Introducción. Evolución Histórica.

Introducción.

Desde los años 50,se ha producido un notable avance dentro del campo de la inteligencia artificial. El reto
de crear maquinas cuyo comportamiento asimile el de los humanos, con capacidad para tomar propias
decisiones y obtener conclusiones comienza a ser tenido en cuenta a partir del desarrollo de la informática.
Concretamente, la inteligencia artificial (IA) es una rama de la ciencia de la computación. Paralelo al
desarrollo de la informática, comienza el desarrollo de la inteligencia artificial.

La IA comprende el estudio y creación de sistemas computarizados que manifiestan cierta forma de

inteligencia: sistemas que aprenden nuevos conceptos y tareas, que pueden razonar y derivar conclusiones
útiles acerca del mundo que nos rodea, sistemas que pueden comprender un lenguaje natural o percibir y
entender una escena visual, y sistemas que realizan otro tipo de actividades que requieren de inteligencia
humana

La IA es una ciencia que trata de la comprensión de la inteligencia y del diseño de máquinas

inteligentes, es decir, el estudio y la simulación de las actividades intelectuales del hombre
(manipulación, razonamiento, percepción, aprendizaje, creación).

La IA es el estudio de las computaciones que permiten percibir, razonar y actuar. Es un campo de

estudio que busca explicar y emular el comportamiento inteligente en términos de procesos
computacionales.

Estudia las representaciones y procedimientos que automáticamente resuelven problemas usualmente

resueltos por humanos.
A pesar de la diversidad de conceptos propuestos para la IA, en general todos coinciden en que la IA
trata de alcanzar inteligencia a través de la computación. Toda computación, requiere de una
representación de cierta entidad y de un proceso para su manipulación.

Desde el punto de vista de los objetivos, la IA puede considerarse en parte como ingeniería y en parte como
ciencia:

Como ingeniería, el objetivo de la IA es resolver problemas reales, actuando como un conjunto de ideas
acerca de cómo representar y utilizar el conocimiento, y de cómo desarrollar sistemas informáticos.

Como ciencia, el objetivo de la IA es buscar la explicación de diversas clases de inteligencia, a través de la

representación del conocimiento y de la aplicación que se da a éste en los sistemas informáticos
desarrollados. Problemas tales como reconocimiento de voz, demostración de teoremas juegos como las
damas o el ajedrez debían ser resueltos por personas dado que requieren habilidades tales como pensar, ver,
memorizar, oler, etc.

Sin embargo, como se ha indicado antes, los trabajos que han llevado a cabo numerosos investigadores en la
segunda mitad del siglo XX, han demostrado que este tipo de tareas pueden ser desarrollados y ejecutados
perfectamente por maquinas. La IA engloba diferentes subareas .Las principales subareas existentes son,
entre otras el reconocimiento de voz o de patrones, la demostración automática de teoremas, el
procesamiento del lenguaje natural, la visión artificial, la robótica, las redes neuronales y los sistemas
expertos.

Los sistemas expertos constituyen un campo de investigación dentro de la inteligencia artificial, si bien la
mayor parte de las restantes (por no decir todas) disponen de alguna componente relacionada con los
sistemas expertos. En la siguiente figura se muestran los campos que forman la IA. Se trata de un “todo”
que engloba campos como la robótica, la visión artificial, las redes neuronales, etc.
1
 Fig.1 Campos englobados por la IA.

Evolución Histórica.

En el año 1950 el campo de la automática recibe un gran impulso cuando Wiener desarrolla el principio de
la retroalimentación. La teoría de la retroalimentación es base fundamental de los sistemas de control.

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 IA. 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), un programa capaz de
solucionar problemas de sentido común. 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.

En1965 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.
2
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 programa 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 PROLOGUE 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; 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
hidróstaticas 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.

3
A partir de los 90 y con el desarrollo de la informatica, 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.

La evolución histórica de los métodos utilizados en el desarrollo de los sistemas expertos también se ha
producido a medida que se ha ido desarrollando la IA y los diferentes métodos que se han empleado para su
resolución. El desarrollo de lenguajes como LISP y PROLOG condicionaron esa evolución, así como
investigaciones en diversos campos relacionados.
Los primeros sistemas expertos que se desarrollaron en los años 60 eran capaces de resolver solo problemas
basados en situaciones determinadas, mediante sistemas de reglas.

Es a partir de los 70 cuando se empiezan a resolver problemas basados en situaciones inciertas, basados en
medidas difusas al principio y en redes probabilísticas con posterioridad. En la siguiente figura se aprecia la
evolución histórica en la resolución de problemas mediante sistemas expertos.
Todo ello se detallara en el próximo capitulo.

Fig. 2. Evolución histórica de resolución de problemas con sistemas expertos.

DEFINICIÓN Y CARACTERÍSTICAS DE LOS SE

Definición de Sistema experto.

Un sistema experto puede definirse como un sistema basado en los conocimientos que imita el pensamiento
de un experto, para resolver problemas de un terreno particular de aplicación.

4
Una de las características principales de los sistemas expertos es que están basados en reglas, es decir,
contienen unos conocimientos predefinidos que se utilizan para tomar todas las decisiones.

En Teoría estos sistemas son capaces de razonar siguiendo los mismos pasos que seguiría un especialista
(experto) en determinada materia (medico, matemático, biólogo, etc) cuando resuelve un problema propio
de su campo de su disciplina.
Por ello, el creador de un sistema experto tiene que comenzar por identificar y recoger del experto humano
los conocimientos que este utiliza, pero sobre todo los conocimientos empíricos que se adquieren con la
práctica.

Dado que los programas están basados en el conocimiento un aspecto fundamental es la programación del
conocimiento la cual hace uso de la representación explicita del conocimiento a usar por el sistema y de su
interpretación y manipulación lógica por medio de métodos de inferencia que permiten deducir nuevo
conocimiento a partir del que ya se dispone. Por ejemplo, un SE en diagnostico medico.

Los sistemas expertos son máquinas que piensan y razonan como un experto lo haría en una cierta
especialidad o campo. Por ejemplo, un sistema experto en diagnóstico médico requeriría como datos los
síntomas del paciente, los resultados de análisis clínicos y otros hechos relevantes, y, utilizando éstos,
buscaría en una base de datos la información necesaria para poder identificar la correspondiente
enfermedad.

Un Sistema Experto de verdad, no sólo realiza las funciones tradicionales de manejar grandes cantidades de
datos, sino que también manipula esos datos de forma tal que el resultado sea inteligible y tenga significado
para responder a preguntas incluso no completamente especificadas. Así, un sistema experto es un cuerpo
de programas de ordenador que intenta imitar e incluso superar en algunas situaciones a un experto humano
en un ámbito concreto de su actividad.

No pretende, en absoluto, reproducir el pensamiento humano, sino simplemente la pericia de un profesional

competente (téngase en cuenta que para construir un SE se suele contar con grandes expertos en la materia
que incorporan su conocimiento al sistema). Esta pretensión es más sencilla ya que en algunos campos
reducidos los expertos trabajan siguiendo reglas, aunque, generalmente, no sean conscientes de ello.

En aquellos campos en los que no sea necesario aplicar la intuición ni el sentido común, los sistemas
basados en el conocimiento han conseguido notables éxitos, consiguiendo en ocasiones ser más regulares y
rápidos que los propios expertos.

Los sistemas basados en el conocimiento desarrollados hasta hace poco constituyen la primera generación
cuya característica común reside en la superficialidad del conocimiento que se incluye en el mismo. Los
ingenieros de conocimiento (desarrolladores de los sistemas basados en el conocimiento) se limitan a
incorporar en los sistemas la experiencia y criterios de los especialistas sin buscar las razones últimas en las
que se basan.

Actualmente existen sistemas más avanzados, sistemas de Segunda Generación, en la que el conocimiento
se estructura en dos niveles. El primer nivel, de control (se suele aludir a él como metaconocimiento y las
reglas que lo constituyen reciben el nombre de metarreglas), sirve para determinar la forma de utilizar el
segundo nivel que es el que contiene el conocimiento de los expertos.

Características de los Sistemas expertos.

Para que un sistema actúe como un verdadero experto, es deseable que reúna, en lo posible, lo más
importante de las características de un experto humano, esto es:
 Habilidad para adquirir conocimiento.
 Fiabilidad, para poder confiar en sus resultados o apreciaciones.
5
  Solidez en el dominio de su conocimiento.
 Capacidad para resolver problemas.

Dada la complejidad de los problemas que usualmente tiene que resolver un SE, puede existir cierta duda en
el usuario sobre la validez de respuesta obtenida. Por este motivo, es una condición indispensable que un SE
sea capaz de explicar su proceso de razonamiento o dar razón del por qué solicita tal o cual información o
dato.

Componentes de un sistema experto.

Los principales componentes de un sistema experto son los siguientes:

 Base de Conocimiento
Un SE posee el conocimiento del experto humano convenientemente formalizado y
estructurado; esto es lo que se conoce como Base de conocimiento. Está constituido por la
descripción de los objetos y las relaciones entre ellos, así como de casos particulares y
excepciones.

Algunos sistemas basados en el conocimiento incluyen metaconocimiento o conocimiento

sobre el conocimiento, es decir, la capacidad para buscar en la base de conocimiento y
abordar la resolución del problema de una manera inteligente usando diferentes estrategias
para la resolución con sus condiciones particulares de aplicación. Es decir se trata de definir
criterios mediante los cuales el sistema decide la estrategia de búsqueda a utilizar en función
de unos datos iniciales.

El conocimiento se puede representar mediante cálculo de predicados, listas, objetos, redes

semánticas y/o reglas de producción. De todas ellas, las dos formas más usuales son las
reglas de producción y los objetos. En cualquier caso, la elección de las técnicas de
representación a utilizar dependerán del tipo de problema a resolver.

 Motor de Inferencia
También llamado intérprete de reglas, es un módulo que se encarga de las operaciones de
búsqueda y selección de las reglas a utilizar en el proceso de razonamiento. Por ejemplo, al
tratar de probar una hipótesis dada, el motor de inferencia irá disparando reglas que irán
deduciendo nuevos hechos hasta la aprobación o rechazo de la hipótesis objetivo.

 Base de Hechos
Se trata de una memoria temporal auxiliar que almacena los datos del usuario, datos iniciales
del problema, y los resultados intermedios obtenidos a lo largo del proceso de resolución.
A través de ella se puede saber no sólo el estado actual del sistema sino también cómo se
llegó a él. Como ya se ha mencionado antes, es conveniente que esta información se maneje
con bases de datos relacionales, en lugar de utilizar un sistema particular de almacenamiento.

 Interfaz de Usuario
Todo sistema dispone de una interfaz de usuario, que gobierna el diálogo entre el sistema y el
usuario. Para el desarrollo de estas interfaces algunas herramientas de desarrollo incorporan
generadores de interfaz de usuario o bien se utilizan herramientas de desarrollo de interfaces
gráficas existentes en el mercado.

Otros módulos que forman parte de este tipo de herramientas son los siguientes:

 Módulo de comunicaciones 6
 En la actualidad la mayoría de los sistemas basados en el conocimiento no viven aislados
sino que interactúan con otros sistemas por lo que son capaces de interactuar no solamente
con el experto sino con estos sistemas, para poder recoger información o consultar bases de
datos.

 Módulo de explicaciones
Es una utilidad importante en la etapa de desarrollo ya que aporta una ayuda considerable al
ingeniero del conocimiento para refinar el funcionamiento del motor de inferencia, y al
experto a la hora de construir y verificar la coherencia de la base de conocimiento. Sirve para
explicar al usuario tanto las reglas usadas como el conocimiento aplicado en la resolución de
un determinado problema.

 Módulo de adquisición de conocimiento

Este módulo permite al ingeniero del conocimiento, y/o experto, la construcción de la base
de conocimiento de una forma sencilla, así como disponer de una herramienta de ayuda para
actualizar la base de conocimiento cuando sea necesario.

Si bien estos módulos no existen en todos los sistemas basados expertos, o bien están desarrollados o
implementados de maneras diferentes, la función que desempeñan es muy interesante en el desarrollo de
estos sistemas.

Así, el motor de inferencia y las interfaces, que incluyen la interfaz de usuario, el módulo de explicaciones y
el módulo de adquisición del conocimiento, forman el esqueleto o sistema esencial, y que, separadas de las
bases de conocimiento y de hechos, constituyen una herramienta software para el desarrollo de los sistemas
basados en el conocimiento (shells).

Los componentes de que consta un SE se encuentran reflejados en la figura 3.

7
 Fig.3. Componentes de un Sistema Experto.

En la figura siguiente se muestra la arquitectura de un sistema experto

Arquitectura de un sistema experto.

La arquitectura de un sistema experto esta basada en una entrada de datos realizada por el usuario a fin
de efectuar la oportuna consulta. Las entradas no solamente están compuestas de estas consultas. El
aprendizaje del sistema y las condiciones especificas del problema a tratar también han de encontrarse en
la entrada.

Junto a ello, se encuentra la administración del sistema, compuesta por un interfaz encargado del manejo
de la sintaxis del lenguaje y de la maquina de inferencias,que se encarga de efectuar la búsqueda en la
base de conocimientos y en la base de datos. Por ultimo, se tienen los resultados. En la fig. 4 se refleja la
arquitectura de un SE.

8
 Fig.4. Arquitectura de un sistema experto.

Para conseguir su objetivo - emular la actuación de una persona experta en un dominio de conocimiento
concreto - los Sistemas Expertos están dotados de una arquitectura con un contenido y funcionalidad que
recuerda tanto las fuentes de información como las herramientas y forma de proceder que habitualmente
utiliza un experto en el desarrollo de su trabajo cotidiano. Esta arquitectura consta de tres elementos
básicos: Base de Hechos, Base de Conocimientos y Motor de Inferencias.

La Base de Hechos representa de forma convenientemente codificada el entorno real sobre el que ha de
trabajar un Sistema Experto, es decir, incluye la definición de sus diferentes componentes, las
interrelaciones entre ellos y las posible informaciones que acerca de su estado o evolución se pueden
tener disponibles. Equivale al entorno de trabajo sobre el que actuaría un experto, es algo así como los
"ojos" de un experto que analiza la situación de su entorno de trabajo.

9
 Estructura Básica de un Sistema Experto.

Problema
concreto

La Base de Conocimientos, como su nombre indica, ha de contener todo el conocimiento experto acerca
del dominio de trabajo. Equivaldría a la codificación conveniente de toda la sabiduría propia de un
experto en la materia en cuestión. Es un componente clave del Sistema Experto y de él depende de forma
poderosa su éxito o fracaso.

Cuando más fielmente quede recogido el conocimiento de una persona experta, y sea luego utilizado
de forma similar a como ella lo haría, tanto más eficaz será el Sistema

Experto.

Contiene el conocimiento del dominio en el cual el programa es competente. El conocimiento tiene que
estar representado en la forma que resulte más adecuada para el dominio de su competencia.
Adicionalmente hay que tratar que esa representación sea:
• Sencilla.

• Independiente.

• Fácil de modificar.

• Transparente: justificación de soluciones y explicación de los procesos.

• Relacional.
10
 • Potente: poder expresivo y eficiencia de cálculo.

Un aspecto importante de una base de conocimientos basada en reglas es su capacidad, expresada sobre la
base del número de reglas que posee:
• Demostración interesante: 50 reglas.

• Prototipo funcional: 250 reglas.

• SE operacional medio: 500 - 1000 reglas.

• SE operacional especial: 4000 reglas.

Una base de conocimientos debe ser coherente, rápida, modular, fácil de desarrollar y mantener. Puede
poseer: CONTROL: Estrategia de alto nivel de la aplicación: fases de la aplicación, bases de
conocimiento que se van a utilizar, Ejemplo: Primero pedir los datos al cliente, después decidir si se le
concede un crédito y en caso afirmativo, estimar la cuantía del crédito. CONOCIMIENTO
HEURÍSTICO: Reglas del tipo SI (condición) Entonces (acción) Ejemplo: si el solicitante tiene avalista,
entonces se le concede el crédito. ESTRUCTURA DE DATOS: Definiciones, restricciones, tipos, valores
por defecto,… (hechos “no ordenados”) Ejemplo: un perro tiene normalmente cuatro patas, puede tener
pelo corto o largo… PATRONES. PROCEDIMIENTOS: Métodos asociados a las estructuras de datos
Funciones genéricas Interfaz con el entorno informático.

El Motor de Inferencias es el procedimiento por el cual se asocian los hechos que se observa están
ocurriendo, con conocimientos relativos a los mismos, para de ahí obtener conclusiones. El experto
observa unos síntomas del mundo real (en el Sistema Experto a través de la Base de Hechos), extrae de su
conocimiento lo que sabe acerca de estos síntomas (en el Sistema Experto se usa la Base de
Conocimientos) y finalmente relaciona los hechos observados con su experiencia (en el Sistema Experto
eso lo hace el Motor de Inferencias) para hacer una serie de conjeturas que le pueden llevar a una
explicación de las razones o causas por las que esos hechos están presentes.
El motor de inferencia es una colección integrada de algoritmos de resolución de problemas. Está ya
codificado y probado (frente a los sistemas convencionales). Lee el conocimiento de control para ver qué
instrucciones de alto nivel hay definidas. Si se inicia un proceso de inferencia:
• Mira que reglas son aplicables.

• Si hay más de una regla aplicable, resuelve el conflicto y selecciona una.

• Aplica la regla (pudiendo tener que actualizar la B.C., aplicar métodos…)

Selecciona, decide, interpreta y aplica el conocimiento de la base de conocimientos sobre la base de

hechos con el fin de obtener la solución buscada. Un mecanismo de inferencia debe ser independiente del
conocimiento y de los hechos.

La misión principal de este componente es la obtención de conclusiones mediante la aplicación del

conocimiento abstracto al conocimiento concreto. En el transcurso de este proceso, si el conocimiento
inicial es muy limitado, y el sistema no puede obtener ninguna conclusión, se utilizará el subsistema de
demanda de información para completar el conocimiento necesario y reanudar el proceso de inferencia
hasta obtener alguna conclusión válida. En algunos casos, el usuario puede indicar la información
necesaria ayudado de una interfaz de usuario. La interfaz de usuario es una componente importante, pues
facilita la comunicación entre el Sistema Experto y el usuario.

11
El motor de inferencia está caracterizado por:

• El lenguaje en que ha sido escrito.

• La velocidad de trabajo: Inferencias/segundo.
• Las estrategias de búsqueda de soluciones:
o No Ordenada:
ƒ Aleatoria.
ƒ Heurística.
o Ordenada:
ƒ Encadenamiento hacia adelante (guiado por los datos, deductivo).
ƒ Encadenamiento hacia atrás (guiado por los objetivos, inductivo).
• La forma en que elige el conocimiento.
• La posibilidad de incorporar metaconocimiento.
• El tipo de lógica que emplea en el razonamiento:
o Booleana, trivalente, multivalente, difusa.
o Monotónica o no monotónica.
o Atemporal o temporal.

o Lógica de orden 0, orden 0+, orden 1.

• El método que utiliza para la evaluación del conocimiento incompleto o incierto:
o Determinístico.
o Probabilístico. o
Aproximado.
o Difuso.

En la figura se puede observar el ciclo base que sigue el motor de inferencia en un sistema basado en
reglas:

12
 LOS MÓDULOS DE COMUNICACIÓN. Un SE necesita medios y canales adecuados, sencillos y
potentes, para comunicarse:
• Con el usuario: Para permitir el diálogo en forma sencilla.

• Con el experto: Para la configuración del sistema; para la adquisición, mantenimiento, depuración
y validación del conocimiento.
• Con archivos externos: Bases de datos, hojas electrónicas de cálculo, archivos de texto,
programas.

TIPOS DE SISTEMAS EXPERTOS.

Tipos de Sistemas Expertos

Los problemas con los que pueden tratar los sistemas expertos pueden clasificarse fundamentalmente en dos
tipos: problemas esencialmente deterministas y problemas esencialmente estocásticos. Por ejemplo, en el
campo médico las relaciones entre síntomas y enfermedades se conocen sólo con un cierto grado de certeza
(la presencia de un conjunto de síntomas no siempre implica la presencia de una enfermedad). Estos tipos de
problemas pueden también incluir algunos elementos deterministas, pero se trata fundamentalmente de
problemas estocásticos.

Consecuentemente, los sistemas expertos pueden clasificarse en dos tipos principales según la naturaleza de
problemas para los que están diseñados: deterministas y estocásticos. Los problemas de tipo determinista
pueden ser formulados usando un conjunto de reglas que relacionen varios objetos bien definidos. Los
sistemas expertos que tratan problemas deterministas son conocidos como sistemas basados en reglas.

En situaciones inciertas, es necesario introducir algunos medios para tratar la incertidumbre. Por ejemplo,
algunos sistemas expertos usan la misma estructura de los sistemas basados en reglas, pero introducen una
medida asociada a la incertidumbre de las reglas y a la de sus premisas. En este caso se pueden utilizar
algunas fórmulas de propagación para calcular la incertidumbre asociada a las conclusiones.
Durante las últimas décadas han sido propuestas algunas medidas de incertidumbre. Algunos ejemplos de
estas medidas son los factores de certeza, usados en las conchas para generar sistemas expertos tales como
el sistema experto MYCIN; la lógica difusa, etc.

Otra medida intuitiva de incertidumbre es la probabilidad, en la que la distribución conjunta de un

conjunto de variables se usa para describir las relaciones de dependencia entre ellas, y se sacan conclusiones
usando fórmulas muy conocidas de la teoría de la probabilidad. Este es el caso del sistema experto
PROSPECTOR, que utiliza el teorema de Bayes para la exploración de mineral.

Los sistemas expertos que utilizan la probabilidad como medida de incertidumbre se conocen como
sistemas expertos probabilístico y la estrategia de razonamiento que usan se conocen con el nombre de
sistemas expertos probabilisticos.

Sistemas Expertos Probabilísticos.

En los primeros sistemas expertos, se eligió la probabilidad como medida para tratar la incertidumbre pero,
desgraciadamente, muy pronto se encontraron algunos problemas, debidos al uso incorrecto de algunas
hipótesis de independencia, utilizadas para reducir la complejidad de los cálculos. Como resultado, en las
primeras etapas de los sistemas expertos, la probabilidad fue considerada como una medida de
incertidumbre poco práctica. La mayoría de las críticas a los métodos probabilísticos se basaban en el
altísimo número de parámetros necesarios, la imposibilidad de una asignación o estimación precisa de los
mismos, o las hipótesis poco realistas de independencia.

Consecuentemente, en la literatura de la época, surgieron medidas alternativas a la probabilidad, como los

factores de certeza, las credibilidades, las plausibilidades, las necesidades o las posibilidades, para tratar la
incertidumbre. Sin embargo, con la aparición de las redes probabilísticas (principalmente las redes
13
Bayesianas y Markovianas, la probabilidad ha resurgido de forma espectacular, y es, hoy en día, la más
intuitiva y la más aceptada de las medidas de incertidumbre.

Consideremos el siguiente ejemplo de diagnóstico médico, donde se supone que se tiene un conjunto de
enfermedades dado (E1,...,En) y un conjunto de síntomas asociados (S1,...,Sm) a éstas. La pregunta a la que
trata de responder un sistema experto probabilístico de diagnóstico médico es: Supuesto que el paciente
presenta un subconjunto de síntomas S, ¿qué enfermedad es más probable que tenga?.

Para responder a esta pregunta han de calcularse las probabilidades P(Ei | S) , i = 1, 2, …, n. Por ejemplo, en
un caso práctico podíamos haber obtenido:
Enfermedad P(Di | S)
1 0.2
2 0.1
3 0.8 más probable
4 0.4
5 0.0
6 0.7

El problema de estos sistemas es que suponen que se conoce la función de probabilidad conjunta de todas
las enfermedades y síntomas. Sin embargo, en la práctica no se conocen todos los datos necesarios para
definir la función de probabilidad conjunta pues, en casos reales, estos pueden constituir una cantidad
ingente de información. Por ejemplo, para un caso de diagnóstico médico con 100 enfermedades binarias y
100 síntomas binarios se requieren más de 10 60 parámetros para especificar la función de probabilidad
conjunta.

Los modelos de redes probabilísticas utilizan grafos para definir relaciones de dependencia entre las
variables del modelo y simplificar la estructura de la función de probabilidad conjunta. Así, serán necesario
un número inferior de parámetros para especificar el modelo. Esta simplificación se realiza en base a una
factorización de la probabilidad.

Desarrollo de un Sistema experto.

Como primera aproximación es necesario indicar que las herramientas pueden clasificarse en tres grupos en
función de las diferentes etapas del proyecto en que interviene:

 Estudio de viabilidad: Se intenta verificar si el problema justifica el desarrollo de un sistema

basado en el conocimiento (este punto es muy importante, ya que algunas veces se ha intentado
resolver con este tipo de tecnología problemas que no eran los adecuados, lo que llevó a resultados
decepcionantes). Las herramientas deben ser flexibles y de uso muy sencillo. Muchas veces en esta
etapa no es necesario el uso de una herramienta específica ya que puede utilizarse un lenguaje de
programación de propósito general.

 Desarrollo del prototipo: En esta fase las herramientas deben poseer una serie de características a
nivel de estructuras de control, permitir probar y comparar los diferentes enfoques de la resolución
del problema (representación del conocimiento, estrategia de control, etc.) y ofrecer facilidades a los
ingenieros del conocimiento (traza, gestión de coherencia, etc.) en el desarrollo del sistema.

 Desarrollo del sistema: El factor más importante es la eficiencia. Asimismo, debe disponer de
módulos explicativos evolucionados para una efectiva compilación de la base de conocimiento y los
métodos de inferencia. En resumen, deben adaptarse perfectamente al problema. El desarrollo de
estos sistemas suele pasar por cuatro fases:

 Identificación de la aplicación y concepción de la solución.
 Desarrollo del (de los) prototipo(s).
 Ejecución y construcción del sistema completo. 14
  Alcanzar la integración del nuevo sistema con los anteriores y la asimilación del uso
de la nueva tecnología.

La tarea más importante a la hora de desarrollar un sistema basado en el conocimiento consiste en la

modelización del problema que se quiere resolver, esto es, representar el conocimiento que posee el
experto en un lenguaje que permita razonar al sistema. Consiste en formalizar y estructurar los objetos y las
relaciones entre ellos en la base de conocimiento.

De la misma forma que no existe ningún lenguaje de programación universal, tampoco se ha encontrado un
lenguaje ideal para poder representar el conocimiento formalmente. La elección dependerá, principalmente,
de la naturaleza y magnitud del problema.

Así, existen formalismos que permiten representar fácilmente mecanismos de razonamiento puramente
lógicos; otros, sin embargo, se adaptan mejor a una representación por analogía.

Existen tres tipos de representación:

 La representación procedural expresa explícitamente las relaciones entre los fragmentos de

conocimiento que son complejas de modificar. No obstante, ofrece una gran facilidad en el uso del
metaconocimiento.

 La representación declarativa incluye el cálculo de predicados, las reglas de producción y

las redes semánticas. El conocimiento queda estructurado en fragmentos independientes unos de
otros y que, por tanto, son fácilmente modificables. Estos módulos de conocimiento se combinan
mediante un mecanismo general de razonamiento y deducción.

 La representación mixta, como los objetos y marcos, emplea los dos métodos de
representación anteriores.

A continuación se explican con mayor detalle algunos ejemplos de representación:

 Reglas de producción: Es una representación formal de una relación, una información

semántica o una acción condicional. Una regla de producción tiene, generalmente, la siguiente
forma: SI Premisa ENTONCES Consecuencia. Ofrecen una gran facilidad para la creación y la
modificación de la base de conocimiento. Permite introducir coeficientes de verosimilitud para
ponderar el conocimiento (estos coeficientes se van propagando durante el proceso de razonamiento
mediante unas fórmulas de cálculo establecidas) y, en teoría, el método asegura que cuantas más
reglas posea más potente es. Sin embargo, aunque es la forma de representación más intuitiva y
rápida, cuando el número de reglas es grande aumenta la dificultad de verificación de todas las
posibilidades con el consiguiente riesgo de perder la coherencia lógica en la base de conocimiento.
Los hechos y las reglas asociadas de la base de conocimiento normalmente no son exactos; es decir
se tiene incertidumbre sobre el grado de certeza de algunos hechos y también sobre el campo de
validez de algunas de las reglas.
Para el manejo de la incertidumbre en los sistemas de reglas se han utilizado varios sistemas; los tres
más conocidos son los Factores de Certeza ( utilizados en MYCIN), la lógica de Dempster Shafer, y
la Lógica Difusa ( Fuzzy Logic). El método de tratar la incertidumbre es una de las características
más importantes de las herramientas de desarrollo, y actualmente se encuentra en discusión la
validez de estas lógicas para tratar con la incertidumbre. En sustitución se han propuesto las Redes
Bayesianas que tienen una base matemática más firme. De todas formas es un campo actual de
investigación que permanece abierto.

15
  Lógica proposicional: Es similar a las reglas de producción. Su diferencia principal con
éstas es que separa los elementos que componen la base de conocimiento de aquellos que controlan
la operación del sistema.

 Redes semánticas: Es un método que consiste en representar el conocimiento en forma de

redes o grafos; los nodos representan conceptos u objetos, y los arcos que los interconectan
describen relaciones entre ellos.

 Marcos: Consiste en asociar propiedades a los nodos que representan los conceptos u
objetos. Las propiedades son descritas en términos de atributos y los valores asociados.

 Objetos: La diferencia con los marcos reside en que, en un entorno de programación

orientada a objetos, éstos pueden actuar como entidades independientes. De esta forma, el control
del sistema se consigue mediante el envío de mensajes del sistema a los objetos y entre ellos
mismos.

 Representaciones múltiples: Es posible, e incluso muy frecuente, combinar dos o más

formas de representar el conocimiento en el mismo sistema para obtener la modelización más
adecuada a cada problema por lo que es bueno que una herramienta de desarrollo de sistemas
basados en el conocimiento contemple más de una forma de representación.

En el desarrollo del sistema es necesario idear el mecanismo de inferencia que refleje lo más fielmente
posible cómo piensa o actúa el experto. Este mecanismo, que se denomina motor de inferencia, es la parte
más importante del sistema basado en el conocimiento junto con la base de conocimiento. Los mecanismos
de razonamiento que utilizan reglas de producción son los de la lógica formal: modus ponendo ponens y
modus tollendo tollens . Además existe otro método que difiere de los anteriores y que es la búsqueda en
árboles.

Existen además cinco modos de razonamiento que a continuación se explican:

 Encadenamiento hacia adelante: El motor de inferencia parte de los hechos para llegar a los
resultados, esto es, selecciona las reglas que verifiquen las condiciones de la parte izquierda
(premisas).
 Encadenamiento hacia atrás: En este caso el motor de inferencia parte de los resultados y
trata de volver a los hechos para comprobar si encajan con el problema planteado.

 Encadenamiento mixto: Este modo ofrece varias posibilidades que resultan de combinar el
encadenamiento hacia adelante y hacia atrás para paliar sus limitaciones y mantener las ventajas.

 Algoritmos de búsqueda heurística: En los casos en los que la naturaleza de la base de

conocimiento permita construir una estructura de árbol, el proceso de inferencia se convierte en un
problema de búsqueda en un árbol. Existen diversos métodos, y la elección dependerá, por lo tanto,
de la naturaleza del problema.

 Herencia: Es el método de inferencia utilizado en entornos orientados a objetos. Un objeto

hijo hereda propiedades y hechos de sus padres. Así, la asignación de nuevas propiedades a un
objeto se realiza a través de las relaciones entre ese objeto y el resto.

16
Dentro de los modos de razonamiento los factores de incertidumbre son valores asignados a hechos o reglas
que indican la certeza o grado de confianza que el experto tiene en una regla o el usuario en un hecho. No
representan, ni mucho menos, una probabilidad en el sentido estricto de la palabra.

Un sistema que usa factores de incertidumbre asociados a las reglas o propiedades de los objetos puede
realizar varias recomendaciones indicando el grado de confianza o nivel de certidumbre de cada una.no
todos los problemas requieren un conocimiento basado en grados de incertidumbre, es conveniente que la
herramienta para el desarrollo de un sistema basado en el conocimiento incluya este conocimiento
probabilístico porque incorpora una utilidad que refleja en gran manera la forma de trabajar de los expertos
en mucha áreas. Asimismo, es necesario tener claro el algoritmo o método que se utiliza para calcular el
grado de incertidumbre asociado a una recomendación o acción final.

Lenguajes y generadores de Sistemas Expertos.

Para el desarrollo de sistemas basados en el conocimiento se han venido utilizando tanto lenguajes de
programación específicos de la inteligencia artificial (LISP y PROLOG) como de propósito general (C,
PASCAL, etc.).El lenguaje LISP es uno de los más utilizados desde los comienzos de la I.A. Se trata de
uno de los lenguajes de alto nivel más antiguos. Se creó en 1950 en el MIT por John McCarthy. Es un
lenguaje cuyo principal estructura de datos son las listas, aún cuando se han ido incorporando otras
estructuras más sofisticadas como pueden ser los objetos.Tiene como ventaja el manejo de sus estructuras a
muy alto nivel lo que facilita la implementación rápida de los modelos y su facilidad de modificación. Como
desventaja está su relativa lentitud frente a lenguajes de propósito general como C.
La mayoría de las primeras herramientas de desarrollo de sistemas basados en el conocimiento fueron
escritas en LISP y, en la actualidad, conviven con otras que se han desarrollado en C++.El lenguaje
PROLOG fue creado por Alain Colmenauer en la Universidad de Marsella en 1972. Se trata de un lenguaje
declarativo frente a los lenguajes de programación más usuales que son procedurales.Los lenguajes
declarativos, a diferencia de los procedurales, no describen secuencialmente el algoritmo de resolución del
problema, sino que se limitan a describir los hechos conocidos y las relaciones existentes entre ellos. Los
lenguajes procedurales están orientados al "cómo" mientras que los declarativos están orientados al "qué".
Es el lenguaje declarativo, en el caso que nos ocupa PROLOG, quien a partir de los datos introducidos
deduce nuevos hechos y resuelve el problema automáticamente. PROLOG tiene incluido, por tanto, un
motor de inferencia que se encarga de realizar búsquedas en su base de hechos. Programar con PROLOG,
por tanto, consiste en asertar hechos sobre objetos y preguntar al sistema sobre sus relaciones. Este lenguaje,
aún cuando se le reconocen sus bondades, no ha tenido una gran utilización (si se exceptúa Francia, Gran
Bretaña y Japón con el proyecto de 5ª generación, en el que se adoptó como lenguaje de programación
PROLOG) siendo su principal aplicación el manejo de bases de datos relacionales junto con lenguajes de
bases de datos de 4ª generación asociados a éstas.En la actualidad, es común la utilización de lenguajes
orientados a objeto (tales como C++) para el desarrollo de generadores de sistemas expertos y de Los
propios sistemas basados en el conocimiento por su rendimiento, en términos de tiempo de ejecución,
superior al de las herramientas generales. La incorporación de la programación orientada a objetos al
lenguaje C ha facilitado la labor de modelización que requiere todo sistema basado en el conocimiento y su
rapidez de ejecución así como el hecho de ser uno de los lenguajes de programación más conocidos ha
hecho que su uso vaya en aumento.

Una herramienta para la construcción de sistemas basados en el conocimiento no es sólo un lenguaje de

programación de alto nivel orientado al desarrollo de estos sistemas. Este equipo lógico de desarrollo tiene,
entre otras, las siguientes características o utilidades:

 Posibilidades para el desarrollo de prototipos.

 Un motor de inferencia.
 Un método o varios para la representación del conocimiento.
 Una o varias técnicas para el manejo de la incertidumbre.
 Un generador de interfaces gráficos (no siempre).
17
Estas herramientas están muy orientadas hacia el usuario final de la aplicación y, por lo tanto, es
fundamental elegir la herramienta adecuada al entorno de aplicación. Son muchos los factores que influyen
a la hora de tomar una decisión. En primer lugar es necesario conocer el alcance real del proyecto, esto es, si
primero va a construirse una maqueta para estudiar la viabilidad del proyecto, o si por el contrario ya está
decidido el desarrollo del sistema basado en el conocimiento.

Integración y migración de los sistemas expertos.

Los sistemas expertos, salvo excepciones, no están aislados sino que forman parte de otros sistemas,
expertos o convencionales.
Existen dos tipos básicos de arquitectura de integración. En la primera, el sistema basado en el conocimiento
forma parte de otro sistema principal. Así, si el sistema necesita comunicarse con el sistema basado en el
conocimiento, entablará una comunicación directamente o a través de una red.

En la segunda el sistema basado en el conocimiento es el sistema principal y está conectado a otros sistemas
basados en el conocimiento o convencionales, que le ayudan en su operación. Como ejemplo están los
subsistemas que realizan complejos cálculos matemáticos necesarios durante el proceso de razonamiento.

En ambos casos debe garantizarse una comunicación fluida de todos los sistemas, aunque estén funcionando
en plataformas diferentes, ya sea directamente o a través de una red local. Este aspecto es crítico en sistemas
basados en el conocimiento en tiempo real, los cuales requieren un rápido acceso a la información relevante
y a las bases de datos para poder ofrecer una solución inmediata y satisfactoria.

Por tanto, habrá que fijarse en las posibilidades de conexión a las bases de datos más conocidas y, en
especial, a aquélla que se esté utilizando como estándar en la organización así como la posibilidad de llamar
a rutinas externas en diferentes lenguajes y viceversa, o la invocación del sistema basado en el conocimiento
desde otros sistemas.

Un aspecto fundamental a tener en cuenta es la portabilidad de la herramienta (herramientas

multiplataforma). En este aspecto hay que valorar no sólo si la herramienta es susceptible de funcionar en
diferentes plataformas sino también el coste del cambio de plataforma. Existen herramientas que permiten
pasar de una plataforma a otra sin apenas esfuerzo, lo que facilitará la comercialización y el uso de los
sistemas que se desarrollen.

Tendencias futuras de los Sistemas expertos.

El mercado de herramientas para el desarrollo de SE está sufriendo una profunda transformación debido a
una reorganización en el mercado informático y al cambio de estrategia de las compañías dedicadas al
desarrollo de estas herramientas. Son cada vez más las compañías que antaño se dedicaban exclusivamente a
la inteligencia artificial y que han decidido introducirse en otros mercados más amplios. Esto ha provocado
una confusión que irá en aumento a medida que las empresas que integraban el grupo del mercado de la
inteligencia artificial pasen a comercializar otro tipo de productos.

El mercado se ha ido reconfigurando aprovechando las experiencias del pasado y el avance tecnológico. Así
se ha pasado de utilizar máquinas específicas (por ejemplo máquinas LISP) a usar ordenadores comunes
(estaciones de trabajo, ordenadores personales, etc.). Las aplicaciones eran muy específicas y ahora el
ámbito es mucho más amplio. Los sistemas basados en el conocimiento estaban pensados para trabajar de
forma aislada y ahora se conciben integrados con otros sistemas. Y, finalmente, el número de personas
formadas en estas técnicas es mucho mayor que las existentes hace unos años.Un análisis del mercado
actual lleva a distinguir seis categorías de herramientas en función de la plataforma de desarrollo y de
operación que lo estructuran:

18
clasificaciones posibles:
Según plataformas
Según herramientas de desarrollo:
Lenguajes (LISP, PROLOG, C++,...)
"Shell" (utilizando esos entornos)
CBR

Otra clasificación:
Herramientas de propósito general
Herramientas de dominio.
Las herramientas de desarrollo de sistemas basados en el conocimiento se pueden clasificar de varias
formas.

Según la plataforma de desarrollo y de operación que lo estructuran podemos distinguir cuatro tipos:
 Herramientas para PCs y Macintosh: Hasta hace poco, las herramientas que existían para estos
entornos estaban orientadas al desarrollo de sistemas pequeños y prototipos. Actualmente, y dado el
aumento de la potencia de los PCs, hay herramientas que antes sólo funcionaban en estaciones de
trabajo y ahora tienen versiones para PC.

 Herramientas para estaciones de trabajo: Aunque el número de herramientas en este sector no ha

sufrido grandes variaciones, la aparición de nuevas herramientas catalogadas como herramientas
orientadas a dominios específicos podrían incluirse en esta categoría. Este mercado presenta el
mayor volumen de ventas, y puede ser considerado sin duda, junto con el de los PCs, el que tiene
más proyección de futuro. De hecho, aquellas compañías que no ofrecen una buena herramienta para
estaciones de trabajo están realizando esfuerzos para colocar en el mercado un producto capaz de
competir en este entorno.

 Herramientas para mainframes: El número de herramientas en este mercado es pequeño y se prevé

que en los próximos años descienda lenta pero continuamente hasta desaparecer, ya que las
compañías que los comercializan se están desplazando hacia las herramientas para estaciones de
trabajo y PCs.

 Herramientas Lisp: Son ordenadores con arquitecturas especiales para ejecutar programas Lisp. El
interés por herramientas Lisp continúa descendiendo así como el número de productos en el
mercado. Se prevé un descenso continuo en los próximos años.

Según el alcance de la herramienta podemos dividirlas en:

 Herramientas de Propósito General. No están especialmente concebidas para tratar problemas

específicos. Tienen como ventaja su capacidad para ser empleadas en gran variedad de problemas.

 Orientadas a dominios y problemas específicos. Esta última categoría representa el mayor grupo
de herramientas en el mercado. Se trata de herramientas que abordan problemas o áreas específicos.
Ahorran mucho tiempo de desarrollo en el caso de ser aplicadas en los dominios para los que se
diseñaron. El número permanece estable aunque con perspectivas de crecimiento en los años
venideros debido al gran interés existente en este tipo de herramientas.

Por último podemos realizar una última división atendiendo al lenguaje o técnica para el que sirve la
herramienta y así podemos distinguir entre:

19
  Herramientas CBR (Case-Based Reasoning): La demanda de herramientas de este tipo se está
consolidando mediante la mejora de la calidad de sus productos con más utilidades y nuevos
componentes. Son herramientas de razonamiento basadas en casos, para a partir de ellos inducir las
reglas y criterios por similitud.

 Herramientas para lenguajes Lisp, Prolog, C++. Son entornos de desarrollo; proporcionan las
utilidades necesarias ( editores, compiladores, depuradores ) para poder programar de forma cómoda
en estos lenguajes. ( Se incluye el C++ porque cada vez hay más programas basados en el
conocimiento que se desarrollan en él).

 Shells. Son entornos de desarrollo completos y particulares. Contienen un motor de inferencia y

utilizan métodos propios de representación del conocimiento que pueden ser más o menos parecidos
al Lisp o al Prolog. Sirven principalmente para el desarrollo de prototipos aunque también pueden
utilizarse como herramientas finales. Algunos ejemplos son CLIPS, ART, G2.

Algunos de los campos actuales de investigación y de aplicación son:

 Aprendizaje: Se pretende que sea el propio ordenador el que adquiera el conocimiento. Existen
muchas técnicas aplicables o no dependiendo del problema: aprendizaje inductivo, deductivo, redes
neuronales, algoritmos genéticos.

 Redes Neuronales: Consisten en nodos conectados con otros mediante enlaces, simulando las
conexiones que forman las neuronas en el cerebro. Se investiga su utilización en muchas áreas;
Visión Artificial, Razonamiento, Aprendizaje, Comprensión Lenguaje Natural.

 Redes Bayesianas: Técnica para tratar el razonamiento con incertidumbre. Su base es el teorema de
Bayes que es el método matemático exacto para tratar las probabilidades. Consiste en una red donde
los nodos son hechos ciertos o no y los enlaces entre los nodos son las probabilidades condicionadas
de unos hechos con respecto a otros.
Propagando las probabilidades a través de la red, se pueden obtener los resultados más probables a
partir de los hechos que se conocen (razonamiento). El ejemplo típico son los sistemas de
diagnóstico médico.

 Algoritmos genéticos: Son métodos de aprendizaje inspirados en la evolución natural, y que utilizan
las nociones de individuos, apareamiento, recombinación de cromosomas, mutación genética,
adaptación y selección natural. Son la base de las investigaciones en Vida Artificial.

Otras técnicas que se pueden mencionar son la utilización de Ontologías para representar el conocimiento,
Data Mining para obtención de conocimiento en bases de datos y los Agentes Inteligentes para la
recuperación de información en Internet.

APLICACIONES DE LOS SISTEMAS EXPERTOS.

Factores que justifican el desarrollo de un sistema experto:
 El coste para formar nuevos expertos es muy alto.
 Existe el riesgo de perder los conocimientos y la experiencia en posesión de los expertos.
 Los expertos reconocidos que resuelven ese tipo de problemas son escasos.
 Es conveniente disponer de expertos sin restricciones de tiempo y lugar.
 Los expertos tienen que trabajar en ambientes hostiles.

20
Tipo de problemas que hacen apropiado el desarrollo de un sistema experto.
 Las tareas requieren principalmente tratamiento y razonamiento simbólico.
 Las tareas admiten el uso de métodos heurísticos.
 Las tareas no son demasiado fáciles.
 Las tareas tienen un valor eminentemente práctico.
 Las tareas tienen un tamaño razonable, esto es, el número de conceptos que deben ser
manejados es limitado y no requiere conocimientos de muchas áreas diferentes.

Campo de aplicaciones de los SE.

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. En la actualidad, en España se procede al desarrollo del Sistema de Información Normativo
Aplicado al Control (SINAC) fruto de la colaboración entre la Intervención General de la
Administración del Estado y la Dirección General de Informática Presupuestaria. Su función
primordial consiste en ayudar en la fiscalización y control de la actividad económica del Sector
Público. Otro ejemplo significativo podría ser la Metodología de Análisis y Gestión de Riesgos de
los sistemas de Información de las AdminisTraciones públicas(MAGERIT), elaborada por un equipo
interdisciplinar del Comité Técnico de Seguridad de los Sistemas de Información y Tratamiento
Automatizado de Datos Personales, SSITAD, del Consejo Superior de Informática y que consiste en
un método formal para investigar los riesgos que soportan los Sistemas de Información, y para
recomendar las medidas apropiadas que deberían adoptarse para controlar estos riesgos; por tanto,
permite aportar racionalidad en el conocimiento del estado de seguridad de los Sistemas de
Información y en la introducción de medidas de seguridad.

 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. En algunos situaciones se considera un caso particular de sistemas de

interpretación y análisis, pero debido a su frecuente uso se suelen considerar aparte. 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.

21
  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.

 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.

A modo de resumen y sin ser exhaustivos, pues el ámbito de aplicación de los sistemas basados en el
conocimiento es muy amplio, el siguiente cuadro indica algunas de las áreas en las que se han aplicado
sistemas basados en el conocimiento y el tipo de problema que abordan:
DOMINIO PROBLEMAS
Ambito Administrativo:
- Reglamentación. - Aligerar el tiempo de procedimientos.
- Derecho interpretado. - Disminución de costes de tramitación.
- Procesos. - Homogeneidad de las interpretaciones legales.
- Procedimmientos. - Disponiblidad de la información.
Gestión:
- Ejecutivos. - Manejo de un volúmen creciente de información.
- Acceso a expertos o consultores para la resolución de un
- Gestores.
problema determinado.
- Planificación estratégica. - Reducción de la complejidad organizativa.
- Dirección.
- Consultores.
Operaciones:
- Mejora de la coordinación de la organización, programación y
- Operación de maquinaria .
gestión complejas.
- Vigilancia de sistemas complejos para poder tomar decisiones
- Controles de calidad.
rápidamente.
- Controles de inventario. - Previsión de resultados de procesos complejos y dinámicos.
- Control de maquinaria
Servicios de Apoyo:
- Relaciones Públicas. - Comunicación de procedimientos nuevos y complejos
- Entrenamiento de personal. - Exámen y explicación de las decisiones tomadas.
- Control y reducción de los costes de desarrollo y
- Servicios de proceso de datos.
mantenimiento de sistemas informáticos.
- Mantenimiento y construcción. - Entrenamiento de operarios en tareas complejas
- Investigación y desarrollo.
- Problemas legales.
Finanzas:
- Necesidad de disponer de herramientas inteligentes para la
- Gestores de cartera.
planificación.
- Contabilidad financiera. - Vigilancias de sistemas complejos existentes.
- Gestores financieros.
- Auditoría
- Control.

22
Mercadotecnia:
- Necesidad de asistencia experta para examinar cuestiones
- Ventas.
mercadotécnicas.
- Necesidad de programas de servicio de clientes, asistencia y
- Publicidad.
control.
- Investigación mercado- técnica.
- Gestión de pedidos.
Automatización del Trabajo de Oficina:
- Necesidad de incremento en el manejo, comunicación,
- Proceso de textos.
recuperación y distribución de información.
- Gestión de bases de datos.
Servicios Profesionales:
- Consultoría de gestión. - Acceso a la información de otros consultores o expertos.
- Abogacía. - Realización de informes.
- Medicina. - Modelización y simulación.
- Contabilidad. - Control de un volúmen creciente de información.

Ciclo de Vida y Metodología.

Típicamente el ciclo de vida que se aplica a los sistemas basados en inteligencia artificial, es el ciclo de
vida en espiral, en el cual se comienza desde unos pocos requisitos y centrándose un pequeño objetivo y
se continúa avanzando poco a poco desde ese punto.
Como se puede observar en la imagen, se comienza desde el centro y siguiendo hasta el exterior, se
construye sucesivas versiones de la aplicación cada vez más completas. Durante la primera vuelta
alrededor de la espiral se definen los objetivos, se conceptualiza y formaliza el conocimiento, se evalúan
los riesgos y se crea el prototipo inicial, de esta forma se puede definir más el problema y refinar los
requisitos.

Existen distintos motivos para construir un prototipo:

• Para la demostración de la viabilidad del sistema y esto tiene un doble fin:

o Convencer al cliente o a las potenciales fuentes de financiación de que la tecnología de
ingeniería del conocimiento es adecuada para el problema en cuestión.
o Para verificar las ideas sobre la definición del problema, su alcance y su representación del
conocimiento del dominio, es decir, clarificar los requisitos.
• Para experimentación o investigación de las diferentes alternativas de diseño.

• Evolución: por el cual los diferentes prototipos construidos se van acercando más al sistema real.

• Adquisición de conocimiento: extrayendo el conocimiento de los expertos, siendo éste el mayor

cuello de botella en la construcción de un sistema experto.
Tras todo esto el cliente puede evaluar el trabajo de ingeniería realizado y puede realizar sugerencias para
modificar el prototipo realizado. En base a los comentarios del cliente se produce la siguiente fase de
planificación, evaluación de riesgos, conceptualización y formalización del conocimiento. En cada bucle
que se realiza alrededor de la espiral, la culminación del análisis de riesgos resulta en una decisión de
seguir o no seguir.
En la mayoría de los casos, si no hay ningún estudio que lo impida, se sigue avanzando alrededor del
camino de la espiral, llevando el desarrollo hacia un modelo más completo del sistema, y, al final, al
propio sistema operacional. Cada vuelta en la espiral requiere ingeniería, es decir, realización de un
prototipo cada vez más completo.
23
Veamos las fases en las que se encuentra inmerso este ciclo de vida:

• Identificación de la tarea:

o Elección del problema u objetivos a conseguir.

o Definición de las características del problema.

o Concepción de la solución: descomposición en subproblemas y establecimiento de

analogías.
• Análisis de riesgos

o Análisis de alternativas.

o Identificación y resolución de los riesgos.

• Desarrollo del/os prototipo/os

o Conceptualización del conocimiento.

ƒ Formalización del conocimiento: Descripción de la arquitectura computacional.

ƒ Selección de Herramientas.

ƒ Validación y evaluación.

• Valoración de los resultados obtenidos en la etapa anterior.

• Construcción y ejecución del sistema completo

o Expansión de las Bases del Conocimiento.

o Establecimiento de las interfaces con otros sistemas hardware, software y otros, y de la

transportabilidad del sistema.
o Adecuación de la interfaz de manejo al usuario final.

o Monitorización de las prestaciones y evaluación del rendimiento del sistema completo.

o Prueba y mejora de las prestaciones del sistema final global.

• Actuar para conseguir el mantenimiento del sistema, y lograr una correcta transferencia de la
tecnología.
o Definir el mantenimiento del sistema en general y de las bases del conocimiento en
particular.
o Organizar la transferencia tecnológica.

o Finalizar la documentación del sistema experto construido.

Tecnología

Desde el punto de vista tecnológico, los SBC pueden presentar varias formas de aplicación:

• Aislada: Un SBC único se relaciona con el entorno.

24
 • Integrada: Varios SBC conectados a bases de conocimiento comunes. Tipo Front-End cuando
todos los hechos y datos están físicamente en la base común. Tipo Back-End cuando los hechos y
datos necesarios que no estén en las bases comunes, pueden obtenerse de otros SBC.
• Embebida: Un SBC está integrado con otros sistemas y no se lo distingue.

Los SBC, al igual que otras formas de software, tienen como objetivo crear soluciones informáticas a
problemas. A pesar de que los SBC se basan principalmente en procesos heurísticos antes que
algorítmicos, el desarrollo de un SBC tiene un ciclo de vida similar al de un sistema de
software convencional.

Sin embargo, existen varias diferencias significativas entre la ingeniería cognoscitiva y la ingeniería de
software:
• Una de las mayores diferencias es el tipo de conocimiento que se representa: La ingeniería de
software involucra la representación de procedimientos algorítmicos bien definidos y típicamente
bien conocidos por muchas personas; mientras que la ingeniería cognoscitiva involucra la
representación del conocimiento heurístico amplio, impreciso, mal definido, que está almacenado
en la mente de pocos expertos. Debido a que el conocimiento heurístico no es ampliamente
conocido, ni entendido, tienen que ser utilizadas ciertas técnicas para lograr transferirlo desde las
mentes de los individuos que lo poseen, hasta una representación computarizada. Esta
transferencia, denominada Adquisición de Conocimiento, es elaborada y consume mucho tiempo.
• Otra de las diferencias significativas está relacionada con la naturaleza y la cantidad de
conocimiento. Mientras la naturaleza y la cantidad del conocimiento requerido para resolver un
problema algorítmico tradicional pueden ser razonablemente bien estimados, este no es el caso
para SBC. Típicamente, la naturaleza y la cantidad de conocimiento requeridos dentro de un SBC
para resolver un problema no es bien conocido, aún por los propios expertos. Esto dificulta la
predicción del esfuerzo total requerido para desarrollar un SBC. Además, puede ser difícil llegar a
un diseño adecuado desde las etapas iniciales del proyecto, dando lugar al problema denominado
dilema del cambio.
El dilema del cambio, puede aparecer durante el proceso del desarrollo, cuando un ingeniero cognoscitivo
descubre que la estructura de representación del conocimiento, la herramienta u otros aspectos de diseño
del sistema resultan inadecuados. Este descubrimiento es debido, generalmente, a la falta de comprensión
inicial de las complejidades del dominio del problema o al hecho de haber subestimado su magnitud.

Si esto ocurre dentro de una etapa avanzada del desarrollo, puede ser un serio problema. El
ingeniero cognoscitivo puede vérselas ante el dilema de continuar con la infraestructura inadecuada,
que puede resultar en graves dificultades al final del proyecto; o, volver a iniciar el desarrollo con lo
que parece ser una mejor estructura de representación del conocimiento y otros aspectos más adecuados
de diseño. Cualquiera que sea la decisión, sin lugar a dudas, se retardará la ejecución del proyecto. Sin
embargo si el dilema del cambio aparece en las etapas iniciales del proceso, puede ser beneficioso ya
que permitiría corregir los errores identificados, antes de que se invierta demasiado tiempo y recursos
en el paradigma inicial.

Para evitar estos obstáculos y proporcionar confianza al equipo de desarrollo, muchos ingenieros
cognoscitivos utilizan técnicas combinadas de Rápido Prototipaje y Desarrollo Incremental.
RÁPIDO PROTOTIPAJE

Puede utilizarse la flexibilidad y el poderío de CLIPS, LISP, PROLOG o de otras herramientas de

desarrollo para crear rápidamente un prototipo funcional del sistema final deseado. Este permitirá
realimentar en forma temprana aspectos de profundidad y tipo de conocimiento, de las necesidades de los
usuarios, así como ayudará a verificar la validez de las decisiones tomadas durante la etapa de diseño.
Con esto, si se presenta un dilema de cambio, su impacto será mínimo debido a lo temprano de su
ocurrencia.

25
Esto proporciona un sistema funcional que puede ser evaluado para obtener la realimentación necesaria.
El prototipo inicial puede ser desechado una vez que se ha obtenido la realimentación esperada o puede
ser mejorado en forma incremental para constituirse en un subsistema del SBC final. En la mayoría de
casos se opta por desecharlo debido a las dificultades que existen para modificarlo y acomodar todas las
ideas generadas durante su desarrollo y evaluación. En general, es más fácil empezar un nuevo proceso de
desarrollo, siguiendo las diferentes etapas del ciclo de vida con mayor detalle.

DESARROLLO INCREMENTAL

Una vez que el prototipo del sistema ha sido evaluado, se realiza su diseño final y se lo somete a un ciclo
continuo de modificaciones para que mejore sus características y su calidad. A este proceso se conoce
como desarrollo incremental. La estrategia que se sigue, puede ser definida como: Un proceso iterativo de
extracción, representación y confirmación del conocimiento en un limitado subconjunto del dominio del
problema con el objetivo de construir en forma incremental el SBC en segmentos autocontenidos.

El desarrollo incremental se centra en dos conceptos:

• Dividir para conquistar, donde un segmento de conocimiento manejable pero completo, es
seleccionado y desarrollado.
• Desarrollo iterativo, donde el concepto de dividir para conquistar es aplicado iterativamente sobre
los diferentes segmentos que conforman el problema completo.
En consecuencia, el desarrollo incremental involucra varios ciclos de recopilación del conocimiento de
los expertos, incorporación del conocimiento en el sistema, revisión de la implementación resultante con
los expertos y corrección de los problemas encontrados. A través de la progresiva incorporación de
módulos independientes al sistema en desarrollo, un SBC puede ser rápidamente puesto en
funcionamiento, aunque sea en forma parcial. En cambio un programa convencional, debido a su
naturaleza procedimental, en general debe ser completamente implementado, antes de ser utilizado.

Se evalúa el problema y los recursos disponibles para determinar la aplicabilidad de una solución basada

en conocimiento. Esto permite determinar los objetivos del proyecto, ojalá, de una manera inequívoca y

establece los medios para obtener dichos objetivos.

JUSTIFICACIÓN:

Se trata de justificar la necesidad de desarrollar un sistema experto determinado.

POSIBILIDAD:

Se trata de comprobar que la realización de un sistema experto determinado es posible.

ADECUACIÓN:

Se trata de analizar si de un sistema experto es adecuado para resolver el problema, basándose en

su Naturaleza, Complejidad y Alcance.

ÉXITO.

Se trata de evaluar si el sistema experto asegurará la resolución del problema con éxito.

26
 DESARROLLLO DEL PROTOTIPO

Un prototipo es un sistema representativo del problema a resolver.

Esta es una etapa clave debido a que todas las decisiones tomadas en el diseño preliminar deben ser ya sea

confirmadas, rectificadas o desechadas, sobre la base del conocimiento recopilado de los expertos en el

proceso hasta completar esta etapa. El prototipo inicial debe verse como el sistema completo, excepto que

estará limitado en su cobertura. Debe incluirse una relativamente bien definida interfaz con el usuario y

un robusto subconjunto de conocimiento de tal forma que los usuarios puedan juzgar su aceptabilidad.

Esto no significa que el prototipo debe ser altamente robusto, simplemente debe reflejar la forma que

tendría el sistema final que será construido. En general se recomienda que el prototipo inicial sea

desechado una vez que se haya completado su evaluación. El desarrollo del sistema final debe partir, en lo

posible desde el inicio. La clave en la etapa del prototipo es que se debe extraer tanto conocimiento y

opiniones de expertos y usuarios como sea posible para poder validar satisfactoriamente las decisiones de

diseño.

Las razones para construir un prototipo de sistema experto son:

DEMOSTRACIÓN:

Solamente se estudia una parte del problema, pero se hace con profundidad, con el objetivo de

demostrar su viabilidad.

EXPERIMENTACIÓN:

Se estudian diferentes alternativas, sin profundizar demasiado, con el objetivo de investigar

distintas alternativas de diseño.

EVALUACIÓN:

27
 Es un sistema mixto de los dos anteriores, con el objetivo de aproximarse al problema real.

Pero la razón principal es el determinar la forma de adquisición del conocimiento, que actualmente es aún

el gran problema, y se sigue resolviendo de forma artesanal por el Ingeniero del Conocimiento. En la

figura se pueden ver los pasos más significativos del desarrollo de un prototipo.

DEFINICIÓN DEL PROBLEMA:

Se definen los aspectos importantes del problema, es decir, objetivos a cubrir, recursos y herramientas a
elegir, así como los participantes del mismo, ya sean Ingenieros del Conocimiento o Expertos.

CONCEPTUALIZACIÓN:
Se definen los conceptos necesarios para producir una solución, es decir, tipos de relaciones y estrategias
a seguir. Se define la estructura del a Base de conocimiento de otros módulos.

FORMALIZACIÓN:
En esta fase se representan formalmente los elementos del problema y estructuras que se han definido, es
decir, se construyen los módulos, base de conocimiento y motor de inferencia.

IMPLEMENTACIÓN:
El Ingeniero del Conocimiento refleja el conocimiento formalizado en una aplicación, la cual requiere los
siguientes aspectos:

Contenido:
Estructuras de datos, reglas de inferencia y estrategias de control.

Forma:
Herramienta elegida para desarrollar el sistema.

Integración:
Implica cambiar y reorganizar distintos elementos de conocimiento para eliminar equiparaciones globales
equivocadas. En esta etapa, además, se lleva a cabo el desarrollo de las interfaces del usuario.

VERIFICACIÓN:
El experto evalúa las prestaciones y utilidad del programa prototipo y ayuda al Ingeniero del
Conocimiento si es necesario revisarlo.

Los usuarios finales exigen, además de la calidad, que el sistema sea rápido, fiable, fácil de usar y
entender que sus fallos sean recuperables.

PRODUCCIÓN DE UN SISTEMA COMPLETO

Esta es la etapa que puede consumir la mayor parte del tiempo del ciclo de vida de un SBC, aun cuando
exista un excelente diseño. La implementación comprende el proceso completo de adquisición del
conocimiento para todos los módulos o subsistemas. Es en esta etapa que tiene lugar el desarrollo
incremental.

28
Las principales actividades a llevar a cabo son:

IMPLEMENTACIÓN DEL NÚCLEO DEL SISTEMA COMPLETO:

Frecuentemente son necesarias las modificaciones de la lista exacta de objetos, atributos y relaciones,
reajuste de jerarquías y variación de heurísticas.

EXPANSIÓN DE LA BASE DE CONOCIMIENTOS ANTERIOR:

Es el principal trabajo en el desarrollo del sistema completo. Suele ser necesario incorporar nuevas
heurísticas y a veces reglas, para dar más profundidad al sistema.

ADECUACIÓN DE LA INTERFAZ A LAS NECESIDADES DEL USUARIO:

Se le debe dar una atención considerable L introducción de fases y explicaciones que permitan seguir la
lógica del sistema experto, ya que es el medio de enviar información al usuario. Es muy conveniente el
uso de representaciones gráficas.

MONITORIZACIÓN DE PRESTACIONES Y EVALUACIÓN DEL RENDIMIENTO:

En este paso comienza el traspaso de los Ingenieros del Conocimiento al Experto.
Una nueva interfaz deberá permitir al experto introducir diferentes casos para inspeccionar los
razonamientos del sistema y recorrer paso a paso un determinado caso.

EVALUACIÓN DEL SISTEMA.

Aunque es imprescindible una evaluación pormenorizada del sistema, no es el objetivo de esta memoria
detallar todas las operaciones llevadas a cabo para tal fin.

Evaluación del Sistema.

La evaluación de un Sistema Basado en el Conocimiento no es una tarea sencilla, debido, entre otras, a las
siguientes razones:
• Las expectativas con respecto a sus prestaciones son frecuentemente vagas y confusas.

• Muchas veces los casos típicos que debe resolver el sistema son los mismos que se han usado para
la adquisición de conocimiento.
• No es posible en un caso real disponer de un juego de pruebas que pueda asegurar que el
comportamiento del sistema es el ideal.

Además, comparándolo con la evaluación de un software convencional, la evaluación de un SBC posee

las siguientes características diferenciales:
• Los SBC no son por naturaleza objetivos.

• Los SBC gestionan habitualmente cierta cantidad de incertidumbre.

• En el software convencional puede usarse el juego de ensayo.

• En el software convencional normalmente no se cuestiona la corrección de los resultados.

Se muestra a continuación en qué consiste el proceso de evaluación en general [Gómez, 97]:

29
 Verificación del Sistema.
La verificación del sistema consiste en comprobar la corrección de los modelos conceptuales, formales y
computables del sistema. La debe realizar un Ingeniero de Conocimiento distinto al que desarrolló el
sistema. Lo que se verificó en INCEND-IA a lo largo de todo el proceso de creación, básicamente ha
sido:
Redundancias:

Identidad entre elementos.

Elementos sin conocimiento.
Circularidades.
Partes innecesarias.

Completitud:
Elementos ausentes.
Elementos inalcanzables.

Consistencia:
(Depende de cada formalismo de representación utilizado, de los tipos de lógicas y de los
mecanismos de gestión de incertidumbre):
Elementos contradictorios. Incompatibilidades con las restricciones.

Validación del Sistema.

La validación consiste en comprobar que el sistema responde adecuadamente a los fines para que fue
diseñado. La debe realizar el experto, o utilizarse conjuntos de casos de prueba (existen indicaciones
sobre el número de casos de prueba que deben usarse [Caraça-Valente, 99]), pero en general, se deben
realizar los siguientes procesos [Gómez, 97]:

Carga de Prueba Patrón de

referencia
Comparación frente a resultados Casos históricos Comparar resultado
conocidos con solución del sistema con el
conocida conocido
Comparación Modelo Teórico Comparar resultado
frente a modelos del sistema con la
Modelo lineal Casos aleatorios
matemáticos solución del modelo
para el caso
Comparación Juego aleatorio Casos aleatorios Comparar resultado
frente a un del sistema con el
Juego de ensayo Casos
experto del experto
seleccionados
Ensayo en Casos reales
paralelo
Análisis de Sensibilidad a Casos aleatorios Las salidas de los
sensibilidad variaciones en las donde se provocan casos variados
entradas variaciones en la deben ser
entrada semejantes
Sensibilidad a Casos con entradas No debe producirse
errores en las inválidas salida y debe dar
entradas mensaje de error

30
 Proceso de validación.
También deben ser evaluadas la usabilidad y la utilidad del sistema, cuando el sistema está funcionando
en condiciones reales.

INTEGRACIÓN Y MANTENIMIENTO DEL NUEVO SISTEMA

El construir un sistema experto que funcione correctamente de forma aislada no es suficiente, hay que
integrarlo en el entorno de trabajo en el que continuará operando.

Las principales actividades a llevar a cabo son:

ORGANIZACIÓN DE LA TRANSFERENCIA DE TECNOLOGÍA:

Solo una buena planificación conseguirá vencer las adversidades de la instalación de un sistema experto
en un determinado entorno de trabajo.

ESTABLECIMIENTO DE INTERFACES DEL SISTEMA EXPERTO CON OTROS SISTEMAS:

Frecuentemente se necesitan datos u otro tipo información, sistemas software o hardware, como por
ejemplo los sistemas de medida.

MEJORA DE LAS PRESTACIONES DEL SISTEMA GLOBAL RESULTANTE:

Cuando ya existe algún sistema en producción antes de la introducción del sistema experto es necesaria
una adecuada intercomunicación entre todos los sistemas, de forma que se mejore claramente el
rendimiento del sistema global.

MANTENIMIENTO DEL SISTEMA:

En necesaria tanto la formación del personal que va a encargarse del mismo como la dotación de
flexibilidad al sistema para adaptarlo a entornos dinámicos, cambiantes a lo largo del tiempo.

31