Un sistema experto, es una aplicación informática capaz de solucionar un conjunto de

problemas que exigen un gran conocimiento sobre un determinado tema.

Se puede entender como una rama de la inteligencia artificial, donde el poder de resolución de
un problema en un programa de computadora viene del conocimiento de un dominio específico.
Estos sistemas imitan las actividades de un humano para resolver problemas de distinta índole
(no necesariamente tiene que ser de inteligencia artificial). También se dice que un SE se basa
en el conocimiento declarativo (hechos sobre objetos, situaciones) y el conocimiento de control
(información sobre el seguimiento de una acción).

Base de conocimientos.
Es la parte del sistema experto que contiene el conocimiento sobre el dominio. Hay que obtener
el conocimiento del experto y codificarlo en la base de conocimientos. Una forma clásica de
representar el conocimiento en un sistema experto son lar reglas. Una regla es una estructura
condicional que relaciona lógicamente la información contenida en la parte del antecedente con
otra información contenida en la parte del consecuente.

Base de hechos (Memoria de trabajo).

Contiene los hechos sobre un problema que se han descubierto durante una consulta con el
sistema experto, el usuario introduce la información del problema actual en la base de hechos.
El sistema empareja esta información con el conocimiento disponible en la base de
conocimientos para deducir nuevos hechos.

Motor de inferencia.
El sistema experto modela el proceso de razonamiento humano con un módulo conocido como
el motor de inferencia. Dicho motor de inferencia trabaja con la información contenida en la base
de conocimientos y la base de hechos para deducir nuevos hechos.

El motor de inferencia es totalmente extensible y de fácil uso que permite añadir sistemas
expertos, integrados de manera rápida e intuitiva con la Búsqueda Semántica y los Asistentes
Virtuales.

El Motor de Inferencia es un componente perfecto para estas aplicaciones:

 Automatización del Servicio al Cliente

 Resolución de problemas
 Diálogos de un call center
 Sugerencias y consejos de venta online
 Evaluación de riesgos
 Flujos de trabajo complejos
 El encadenamiento de reglas hacia delante puede utilizarse
cuando las premisas de algunas reglas coinciden con las conclusiones de
otras, de forma que al aplicarlas sucesivamente sobre los hechos iniciales
podemos obtener nuevos hechos. A medida que obtenermos más hechos,
podemos repetir el proceso hasta que no pueden obtenerse más
conclusiones.
El encadenamiento de reglas hacia atrás parte del hecho que se
quiere concluir y se mira qué reglas lo tienen como conclusión, se toman las
premisas de estas reglas y se consideran como objetivos parciales que se
quieren verificar. Por un proceso de comparación con los hechos de la base
de conocimiento un proceso de backtracking, se va decidiendo cuáles de los
objetivos parciales se van cumpliendo y cuáles quedan pendientes.
En la figura anterior, el encadenamiento hacia adelante partiría desde los
hechos de la izquierda y avanzaría aplicando las reglas hacia la derecha,
mientras que el encadenamiento hacia atrás partiría de la conclusión de la
derecha y va buscando los hechos necesarios y suficientes hacia la izquierda.
Debe tenerse en cuenta que el uso de cualquiera de las dos estrategias no es
excluyente, y que suelen usarse conjuntamente para obtener mejores
resultados (si no se introducen más estrategias, suele ser necesario el uso de
las dos para estar seguros de obtener todas las conclusiones factibles).
Junto a la posibilidad de inferir nuevos conocimientos, este sistema
también puede mostrarnos incoherenciasdentro de la base de
conocimiento, ya sea porque es imposible obtener ciertas conclusiones, o
porque hay inconsistencias entre los hechos iniciales y las reglas de la
base. En todo caso, un motor de inferencia útil debería ser capaz de encontrar
estas inconsistencias y presentarlas al usuario.
Asimismo, una vez encontrada la cadena de reglas que llevan de los
hechos iniciales hasta la conclusión encontrada, podemos extraer una
explicación adecuada de porqué se obtiene ese resultado, por lo que no es
un motor tipo caja negra, sino que ofrece una herramienta explicativa que
amplía nuestro conocimiento del sistema.

Ventajas e Inconvenientes
Entre las ventajas de los Sistemas Basados en Reglas, podemos destacar:
1. Representan de forma natural el conocimiento explícito de los
expertos: normalmente, los expertos humanos explican el
procedimiento de resolución de problemas por medio de expresiones del
tipo "Si estamos en esta situación, entonces yo haría esto...", que se adapta
fielmente al modelo seguido aquí.
2. Estructura uniforme: Todas las reglas de producción tienen la misma
estructura "Si... entonces...". Cada regla es una pieza de conocimiento
independiente de las demás.
3. Separación entre la base de conocimiento y su procesamiento.
4. Capacidad para trabajar con conocimiento incompleto e
incertidumbre (introduciendo variantes).
Entre las desventajas principales que han llevado a complementarlo o
sustituirlo con otros procedimientos de razonamiento podemos destacar:
1. Relaciones opacas entre reglas: Aunque las reglas de producción son
muy simples desde un punto de vista individual, las interacciones que se
producen a larga distancia entre la red de reglas existentes pueden ser muy
opacas, lo que hace que generalmente sea difícil saber qué papel juega una
regla en particular en la estrategia global de razonamiento que hay detrás.
2. Estrategias de búsqueda muy ineficientes: esencialmente, el motor
de inferencia realiza una búsqueda exahustiva en todas las reglas en cada
ciclo de iteración, por lo que los sistemas de reglas con muchas reglas (que
pueden llegar a ser miles) son lentos y, a menudo, inviables en problemas
del mundo real.
3. Incapaz de aprender: los sistemas de reglas sin aditivos no son capaces
de aprender de la experiencia, por lo que haber extraido un conocimiento
nuevo del sistema no te proporciona métodos para poder aprender más
cosas de forma más rápida posteriormente.