiene
un carácter más personalizado y ha sido menos discutida, la conforman el
conjunto de juicios que caracterizan el nivel de decisión de ios especialistas de
valía rnás reconocida, expertos en la materia.

Nelder (1977), en un artículo que es pionero en la reflexión acerca del papel

de la IA en Estadística, fue uno de los primeros autores en considerar la
posibilidad de elaborar programas de ordenador más inteligentes que ofrecer al
usuario de los paquetes informáticos. Hasta el artícufo de Chambers (1981 } y su
subsiguiente prototipo inicial, descrito en Chambers et al. (1981 }, no se inició la
discusión acerca de la operatividad de la incorporación de inteligencia a los
programas informáticos de aplicación en Estadística.

Hand {1984a, 1994a) estudió los atributos de los SE en Estadística (SEE),

resumidos en: i) los SEE han de ser de fácii modificación; ii} capaces de
explicar tanto su proceso de razonamiento como los términos técnicos; iii) un
SEE ha de tratar todas las cuestiones planteadas y, lo que es más importante y
difícil de automatizar, ha de ser capaz de determinar cuándo se han abordado
todos los aspectos del problema estudiado, y, por últirno, iv) debe permitir el
fácil retorno a etapas previas, previendo tanto la deficiente comprensión de los
términos técnicos por parte del usuario como las contradicciones en la informa-
ción proporcionada por éste.
 Iti1t l It^f tit I1 .^^kII} It I^^l ti I^t^11 ^ I^1It ^

L Quién usará el sistema ?

Los SEE pueden ser utilizados por usuarios no especialístas en Estadística

o, por el contrario, por profesionales de la Estadística, en cuyo caso el SE
puede aportar una «opinión» alternativa. En la práctica, la distinción entre estos
tipos de usuarios no se produce de una forma abrupta, se presentan formacio-
nes intermedias, por lo que los sistemas flexibles serán de utilidad.

La mayor parte del trabajo acerca de los SEE ha sido orientado hacia los
usuarios no especialistas en Estadística. De éstos, quízá el más conocido sea
REX (Gale, 1986c). REX, en palabras de sus diseñadores, «aconseja al usuario
en el análisis de regresión, conduce el estudio analizando e! cumplimiento de
fas hipótesis del modelo, sugiriendo transformaciones cuando dichas hipótesis
no se verifican y justificando sus sugerencias cuando se le requiere. Interpreta
los resultados intermedios y finales e instruye al usuario en los conceptos
estad í sticos» .

Como REX, la mayor parte de los SEE intentan emular a los expertos
humanos. La propuesta alternativa, también característica de la IA, podría ser la
de la «caja negra»: no importa cómo la máquina hace las cosas, sino qué es lo
que hace. Manteniendo el rnismo resultado final que el que produciría un analista
humano, los medios utilizados son diferentes. Más que emular a los expertos
humanos en su capacidad de síntesis global, la idea sería aprovechar aquellos
aspectos en los que los ordenadores son realmente más eficientes, en particular
en su capacidad de búsqueda basada en su potencia de cálculo (Lubinsky y
Pregibon, 1988). Las técnícas de búsqueda heurística, una de las metodologías
emblemáticas de la IA, han sido aplicadas en TESS (Lubinsky, 1987) y TETRAD
(Glymour et al., 1987). EI capítulo 9 del texto de Glyrnour et al. revisa la historia
de la búsqueda heurística en Estadística aplicada.

A diferencia de los programas dirigidos a no especialistas, otro tipo de

programas, de los que serían ejemplos KENS (Hand, 1987) y DINDE (Oldford y
Peters, 1988), se diseñaron para su uso por profesionales de la Estadística.
Estos sistemas aspiran a ayudar a los expertos humanos, no a reemplazarlos.
Entre estos tipos extremos se encuentra GLIMPSE (Nelder, 1987), un pro-
yecto a gran escala que se plantea la posibilidad de su utilización tanto por no
especialistas, que irían aprendiendo con su uso, como por estadístícos profesio-
naies. igualmente flexib/e es el programa de entrada desarrollado por Ross
(1988); en él, el usuario puede desconocer MLP o, por el contrario, ser un
usuario experimentado en MLP pero que desea optimizar su uso. EI usuario de
STATXPS (Prat et al., 1985) puede, análogamente, ser un experto, iniciado 0
principiante, tipos de usuarios a los que se les ofrece las posibilidades de
interacción mediante comandos, menús o ayudas más elaboradas.
-l I f^ E tiTAE)ItiTlt'•1 E tiE';^yt ^ l :1

Los SEE y e! cálculo

Un limitado de SEE no efectúa cáICUIOS. No se plantea esta actividad en

su concepción, sino que buscan orientar al usuario acerca de la correcta metodolo-
gía estadística a aplicar. Ejemplos de este tipo de sisternas son KENS y STATISTI-
CAL NAVIGATOR {Brent, 1988). Pero, en general, los SEE abordan también
la ejecución de los cálculos. Dentro de este tipo mayoritario, un grupo limita-
do de sistemas se han desarroilado sin hacer uso de programación previa
(como DINDE}. Sin embargo, la mayor parte de los SEE se construyen como
programas de enlace (interface) que actúan sobre un paquete de programas
preexistente, obviando así los problemas derivados del tratamiento numérico,
que el paquete efectúa. Los problemas de conexión entre las componen-
tes conversacional y numérica disminuyen utilizando UNIX (como ya REX de-
mostró).

Un primer tipo de programas de enlace son los pragramas de preprocesa-

do que, interrogando al usuario, se limiten a la construcción del archivo de
instrucciones exigido por el paquete estadístico {Havranek y Sovdsky, 1988).
Pero la mayor parte de los programas de enlace desarrollados mantienen una
relación más estrecha con el paquete para el que se diseñan; actúan como
un frente exterior (front-end) del paquete. Como ejemplo, GLII't/IPSE, basado
en GLIM.

La mayor parte de ios programas de eniace hacen uso de las técnicas

propias de IA. La aproxirnación seguida en TAXSY ( Darius, 1990) y en la
versión actual de STUDENT ( Gale, 1987a) es diferente, ya que el programa de
enlace se desarrolla en el mismo lenguaje del paquete estadístico sobre el que
actúa (SAS y QPE, respectivamente, en TAXSY y STUDENT).

^ Quién decide?

Los problemas relativos al diálogo hombre-máquina deben ser considerados

en la elaboración de SEE. En contra de lo que ocurre con los programas de
enlace convencionales, en los que domina el uso de órdenes (command), el
programa de enlace inteligente deberia permitir la interacción mediante conver-
sación. EI tratamiento del lenguaje natural resulta de evidente interés para
cumplir este objetivo. EI prototipo de programa descrito por Hakong y Hickman
(1985) presenta ciertas características próximas al lenguaje natural. Pero, sin
duda, las aplicaciones más importantes en el tema que estudiamos se han
orientado hacia la elaboración de programas de enlace que permitan la búsque-
 INIf f Ic^t Nc'IA,^Kf1!-I< I^^t ti t^Tnl>I^;llc -ti

da en bases de datos mediante lenguaje natural (Lella et al., 1986; Barcaroli y

Fortunato, 1989a) (1).

Pero aun en el supuesto de lograr la comunicación con el sistema en

lenguaje natural, la capacidad de decisión ha de recaer en el usuario y no en el
sistema informático. Los SE deben ser «libertarios», dice Nelder (1988): «deben
dar consejos, nunca órdenes». La razón es clara: el análisis estadistico está
fuertemente condicionado por la rnateria objeto de estudio, ésta puede requerir
información específica y/o complementaria (metadatos: datos acerca de los
datos), que el usuario posee y que el sistema informático ignora. Como contra-
partida, el peligro es que estos sístemas libertarios no pueden evitar su mal uso
por parte del usuario. Citando nuevamente a Nelder (1988), el acceso a GLM
mediante GLIMPSE, por ejemplo, no necesariamente supone que el usuario ha
hecho buen uso del conocimiento experto incorporado al programa de enlace,
«lo que los editores y revisores de revistas deben tener presente», precisa
Nelder.

No realizamos en este trabajo un análisis particularizado de todos los SEE

desarrollados hasta el momento presente. Pero interesa destacar que la utilidad
de las técnicas de IA en Estadística ha sido considerada no sólo en relación con
las tareas de modelización, análisis e interpretación, sino también con otras
tareas estadísticas, como son la obtención y preparación de datos (2). En esta
línea destaca, en particufar en relación con las técnicas de muestreo, el proyec-
to ESCA (1991), desarrollado en el Centro Común de Investigacián de la CE
(JRC, Ispra).

5. EL FUTURO DE LA INTELIGENCIA ARTIFICIAL EN ESTADISTrCA

La IA conoció un período de relanzamiento en los años ochenta. La investi-

gación en su aplicacián en Estadística en particular fue rnayor en la segunda
mitad de la década. Se generó entonces un gran entusiasmo inicial, pero los
resultados no se correspondieron, al menos en opinión de los observadores
más críticos, con las grandes expectativas iniciales. Por esta razón, se pasó de
unos planteamientos en cierta medida arrogantes, que Ilevados al extremo
planteaban la posibilidad de sustitución de los expertos humanos por los siste-
mas informáticos inteligentes, a plantear la construcción de sisternas que ofre-

(1) La bibliografía incorpora referencias de algunos artículos que estudian la interrelación

IA-Estadística-Bases de Datos: Elliman y Wittowski (1987); Haux y Jockel (1989); Lubinsky
(1990); Drewett (1989); Fessey (1989); Lawton (1989); Lubbe (1990); Neumann (1990).
(2) La recopilación DOSES (1989) presenta dos capítulos en esta línea; de ellos hemos
incluido en la bibliografía los trabajos de Appel y Scop; Barcaroli y Fortunato; Bethelem et a1.;
González y Hatabian; Greenberg; Lamb; Saris; Jeffers; y Talbot.
-;^ ñ F^,f ^1l)Itillt ,^ f tiP-1ti^a1 1

cieran ayuda, siernpre en áreas muy delimitadas, no que sustituyeran a los

especialistas humanos. Es por ello que 1a aplicación de las técnicas de IA en
Estadística, lejos de representar una amenaza de para la actividad de los
estadísticas profesionales, les ofrece la posibilidad de relevarlos de ciertas
componentes rutinarias de su trabajo, permitiéndoles centrarse en las más
creativas. En particular, el desarrolla y uso de SEE supondrá más (y mejor)
trabajo (Gale, 1987b), no menos, de forma más significativa para los estadísti-
cos relacionados con la investigación. Así lo demuestra el proyecto DOSES
(Development Of Statistical Expert Systems), elaborado por la Comunidad Eu-
rapea en 1987.

Pero resta por comprabar empiricamente que los nuevos sistemas propues-
tos resulten verdaderarnente efectivos. Se pueden encontrar en la literatura
especializada opiniones pesimistas (Jida y Lemaire, 1986} o escépticas (Molenaar,
1988) al respecto. La más agresiva es quizá la de Streitberg (1989), quien,
apoyándase en argumentos técnicos, concluye que ios SEE no existen y, más
aún, no existirán jamás. Streitberg propone en su artículo un test práctico para
determinar si un sistema infarmático puede ser calificado de SEE con propie-
dad. EI test descansa en tres pruebas: i) su compieta operatividad; ii) su
disponibilidad comercial, y iii) la superación de un test de Turing. En opinión de
Streitberg, ningún sistema, de entre los elaborados hasta el momento, cumpliría
estas condicíones.

Tanto el test como la idea genérica de Streitberg fueron refutados en la

discusión de su artículo (Chambers et al., 1989; Molenaar et al., 1989). Pero en
una cuestión todos los autores se muestran de acuerdo: el término Sistema
Experto no es muy preciso, siendo preferible hablar de Sistema de Consul-
ta , como ya hizo Gale (1987a}, o de Sistema de Potenciacián del Conoci-
miento , como propone Hand (1990b). Se trataría con ello de ayudar a centrar
las expectativas acerca de la posible aportación de la IA en Estadística; ésta no
cristalizó en los años ochenta, pero tampoco habría necesariamente que espe-
rar ochenta años, como algún autor ironiza en Malenaar et al. (1989).

La exigencia de la formalización del conocimiento que la aplicación de las

técnicas de IA exige condujo a una comprensión más profunda de áreas ajenas
a la Estadistica; presumiblemente también este resultado se dará con ella. Así,
para mejorar los SEE será necesario reestudiar la metodología del análisis
estadístico en su conjunto; sus componentes menos estructuradas pueden des-
tacar sobre el resto y su mejora puede hacer aparecer nuevos campos de
estudio. Esto ha sucedido anteriormente; por ejemplo, el análisis exploratorio de
datos planteó una forma diferente de tratar los datos y condujo al desarrollo de
nuevas técnicas y métodos estadísticos. No obstante, el papel de la IA en
Estadística no se plantea como revolucionario, como pudieron serlo los méto-
 I^+I k^l I(^i^N( I,^ ,^kf l#^I^ I^^l. ti^ 1^1 ^^f^Iti^l l^ ^^

dos bayesianos, aunque no se descarta que la revolución pueda producirse

como efecto secundario. Mientras, la IA puede ser un importante apoyo en la
formación en Estadística, una expectativa que la informática en general, no sólo
la IA, no acaba de cumplir.

Es de destacar la extraordinaria dispersión de la literatura relativa a la

interrelación Estadística-IA, de la que puede ser un ejemplo la bibliografía de
este artículo. Una fuente básica la constituyen las actas de congresos, entre los
que destacan COMPSTAT e INTERFACE. Los textos existentes hasta el mo-
mento son recopilaciones de congresos (3), en ocasiones de difícil localización.
EI espectro de revistas en las que interesarse es muy arnplio, ya que incluye
tanto las revistas de Estadística como un buen número de las de IA. De entre
las del primer tipo destacaremos que: i) la revista Statistics and Computing,
cuyo primer número apareció en 1991, trata, según se lee en su editarial, el
tema objeto de este artículo como preferente, y ii) desde 1991 (vol. 11, 1), la
revista Statisties and Data Analysis incorpora Statistieal Software Newsletter,
que hasta 1991 era una publicación interna para rniembros de la sección de
cálculo estadístico (IASC) del iSl, uno de los entes organizadores de COMPSTAT.

Señalaremos, por último, que si bien los sistemas expertos son el área de la
IA que ha conocido un mayor desarrollo y divulgación, no constituyen en moda
alguno su única línea de investigación. De entre el resto destaca la relativa a las
redes neuronales, estructuras que buscan reproducir la actividad del cerebra
humano. Esta aproximación exige ordenadores de gran potencia de cálculo,
ordenadores como los vectoriales, que posibilitan el cálculo en paralelo, capaci-
dad característica del cerebro humano y que estaba ausente de los ordenadores
convencionales que actúan secuencialmente. Citaremos el proyecto NNCR (1991),
desarrollado también en el JRC, como uno de los de mayor alcance en esta
línea de investigación y desarrollo.

6. ESTADISTICA EN INTELIGENCIA ARTIFICIAL

Si bien la IA ha contribuido al desarrollo de un buen número de disciplinas

científicas y técnicas, la Estadística es una de las no muy numerosas áreas de
la ciencia que han realizado aportaciones significativas al desarrollo de la IA.
Las más importantes se agrupan en torno: i) al tratamiento de la incertidumbre,
y ii) al estudio de los procesos de aprendizaje y desarrollo conceptual.

(3) DOSES (1989); Gale (1986a); Haux (198fi); Phelps (1987).

 C `^T ^^f)Iti1 I^ ,1 F^ti1'-^^1^)C ,•^

6.1. Tratamiento de la incertidumbre

Hasta hace relativamente no muchos años, la comunidad de investigadores

en !A no se mostraba atraída por el razonamiento probabilístico. Las razones de
esta desafección inicial parecían claras: las probabilidades son númeras y la
contribución de la IA se ha de producir, de acuerdo con su fundamento más
exigente, aportando herramientas y técnicas para el razonamiento no numérico.
Destacaremos entre éstas la lágica no monotónica y la teoría de los endosos
(endorsernents) de Cohen.
Los factores que originaron este prejuicio inicial evolucionaron sustancialmente
y, de forma paralela, las exígencias prácticas condujeron al interés en el uso de
los números como elementos de codificación del grado de confianza. Los prime-
ros trabajos en esta línea se centraron en la incorporación de una medída de!
nivel de conviccíón en el cumplirniento de ias reglas utilizadas en los sistemas
de produccián. La estructura genérica de dichas reglas pasaría a ser: SI A
ENTONCES B CON CERTEZA P. Los primeros y ya clásicos SBC (como
MYCIN} adoptaron ciertos sistemas de medida del grado de certeza y reglas de
operación que, en alguna medida, se pueden calificar de cuasiprobabilisticos,
pero que esencialmente constituían mecanismos ad hoc, elaborados para tratar
problernas particulares. Estos métodos se han perpetuado en las periferias
(shells) de los SE, hecho que ha redundado en una cierta limitación en el
desarrollo práctico, en la incorporación a los sistemas expertos más conocidos
de metodologias alternativas de tratamiento de la incertidumbre.

Dos teorías de tratamiento de la incertidumbre, al margen de la probabilística

y de !a no numérica, se han desarrollado de forma significativa en el campo de
la Inteligencia Artificial: i) el rnodelo «lingi^ístico» que hace uso del razonamien-
to difuso en un intento de cuantificar, en la medida de lo posible, las ideas
imprecisas presentes en la cornunicación humana verbal y ajustarlas a proposi-
ciones formalmente definidas (Zadeh, 1986), y ii) la metodología de las funcio-
nes de creencia frecuenternente denominada de Dempster-Shafer , que
generaliza la aproximación bayesiana al problema de tratamiento de la incerti-
dumbre (Shafer, 1986). EI proyecto piloto ESMA (199Q) utilizó la teoría de
Dempster-Shafer en el tratamiento de la incertidumbre.

En su «defensa de la probabilidad», Cheeseman (1985, 1986) afirma que los

modelos numéricos no probabilísticos, como los mencionados, son «innecesa-
rios, confusos y pueden conducir a conclusiones erróneas, habiendo sido con-
cebidos para superar dificultades de !a teoria probabilística que sólo existen en
la mente de sus inventores». A su vez, Lindley (1982, 1987) afirma que «la
única descripción satisfactoria de la incertidumbre se tiene mediante la probabi-
lidad, el resto son innecesarias; la probabilidad es inevitable». De hecho, un
 1N T I LIc;F:NC IA .^Ft TIF IC I,^l_ l" t^, t^1F>I^T Ic "^

gran número de investigadores en IA o que hacen uso de ella defienden hoy, en

clara oposición a su rechazo inicial, el modelo probabilístico como la mejor
herrarnienta numérica para el tratarniento de la incertidurnbre. No obstante lo
cual, se mantienen opiniones claramente contrarias no sólo a la probabilidad
(Zadeh, 1986}, sino, en forma más genérica, a todo tratamiento nurnérico de la
incertidurnbre en IA (Fox, 1986a, b). Entre los autores que aceptan el tratamien-
to numérico, cabe destacar la corriente ecléctica que aspira a integrar las
aportaciones de las aproxirnaciones probabilística y difusa (Kaufmann, 1986;
Kacprzyck y Fedrizzi, 1988).

De interés para el estudio del problema del tratamiento de la incertidumbre

en IA en refación con la Estadística resultan las siguientes recopilaciones: i) los
textos de título genérico Incertidumbre en Inteligencia Artificial (4); ii) el conjun-
to de artículos del tercer núrnero, monográfico, de la revista Statistical Science,
al que pertenecen los trabajos de Shafer (1987), Lindley (1987) y Spiegelhalter
(1987a), y iii) el número monagráfico de la revista citada bajo las siglas JSPI en
la bibliografía.

6.2. Aprendizaje

La principal aportación de la Estadística al tratamiento del problema del

aprendizaje en IA, estudiado por Yakowitz (1989), la han realizado las técnicas
de clasificación. De hecho, en sus prirneros días al menos, la Inteligencia
Artificial se identificaba (5) en gran medida con el reconocirniento automático de
patrones, que, a su vez, centraba sus objetivos en la visián artificial. Las
técnicas de reconocimiento de patrones tratan hoy el problerna de forma gene-
ral, no circunscrita a imágenes. De manera muy especial, trata el problema del
reconocimiento de la voz (Russell et al., 1986; Morin, 1988), actividad básica en
el procesamiento del lenguaje oral, una de las más importantes áreas de inves-
tigación y desarrollo en IA.

Hay problemas en el área del reconocimiento de patrones que son, en gran

medida, propios de esta técnica y han conducido al desarrollo de rnétodos
específicos de clasificación y selección de características. Sin ernbargo, los
temas objeto de estudio del denominado reconocimiento estadístico de patro-
nes (Devijner y Kittler, 1982; Ripley, 1987) y amplias áreas del análisis
multivariante son muy similares. A modo de ejemplo, el aprendizaje no dirigido

(4) Kanal y Lemmer (1986); Lemmer y Kanal (1988); Kanal et al. (1989); Shachter, Levitt et
al. (1990); Henrion et al. (1990).
(5) Identificación inicial que de alguna forma ha permanecido, como reflejaría la pertenencia
de los textos de la nota de pie de página anterior a la colección -Machine Intelligence and
Pattern Recognition-.
 f^^^1 ^1.f^ItiT^I( °11^ti!'^1^I^ ^ I ^1

tendría su analogía, en el marco de la Estadística, con las técnicas de clasifica-

ción automática (cluster analysis).

Son numerosos los problemas planteados en IA que no pueden ser fácil-

mente tratados como problemas de clasificación. Otros, como el mencionado en
el párrafo anterior, sí. Pero, en todo caso, los métodos de taxonomía numérica,
cuando son utilizados en IA, han de ser adaptados para tratar no sólo con
números, sino también con símbolOS. Este es el origen del agrupamiento con-
ceptual (conceptual clustering) (Michalskí, 1980; Gowda y Diday, 1990), una
técnica utiiizada en el análisis del proceso de elaboración de conceptos, compo-
nente básico del aprendizaje (Fisher y Langley, 1986).

EI análísis exploratorio de datos (AED) ha demostrado constituir un área de

interés como objeto de aplicación de las técnicas de IA (Phelps y Musgrove,
1986; Jirku, 198$). Reciprocamente, el análisis de regularidad que caracteriza
al AED, es una tarea central en ios procesos de aprendizaje y formación de
conceptos. Es por ello que las técnicas de AED pueden resultar de utilidad en el
estudio del aprendizaje automático en IA (Hajeck e Ivaneck, 1982; Gebhardt,
1989) .

La utilidad de otras técnicas estadísticas, en especial regresión, en la gene-

ración de reglas ha sido explorada por Berzuini (1988) y Rowly ( 1988). Los
métodos estadísticos también han sido aplicados en el estudio de la validez de
los grados de certeza asignados a las reglas que conforman los SE (O'Learly y
Kandelin, 1988).

De análoga importancia a!a aportación de las técnicas de clasificación en IA

es la contribución de ia teoría de la decisión (Horvitz et al., 1988). Como es
sabido, la teoría de la decisión se estudia frecuentemente como una técnica que
forma parte de la Investigación Operativa y no de la Estadística. No es objeto de
este articulo discutir la delimitacián entre ambas disciplinas, pero, de acuerdo
con su título, no hemos analizado aquí la interrelación genérica Investigación
Operativa-^nteligencia Artificial, ni la de ninguno de sus campos más característi-
cos, como serían !a teoría de la decisión y las técnicas de simulación, con la IA (6).

7. CONCLUSIONES

Giertos prototipos de sistemas han demostrado la aplicabilidad potencial de

las técnicas de Inteligencia Artificial en Estadística. Sin embargo, quedan por

(6) En el estudio de esta interrelación son de interés los textos de Brawn y White (1990);
Futo y Gergely (1990); Klein (1990), y Widman et al. (1989), y los articulos de Grant (1986);
Grundwald et al. (1989); O'Keefe (1985}, y Phelps (1986).
 ItiTI LI(^# !v( I^^ ZKTIf l( !^I ti 1-^f ^11 ^ 1^IIt 1

responder un buen número de preguntas acerca de la operatividad de dicha

aplicación, interrogantes que han estimulado la investigación en los últimos
años. Es difícil predecir en qué medida la aplicación de las técnicas de Inteli-
gencia Artificial en Estadística supondrá avances significativos en su desarrollo,
pero, en el momento presente, no se espera que su efecto sea el desarrollo de
perspectivas genuinamente nuevas, que supongan un cambio cualitativo en el
desarrollo de la Estadística.

La Estadística aporta a la Inteligencia Artificial no sólo herramientas para la

resolución de problernas específicos, sino también el tratamiento probabilís#ico
de los problemas de incertidumbre. A diferencia de lo que ocurrió desde el
nacimiento de la Inteligencia Artificial, hasta hace reiativamente pocos años, el
modelo probabilístico es hoy considerado por un número creciente de investiga-
dores en Inteligencia Artificial, presurniblemente ya rnayoritario, como el mejor
modelo numérico para el tratamiento de la incertidumbre.

* Agradecimiento: Este trabajo ha sido parcialmente subvencionado por el Programa Sectorial

de Promoción General del Conocimiento de la DGICYT.

BIBLIOGRAFIA

APPEL, M. V.; ScoPP, T. (1989): «Autornated Industry and Occupation Coding».

In DOSES (1989), 143-59.

BARCAROLI, G.; FORTUNATO, E. (1989a): «Intelligent Interfaces between Users and

Statistical Databases». In DOSES ( 1989), 221-5.

BARCAROLf, G.; FORTUNATO, E. (1989b): «Expert Systems for Defining Statistical

Samples». In DOSES ( 1989), 72-83.

BELL, E.; WATTS, P. (1988): «Building a Statistical Knowledge Base: A Discussion

of the Approach used in THESEUS, an Statistical Expert System». In
COMPSTAT (1988), 143-148.

BERZUINI, C. (1988): «Generating Rules by Means of Regression Analysis» . I n

COMPSTAT ( 1988), 273-278.

BETHLEHEM, .I.; DENTENEER, D., et al. (1989): «BLAISE, A New System for Computer
Assisted Survey Processing». In DOSES (1989), 101-16.

BLUM, R. L. (1982): «Discovery and Representation of Causal Relationships from

a Large Time-Oriented Clinical Database: The RX project». Springer-Verlag,
NY.
 I ti T AUItiTI('A l•tit'AN^ ^L ^^

gRENT, E. E. (1988): «STATISTICAL NAVIGATOR: An ES to ASSIST in Selecting

Appropriate Statistical Analysis». Columbia, MO: The Idea Works, Inc.

BROwN, D. E.; WNITE, C. C. (eds.) (1990): «Operations Research and AI: The
Integration of Problem-Solving Strategies». Dordrecht, Netherlands.

CHAMBERS, J. M. {1981 }: «Some thoughts in Expert Systems». Proc. Comp.

Science and Statistics. 13th Symp©sium on the Interface, 36-4^.

CHAMBERS, J. M.; GALE, ^/. A.; PRECIBON, D. (1989): «On the Existence of Expert
Systems. Comrnent on Streitberg (88)». Stat. Soft. Newsl., 14, 2, 63-6.

CHAMBERS, J. M.; PREGIBON, D.; ZAYAS, E. Z. (1981): «Expert Software for data
analysis. An Initial Experíment». Bull. Int. Stat. Inst., 49, 294-308.

CHEESEMAN, P. (1985): «In defense of probability». Proc. on the 9th Int. Joint
Conference on AI. A. Joshi (ed.}. IJCAI-85, 1002-9.

CHEESEMAN, P. (1986): «Probabilistic versus Fuzzy Reasoning». In Kanal and

Lemmer (1986}, 85-102.

COMPSTAT 86/88/90: «Proceedings in Compu#ational Statistics». Physica-Verlag.

F. de Antoni / D. Edwards / K. Momirovic (eds.).

DAMBRO^sE, E. (1987): «MUSE: Multivariate Expertise». Thesis INRIA, Montpellier,

Cedex, France.

DARIUS, P. (1990): <cA Toolbox for adding Knowledge-based modules to existing

statistical software» . Annals of Mathematics and Al, 2, 101-8.

DEVIJVER, P. A.; KITTLER, J. (1982): «Pattern Recognition: a statistical approach».

Prentice-Hall.

DOSES (1989); «Deveiopment Of Statistical Expert Systems». EUROSTAT

News, Special edition.

DREWETT, R. (1989): «Creating a Standarised and Integrated Knowledge-Based

ES for the Documentation of Statist. Series». In DOSES (1989), 178-88.

ELLIMAN, A. D.; WITTKOWSKI, K. M. (1987): «The impact of Expert Systems on

Statistícal Database». Statistica/ Software Newsletter, 13, 1, 14-18.

ESCA ( 1991): «An Expert System approach for rapid estimates of Crop Acreages
using integrated image and GIS data». JRC, Ispra.

ESMA (1990): «Expert System for Land Cover Discrimination and Mapping».
JRC, Ispra.

FESSEY, M. C. (1989): «Feedstocks for statistical ES». In DOSES (1989), 169-77.

 IN Tf^:l.l( ^F•.N(•T,A AFt7 lF l< I^^L ti' T•.ST At)I^ T It :^

FISHER, D.; LANGLEY, P. (1986): «Conceptual Clustering and Its Relation to Numerical
Taxonomy». In Gale (1986a}, 77-116.

Fox, J. (1986a): «Knowledge, Decision Making, Uncertainty». In Gale ( 1986a),

57-76.

Fox, J. ( 198fib): «Three arguments for extending the framework of Uncertainty».

In Kanal and Lemmer ( 1986), 1-26.

FUTO, I.; GERGELY, T. (1990): «AI in Simulation». Ellis Hoorwood.

GALE, W. A. (198fia): «A1 and Statistics». Addison-Wesley.

GALE, W. A. (1986b}: «Student phase 1- a report on work in progress». In Gale

(1986a), 239-265.

GALE, W. A. (1986c): «REX review». In Gale (1986a), 173-227.

GALE, W. A. (1986d): «AI and Statistics: ©verview» . In Gale (1986a), 1-16.

GALE, W. A. (1987a): «Student: a tool for constructing consultation systems in

data analysis». Bull. lnt. Stat. /nst., 52, 3, 305-321.

GALE, W. A. (1987b): «Statistical Applications of AI and Knowledge Engineering».

Know/edge Engineering Review, 3, 4, 227-247.

GALE, W. A. (1987c): «Knowledge-based knowledge acquisition for a statist.

consulting system». Int. J. of Man-Machine Studies, 26, 55-64.

GALE, W. A. (1988): «Applications of Artificial Intelligence in Statistics. Technical

Memorandum. Tutorial Notes». In COMPSTAT-88.

GALE, W. A.; LUBINSKY, D. (1986): «A cornparison of representations for statistical

strateg ies» . Proc. ASA., Stat. Comp. Section, 88-96.
GEBHARDT, F. (1989): «Some considerations on Expert Systems in Exploratory
Data Analysis». In DOSES (1989), 303-15,

GLYMOUR, C.; SCHEINES, R.; SPIRTES, P.; KELLY, K. (1987): «Discovering Causal
Structure. AI, Philosophy of Science and Statistical Modelling». Academic
Press.

GONZÁLEZ, P.; HATABIAN, G. (1989): «ADELLE or an aid in the analysis of surveys

by expert software on a microcomputer». In DOSES (1989), 278-92.

GowDA, K. C.; DIDAY, E. (1990): «Glustering Syrnbolic Ob^ects and Generalization».

In COMPSTAT-80, Short Comm., 27-28.
GRANT, T. J. (1986): «Lessons for O.R. frorn A.I. A Scheduling Case Study».
J. Opl. Res. Soc., 37, 1, 41-57.
 I ti 1 11^1ti l I( 1 I^I' 1^^ ^ l ;^

GREENBERG, B. V. (1989): «Developing an Expert Systems for Edit and Imputation».

In DOSES (1989), 132-42.

I^RUNWALD, H. J.; FORTUIN, L, (1989): c<DSS and ES in the " information organiza-
tion" - Back to the roots of OR». Eur. J. of OR, 41, 2, 142-50.

GYARFARS, G.; KLUSGEN, W. (1986): «A Statistical ES for the Generation of an

Analysis-Report». In COMPSTAT-86, Short Comm., 105-6.

HAJEK, P.; IVANEK, J. (1982): «Artificial Intelligence and Data Analysis». In

COMPSTAT-82, Physica-Verlag, 54-60.

HAKONG, L.; HICKMAN, F. R. (1985): «Expert Systems Techniques: An Application

in Statistics». M. A. Bramer (ed.). Cambridge Univ. Press.

HAND, D. J. (1984a): «Statistical Expert Systems: necessary attributes». Journal

of Applied Statistics, 12, 1, 19-27.

HAND, D. J. (1984b}: «Statistical ES: Design». The Statistician, 33, 351-69.

HAND, D. J. (1985): «Choice of statistical technique». Bull. lnt. Stat. Inst., 51, 3,
21.1-16.

H^AND, D. J. (1986a): «Expert systems in statistics». Knowledge Engineering

Review, 1, 2-10.

HAND, D. J. (1986b): «Patterns in statistical strategy». In Gale {1986a), 355-87.

HAND, D. J. (1987): «A Statistical Knowledge Enhancement System». J. R.

Statist. Soc., A, 150, 334-345.

HAND, D. J. (1990a): «Emergent themes in statistical expert systems». /n

Knowledge, data and computer assisted decissions. Shader, M., Gaul, W.
(eds.}.

HAND, D. J. (1990b): «Practical experience in developing knowledge enhancement

systems». Annals of Mathematics and Al, 2.

Haux, R. (ed.) {1986): «Expert systems in statistics». Gustav Fischer, Stut.

HAUx, R.; JOCKEL, K.-H. (19$9): «Database Management and Statistical Data
Analysis: The Need for Integration and for Becoming More Intelligent». In
COMPSTAT-86 & DOSES ( 1989), 245-54.

HAVRANEK, I.; SovosKY, O. (1988): «Using an Expert System Shell for settling
Statistical Package Parameters». Comp. Stat. Quarterly, 4, 3, 159-69.

HENRION, H., et al. {eds.) ( 1990): «Uncertainty in AI, 5». North-Holland.

 ItiIF l I(^F N( I,•ti •^K1lFl^ l^^l_ti_•# ^I ^(^Iti_Ilt ^^

HIETALA, P. (1988): «Inside a Expert System: Statistical Methods Employed in

the ESTES System». In COMPSTAT-88, 163-168.

HITCHOCK, S. E.; EDWARDS, J. W. (1989): «LMG: Data Analysis Knowledge

Enhancement in an MS-DOS statistical computing environment». Bull. Int.
Stat. Inst., 53, 5, 55.

HO, T. B.; QUINQUETON, J.; RALAMBONDRAINY, H. (19$6): «Using Expert System

Techniques for interpretation of data analysis results». In COMPSTAT-86,
Short Comm., 308-309.

FiORVITZ, E. J.; BREESE, J. S.; HENRION, M. {198$}: «Decision Theory in Expert

Systems and AI». Int. Journ.al of Approximate Reasoning, 2, 3, 247-302.

INTERFACE-87/88: «Computer Science and Statistics». Proc. of the 19/20th

Symposium on the Interface. R. M. Heiberger / E. J. Wegman (eds.). ASA.

IVANEK, J.; STEJSKAL, B. (1988): «Automatic Acquisiti0n of Knowledge Base without

Expert: ESOD (Expert System from Observational Data)». In COMPSTAT-
88, 175-180.

JEFFERS, J. N. R. (1989}: «Expert Systems for advice on the design of experiments

and surveys». In DOSES (1989), 84-91.

JIDA, J.; LEMAIRE, J. (1986): «Expert Systems and Data Analysis Package
Management». In COMPSTAT-86, 251-258.

JIRKU, P. (1988): «An Implementation of an Exploratory Data Analysis Expert

System in Prolog Environment». In COMPSTAT-88, 169-174.

JIROUSEK, R.; KRIZ, O. (1988): «An Expert System Accepting Knowledge in a form
of Statistical Data». In COMPSTAT-88, 123-128.

JSPI (1988): «Special Issue on Assessing Uncertainty». Journal of Statistical

Planning and Inference, 20, 3.

KACPRZYCK, J.; FEDRIZZI, M. (1988): «Combining Fuzzy imprecision with Probabilistic

Uncertainty in Decision Making». Springer-Verlag, Lecture Notes in Economics
and Mathe. Systems, 30.

KANAL, L. N.; LEMMER, J. F. (eds.) (1986): «Uncertainty in AI, 1». North-Holland.

KANAL, L. N., et al. (eds.) (1989): «Uncertainty in AI, 3». North-HOlland.

KAUFMANN, A. (1986): «On the relevance of fuzzy sets for Operations Research».
European Journal of O. R., 25, 330-335.
KLEIN, M.; METHLIE, L. B. (1990): «Expert Systems: A Decision Support Approach».
Addison-Wesley, UK.
-^?X t^ti^TAUt^TI( A f^^tiPA!^(^1 A

LAn^e, J. (1989): «Putting Sernantics in Data Capture». In DOSES (1989), 117-

30.

LAWTON, K. (1989): «Combining Expert Systems and Database Management

technoiogies with the SAS System». Proc. 1989 SASUG Int. Conf., 735-8.

LELLA, A.; AVAM, S.; Bucci, P. (1986): «Easy-Link: An Expert System Natural
Language Interface to a Statistical Data Bank». in COMPSTAT-86, 443-7.

LEMMER, J. F.; KANAL, L. N. (eds.) (19$$): «Uncertainty in AI, 2». North-Holland.

LINDLEY, D. V. (1982): «Scoring Rules and the Inevitability of Probability». Int.

Stat. Review, 50, 1-26.

LINDLEY, D. V. {1987}: «The probability approach to the treatment of Uncertainty

in AI and ES». Statistical Science, 3, 17-24.

LuBBE, H. (1990): «Statistical metadata and terminological databases». In

COMPSTAT-90, Short Cornm., 107-8.

LUBINSKY, D. (1987): «TESS: A tree-based environment for statistical strategies».

In INTERFACE-87.

LUBINSKY, D, (1990): «Integrating statistical theory with statistical databases».

Annals of M'athematics and Artificial Intelligence, 2.

LUBINSKY, D.; PREGIBON, D. (1988): «Data Analysis as search». Journa/ of

Econometrics, 38, 247-268.

MICHALSKI, R. (1980): «Knowledge acquisition through conceptual clustering:

theoretic framework & Algorithm for partitioning data in conjunctive concepts».
Int. Jour. Polícy Ana/ysis and Infor. Systems, 4, 3, 219-43.

MOLENAAR, I. W. (1988): «Statistical Consultants and Statistical Expert Systerns».

In COMPSTAT-88, 187-192.

MOLENAAR, I. W./ADERD, H. J.; KuiK, D. J. (1989): «To exist or not to exist.

A comment on Statistical Expert Systems / E.S. can only be Constructed if
Expertise can be Formalized». Stat. Soft. Newsl., 14, 3, 127-130.

MoR^N, A. M. (1988): «Decision Tree Classifier for Speech Recognition». In

COMPSTAT-88, 245-251.

NELDER, J. A. (1977): «Intelligent programs, the next stage in statistical computing».

In Recent Developrnents in Statistics, 79-86. North-Holland.

NELDER, J. A. (1987): «AI and generalized linear modelling: an Expert System for
GLIM». In Phelps (1987), 36-44.
 i^vrr^r_ic;r^rvc^rA .^krir r^ i,^^ ti^ r^^r,^r^i^rrc .^ -^'^>

NELDER, J. A. (1988): «How should the Statistical System and its user see Each
Other?». In COMPSTAT-88, 107-116.

NEUMANN, K. (1990): «Co-Operative Processing - A Challenge for Statistics and

Database Management». In COMPSTAT-9o, 225-36.

NNCR (1991): «Neural Network development for crop recognition integrated

image and GIS da#a». IRSA, Joint Research Centre, Ispra.

O'KEEFE, R. M. (1985): «Expert Systems and O. R. - Mutual Benefits» . J. Opl.

Res. Soc., 36, 2, 125-129.

O'LEARLY, E.; KANDELIN, N. A. (1988): «Validating the Weights in Ruled-Based

ES: A Statistical Approach». lnt. J. of Expert Systems, 1, 3, 253-9.

OLDFORD, R. W. (1988): «Object oriented software representations for statistical

data». J. Econometrics, 38, 227-246.

OLDFORD, R. W.; PETERS, S. C. (1988): «DINDE: Towards More Sophisticate Soft.

Environments for Stat». SIAM. J. Sci. Stat. Comp., 9, 1, 191-211.

PHELPS, R. I. (1986): «AI - an overview of similarities with Operational Research».

J. Opl. Res. Soc., 37, 1, 13-30.

PHELPS, R. I. (ed.) (1987): «Interactions in Artificial Intelligence and Statistical

Methods». Unicom Seminars Ltd. Technical Press.

PHELPS, R. I.; MusGROVE, P. B. (1986): «Artificial Intelligence Approaches in

Statistics». In Gale (1986a), 159-171.

PRAT, A.; MARTÍ, M.; CATOT, J. M. (1985): «Incorporating Expertise in Time Series
Modelling: The STATXPS system». Stat. Soft. News., 11, 2, 55-62.

RASCH, D.; SAWITZKI, G. (1990): «Joint Preface: What is a Biometrical Workstation?».

Proc. XVth Int. Biom. Conf., 130-56.

RIPLEY, B. D. (1987): «An Introduction to Statistical Pattern Recognition». In

Phelps (1987), 176-87.

Ross, G. J. S. (1988): «Expert Systems for Non-Linear Modelling: Progress and

Prospects». In COMPSTAT-88, 155-161.

RowLY, D. (1988): «Statistical Approaches for the Generation of Rules for ES».
Learned Information Ltd., Oxford. Second Int. ES Conference.

RussELL, M. J.; MooRE, R. K.; TOMLINSON, M. J. (1986): «Dynamic Programming

and Statistical Modelling in Automatic Speech Recognition». J. O. R. Soc.,
37, 1, 21-30.
-^ ^1) I^til •11)I^f I^ ^ ^ F^I'^1tit^1 ;^

SARIS, W. E. (1989): «Intelligent computer programs for assisted data collection».

In DOSES (1989), 92-100.
SHACHTER, R. D.; LEVITT, T. S.; KANAL, L.; LEMMER, J . (eds.) (1990): «Uncertainty in
AI, 4». North-Holland.
SHAFER, G. (1986): «Probability Judgment in Artificial Intelligence». In Kanal and
Lemrner (198+6), 127-136.
SHAFER, G. (1987): «Probability judgrnents in artificial intelligence and expert
systems» . Statistical Science, 3, 3-16.
SPIEGELHALTER, D. J. { 1987a): «Probabilistic ES in Medicine: Practical Issues in
Handling Uncertainty». Statistical Science, 3, 1, 3-44.

SPIEGELHALTER, D. J. (1987b): «Synthesis of AI and Bayesian Methods in Medical

Expert Systems». In Phelps (1987), 169-175.

STREiTBERG, B. (1989): «On the nonexistence of ES. Critical remarks on AI in

statistics». Stat. Software Newsletter, 14, 2, 55-74.
TALBOT, M. (1989): «Developrnent of Expert System Tools for Routine Data
Monitoring». In DOSES {1989}, 160-7.
THISTED, R. A. (1986): «Representing Statistical Knowledge for Expert Data
Analysis Systems». In Gale (1986a), 267-284.
WESTERHOFF, T.; NAEVE, P. (1988): «On Inference Process». In COMPSTAT-88,
193-8.

WIDMAN, L. E.; LOPARO, R.; NIELSEN, N. (1989): «Artificial Intelligence, Simulation

and Modelling». Wiley.
YaKOwiTZ, S. (1989): «Statistical Foundation for Machine Learning». Computer
and Mathematics with Appl., 17, 7, 1095-1102.
ZADEH, L. A. (1986): «Is Probability Theory Sufficient for Dealing with Uncertainty
in Ai: A Negative View». In Kanal and Lemmer (1986}, 103-16.

ARTIFICIAL INTELLIGENCE AND STATISTICS

SUMMARY

This paper reviews the possible applications of Artificial Intelligence

in Statistics, and, conversely, Statistics in Artificial Intelligence.

Keywords: Artificial Intelligence, Statistics.

AMS Classification: 62A99, 68G99.