Comportamiento de los sistemas expertos.

Cuando se modelan sistemas expertos se busca que tengan las siguientes características
que son propias de los expertos humanos:

 Habilidad para llegar a una solución a los problemas en forma rápida y certera.

Esta es la habilidad principal que se espera que un experto posea y pueda llevar a cabo.
Al mencionar “en forma rápida y certera” obliga a que el experto no solo tenga
conocimiento del campo en el que va a diagnosticar, sino que además tenga experiencia
tomando decisiones en él.

 Habilidad para explicar los resultados a la persona que no cuenta con ese
conocimiento.

Esto significa que el experto debe de poder responder en forma clara y certera las
preguntas concernientes a las razones de los resultados, el razonamiento derivado de los
mismos y las implicaciones subsecuentes.

 Habilidad para aprender de las experiencias.

Los expertos deben de aprender tanto de sus propias experiencias como de la

experiencia de los demás. Están obligados a estar al día en cuanto a la base de sus
conocimientos así como a modificar el proceso de su razonamiento. Los expertos que no
se mantienen al día generalmente se vuelven obsoletos.

Creación de un sistema experto.

Esta etapa es la encargada de extraer las principales características presentes

en la teoría de estimación de estado que permiten la creación de un sistema
experto con el fin de mejorar el desempeño del método de mínimos cuadrados
cuando existen mediciones con error. Los principales aspectos que se deben
tener en cuenta para el desarrollo de la primera etapa se describen a
continuación.

La base de conocimientos. Almacena toda la información, datos, reglas, casos y

relaciones importantes que utiliza el SE. Para cada aplicación única se tiene que
desarrollar una base de conocimientos.
El uso de reglas. Una regla es una instrucción condicionada que enlaza determinadas
condiciones con acciones o resultados. La regla se crea por medio de construcciones de
si-entonces.

El uso de casos. Un SE puede usar casos al desarrollar la solución a un problema o

situación actual. El proceso incluye: encontrar casos almacenados en la base de
conocimientos, que sean similares al problema y poder modificar las soluciones a los
casos para adaptarlas, o acomodarlas, al problema o la situación actual.

El motor de inferencias. El propósito general de un motor de inferencias es buscar

información y relaciones en la base de conocimientos, y proporcionar respuestas,
pronósticos y sugerencias en la misma forma en que lo haría un experto humano. En
otras palabras, el motor de inferencias es el que proporciona el consejo experto.

Encadenamiento inverso. Es el proceso de comenzar con conclusiones y trabajar hacia

atrás hasta los hechos de soporte. Si los hechos no apoyan la conclusión, se elige y
prueba otra.

Encadenamiento hacia delante. Se inicia con los hechos y trabajo hacia delante hasta
las conclusiones.

Comparación del encadenamiento inverso y el encadenamiento hacia delante. El

encadenamiento hacia delante puede llegar a conclusiones y producir más información
con menos consultas para el usuario que el encadenamiento inverso, pero este método
requiere más procesamiento y un mayor grado de sofisticación.

Base de conocimiento.

Es donde se registran unas estructuras de datos que representan el conocimiento fáctico,

práctico y heurístico de la o, más bien las personas expertas que han prestado sus
"saberes iniciales" al sistema. Esas estructuras de datos se concretan, en la práctica no
en datos sino en conocimientos estructurados en hechos, y reglas, que permiten generar
más conocimiento y que el sistema aprenda de sus actuaciones.

Es el conjunto de reglas que permiten representar los conocimientos del dominio de

experto, donde cada regla aisladamente tiene significado propio. Normalmente los
conocimientos son de tipo declarativo por lo cual la BC casi siempre es una descripción
de los conocimientos del experto y requiere de algún mecanismo que obtenga las
inferencias adecuadas para resolver el problema, sea capaz de seleccionar las reglas y
que las vaya ejecutando: el motor de inferencias.
 Base de datos total.

Motor de inferencia (Estructura de control)

El Motor de Inferencias (MI) es un programa de control cuya función es seleccionar las

reglas posibles a satisfacer el problema, para ello se vale de ciertas estrategias de control
sistemáticas o de estrategias heurísticas. La estrategia de control sistemática es un
programa de control hecho de forma algorítmica que aplica una heurística de propósito
general cuya función es una exploración exhaustiva y metódica de la base de
conocimientos.

Interfaz (Módulo) del experto.

Interface con el experto, permite al experto consultar los conocimientos almacenados en

la base de conocimientos y da la posibilidad de incluirle nuevos conocimientos. Su
objetivo es que el experto pueda introducir directamente sus conocimientos en la
máquina sin necesidad de ver al ingeniero que desarrolló el sistema.

Algunas de las aplicaciones más importantes se remontan al sistema Mycin, el cual dio
lugar a la mayoría de las aplicaciones en medicina y fue pionero en el tratamiento de la
incertidumbre, que sirvió de patrón a los motores de inferencia de propósitos general
(Shell). Otro de los destacados fue Dendral cuya aplicación fue usada en la química, la
prospección geológica entre otras muchas aplicaciones.

Interfaz de usuario.

Interface con el usuario, es la que facilita el diálogo con el usuario, permite hacerle
preguntas al sistema e incluso obtener conocimientos análogos a los del experto. Las
explicaciones pueden ser obtenidas de la base de hechos donde se almacenan los pasos
para llegar a la solución.
 El componente de adquisición.

Los sistemas inteligentes están diseñados para detectar y reaccionar a medida que la
información evoluciona. Un sistema inteligente es uno que siempre está aprendiendo,
vive en el proceso de trabajo y está mejorando de forma constante. En el mundo de la
información moderna, una aplicación que no está volviéndose más inteligente se está
volviendo más tonta.

Las aplicaciones inteligentes están diseñadas para detectar y reaccionar cuando las
distribuciones de datos evolucionan. Como resultado, necesitan estar “en línea” para
detectar estos fenómenos antes de que se conviertan en un problema.

Demasiadas soluciones proveen una respuesta en un punto en el tiempo; un sistema

inteligente es uno que siempre está aprendiendo a través de la infraestructura descrita
aquí. Esto es lo que define la inteligencia — no un algoritmo de aprendizaje automático
soltando PDFs que contienen predicciones o resultados del trabajo de un científico de
datos. Para que la industria continúe creciendo y evolucionando, necesitamos empezar a
hacer un mejor trabajo al reconocer lo que es verdaderamente AI y lo que no lo es.

El componente explicativo.

Las aplicaciones necesitan permitir la interacción con humanos de una manera en que
los resultados sean reconocibles y creíbles. Por ejemplo, cuando uno crea un modelo
predictivo, es importante tener una explicación de cómo el modelo hace lo que está
haciendo, qué están haciendo las características en el modelo, en términos que sean
familiares para sus usuarios. Este nivel de familiaridad es importante para generar
confianza e intuición.

Similarmente en la misma manera que los automóviles tienen mecanismos no sólo para
detectar la presencia de un mal funcionamiento, sino también para especificar la
naturaleza del fallo y sugerir un método para corregirlo, uno tiene que poseer una
comprensión de los principios básicos acerca de cómo funciona una aplicación para
poder “repararla” cuando funciona incorrectamente.