Sistema Experto (SE)

Es una aplicación informática capaz de solucionar un conjunto de problemas

que exigen un gran conocimiento sobre un determinado tema. Un sistema
experto es un conjunto de programas que, sobre una base de conocimientos,
posee información de uno o más expertos en un área específica. 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).

Para que un sistema experto sea herramienta efectiva, los usuarios deben
interactuar de una forma fácil, reuniendo dos capacidades para poder
cumplirlo:

1. Explicar sus razonamientos o base del conocimiento: los sistemas

expertos se deben realizar siguiendo ciertas reglas o pasos
comprensibles de manera que se pueda generar la explicación para cada
una de estas reglas, que a la vez se basan en hechos.
2. Adquisición de nuevos conocimientos o integrador del sistema: son
mecanismos de razonamiento que sirven para modificar los
conocimientos anteriores. Sobre la base de lo anterior se puede decir
que los sistemas expertos son el producto de investigaciones en el
campo de la inteligencia artificial ya que ésta no intenta sustituir a los
expertos humanos, sino que se desea ayudarlos a realizar con más
rapidez y eficacia todas las tareas que realiza.

Debido a esto en la actualidad se están mezclando diferentes técnicas o

aplicaciones aprovechando las ventajas que cada una de estas ofrece para
poder tener empresas más seguras. Un ejemplo de estas técnicas sería los
agentes que tienen la capacidad de negociar y navegar a través de recursos en
línea; y es por eso que en la actualidad juega un papel preponderante en los
sistemas expertos.
 Base de Conocimientos
Las bases de conocimiento se han clasificado en dos grandes tipos:

● Bases de conocimiento leíbles por máquinas, diseñadas para

almacenar conocimiento en una forma legible por el computador,
usualmente con el fin de obtener razonamiento deductivo automático
aplicado a ellas. Contienen una serie de datos, usualmente en la forma
de reglas que describen el conocimiento de manera lógicamente
consistente. Operadores lógicos como Y (conjunción), O (disyunción),
condición lógica y negación son utilizada para aumentarla desde el
conocimiento atómico. En consecuencia la deducción clásica puede ser
utilizada para razonar sobre el conocimiento en la base de
conocimiento. Este tipo de bases de conocimiento son utilizadas por la
Web semántica
● Bases de conocimiento leíbles por Humanos están diseñadas para
permitir a las personas acceder al conocimiento que ellas contienen,
principalmente para propósitos de aprendizaje. Estas son comúnmente
usadas para obtener y manejar conocimiento explicito de las
organizaciones, incluyen artículos, White papers, manuales de usuario y
otros. El principal beneficio que proveen las bases de conocimiento es
proporcionar medios de descubrir soluciones a problemas ya resueltos,
los cuales podrían ser aplicados como base a otros problemas dentro o
fuera del mismo área de conocimiento.

El más importante aspecto de una base de conocimiento es la calidad de la

información que esta contiene. Las Mejores Bases de Conocimiento tienen
artículos cuidadosamente redactados que se mantiene al día, un excelente
sistema de recuperación de información (Motor de Búsqueda), y un delicado
formato de contenido y estructura de clasificación. Una Base de Conocimiento
puede usar una ontología para especificar su estructura (tipos de entidades y
relaciones) y su esquema de clasificación. Una ontología, junto con un grupo
de instancias de sus clases constituye una Base de Conocimiento.

Determinando qué tipo de información es capturada, y dónde se encuentra la

información en una base de conocimiento es algo que es determinado por los
procesos que respaldan al sistema. Una estructura robusta de procesos es la
columna vertebral de cualquier Base de Conocimiento. Algunas Bases de
Conocimiento tienen un componente de inteligencia artificial. Este tipo de
Bases de Conocimiento pueden sugerir soluciones a problemas esporádicos en
la retroalimentación por el usuario, y son capaces de aprender de la
experiencia (sistemas expertos). Representación de Conocimiento,
Razonamiento automatizado y argumentación son las áreas activas de la
investigación de la inteligencia artificial.

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.

Algunos ejemplos de sistemas expertos son:

Dendral.- Fue ideado a finales de los años 1970 para generar una
representación estructural de las moléculas orgánicas a partir de los datos de
un espectrógrafo de masas. Tal solución tiene los siguientes pasos:

● Obtener las limitaciones de los datos.

● Generar estructuras candidatas.
● Predecir espectros de masa con los candidatos.
● Comparar los resultados con los datos.

Este sistema ilustra la solución común de resolver problemas en Inteligencia

Artificial (IA) de generación y prueba.

Motor de Inferencias
Una inferencia es una evaluación que realiza la mente entre expresiones bien
formadas de un lenguaje (EBF) que, al ser relacionadas intelectualmente como
abstracción, permiten trazar una línea lógica de condición o implicación lógica
entre las diferentes EBF. De esta forma, partiendo de la verdad o falsedad
posible (como hipótesis) o conocida (como argumento) de alguna o algunas
de ellas, puede deducirse la verdad o falsedad de alguna o algunas de las otras
EBF.

Surge así lo que conocemos como postulado o transformada de una expresión

original conforme a reglas previamente establecidas, que puede enmarcarse en
uno o varios contextos referenciales diversos, obteniéndose en cada uno de
ellos un significado como valor de verdad de equivalente.

Tipos de Inferencias
● Inferir por lógica clásica: Inferencia que sólo admite dos valores:
verdadero o falso.
● Inferencia trivaluada: Una inferencia de este estilo da como posibles
resultados tres valores.
● Inferencia multivaluada: Una inferencia de este estilo da como posibles
resultados múltiples valores.
● Inferencia difusa: Una inferencia de este estilo describe todos los casos
multivaluados con exactitud y precisión.
● Inferencia probabilística en el sentido de una inducción que permite
establecer una verdad con mayor índice de probabilidad que las demás.

Si bien, cuando el universo posible es de infinitas ocurrencias la probabilidad

siempre será 0. Por lo que algunos establecen para el estatuto de la ciencia el
falsacionismo, como método científico y contrastación de teorías y las lógicas
humanas.

Reglas de Inferencias
Modus Ponens y Modus Tollens

El Modus Ponens es quizás la regla de inferencia mas comúnmente utilizada.

Se utiliza para obtener conclusiones simples. En ella, se examina la premisa de
la regla, y si es cierta, la conclusión pasa a formar parte del conocimiento.
Como ilustración, supóngase que se tiene la regla, “Si A es cierto, entonces B
es cierto" y que se sabe además que A es cierto". La regla Modus Ponens
concluye que B es cierto." Esta regla de inferencia, que parece trivial, debido a
su familiaridad, es la base de un gran número de sistemas expertos.

La regla de inferencia Modus Tollens se utiliza también para obtener

conclusiones simples. En este caso se examina la conclusión y si es falsa, se
concluye que la premisa también es falsa. Por ejemplo, supóngase de nuevo
que se tiene la regla, Si A es cierto, entonces B es cierto" pero se sabe que B
es falso." Entonces, utilizando la regla Modus Ponens no se puede obtener
ninguna conclusión pero la regla Modus Tollens concluye que A es falso". El
rendimiento del motor de inferencia depende del conjunto de reglas en su base
de conocimiento. Hay situaciones en las que el motor de inferencia puede
concluir utilizando un conjunto de reglas, pero no puede, utilizando otro
(aunque estos sean lógicamente equivalentes).

Estrategias de Inferencias
Encadenamiento de Reglas

Una de las estrategias de inferencia mas utilizadas para obtener conclusiones

compuestas es el llamado encadenamiento de reglas. Esta estrategia puede
utilizarse cuando las premisas de ciertas reglas coinciden con las conclusiones
de otras. Cuando se encadenan las reglas, los hechos pueden utilizarse para dar
lugar a nuevos hechos. Esto se repite sucesivamente hasta que no pueden
obtenerse más conclusiones. El tiempo que consume este proceso hasta su
terminación depende, por una parte, de los hechos conocidos, y, por otra, de
las reglas que se activan.

Este algoritmo puede ser implementado de muchas formas. Una de ellas

comienza con las reglas cuyas premisas tienen valores conocidos. Estas reglas
deben concluir y sus conclusiones dan lugar a nuevos hechos. Estos nuevos
hechos se añaden al conjunto de hechos conocidos, y el proceso continua hasta
que no pueden obtenerse nuevos hechos.
Encadenamiento de Reglas Orientado a un Objetivo

El algoritmo de encadenamiento de reglas orientado a un objetivo requiere del

usuario seleccionar, en primer lugar, una variable o nodo objetivo; entonces el
algoritmo navega a través de las reglas en búsqueda de una conclusión para el
nodo objetivo. Si no se obtiene ninguna conclusión con la información
existente, entonces el algoritmo fuerza a preguntar al usuario en busca de
nueva información sobre los elementos que son relevantes para obtener
información sobre el objetivo. Supóngase que se selecciona el nodo M como
nodo objetivo y que se sabe que los objetos D;E; F y L son ciertos.

Estos nodos están sombreados en la Figura 4. Las etapas del algoritmo de

encadenamiento de reglas orientado a un objetivo se ilustran en la Figura 4,
donde el número en el interior de un nodo indica el orden en el que se visita
cada nodo.

Regla 1

Si

No

Regla 2
 Si

No

Regla 3

Si

No

Regla 4

Si

No

Regla 5

Si

No
Regla 6

Si

No

Regla 7

Si

No

Republica Bolivariana de Venezuela

 Ministerio del Poder Popular para la Educación Superior

Colegio Universitario del los Teques Cecilio Acosta

(CULTCA)

Introducción a los Sistemas Inteligentes

Sistemas
Expertos

Bachiller:

Neicker López

C.I 18.235.400

Los Teques 29 de Marzo del 2013