TRABAJO N 01

INTELIGENCIA ARTIFICIAL

ALUMNO: PEDRO ANTONIO DE LAS CASAS ROEDER

SABADO 6 DE JUNIO DEL 2015

INDICE

RESUMEN .................................................................................................................................................... 3

INTRODUCION ............................................................................................................................................. 3

1. INTELIGENCIA ARTIFICIAL ............................................................................................................ 4

1.1 IMPORTANCIA DE LA INTELIGENCIA ARTIFICIAL ...................................................................... 4

1.2. CARATERISTICAS DE LA INTELIGENCIA ARTIFICIAL ............................................................ 5

1.3 EL ALCANCE DE LA INTELIGENCIA ARTIFICIAL ............................................................................. 6

1.4 IMPORTANCIA DE LA INTELIGENCIA ARTIFICIAL EN LA GERENCIA EMPRESARIAL ................. 6

1.5 LA INTELIGENCIA ARTIFICIAL Y EL ANLISIS DE LA SOLVENCIA EMPRESARIAL ..................... 7

2. SISTEMAS EXPERTOS .................................................................................................................. 8

FASE 1: DETERMINACIN DEL PROBLEMA ....................................................................................... 10

FASE 2: ADQUISICION DEL CONOCIMIENTO ..................................................................................... 11

Procesos de Adquisicin de Conocimiento .......................................................................................... 11

Esfuerzo del equipo cooperativo .......................................................................................................... 12

Tcnica de entrevista ........................................................................................................................... 12

Anlisis de Conocimiento..................................................................................................................... 12

FASE 3: DISEO .................................................................................................................................... 13

TAREA 1: Seleccionar Tcnica de Representacin del Conocimiento ................................................ 13

TAREA 2: Seleccionar Tcnicas de Control ........................................................................................ 14

TAREA 3: Seleccionar Software para el desarrollo del sistema experto ........................................... 16

TAREA 4: Desarrollo del Prototipo ...................................................................................................... 16

TAREA 5: Desarrollo de la Interfaz ...................................................................................................... 16

TAREA 6: Desarrollo del Producto ...................................................................................................... 17

FASE 4: PRUEBA ................................................................................................................................... 18

Validacin del sistema ......................................................................................................................... 18

Validar los Resultados ......................................................................................................................... 18

FASE 5: DOCUMENTACIN .................................................................................................................. 18

FASE 6: MANTENIMIENTO .................................................................................................................... 19

4.1 Las Redes Neuronales Artificiales ..................................................................................................... 20

4.1.1 La Neurona Artificial.................................................................................................................... 20

4.1.2 Diferencias entre el cerebro y un ordenador ............................................................................... 20

4.1.2 Un superordenador llamado cerebro .......................................................................................... 21

3. CONCLUSIONES .......................................................................................................................... 23

4. RECOMENDACIONES .................................................................................................................. 23

5. BIBLIOGRAFIA .............................................................................................................................. 24

WEB SITES ............................................................................................................................................. 24

El presente artculo est centrado en analizar ms a fondo la inteligencia artificial con sus diferentes

paradigmas, siendo los ms relevantes las redes neuronales, algoritmos genticos, sistemas de lgica

difusa, autmatas programables y sistemas de inteligencia artificial hbridos, con sus diferentes

aplicaciones en la vida cotidiana y especficamente aplicados a las soluciones de problemas relacionados

con la gerencia empresarial.

Se considera que la gerencia empresarial en nuestros das puede estar muy apoyada en las nuevas

tecnologas, como es la inteligencia artificial ya sea como soporte para una toma de decisiones ms eficaz

o en la ayuda de labores, tareas, que exijan gran demanda de tiempo o representen un alto grado de

peligrosidad al ser humano.

La Inteligencia Artificial comenz como el resultado de la investigacin en psicologa cognitiva y lgica

matemtica. Se ha enfocado sobre la explicacin del trabajo mental y construccin de algoritmos de

solucin a problemas de propsito general. Punto de vista que favorece la abstraccin y la generalidad.

La Inteligencia Artificial es una combinacin de la ciencia del computador, fisiologa y filosofa, tan general

y amplio como eso, es que rene varios campos (robtica, sistemas expertos, por ejemplo), todos los

cuales tienen en comn la creacin de mquinas que pueden "pensar".

La idea de construir una mquina que pueda ejecutar tareas percibidas como requerimientos de

inteligencia humana es un atractivo. Las tareas que han sido estudiadas desde este punto de vista

incluyen juegos, traduccin de idiomas, comprensin de idiomas, diagnstico de fallas, robtica,

suministro de asesora experta en diversos temas.

Es as como los sistemas de administracin de base de datos cada vez ms sofisticados, la estructura de

datos y el desarrollo de algoritmos de insercin, borrado y locacin de datos, as como el intento de crear

mquinas capaces de realizar tareas que son pensadas como tpicas del mbito de la inteligencia

humana, acuaron el trmino Inteligencia Artificial en 1956.

Son muchos los estudios y aplicaciones que se han logrado con el desarrollo de esta ciencia , entre las

cuales tenemos redes neuronales aplicadas al control de la calidad donde la red evala si determinado

producto cumple o no con las especificaciones demandadas, control del proceso qumico en el grado de

acidez, algoritmos genticos aplicados al problema cuadrtico de asignacin de facilidades que trata de la

asignacin de N trabajos en M mquinas, los autmatas programables que se usan para la optimizacin

de sistemas de produccin, en fin, todava queda mucho por descubrir con respecto a las aplicaciones de

esta ciencia.

La Inteligencia Artificial[1]

trata de conseguir que los ordenadores simulen en cierta manera la inteligencia

humana. Se acude a sus tcnicas cuando es necesario incorporar en un sistema informtico,

conocimiento o caractersticas propias del ser humano.

Las definiciones de Inteligencia Artificial han evolucionado tal es as que los autores como Rich & Knight

(1994), Stuart (1996), quienes definen en forma general la IA como la capacidad que tienen las mquinas

para realizar tareas que en el momento son realizadas por seres humanos; otros autores como Nebendah

(1988), Delgado (1998), arrojan definiciones ms completas y las definen cmo el campo de estudio que

se enfoca en la explicacin y emulacin de la conducta inteligente en funcin de procesos

computacionales basadas en la experiencia y el conocimiento continuo del ambiente.

Hay ms autores como Marr (1977), Mompin (1987), Rolston (1992), que en sus definiciones involucran

los trminos de soluciones a problemas muy complejos.

A criterio de los autores las definiciones de Delgado y Nebendan son muy completas, pero sin el apoyo

del juicio formado, emocionalidad del ser humano pueden perder peso dichas soluciones, por eso, hay

que lograr un ambiente sinrgico entre ambas partes para mayor efectividad de soluciones.

En la actualidad Laundon, K. & Laundon, J[2]

(2004), definen a la Inteligencia Artificial como el esfuerzo de

desarrollar sistemas basados en computadora que se pueden comportar como los humanos con la

capacidad de aprender lenguajes naturales, efectuar tareas fsicas coordinadas, utilizar un aparato

perceptor y de emular la experiencia y la toma de decisiones.

1.1 IMPORTANCIA DE LA INTELIGENCIA ARTIFICIAL

A medida que el mundo se vuelve ms complejo, debemos usar nuestros recursos materiales y

humanos con ms eficiencia, y para lograrlo, se necesita la ayuda que nos ofrecen los

computadores.

Existe la falsa impresin de que uno de los objetivos de la inteligencia artificial es sustituir a los

trabajadores humanos y ahorrar dinero. Pero en el mundo de los negocios, la mayora de personas

est ms entusiasmada ante las nuevas oportunidades que ante el abatimiento de costos. Adems,

la tarea de reemplazar totalmente a un trabajador humano abarca de lo difcil a lo imposible, ya que

no se sabe cmo dotar a los sistemas de IA de toda esa capacidad de percibir, razonar y actuar que

tienen las personas. Sin embargo, debido a que los humanos y los sistemas inteligentes tienen

habilidades que se complementan, podran apoyarse y ejecutar acciones conjuntas:

En la agricultura, controlar plagas y manejar cultivos en forma ms eficiente.

En las fbricas, realizar montajes peligrosos y actividades tediosas (labores de inspeccin y

mantenimiento).

En la medicina, ayudar a los mdicos a hacer diagnsticos, supervisar la condicin de los pacientes,

administrar tratamientos y preparar estudios estadsticos.

En el trabajo domstico, brindar asesora acerca de dietas, compras, supervisin y gestin de

consumo energtico y seguridad del hogar.

En las escuelas, apoyar la formacin de los estudiantes, especialmente en aquellas materias

consideradas complejas.

Ayudar a los expertos a resolver difciles problemas de anlisis o a disear nuevos dispositivos.

Aprender de los ejemplos para explorar bases de datos en busca de regularidades explotables.

Proporcionar respuestas a preguntas en lenguaje natural usando datos estructurados y texto libre.

La inteligencia artificial aplicada es la contraparte de ingeniera de la ciencia cognoscitiva y

complementa sus perspectivas tradicionales. La ciencia cognoscitiva es una mezcla de psicologa,

lingstica y filosofa.

La metodologa y terminologa de la inteligencia artificial est todava en vas de desarrollo. La

inteligencia artificial se est dividiendo y encontrando otros campos relacionados: lgica, redes

neuronales, programacin orientada a objetos, lenguajes formales, robtica, etc. Esto explica por qu

el estudio de inteligencia artificial no est confinado a la matemtica, ciencias de la computacin,

ingeniera, o a la ciencia cognoscitiva, sino que cada una de estas disciplinas es un potencial

contribuyente.

1.2. CARATERISTICAS DE LA INTELIGENCIA ARTIFICIAL

Una caracterstica fundamental que distingue a los mtodos de Inteligencia Artificial de los mtodos

numricos[3]

es el uso de smbolos no matemticos, aunque no es suficiente para distinguirlo

completamente. Otros tipos de programas como los compiladores[4]

y sistemas de bases de datos,

tambin procesan smbolos y no se considera que usen tcnicas de Inteligencia Artificial.

El comportamiento de los programas no es descrito explcitamente por el algoritmo[5]

. La secuencia

de pasos seguidos por el programa es influenciado por el problema particular presente. El programa

especifica cmo encontrar la secuencia de pasos necesarios para resolver un problema dado

(programa declarativo). En contraste con los programas que no son de Inteligencia Artificial, que

siguen un algoritmo definido, que especifica, explcitamente, cmo encontrar las variables de salida

para cualquier variable dada de entrada (programa de procedimiento).

El razonamiento basado en el conocimiento[6]

, implica que estos programas incorporan factores y

relaciones del mundo real y del mbito del conocimiento en que ellos operan. Al contrario de los

programas para propsito especfico, como los de contabilidad y clculos cientficos; los programas

de Inteligencia Artificial pueden distinguir entre el programa de razonamiento o motor de inferencia y

base de conocimientos dndole la capacidad de explicar discrepancias entre ellas.

Aplicabilidad a datos y problemas mal estructurados, sin las tcnicas de Inteligencia Artificial los

programas no pueden trabajar con este tipo de problemas. Un ejemplo es la resolucin de conflictos

en tareas orientadas a metas como en planificacin, o el diagnstico de tareas en un sistema del

mundo real: con poca informacin, con una solucin cercana y no necesariamente exacta.

La Inteligencia Artificial incluye varios campos de desarrollo tales como: la robtica, usada

principalmente en el campo industrial; comprensin de lenguajes y traduccin; visin en mquinas

que distinguen formas y que se usan en lneas de ensamblaje; reconocimiento de palabras y

aprendizaje de mquinas; sistemas computacionales expertos.

Los sistemas expertos[7]

, que reproducen el comportamiento humano en un estrecho mbito del

conocimiento, son programas tan variados como los que diagnostican infecciones en la sangre e

indican un tratamiento, los que interpretan datos sismolgicos en exploracin geolgica y los que

configuran complejos equipos de alta tecnologa. Tales tareas reducen costos, reducen riesgos en la

manipulacin humana en reas peligrosas, mejoran el desempeo del personal inexperto, y mejoran

el control de calidad sobre todo en el mbito comercial.

1.3 EL ALCANCE DE LA INTELIGENCIA ARTIFICIAL

Se puede dar una lista de los procesos que generalmente pueden ser llamados inteligencia artificial si

son programados en una computadora.

Solucin de problemas en general

Percepcin

Comprensin del lenguaje natural

Aprendizaje, demostracin de teoremas, juegos

Sistemas Expertos

Lenguaje de la Inteligencia Artificial

Hardware para la Inteligencia Artificial

Robtica

1.4 IMPORTANCIA DE LA INTELIGENCIA ARTIFICIAL EN LA GERENCIA

EMPRESARIAL

En el momento actual la Inteligencia Artificial se aplica a numerosas actividades humanas, y como

lneas de investigacin ms explotadas destacan el razonamiento lgico, la traduccin automtica y

comprensin del lenguaje natural, la robtica, la visin artificial y, especialmente, las tcnicas de

aprendizaje y de ingeniera del conocimiento. Estas dos ltimas ramas son las ms directamente

aplicables al campo de las finanzas pues, desde el punto de vista de los negocios, lo que interesa es

construir sistemas que incorporen conocimiento y, de esta manera, sirvan de ayuda a los procesos

de toma de decisiones en el mbito de la gestin empresarial.

En el mbito especfico del Anlisis Contable, segn Ponte, Sierra, Molina y Bonsn[8]

(1996) la

Inteligencia Artificial constituye una de las lneas de actuacin futura ms prometedoras, con

posibilidades de aplicacin tanto en el mbito de la investigacin como en el diseo de sistemas de

informacin inteligentes, que no solamente proporcionen datos al decisor sino que recomienden el

mejor curso de actuacin a seguir.

De entre todos los paradigmas y estrategias de la Inteligencia Artificial, actualmente dos tienen el

mayor inters para las aplicaciones en la empresa: los sistemas expertos y las redes neuronales

artificiales[9]

. Estos sistemas se pueden combinar, por lo que una solucin prctica es utilizar

sistemas mixtos que incorporan un mdulo de sistema experto con sus reglas junto a otros mdulos

neuronales y estadsticos.

1.5 LA INTELIGENCIA ARTIFICIAL Y EL ANLISIS DE LA SOLVENCIA

EMPRESARIAL

Segn Altman y Saunders (1998, p. 1722) el anlisis de la solvencia empresarial ha sufrido una gran

evolucin a lo largo de los ltimos 20 aos, debido a factores tales como el aumento en el nmero

de quiebras, la desintermediacin creciente que se observa en los mercados financieros, la

disminucin de los tipos de inters o el desarrollo de nuevos instrumentos financieros. Todo ello ha

impulsado el desarrollo de nuevos y ms sofisticados mtodos de anlisis de la solvencia, y entre

este tipo de sistemas ocupan un papel destacado aquellos que estn basados en tcnicas de

Inteligencia Artificial.

La determinacin de la solvencia futura de una empresa puede ser entendida en la mayora de los

casos como una operacin de clasificacin, es decir, dada una informacin inicial o conjunto de

atributos asociados a una empresa, y extrados en su mayor parte de los estados contables de la

misma, lo que pretende el analista es tomar la decisin de clasificar a esa empresa dentro de una

categora concreta de riesgo financiero, de entre varias posibles[10]

. Aplicando la clsica divisin que

hizo Simon[11]

de los procesos de decisin entre estructurados y no estructurados, es claro que esa

decisin es de tipo no estructurado ya que no existe un procedimiento definido para abordarla,

siendo necesario el juicio y la propia evaluacin del decisor. Tal y como sealan diversos autores

Ball y Foster[12]

, Martn Marn[13]

, no existe una teora comnmente aceptada que explique el

fenmeno del fracaso empresarial, por lo que a priori no es posible establecer qu variables

financieras ni qu valores en las mismas determinan la futura solvencia o insolvencia de una firma.

Debido a lo anterior, el estudio de la solvencia implica una investigacin selectiva dentro de un

espacio de alternativas inmenso pues, como se ha comentado, no existe un procedimiento que

conduzca de forma inequvoca a la solucin ptima. Por lo tanto, la seleccin ha de estar basada en

reglas prcticas o heursticas[14]

, debiendo fijarse tambin un criterio de suficiencia para determinar

cuando las soluciones encontradas son satisfactorias. Todo ello concuerda plenamente con el

paradigma de la racionalidad limitada, que gobierna los procesos de decisin en el mbito

econmico. Ese anlisis heurstico se ha implementado tradicionalmente a travs de la aplicacin de

tcnicas estadsticas, tales como el anlisis multidiscriminante lineal o los diversos modelos de

variable de respuesta cualitativa (logit, probit, etc.).

Sin embargo todas estas tcnicas presentan limitaciones, pues parten de hiptesis ms o menos

restrictivas, que por su propia naturaleza la informacin econmica, y en especial los datos extrados

de los estados financieros de las empresas, no van a cumplir, perjudicando as los resultados[15]

.

La aplicacin de tcnicas procedentes del campo de la Inteligencia Artificial surge como un intento

de superar esta limitacin, pues estas ltimas no parten de hiptesis preestablecidas y se enfrentan

a los datos de una forma totalmente exploratoria, configurndose como procedimientos

estrictamente no paramtricos.

En los epgrafes restantes se revisan las aplicaciones al campo del anlisis de la solvencia de los

diversos sistemas de Inteligencia Artificial. Las principales diferencias entre las mismas radican en la

forma en la que abordan el proceso de elicitacin, que es la fase en la cual se extrae el conocimiento

de las fuentes elegidas y, en este sentido, OLeary[16]

indica que los sistemas inteligentes pueden

construirse a partir de dos enfoques:

Al igual que para desarrollar un sistema de informacin convencional existen varias metodologas de

desarrollo como la Ingeniera de la Informacin, tendencias estructuradas y orientadas a objetos, as

existen varias metodologas para desarrollar un sistema experto. Como ya sabemos el rea de sistemas

expertos es relativamente joven por lo cual no se dispone de una nica metodologa sino que cada autor

propone una de acuerdo a su forma de desarrollo. Sin embargo existen algunas que han tenido xito mas

que otras lo cual ha llevado a su mayor difusin.

Aqu solo mencionaremos algunas y mostraremos un esquema general de la metodologa con la cual

trabajaremos nosotros.

Metodologa de Buchanan

Metodologa de Grover

Metodologa de Brule

Metodologa de Blanque y Garca Martnez

Metodologa KADS

Ingeniera del Software,.. etc.

Estas son solo algunas encontradas en la bibliografa revisada. Para nuestro caso nosotros trabajaremos

con la Metodologa de Ingeniera del Conocimiento de Jhon Durkin, de la cual se muestra una breve

descripcin a continuacin:

FASE 1: EVALUACIN

1.1 Motivacin para el Esfuerzo.

1.2 Identificar problemas candidatos.

1.3 Estudio de viabilidad.

1.4 Anlisis de Costo/Beneficio.

1.5 Seleccionar el mejor proyecto.

1.6 Escribir el proyecto propuesto.

FASE 2: ADQUISICIN DEL CONOCIMIENTO

2.1 Recoleccin del conocimiento.

2.2 Interpretacin.

2.3 Anlisis.

2.4 Diseo de mtodos para recolectar conocimiento adicional.

Requerimiento

Conocimiento

Estructura

Evaluacin

Producto

Fase 1

Evaluacin

Fase 2

Adquisicin del

conocimiento

Fase 3

Diseo

Fase 4

Prueba

Fase 5

Documentacin

Fase 6

Mantenimiento

Reformul

acin

Exploraciones

Requerimientos

FASE 3: DISEO

3.1 Seleccionar Tcnica de Representacin del Conocimiento.

3.2 Seleccionar Tcnica de Control.

3.3 Seleccionar Software de Desarrollo de Sistema Experto.

3.4 Desarrollo de Prototipo.

3.5 Desarrollo de Interfase.

3.6 Desarrollo del Producto.

FASE 4: PRUEBAS

4.1 Validacin del Sistema.

4.2 Evaluacin de la Prueba/Evaluacin.

FASE 5: DOCUMENTACIN

5.1 Relacin de temas que deben ser documentados.

5.2 Organizacin de la documentacin.

5.3 Documentacin Impresa.

5.4 Documentacin en hipertexto.

5.5 Reporte Final

FASE 6: MANTENIMIENTO

6.1 Modificaciones probables del sistema.

6.2 Responsables de mantenimiento.

6.3 Interfaces de documentacin del mantenimiento

A continuacin se detallan cada una de las fases de desarrollo de un sistema experto de acuerdo

con Jhon Durkin:

FASE 1: DETERMINACIN DEL PROBLEMA

FASE 2: ADQUISICION DEL CONOCIMIENTO

Siguiendo las fases, la siguiente tarea es la adquisicin del conocimiento. Esta tarea es el desafo ms

difcil en el desarrollo de un sistema experto.

Procesos de Adquisicin de Conocimiento

La adquisicin del conocimiento es inherentemente un proceso cclico. Sigue las tareas de recoleccin del

conocimiento, su interpretacin y anlisis, y el diseo de mtodos para recolectar conocimiento adicional.

La recoleccin es la tarea de adquirir conocimiento del experto. Este esfuerzo requiere entrenamiento en

tcnicas de entrevistas. Adems requiere buenas habilidades de comunicacin interpersonal y la habilidad

para obtener la cooperacin del experto.

La interpretacin de la informacin recolectada envuelve la identificacin de piezas clave de

conocimiento, como conceptos, reglas, estrategias, etc.

El anlisis envuelve el estudio de las piezas clave del conocimiento destapado durante la tarea de

interpretacin. Este esfuerzo proporciona la visin de formar las teoras en la organizacin del

conocimiento y estrategias de solucin de problemas.

El diseo es la tarea de preparacin para el siguiente encuentro con el experto. Siguiendo la realizacin

de las tareas anteriores, se forma una nueva comprensin del problema. Este esfuerzo puede haber

expuesto nuevos conceptos que necesitan exploracin extensa. Las tcnicas de extraccin del

conocimiento son entonces escogidas para obtener esta informacin durante la prxima reunin.

Problemas con adquisicin de Conocimiento

Existen muchos problemas con la adquisicin del conocimiento que hacen de esta una tarea difcil.

Muchos de estos problemas puede remontarse a la dificultad en extraer conocimiento del experto.

Sin premeditacin de conocimiento.- A travs de la experiencia resolviendo un problema, un experto a

menudo compila el conocimiento de la solucin del problema en una forma compacta, la cual permite una

solucin eficiente del problema. Si el experto es preguntado para describir su mtodo de solucin de

problemas, l a menudo har saltos mentales sobre problemas importantes.

Incapacidad para verbalizar el conocimiento.- Muchas tareas son difciles de verbalizar debido a que

ellas fueron aprendidas mirando a otros individuos ejecutando estas tareas. Los esfuerzos de la labor

manual representan este tipo de tareas.

Proveer conocimiento irrelevante .- Muchas sesiones de extraccin pueden ser sostenidas con el

experto durante el proyecto. Despus de un tiempo, la cantidad de informacin recolectada puede estar

agobiando. Para hacer la materia mucho peor, mucha de esta informacin puede ser irrelevante para el

proyecto. La tarea es filtrar a travs de toda esta informacin y escoger slo los problemas importantes.

Proveer conocimiento incompleto.- Un experto a menudo puede proporcionar una descripcin

incompleta de sus procesos mentales. Si el problema es una simple omisin, la situacin puede ser

fcilmente corregida. Sin embargo, si ocurre porque el experto es inconsciente del conocimiento usado,

(problema de compilacin) el desafo puede ser mayor.

Proveer conocimiento incorrecto.- Un experto puede proporcionar conocimiento incorrecto porque l no

est informado o debido a un simple error durante la introspeccin. En cualquier caso, esto lleva a un

cuerpo incompleto del conocimiento en sistemas expertos.

Proveer conocimiento inconsistente.- El conocimiento proporcionado por el experto puede ser

inconsistente con cualquier declaracin. Este problema ocurre frecuentemente cuando el experto

proporciona una explicacin de sus estrategias de resolucin de problemas.

Esfuerzo del equipo cooperativo

El xito del proceso de extraccin del conocimiento depender grandemente de formar un equipo de

individuos que son hbiles y cooperativos. Cada miembro del equipo es responsable de tareas que

solapan tareas de otros. Una interaccin considerable puede esperarse y esto es importante para nutrir el

a veces frgil espritu de cooperacin.

Tcnica de entrevista

La tcnica de obtencin del conocimiento ms comn utilizada hoy en da en el diseo de sistemas

expertos es el mtodo de la entrevista. Esta tcnica envuelve una interaccin directa entre el experto y el

ingeniero del conocimiento, donde las preguntas son dadas para destapar el conocimiento. Para hacer

este productivo esfuerzo, la entrevista debe ser efectivamente manejada.

El manejo de la entrevista propiamente requiere que varios puntos sean dirigidos. Algunos de los bsicos

relacionan a los artculos como preparar la agenda, horario de la sesin, y preparar una lista de

materiales. Otros problemas son ms intangibles, pero importantes para el esfuerzo. Saber cmo

empezar, conducir y terminar efectivamente la entrevista son consideraciones importantes para adquirir la

informacin deseada y para mantener la cooperacin de los miembros del equipo. Tambin es importante

saber cmo hacer las preguntas de una manera que proporcionar la informacin deseada.

Existen diferentes tcnicas de entrevistas para ganar tipos ciertos de conocimiento y para evitar algunos

problemas tpicos asociados con la extraccin del conocimiento.

Anlisis de Conocimiento

Siguiendo la entrevista, la informacin recolectada necesita ser analizada. Los objetivos de este esfuerzo

son determinar qu fue aprendido y que problemas adicionales debe seguirse.

Normalmente una trascripcin es primero hecha de una grabacin de la sesin. Esta trascripcin es luego

revisada para identificar las piezas clave del conocimiento, conceptos, reglas, etc. Estas piezas de

conocimiento son luego analizadas para formar teoras en su organizacin y cmo ellas relacionan a lo

que ya es conocido sobre el problema. Tambin se agregan estas piezas de conocimiento a la

documentacin del proyecto de una manera discutida despus en este captulo.

Un alcance que puede ayudar a analizar el conocimiento recolectado es grabar la informacin recolectada

grficamente. Las representaciones grficas en la forma de mapas de concepto, redes de inferencia,

diagramas de flujo y rboles de decisin pueden ser de valor particular.

FASE 3: DISEO

Esta tarea comienza con la seleccin de la tcnica de representacin del conocimiento y la estrategia de

control. Es seguida con la seleccin de una herramienta de software que rene mejor las necesidades del

problema. Un sistema prototipo pequeo es luego construido para validar el proyecto y para proporcionar

una gua para el trabajo futuro. El sistema es entonces extensamente desarrollado y refinado para

encontrar los objetivos del proyecto. Este proceso es estructurado de acuerdo a las siguientes tareas:

Tarea 1: Seleccionar Tcnica de Representacin del Conocimiento

Tarea 2: Seleccionar Tcnica de Control

Tarea 3: Seleccionar Software de Desarrollo de Sistema Experto

Tarea 4: Desarrollo de Prototipo

Tarea 5: Desarrollo de Interfase

Tarea 6: Desarrollo del Producto

TAREA 1: Seleccionar Tcnica de Representacin del Conocimiento

Se debe escoger una tcnica de representacin del conocimiento que mejor muestre la manera en que el

experto modela el conocimiento del problema mentalmente. Sin embargo, para razones prcticas, se

debe adems considerar los recursos y capacidades de la organizacin.

Un mtodo basado en frames es apropiado si el experto describe el problema referenciando los objetos

importantes y sus relaciones, particularmente si el estado de un objeto afecta a otro objeto. Esta situacin

es encontrada en problemas tipo simulacin o algunas donde las relaciones causales son importantes.

Otra seal que un mtodo basado en frame puede ser bien escogido es que el experto considere varios

objetos similares cuando resuelve el problema. Un sistema basado en frame puede razonar sobre objetos

similares usando solo unas pocas reglas del modelo de emparejamiento que trabajan a travs una clase

de objetos. Esto proporciona un mtodo eficaz al codificar los objetos y las reglas.

Un mtodo basado en reglas es conveniente si el experto discute el problema principalmente usando

declaraciones tipo IF/THEN.

El mtodo de la induccin es de valor si existen ejemplos pasados del problema. La induccin tambin es

apropiada si no existe ningn experto real en el problema, pero una historia de informacin del problema

est disponible que puede usarse para derivar los procedimientos de toma de decisin automticamente.

TAREA 2: Seleccionar Tcnicas de Control

El encadenamiento hacia adelante es apropiado si el experto primero recolecta informacin sobre el

problema y luego ve qu puede ser concluido.

El encadenamiento hacia atrs es una buena opcin si el experto primero considera alguna conclusin o

meta, luego intenta demostrarlo buscando la informacin de apoyo.

En este caso, el experto est principalmente interesado en demostrar alguna hiptesis o recomendacin.

Tambin, si el nmero de metas es mucho menor que la cantidad de posible data, entonces considera un

alcance de encadenamiento hacia atrs.

Paradigmas de Resolucin de Problemas

Otra manera para que usted pueda ganar la visin en escoger ambos, la tcnica de representacin de

conocimiento y la estrategia de inferencia es revisar lo que otras han hecho en el pasado en esfuerzos

similares.

Siguiendo estas mismas ideas, los diseadores del sistema experto escogen a menudo representacin

del conocimiento y tcnicas de control sobre la base del problema que resuelve el paradigma. Estas

opciones confan en los xitos del pasado.

Se han hecho los esfuerzos pasados para relacionar cada paradigma a varios caractersticas que pueden

ser deseables en el diseo del sistema experto (Gevarter 1987, Martin y Ley 1988.Lo siguiente muestra

una aproximacin del anlisis hecho de los proyectos de sistemas expertos anteriormente listados en el

Apndice C en un esfuerzo al elaborar cada proyecto que resuelve el problema, inspeccin a la

representacin de conocimiento y las tcnicas de control que se emplearon. El resultado de este esfuerzo

se muestra en el siguiente esquema:

Tabla N 9: Tipo de problema versus inferencia y Representacin de Conocimiento

TIPO DE PROBLEMA VERSUS INFERENCIA Y REPRESENTACIN

DE CONOCIMIENTO

TIPO DE INFERENCIA REPRESENTACIN DEL

CONOCIMIENTO

HACIA ATRS HACIA ADELANTE REGLAS FRAMES INDUCCIN

CONTROL BAJO ALTO ALTO AVG. BAJO

DISEO BAJO ALTO ALTO BAJO BAJO

DIAGNSTICO ALTO BAJO ALTO MEDIO MEDIO

TIPO DE PROBLEMA

INFERENCIA REPRESENTACIN DEL

CONOCIMIENTO

HACIA ATRS HACIA ADELANTE REGLAS FRAMES INDUCCIN

INSTRUCCIN ALTO MEDIO ALTO MEDIO BAJO

INTERPRETACIN MEDIO ALTO ALTO BAJO BAJO

SEGUIMIENTO BAJO ALTO ALTO MEDIO BAJO

PLANIFICACIN BAJO ALTO ALTO MEDIO BAJO

PREDICCION MEDIO ALTO ALTO BAJO ALTO

PRESCRIPCIN MEDIO MEDIO ALTO BAJO BAJO

SELECCIN ALTO BAJO ALTO BAJO MEDIO.

TAREA 3: Seleccionar Software para el desarrollo del sistema experto

Hay una gran variedad de herramientas de software disponibles para el desarrollo de un sistema

experto. Ellos van desde los lenguajes de programacin bsicos hasta los de desarrollo de alto nivel

(SHELLS).

TAREA 4: Desarrollo del Prototipo

Seleccionado el software de acuerdo a los requerimientos del proyecto, el desarrollo del sistema se

empieza. La mayora de proyectos de sistemas expertos empiezan el desarrollo construyendo un

prototipo de sistema pequeo. Un prototipo es un modelo del sistema final. Su estructura bsica, que

representa y procesa el conocimiento del problema, es igual al esperado en el sistema final. Aunque el

prototipo es slo una pequea versin del sistema final limita la habilidad propiamente si el dise

enva los propsitos siguientes al servidor.

Validacin de aproximacin del sistema experto.

Confirma opcin de tcnica de representacin de conocimiento y estrategias de control.

Proporciona una va de adquisicin de conocimiento.

Definir una estrategia global

Para iniciar el diseo del prototipo es necesario definir una estrategia global. Esta bsqueda es una serie

de tareas de nivel alto que el sistema necesitar realizar.

Definir Estructura de Conocimiento

Durante el desarrollo del prototipo usted debe crear un esquema de trabajo que se acomode los cambios

futuros.

Dar validez al Proyecto

En la primera fase, se hacen los esfuerzos para probar la base de conocimiento completa para la lgica y

consistencia. La naturaleza exhaustiva de esta prueba slo es posible al inicio del proyecto cuando la

base de conocimiento es pequea. Esta comprobacin destapa las deficiencias en el conocimiento y

bsqueda de razonamiento, y valida la opcin de la tcnica de representacin de conocimiento y de

desarrollo de software.

La segunda fase es probar es ms de una demostracin el sistema. Su propsito es quitar algn posible

escepticismo por el proyecto que podra sostenerse por los individuos dentro de la organizacin. Aunque

el sistema habr limitado la capacidad en su formulario del prototipo, una demostracin exitosa en algn

problema pequeo nutrir el apoyo por el proyecto.

En el futuro el prototipo madurar al punto dnde puede atacar los problemas reales que formen el

dominio. En esta fase de probar, se compara los resultados del sistema con aquellos del experto.

TAREA 5: Desarrollo de la Interfaz

Deben definirse las caractersticas tcnicas de la interfaz al principio del proyecto con la cooperacin del

usuario. El desarrollo de la interfaz debe empezar con el desarrollo del prototipo del sistema experto.

Las claves para un diseo eficaz de la interfaz son:

Consistencia

Claridad

Control

Colores de la pantalla

TAREA 6: Desarrollo del Producto

Durante el desarrollo del prototipo, se sostienen las sesiones de extraccin de conocimiento y se corren

las pruebas. Con cada refinamiento, la capacidad del sistema se mejora. En un modo evolutivo, el

prototipo del sistema empieza a asumir la forma del sistema final. No hay un punto fijo dnde esta

transicin ocurre; el prototipo evoluciona gradualmente hasta que el sistema sea completado.

Refinamiento del conocimiento

Una caracterstica bsica de un sistema experto es que gana su forma de poder de conocimiento. Esta

tarea implica ensanchar y profundizar el conocimiento.

El conocimiento es hecho ms ancho agregando nuevos conceptos. En los sistemas basados en reglas

cuando se agregan las reglas se agrega a este nuevo conocimiento. En los sistemas basados en frames,

el nuevo concepto se agrega generando un nuevo frame de la clase.

Ahondando el conocimiento involucra informacin adicional que apoya el conocimiento existente. En los

sistemas basados en reglas, este tipo de desarrollo se ha realizado agregando reglas que apoyan las

reglas existentes. En los sistemas basados en frames, se agregan los nuevos rasgos al marco existente.

Refinamiento del Control

Una versin temprana de un sistema experto normalmente incluye las estrategias de control simples.

Una opcin de encadenamiento dirigido hacia atrs o adelante podra hacerse, junto con un juego

pequeo de metas. sta es una manera buena de empezar el diseo, desde que al principio usted quiere

determinar si usted est entrando la direccin correcta. Con los beneficios del proyecto, se ver maneras

buenas de introducir las estrategias de control ms complejas.

Una rea dnde pueden esperarse refinamientos en el control del sistema est en la agenda de la meta.

La agenda de la meta proporciona una lista de metas que el sistema sigue en alguna sucesin del juego.

Durante el proyecto, usted puede encontrar una necesidad para agregar las metas a la agenda o refinar

existentes en tareas ms finas.

Usted tambin puede descubrir que la sucesin estricta de una agenda de la meta tambin est

reprimiendo la aplicacin. En este evento, se puede querer hacer las metas sensibles al contexto de la

sesin. Esto puede lograrse a travs del uso de meta-regla. Una meta-regla puede escribirse y

establecer las nuevas metas o cargar otras bases de conocimiento sobre la base de la informacin

descubierta.

Aunque usted puede empezar con una sola opcin de encadenamiento dirigido hacia atrs o adelante,

usted puede encontrar una necesidad de cambiar entre ellos. Esta situacin normalmente ocurre si el

problema involucra varias tareas algunos de los cuales pueden manejarse bien por una de las tcnicas de

la inferencia. Cuando esto ocurre, usted debe estructurar varias bases de conocimiento, cada uno con su

propia tcnica de inferencia.

FASE 4: PRUEBA

Conforme prosigue el proyecto el sistema experto necesitar ser probado y evaluado peridicamente

para asegurar que su performance est convergiendo hacia las metas establecidas. Deben tomarse las

decisiones en que se probar, cmo y cundo las pruebas se dirigirn, y quin ser involucrado en las

pruebas. Es importante que estas decisiones se tomen temprano, en un momento cuando las metas del

proyecto originales se establecen.

El proceso de la evaluacin se preocupa ms por la aprobacin del sistema y aceptacin del usuario.

Validacin del sistema

Un sistema experto modela la decisin de un experto humano. Si se dise correctamente, el sistema

deriva los mismos resultados que el experto y razona de una manera similar al experto. Por consiguiente,

el esfuerzo de aprobacin debe dirigirse a lo siguiente:

Valide los resultados del sistema.

Valide que proceso razona el sistema.

Validar los Resultados

Durante la prueba, la informacin del problema se da al sistema experto y la recomendacin del sistema

se compara con resultados cedidos por un individuo llamado el "evaluador."

Hay tres consideraciones mayores al disear una prueba para validar los resultados de un sistema

experto:

La seleccin del criterio de la prueba.

La seleccin de los casos de la prueba.

La seleccin del evaluador.

FASE 5: DOCUMENTACIN

Como un proyecto de sistema experto maduro, la cantidad de conocimiento recolectado del experto crece.

Despus de un tiempo, debe encontrar la cantidad de informacin abrumadora. Para manejar esta

situacin, tendr que decidir temprano sobre algn mtodo para documentar efectivamente esta

informacin.

Si est propiamente diseado, esto tambin servir para las siguientes tareas de mantener el sistema y

escribir el reporte final del proyecto.

Qu necesita ser documentado?

Durante un proyecto de sistema experto, la informacin que usted necesita para retener y grabar en la

documentacin sirve para tres propsitos primarios:

Referencias para desarrollar el sistema experto.

Referencias para redactar el informe final.

Referencias para mantener el sistema experto.

Durante el esfuerzo de desarrollo, se necesitar volver a menudo a esta documentacin para grabar la

nueva informacin o estudiar previamente la informacin descubierta. Desde que muchos proyectos

requieren un reporte final de proyecto, la informacin grabada en la documentacin sirve como una fuente

valiosa para este esfuerzo. Siguiendo el despliegue del sistema experto, el sistema necesitar ser

mantenido. Para acomodar cada uno de estos esfuerzos, debe documentar lo siguiente:

Conocimiento

Grficos de conocimiento

Cdigo fuente

Pruebas

Transcripciones

Glosario de trminos especficos del dominio

Reportes.

FASE 6: MANTENIMIENTO

Muchos sistemas expertos contienen conocimiento que est evolucionando con el tiempo. La

organizacin que usa el sistema puede adquirir nuevos productos y equipos, o cambiar procedimientos

para trabajar con los recursos existentes. Este cambio declara modificaciones apropiadas requeridas al

sistema.

Conforme es usado el sistema experto, las deficiencias pueden tambin ser descubiertas. Los usuarios

pueden encontrar dificultad para usar el sistema, o pueden descubrir omisiones. Mantener cualquier tipo

de software puede ser costoso.

Dada la probabilidad de que necesita cambios el sistema y sus costos asociados, necesita ser establecido

un programa de mantenimiento efectivo para cada proyecto de sistema experto. Los usuarios necesitan

un camino para reportar problemas que ellos encuentran, y los individuos con habilidades de ingeniero de

conocimiento deben estar disponibles para hacer los cambios. Debe adems haber una manera para

manejar el esfuerzo del mantenimiento para asegurar que la tarea se logre efectivamente.

Los mayores temas a considerar al reunir un programa de mantenimiento de sistema experto son:

Documentacin

Pensar en el mantenimiento durante el diseo

Estructura Modular

Separar el conocimiento de la informacin

Meta Reglas

Problemas del Software

Habilidades de programacin

Portabilidad del sistema

Utilidades de modificacin

Acuerdo de mantenimiento

Quin mantiene el sistema?

Cambios del documento.

4.1 Las Redes Neuronales Artificiales

4.1.1 La Neurona Artificial

La neurona Artificial se puede representar como, un circuito elctrico que realice la suma ponderada

de las diferentes seales que recibe de otras unidades iguales y produzca en la salida un uno o un

cero segn el resultado de la suma con relacin al umbral o nivel de disparo.

La neurona artificial es un dispositivo elctrico que responde a seales elctricas. La respuesta la

produce el circuito activo o funcin de transferencia que forma parte del cuerpo de la neurona. Las

"dendritas" llevan las seales elctricas al cuerpo de la misma. Estas seales provienen de censores

o son salidas de neuronas vecinas. Las seales por las dendritas pueden ser voltajes positivos o

negativos; los voltajes positivos contribuyen a la excitacin del cuerpo y los voltajes negativos

contribuyen a inhibir la respuesta de la neurona.

4.1.2 Diferencias entre el cerebro y un ordenador

La diferencia ms importante y decisiva el cmo se produce el almacenamiento de informacin en el

cerebro y en el ordenador.

Ordenador: Los datos se guardan en posiciones de memoria que son celdillas aisladas entre s. As

cuando se quiere acceder a una posicin de memoria se obtiene el dato de esta celdilla. Sin que las

posiciones de memoria aldeanas s de por aludidas.

Cerebro: La gestin es totalmente diferente. Cuando buscamos una informacin no hace falta que

sepamos donde se encuentra almacenada y en realidad no lo podemos saber ya que nadie sabe

dnde guarda hasta hoy en ida el cerebro los datos.

Pero tampoco es necesario ya que basta con que pensemos en el contenido o significado de la

informacin para que un mecanismo, cuyo funcionamiento nadie conoce, nos proporcione

automticamente no solo la informacin deseada sino que tambin las informaciones vecinas, es

decir, datos que de una u otra manera hacen referencia a lo buscado.

Los expertos han concebido una serie de tecnicismos para que lo incomprensible resulte algo ms

comprensible. As a nuestro sistema para almacenar informacin se lo llama memoria asociativa.

Esta expresin quiere dar a entender que los humanos no memorizan los datos diseccionndolos en

celdillas, sino por asociacin de ideas; esto es, interrelacionando contenidos, significados, modelos.

En todo el mundo pero sobre todo en Estados Unidos y Japn, cientficos expertos tratan de dar con

la clave de la memoria asociativa. Si se consiguiera construir un chip de memoria segn el modelo

humano, la ciencia dara un paso gigante en la fascinante carrera hacia la inteligencia artificial. Y

adems el bagaje del saber humano quedara automticamente enriquecido.

4.1.2 Un superordenador llamado cerebro

El hombre necesita un sistema de proceso de datos de mltiple propsito capaz de tratar gran

cantidad de informacin muy distinta y en muy poco tiempo y con el mayor sentido prctico (pero no

necesariamente con exactitud), para inmediatamente poder actuar en consecuencia. Los

ordenadores, en cambio, son altamente especializados con capacidad para procesar con exactitud

informacin muy concreta (en principio solo nmeros) siguiendo unas instrucciones dadas.

El cerebro humano[45]

posee mas de diez millones de neuronas las cuales ya estn presentes en el

momento del nacimiento conforme pasa el tiempo se vuelven inactivas, aunque pueden morir

masivamente.

Nuestro rgano de pensamiento consume 20 Vatios/hora de energa bioqumica[46]

, lo que

corresponde a una cucharada de azcar por hora. Los ordenadores domsticos consumen una

cantidad semejante. Las necesidades de oxigeno y alimento es enorme en comparacin con el resto

del cuerpo humano: casi una quinta parte de toda la sangre fluye por el cerebro para aprovisionar de

oxigeno y nutrieres. La capacidad total de memoria es difcil de cuantificar, pero se calcula que ronda

entre 10 12 y 10 14 bits.

La densidad de informacin de datos de un cerebro todava no se ha podido superar artificialmente y

en lo que se refiere a velocidad de transmisin de datos, a pesar de la lentitud con que transmite

cada impulso aislado, tampoco esta en desventaja, gracias a su sistema de proceso en paralelo: la

informacin recogida por un ojo representa 10 16 bits por segundo.

Segn todos los indicios el cerebro dispone de dos mecanismos de almacenamiento de datos: la

memoria intermedia acepta de cinco a diez unidades de informacin, aunque solo las mantiene

durante algunos minutos. La memoria definitiva guarda las informaciones para toda la vida, lo que no

significa que nos podamos acordar siempre de todo. La memoria inmediata trabaja como una

espacie de cinta continua: la informacin circula rotativamente en forma de impulsos elctricos por

los registros. El sistema es comparable a la memoria dinmica de un ordenador, en la que la

informacin tiene que ser refrescada continuamente para que no se pierda. En cambio, la memoria

definitiva parece asemejare mas bien a las conocidas memoria de celdillas de los ordenadores. Se

cree que esta memoria funciona gracias a formaciones qumicas de las protenas presentes en el

cerebro humano.

Diferencias entre el cerebro y una computadora

Cerebro Computadora

Sistema de datos de mltiple propsito capaz de tratar gran cantidad de informacin en poco tiempo pero no necesariamente con exactitud.

Sistemas altamente especializados con capacidad para procesar informacin muy concreta, siguiendo unas instrucciones dadas.

La frecuencia de los impulsos nerviosos puede variar.

La frecuencia de transmisin es inalterable y esta dada por el reloj interno de la maquina.

Las llamadas sinapsis cumple en el cerebro la funcin simultnea de varias compuertas (and, or, not etc.)

Las compuertas lgicas tienen una funcin perfectamente determinada e inalterable.

La memoria es del tipo asociativo y no se sabe dnde quedara almacenada.

La informacin se guarda en posiciones de memoria de acceso directo por su direccin.

Los impulsos fluyen a 30 metros por segundo. En el interior de una computadora los impulsos fluyen a la velocidad de la luz.

Dentro del mbito de las Ciencias de la Computacin la Inteligencia Artificial es una de las reas que

causa mayor expectacin, incluso dentro de la sociedad en general, debido a que la bsqueda para

comprender los mecanismos de la inteligencia, ha sido la piedra filosofal del trabajo de muchos

cientficos por muchos aos y lo sigue siendo.

Los mtodos tradicionales en Inteligencia Artificial que permitieron el desarrollo de los primeros

sistemas expertos y otras aplicaciones, ha ido de la mano de los avances tecnolgicos y las fronteras

se han ido expandiendo constantemente cada vez que un logro, considerado imposible en su

momento, se vuelve posible gracias a los avances en todo el mundo, generando incluso una nueva

mentalidad de trabajo que no reconoce fronteras fsicas ni polticas. Se entiende como un esfuerzo

comn.

De las diversas tcnicas, los sistemas expertos son la ms tradicional y la que tiene mayor

implantacin, especialmente en entidades financieras, que los utilizan para analizar el riesgo de

crdito etc., La mayor parte de los sistemas expertos estn basados en reglas de clasificacin, las

cuales se obtienen a partir de la experiencia acumulada por uno o varios expertos humanos. No

obstante, en los ltimos aos ha comenzado a aplicarse una nueva metodologa, los sistemas

basados en casos (case based reasoning), en los cuales el anlisis de cada nueva empresa se

realiza por aproximacin al caso ms parecido de los existentes en la base de conocimientos.

Las funciones que realiza un cerebro humano, son imitadas por la inteligencia artificial. Al igual que

las redes neuronales, se han formadas redes de comunidades que se relaciones a travs de la

electrnica, El Internet ayuda a mejorar las relaciones entre los grandes mercados del mundo, y es el

gran causante de la globalizacin.

La mayora de lo problemas a los que se van a aplicar los Algoritmos Genticos, son de naturaleza

no lineal, por lo que es mejor que sea la naturaleza sea nuestra gua para resolverlos. Aunque

intuitivamente pueda parecer la forma menos acertada.

Es importante entender que las herramientas de soporte a la toma de decisiones, son eso,

herramientas, y que la seleccin y uso, simplifican muchas operaciones y procesos en el negocio,

pero que los tomadores de decisiones son la piedra angular.

La inteligencia Artificial es una herramienta, que debe ser utilizada en todo tipo de organizacin ya sea en

el sector pblico o privado, para que sus ejecutivos tomen decisiones en forma oportuna y de manera

eficiente y la organizacin sea competitiva frente a la globalizacin y su entorno.

1. Althoff, K. (1997): "Potential uses of case-based reasoning in the experience-based construction of software systems.", kaiserslautern, Alemania. Proceedings of the 5th German Workshop in Case-Based Reasoning, Centre for learning Systems and Applications, University of Kaiserslautern.

2. Althoff, K. (2001): "Case-Based Reasoning. Handbook of Software Engineering and Knowledge Engineering.", kaiserslautern, Alemania. Fraunhofer Institute for Experimental Software Engineering (IESE).

3. Ball, R. y Foster, G. (1982): "Corporate financial reporting: a methodological review of empirical research", Journal of Accounting Research, supplement, pp. 161-234.

4. Bergmann, R. (1999) : "Developing Industrial Case Based Reasoning Applications. The INRECA Methodology.", Berln, Alemania.

5. Bonsn Ponte, E.; Escobar Rodrguez, T. y Martn Zamora, M.P. (1997b): "Decisin tree induction systems. Applications in Accounting and Finance", en Sierra Molina, G. y Bonsn Ponte, E. (Eds.): Intelligent Technologies in Accounting and Business, Huelva, pp. 191-211.

6. Cuena, J. (1988): "Sistemas Inteligentes. Conceptos, Tcnicas y Mtodos.", Publicacin de la Facultad de Informtica de la Universidad Politcnica de Madrid, Madrid, Espaa.

7. Harmon, P. y King, D. (1988): Sistemas expertos. Aplicaciones de la Inteligencia Artificial en la actividad empresarial, Daz de Santos, Madrid.Palazn Argelles, A. (1991): "Los sistemas expertos como ayuda a las empresas", Direccin y Progreso, n 119, pp. 22-24.

8. Laudon K, & Laudon, J (2004): "Sistemas de Informacin Gerencial", Administracin de la Empresa Digital. Octava Edicin. Pag. 327

9. Martn Marn, J.L. (1984): "El diagnstico de las dificultades empresariales mediante modelos de mercado de capitales", Boletn de Estudios Econmicos, n 123, diciembre, pp. 621-635.

WEB SITES

http://www.lfcia.org/~cipenedo/cursos/scx/Tema2/nodo2-1.html

http://www.monografias.com/trabajos11/compil/compil.shtml

http://es.wikipedia.org/wiki/Algoritmo

http://www.inf.udec.cl/revista/ediciones/edicion8/Rbc.pdf

http://www.lcc.uma.es/~eva/asignaturas/lic/apuntes/1

http://www.5campus.com/leccion/IA

http://www.rutgers.edu/accounting/raw/aaa/aiet

http://aepia.dsic.upv.es/revista/datos.html

http://www.go.to/inteligencia_artificial