UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE HUAMANGA

DEPARTAMENTO ACADÉMICO DE MATEMATICA Y FISICA

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS

SISTEMAS EXPERTOS (IS - 442)

DOCENTE: Ing. ELOY VILA HUAMÁN

AYACUCHO – PERÚ

2022
SEMANA 01
 INTELIGENCIA ARTIFICIAL
En el Diccionario de la Lengua Española de la Real Academia Española podemos encontrar la siguiente definición de
Inteligencia Artificial (IA): «Desarrollo y utilización de ordenadores con los que se intenta reproducir los procesos
de la inteligencia humana». Por tanto la inteligencia artificial es una disciplina amplia que reúne varios campos como
el aprendizaje automático, los sistemas expertos, la robótica o los sistemas de procesamiento de lenguaje natural.

El objetivo de la IA, desde el punto de vista de la investigación y de la ciencia, es comprender los principios que
hacen posible el comportamiento inteligente en sistemas artificiales. Para ello, se deben analizar agentes naturales
y artificiales; formular y testear hipótesis sobre lo que implica construir un sistema artificial que realice tareas que
requieren inteligencia; Diseñar y desarrollar el sistema inteligente empírico, esto es, experimentando y comprobando
las distintas hipótesis planteadas

Sophia.
Hanson Robotics

(Poole & Mackwoth, 2010).

 INTELIGENCIA ARTIFICIAL
Sophia fue activada el 19 de abril de 2015. Está inspirada en la actriz Audrey Hepburn, y es conocida por su aspecto
y comportamiento humano en comparación con variantes robóticas anteriores. Según el fabricante, David Hanson,
Sophia tiene inteligencia artificial (IA), procesamiento de datos visuales y reconocimiento facial. Sophia también
imita gestos humanos y expresiones faciales y es capaz de contestar ciertas preguntas y tener conversaciones
sencillas sobre temas predefinidos (p. ej. en el clima).2 El robot usa tecnología de reconocimiento de voz de
Alphabet Inc, (compañía matriz de Google) y está diseñada con capacidad de aprendizaje.

(Poole & Mackwoth,2010) donde el autor indican que «se puede considerar una máquina inteligente si actúa de
manera inteligente, creando inteligencia real de una manera artificial o no natural».

Igualmente, de acuerdo a Negnevisky (2005), una máquina es

considerada inteligente si puede conseguir un rendimiento
igual al de un humano en una tarea cognitiva.
 INTELIGENCIA ARTIFICIAL
En gran parte de los libros de inteligencia artificial, cuando se habla de la historia de esta ciencia y sobre el debate
del pensamiento artificial en las máquinas, se hace referencia al artículo de Alan Turing con título «Computing
machinery and intelligence (Inteligencia y maquinaria informática) publicado en el año 1950. Este es uno de los
artículos más relevantes y antiguos sobre la inteligencia de las máquinas.

Turing definió el comportamiento inteligente de un ordenador como la «habilidad de conseguir un rendimiento

similar al de un humano en tareas cognitivas». Turing propone un juego de imitación en el que un juez humano debe
interrogar a otro humano y a un ordenador remotamente y conseguir adivinar quién es el ordenador de sus dos
interlocutores. Para que el ordenador no sea descubierto debe, por tanto, responder como un humano lo haría, hacer
cálculos con la rapidez de un humano, titubear e incluso enfadarse si las preguntas son provocadoras.
 INTELIGENCIA ARTIFICIAL
según la referencia (Ohlsson, Sloan, Turan y Urasky, 2017), la inteligencia artificial ha alcanzado en este sentido el
nivel de un niño de 4 años. En la práctica no es habitual la creación de programas con el objetivo de que se
comporten intelectualmente como humanos, sino que se buscan programas que ayuden a las personas a procesar
grandes cantidades de datos, tomar decisiones o realizar cálculos rápidos.

Sin embargo, aunque en principio no parezca completamente útil imitar el comportamiento humano, el test de Turing
sienta precisamente las bases de un método de validación de sistemas expertos que consiste en la comparación del
rendimiento del sistema inteligente con el del rendimiento de varios humanos expertos en un determinado área de
conocimiento.
 INTELIGENCIA ARTIFICIAL
DEFINICIÓN: Es una rama de la informática que estudia la creación de agentes computacionales que reciben
estímulos externos y, en base a ellos y a un conocimiento almacenado en dicho agente, producen resultados o
acciones que maximizan una medida de rendimiento. El conocimiento almacenado puede ser aprendido por el mismo
agente utilizando técnicas de aprendizaje automático o puede ser incorporado por un humano experto en el dominio
específico.

En este sentido, y en relación a los grandes conjuntos de datos (Big Data), es de gran interés el campo de la
Minería de Datos.
 MINERIA DE DATOS
DEFINICIÓN: La Minería de Datos es un proceso que utiliza técnicas de inteligencia artificial sobre grandes
cantidades de datos, con el objetivo de descubrir y describir patrones en los datos, a partir de
los cuales se pueda obtener un beneficio.

Las fuentes de datos pueden incluir bases de datos, data warehouses, repositorios o información en la web. Las
técnicas que en concreto utiliza la minería de datos son esencialmente las denominadas técnicas de aprendizaje
automático.

Colección de datos orientada a un tema específico, integrado, variante

en el tiempo y no volátil, que soporta el proceso de toma de decisiones.
 APRENDIZAJE AUTOMÁTICO
DEFINICIÓN: El aprendizaje automático, una rama de la IA, se refiere a la construcción de programas
computacionales que automáticamente mejoran su rendimiento en una tarea determinada con la experiencia.

Así, la minería de datos utiliza técnicas de aprendizaje automático para, por ejemplo, aprender a detectar el uso
fraudulento de tarjetas de crédito. A partir de datos de experiencias previas de usos fraudulentos y no fraudulentos de
tarjetas de crédito, mediante la aplicación iterativa de técnicas de aprendizaje automático, se puede mejorar en la
tarea de detectar usos fraudulentos.

Por otra parte, el aprendizaje automático tiene múltiples aplicaciones en otro tipo de sistemas como en aquellos
relacionados con la robótica, o en sistemas de reconocimiento de habla, por ejemplo. En el siguiente apartado se
explican conceptos relacionados con el aprendizaje automático, que serán muy utilizados a lo largo de la asignatura.
 APLICACIONES DE LA INTELIGENCIA ARTIFICIAL
Existen diversos tipos de problemas que pueden ser resueltos por sistemas inteligentes, como los que se enumeran a
continuación:

Diagnosis: Inferir funcionamientos incorrectos de un objeto a partir de su comportamiento y recomendar soluciones.

Selección: Recomendar la mejor opción de una lista de alternativas posibles.

Predicción: Predecir el comportamiento futuro de un objeto a partir de su comportamiento en el pasado.

Clasificación: Asignar un objeto a una clase definida.

Agrupamientos (clustering): Agrupar objetos de acuerdo a sus características.

Optimización: Mejorar la calidad de las soluciones hasta encontrar una óptima.

Control: Gestionar el comportamiento de un objeto en tiempo real para satisfacer

ciertos requisitos especificados.
 INTERESES DE LA INTELIGENCIA ARTIFICIAL

En el campo de la medicina se encuentran multitud de aplicaciones de las técnicas de inteligencia artificial. Por
ejemplo, analizando grandes cantidades de datos sobre una enfermedad, se puede predecir el diagnóstico y
pronóstico de enfermedades. Así, conociendo ciertos síntomas y características de un determinado paciente, se puede
diagnosticar con bastante probabilidad una enfermedad y establecer un tratamiento óptimo para dicho paciente
(López, 2013).

En la educación también se encuentran aplicaciones de sistemas inteligentes. Los denominados sistemas tutores
inteligentes tratan de emular las pautas que los tutores humanos dan para optimizar el estudio del alumno. Por
ejemplo, hay sistemas inteligentes que personalizan los contenidos que se presentan al estudiante en función de su
progreso en el aprendizaje o de su estilo de aprendizaje. También hay sistemas que analizan la solución que un
estudiante da a un problema y tratan de guiarle, ofreciendo pistas y otras pautas, para que consiga resolver el
problema.

Otro campo donde se utilizan mucho las técnicas de inteligencia artificial, en concreto de aprendizaje
automático, es en el marketing, en sistemas de gestión de clientes (comúnmente denominados por sus siglas en
inglés CRM ─ Customer Relationship Management) y posicionamiento de productos (Wierenga, 2010; Singh,
2012).
 INTERESES DE LA INTELIGENCIA ARTIFICIAL

En la gestión empresarial también se encuentran aplicaciones inteligentes para, entre otros, la planificación eficiente
de recursos o como apoyo a la toma de decisiones, por ejemplo aquellas relacionadas con el análisis de la solvencia
empresarial (Flores,2014).

También es frecuente encontrar sistemas inteligentes para el diagnóstico y el troubleshooting, detección de

problemas y propuesta de soluciones, como por ejemplo los que tratan de detectar un fallo en una red de ordenadores
y guían al administrador de la red en el proceso de diagnóstico y corrección del error, así como en los fallos de los
propios ordenadores (Emery & O»Connell, 1999; Akinnola, 2012).

Existen también sistemas inteligentes que proporcionan rutas óptimas, ya sean de transporte de mercancías
(Baltazar et al, 2010) o en transmisión de datos en redes telemáticas, por ejemplo, en base a ciertos
requerimientos como pueda ser la ruta de menor coste o la ruta más rápida

Además, Consumo energético, meteorología, agricultura, arqueología

 DEFINICIÓN DE APRENDIZAJE, TAREAS BÁSICAS Y EJEMPLOS.

Dado que la inteligencia se adquiere mediante la experiencia y el aprendizaje, el concepto de aprendizaje es muy
importante en el campo de la inteligencia artificial, siendo precisamente muy populares las técnicas de la rama de
aprendizaje automático.

La siguiente frase define el aprendizaje por parte de un ordenador; Un programa de ordenador aprende de la
experiencia E con respecto a una clase de tareas T y una medida de rendimiento P, si su rendimiento en las tareas
T, medido en base a la medida P, mejora con la experiencia E. (Mitchell, 1997).
Para ilustrar esta definición y los elementos E, P y T, se exponen a continuación unos ejemplos de tareas de
aprendizaje:

Ejemplo 1: Aprender a detectar robos de tarjetas de crédito.

T: detectar robos de tarjetas de crédito.
P: porcentaje de robos detectados.
E: base de datos de hábitos de compra con la tarjeta de crédito.
 DEFINICIÓN DE APRENDIZAJE, TAREAS BÁSICAS Y EJEMPLOS.

Ejemplo 2: Aprender a reconocer la escritura manual.

T: reconocer y clasificar palabras escritas en imágenes.
P: porcentaje de palabras correctamente clasificadas.
E: base de datos de imágenes de palabras manuscritas clasificadas.

Ejemplo 3: Aprender a aparcar un coche utilizando sensores de visión.

T: aparcar un coche utilizando sensores de visión.
P: porcentaje de aparcamientos correctos.
E: secuencias de imágenes y comandos de guiados registrados.
 ¿QUÉ CONTENIDOS SE PUEDEN APRENDER?
HECHOS: simples afirmaciones de una verdad, que puede ser una asociación entre una fecha y un hecho, o
un nombre y un objeto.

CONCEPTOS: conjunto de objetos, símbolos o eventos agrupados porque comparten ciertas características
y que pueden ser referenciados por un nombre en particular o un símbolo. Los objetos existen en el
espacio y tiempo como puede ser una persona, una mesa; los símbolos se refieren a tipos de palabras,
números, marcas, como puede ser un predicado o una fracción; los eventos son interacciones específicas
de objetos en un periodo de tiempo como puede ser la digestión o la fotosíntesis.

PROCEDIMIENTOS: conjunto de acciones realizadas en pasos consecutivos para alcanzar un objetivo.

PRINCIPIOS: relaciones causa-efecto, verdades generales o leyes básicas para afirmar otras verdades

Específicamente, los ordenadores pueden ser muy eficaces en el aprendizaje de conceptos que pueden ser
representados mediante distintos tipos de estructuras como árboles, reglas o funciones matemáticas.

También existen sistemas del campo de la robótica, por ejemplo, cuyo objetivo es aprender un
procedimiento. Estos sistemas tratan de actuar como humanos y alcanzar objetivos mediante la ejecución
de una serie de tareas. Sin embargo, hasta el momento, estos robots no superan en rendimiento a las
personas.
 ¿QUÉ ELEMENTOS INTERVIENEN EN EL APRENDIZAJE DE UN CONCEPTO?

Como anteriormente se ha expuesto, el programa de ordenador aprende en base a una experiencia E, que
podría ser una base de datos de información sobre transacciones bancarias así como una secuencia de
imágenes. Cada una de las transacciones y cada una de estas estas imágenes forman parte de la
experiencia y son denominadas como instancias.

Una instancia es una ilustración específica de un objeto, símbolo, evento, proceso o procedimiento
(Merrill, 1994).
 ¿QUÉ ELEMENTOS INTERVIENEN EN EL APRENDIZAJE DE UN CONCEPTO?

Como anteriormente se ha definido, el concepto será un conjunto de estas instancias que comparten
ciertas características. A estas características se les denomina habitualmente atributos.

El concepto se puede aprender tanto a partir de instancias que pertenecen a la clase, como a partir de
instancias que no pertenecen a la misma.
 ¿QUÉ ELEMENTOS INTERVIENEN EN EL APRENDIZAJE DE UN CONCEPTO?

tanto ejemplos como no ejemplos, recibe el nombre de datos de entrenamiento.

 ¿EN QUÉ CONSISTE APRENDER UN CONCEPTO?

Se aprende un concepto cuando, dado un objeto (símbolo o evento), se puede identificar

correctamente el concepto o clase a la que pertenece ese objeto, pudiéndose generalizar la aplicación
del nombre de la clase a todos los miembros de la misma y discriminando a los miembros que
pertenecen a otra clase.

Clasificación: identificar la clase de un símbolo específico, objeto o evento; también identificar

símbolos, objetos o eventos que no son miembros de una clase.

Generalización: identificar la clase de una instancia desconocida examinando atributos comunes de esa
instancia con ejemplos encontrados previamente de esa clase.

Discriminación: el hecho contrario a generalizar, esto es, dada una instancia desconocida, identificarla
como no-miembro de la clase dado que no se encuentran atributos comunes con ejemplos previos de la
clase.
 EL APRENDIZAJE VISTO COMO UNA BÚSQUEDA
El aprendizaje de conceptos se plantea a menudo como una búsqueda en un espacio de posibles hipótesis
(esto es, posibles soluciones al problema de aprendizaje) con el fin de encontrar la hipótesis que mejor
encaje con los datos de entrenamiento. En este aprendizaje inductivo se puede garantizar que la hipótesis
encontrada es la que mejor encaja con los datos de entrenamiento pero, ¿encajará esa hipótesis también
con nuevas instancias? Se asume que sí y se plantea, por tanto que:

Cualquier hipótesis que encaje «suficientemente» bien con un conjunto «suficientemente» grande de
ejemplos de entrenamiento también encajará bien con instancias nuevas.

Esta hipótesis del aprendizaje inductivo permite la generalización. La dificultad está en determinar el
espacio de hipótesis posibles en un problema de tal forma que se evite dejar fuera del espacio a la
mejor hipótesis.

Igualmente puede ser difícil determinar el tamaño de este espacio adecuado, así como el tamaño del
conjunto de datos de entrenamiento requerido, de tal manera que se pueda generalizar la solución. Surge
aquí el término “bias” inductivo.

El bias se refiere a los criterios de selección de las hipótesis como aquellos supuestos y suposiciones que
se realizan para generalizar la mejor hipótesis encontrada.
 EL APRENDIZAJE VISTO COMO UNA BÚSQUEDA
Por otra parte, en la búsqueda de las mejores hipótesis en base a los datos de entrenamiento, muchas veces
se encuentran soluciones demasiado específicas, que cubren de manera muy exacta los datos de
entrenamiento. Esto puede generar un problema de sobreajuste (overfitting en inglés), siendo la solución
adoptada demasiado específica respecto a los datos de entrenamiento y no se generaliza bien.
 TIPOS DE APRENDIZAJE
APRENDIZAJE SUPERVISADO: Un niño aprende conceptos viendo ejemplos de esos conceptos, ya
sean perros, niños, niñas, mesas o coches. Los niños buscan características (atributos) comunes, por
ejemplo, las mascotas en las casas como “gato”, “perro”. Analizando estas características comunes, el niño es
capaz de clasificar correctamente nuevas conceptos e instancias que se encuentra de la clase gato y perro,
sea cual sea la raza del gato y el perro. El niño ha creado un modelo de clasificación en base a ejemplos de
gatos y perros clasificados por los adultos, por lo tanto: El aprendizaje supervisado pretende caracterizar o
describir un concepto a partir de instancias del mismo.
 ETAPAS DEL APRENDIZAJE SUPERVISADO

1. Descripción del Concepto: Construcción de un modelo descriptivo a partir de un conjunto de

instancias, conteniendo ejemplos y no-ejemplos del concepto a aprender.

2. Clasificar Instancias no Clasificadas: Una vez construido el modelo podemos determinar si una
instancia nuevamente encontrada se puede clasificar como ejemplo de esa clase.
 TIPOS DE APRENDIZAJE
APRENDIZAJE NO SUPERVISADO: El aprendizaje no-supervisado pretende caracterizar un
concepto desconocido a partir de instancias del mismo. En este caso no existen clases definidas y por tanto
se trata de describir un nuevo concepto o clase. Las técnicas de agrupamiento o clustering son muy
utilizadas en problemas de aprendizaje no-supervisado. Mediante clustering las instancias se agrupan de
acuerdo a un esquema de similitud. En este tipo de aprendizaje, el no-supervisado, los datos de
entrenamiento no especifican qué se está intentando aprender (los agrupamientos), mientras que en el
aprendizaje supervisado, las clases que se están intentando describir sí están especificadas.

El clustering se puede utilizar además en

tareas de generalización, descubriendo
instancias similares, que comparten
propiedades, y pudiendo incorporar futuras
instancias en los agrupamientos generados.
APRENDIZAJE POR REFUERZO
SEMANA 02
 SISTEMAS EXPERTOS
El sistema experto, es un programa de ordenador capaz de comportarse
como lo haría un experto humano al resolver un problema en un área
específica del conocimiento.

El sistema experto será capaz de:

Procesar conocimiento expresado en forma de reglas y razonar para

solucionar problemas en un dominio de conocimiento específico.
Proporcionar conocimiento en una forma fácil de comprender,
empleando lenguaje natural.
Explicar cómo extrae sus conclusiones rastreando las reglas utilizadas en
el razonamiento.
Producir nuevo conocimiento, añadiendo nuevas reglas o ajustando las
existentes.
 SISTEMAS EXPERTOS
Como un experto humano, el sistema experto podría cometer errores si los
datos no son completos. Por otra parte, igualmente a un experto humano,
el sistema podría ser capaz de razonar con incertidumbre cuando trabaja
con datos incompletos.
SISTEMAS EXPERTOS - ARQUITECTURA
 SISTEMAS EXPERTOS - ARQUITECTURA

Para desarrollar un sistema experto se requiere que un experto humano

proporcione un conocimiento en forma de reglas y que proporcione datos
para resolver el problema. Esta persona es el experto de dominio, que es
capaz de resolver problemas en un dominio dado específico y ha de transferir
ese conocimiento al proyecto de construcción del sistema experto.

El experto humano ha de trabajar conjuntamente con un ingeniero de

conocimiento, que es capaz de diseñar y construir sistemas expertos. El
experto en el dominio deberá explicar al ingeniero de conocimiento cómo un
problema en particular es resuelto. El ingeniero tendrá que decidir sobre qué
método de razonamiento utilizar, cómo definir las reglas, qué datos utilizar y
cómo representarlos.
 SISTEMAS EXPERTOS - ARQUITECTURA

 El usuario es quien utilizará el sistema experto y se beneficiará del mismo. La

satisfacción del usuario dependerá de los resultados del sistema experto,
cómo representa las conclusiones obtenidas, la facilidad de comprensión y la
confianza que produzca.

El experto humano ha de trabajar conjuntamente con un ingeniero de

conocimiento, que es capaz de diseñar y construir sistemas expertos. El
experto en el dominio deberá explicar al ingeniero de conocimiento cómo un
problema en particular es resuelto. El ingeniero tendrá que decidir sobre qué
método de razonamiento utilizar, cómo definir las reglas, qué datos utilizar y
cómo representarlos.
 SISTEMAS EXPERTOS - ARQUITECTURA

 Interfaz de usuario: el usuario debe poder introducir información en el

sistema y ver los resultados obtenidos de la manera más significativa y
amigable posible.

Generador de explicaciones: al usuario se le debe indicar el camino seguido

hasta obtener una conclusión y el motivo por el que se ha llegado a la
conclusión.

 Adquisición de conocimiento: inicialmente se debe captar el conocimiento

de un experto e introducirlo en el sistema. Lo recomendable es que se
proporcione un interfaz que permita al experto en el dominio incluir su
conocimiento directamente en el sistema experto, sin que se necesite
continuamente la intervención de un ingeniero de conocimiento.
 SISTEMAS EXPERTOS - ARQUITECTURA
 La base de conocimiento: contiene el conocimiento de dominio útil para
resolver el problema.
Conocimiento heurístico: conocimiento expresado por un conjunto de reglas
del tipo SI <condición> ENTONCES <acción>
Conocimiento de control: estrategia de control de alto nivel de la aplicación.
Ejemplo: Primero, pedir los datos al cliente, después decidir si se le concede
un crédito, y, en caso afirmativo, estimar la cuantía del crédito.
 SISTEMAS EXPERTOS - ARQUITECTURA

 Base de hechos: hechos o datos propios de un problema a resolver. Esta

base contiene hechos representados mediante estructuras de datos
definiciones, restricciones, tipos, valores por defecto, etc.).

 Motor de inferencias: realiza el razonamiento, extrayendo información a

partir de la base de conocimiento y la base de hechos, siendo el enlace
entre ambas bases.

 Memoria de trabajo: donde se cargan las reglas y los hechos, y cuyos

elementos describen los valores asignados a una serie de atributos de
conceptos
 SISTEMAS EXPERTOS
ENCADENAMIENTO DE REGLAS HACIA ADELANTE: La técnica de encadenamiento de reglas hacia adelante
(forward chaining) es también denominada de control guiado por los datos.
 El encadenamiento hacia adelante va desde los hechos hasta las conclusiones (Recorrer hacia el objetivo).
 Usa la condicional del tipo: p1^p2^…^pn→ q; también denominada la regla mas simple de motor de búsqueda
el llamado if, then.

EJEMPLO 01: Dada los HECHOS A, B, C, D y E, se pueden generar reglas tales como:
REGLA 01: IF X es verdadero THEN Y es verdadero
REGLA 02: IF A es verdadero AND B es verdadero THEN X es verdadero
REGLA 03: IF Y es verdadero AND C es verdadero AND E es verdadero THEN Z es verdadero

A
X Y
B
C Z OBJETIVO

E
 SISTEMAS EXPERTOS
ENCADENAMIENTO DE REGLAS HACIA ATRÁS: La técnica de encadenamiento hacia atrás (backward chaining) o de
control guiado por objetivos consiste encontrar la evidencia que nos lleva a un objetivo conocido.
 El encadenamiento hacia atrás va desde las conclusiones hasta los hechos(Recorrer desde el objetivo).
 CONTROL DE COHERENCIA

 En situaciones complejas, incluso verdaderos expertos pueden dar información inconsistente (por ejemplo, reglas
inconsistentes y/o combinaciones de hechos no factibles).

 Si la base de conocimiento contiene información inconsistente (por ejemplo, reglas y/o hechos), es muy probable
que el sistema experto se comporte de forma poco satisfactoria y obtenga conclusiones absurdas.
 OBJETIVOS DEL CONTROL DE COHERENCIA
 Ayudar al usuario a no dar hechos inconsistentes, por ejemplo, dándole al usuario las restricciones que debe
satisfacer la información demandada.

 Evitar ingresar a la base del conocimiento cualquier tipo de conocimiento inconsistente o contradictorio.

El control de la coherencia debe hacerse controlando la

coherencia de las reglas y la de los hechos.
TRATAMIENTO DE LA INCERTIDUMBRE EN LOS
SISTEMAS EXPERTOS
EJEMPLOS DE DOMINIOS CON INCERTIDUMBRE
Exploración minera /
Predicción financiera petrolera
Diagnostico medico

Interpretación de
Monitoreo / control de
imágenes (visión) Reconocimiento de voz procesos industriales
complejos.