02 Sistemas expertos

INTELIGENCIA ARTIFICIAL

SISTEMAS EXPERTOS

POR

MG. ABRAHAM GAMARRA MORENO

MG. JOB DANIEL GAMARRA MORENO

LIMA - PERÚ

- 2006 -

Sistemas Expertos Mg. Abraham Gamarra M. - Mg. Daniel Gamarra M.

ii

CONTENIDO ��

�� !��

"�� #�� !��"�� #��$�� %� !��&"�� '�� !� "�� '�

�� $�� %��$��'�� !��$��(��!�� '�'�� )*�� '�

&�� '�� &�+�� #,�� &��-�� +�� .(� ��$��-��


3

SISTEMAS EXPERTOS La inteligencia artificial tiene por objeto analizar los com-

portamientos humanos en lo relativo a la percepción, la com-

prensión y la decisión, con el fin de reproducirlos después

con la ayuda de una máquina: el ordenador.

1. CONCEPTO DE SISTEMA EXPERTO

• Son programas de ordenador que están especialmente

diseñados para representar la experiencia humana en

un dominio particular (área de experiencia).

• Un sistema experto es un programa de ordenador in-

teligente que usa conocimiento y procedimientos de

inferencia para resolver problemas que son lo sufi-

cientemente difíciles como para requerir la inter-

vención de un experto humano para su resolución.

• Un sistema experto es un sistema informático que

incorpora en forma operativo el conocimiento de una

persona experimentada, de forma que es capaz tanto


4

de responder como esta persona, como de explicar y

justificar sus respuestas.

• Los sistemas expertos actúan como ayudantes inteli-

gentes de los expertos humanos y como consultores

cuando no se tiene ninguna otra posibilidad de ac-

ceder a la experiencia y al conocimiento.

• El Comité de Sistemas Expertos de la British Compu-

ter Society ha definido un sistema experto como si-

gue: "La incorporación a un ordenador de un compo-

nente basado en el conocimiento que se obtiene a

partir de la habilidad de un experto, de forma tal

que el sistema pueda dar consejos inteligentes o

tomar decisiones inteligentes. Una característica

adicional deseable, que para muchos es fundamental,

es que el sistema sea capaz, bajo demanda, de jus-

tificar su propia línea de razonamiento de una for-

ma inmediatamente inteligible para el usuario. El

estilo adoptado para obtener estas características

es la programación basada en reglas "

• Un sistema experto es un programa informático que

utiliza el conocimiento y los procedimientos para

resolver problemas difíciles para personas profe-

sionalmente entrenadas. Un programa que emplea co-

nocimiento e inferencias para resolver problemas es

denominado sistema basado en el conocimiento. Cuan-

do el conocimiento y los procedimientos de inferen-

cia se modelan basándose en expertos humanos, a ese

sistema se le puede denominar sistema experto. Hay

dos características que deben resaltarse:


5

- Que el desarrollo de sistemas expertos se basa

en una teoría descriptiva de la forma de reso-

lución de problemas de los expertos humanos.

- Que el foco del desarrollo es una representa-

ción de experiencia, esto es, el conocimiento

adquirido por los humanos mediante la práctica

y el estudio.

2. FUNCIONES DE UN SISTEMA EXPERTO

Se tienen las siguientes funciones que debe cumplir un

sistema experto:

� Resolver problemas muy difíciles igual de bien o mejor

que un experto humano.

� Razonar heurísticamente, utilizando reglas que los ex-

pertos humanos consideran eficaces.

� Interactuar eficazmente y en lenguaje natural con las

personas.

� Manipular descripciones simbólicas y razonar sobre

ellas.

� Funcionar con datos erróneos y reglas imprecisas.

� Contemplar simultáneamente múltiples hipótesis alter-

nativas.

� Explicar por qué plantean sus preguntas.

� Justificar sus conclusiones.


6

3. CARACTERÍSTICAS

Se sugieren las siguientes características para que los

sistemas expertos sean aceptados por sus posibles usua-

rios:

� El programa debe ser útil.

� El programa debe poder usarse.

� El programa debe ser educacional cuando se necesi-

te.

� El programa debe ser capaz de explicar sus propios

consejos.

� El programa debe ser capaz de responder a preguntas

sencillas.

� El programa debe ser capaz de incorporar nuevo co-

nocimiento.

� El conocimiento del programa debe poder ser modifi-

cado fácilmente

4. VENTAJAS Y LIMITACIONES

Se destaca las siguientes ventajas de los sistemas ex-

pertos:

� Mejoras en la productividad, permitiendo ahorrar

tiempo y dinero, dado que con los conocimientos fá-

cilmente accesibles, los problemas se pueden ir re-

solviendo a medida que se van planteando y las de-

cisiones se pueden tomar rápidamente.

� Conservación de conocimientos importantes. Los

sistemas expertos permiten guardar y encapsular los

valiosos conocimientos de un especialista en forma


7

de paquetes de software y difundirlos, de manera

que no se pierdan aunque se pierda el especialista.

Los especialistas, a menudo escriben libros que

ayudan a difundir sus conocimientos. Sin embargo,

los libros suelen ser más teóricos que prácticos, y

hay muchas ocasiones en las que no se puede enseñar

en un libro cómo se aplican los conocimientos de

forma práctica, de modo que esta misión se deja en

manos del lector. Los sistemas expertos resuelven

este problema, ya que para su construcción se de-

termina la esencia de los problemas que se preten-

den resolver y se programa el conocimiento necesa-

rio para su resolución.

� Mejora del aprendizaje y la comprensión. Los sis-

temas expertos también sirven de ayuda a la hora de

entender cómo un especialista resuelve un problema

o cómo aplica sus conocimientos. A menudo, los es-

pecialistas no saben exactamente cómo están resol-

viendo los problemas. Dan por ciertos sus conoci-

mientos y nunca analizan cómo los aplican. Pero

para crear un sistema experto, el diseñador debe

descubrir esos detalles, lek que conduce a una me-

jor comprensión del razonamiento de la mente huma-

na.

Los sistemas expertos también ayudan a mejorar la

capacidad de aprendizaje. Una persona que utiliza

regularmente un sistema experto para resolver pro-

blemas, se familiarizará bastante con la materia en

cuestión, aproximándose la capacidad del usuario a

la del especialista.


8

Castillo y Alvarez1 señalan las siguientes:

� Posibilidad de utilizar personal no especializado

para resolver problemas que requieren especialidad.

� Obtención de soluciones más rápidas. En muchos ca-

sos, la rapidez de obtención de soluciones es to-

talmente necesaria, ya que sin esa rapidez las so-

luciones obtenidas serían inútiles.

� Obtención de soluciones más fiables. El incremento

de fiabilidad se consigue gracias al tratamiento de

datos informatizado, y a veces a la intervención de

grupos de expertos.

� Reducción de costes. Aun cuando el desembolso ini-

cial en el desarrollo o la compra de un sistema ex-

perto es elevado, los costes posteriores se reducen

notablemente, y la amortización se produce con gran

rapidez. Al menos ésta es la experiencia de la li-

teratura existente, en la que las ganancias produ-

cidas por estos sistemas se dan como espectacula-

res.

� Eliminación de operaciones incómodas o monótonas.

� Acceso del conocimiento a poblaciones más amplias

5. LIMITACIONES

Entre las limitaciones destacan:

� La complejidad de los procesos de extracción de co-

nocimientos:

1 Castillo, E.y Alvarez, E.(1989). “Sistemas Expertos: Aprendizaje e incertidumbre”.

Paraninfo, Madrid.


9

- El hecho de que en ciertas áreas existan tantas

excepciones como reglas.

- Frente a un mismo problema, los especialistas di-

fieren frecuentemente en la solución a tomar.

� Problemas ligados a la representación del conoci-

miento.

� Incapacidad para reconocer un problema para el que

su propio conocimiento es inaplicable o insuficien-

te. Así, cuando el problema planteado al sistema

sobrepasa su competencia, sus prestaciones se de-

gradan notablemente.

Esta degradación se debe igualmente a su falta de

sentido: no pueden reemplazar datos omitidos me-

diante un razonamiento de sentido común.

� Limites de los motores de inferencia para tratar

problemas cuyas informaciones sean incompletas o no

monótonas.

� Mala adaptación de las estrategias. Las estrate-

gias, que están programadas de forma procedimental,

se adaptan mal según las circunstancias. El extra-

ordinario poder de adaptación del hombre, y el

hecho de modificar la estrategia de razonamiento en

función de la situación, constituyen una parte im-

portante de su inteligencia.

� Los expertos utilizan la analogía para tomar deci-

siones rápidamente, sin probar progresivamente una

hipótesis. Esto es posible gracias a que la memo-

ria humana es capaz de comparar la situación pre-

sente con una situación análoga ocurrida en el pa-

sado. En este caso, no se estudia progresivamente


10

una hipótesis, sino que se decide de inmediato.

Los sistemas expertos no pueden utilizar este tipo

de razonamiento.

� Duración del desarrollo. Los sistemas operaciona-

les más recientes han empleado más de dos años-

hombre.

� Campo de aplicaciones restringido y específico.

Los sistemas expertos se conciben en dominios de

competencia muy estrechos y con muchas restriccio-

nes específicas del contexto de utilización.

6. ARQUITECTURA Y FUNCIONAMIENTO DE UN SISTEMA EXPERTO SEGÚN SIERRA MOLINA2

Actualmente no existe algo que pueda ser llamado sistema

experto estándar. Sin embargo, hay unos componentes bá-

sicos que existen en la mayoría de los sistemas exper-

tos, y son: base de conocimientos, base de datos, motor

de inferencias y un interfaz de usuario.

6.1. LA BASE DE CONOCIMIENTOS

Se considera vital que el sistema experto tenga ac-

ceso a un conocimiento del dominio tan amplio como

sea posible, ya que debe ser capaz de dar consejos

inteligentes sobre este dominio particular. El

componente que contiene el conocimiento del sistema

recibe el nombre de base de conocimientos.

El método más común de representar el conocimiento

en los sistemas expertos son las reglas de produc-

2 Sierra G. y otros (1995). “Sistemas Expertos en Contabilidad y Administración de Empre-

sas”. USA: Editorial Addison Wesley.


11

ción. El dominio que se va a representar en el

sistema experto se divide en muchas fracciones pe-

queñas de conocimientos o reglas. Las reglas se

escriben en el formato SI ... ENTONCES. Por ejem-

plo, las siguientes reglas de producción podrían

formar parte de la base de conocimientos de un sis-

tema experto para el pago de un cheque:

R1:

SI (El cheque es del banco) Y (La firma es autori-

zada) Y (Las cantidades concuerdan) Y (Hay saldo

suficiente) Y (El receptor ha sido identificado)

ENTONCES Pago del cheque permitido

R2:

SI

(El cheque es al portador) O (Firma del receptor

comprobada) ENTONCES

El receptor ha sido identificado

R3:

SI

(Saldo > Importe) O

(Descubierto autorizado)

ENTONCES

Hay saldo suficiente


12

R4:

SI

(Importe - Saldo) > (Limite descubierto)

ENTONCES

Descubierto autorizado

No todas las reglas pertenecen al dominio del sis-

tema; existen reglas de producción, llamadas meta-

rreglas (reglas sobre otras reglas), cuya función

es indicar en la ejecución de un sistema experto

determinado bajo qué condiciones deben considerarse

unas reglas en lugar de otras.

6.2. LA BASE DE DATOS

Se define la base de datos como la parte de la me-

moria del ordenador que se emplea para mantener un

registro de los datos recibidos, conclusiones in-

termedias y datos generados. El motor de inferen-

cias, afirma, utiliza la base de datos como un bloc

de notas para apuntar lo que sucede en el sistema.

6.3. EL MOTOR DE INFERENCIA

Un experto no es aquel que únicamente tiene acceso

a una gran cantidad de conocimiento, sino el que

sabe cuándo y cómo debe aplicar el conocimiento

apropiado. En la misma forma, el tener una base de

conocimientos no hace inteligente a un sistema ex-

perto, sino que debe tener otro componente que di-


13

rija y controle la implementación del conocimiento.

A ese elemento se le conoce con diferentes nombres,

como estructura de control, intérprete de reglas o

motor de inferencias.

La estrategia de control incluida en el motor de

inferencias determina cómo se examinarán las reglas

de la base de conocimientos, puede ser una estrate-

gia de encadenamiento regresivo o progresivo. En

el primer caso se comienza por las reglas que supo-

nen las conclusiones del sistema y se va retroce-

diendo en el árbol de reglas, y en el segundo se

comienza por los hechos disponibles en la base de

datos buscando reglas que se satisfagan, y así su-

cesivamente.

Cuando una regla se cumple, las conclusiones obte-

nidas se incluyen en la base de datos para poder

emplearlas en la evaluación de otras reglas.

Cada vez que se examina una nueva regla, la máquina

de inferencia comprueba la base de datos para de-

terminar los hechos que conoce e intenta cumplir

los requisitos de la información para satisfacer la

regla. Si no se dispone de suficiente información

para satisfacer la regla, el sistema experto soli-

citará nuevos datos. En otro caso, la máquina de

inferencia simplemente salta a la siguiente regla

de la secuencia, intentando de nuevo contrastar los

datos disponibles en la base de datos con las con-

diciones expresadas por la propia regla. La máqui-

na de inferencia continuará funcionando hasta que


14

se agoten todas las reglas y hechos. En este momen-

to es cuando el sistema presenta sus conclusiones.

6.3.1. Encadenamiento regresivo

La mayoría de los sistemas expertos emplean

técnicas de encadenamiento regresivo, pues

el sistema experto intenta probar una hipó-

tesis. Cuando todos los hechos contenidos

en la base de datos y los obtenidos en el

proceso de inferencia confirman la hipóte-

sis, se supone que ésta es cierta y se

transforma en la recomendación que da el

sistema experto. Todos los sistemas exper-

tos tienen almacenadas las conclusiones po-

sibles para un determinado conjunto de pro-

blemas en un dominio. Al crear la base de

conocimientos, los expertos y los responsa-

bles del diseño definen todos los posibles

resultados. La base de conocimientos con-

tiene una regla que infiere todas las posi-

bles conclusiones. Las demás reglas de la

base de datos proporcionan los pasos de in-

ferencia intermedios que finalmente llevan

a una de las reglas que confirman la hipó-

tesis. Utilizando encadenamiento regresi-

vo, el sistema experto elige una de las

conclusiones finales como hipótesis e in-

tenta probarla a partir de los datos de en-

trada. Si no fuera posible probar la hipó-

tesis, la máquina de inferencia intentaría

probar los siguientes resultados. Antes o

después, el sistema experto confirmará una


15

de las hipótesis y la sesión se dará por

terminada.

6.3.2. Encadenamiento progresivo

Si se implementa una secuencia de control

de encadenamiento progresivo, la máquina de

inferencia parte de los hechos disponibles

en la base de datos y busca los hechos que

se encuentran en la parte SI de las reglas.

Si la parte SI de la regla coincide con un

hecho en la base de datos, la regla se sa-

tisface. La parte ENTONCES de la regla se

considera cierta y el nuevo hecho inferido

se almacena en la base de datos. Con esta

nueva información, la máquina de inferencia

intenta encontrar este hecho recién inferi-

do en la parte SI de otra regla. El proceso

continúa hasta que no es posible alcanzar

más condiciones. En este momento, el sis-

tema experto proporciona su respuesta.

6.4. EL INTERFAZ DE USUARIO

Un sistema experto, por muy sofisticado que sea,

será perfectamente inútil si el usuario no puede

comunicarse con él. La parte del sistema experto

que permite esta comunicación es conocida como el

interfaz de usuario.

La comunicación que realiza un interfaz de usuario

es bidireccional. Al nivel más sencillo, el usua-

rio debe ser capaz de describir su problema al sis-

tema experto, y éste debe ser capaz de responder


16

con sus recomendaciones. Se pretende en la prácti-

ca que un interfaz de usuario realice otras funcio-

nes adicionales. Unas veces se pide al sistema que

explique su razonamiento, y otras, el sistema pide

información complementaria del problema.

El interfaz de usuario debe incluir un subsistema

de adquisición de conocimientos. Los subsistemas

de adquisición de conocimientos proporcionan los

medios adecuados para añadir nuevas reglas y editar

las ya existentes.

El subsistema de adquisición del conocimiento

es el encargado de recibir los elementos de co-

nocimiento que proceden del tándem experto-

ingeniero, comprobar que son elementos nuevos,

es decir, todavía no incluidos en la base de

conocimientos y, en su caso, transmitirlos a

dicha base de forma inteligible para ella.

7. ESTRUCTURA DE UN SISTEMA EXPERTO SEGÚN DURKIN 3

Cuando proporcionamos algún consejo a alguien, un expeto

primero obtiene hechos acerca del problema (Case facts)

y almacena este en su memoria de corto plazo (Short Term

Memory: STM). El experto entonces razona acerca del pro-

blema, combinando los hechos del STM con el conocimiento

de la memoria a largo plazo (Long-Term Memory: LTM).

utilizando este proceso, el experto infiere la nueva in-

formación del problema y llega a conclusiones referidos

al problemas. La siguiente figura muestra un diagrama de

3 Durkin, John (1994). “Expert Systems”. Ed. Macmillan. USA


17

bloques que aproxima la solución de un problema por par-

te de un experto.

�

Los sistemas expertos solucionan problemas utilizando

procesos que son muy similares a los métodos utilizados

por un experto humano, tal como se muestra en la si-

guiente figura:

�

7.1. BASE DE CONOCIMIENTO (KNOWLEDGE BASE)

Parte de un sistema experto que contiene el conoci-

miento del dominio y esta en la LTM.


18

7.2. MEMORIA DE TRABAJO (WORKING MEMORY)

Parte de un sistema experto que contiene los hechos

del problema que se descubren durante la sesión. La

memoria de trabajo es un modelo para la STM.

7.3. EL MOTOR DE INFERENCIA (INFERENCE ENGINE)

Es el procesador de un sistema experto que empareja

los hechos contenidos en la memoria de trabajo con

el conocimiento del dominio contenido en la base de

conocimiento para bosquejar soluciones acerca del

problema. El motor de inferencia intenta imitar el

proceso de razonamiento humano.

8. HERRAMIENTAS: LENGUAJES Y SHELLS

8.1. LENGUAJES DE PROGRAMACION

Existe una gran variedad de herramientas de desa-

rrollo para sistemas expertos:

• Lenguajes de programación convencionales.

• Lenguajes de programación de inteligencia ar-

tificial: LISP y PROLOG.

• Lenguajes de programación orientada a objetos.

8.2. SHELLS

Un shell de sistema experto es un sistema completa-

mente desarrollado, pero con una base de conoci-

mientos vacía. El shell contiene un motor de infe-

rencias, un interfaz de usuario, un dispositivo de


19

explicación y un dispositivo adecuado para entrar

en la base de conocimientos. La mayoría de los

shells utilizan reglas de producción y proporcionan

mecanismos de representación de conocimiento impre-

ciso mediante factores de certidumbre. En los sis-

temas más avanzados se incorporan principios de

programación orientada a objetos e interfaces con

el entorno informática que posibilitan el acceso a

bases de datos, hojas de cálculo y otros ficheros

empleados por el usuario.

La mayoría de los sistemas expertos se han desarro-

llado haciendo uso de shells y no de lenguajes, de-

bido a que eliminan la programación, simplificando

de esta forma el proceso de creación del sistema.

Entre los más populares, podemos citar: ART, CRYS-

TAL, EXSYS, GOLDWORKS, KEE, NEXPERT OBJECT, GURU,

PC CONSULTANT PLUS, TIRS y VP-EXPERT.

9. LA ADQUISICIÓN DEL CONOCIMIENTO

La adquisición y modelización del conocimiento de una

manera eficaz puede ser la tarea que más tiempo requiera

y que más dificultades presente dentro del proceso de

ingeniería del conocimiento. Existen numerosas técnicas

y herramientas de ayuda en este campo que pueden clasi-

ficarse en:

• Métodos manuales.

• Métodos semiautomáticos.

• Métodos automáticos.


20

Los sistemas expertos tradicionales presentan el proble-

ma de la complejidad de los procesos de ingeniería del

conocimiento necesarios para su extracción y Normaliza-

ción, los métodos manuales, que describimos más adelan-

te, constituyen una primera aproximación para su resolu-

ción. En los últimos años, la necesidad de acercar el

lenguaje de representación al experto y de simplificar

los procesos de adquisición de conocimientos en determi-

nadas aplicaciones, han posibilitado el desarrollo de

nuevos sistemas con capacidad de aprendizaje interactivo

(métodos semiautomáticos) y con capacidad de aprendizaje

automático.

9.1. MÉTODOS MANUALES Y SEMIAUTOMÁTICOS

Boose revisa las técnicas más representativas para

la extracción del conocimiento encuadradas en los

dos primeros apartados:

9.1.1. Métodos manuales:

• Brainstorming: Generación rápida de un

gran número de ideas.

• Entrevistas:

Entrevistas no estructuradas: Pregun-

tas de tipo general.

Entrevistas semiestructuradas: Cues-

tiones de respuesta abierta y relación

de tópicos a cubrir.


21

Entrevistas estructuradas: Cuestiona-

rios estrictos y muy específicos.

Entrevistas con repaso: El ingeniero

del conocimiento demuestra el entendi-

miento de la pericia resolviendo el

problema.

Programación neurolingüística: Obser-

vación de aspectos físicos (movimiento

de ojos y lenguaje corporal) para me-

jorar la comunicación con el experto.

Entrevista tutorial: El experto impar-

te una clase.

• Técnicas de análisis de protocolos:

Observación participativa: El ingenie-

ro del conocimiento se convierte en

aprendiz, o de alguna otra forma par-

ticipa en el proceso que sigue el ex-

perto para la resolución del problema.

Análisis de protocolos: Registro y

análisis de las transcripciones obte-

nidas del pensamiento en voz alta ob-

tenido del experto mientras realizaba

su tarea.

• Técnicas de interfaz de usuario:


22

Técnica del mago de Oz: Un experto si-

mula el comportamiento de un sistema

futuro.

9.1.2. Métodos semiautomáticos:

• Basados en las relaciones método-

problema: Su objetivo es encontrar y

clarificar las estrategias de adquisi-

ción de conocimiento para una relación

método problema que puede darse en:

(1) un Problema muy específico em-

pleando un método muy especializado

que requiere mucho conocimiento del

dominio, o (2) un problema general que

se resuelve con un método general que

no requiere mucho conocimiento del do-

minio. Entre los primeros, están AS-

KE, FIS, MOLTKE, MUM, OPAL, PROTOGE,

SMAC y STUDENT. Ejemplos de los se-

gundos son AQUINAS, CLASSIKA, DART,

EAR*, ETS, FLEXIGRID, IRA-GRID, KIT-

TEN, KRITON, NEXTRA, KSSO y SMEE.

• Lenguajes de tareas y problemas. Len-

guajes de representación para la defi-

nición y descripción de problemas y

métodos, entre los que se pueden citar

ASTEK, CODE, KADS y MAC.

• Editores inteligentes e hipertexto:

Editores inteligentes para ayudar a la


23

construcción de grandes bases de cono-

cimientos, como APPRENTICE, CYC, GKE,

KET, KREME, PRED y SEEGRAPH, y siste-

mas hipertexto, como AC-QUIST, CAMEO,

COGNOSYS y SMAC.

9.2. APRENDIZAJE AUTOMÁTICO

Los principales paradigmas de aprendizaje automáti-

co son:

• Redes neuronales (métodos conexionistas de

aprendizaje).

• Métodos empíricos de inducción de reglas y ár-

boles de decisión.

• Razonamiento basado en casos.

• Algoritmos genéticos.


24

BIBLIOGRAFIA

1. Sierra Molina, Guillermo y otros (1995). “Sistemas Exper-

tos en Contabilidad y Administración de Empresas”. Edito-

rial Addison Wesley. USA.

2. Durkin, John (1994). “Expert Systems”. Ed. Macmillan. USA

3. Castillo, E.y Alvarez, E.(1989). “Sistemas Expertos:

Aprendizaje e incertidumbre”. Paraninfo, Madrid.

02 Sistemas expertos

Documents

Transcript of 02 Sistemas expertos