1 SISTEMAS EXPERTOS E INTELIGENCIA ARTIFICIAL CRISTHIAN

SISTEMAS EXPERTOS E INTELIGENCIA ARTIFICIAL
CRISTHIAN ALEXANDER MARTINEZ ARENALES
HECTOR ANDRES RODRIGUEZ MARTINEZ
MIGUEL LEONARDO OCAMPO GOMEZ
ESCUELA COLOMBIANA DE CARRERAS INDUSTRIALES
FACULTAD DE INGENIERIA
SISTEMAS DE INFORMACION GERENCIAL
BOGOTÁ, D.C.
SEPTEMBRE, 2015.
1
SISTEMAS EXPERTOS E INTELIGENCIA ARTIFICIAL
CRISTHIAN ALEXANDER MARTINEZ ARENALES
HECTOR ANDRES RODRIGUEZ MARTINEZ
MIGUEL LEONARDO OCAMPO GOMEZ
PROFESOR
PEDRO CASTAÑEDA
ESCUELA COLOMBIANA DE CARRERAS INDUSTRIALES
FACULTAD DE INGENIERIA
SISTEMAS DE INFORMACION GERENCIAL
BOGOTÁ, D.C.
SEPTEMBRE, 2015.
2
TABLA DE CONTENIDO
0. INTRODUCCION
1. INTELIGENCIA ARTIFICIAL
2. EVOLUCION HISTORICA
3. REDES NEURONALES
4. SISTEMAS EXPERTOS
5. FACTOR CRITICO DE ÉXITO
6. CONCLUCIONES
7. CIBERGRAFIAS
3
INTRODUCCIÓN.
Para que una organización sea competitiva en el mercado y ante sus rivales, debe
contar con algunas herramientas que les permita ser más ordenados y eficientes en
todos los procesos administrativos, productivos o comerciales, pero en muchos
casos esto no se cumple debido a la incorrecta utilización de los recursos que ofrece
el entorno a las empresas.
Dado que los objetivos principales de las dos temáticas expuestas a continuación
es manejar una evolución continúa a la vanguardia de las investigaciones en
informática y continuamente se extiende a nuevos canales de investigación,
actualmente dentro del campo de la inteligencia artificial al que se le atribuye esa
facultad es a los sistemas expertos. Estos permiten la creación de máquinas que
razonan, con restricciones a un espacio limitado.
En la actualidad los empresarios y las industrias han invertido grandes esfuerzos
para tratar de dar a las maquinas cierta capacidad de decisión incluso un cierto
grado de inteligencia que se verán reflejados en los sistemas expertos, en si no
tiene verdadera inteligencia artificial ; más bien es un sistema basado en
conocimientos basado en el buen diseño de su base de información y un adecuado
motor de lógica para manipular los datos de una manera, determinar resoluciones
finales dados ciertos criterios.
Los sistemas expertos son una herramienta poderosa para los usuarios en los
procesos, ya que se tiene una secuencia de pasos definidos, pero que puede
configurada para generar un apoyo y/o guía.
4
1. INTELIGENCIA ARTIFICIAL
La inteligencia artificial es considerada una rama de la computación y relaciona un
fenómeno natural con una analogía artificial a través de programas de computador.
La inteligencia artificial puede ser tomada como ciencia si se enfoca hacia la
elaboración de programas basados en comparaciones con la eficiencia del hombre,
contribuyendo a un mayor entendimiento del conocimiento humano.
Por ello el objetivo principal de esta disciplina no son tanto los programas o el propio
ordenador sino la conducta inteligente y, en particular, la conducta humana.
Cuando se refieren a la IA como la misma disciplina que se encarga del estudio de
las diversas alternativas que pueden ser arbitradas para captar el conocimiento. .
Su idea es que la IA puede entenderse como el estudio de las posibles
representaciones del conocimiento y su empleo en el lenguaje, el razonamiento, el
aprendizaje, etc
El comportamiento inteligente esta infinitamente ligado con las habilidades para:
construir, interpretar, describir, modificar, comparar y utilizar estructuras complejas,
incluidas las simbólicas.
2. EVOLUCION HISTORICA
2.1 INTELIGENCIA ARTIFICIAL

Fin de la Segunda Guerra Mundial
La Segunda Guerra Mundial juntó a científicos de distintas disciplinas
incluyendo campos emergentes como la neurociencia y la computación.
En Reino Unido, el matemático Alan Turing y el neurólogo Grey Walter fueron
dos de los pioneros que tomaron el reto de la inteligencia artificial.

El invierno de la inteligencia artificial
El matemático James Lighthill dio en 1973 un reporte sobre el poco avance
de la inteligencia artificial en Reino Unido.
A principios de los años 70, la inteligencia artificial estaba en problemas:
millones habían sido invertidos en ambiciosos proyectos y había poco para
mostrar.
Después de un fuerte debate en el congreso de Estados Unidos en 1973
sobre el tema, el matemático británico James Lighthill entregó un
condenatorio informe sobre el estado de la IA en Reino Unido.
Su visión fue que las máquinas de ese entonces solo podrían ganar una
partida de ajedrez a "nivel de aficionado".
Los fondos para la investigación fueron suprimidos y de esa manera comenzó
lo que se conoció como el invierno de la inteligencia artificial.
5

Azul profundo
En 1997, se conoció con nombre propio a la primera superestrella de la
inteligencia artificial: Azul Profundo (Deep Blue).
La supercomputadora creada por IBM se enfrentó al campeón mundial de
ajedrez Gary Kasparov y por primera vez una máquina venció a un ser
humano en una competencia de esta disciplina.
IBM construyó una máquina que en el papel fue muy superior a Kasparov.
Fue capaz de analizar 200 posiciones en un segundo, pero ¿lo hizo de forma
estratégica?
La respuesta es un indudable sí. La supercomputadora ganó una partida en
1996 y seis en 1997, a pesar de las dudas del multicampeón mundial sobre
la legalidad de su victoria: creyó que había un humano detrás, manejándola.

El primer robot en casa
La empresa estadounidense iRobot creó el primer producto comercial exitoso
para el uso en el hogar que utiliza el principio de inteligencia artificial: la
aspiradora autónoma Roomba.
Limpiar la alfombra estaba lejos de las ambiciones de los pioneros de la
inteligencia artificial, pero Roomba fue un gran logro.
Los sistemas que ordenan su comportamiento son un poco más simples que
los algoritmos utilizados en los prototipos "prehistóricos" diseñados por Grey
Walter medio siglo antes.
Más allá de tener un sensor y un consumo de energía regulado, este
dispositivo tiene la suficiente inteligencia como para limpiar el piso y la
alfombra de una casa.

Máquinas de guerra
Al ver que sus sueños de inteligencia artificial funcionar durante la Guerra
Fría se desvanecieron, el ejército de Estados Unidos ahora está de regreso
con nuevos experimentos.
Su principal inversión son los robots autónomos. BigDog, producido por la
empresa Boston Dynamics, fue uno de los primeros resultados.
Construido para servir como una especie de tanque "animal" en operaciones
de tierra, nunca ha sido utilizado de forma oficial.
También la empresa iRobot se ha especializado en este terreno. Su robot
especializado en control de explosivos, PackBot, se ha utilizado para remover
artefactos explosivos a la vez para detectarlos.

Reconocimiento de voz
En noviembre de 2008, una pequeña ayuda apareció en el nuevo iPhone:
una aplicación de Google que reconocía la voz.
Suena simple, pero es uno de los mayores descubrimientos en este campo.
Más allá de que el reconocimiento de voz es una de las metas de la
6
inteligencia artificial, tras décadas de investigación nunca se había llegado
más allá del 80% de precisión.
Pero Google logró un enfoque mejor: miles de poderosos computadores,
funcionando de forma paralela y aprendiendo patrones a partir de enormes
volúmenes de información entregados por los usuarios de Google, lograron
llevar la cifra, de acuerdo a sus investigaciones, al 90% de exactitud en el
reconocimiento del habla humana.
3. REDES NEURONALES ARTIFICIALES
El cerebro humano es el sistema de cálculo más complejo que conoce el
hombre. El ordenador y el hombre realizan bien diferentes clases de tareas;
así la operación de reconocer el rostro de una persona resulta una tarea
relativamente sencilla para el hombre y difícil para el ordenador, mientras que
la contabilidad de una empresa es tarea costosa para un experto contable y
una sencilla rutina para un ordenador básico.
Un grupo de investigadores ha perseguido la creación de un modelo en el
ordenador que iguale o adopte las distintas funciones básicas del cerebro. El
resultado ha sido una nueva tecnología llamada Computación Neuronal o
también Redes Neuronales Artificiales.
3.1 CARACTERÍSTICAS
Están inspiradas en las neuronas humanas y están construidas por
elementos que se tienen un comportamiento similar al de las neuronas
biológicas del cerebro humano.
o Aprenden de la Experiencia
o Abstraen las características principales de una serie de datos.
o Generalizan de ejemplos previos a ejemplos nuevos

Aprender: adquirir el conocimiento de una cosa por medio del estudio,
ejercicio o experiencia. Las ANN pueden cambiar su comportamiento en
función del entorno. Se les muestra un conjunto de entradas y ellas mismas
se ajustan para producir unas salidas consistentes.

Generalizar: extender o ampliar una cosa. Las ANN generalizan
automáticamente debido a su propia estructura y naturaleza. Estas redes
pueden ofrecer, dentro de un margen, respuestas correctas a entradas que
presentan pequeñas variaciones debido a los efectos de ruido o distorsión.

Abstraer: aislar mentalmente o considerar por separado las cualidades de
un objeto. Algunas ANN son capaces de abstraer la esencia de un conjunto
de entradas que aparentemente no presentan aspectos comunes o relativos.
7
3.2 ESTRUCTURA BÁSICA DE UNA RED NEURONAL

Analogía con el cerebro: la neurona es la unidad fundamental del
sistema nervioso y en particular del cerebro. Cada neurona es una
simple unidad procesadora que recibe y combina señales desde y
hacia otras neuronas. Si la combinación de entradas es
suficientemente fuerte la salida de la neurona se activa.

Redes Neuronales Artificiales: en las Redes Neuronales Artificiales,
ANN, la unidad análoga a la neurona biológica es el elemento
procesador,PE (process element). Un elemento procesador tiene
varias entradas y las combina, normalmente con una suma básica. La
suma de las entradas es modificada por una función de transferencia
y el valor de la salida de esta función de transferencia se pasa
directamente a la salida del elemento procesador. La salida del PE se
puede conectar a las entradas de otras neuronas artificiales (PE)
mediante conexiones ponderadas correspondientes a la eficacia de la
sinapsis de las conexiones neuronales. La Figura (1.2) representa un
elemento procesador de una red neuronal artificial implementada en
un ordenador.
Una red neuronal consiste en un conjunto de unidades elementales PE
conectadas de una forma concreta. El interés de las ANN no reside
sólamente en el modelo del elemento PE sino en las formas en que se
conectan estos elementos procesadores. Generalmente los elementos PE
están organizados en grupos llamados niveles o capas. Una red típica
consiste en una secuencia de capas con conexiones entre capas adyacentes
consecutivas. Existen dos capas con conexiones con el mundo exterior. Una
capa de entrada, buffer de entrada, donde se presentan los datos a la red, y
una capa buffer de salida que mantiene la respuesta de la red a una entrada.
El resto de las capas reciben el nombre de capas ocultas. La Figura (1.3)
muestra el aspecto de una Red Neuronal Artificial.
3.3 APLICACIONES DE LAS REDES NEURONALES ARTIFICIALES
Las características especiales de los sistemas de computación neuronal
permiten que sea utilizada esta nueva técnica de cálculo en una extensa
variedad de aplicaciones.
La computación neuronal provee un acercamiento mayor al reconocimiento
y percepción humana que los métodos tradicionales de cálculo. Las redes
neuronales artificiales presentan resultados razonables en aplicaciones
donde las entradas presentan ruido o las entradas están incompletas.
Algunas de las áreas de aplicación de las ANN son las siguientes:


Análisis y Procesado de señales - Reconocimiento de Imágenes
Control de Procesos - Filtrado de ruido
8


Robótica - Procesado del Lenguaje
Diagnósticos médicos - Otros

Conversión Texto a Voz: uno de los principales promotores de la
computación neuronal en esta área es Terrence Sejnowski. La
conversión texto-voz consiste en cambiar los símbolos gráficos de un
texto en lenguaje hablado. El sistema de computación neuronal
presentado por Sejnowski y Rosemberg, el sistema llamado Curso:
Redes Neuronales Artificiales y sus Aplicaciones © Xabier Basogain
Olabe 9 Tema 1.- Introducción a la Computación Neuronal NetTalk,
convierte texto en fonemas y con la ayuda de un sintetizador de voz
(Dectalk) genera voz a partir de un texto escrito. La ventaja que ofrece
la computación neuronal frente a las tecnologías tradicionales en la
conversión texto-voz es la propiedad de eliminar la necesidad de
programar un complejo conjunto de reglas de pronunciación en el
ordenador. A pesar de que el sistema NetTalk ofrece un buen
comportamiento, la computación neuronal para este tipo de aplicación
abre posibilidades de investigación y expectativas de desarrollo
comercial.

Procesado Natural del Lenguaje: incluye el estudio de cómo se
construyen las reglas del lenguaje. Los científicos del conocimiento
Rumelhart y McClelland han integrado una red neuronal de proceso
natural del lenguaje. El sistema realizado ha aprendido el tiempo
verbal pass tense de los verbos en Inglés. Las características propias
de la computación neuronal como la capacidad de generalizar a partir
de datos incompletos y la capacidad de abstraer, permiten al sistema
generar buenos pronósticos para verbos nuevos o verbos
desconocidos.

Compresión de Imágenes: la compresión de imágenes es la
transformación de los datos de una imagen a una representación
diferente que requiera menos memoria o que se pueda reconstruir una
imagen imperceptible. Cottrel, Munro y Zisper de la Universidad de
San Diego y Pisttburgh han diseñado un sistema de compresión de
imágenes utilizando una red neuronal con un factor de compresión de
8:1.

Reconocimiento de Caracteres: es el proceso de interpretación
visual y de clasificación de símbolos. Los investigadores de Nestor,
Inc. han desarrollado un sistema de computación neuronal que tras el
entrenamiento con un conjunto de tipos de caracteres de letras, es
capaz de interpretar un tipo de carácter o letra que no haya visto con
anterioridad.
9

Reconocimiento de Patrones en Imágenes: una aplicación típica es
la clasificación de objetivos detectados por un sonar. Existen varias
ANN basadas en la popular Backpropagation cuyo comportamiento es
comparable con el de los operadores humanos. Otra aplicación normal
es la inspección industrial.

Problemas de Combinatoria: en este tipo de problemas la solución
mediante cálculo tradicional requiere un tiempo de proceso (CPU) que
es exponencial con el número de entradas. Un ejemplo es el problema
del vendedor; el objetivo es elegir el camino más corto posible que
debe realizar el vendedor para cubrir un número limitado de ciudades
en un área geográfica específica. Este tipo de problema ha sido
abordado con éxito por Hopfield y el resultado de su trabajo ha sido el
desarrollo de una ANN que ofrece buenos resultados para este
problema de combinatoria.

Procesado de la Señal: en este tipo de aplicación existen tres clases
diferentes de procesado de la señal que han sido objeto de las ANN
como son la predicción, el modelado de un sistema y el filtrado de
ruido.

Predicción: en el mundo real existen muchos fenómenos de los que
conocemos su comportamiento a través de una serie temporal de
datos o valores. Lapedes y Farber del Laboratorio de Investigación de
los Álamos, han demostrado que la red backpropagation supera en un
orden de magnitud a los métodos de predicción polinómicos y lineales
convencionales para las series temporales caóticas.

Modelado de Sistemas: los sistemas lineales son caracterizados por
la función de transferencia que no es más que una expresión analítica
entre la variable de salida y una variable independiente y sus
derivadas. Las ANN también son capaces de aprender una función de
transferencia y comportarse correctamente como el sistema lineal que
está modelando.

Filtro de Ruido: las ANN también pueden ser utilizadas para eliminar
el ruido de una señal. Estas redes son capaces de mantener en un
alto grado las estructuras y valores de los filtros tradicionales.

Modelos Económicos y Financieros: una de las aplicaciones más
importantes del modelado y pronóstico es la creación de pronósticos
económicos como por ejemplo los precios de existencias, la
producción de las cosechas, el interés de las cuentas, el volumen de
las ventas etc. Las redes neuronales están ofreciendo mejores
resultados en los pronósticos financieros que los métodos
convencionales.
10

ServoControl: un problema difícil en el control de un complejo
sistema de servomecanismo es encontrar un método de cálculo
computacional aceptable para compensar las variaciones físicas que
se producen en el sistema. Entre los inconvenientes destaca la
imposibilidad en algunos casos de medir con exactitud las variaciones
producidas y el excesivo tiempo de cálculo requerido para la obtención
de la solución matemática. Existen diferentes redes neuronales que
han sido entrenadas para reproducir o predecir el error que se produce
en la posición final de un robot. Este error se combina con la posición
deseada para proveer una posición adaptativa de corrección y mejorar
la exactitud de la posición final.
3.4 IMPLEMENTACIÓN Y TECNOLOGÍAS EMERGENTES
El resurgimiento de la computación neuronal en los últimos años se ha
producido por el desarrollo teórico de nuevos modelos matemáticos del
comportamiento del cerebro y por el desarrollo de nuevas tecnologías que ya
están siendo utilizadas en una gran variedad de aplicaciones comerciales.
Entre los avances o desarrollos tecnológicos que permiten la realización de
la computación neuronal destacan los programas software de simulación, los
aceleradores hardware, los chips de silicio y los procesadores ópticos.

Simuladores Software: constituyen una de las formas más versátiles
con las que se pueden implementar redes neuronales. Estos
programas constituyen todo un sistema de desarrollo y realización de
prototipos de redes neuronales. Estos programas se utilizan para
diseñar, construir, entrenar y probar redes neuronales artificiales para
resolver problemas complejos y problemas del mundo real. Los
primeros simuladores software se ejecutaban en ordenadores de
grandes prestaciones y el avance de los ordenadores personales en
capacidad de procesado y capacidad de memoria hace posible que
exista una serie de simuladores software de grandes prestaciones que
corren sobre ordenadores personales. Entre otros paquetes software
se incluye Neural Works, Neuralyst, Explore Net y Kwowledge Net.

Aceleradores Hardware: la naturaleza paralela de la computación
neuronal se presta a realizar diseños concretos y a medida de
dispositivos físicos, aceleradores hardware, que aceleren la ejecución
de los cálculos. Los aceleradores hardware para los sistemas de
computación neuronal son dispositivos físicos constituidos por
diferentes procesadores interconectados que ayudan a la realización
y ejecución del comportamiento de las ANN. Una de las ventajas de
los aceleradores hardware diseñados específicamente para la
computación neuronal es el aumento de la velocidad de procesado.
Esta característica permite la utilización de las ANN en aplicaciones
11
de tiempo real. Robert Hecht-Nielsen desarrolló el acelerador
hardware Mark III que constaba de 8100 procesadores y trabajaba
como un periférico de un VAX. La mayoría de las casas comerciales
dedicadas al diseño de las ANN han desarrollado diferentes tarjetas
basadas en los diferentes procesadores existentes, diseñadas para
trabajar en el entorno de un ordenador personal PC y presentando un
progresivo ratio de actualizaciones de interconexiones por segundo.

Chips de Silicio: Otro de los campos de la investigación en el mundo
de las ANN al margen de los simuladores software y aceleradores
hardware, es la integración de todos los componentes de computación
neuronal en un chip de silicio. Un ejemplo concreto es el chip
Electronic Neural Network (EEN) de la compañía AT&T que contiene
256 transistores-neuronas y más de 100.000 resistencias-sinapsis.
Actualmente este chip está siendo utilizado para aplicaciones de
compresión del ancho de banda de imágenes de vídeo para poder ser
transmitidas por una línea telefónica. Existen muchas compañías y
centros de investigación que están trabajando en el desarrollo de
circuitos integrados que realizan computación neuronal. La mayoría
de las aplicaciones de estos chips está siendo la simulación de
procesos sensitivos como la visión de imágenes y la audición de
sonidos.
4 SISTEMAS EXPERTOS





En 1955 Newell y Simon desarrollan la Teoría de la lógica. Este desarrollo
permitió desarrollar un programa que exploraba la solución a un problema
utilizando ramas y nudos, seleccionando únicamente las ramas que más
parecían acercarse a la solución correcta del problema.
En 1956, se celebra una conferencia en Vermont (USA) de gran
trascendencia en el desarrollo de la I.A. John McCarthy propone por primera
vez el uso del término "Inteligencia Artificial" para denominar el estudio del
tema.
En 1957, aparece la primera versión de "The General Problem Solver" (GPS,
Solucionador general de problemas), un programa capaz de solucionar
problemas de sentido común pero no problemas del mundo real como
diagnósticos médicos. El GPS utilizaba la teoría de la retroalimentación de
Wiener..
En 1958 McCarthy anuncia su nuevo desarrollo el lenguaje LISP (LISt
Procesing), el lenguaje de elección para todos aquellos desarrolladores
inmersos en el estudio de la IA.
En 1963, el Instituto Tecnológico de Massachussets (MIT) recibe una
subvención de 2,2 millones de dólares del gobierno de los Estados Unidos
en concepto de investigación en el campo de la IA. De esa forma, se
comprueba la importancia que el Gobierno concede a la investigación dentro
de ese campo.
12










En 1965 aparece DENDRAL, el primer sistema experto. Es en ese año
cuando Feigenbaum entra a formar parte del departamento de informática de
Stanford. Allí conoció a Joshua Lederberg, el cual quería averiguar cual era
la estructura de las moléculas orgánicas completas. El objetivo de DENDRAL
fue estudiar un compuesto químico. El descubrimiento de la estructura global
de un compuesto exigía buscar en un árbol las posibilidades, y por esta razón
su nombre es DENDRAL que significa en griego "árbol".Antes de DENDRAL
los químicos solo tenían una forma de resolver el problema, estar era tomar
unas hipótesis relevantes como soluciones posibles, y someterlas a prueba
comparándolas con los datos.
La realización de DENDRAL duró más de diez años (1965-1975). Se le puede
considerar el primer sistema experto.
En 1965 también se empezaron a utilizar técnicas para la resolución de
problemas que se caracterizaban por la búsqueda heurística como modelo
para la resolución de problemas, y con ellas comenzó la investigación y
desarrollo de los sistemas expertos.
En 1972, en la Universidad de Standford se desarrolla MYCIN, sistema
experto dentro del campo de la medicina para diagnostico de enfermedades
infecciosas en la sangre. MYCIN se trataba de un sistema experto para el
diagnóstico de enfermedades infecciosas. Desde los resultados de análisis
de sangre, cultivos bacterianos y demás datos, el prog rama era capaz de
determinar, o en lo menos, sugerir el microorganismo que estaba causando
la infección. Después de llegar a una conclusión, MYCIN prescribía una
medicación que se adaptaba perfectamente a las características de la
persona, tales como el peso corporal de este.
Al mismo tiempo, Davir Marr propone nuevas teorías sobre la capacidad de
reconocimiento visual de las diferentes máquinas.
En 1972 aparece el lenguaje PROLOG basado en las teorías de Minsky.
En 1973 se desarrolla el sistema experto llamado TIERESIAS. El cometido
de este sistema experto era el de servir de intérprete entre MYCIN y los
especialistas que lo manejaban, a la hora introducir nuevos conocimientos
en su base de datos. El especialista debía utilizar MYCIN de una forma
normal, y cuando este cometiera un error en un diagnóstico (hecho producido
por la falta o fallo de información en el árbol de desarrollo de teorías)
TEIRESIAS corregiría dicho fallo destruyendo la regla si es falsa o
ampliándola si es eso lo que se necesita.
En 1979 aparece XCON, primer programa que sale del laboratorio Su usuario
fue la Digital Equipament Corporation (DEC).
El cometido de XCON sería configurar todos los ordenadores que saliesen
de la DEC. El proyecto presentó resultados positivos y se empezó a trabajar
en el proyecto más en serio en diciembre de 1978.
En abril de 1979 el equipo de investigación que lo había diseñado pensó que
ya estaba preparado para salir, y fue entonces, cuando se hizo una prueba
real, esperando resolver positivamente un 95% de las configuraciones, este
porcentaje tal alto se quedó en un 20% al ser contrastado con la realidad;
13






XCON volvió al laboratorio, donde fue revisado y a finales de ese mismo año
funcionó con resultados positivos en la DEC.
En 1980 se instauró totalmente en DEC. Y en 1984, el XCOM había crecido
hasta multiplicarse por diez. El XCOM supuso un ahorro de cuarenta millones
de dólares al año para la DEC.
Entre los años 80 a 85 se produce la revolución de los Sistemas Expertos
En estos 5 años se crearon diversos sistemas expertos como el DELTA, de
General Electric Company, para la reparación de locomotoras diesel y
eléctricas. "Aldo en Disco" para la reparación de calderas hidroestáticas
giratorias usadas para la eliminación de bacterias.
Se crearon multitud de empresas dedicadas a los sistemas expertos como
Teknowledge Inc., Carnegie Group, Symbolics, Lisp Machines Inc., Thinking
Machines Corporation, Cognitive Systems Inc. formando una inversión total
de 300 millones de dólares. Los productos más importantes que creaban
estas nuevas compañías eran las "máquinas Lisp", que se trataba de unos
ordenadores que ejecutaban programas LISP con la misma rapidez que en
un ordenador central, y el otro producto fueron las "herramientas de
desarrollo de sistemas expertos".
En 1987 XCON empieza a no ser rentable. Los técnicos de DEC tuvieron que
actualizar XCOM rápidamente llegándose a gastar más de dos millones de
dólares al año para mantenimiento y algo parecido ocurrió con el
DELTA..También en 1987 aparecieron los microordenadores Apple y
compatibles IBM con una potencia parecida a los LISP. El software se
transfirió a máquinas convencionales utilizando el lenguaje "C" lo que acabó
con el LISP.
A partir de los 90 y con el desarrollo de la informática, se produce un amplio
desarrollo en el campo de la IA y los sistemas expertos, pudiéndose afirmar
que estos se han convertido en una herramienta habitual en determinadas
empresas en la actualidad.
Se puede decir que los Sistemas Expertos son el primer resultado operacional de la
Inteligencia artificial, pues logran resolver problemas a través del conocimiento y
raciocinio de igual forma que lo hace el experto humano.
Un Sistema Experto (SE), es básicamente un programa de computadora basado en
conocimientos que lleva acabo una persona con los conocimientos y experiencia es
decir es un programa que imita el comportamiento humano ya que utiliza la
información que le es proporcionada para brindar una opinión sobre un tema en
específico.
Sistema Experto es un programa de computadora interactivo que contiene la
experiencia, conocimiento y habilidad propios de una persona o grupos de personas
especialistas en un área particular del conocimiento humano, de manera que
permitan resolver problemas específicos de ése área de manera inteligente y
satisfactoria
14
Los usuarios que introducen la información al SE son en realidad los expertos
humanos, y tratan a su vez de estructurar los conocimientos que poseen para
ponerlos entonces a disposición del sistema12. Los SE son útiles para resolver
problemas que se basan en conocimiento.
Los Sistemas Expertos permiten el desarrollo de otros sistemas que representan
el conocimiento como una serie de reglas. Las distintas relaciones, conexiones y
afinidades sobre un tema pueden ser compiladas en un Sistema Experto pudiendo
incluir relaciones altamente complejas y con
Múltiples interacciones.
4.1 COMPORTAMIENTO DE LOS SISTEMASEXPERTOS
Un sistema experto puede estar diseñado para demostrar una característica
genérica concreta que se ajusta a las necesidades del usuario final, dependiendo
del grado de dificultad que la aplicación lleve consigo y de la propia naturaleza de
la misma.
No obstante sí que es posible encontrar en casi todos ellos una serie de
posibilidades (prestaciones), que dada la frecuencia con la que se suelen presentar
constituye en si elementos que caracterizan y condicionan el comportamiento de los
mismos.
4.2 CREACIONDE LOS SISTEMAS EXPERTOS
Arquitectura Básica
Un sistema experto está compuesto de los siguientes elementos: base de
conocimiento, base de hechos, motor de inferencia, subsistema de explicación,
interfaz de usuario.
Base de conocimiento
Es la parte del sistema experto que contiene el conocimiento sobre el dominio. Hay
que obtener el conocimiento del experto y codificarlo en la base de conocimientos.
Una forma clásica de representar el conocimiento en un sistema experto son lar
reglas. Una regla es una estructura condicional que relaciona lógicamente la
información contenida en la parte del antecedente con otra información contenida
en la parte del consecuente.
Base de hechos
Contiene los hechos sobre un problema que se han descubierto durante una
consulta. Durante una consulta con el sistema experto, el usuario introduce la
información del problema actual en la base de hechos. El sistema empareja esta
información con el conocimiento disponible en la base de conocimientos para
deducir nuevos hechos.
15
Motor de inferencia
El sistema experto modela el proceso de razonamiento humano con un módulo
conocido como el motor de inferencia.
Dicho motor de inferencia trabaja con la información contenida en la base de
conocimientos y la base de hechos para deducir nuevos hechos. Contrasta los
hechos particulares de la base de hechos con el conocimiento contenido en la base
de conocimientos para obtener conclusiones acerca del problema.
Bajo costo: A pesar de que el costo inicial pueda ser elevado, gracias a la capacidad
de duplicación el coste finalmente es bajo.
• Entornos peligrosos: Un SE puede trabajar en entornos peligrosos o dañinos para
el ser humano.
• Fiabilidad: Los SE no se ven afectados por condiciones externas, un humano sí
(cansancio, presión, etc.).
• Consolidar varios conocimientos.
• Apoyo Académico.
4.3 CAMPOS DE APLICACIÓN
Según el tipo de problema a resolver, los ámbitos de aplicación en los que más se
han utilizado los sistemas basados en el conocimiento son los siguientes:
● Sistemas de ayuda a la toma de decisiones. Se trata de sistemas que a partir de
una problemática determinada sugieren la solución que consideran más idónea a
partir del conocimiento incluido en el sistema.
● Configuración. Se encargan de la selección y planificación de los componentes
que se necesitan en un proceso determinado. Un caso típico son los sistemas que
ayudan a configurar los equipos físicos a partir de los componentes existentes y de
las restricciones establecidas.
● Diagnóstico. Se trata de sistemas que a partir de unos
"síntomas" determinan las causas que lo producen.
Ejemplo de ellos son los sistemas basados en el conocimiento de diagnóstico de
enfermedades o de averías.
● Interpretación y Análisis. Sirven para tratar grandes volúmenes de información,
interpretarla, dar un informe explicativo y sugerir las acciones a tomar. Ejemplo de
ellos pueden ser los sistemas de evaluación de resistencia de estructuras frente a
terremotos o sistemas de supervisión de procesos industriales.
● Monitorización. Estos sistemas suelen encargarse de monitorizar procesos
suministrando una salida de control como respuesta. Existen muchos ejemplos de
monitorización de procesos en factorías, plantas químicas, centrales nucleares, etc.
Son sistemas que deben funcionar en tiempo real.
● Planificación. Son sistemas que establecen las etapas y recursos necesarios para
alcanzar un determinado objetivo. Ejemplo de ellos podría ser un sistema basado
en el conocimiento de planificación de trabajos en una factoría.
● Interfaces inteligentes. Hacen de puente entre las personas y equipos complejos
y de difícil utilización.
Caso típico son los interfaces inteligentes de acceso a base de datos.
16
● Diseño. Son aquéllos que efectúan la planificación o trazado de un objeto o
sistema en base a los requisitos especificados. Suelen ser capaces de dar
diferentes soluciones de forma que el usuario pueda elegir aquélla que le convenga.
Ejemplo de este tipo son los sistemas de ayuda al diseño de puentes, presas,
microcircuitos electrónicos, etc.
SISTEMAS DE TRADING
Para poder entender un poco mejor el ámbito donde funcionarán los sistemas
expertos basado en operaciones bursátiles es necesario profundizar en el entorno
donde nos moveremos.
Bolsa de Valores
Una Bolsa de Valores, es una organización privada que brinda las facilidades
necesarias para que sus miembros, atendiendo los mandatos de sus clientes,
introduzcan órdenes y realicen negociaciones de compra y venta de valores, tales
como acciones de sociedades o compañías anónimas, bonos públicos y privados,
certificados, títulos de participación y una amplia variedad de instrumentos de
inversión.
La negociación de los valores en los mercados bursátiles se hace tomando como
base unos precios conocidos y fijados en tiempo real, en un entorno seguro para la
actividad de los inversionistas, donde el mecanismo de las transacciones está
totalmente regulado, lo que garantiza la legalidad y seguridad.
Para cotizar sus valores en la Bolsa, las empresas primero deben hacer públicos
sus estados financieros, puesto que a través de ellos se pueden determinar los
indicadores que permiten saber la situación financiera de las compañías.
4.4 TIPOS DE SISTEMAS EXPERTOS
Hay muchos puntos de vista desde los cuales se pueden clasificar los Sistemas
Expertos. Algunos de ellos son:
4.1.1 Basados en reglas previamente establecidas.
Los sistemas basados en reglas trabajan mediante la aplicación de parámetros,
comparación de resultados y aplicación de las nuevas reglas basadas en
situación modificada. También pueden trabajar por inferencia lógica dirigida,
bien empezando con una evidencia inicial en una determinada situación y
dirigiéndose hacia la obtención de una solución, o bien con hipótesis sobre las
posibles soluciones y volviendo hacia atrás para encontrar una evidencia
existente (o una deducción de una evidencia existente) que apoye una hipótesis
en particular.
4.1.2 Basados en casos o CBR (Case Based Reasoning).
17
El Razonamiento basado en casos es una manera de razonar haciendo
analogías. Se ha argumentado que el razonamiento basado en casos no sólo es
un método poderoso para el razonamiento de computadoras, sino que es usado
por las personas para solucionar problemas cotidianos. Más radicalmente se ha
sostenido que todo razonamiento es basado en casos porque está basado en la
experiencia previa.
4.1.3 Basados en redes bayesianas.
Formalmente, las redes bayesianas son grafos dirigidos acíclicos cuyos nodos
representan variables aleatorias en el sentido de Bayes: las mismas pueden ser
cantidades observables, variables latentes, parámetros desconocidos o
hipótesis. Las aristas representan dependencias condicionales; los nodos que
no se encuentran conectados representan variables las cuales son
condicionalmente independientes de las otras.
Elementos
Base de conocimiento.
Motor de inferencia.
Subsistema de explicación
Modelo probabilistico
Modelo basado en reglas
Abstracto: Estructura
Abstractor: reglas
Probabilística (sucesos
dependientes).
Concreto: Hechos.
Evaluación
de Encadenamiento hacia atrás
Probabilidades
y hacia delante.
condicionales (Teoremas de
Bayes).
Basado en reglas activas.
Basado en probabilidades
condicionales.
Adquisición de
conocimiento
Espacio probabilístico
Parámetros.
Reglas.
Factores de certeza.
Subsistema de aprendizaje
Cambio en la estructura del Nuevas reglas.
Cambio en los factores de
espacio probabilístico.
certeza.
Cambio en los parámetros.
5 FACTOR CRITICO DE ÉXITO

Plantear una problemática de manera errónea

Conocer los programas de desarrollo para la implementación y contar con la
infra estructura
18

Contar con la infraestructura adecuada para la implementación de los
sistemas expertos y/o la inteligencia artificial

La información ingresada en el sistema debe ser verídica

El usuario debe tener el conocimiento de las herramientas
6 CONCLUCIONES




Un sistema experto es aquel que simula el razonamiento humano ayudando
usuario.
Cuando los expertos humanos en una determinada materia son escasos, los
Sistemas Expertos pueden recoger y difundir su conocimiento.
En situaciones complejas, donde la subjetividad humana puede llevar a
conclusiones erróneas.
La posibilidad de poder emular la inteligencia humana ha despertado la
curiosidad del ser humano desde tiempos remotos. Y el hombre encontró dos
caminos para lograr dicho fin.
7 CIBERGRAFIA

http://www.uv.es/~scliment/investigacion/1999/sistemasexpertos.PDF

http://www.uaeh.edu.mx/docencia/Tesis/icbi/licenciatura/documentos/Siste
mas%20expertos%20y%20sus%20aplicaciones.pdf

https://www.google.com.co/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1
7&cad=rja&uact=8&ved=0CDwQFjAGOApqFQoTCJKYxoPLicgCFUkqH
godP0wPuA&url=http%3A%2F%2Fhelvia.uco.es%2Fxmlui%2Fbitstream%
2Fhandle%2F10396%2F6938%2FLuis%2520Amador_Inteligencia%2520ar
tificial_19961.pdf%3Fsequence%3D1&usg=AFQjCNFJkT0Yp7ca1XI3ezs3fr9S0WQN
VQ&sig2=CNQlu1j9--HEHWChNFZlNw&bvm=bv.103073922,d.dmo
19