1

INGENIERIA DEL CONOCIMIENTO

JEFFERSON EDUCARDO CABALLERO

FERLEY DELGADO

JUDY MARCELA ROMERO FRANCO

Presentado a:

ZOLANGELA MORENO

Corporación universitaria del meta

Villavicencio – Meta

2023
 2

Resumen

La inteligencia artificial está dedicada al estudio y desarrollo de tecnologías que permitan

que las maquinas piensen por si mismas, como resultado de ello surge una nueva disciplina:

ingeniería del conocimiento (IC), cuyo objeto es precisamente la investigación sobre los métodos

para adquirir, elaborar y representar en el ordenador el conocimiento también llamados sistemas

expertos. Hablamos de software creados para solucionar problemas emulando la mente de una

persona que sea experta en un campo en concreto, para ello aprende reglas de negocio, y técnicas

como arboles de decisión para emular el conocimiento de un experto en un campo, se trata de un

trabajo que exige una estrecha colaboración entre expertos y profesionales de informática, que

tenga cualidades, formación y experiencia específica para realización de dichas tareas. Esta

estrecha colaboración busca como principal función darle solución a los tres aspectos

considerados como los principales problemas con que la ingeniería del conocimiento se ha de

enfrentar.
 3

Introducción

La Ingeniería del Conocimiento es una disciplina que combina la inteligencia artificial y

la ingeniería de software para capturar, modelar y utilizar el conocimiento de expertos humanos

en una determinada área. Su objetivo es crear sistemas de inteligencia artificial capaces de

resolver problemas complejos de manera eficiente, aprovechando el conocimiento experto

disponible. Esta disciplina es esencial en el desarrollo de sistemas expertos, sistemas de

asistencia al usuario, sistemas de toma de decisiones, entre otros. La ingeniería del conocimiento

se basa en la idea de que el conocimiento puede ser modelado y representado en forma de reglas,

conceptos y relaciones, y que estos elementos pueden ser utilizados por los sistemas de

inteligencia artificial para tomar decisiones precisas y efectivas. En este sentido, la Ingeniería del

Conocimiento se presenta como una disciplina clave en la automatización y la digitalización de

diferentes sectores, y es un campo en constante evolución y crecimiento.

 4

Tabla de contenido

Resumen..............................................................................................................................2

Introducción.........................................................................................................................3

Marco de referencia.............................................................................................................5

Marco teórico...................................................................................................................5

Marco legal......................................................................................................................9

Marco conceptual...........................................................................................................10
 5

Marco de referencia

Marco teórico

La ingeniería del conocimiento se basa en varias disciplinas y áreas de conocimiento,

incluyendo la inteligencia artificial, la ciencia de la computación, la lógica, la teoría de la

información y la psicología cognitiva. En general, la ingeniería del conocimiento tiene como

objetivo diseñar sistemas de inteligencia artificial que puedan adquirir, representar y utilizar

conocimiento de manera efectiva.

A continuación, se describen algunas de las principales teorías y enfoques que se utilizan

en la ingeniería del conocimiento:

Teoría de la representación del conocimiento: esta teoría se centra en cómo representar el

conocimiento de manera efectiva para su uso en sistemas de inteligencia artificial. Algunas de las

técnicas utilizadas en la representación del conocimiento incluyen lógica proposicional, lógica de

primer orden, redes semánticas, ontologías y marcos.

 Aprendizaje automático: esta área se centra en el desarrollo de algoritmos y

técnicas que permitan a los sistemas de inteligencia artificial aprender a partir de

datos. El aprendizaje automático incluye técnicas supervisadas, no supervisadas y

de refuerzo.

 Razonamiento basado en casos: este enfoque se basa en el uso de casos o

situaciones específicas para resolver problemas similares. Los sistemas de

razonamiento basado en casos utilizan una base de casos para buscar soluciones a

un problema y adaptarlas para resolver un problema similar.

 6

 Razonamiento basado en reglas: este enfoque se centra en el uso de reglas para

representar el conocimiento y resolver problemas. Los sistemas de razonamiento

basado en reglas utilizan una base de conocimientos compuesta de reglas para

inferir nuevas conclusiones a partir de la información disponible.

 Redes neuronales: esta área se centra en la simulación de redes neuronales

biológicas para el procesamiento de información. Las redes neuronales artificiales

se utilizan para el aprendizaje automático y la clasificación de datos, entre otras

aplicaciones.

Sobre los años de 1960, los investigadores Alan Newell y Herbert Simon presentaron su

programa llamado GPS (General Problem Solver -- solucionador general de problemas), el cual

podía solucionar diferentes situaciones complejas, en particular de la lógica matemática;

aplicándose a la solución de problemas del mundo real (un diagnóstico médico, determinar

características de metales, etcétera). Algunos investigadores desarrollaban sistemas en un

dominio específico, intentando simular el razonamiento de un experto humano. A partir de 1965,

el equipo dirigido por Edward Feigenbaum inició a desarrollar el sistema Dendral, para expertos

(SE) que identificaba estructuras químicas moleculares a partir de su análisis espectrográfico,

utilizando bases de conocimiento. Sobre los años de 1970, se desarrolló MYCIN para consulta y

diagnóstico de infecciones de la sangre. Se utilizó conocimiento impreciso para razonar y la

posibilidad de explicar el proceso de razonamiento. En MYCIN aparecen claramente

diferenciados motores de inferencia y base de conocimiento. A partir de él, surgió EMYCIN

(MYCIN Esencial). Se construyó SACON, utilizado en estructuras de ingeniería; también PUFF

para estudiar la función pulmonar y GUIDON para elegir tratamientos terapéuticos. El desarrollo

de estos sistemas continuó, surgiendo, entre otros, HERSAY que identificaba la palabra hablada;
 7

PROSPECTOR utilizado para hallar yacimientos de minerales. De este último derivó el shell

(sistema experto vacío) KAS (Knowledge Adquisition System). Ya hacia 1980 empieza el

desarrollo de SE para comercializar, cuyo éxito dependía de la representación del conocimiento y

del conjunto de reglas que estructuran el razonamiento.

Los sistemas expertos modernos son CASHVALUE, que evalúa proyectos de inversión,

y VATIA, que asesora acerca del impuesto sobre el valor añadido o IVA . Pero las dificultades

que existen para adquirir conocimiento, tanto de las personas como de los textos, hace surgir en

la década de los años 1980 la Ingeniería del conocimiento. El objeto de la Ingeniería del

conocimiento es la adquisición del conocimiento, representación y validación del mismo,

definiendo metodologías según los avances tecnológicos. Varias de estas poseen diferencias en la

forma, las estrategias y el momento en que se adquiere el conocimiento. (samper, el

conocimiento al poder)

BASES La Ingeniería del conocimiento es una disciplina relativamente nueva; sus

funciones, caracterizar conocimiento que poseen los expertos humanos y gestionarlo, definir

estructuras adecuadas para almacenarlo en el computador. Por tanto, define mecanismos a

emplearse para adquirir conocimiento que poseen los expertos humanos, en particular el de su

experiencia y que no se halla en los textos.

También determinar cómo debe gestionarse, en particular en las organizaciones y darle

valor. De su desarrollo surgen los sistemas “inteligentes”, que son una herramienta especial para

ayudar en la solución de problemas específicos. Como los sistemas para expertos dependen del

conocimiento que posean, se llaman ahora Sistemas basados en conocimiento (SBC)2 . En la

actualidad, se utilizan en todas las áreas para ayudar a solucionar problemas, la detección de
 8

fraudes, asesoría en la calidad del producto, control de redes eléctricas, diagnóstico médico, entre

otros.

Son sistemas que contienen mecanismos que razonan como el ser humano, pero se

restringen a un tema específico. Su razonamiento está determinado por reglas que provee el

experto humano (médico, analista, empresario, etcétera) para resolver un problema concreto.

Entonces, existe el proceso de “extraer” de los expertos, los modelos, las reglas, el conocimiento

y trasladarlo a procesos computacionales. (Samper, introducción a los sistemas expertos)

En sí, los SBC poseen dos partes bien definidas: la base de conocimientos y el motor de

inferencia. El conocimiento del experto se estructura en bases de conocimiento (BC), por medio

de hechos y reglas. Las reglas se encargan de encadenar premisas dadas por el usuario,

confrontarlas con los hechos que posee en la BC e inferir. Los hechos representan características

de la situación del problema o de un objeto.

DEFINICIONES DE SISTEMAS EXPERTOS

Para contextualizar las aplicaciones de la ingeniería de conocimiento, se deben tener en

cuenta las definiciones de sistemas expertos, que son variadas y con diferente enfoque; sin

embargo, solo se presentan las siguientes:

Software que imita el comportamiento de un experto humano en la solución de un

problema mediante el almacenaje de conocimientos de expertos para un campo determinado.

(criado, introducción a los sistemas expertos)

Programas que poseen explícito el conocimiento en ellos de un dominio concreto y que

realizan una tarea relativa a este dominio

 9

Programas que manipulan conocimiento codificado para resolver problemas en un

dominio especializado que generalmente requiere experiencia humana

Programas que contienen tanto conocimiento declarativo (hechos acerca de objetos,

eventos y/o situaciones) como conocimiento de control (información acerca de los cursos de una

acción), para emular el proceso de razonamiento de los expertos humanos en un dominio en

particular y/o área de experiencia

Software que incorpora conocimiento de expertos sobre un dominio de aplicación

especial, de manera que es capaz de resolver problemas de relativa dificultad y apoyar la toma de

decisiones con base en un proceso de razonamiento simbólico.

Marco legal

Regulación General de Protección de Datos (RGPD) de la Unión Europea: Esta ley

establece los requisitos de privacidad y protección de datos para las empresas que operan en la

Unión Europea. La RGPD establece que los ciudadanos tienen el derecho a acceder, corregir y

eliminar sus datos personales, así como a saber cómo se están utilizando.

Ley de Responsabilidad Civil de Robots en la Unión Europea: Esta ley establece las

normas para la responsabilidad en caso de daños causados por robots autónomos y otros sistemas

de inteligencia artificial.

Ley de Protección de Datos Personales en México: Esta ley establece los requisitos para

el manejo de datos personales y establece las obligaciones de las empresas y organizaciones que

manejan estos datos.

 10

Ley de Privacidad y Protección de Datos en los Estados Unidos: Esta ley establece los

requisitos para la privacidad y protección de datos en los Estados Unidos.

Ley de Responsabilidad de los Productos en los Estados Unidos: Esta ley establece las

normas para la responsabilidad en caso de daños causados por productos, incluyendo los

sistemas de inteligencia artificial.

Marco conceptual

Conocimiento: el conocimiento se refiere a la información adquirida y procesada por un

sistema de inteligencia artificial. El conocimiento se puede representar de diversas formas, como

reglas, casos, ontologías, redes semánticas y marcos.

Representación del conocimiento: la representación del conocimiento se refiere a la

manera en que se estructura y organiza el conocimiento para su uso en sistemas de inteligencia

artificial. Las técnicas de representación del conocimiento incluyen la lógica proposicional, la

lógica de primer orden, las redes semánticas y las ontologías.

Aprendizaje automático: el aprendizaje automático es un enfoque para el desarrollo de

sistemas de inteligencia artificial que permite que el sistema aprenda a partir de datos en lugar de

ser programado manualmente. Las técnicas de aprendizaje automático incluyen el aprendizaje

supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo.

Razonamiento: el razonamiento se refiere al proceso mediante el cual un sistema de

inteligencia artificial procesa y utiliza el conocimiento para tomar decisiones o inferir nuevas

conclusiones. El razonamiento se puede hacer mediante el uso de reglas, casos, redes neuronales,

algoritmos genéticos y otros enfoques.

 11

Ontologías: las ontologías son estructuras de conocimiento que se utilizan para definir

los conceptos y relaciones entre los diferentes elementos del conocimiento. Las ontologías son

útiles para la representación del conocimiento y para la interoperabilidad entre diferentes

sistemas de inteligencia artificial.

Sistemas expertos: los sistemas expertos son sistemas de inteligencia artificial que

utilizan conocimiento experto para resolver problemas en un dominio específico. Los sistemas

expertos se basan en técnicas de representación del conocimiento, razonamiento y aprendizaje

automático.
 12

Bibliografia

1. SAMPER Juan. Sistemas expertos. El conocimiento al poder.

[www.psycologia.com/articulos/ar-jsamper01.htm], 05/10/15.

2. SAMPER MÁRQUEZ Juan José. Introducción a los sistemas expertos.

[www.redcientifica.com/doc/doc199908210001.html], 18/10/15.

3. CRIADO BRIZ José Mario. Introducción a los sistemas expertos. Disponible en:

ingenieroseninformatica.org/recursos/tutoriales/sist_exp/cap1.php, 19/10/15.