Mantenimiento de Equipos de Voz y Datos: Sistema experto

¿Qué es un sistema experto?

Los Sistemas Expertos, rama de la Inteligencia Artificial, son sistemas informáticos que simulan el proceso de aprendizaje, de memorización, de razonamiento, de comunicación y de acción en consecuencia de un experto humano en cualquier rama de la ciencia.

Estas características le permiten almacenar datos y conocimiento, sacar conclusiones lógicas, tomar decisiones, aprender de la experiencia y los datos existentes, comunicarse con expertos humanos, explicar el por qué de las decisiones tomadas y realizar acciones como consecuencia de todo lo anterior.

Técnicamente un sistema experto, contiene una base de conocimientos que incluye la experiencia acumulada de expertos humanos y un conjunto de reglas para aplicar ésta base de conocimientos en una situación particular que se le indica al programa. Cada vez el sistema se mejora con adiciones a la base de conocimientos o al conjunto de reglas.

¿Por qué utilizar un Sistema Experto?

Con la ayuda de un Sistema Experto, personas con poca experiencia pueden resolver problemas que requieren un "conocimiento formal especializado".
Los Sistemas Expertos pueden obtener conclusiones y resolver problemas de forma más rápida que los expertos humanos.
Los Sistemas Expertos razonan pero en base a un conocimiento adquirido y no tienen sitio para la subjetividad.
Se ha comprobado que los Sistemas Expertos tienen al menos, la misma competencia que un especialista humano.
El uso de Sistemas Expertos es especialmente recomendado en las siguientes situaciones:

• Cuando los expertos humanos en una determinada materia son escasos.

•En situaciones complejas, donde la subjetividad humana puede llevar a conclusiones erróneas.

• Cuando es muy elevado el volumen de datos que ha de considerarse para obtener una conclusión.

USOS DE UN SISTEMA EXPERTO

Un sistema experto es muy eficaz cuando tiene que analizar una gran cantidad de información, interpretándola y proporcionando una recomendación a partir de la misma. Un ejemplo es el análisis financiero, donde se estudian las oportunidades de inversión, dependiendo de los datos financieros de un cliente y de sus propósitos.

Para detectar y reparar fallos en equipos electrónicos, se utilizan los sistemas expertos de diagnóstico y depuración, que formulan listas de preguntas con las que obtienen los datos necesarios para llegar a una conclusión. Entonces recomiendan las acciones adecuadas para corregir los problemas descubiertos. Este tipo de sistemas se utilizan también en medicina (ej. MYCIN y PUFF), y para localizar problemas en sistemas informáticos grandes y complejos.

Los sistemas expertos son buenos para predecir resultados futuros a partir del conocimiento que tienen. Los sistemas meteorológicos y de inversión en bolsa son ejemplos de utilización en este sentido. El sistema PROSPECTOR es de este tipo.

La planificación es la secuencia de acciones necesaria para lograr una meta. Conseguir una buena planificación a largo plazo es muy difícil. Por ello, se usan sistemas expertos para gestionar proyectos de desarrollo, planes de producción de fábricas, estrategia militar y configuración de complejos sistemas informáticos, entre otros.

Cuando se necesita controlar un proceso tomando decisiones como respuesta a su estado y no existe una solución algorítmica adecuada, es necesario usar un sistema experto. Este campo comprende el supervisar fábricas automatizadas, factorías químicas o centrales nucleares. Estos sistemas son extraordinariamente críticos porque normalmente tienen que trabajar a tiempo real.

El diseño requiere una enorme cantidad de conocimientos debido a que hay que tener en cuenta muchas especificaciones y restricciones. En este caso, el sistema experto ayuda al diseñador a completar el diseño de forma competente y dentro de los límites de costes y de tiempo. Se diseñan circuitos electrónicos, circuitos integrados, tarjetas de circuito impreso, estructuras arquitectónicas, coches, piezas mecánicas, etc.

Por último, un sistema experto puede evaluar el nivel de conocimientos y comprensión de un estudiante, y ajustar el proceso de aprendizaje de acuerdo con sus necesidades.

ARQUITECTURA Y FUNCIONAMIENTO DE UN SISTEMA EXPERTO

No existe una estructura de sistema experto común. Sin embargo, la mayoría de los sistemas expertos tienen unos componentes básicos: base de conocimientos, motor de inferencia, base de datos e interfaz con el usuario. Muchos tienen, además, un módulo de explicación y un módulo de adquisición del conocimiento. La figura 1 muestra la estructura de un sistema experto ideal.

La base de conocimientos contiene el conocimiento especializado extraído del experto en el dominio. Es decir, contiene conocimiento general sobre el dominio en el que se trabaja. El método más común para representar el conocimiento es mediante reglas de producción. El dominio de conocimiento representado se divide, pues, en pequeñas fracciones de conocimiento o reglas SI . . . ENTONCES . . . Cada regla constará de una parte denominada condición y de una parte denominada acción, y tendrá la forma:

SI condición ENTONCES acción. Como ejemplo se puede considerar la siguiente regla médica:

SI el termómetro marca 39º

Y el termómetro funciona correctamente

ENTONCES el paciente tiene fiebre

Una característica muy importante es que la base de conocimientos es independiente del mecanismo de inferencia que se utiliza para resolver los problemas. De esta forma, cuando los conocimientos almacenados se han quedado obsoletos, o cuando se dispone de nuevos conocimientos, es relativamente fácil añadir reglas nuevas, eliminar las antiguas o corregir errores en las existentes. No es necesario reprogramar todo el sistema experto.

Las reglas suelen almacenarse en alguna secuencia jerárquica lógica, pero esto no es estrictamente necesario. Se pueden tener en cualquier secuencia y el motor de inferencia las usará en el orden adecuado que necesite para resolver un problema.

Ventajas y desventajas de los Sistemas Expertos

Ventajas de los Sistemas Expertos

Están disponibles ininterrumpida mente de día y noche, ofreciendo siempre su máximo desempeño.

Pueden duplicarse ilimitadamente, i.e. tener tantos de ellos como se requieran.
Pueden trabajar en entornos hostiles y peligrosos.
Siempre se ajustan a las normas establecidas y son consistentes en su desempeño, i.e. no desarrollan apreciaciones subjetivas, tendenciosas, irracionales o emocionales. No padece de olvido, fatiga, dolor o comete errores de cálculo.

No requiere un sueldo, promociones, seguros médicos, incapacidades.

Siempre están dispuestos a dar explicaciones, asistir o enseñar a la gente, así como a aprender. Pueden tener una vida de servicio ilimitada.

Desventajas de los Sistemas Expertos

El conocimiento es difícil de extraer de los expertos humanos.

La aproximación de cada experto a la situación evaluada puede ser diferente.

Tienen una noción muy limitada acerca del contexto de problema, i.e. no pueden percibir todas las cosas que un experto humano puede apreciar de un situación.

Pueden existir decisiones que sólo son de competencia para un ser humano y no una máquina.

No saben como subsanar sus limitaciones, e.g. no son capaces de trabajar en equipo o investigar algo nuevo. Son muy costosos de desarrollar y mantener.

Ejemplos importantes

Dendral (Interpreta la estructura molecular)

Es el nombre de un sistema experto desarrollado por Edward Feigenbaum y otros programadores en la Universidad de Stanford, a mediados de los años 60, y su desarrollo duró diez años, (1965 a 1975)

Fue el primer sistema experto en ser utilizado para propósitos reales, al margen de la investigación computacional, y durante aproximadamente 10 años, el sistema tuvo cierto éxito entre químicos y biólogos, ya que facilitaba enormemente la inferencia de estructuras moleculares, dominio en el que Dendral estaba especializado.

Inicialmente escrito en Lisp, su filosofía de trabajo se aleja de las estructuras clásicas de los sistemas expertos más típicos (como Mycin o XCon), ya que su implementación no separaba de forma explícita el conocimiento del motor de inferencia. Sin embargo, pronto se convirtió en uno de los modelos a seguir por muchos de los programadores de sistemas expertos de la época.
Dipmeter Advisor

Dipmeter Advisor (Asesor) fue un sistema experto temprano desarrollado en 1980 por Schlumberger Doll Research para auxiliar en el análisis de los datos recolectados durante la exploración petrolera. El Asesor no era simplemente un motor de inferencias y una base de conocimientos de 90 reglas, sino que era una estación de trabajo completa, corriendo sobre una máquina Dolphin Lisp de Xerox (o, en general, en un procesador de información científica de la serie 1100 de Xerox) y escrito en INTERLISP-D, con una capa de reconocimiento de patrones que era alimentada por una interfaz gráfica de usuario basada en menús. Fue desarrollado por un grupo de gente, incluyendo a Reid G. Smith, James D. Baker, y Robert L. Young.

Era principalmente influyente, no por un gran salto técnico, sino porque era bastante exitoso para las divisiones petroleras de Schlumberger y porque fue una de las poco historia exitosas dentro de la burbuja de la Inteligencia Artificial en recibir amplia publicidad.
Las reglas de Inteligencia Artificial de Dipmeter Advisor eran principalmente derivadas de AI Gilreath, un ingeniero de interpretación de Schlumberger que desarrolló el método de los patrones "rojo, verde, azul" de la interpretación dipmeter. Desafortunadamente este método tenía aplicaciones limitadas en entornos geológicos más complejos fuera de la costa del Golfo, y el Dipmeter Advisor era principalmente usado dentro de Schlumberger más como una herramienta de visualización gráfica para asistir en la interpretación de científicos geológicos entrenados, que como una herramienta de inteligencia artificial para ser usada por intérpretes novatos. Sin embargo, la herramienta fue un acercamiento pionero a las estaciones de trabajo con interpretación gráfica de la información geológica.
Mycin

Mycin es un sistema experto desarrollado a principios de los años 70 por Edward Shortliffe, en la Universidad de Stanford. Fue escrito en Lisp, e inicialmente estaba inspirado enDendral, otro sistema experto que tuvo cierto éxito a finales de los años 60. Su principal función consistía en el diagnóstico de enfermedades infecciosas de la sangre; además, Mycin era capaz de “razonar” el proceso seguido para llegar a estos diagnósticos, y de recetar medicaciones personalizadas a cada paciente (según su estatura, peso, etc.).
CADUCEUS

Fue un sistema experto médico programado para realizar diagnósticos en medicina interna.1 Su nombre deriva de Caduceo, un vocablo de origen griego (κηρύκειο) relacionado con la mitología. Fue terminado a mediados de la década de 1980, si bien el inicio de su desarrollo se remonta a la década de 1970, siendo programado por Harry Pople, de la Universidad de Pittsburgh, partiendo para el sistema de las entrevistas de Pople al Dr. Jack Meyers.

Pretendía mejorar el MYCIN, sistema focalizado sobre las bacterias infecciosas de la sangre. CADUCEUS, eventualmente, podía diagnosticar hasta 1.000 enfermedades diferentes, usando un motor de inferencia semejante al del MYCIN, usando un grafo acíclico direccionado que representaba las relaciones de causalidad entre variables.
CLIPS
Es una herramienta que provee un entorno de desarrollo para la producción y ejecución de sistemas expertos. Fue creado a partir de 1984, en el Lyndon B. Johnson Space Center de la NASA. Los fondos cesaron a principios de los años 1990, y hubo un mandato de la NASA para comprar software comercial.

CLIPS es un acrónimo de C Language Integrated Production System (Sistema de Producción Integrado en Lenguaje C). En la actualidad, entre los paradigmas de programaciónque soporta CLIPS se encuentran la Programación lógica, la Programación imperativa y la Programación Orientada a Objetos.

CLIPS probablemente es el sistema experto más ampliamente usado debido a que es rápido, eficiente y gratuito. Aunque ahora es de dominio público, aún es actualizado y mantenido por su autor original, Gary Riley.