Sistemas expertos basado en reglas

Al cual introducimos la opcin ms popular para construir

sistemas basados en conocimientos: sistemas expertos basados
en reglas.
2.1 Introduccin, o cul es el conocimiento?
En los aos 1970, finalmente fue aceptado hacer una mquina
solucionadora del problema intelectual uno que sepa la solucin.
En otras palabras, uno tiene que tener el conocimiento,
'conocimientos', en algn dominio especfico.

Cul es el conocimiento? El conocimiento es una comprensin
terica o prctica de un sujeto o un dominio. El conocimiento es
tambin la suma de lo que ocurre ahora, y al parecer el
conocimiento es poder. Los que poseen el conocimiento son
llamados expertos. Ellos son la gente ms poderosa e importante
en sus organizaciones. Cualquier empresa acertada tiene al
menos unos expertos de primera clase y no puede permanecer
en el negocio sin ellos.

Quin generalmente es reconocido como un experto? Alguien
puede ser considerado un experto de dominio si l o ella tienen
un conocimiento profundo (tanto de hechos como de reglas) y
una fuerte experiencia prctica en un campo en particular. El
rea de dominio puede ser limitada. Por ejemplo, los expertos en
mquinas elctricas pueden tener el conocimiento slo general
sobre transformadores, mientras que los expertos en el
mrketing de seguro de vida podran haber limitado la
comprensin de una pliza de seguros inmobiliaria. En general,
un experto es una persona hbil que puede hacer cosas otra
gente no puede.
Cmo piensan los expertos? El proceso humano mental es
interno, y es demasiado complejo para ser representado como
un algoritmo. Sin embargo, la mayor parte de expertos son
capaces de expresar su conocimiento en forma de reglas para la
solucin de problema. Considere un ejemplo simple. Imagnese,
usted encuentra a un alien! l quiere cruzar un camino. Puede
usted ayudarle? Usted es un experto en caminos que se cruzan -
usted ha estado trabajando durante varios aos en esto. As que
usted es capaz de ensear al alien. Cmo hara usted esto?
Usted explica al alien que l puede cruzar el camino
seguramente solo cuando semforo es verde, y l debe pararse
cuando la semforo es roja. Estos son las reglas bsicas. Su
conocimiento puede ser formulado como las declaraciones
siguientes:
IF el semforo est en verde
THEN puede avanzar

IF el semforo est en rojo
THEN debe detenerse

Estas declaraciones representadas en el IF-THEN llaman reglas de
produccin a la forma o solamente gobiernan. El trmino 'la
regla' en IA, que es el tipo el ms comnmente usado de
representacin de conocimiento, puede ser definido como un IF-
THEN la estructura que relaciona la informacin dada o hechos
en el IF la parte a alguna accin en THEN. Una regla proporciona
alguna descripcin de como solucionar un problema. Las reglas
son relativamente fciles para crear y entender.

2.2 Reglas como una tcnica de representacin del conocimiento

Cualquier regla consiste en dos partes: la parte del IF, llamada el
antecedente (la premisa o la condicin) y la parte del THEN se
llamara el consiguiente (la conclusin o la accin).
La sintaxis bsica de una regla es:
IF <el antecedente>
THEN <consiguiente>
En general, una regla puede tener mltiples antecedentes
unidos por las palabras clave (y la conjuncin), (o la separacin) o
una combinacin de ambos. Sin embargo, esto es un hbito
bueno de evitar mezclar conjunciones y separaciones en la
misma regla.
IF <antecedente 1>
AND <antecedente 2>
.
.
.
AND <antecedente n>
THEN <consiguiente>
IF <antecedente 1>
OR <antecedente 2>
.
.
.
OR<antecedente n>
THEN <consiguiente>
El consiguiente de una regla tambin puede tener mltiples
clusulas:
IF <antecedente>
THEN <1 consiguiente>
<2 consiguientes>
.
.
.
<m consiguiente>
El antecedente de una regla incorpora dos partes: un objeto
(objeto lingstico) y su valor. En el ejemplo del camino que
debe cruzar, el objeto lingstico semforo ' puede tomar el valor
verde o rojo. El objeto y su valor son unidos por un operador. El
operador identifica el objeto y le asigna el valor. Los operadores
son: tal cual, son, no es, no son; son usado para asignar un valor
simblico a un objeto lingstico. Pero los sistemas expertos
tambin pueden usar a operadores matemticos para definir un
objeto como numrico y asignarlo al valor numrico. Por
ejemplo,
IF ' la edad del cliente ' <18
AND ' la retirada en efectivo '> 1000
THEN ' la firma del padre ' es requerida
Similar a la regla de antecedente, un consiguiente combina un
objeto y un valor unido por un operador. El operador asigna el
valor al objeto lingstico. En el ejemplo el camino que cruza, si
el valor del semforo es verde, la primera regla se pone en
accin de objeto lingstico al valor va. Objetos numricos y la
expresin an simple aritmtica tambin pueden ser usados en
una regla consiguiente.
IF ' el ingreso sujeto a impuestos '> 16283
THEN ' la imposicin de Asistencia mdica ' ' el ingreso sujeto a
impuestos ' 1.5 / 100

Reglas pueden representar relaciones, recomendaciones,
directivas, estrategias y heurstica (Durkin, 1994).
Relacin
IF 'el depsito de combustible' es vaco
THEN el coche est muerto
Recomendacin
IF la estacin es el otoo
AND el cielo es nublado y la previsin es la llovizna
THEN el consejo es ' toman un paraguas '
Directiva
IF el coche est muerto
AND el depsito de combustible es vaco
THEN la accin es 'llenar de combustible el coche '
Estrategia
IF el coche est muerto
THEN la accin es ' la comprobacin el depsito de combustible ';
PASO1 es completo
IF PASO1 es completo
AND el depsito de combustible est lleno
THEN la accin es ' la comprobacin la batera ';
PASO2 est completo
Heurstico
IF el trozo es el lquido
AND el fragmento de pH ' <6
AND ' el olor del fragmento ' es el vinagre
THEN ' el material de fragmento ' es ' el cido actico'


2.3 Los jugadores principales en el desarrollo del
sistema experto
En cuanto un experto humano proporciona el conocimiento,
podemos introducirlo en un ordenador. Esperamos que el
ordenador acte como un ayudante inteligente en algn dominio
especfico de experiencia o solucionen un problema que de otra
manera tendra que ser solucionado por un experto. Tambin
nos gustara el ordenador ser capaces de integrar el nuevo
conocimiento y mostrar su conocimiento en una forma que es
fcil para leer y entender, y tratar con sentencias simples en una
lengua natural ms bien que un lenguaje de programacin
artificial. Finalmente, queremos que nuestro ordenador explique
como esto alcanza una conclusin particular.
En otras palabras, tenemos que construir un sistema experto, un
programa del ordenador capaz de realizacin en el nivel de un
experto humano en un problema estrecho el rea.
Los sistemas expertos ms populares son sistemas a base de
reglas. Los nmeros han sido inducidos satisfactoriamente
aplicados en reas como el negocio y la ingeniera, la medicina y
la geologa, impulsa sistemas y minera. Un gran nmero de
empresas produce y el software de mercado para el desarrollo
de base de la regla de sistemas expertos - capas de sistemas
expertos para ordenadores personales. Capas de sistemas
expertos que se hacen populares para desarrollar esta regla -
sistemas base.
Su ventaja principal consiste en que el constructor del sistema
ahora puede concentrarse en el conocimiento en s mismo, ms
bien en el estudio de un lenguaje de programacin.
Cul es la shell de un sistema experto? Una shell de sistema
experto puede ser considerada como un sistema experto con el
conocimiento quitado. Por lo tanto, todo el usuario tiene que
hacer debe agregar que el conocimiento en forma alguna
gobierna y proporcionar datos relevantes para solucionar un
problema. Djenos ahora mirar quien es necesario para
desarrollar un sistema experto y que habilidades son necesarias.
En general, hay cinco miembros del equipo de desarrollo de
sistema experto: el experto de dominio, el ingeniero de
conocimiento, el programador, el jefe de proyecto y el usuario
final.


El xito de un sistema experto depende de cuan bien los
miembros trabajan juntos. Las relaciones bsicas en el equipo de
desarrollo son resumidas en la Figura 2.1.
El experto de dominio es una persona bien informada y experta
capaz de solucionar problemas en un rea especfica o el
dominio. Esta persona tiene la mayor experiencia en un dominio
dado. Esta experiencia debe ser capturada en el sistema experto.
Por lo tanto, el experto debe ser capaz de comunicar su
conocimiento, estar dispuesto a participar en el desarrollo de
sistema experto y cometer una cantidad de tiempo sustancial al
proyecto. El experto de dominio es el jugador ms importante en
el equipo de desarrollo del sistema experto.
El ingeniero del conocimiento es alguien que es capaz de disear,
construir y probar un sistema experto. Esta persona es
responsable de seleccionar una tarea apropiada para el sistema
experto. l o ella entrevista al experto del dominio para
averiguar cmo se resuelve un problema en particular. A travs
de la interaccin con el experto, el ingeniero del conocimiento
establece cules son los mtodos de razonamiento utiliza el
experto para manejar los hechos y las reglas y decide cmo
representarlos en el sistema experto. El ingeniero del
conocimiento a continuacin, elige algn tipo de software de
desarrollo o un sistema experto, o mira a los lenguajes de
programacin para la codificacin del conocimiento (y, a veces lo
codifica a s mismo). Y, por ltimo, el ingeniero del conocimiento
es responsable de las pruebas, la revisin y la integracin del
sistema experto en el lugar de trabajo. As, el ingeniero del
conocimiento est comprometido con el proyecto, desde la fase
de diseo inicial hasta la entrega final del sistema de expertos, e
incluso despus de que se complete el proyecto, l o ella
tambin puede estar implicado en el mantenimiento del sistema.

El programador es el responsable de la programacin actual, que
describe el conocimiento del dominio en trminos de que un
ordenador pueda entender. El programador tiene que tener
habilidades en la programacin simblica en estos lenguajes de
IA como LISP, Prolog y OPS5 y tambin algo de experiencia en la
aplicacin de diferentes tipos de shells de sistemas expertos.
Adems, el programador debe conocer lenguajes de
programacin convencionales como C, Pascal, FORTRAN y bsico.
Si se utiliza un sistema experto, el ingeniero del conocimiento
puede codificar fcilmente el conocimiento en el sistema experto
y as eliminar la necesidad del PROGRAMADOR. Sin embargo, si
una shell no se puede utilizar, un programador debe desarrollar
el conocimiento y las estructuras de representacin de datos
(base de conocimientos y base de datos), la estructura de control
(motor de inferencia) y la estructura de dilogo (interfaz de
usuario). El programador tambin puede estar implicado en la
prueba del sistema experto.
El director del proyecto es el lder del equipo de desarrollo de
sistemas expertos, responsables de mantener el proyecto en
marcha. l o ella se aseguran de que se cumplan todos los
entregables e hitos, interacta con el experto, ingeniero del
conocimiento, programador y el usuario final.
El usuario final, a menudo llamado simplemente el usuario, es
una persona que utiliza el sistema experto cuando se desarrolla.
El usuario podra ser qumico analtico de la estructura molecular
de los suelos de Marte determinando (Feigenbaum et al., 1971),
un mdico residente diagnstico de una enfermedad de la
sangre infecciosa (Shortliffe, 1976), un gelogo de exploracin
tratando de descubrir un nuevo yacimiento (Duda et al., 1979), o
de un operador de sistema de energa que necesitan
asesoramiento en caso de emergencia (Negnevitsky, 1996). Cada
uno de estos usuarios de los sistemas expertos tienen diferentes
necesidades, que el sistema debe cumplir: la aceptacin final del
sistema depender de la satisfaccin del usuario. El usuario no
slo debe tener la confianza en el rendimiento del sistema
experto, pero tambin se sienten cmodos con l. Por lo tanto,
el diseo de la interfaz de usuario del sistema experto es
tambin de vital importancia para el xito del proyecto; la
contribucin del usuario final aqu puede ser crucial.
El desarrollo de un sistema experto puede iniciarse cuando los
cinco jugadores se han unido al equipo. Sin embargo, muchos
sistemas expertos ahora se desarrollan en los ordenadores
personales utilizando shells de sistemas expertos. Esto puede
eliminar la necesidad de que el programador y tambin podra
reducir el papel del ingeniero del conocimiento. Para los
pequeos sistemas expertos, el director del proyecto, ingeniero
del conocimiento, programador e incluso el experto podra ser la
misma persona. Pero todos los jugadores del equipo son
necesarios cuando se desarrollan grandes sistemas expertos.
2.4 Estructura de un sistema experto basado en
reglas
A principios de la dcada de 1970, Newell y Simon de la
Universidad de Carnegie-Mellon propusieron un modelo de
sistema de produccin, la base de los modernos sistemas
expertos basados en reglas (Newell y Simon, 1972). El modelo de
produccin se basa en la idea de que los seres humanos a
resolver problemas mediante la aplicacin de sus conocimientos
(expresados como reglas de produccin) a un determinado
problema representado por la informacin especfica del
problema. Las reglas de produccin se almacenan en la memoria
a largo plazo y la informacin o hechos de un problema
especfico en la memoria a corto plazo. El modelo de sistema de
produccin y la estructura bsica de un sistema experto basado
en reglas se muestran en la Figura 2.2.
Un sistema experto basado en reglas tiene cinco componentes:
la base de conocimientos, la base de datos, el motor de
inferencia, las facilidades de explicacin, y la interfaz de usuario.


La base de conocimientos contiene el conocimiento del dominio
til para la resolucin de problemas. En un sistema experto
basado en reglas, el conocimiento se representa como un
conjunto de reglas. Cada regla especifica una relacin,
recomendacin, directriz, estrategia o heurstica y tiene la IF
(condicin) THEN (accin) estructura. Cuando la parte de
condicin de una regla se cumple, se dice que la regla con el
fuego y la parte de accin se ejecuta.
La base de datos incluye un conjunto de hechos utilizado para
coincidir contra el IF (condicin) partes de reglas almacenadas en
la base de conocimientos.
El motor de inferencia lleva a cabo el razonamiento mediante el
cual el sistema experto llega a una solucin. Vincula las reglas
establecidas en la base de conocimiento de los hechos previstos
en la base de datos.

Las instalaciones de explicacin que el usuario pueda pedir al
sistema experto cmo se lleg a una conclusin en particular y
por qu se necesita un hecho especfico. Un sistema experto
debe ser capaz de explicar su razonamiento y justificar su
asesoramiento, anlisis o conclusin.
La interfaz de usuario es el medio de comunicacin entre un
usuario buscar una solucin al problema y un sistema experto. La
comunicacin debe ser lo ms significativo y agradable como sea
posible.
Estos cinco componentes son esenciales para cualquier sistema
experto basado en reglas. Ellos constituyen su ncleo, pero
puede haber algunos componentes adicionales.
La interfaz externa permite que un sistema experto para trabajar
con archivos de datos externos y los programas escritos en
lenguajes de programacin convencionales, tales como C, Pascal,
FORTRAN y Basic. La estructura completa de un sistema experto
basado en reglas se muestra en la Figura 2.3.
La interfaz de programador normalmente incluye editores de
bases de conocimiento, ayudas tcnicas de depuracin e
instalaciones de entrada / salida.
Todos los shells de sistemas expertos proporcionan un simple
editor de texto para introducir y modificar las reglas, y para
comprobar su formato y ortografa correcta. Muchos sistemas
expertos tambin incluyen instalaciones tenedura de libros para
monitorear los cambios realizados por el ingeniero o experto
conocimiento. Si se modifica una regla, el editor
automticamente almacenar la fecha del cambio y el nombre
de la persona que hizo este cambio para su posterior consulta.
Esto es muy importante cuando un nmero de ingenieros y
expertos en el conocimiento tienen acceso a la base de
conocimientos y puede modificarlo.


Ayudas de depuracin suelen consistir en recursos de rastreo y
se rompen los paquetes. Rastreo proporciona una lista de todas
las reglas disparadas durante la ejecucin del programa, y un
paquete de vacaciones que permite indicar al sistema experto de
antemano dnde parar para que el ingeniero del conocimiento o
el experto puede examinar los valores actuales en la base de
datos.
La mayora de los sistemas expertos tambin cabida a las
instalaciones de entrada / salida, tales como la adquisicin de
conocimientos en tiempo de ejecucin. Esto permite que el
sistema experto corriendo a pedir la informacin necesaria cada
vez que esta informacin no est disponible en la base de datos.
Cuando la informacin solicitada se introduce por el ingeniero
del conocimiento o el experto, el programa se reanuda.
En general, la interfaz de desarrollador y facilidades de
adquisicin de conocimientos, en particular, estn diseados
para permitir a un experto de dominio a la entrada de sus
conocimientos directamente en el sistema experto y as reducir
al mnimo la intervencin de un ingeniero del conocimiento.

2.5 Caractersticas fundamentales de un sistema experto

Un sistema experto est construido para rendir a un nivel
experto humano en un dominio estrecho, especializado. Por lo
tanto, la caracterstica ms importante de un sistema experto es
su rendimiento de alta calidad. No importa lo rpido que el
sistema puede resolver un problema, el usuario no estar
satisfecho si el resultado es errneo. Por otro lado, la velocidad
de llegar a una solucin es muy importante. Incluso la decisin o
diagnstico ms preciso puede no ser til si es demasiado tarde
para aplicar, por ejemplo, en caso de emergencia, cuando un
paciente muere o una planta de energa nuclear explota. Los
expertos usan su experiencia prctica y la comprensin del
problema de encontrar atajos para una solucin. Los expertos
usan reglas empricas o heursticas. Al igual que sus contrapartes
humanas, sistemas expertos deben aplicar la heurstica para
guiar el razonamiento y por lo tanto reducir el rea de bsqueda
de una solucin.
Una caracterstica nica de un sistema experto es su capacidad
de explicacin. Esto permite que el sistema experto para que
revise su propio razonamiento y explicar sus decisiones. Una
explicacin de los sistemas expertos, en efecto, traza las reglas
disparadas durante una sesin de resolucin de problemas. Esto
es, por supuesto, una simplificacin; sin embargo, un real o
Explicacin "humano" todava no es posible, ya que requiere
conocimiento bsico del dominio. Aunque una secuencia de
reglas disparadas no puede utilizarse para justificar una
conclusin, podemos adjuntar principios fundamentales
apropiadas del dominio expresan como texto para cada regla, o
por lo menos cada regla de alto nivel, se almacena en la base de
conocimientos. Esta es probablemente tan lejos como la
capacidad de explicacin puede ser tomada. Sin embargo, la
capacidad de explicar una lnea de razonamiento no puede ser
esencial para algunos sistemas expertos. Por ejemplo, un sistema
cientfico integrado por expertos no puede ser obligado a ofrecer
explicaciones amplias, debido a la conclusin de que llegue


puede explicarse por s mismo a otros expertos; una sencilla
regla de rastreo puede ser muy adecuado. Por otro lado, los
sistemas expertos utilizados en la toma de decisiones por lo
general exigen explicaciones completas y reflexivo, como el costo
de una decisin equivocada puede ser muy alta.
Los sistemas expertos emplean el razonamiento simblico en la
resolucin de un problema. Se utilizan smbolos para representar
diferentes tipos de conocimiento, como hechos, conceptos y
reglas. A diferencia de los programas convencionales escritas
para el procesamiento de datos numricos, los sistemas expertos
se construyen para la elaboracin del conocimiento y pueden
tratar fcilmente con datos cualitativos.
Los programas convencionales procesan datos utilizando
algoritmos, o en otras palabras, una serie de operaciones bien
definidas paso a paso. Un algoritmo siempre realiza las mismas
operaciones en el mismo orden, y siempre ofrece una solucin
exacta. Los programas convencionales no cometen errores - pero
los programadores a veces lo hacen. A diferencia de los
programas convencionales, los sistemas expertos no siguen una
secuencia prescrita de pasos. Permiten razonamiento inexacto y
pueden lidiar con datos incompletos, inciertos y difusos.

Pueden los sistemas expertos cometen errores?
Incluso un experto brillante es slo un ser humano y por lo tanto
puede cometer errores. Esto sugiere que un sistema experto
integrado para llevar a cabo a un nivel experto humano tambin
debe permitir a cometer errores. Pero an nos queda confiar en
los expertos, aunque s reconocemos que sus juicios son a veces
mal. Del mismo modo, por lo menos en la mayora de los casos,
podemos confiar en las soluciones proporcionadas por los
sistemas expertos, pero los errores son posibles y debemos ser
conscientes de ello.

Significa esto que los programas convencionales tienen una
ventaja sobre los sistemas expertos?
En teora, los programas convencionales siempre ofrecen las
mismas soluciones "correctas". Sin embargo, debemos recordar
que los programas convencionales pueden abordar problemas si,
y slo si, los datos estn completos y exactos. Cuando los datos
son incompletos o incluye algunos errores, un programa
convencional se contempla ni ninguna solucin en absoluto o
uno incorrecto. Por el contrario, los sistemas expertos reconocen
que la informacin disponible puede ser incompleta o confusa,
pero se puede trabajar en este tipo de situaciones y an as
llegar a alguna conclusin razonable.
Otra caracterstica importante que distingue a los sistemas
expertos de los programas convencionales es que el
conocimiento se separa de su procesamiento (la base de
conocimientos y el motor de inferencia se dividen). Un programa
convencional es una mezcla de conocimiento y la estructura de
control para procesar este conocimiento. Esta mezcla da lugar a
dificultades en la comprensin y la revisin del cdigo del
programa, ya que cualquier cambio en el cdigo afecta tanto al
conocimiento y su procesamiento. En los sistemas expertos, el
conocimiento est claramente separada del mecanismo de
procesamiento. Esto hace que los sistemas expertos mucho ms
fcil de construir y mantener. Cuando se utiliza un sistema
experto, un ingeniero del conocimiento o un experto,
simplemente entra en reglas en la base de conocimientos. Cada
nueva regla aade algunos nuevos conocimientos y hace que el
sistema experto inteligente. Entonces, el sistema se puede
modificar fcilmente cambiando o restando reglas.


2.6 encadenamiento hacia adelante y hacia atrs encadenando
tcnicas de inferencia

En un sistema experto basado en reglas, el conocimiento del
dominio es representado por un conjunto de reglas de
produccin IF-THEN y los datos se representan mediante un
conjunto de datos sobre la situacin actual. El motor de
inferencia compara cada regla almacenada en la base de
conocimientos con los hechos contenidos en la base de datos.
Cuando la parte IF (condicin) de la regla coincide con un hecho,
la regla se dispara y su THEN (accin) se ejecuta. La regla en
accin puede cambiar el conjunto de hechos mediante la adicin
de un nuevo hecho, como se muestra en la Figura 2.4. Las letras
en la base de datos y la base de conocimientos se utilizan para
representar situaciones o conceptos.


La adaptacin de la norma IF parte a los hechos y produce
cadenas de inferencia. La cadena de inferencia indica cmo un
sistema experto aplica las reglas para llegar a una conclusin.
Para ilustrar el encadenamiento de tcnicas de inferencia,
considere un ejemplo sencillo.
Supongamos que la base de datos incluye inicialmente los
hechos A, B, C, D y E, y la base de conocimientos contiene slo
tres reglas:
Regla 1: IF Y es verdad
AND D es cierto
THEN Z es cierto
Regla 2: IF X es verdadera
AND B es verdadero
AND E es cierto
THEN Y es cierto
Regla 3: IF A es verdadero
THEN X es verdadera


La cadena de inferencia se muestra en la Figura 2.5 indica
cmo el sistema experto aplica las reglas para inferir hecho Z.
Primera Regla 3 se dispara deducir hecho nuevo X de
determinado hecho de A. Entonces la regla 2 se ejecuta para
inferir hecho Y a partir de hechos conocidos inicialmente B y e, y
ya conocido hecho de X. y, por ltimo, el artculo 1 se aplica
inicialmente conocido hecho de D y de hecho acaba de obtener-Y
para llegar a la conclusin Z.
Un sistema experto puede mostrar su cadena de inferencia
para explicar cmo se lleg a una conclusin particular; esta es
una parte esencial de sus instalaciones de explicacin.



El motor de inferencia debe decidir cuando las normas tienen
que ser despedido. Hay dos formas principales en las que se
ejecutan las reglas. Uno se llama encadenamiento hacia adelante
y el otro encadenamiento hacia atrs (Waterman y Hayes-Roth,
1978).

2.6.1 encadenamiento hacia adelante

El ejemplo descrito anteriormente utiliza el encadenamiento
hacia adelante. Ahora considere esta tcnica con ms detalle.
Primero vamos a reescribir las reglas de la siguiente forma:

Regla 1: Y & D! Z

Regla 2: X & B y E! Y

Regla 3: A! X

Las flechas indican aqu las partes IF y luego, por las reglas.
Agreguemos dos reglas ms:

Regla 4: C! L

Regla 5: L & M! N

La Figura 2.6 muestra cmo encadenamiento hacia adelante
obras de este sencillo conjunto de reglas.
Encadenamiento hacia adelante es el razonamiento por datos. El
razonamiento comienza a partir de los datos conocidos y
procede hacia adelante con esos datos. Cada vez solamente la
regla ms alta se ejecuta. Cuando se dispara, la regla agrega un
hecho nuevo en la base de datos. Cualquier regla se puede
ejecutar slo una vez. El ciclo de partido del fuego se detiene
cuando no hay otras normas pueden ser despedidos.
En el primer ciclo, slo dos reglas, Regla 3: A! X y la Regla 4: C! L,
hechos de los partidos en la base de datos. Regla 3: A! X es
disparado por primera vez como la de ms arriba. La parte IF de
esta regla coincide hecho de A en la base de datos, su entonces
parte es ejecutado y hecho nuevo X se agrega a la base de datos.
Entonces Regla 4: C! L es despedido y hecho de L tambin se
coloca en la base de datos.
En el segundo ciclo, la Regla 2: X & B y E! Y se dispara porque los
hechos B, E y X ya estn en la base de datos, y como un hecho
consecuencia se deduce y se pone en la base de datos Y. Esto a
su vez hace que la Regla 1: Y & D! Z a ejecutar, colocando hecho
Z en la base de datos (ciclo 3). Ahora los ciclos partido fuego
detienen porque la parte IF de la Regla 5: L & M! N no coincide
con los hechos en la base de datos y por lo tanto el artculo 5 no
puede ser logrado.


Encadenamiento hacia adelante es una tcnica de recogida de
informacin y luego deducir de l lo que se puede inferir. Sin
embargo, en el encadenamiento hacia adelante, muchas reglas
pueden ser ejecutados que no tienen nada que ver con la meta
establecida. Supongamos que, en nuestro ejemplo, el objetivo
fue determinar hecho Z. Tenamos slo cinco reglas en la base de
conocimientos y cuatro de ellos fueron despedidos. Pero Regla 4:
C! L, que no guarda relacin con los hechos Z, tambin fue
despedido, entre otros. Un sistema experto basado en reglas real
puede tener cientos de reglas, muchas de las cuales podran ser
disparados para derivar nuevos hechos que son vlidas, pero por
desgracia no relacionadas a la meta. Por lo tanto, si nuestro
objetivo es inferir un solo hecho en particular, el
encadenamiento hacia adelante tcnica de inferencia no sera
eficiente.
En tal situacin, el encadenamiento hacia atrs es ms
apropiado.

2.6.2 Encadenamiento hacia atrs

Encadenamiento hacia atrs es el razonamiento a objetivos. En el
encadenamiento hacia atrs, un sistema experto tiene el objetivo
(una solucin hipottica) y el motor de inferencia intenta
encontrar la evidencia para probarlo. En primer lugar, la base de
conocimientos se busca encontrar reglas que podran tener la
solucin deseada. Tales normas deben tener el gol en sus
ENTONCES (accin) partes. Si una norma de este tipo se
encuentra y sus IF (condicin) de datos coincide con parte de la
base de datos, entonces la regla se dispara y el objetivo queda
demostrado. Sin embargo, esto es raramente el caso. As, el
motor de inferencia deja de lado la regla que est trabajando con
(se dice que la regla de apilar) y establece una nueva meta, un
sub-objetivo, para demostrar la parte IF de esta regla. A
continuacin, la base de conocimientos se busca de nuevo por
reglas que puedan demostrar la sub-meta. El motor de inferencia
se repite el proceso de apilamiento de las normas hasta que no
haya reglas se encuentran en la base de conocimientos para
demostrar el actual sub-punto.


Figura 2.7 muestra cmo las obras encadenamiento hacia atrs,
usando las reglas para el ejemplo de encadenamiento hacia
adelante.
En Paso 1, el motor de inferencia intenta deducir hecho Z. Se
busca en la base de conocimientos para encontrar la regla que
tiene como objetivo, en nuestro caso hecho de Z, en su parte
THEN. El motor de inferencia encuentra y pilas Regla 1: Y & D! Z.
El IF parte de la Regla 1 incluye datos Y y D, y por lo tanto estos
hechos debe ser establecido.
En Paso 2, el motor de inferencia configura la sub-meta, hecho
de Y, y trata de determinarla. En primer lugar se comprueba la
base de datos, sino un hecho Y no est all. A continuacin, la
base de conocimientos se busca de nuevo por la regla con hecho
Y en su parte THEN. El motor de inferencia localiza y pilas de
Regla 2: X & B y E! Y. La parte IF de la regla 2 se compone de
hechos X, B y E, y estos hechos tambin tienen que ser
establecida.
En el paso 3, el motor de inferencia establece un nuevo sub-
objetivo, hecho X. Se comprueba la base de datos de hecho de X,
y cuando eso no funciona, busca la regla que infiere X. El motor
de inferencia encuentra y apila Regla 3: A! X. Ahora se debe
determinar de hecho A.
En paso 4, el motor de inferencia encuentra hecho de A en la
base de datos, la Regla 3: Un! X es despedido y hecho nuevo X se
infiere.
En Paso 5, el motor de inferencia vuelve al hecho de submeta Y y
una vez ms intenta ejecutar Regla 2: X & B y E! Y. Datos de X, B y
E estn en la base de datos y por lo tanto la regla 2 se dispara y
un hecho nuevo, hecho de Y, se aade a la base de datos.
En Paso 6, el sistema vuelve a la Regla 1: Y & D! Z tratando de
establecer la meta original, hecho de Z. El IF parte de la Regla 1
partidos todos los datos en la base de datos, la regla 1 se ejecuta
y por lo tanto la meta original se estableci finalmente.
Comparemos ahora la figura 2.6 con la figura 2.7. Como se puede
ver, se dispararon cuatro reglas cuando se utiliz el
encadenamiento hacia adelante, pero slo tres reglas cuando
aplicamos el encadenamiento hacia atrs. Este simple ejemplo
muestra que la tcnica de inferencia encadenamiento hacia atrs
es ms eficaz cuando necesitamos para inferir un hecho
particular, en nuestro caso hecho de Z. En el encadenamiento
hacia adelante, los datos se conoce al inicio del proceso de
inferencia, y el usuario nunca se le pide a de entrada hechos
adicionales. En el encadenamiento hacia atrs, el objetivo est
configurado y los nicos datos que se utilizan son los datos
necesarios para apoyar la lnea directa de razonamiento, y el
usuario puede pedir que cualquier entrada que no est en la
base de datos.


Cmo elegimos entre el plazo y el encadenamiento hacia atrs?
La respuesta es el estudio de cmo un experto de dominio
resuelve un problema. Si un experto primero necesita recopilar
cierta informacin y luego trata de inferir de l lo que se puede
inferir, elija el encadenamiento hacia adelante motor de
inferencia. Sin embargo, si el experto comienza con una solucin
hipottica y luego intenta encontrar hechos que lo demuestran,
elegir el motor de inferencia de encadenamiento hacia atrs.
Encadenamiento hacia adelante es una forma natural para
disear los sistemas expertos para el anlisis y la interpretacin.
Por ejemplo, DENDRAL, un sistema experto para la
determinacin de la estructura molecular de suelo desconocida
sobre la base de sus datos espectrales de masa (Feigenbaum et
al., 1971), utiliza el encadenamiento hacia adelante. La mayora
de los sistemas expertos encadenamiento hacia atrs se utilizan
para fines de diagnstico. Por ejemplo, MYCIN, un sistema
experto mdico para el diagnstico de enfermedades infecciosas
de la sangre (Shortliffe, 1976), utiliza el encadenamiento hacia
atrs.


Podemos combinar adelante y encadenamiento hacia atrs?
Muchos shells de sistemas expertos utilizan una combinacin de
avance y retroceso tcnicas de inferencia de encadenamiento,
por lo que el ingeniero del conocimiento no tiene que elegir
entre ellos. Sin embargo, el mecanismo bsico inferencia es
generalmente encadenamiento hacia atrs. Slo cuando se
establece un nuevo hecho se encadenamiento hacia adelante
empleada para maximizar el uso de los nuevos datos.
2.7 MEDIOS DE ASESOR: un sistema experto basado en reglas de
demostracin

Para ilustrar algunas de las ideas mencionadas anteriormente, el
prximo consideramos un sistema experto basado en reglas
simples. El sistema experto Leonardo fue seleccionada como una
herramienta para construir un sistema de apoyo a decisiones,
denominado MEDIA ASESOR. El sistema proporciona
asesoramiento sobre la seleccin de un medio para la entrega de
un programa de formacin basado en el trabajo del aprendiz. Por
ejemplo, si un aprendiz es un tcnico mecnico responsable del
mantenimiento de los sistemas hidrulicos, un medio apropiado
podra ser un taller, donde el alumno puede aprender cmo los
componentes hidrulicos bsicos operan, cmo solucionar los
problemas de la hidrulica y la forma de hacer las reparaciones
sencillas de los sistemas hidrulicos. Por otro lado, si un aprendiz
es un empleado de la evaluacin de aplicaciones de seguros, un
programa de formacin podra incluir conferencias sobre
problemas especficos de la tarea, as como tutoriales en donde
el alumno puede evaluar aplicaciones reales. Para tareas
complejas, donde es probable que cometa errores en prcticas,
un programa de entrenamiento tambin debe incluir
informacin sobre el desempeo del alumno.
Banco de conocimientos

/ * MEDIA ASESOR: un sistema experto basado en reglas de
demostracin

Regla: 1
if el ambiente es de documentos
or el medio ambiente es manuales
or el medio ambiente es documentos
or el medio ambiente es libros de texto
then la stimulus_situation es verbal

Regla: 2
if el ambiente es fotos
or el medio ambiente es ilustraciones
or el medio ambiente es fotografas
or el medio ambiente es diagramas
then el stimulus_situation es visual

Regla: 3
if el ambiente es mquinas
or el medio ambiente es edificios
or el medio ambiente es herramientas
then el stimulus_situation es "objeto fsico"

Regla: 4
if el ambiente es el nmero
or el medio ambiente es frmulas
or el medio ambiente es los programas de ordenador
then el stimulus_situation es simblico

Regla: 5
if el trabajo est dando una conferencia
or el trabajo es asesorar
or el trabajo es el asesoramiento
then el stimulus_response es oral

Regla: 6
if el trabajo es la construccin
or el trabajo es la reparacin
or el trabajo es la solucin de problemas
then el stimulus_response es "prctico"

Regla: 7
if el trabajo es la escritura
or el trabajo est escribiendo
or el trabajo est llegando
then el stimulus_response se documenta

Regla: 8
if el trabajo est evaluando
or el trabajo se discuta
or el trabajo est investigando
then el stimulus_response es analtica

Regla: 9
if el stimulus_situation es "objeto fsico"
and la stimulus_response es "prctico"
and la retroalimentacin
then el medio es el taller

Regla: 10
if el stimulus_situation es simblico
and lo stimulus_response es analtica
and se requiere retroalimentacin
then el medio es 'lecture - tutorial'

Regla: 11
if el stimulus_situation es visual
and la stimulus_response se documenta
and no es necesaria la retroalimentacin
then medio es la cinta de vdeo

Regla: 12
if el stimulus_situation es visual
and la stimulus_response es oral
and se requiere retroalimentacin
then medio es 'lecture - tutorial'


Regla: 13
if el stimulus_situation es verbal
and la stimulus_response es analtica
and se requiere retroalimentacin
then medio es 'lecture - tutorial'

Regla: 14
if el stimulus_situation es verbal
and la stimulus_response es oral
and se necesita informacin
then el medio es 'ejercicios de role-play(juego
de roles)'

/ * La directiva SEEK establece el objetivo de la
norma a travs del medio.

Objetos
MEDIA ASESOR utiliza seis objetos lingsticos: el medio
ambiente, stimulus_situation, empleo,
stimulus_response, retroalimentacin y medianas. Cada
objeto puede tomar uno de los valores permitidos (por
ejemplo, el medio ambiente objeto puede tomar el valor
de los documentos, manuales, documentos, libros de
texto, imgenes, ilustraciones, fotografas, diagramas,
mquinas, edificios, herramientas, nmeros, frmulas,
programas de ordenador). Un objeto y su valor
constituyen un hecho (por ejemplo, el medio ambiente
son las mquinas, y el trabajo es la reparacin). Todos los
hechos se colocan en la base de datos.





Opciones
El objetivo final del sistema experto basado en reglas es
para producir una solucin para el problema sobre la base
de los datos de entrada. En MEDIA ASESOR, la solucin es
un medio seleccionado de la lista de cuatro opciones:


medio es un mediano taller
es el medio 'lecture - tutorial "
es el medio videocasete
es ' ejercicios de role-play '


Dilogo
En el dilogo se muestra a continuacin, el sistema
experto pide al usuario que introduzca los datos
necesarios para resolver el problema (el medio ambiente,
el trabajo y retroalimentacin). En base a las respuestas
suministradas por el usuario (las respuestas se indican
con flechas), el sistema experto aplica reglas a partir de su
base de conocimiento para inferir que el
stimulus_situation es objeto fsico, y el stimulus_response
es prctico. Regla 9 a continuacin, selecciona uno de los
valores permitidos de medio.


Qu tipo de ambiente es un aprendiz de tratar con en el
trabajo?
mquinas

Regla: 3
if el ambiente son mquinas
or el medio ambiente son edificios
or el medio ambiente son herramientas
then el stimulus_situation es "objeto fsico"


En qu sentido es un aprendiz de esperar para actuar o
responder en el trabajo?
La reparacin

Regla: 6
if el trabajo es la construccin
or el trabajo es la reparacin
or el trabajo es la solucin de problemas
then el stimulus_response es "prctico"
La informacin sobre el progreso del alumno requerido
durante el entrenamiento?
Requerido
Regla: 9
if el stimulus_situation es "objeto fsico"
and la stimulus_response es "prctico"
and la retroalimentacin se requiere
then medio es el taller

medio es el taller

Tcnicas de inferencia
La tcnica estndar de la inferencia en Leonardo est encadenamiento
hacia atrs con el encadenamiento hacia adelante oportunista, que es la
forma ms eficaz de tratar con la informacin disponible. Sin embargo,
Leonardo tambin permite al usuario desactivar el encadenamiento ya sea
hacia atrs o hacia delante, y por lo tanto nos permite estudiar cada
tcnica por separado inferencia.
Encadenamiento hacia adelante es un razonamiento basado en datos, por
lo que necesitamos primero para proporcionar algunos datos.
Supongamos que

el medio ambiente es mquinas
"Medio ambiente" instancia por la entrada del usuario a "mquinas"

el trabajo es la reparacin
'Trabajo' instancia por la entrada del usuario a 'reparacin'

Se requiere retroalimentacin
"Retroalimentacin" instancia por parte del usuario que 'required' El
siguiente proceso entonces suceder:
Regla: 3 fuegos 'stimulus_situation' instancia por la Regla: 3 a la Regla
"objeto fsico"
Regla: 6 fuegos 'stimulus_response' instancia por la Regla: 6 de la Regla
"hands-on"
Regla: 9 fuegos 'medium' instancia por la Regla: 9 al taller
Sin reglas de cortafuego

Encadenamiento hacia atrs es un razonamiento orientadas a objetivos,
por lo que necesitamos primero establecer una solucin hipottica (la
meta). Veamos, por ejemplo, establecimos el siguiente objetivo:
'Medium' es 'workshop'
Fase 1
Regla a Tratar: 9 Necesidad de encontrar el objeto 'stimulus_situation'
Regla: 9 apilados Objeto 'stimulus_situation' tratado como "objeto
fsico"

Fase 2
Regla Tratar: 3 Necesidad de encontrar el objeto "medio ambiente"
Regla: 3 apilados Objetos "medio ambiente" busca como "mquinas"

Preguntas sobre el medio
Mquinas "medio ambiente" instancia por parte del usuario
que "mquinas"

Regla Tratar: 3 'stimulus_situation' instancia por la Regla: 3 a
"Objeto fsico"

Fase 3
Regla Tratar: 9 Necesidad de encontrar el objeto
'stimulus_response'
Regla: 9 apilados Objeto 'stimulus_response' tratado como "hands-
on"


Fase 4
Regla Tratar: 6 Necesidad de encontrar el objeto 'trabajo'
Regla: 6 apilados "trabajo" objeto buscado como 'edificio'


Pedir trabajo
La reparacin "trabajo" instancia por la entrada del
usuario a 'reparacin'

Regla Tratar: 6 'stimulus_response' instancia por la Regla: 6 a
'Prctico'

Fase 5
Regla Tratar: 9 Necesidad de encontrar el objeto
'retroalimentacin'
Regla: 9 apilados Objeto 'retroalimentacin' tratado como
'necesaria'



Pedir retroalimentacin
Requerido 'retroalimentacin' instancia por parte del
usuario que la regla requerida
Tratar regla: 9 'medium' instancia por la Regla: 9 a 'workshop'

medio es el taller


Es til tener un diagrama de rbol que se asigna una sesin de consulta
con un sistema experto. Un diagrama de MEDIA ASESOR se muestra en la
Figura 2.8. El nodo raz es la meta; cuando se inicia el sistema, el motor de
inferencia busca determinar el valor de la meta.



Maneja MEDIA ADVISOR todas las situaciones posibles?

Cuando comenzamos a utilizar nuestro sistema experto ms a menudo,
podemos encontrar que las opciones ofrecidas no cubren todas las
situaciones posibles. Por ejemplo, se puede producir el siguiente dilogo:

Qu tipo de ambiente es un aprendiz de tratar con en el trabajo?
ilustraciones)

En qu sentido es un aprendiz de esperar para actuar o responder en el
trabajo?
Dibujo

Es informacin sobre el progreso del alumno requerido durante el
entrenamiento?
Requerido

Soy incapaz de sacar conclusiones sobre la base de los datos.

Por lo tanto, ASESOR MEDIA en su estado actual no puede manejar esta
situacin particular. Afortunadamente, el sistema experto puede ampliar
fcilmente para acomodar ms reglas hasta que finalmente se hace lo que
el usuario quiere que haga.


Resolucin 2.8 Conflicto

Al principio de este captulo, hemos considerado dos reglas simples para
cruzar una calle. Veamos ahora aadimos una tercera regla. Obtendremos
el siguiente conjunto de reglas:


Regla 1:
IF el 'semforo' es verde
THEN la accin es go

Regla 2:
IF el 'semforo' es de color rojo
THEN la accin es stop

Regla 3:
IF el 'semforo' es de color rojo
THEN la accin es go

Qu pasar?
El motor de inferencia compara IF (condicin) partes de las reglas con los
datos disponibles en la base de datos y cuando se cumplan las condiciones
se establecen las reglas para disparar. El disparo de una regla puede
afectar a la activacin de otras reglas, y por lo tanto el motor de inferencia
debe permitir slo una regla al fuego a la vez. En nuestro ejemplo de
cruzar la carretera, tenemos dos reglas, la Regla 2 y el artculo 3, con la
misma IF parte. As ambos se pueden configurar para disparar cuando la
parte se cumple este requisito. Estas reglas representan un conjunto de
conflictos. El motor de inferencia debe determinar qu regla para disparar
desde dicho conjunto. Un mtodo para elegir una regla para disparar
cuando ms de una regla puede ser empezada en un ciclo dado se llama
resolucin de conflictos.

Si el semforo est en rojo, el cual norma deberan ser ejecutados?
En el encadenamiento hacia adelante, seran despedidos ambas reglas.
Regla 2 se dispara primero como el de arriba-ms, y como resultado, se
ejecuta su entonces parte y de accin del objeto lingstico obtiene
parada de valor. Sin embargo, el artculo 3 tambin se dispara debido a
que la parte condicional de esta regla coincide con el hecho de 'semforo'
es de color rojo, que todava est en la base de datos. Como consecuencia
de ello, la accin objeto adopta nueva valor que es GO. Este simple
ejemplo muestra que el orden de las reglas es vital cuando se utiliza la
tcnica de inferencia de encadenamiento hacia adelante.


Cmo podemos resolver un conflicto?
La estrategia obvia para la resolucin de conflictos es establecer una meta
y detener la ejecucin de la regla cuando se alcanza la meta. En nuestro
problema, por ejemplo, el objetivo es establecer un valor para la accin
objeto lingstico. Cuando el sistema experto determina un valor para la
accin, se ha llegado a la meta y se detiene. As, si el semforo est en
rojo, la Regla 2 se ejecuta, la accin objeto alcanza la parada de valor y el
sistema experto se detiene. En el ejemplo dado, el sistema experto hace
una decisin correcta; sin embargo, si nos organiz las reglas en el orden
inverso, la conclusin sera errnea. Esto significa que el orden de las
reglas en la base de conocimientos es an muy importante.


Hay otros mtodos de resolucin de conflictos?
Existen varios mtodos en uso (Giarratano y Riley, 1998; Shirai y Tsuji,
1982):


. Encienda la regla con la prioridad ms alta. En aplicaciones sencillas, la
prioridad se puede establecer mediante la colocacin de las reglas en un
orden apropiado en la base de conocimientos. Por lo general, esta
estrategia funciona bien para sistemas expertos con alrededor de 100
normas. Sin embargo, en algunas aplicaciones, los datos deben ser
procesados por orden de importancia. Por ejemplo, en un sistema de
consulta mdica (Durkin, 1994), se introducen las siguientes prioridades:

Objetivo 1. Prescripcin es? Prescripcin

REGLA 1 Meningitis Prescription1 (Prioridad 100)
IF la infeccin es la meningitis
AND el paciente es un nio
THEN la prescripcin es nmero_1
AND la recomendacin de drogas es la ampicilina
AND la Recomendacin de drogas es Gentamicina
AND mostrar Meningitis Prescription1

REGLA 2 Meningitis Prescription2 (Prioridad 90)
IF la infeccin es la meningitis
AND el paciente es un adulto
THEN por prescripcin es NUMBER_2
AND la recomendacin de drogas es la penicilina
AND mostrar Meningitis Prescription2


Enciendan la regla ms especfica. Este mtodo tambin se conoce como
la estrategia de juego ms largo. Se basa en la suposicin de que una regla
especfica procesa ms informacin de la que uno de carcter general. Por
ejemplo,
Regla 1:
IF la temporada es el otoo
AND el cielo est nublado
AND la previsin es de lluvia
THEN el consejo es "quedarse en casa"
Regla 2:
IF la temporada es el otoo
THEN el consejo es 'tomar un paraguas'

Si la temporada es el otoo, el cielo est nublado y el pronstico es de
lluvia, a continuacin del artculo 1 sera despedido porque su
antecedente, la parte correspondiente, es ms especfico que el de la
Regla 2. Pero si slo se conoce que la temporada es el otoo, entonces la
Regla 2 sera ejecutada.

Empezando la regla que utiliza los ltimos datos introducidos en la base
de datos. Este mtodo se basa en etiquetas de tiempo unidos a cada
hecho en la base de datos. En el conjunto de los conflictos, el sistema
experto dispara primero la regla cuyo antecedente utiliza los datos ms
recientemente aadidos a la base de datos. Por ejemplo,
Regla 1:
IF el pronstico es de lluvia [20:16 11/25/96]
THEN el consejo es 'llevar un paraguas'
Regla 2:
IF el clima es hmedo [10:18 11/26/96]
THEN el consejo es "quedarse en casa"
Suponga que las partes IF de ambas reglas coinciden hechos en la base de
datos. En este caso, el artculo 2 sera despedido ya que el clima es
hmedo hecho de haberse introducido despus de la previsin de hecho
es la lluvia. Esta tcnica es especialmente til para las aplicaciones del
sistema experto en tiempo real cuando la informacin en la base de datos
se actualiza constantemente.

Los mtodos de resolucin de conflictos considerados anteriormente son
simples y fciles de ejecutar. En la mayora de los casos, estos mtodos
ofrecen soluciones satisfactorias. Sin embargo, como un programa se hace
ms grande y ms complejo, se hace cada vez ms difcil para el ingeniero
del conocimiento para gestionar y supervisar las normas en la base de
conocimientos. El sistema experto en s mismo debe tener por lo menos
algo de la carga y entender su propio comportamiento.
Para mejorar el rendimiento de un sistema experto, debemos alimentar el
sistema con un poco de conocimiento acerca de los conocimientos que
posee, o en otras palabras, meta-conocimiento.
Meta-conocimiento puede definirse simplemente como el conocimiento
sobre el conocimiento. Meta-conocimiento es el conocimiento sobre el
uso y control de los conocimientos de dominio en un sistema experto
(Waterman, 1986). En los sistemas expertos basados en reglas, meta-
conocimiento es representado por meta-reglas. Un meta-regla determina
una estrategia para el uso de reglas de tareas especficas en el sistema
experto.
Cul es el origen de metaconocimiento?
El ingeniero del conocimiento transfiere el conocimiento del dominio de
expertos para el sistema experto, se entera de cmo se usan las reglas de
problemas especficos, y crea gradualmente en su propia mente un nuevo
cuerpo de conocimiento, el conocimiento sobre el comportamiento
general del sistema experto. Este nuevo conocimiento, o
metaconocimiento, es en gran medida independiente de dominio. Por
ejemplo,

Metarregla 1:
Reglas facilitadas por los expertos tienen mayor prioridad que las reglas
suministradas por los principiantes.

Metarregla 2:
Las normas que rigen el rescate de vidas humanas tienen mayor prioridad
que las reglas que se ocupan de la limpieza de las sobrecargas en los
equipos del sistema de potencia.

Puede un sistema experto de comprender y utilizar metareglas?
Algunos sistemas expertos proporcionan un motor de inferencia separado
para metareglas. Sin embargo, la mayora de los sistemas expertos no
pueden distinguir entre reglas y metareglas. As metareglas se debe dar la
mxima prioridad en la base de conocimientos existente. Cuando se
dispara, un metarregla 'inyecta' alguna informacin importante en la base
de datos que se pueden cambiar las prioridades de otras reglas.


2.9 Ventajas y desventajas de los sistemas expertos basados en reglas

Sistemas expertos basados en reglas son generalmente aceptados como la
mejor opcin para la construccin de sistemas basados en el
conocimiento.

Qu caractersticas hacen que los sistemas expertos basados en reglas
particularmente atractivo para los ingenieros del conocimiento?
Entre estas caractersticas se encuentran:

. Representacin Natural conocimiento. Un experto lo general se explica el
procedimiento de resolucin de problemas con expresiones como esta:
'En tal y tal situacin, lo hago y lo otro'. Estas expresiones se pueden
representar con toda naturalidad como SI-ENTONCES reglas de
produccin.
. Estructura uniforme. Normas de produccin tienen el uniforme
estructura IF-THEN.
Cada regla es una pieza independiente del conocimiento. La misma
sintaxis de reglas de produccin les permite ser auto-documentado.
. La separacin de los conocimientos de su procesamiento. La estructura
de un sistema experto basado en reglas proporciona una separacin
efectiva de la base de conocimiento del motor de inferencia. Esto hace
que sea posible el desarrollo de diferentes aplicaciones usando el mismo
sistema experto. Tambin permite una expansin grcil y fcil del sistema
experto. Para que el sistema sea ms inteligente, un ingeniero del
conocimiento no hace sino aumentar algunas reglas a la base de
conocimientos, sin intervenir en la estructura de control.

Tratar con un conocimiento incompleto e incierto. La mayora de los
sistemas expertos basados en reglas son capaces de representar y razonar
con conocimiento incompleto e incierto. Por ejemplo, la regla

IF temporada es el otoo
AND el cielo es 'nublado'
AND el viento es baja
THEN pronstico es claro {cf 0,1}
previsin es llovizna {cf 1,0}
pronstico es de lluvia {cf 0,9}

podra ser utilizado para expresar la incertidumbre de la siguiente
declaracin: "Si la temporada es el otoo y parece que llovizna, entonces
es probable que sea un da ms hmedo de hoy.
La norma representa la incertidumbre por nmeros llamados factores de
certidumbre fcf 0.1g. El sistema experto utiliza factores de certidumbre
para establecer el grado de confianza o nivel de creencia de que la
conclusin de la regla es verdadera. Este tema ser considerado en detalle
en el captulo 3.

Todas estas caractersticas de los sistemas expertos basados en reglas
hacen muy deseable para la representacin del conocimiento en los
problemas del mundo real.

Son los sistemas expertos basados en reglas sin problemas?
Hay tres defectos principales:

. Las relaciones entre las normas opacas. Aunque las normas de
produccin individuales tienden a ser relativamente sencilla y la auto-
documentado, sus interacciones lgicas dentro de la gran conjunto de
reglas pueden ser opacos. Sistemas basados en reglas hacen que sea difcil
de observar cmo las reglas individuales sirven a la estrategia global. Este
problema est relacionado con la falta de representacin del
conocimiento jerrquica en los sistemas expertos basados en reglas.
. Estrategia de bsqueda ineficaz. El motor de inferencia se aplica una
bsqueda exhaustiva a travs de todas las normas de produccin durante
cada ciclo. Los sistemas expertos con un amplio conjunto de normas
(sobre 100 reglas) puede ser lento, por lo que los grandes sistemas
basados en reglas pueden ser inadecuados para las aplicaciones en tiempo
real.
. Incapacidad para aprender. En general, los sistemas expertos basados en
reglas no tienen la capacidad de aprender de la experiencia. A diferencia
de un experto humano, que sabe cundo debe "romper las reglas", un
sistema experto no puede modificar automticamente su base de
conocimientos, o ajustar las normas existentes o agregar otros nuevos. El
ingeniero del conocimiento sigue siendo responsable de la revisin y el
mantenimiento del sistema.


2.10 Resumen

En este captulo, presentamos una visin general de los sistemas expertos
basados en reglas. Discutimos brevemente qu es el conocimiento, y
cmo los expertos expresan su conocimiento en forma de reglas de
produccin. Se identificaron los principales actores del experto equipo de
desarrollo de sistemaS y mostr la estructura de un sistema basado en
normas. Hablamos de las caractersticas fundamentales de los sistemas
expertos y seal que los sistemas expertos pueden cometer errores. A
continuacin repasamos las tcnicas de inferencia de encadenamiento
hacia adelante y hacia atrs y discutiendo las estrategias de resolucin de
conflictos. Por ltimo, se examinaron las ventajas y desventajas de los
sistemas expertos basados en reglas.
Las lecciones ms importantes aprendidas en este captulo son:

. El conocimiento es una comprensin terica o prctica de un sujeto. El
conocimiento es la suma de lo que se conoce actualmente.
. Un experto es una persona que tiene un conocimiento profundo de la
forma de los hechos y las normas y una slida experiencia prctica en un
dominio particular. Un experto puede hacer cosas que otros no pueden.
. Los expertos generalmente pueden expresar sus conocimientos en forma
de reglas de produccin.
. Las reglas de produccin se representan como IF (antecedente) THEN
(consecuente). Una regla de produccin es el tipo ms popular de la
representacin del conocimiento. Las reglas pueden expresar relaciones,
recomendaciones, directrices, estrategias y heursticas.
. Programa informtico capaz de realizar a un nivel humano experto en un
rea de dominio del problema estrecha se denomina un sistema experto.
Los sistemas expertos son ms populares los sistemas expertos basados
en reglas.
. En el desarrollo de sistemas expertos basados en reglas, conchas estn
convirtiendo particularmente comunes. Un sistema experto es un sistema
experto esqueleto con el conocimiento extrado. Para construir una nueva
aplicacin de sistema experto, todo el usuario tiene que hacer es agregar
el conocimiento en forma de reglas y proporcionar los datos pertinentes.
Shells de sistemas expertos ofrecen una reduccin dramtica en el tiempo
de desarrollo de sistemas expertos.
. El equipo de desarrollo de sistemas expertos debe incluir el experto de
dominio, el ingeniero del conocimiento, el programador, el director del
proyecto y el usuario final. Los diseos de ingeniera del conocimiento,
construye y pone a prueba un sistema experto. l o ella capta el
conocimiento de los expertos de dominio, establece mtodos de
razonamiento y elige el software de desarrollo. Para los sistemas expertos
basados en pequeas conchas sistemas expertos, el director del proyecto,
ingeniero del conocimiento, programador e incluso el experto podra ser
la misma persona.
. Un sistema experto basado en reglas tiene cinco componentes bsicos: la
base de conocimientos, la base de datos, el motor de inferencia, las
instalaciones de la explicacin y la interfaz de usuario. La base de
conocimientos contiene el conocimiento del dominio representado como
un conjunto de reglas. La base de datos incluye un conjunto de hechos
que sirvieron para emparejar contra las partes IF de reglas. El motor de
inferencia vincula las reglas con los hechos y lleva a cabo el razonamiento
por el que el sistema experto llega a una solucin. Las instalaciones de
explicacin que el usuario pueda consultar el sistema experto sobre cmo
se lleg a una conclusin en particular y por qu se necesita un hecho
especfico. La interfaz de usuario es el medio de comunicacin entre un
usuario y un sistema experto.

. Los sistemas expertos separan el conocimiento de la transformacin
mediante la divisin de la base de conocimientos y el motor de inferencia.
Esto hace que la tarea de la construccin y el mantenimiento de un
sistema experto mucho ms fcil. Cuando se utiliza un sistema experto, un
ingeniero del conocimiento o un experto simplemente introducen normas
en la base de conocimientos. Cada nueva regla aade algunos nuevos
conocimientos y hace que el sistema experto inteligente.
. Los sistemas expertos proporcionan una capacidad de explicacin
limitada trazando las reglas disparadas durante una sesin de resolucin
de problemas.
. A diferencia de los programas convencionales, los sistemas expertos
pueden tratar con datos incompletos e inciertos y permitir razonamiento
inexacto. Sin embargo, al igual que sus homlogos humanos, los sistemas
expertos pueden cometer errores cuando la informacin es incompleto o
borrosa.
. Hay dos mtodos principales para la bsqueda directa y el razonamiento:
encadenamiento hacia adelante y tcnicas de inferencia de
encadenamiento hacia atrs. Encadenamiento hacia adelante es un
razonamiento basado en datos; se parte de los datos conocidos y procede
hacia adelante hasta que no hay ms reglas pueden ser despedidos.
Encadenamiento hacia atrs es la razn-cin orientadas a objetivos; un
sistema experto tiene una solucin hipottica (la meta), y el motor de
inferencia intenta encontrar la evidencia para probarlo.
. Si ms de una regla puede ser despedido en un ciclo dado, el motor de
inferencia debe decidir qu regla para disparar. Un mtodo para decidir se
llama resolucin de conflictos.
. Sistemas expertos basados en reglas tienen las ventajas del conocimiento
como representacin natural, estructura uniforme, la separacin del
conocimiento de la transformacin, y hacer frente a un conocimiento
incompleto e incierto.
. Sistemas expertos basados en reglas tambin tienen desventajas, las
relaciones especialmente opacas entre reglas, estrategia de bsqueda
ineficaz, y la incapacidad para aprender.

Preguntas para la revisin

1 Qu es el conocimiento? Explique por qu los expertos por lo general
tienen un conocimiento detallado de una zona limitada de un dominio
especfico. Qu se entiende por heurstica?

2 Qu es una regla de produccin? D un ejemplo y definir dos partes
bsicas de la regla de produccin.

3 Enumerar y describir los cinco principales actores en el equipo de
desarrollo de sistemas expertos. Cul es el papel del ingeniero del
conocimiento?

4 Qu es un sistema experto? Explique por qu el uso de un sistema
experto puede reducir drsticamente el tiempo de desarrollo de un
sistema experto.

5 Qu es un modelo de sistema de produccin? Enumerar y definir los
cinco componentes bsicos de un sistema experto.

6 Cules son las caractersticas fundamentales de un sistema experto?
Cules son las diferencias entre los sistemas expertos y programas
convencionales?


7 Puede un sistema experto cometer errores? Por qu?

8 Describir el proceso de inferencia de encadenamiento hacia adelante.
D un ejemplo.

9 Describir el proceso de inferencia de encadenamiento hacia atrs. D un
ejemplo.

10 Lista de los problemas para los que el encadenamiento hacia adelante
tcnica inferencia es apropiado. Por qu se encadenamiento hacia atrs
utiliza para los problemas de diagnstico?

11 Qu es un conjunto de reglas de conflicto? Cmo podemos resolver
un conflicto? Enumerar y describir los mtodos bsicos de resolucin de
conflictos.

12 Lista de las ventajas de los sistemas expertos basados en reglas.
Cules son sus desventajas?

Referencias

Duda, R., Gaschnig, J. and Hart, P. (1979). Model design in the
PROSPECTOR consultant system for mineral exploration, Expert Systems
in the Microelectronic Age, D. Michie, ed., Edinburgh University Press,
Edinburgh, Scotland, pp. 153 167. Durkin, J. (1994). Expert Systems
Design and Development. Prentice Hall, Englewood
Cliffs, NJ.
Feigenbaum, E.A., Buchanan, B.G. and Lederberg, J. (1971). On
generality and problem solving: a case study using the DENDRAL program,
Machine Intelligence
6, B. Meltzer and D. Michie, eds, Edinburgh University Press, Edinburgh,
Scotland, pp. 165 190.
Giarratano, J. and Riley, G. (1998). Expert Systems: Principles and
Programming, 3rd edn.
PWS Publishing Company, Boston.
Negnevitsky, M. (1996). Crisis management in power systems: a
knowledge based approach, Applications of Artificial Intelligence in
Engineering XI, R.A. Adey, G. Rzevski and A.K. Sunol, eds,
Computational Mechanics Publications, South- ampton, UK, pp. 122 141.
Newell, A. and Simon, H.A. (1972). Human Problem Solving. Prentice Hall,
Englewood
Cliffs, NJ.
Shirai, Y. and Tsuji, J. (1982). Artificial Intelligence: Concepts, Technologies
and Applica- tions. John Wiley, New York.
Shortliffe, E.H. (1976). MYCIN: Computer-Based Medical Consultations.
Elsevier Press, New York.
Waterman, D.A. (1986). A Guide to Expert Systems. Addison-Wesley,
Reading, MA. Waterman, D.A. and Hayes-Roth, F. (1978). An overview of
pattern-directed inference
systems, Pattern-Directed Inference Systems, D.A. Waterman and F.
Hayes-Roth, eds, Academic Press, New York.