República Bolivariana de Venezuela

Universidad Rafael Urdaneta

Facultad de Ingeniería
Escuela de Ingeniería en Computación
Inteligencia Artficial
Carlos Hernández

Sistemas Expertos

Realizado por:

Parra Botero, Gustavo Andrés. C.I: 27.284.401

Maracaibo, octubre del 2019.

 Esquema

1.- Definición
2.- Tipos
3.- Características
Conclusión
 Desarrollo

1.- Definición
Los Sistemas Expertos pueden ser considerados como un subconjunto de la
Inteligencia Artificial. Es un sistema que emplea conocimiento humano capturado en
una computadora para resolver problemas que normalmente requieran de expertos
humanos. Los sistemas bien diseñados imitan el proceso de razonamiento que los
expertos utilizan para resolver problemas específicos. Dichos sistemas pueden ser
utilizados por no expertos para mejorar sus habilidades en la resolución de problemas.
También pueden ser utilizados como asistentes por expertos. Además, estos sistemas
pueden funcionar mejor que cualquier humano experto individualmente tomando
decisiones en una específica y acotada área de pericia, denominado como dominio.
2.- Tipos
Basados en reglas previamente establecidas
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 apoya una hipótesis en particular.
Representación del conocimiento
Hay numerosas formas de representar el conocimiento en IA, sin embargo, los
Sistemas Expertos suelen ser llamados sistemas basados en reglas.
Reglas “Si...entonces...”
Las reglas “si… entonces…” son el principal tipo de conocimiento usado en Sistemas
Expertos, donde dichas normas se utilizan para capturar razonamiento de expertos que
emplean a menudo. Sin embargo, con el tiempo los investigadores comenzaron a
desarrollar e integrar otras formas de representación del conocimiento, tales como el
razonamiento basado en casos.
Los sistemas que incluyen múltiples tipos de conocimiento a veces se conocen como
sistemas híbridos, o etiquetados después de un determinado tipo de representación del
conocimiento, por ejemplo, basado en casos.
Basados en casos
El razonamiento basado en casos es el proceso de solucionar nuevos problemas
basándose en las soluciones de problemas anteriores. Un mecánico de automóviles
que repara un motor porque recordó que otro auto presentaba los mismos síntomas
está usando razonamiento basado en casos. Un abogado que apela a precedentes
legales para defender alguna causa está usando razonamiento basado en casos.
También un ingeniero cuando copia elementos de la naturaleza, está tratando a esta
como una “base de datos de soluciones”. El Razonamiento basado en casos es una
manera de razonar haciendo analogías. Se ha argumentado que el razonamiento
basado en casos no sólo es un método poderoso para el razonamiento de
computadoras, sino que es usado por las personas para solucionar problemas
cotidianos. Más radicalmente se ha sostenido que todo razonamiento es basado en
casos porque está basado en la experiencia previa.
Basados en redes bayesianas
Origen
El matemático británico Thomas Bayes del siglo XVII, propuso el Teorema de Bayes, el
cuál se entiende por ser el cálculo de la probabilidad de las causas que interfieren en
un suceso, dadas las probabilidades de este. Este teorema calcula la probabilidad de
que unos sucesos dados han originado un sucedo determinado. Este teorema trata de
obtener la probabilidad inversa de una probabilidad.
El informático filósofo Judea Pearl nacido en Israel, consiguió acercar una visión
probabilística a la inteligencia artificial y de esta manera dotar de mayor realismo a la
inteligencia artificial.
Definición
Las redes bayesianas o probabilísticas son una representación gráfica de
dependencias para razonamiento probabilístico en sistemas expertos. Una red
bayesiana es un grafo acíclico dirigido y anotado que describe la distribución de
probabilidad conjunta que gobierna un conjunto de variables aleatorias. Los nodos
pueden representar cualquier tipo de variable, ya sea un parámetro medible (o medido),
una variable latente o una hipótesis. Existen algoritmos que realizan inferencias y
aprendizaje basados en redes bayesianas.
Si existe un arco que une un nodo A con otro nodo B, A es denominado un padre de B,
y B es llamado un hijo de A. El conjunto de nodos padre de un nodo Xi se denota como
padres (Xi). Un gráfico acíclico dirigido es una red Bayesiana relativa a un conjunto de
variables si la distribución conjunta de los valores del nodo puede ser escrita como el
producto de las distribuciones locales de cada nodo y sus padres:
Si el nodo Xi no tiene padres, su distribución local de probabilidad se toma como
incondicional, en otro caso es condicional. Si el valor de un nodo es observable - y por
tanto etiquetado como observado, dicho nodo es un nodo de evidencia.
Construcción
Se parte de un conjunto de variables y se elige un orden para ellas. Seguido a eso se
introduce una por una en la red, estableciendo para cada una un nuevo nodo. Se
establecen relaciones de cada nuevo nodo con los padres.
Inferencia
Se refiere a conocer la probabilidad que inicialmente no conocemos.
Tipos de inferencia
- Exacta: En este tipo de inferencia se enumeran todas las posibilidades y se suman
siguiendo una distribución de la probabilidad conjunta.
- Inexacta: Trata de obtener probabilidades estimadas para disminuir el tiempo de
cálculo.
Clasificadores
Un clasificador bayesiano trata de obtener el valor más probable de una variable dados
los valores de otras variables.
Los clasificadores bayesianos se basan en que la presencia de una característica
partícular no guarda relación con que también haya presentes otras características.
3.- Características
Estructura
Los Sistemas Expertos están compuestos por dos partes principales: el ambiente de
desarrollo y el ambiente de consulta. El ambiente de desarrollo es utilizado por el
constructor para crear los componentes e introducir conocimiento en la base de
conocimiento. El ambiente de consulta es utilizado por los no expertos para obtener
conocimiento experto y consejos.
Los siguientes son los componentes básicos de un Sistema Experto:
Subsistema de adquisición de conocimiento
Es la acumulación, transferencia y transformación de la experiencia para resolver
problemas de una fuente de conocimiento a un programa de computadora para
construir o expandir la base de conocimiento. El estado del arte actual requiere un
ingeniero en conocimiento que interactúe con uno o más expertos humanos para
construir la base de conocimiento.
Base de conocimiento
Contiene el conocimiento necesario para comprender, formular y resolver problemas.
Incluye dos elementos básicos: heurística especial y reglas que dirigen el uso del
conocimiento para resolver problemas específicos en un dominio particular.
Base de hechos
Es una memoria de trabajo que contiene los hechos sobre un problema, alberga los
datos propios correspondientes a los problemas que se desean tratar.
Motor de inferencia
Es el cerebro del Sistema Experto, también conocido como estructura de control o
interpretador de reglas. Este componente es esencialmente un programa de
computadora que provee metodologías para razonamiento de información en la base
de conocimiento. Este componente provee direcciones sobre cómo usar el
conocimiento del sistema para armar la agenda que organiza y controla los pasos para
resolver el problema cuando se realiza una consulta. Tiene tres elementos principales:
Intérprete, ejecuta la agenda seleccionada; programador, mantiene el control sobre la
agenda; control de consistencia, intenta mantener una representación consistente de
las soluciones encontradas. Subsistema de justificación Se encarga de explicar el
comportamiento del Sistema Experto al encontrar una solución. Permite al usuario
hacer preguntas al sistema para poder entender las líneas de razonamiento que este
siguió. Resulta especialmente beneficioso para usuarios no expertos que buscan
aprender a realizar algún tipo de tarea.
 Conclusión

Los sistemas expertos se pueden considerar como el primer producto verdaderamente

operacional de la inteligencia artificial. Son programas de ordenador diseñados para
actuar como un especialista humano en un dominio particular o área de conocimiento.
En este sentido, pueden considerarse como intermediarios entre el experto humano,
que transmite su conocimiento al sistema, y el usuario que lo utiliza para resolver un
problema con la eficacia del especialista. El sistema experto utilizará para ello el
conocimiento que tenga almacenado y algunos métodos de inferencia.
A la vez, el usuario puede aprender observando el comportamiento del sistema. Es
decir, los sistemas expertos se pueden considerar simultáneamente como un medio de
ejecución y transmisión del conocimiento.
Lo que se intenta, de esta manera, es representar los mecanismos heurísticos que
intervienen en un proceso de descubrimiento. Estos mecanismos forman ese
conocimiento difícil de expresar que permite que los expertos humanos sean eficaces
calculando lo menos posible. Los sistemas expertos contienen ese "saber hacer".
La característica fundamental de un sistema experto es que separa los conocimientos
almacenados (base de conocimiento) del programa que los controla (motor de
inferencia). Los datos propios de un determinado problema se almacenan en una base
de datos aparte (base de hechos).
Una característica adicional deseable, y a veces fundamental, es que el sistema sea
capaz de justificar su propia línea de razonamiento de forma inteligible por el usuario.