Inicios de la inteligencia artificial y los sistemas expertos

Inicios de la inteligencia artificial y los sistemas expertos

El término inteligencia artificial (IA) se refiere a la capacidad de emular las funciones inteligentes del cerebro humano. El empleo de la IA es muy diversa y actualmente se utiliza principalmente en áreas de informática y la robótica, sin embargo, sus aplicaciones se extienden a otras áreas tan divergentes a las matemáticas como lo pueden ser las ciencias sociales y algunas no tan lejanas como las ciencias empresariales. De igual forma las redes neuronales artificiales y algoritmos genéticos son tecnologías cada vez más difundidas, principalmente en los campos de la investigación y la previsión del mercado con resultados muy positivos y de ahí su extensión en las aplicaciones.

Los Sistemas Expertos (SE) pueden ser considerados como un subconjunto

de la IA. El origen del nombre a dicha técnica (Sistema Experto), se deriva del término “sistema experto basado en conocimiento”. Un Sistema Experto es un sistema que emplea conocimiento humano capturado en un sistema informático para así resolver problemas que normalmente requieran de expertos humanos. Un sistema bien estructurado y diseñado imita el proceso de razonamiento que los expertos utilizan para resolver problemas específicos. Dichos sistemas pueden ser utilizados por no-expertos para mejorar sus habilidades en la resolución de problemas.

Los SE también pueden ser utilizados como asistentes por expertos. Además, estos sistemas podrían (en casos muy especificos) funcionar mejor que cualquier humano experto individualmente tomando decisiones en una específica

y acotada área de pericia.

Origen

Hacia los años ‘80, comienza a surgir la industria de los Sistemas Expertos. En estas fechas se realizaron importantes inversiones en varios países de Europa,

Asia y América, con el fin de lograr generar un sistema capaz de reproducir la

actividad de un experto humano en áreas muy diversas y específicas. Como en otras áreas de la inteligencia artificial, los primeros resultados fueron atractivos y eso generó una expectativa desmesurada. Sin embargo, la comunidad se encontró severas dificultades en la manipulación de la gran cantidad de información necesaria para poder llevar a cabo una actividad realmente experta en el sentido humano. Para lo cual era necesario poder resolver las siguientes tareas de forma eficiente y completa:

• Identificar la información necesaria para optimizar el área en cuestión, conformando la Base de Conocimiento.

• Codificar de manera concisa, eficiente y precisa la información, de modo que la manipulación sea efectiva.

Desgraciadamente la comunidad aún no estaba preparada para el gran desafío que conllevaba desarrollar los sistemas expertos eficientes (esto se dará mucho después con la llegada de las técnicas de minería de datos en los años 90), esto derivó en resultados tibios e irregulares que no cubrieron los ambiciosos objetivos

planteados para estas tecnologías y se tuvo como consecuencia que los fondos y el interés mudaron rápidamente a otras tecnologías más prometedoras. Ante esto, la comunidad reacciona con nuevas metodologías como el aprendizaje automático con refinamiento automático (para evitar los problemas de selección de variables y codificación), y sistemas basados en sentido común (para cubrir los huecos de conocimientos del SE).

Con la incorporación de estas nuevas tecnologías, surge una nueva generación

de SE, mucho más fáciles de mantener, desarrollar y flexibles. En a actualidad, los

desarrolladores tienen a disposición una gran variedad de interesantes alternativas sobre lo que hoy se considera una tecnología ya madura y disponiendo de métodos sofisticados de razonamiento, manejo de errores, incerteza, incompletitud y fallas. Los nuevos SE, son mucho más robustos y apropiados para el diagnóstico y planificación. Esto también a permitido el surgimiento de tecnologías híbridas capaces de combinar las representaciones simbólicas del conocimiento con otras tecnologías más flexibles y cercanas al comportamiento humano. También se han ido incorporando técnicas de las bases de datos, aprendizaje inteligente y estadísticas. Los Sistemas Expertos es una de las áreas de la inteligencia artificial ampliamente utilizada en la actualidad, pero así mismo tienen un gran potencial para seguir siendo investigadas.

En el desarrollo del presente estado de arte se intentará introducir también en la temática con la intención de generar un punto de partida para continuar con el estudio e indagación este interesante y complejo tema.

Continuando con los orígenes, los Sistemas Expertos fueron desarrollados por la comunidad de IA a mediados de los años ‘60. En este periodo de investigación de IA se creía que algunas pocas reglas de razonamiento sumadas a computadoras poderosas podían producir un experto o rendimiento “superhumano”. Un intento en esta dirección fue el Generalpurpose Problem Solver (GPS), Solucionador de problemas de propósito general.

General-purpose Problem Solver (Newell, 1958) o GPS fue un precursor de

los SE. Esta tecnología define los pasos necesarios para cambiar un estado inicial

dado a una meta deseada. Por cada problema se la da:

 1) un set de operaciones

2) precondiciones

3) postcondiciones.

Así un GPS intentará reducir las diferencias entre el estado inicial y la meta.

Se cita como ejemplo el objetivo tipo no. 1: Encontrar una manera de transformar

el objeto a en objeto b. (Los objetos a y b, pueden ser cualesquiera objetos, definidos

en la especificación del ambiente de ejecución. La frase “manera de transformar”

implica “aplicando una secuencia de operadores desde el ambiente de ejecución”.

[pic 1]

[pic 2]

Al igual que otros programas similares, el GPS no cumplió con las expectativas de sus creadores, pero dejaron importantes beneficios. El cambio de los programas de propósito general a propósito específico se dio con el desarrollo de DENDRAL, seguido por el desarrollo de MYCIN entre otros. En este punto los investigadores reconocieron que los mecanismos de resolución de problemas eran sólo una porción de un sistema inteligente completo. La construcción de DENDRAL llevó a los científicos a las siguientes conclusiones:

• La complejidad de los problemas requiere una cantidad considerable de conocimiento sobre el área del problema.

• Los solucionadores de problemas generales eran muy débiles para ser utilizados como base para construir SE de alto rendimiento.

• Los expertos humanos son buenos sólo cuando actúan en un dominio muy acotado.

• Los SE necesitan ser actualizados constantemente con nueva información.

Los siguientes son Sistemas Expertos que fueron clave para el éxito en el avance

significativo en el campo:

DENDRAL: Primer Sistema Experto en ser utilizado para propósitos reales, al margen de la investigación computacional, y durante aproximadamente 10 años, el sistema tuvo cierto éxito entre químicos y biólogos, ya que facilitaba enormemente la inferencia de estructuras moleculares, dominio en el que Dendral estaba especializado.

MYCIN: Es un SE para la realización de diagnósticos, iniciado por Ed Feigenbaum y posteriormente desarrollado por E. Shortliffe. Su función es la de aconsejar a los médicos en la investigación y determinación de diagnósticos en el campo de las enfermedades infecciosas de la sangre.

CADUCEUS: Fue un Sistema Experto médico programado para realizar diagnósticos en medicina interna. Fue completado a mediados de la década de 1980, si bien el inicio de su desarrollo se remonta a la década de 1970, siendo programado por Harry Pople, de la Universidad de Pittsburgh y tomando como punto de partida una serie de entrevistas de Pople al Dr. Jack Meyers. Pretendía mejorar el MYCIN.

Características de los sistemas expertos.

Los SE están compuestos por dos partes principales:

Ambiente de desarrollo, es utilizado por el constructor para crear los componentes e introducir conocimiento en la base de conocimiento.

Ambiente de consulta, es utilizado por los no-expertos para obtener conocimiento

experto y consejos.

Componentes básicos de un SE:

Subsistema de adquisición de conocimiento

Es la acumulación, transferencia y transformación de la experiencia para resolver problemas de una fuente de conocimiento a un programa de computadora para construir o expandir la base de conocimiento. El estado del arte actual requiere un ingeniero en conocimiento que interactúe con uno o más expertos humanos para construir la base de conocimiento.

...