Sistemas Basados En Reglas
Sistemas
expertos y sistemas basados en reglas
Mayra Alejandra Pinot a ,
César Manuel Núñez b y Danny Noel Ramírez c
a Ingeniería
en sistemas, Estudiante de pregrado en la UNAH
b Ingeniería
en sistemas, Estudiante de pregrado en la UNAH
c Ingeniería
en sistemas, Estudiante de pregrado en la UNAH
Resumen.
En las últimas
décadas los sistemas expertos se han desarrollado en gran medida gracias a la
evolución de los sistemas computacionales y los lenguajes lógicos, una división
de los sistemas expertos son los sistemas basados en reglas, los cuales son muy
útiles al momento de simular los razonamientos que pueda tener un experto en un
área del conocimiento humano. Debido a la gran cantidad de áreas en los que los
sistemas en reglas pueden ser aplicados, se hace evidente que se deben diseñar
y desarrollar sistemas que ayuden a generar los mejores razonamientos que
lleven a resultados aceptables y útiles. En el presente artículo se muestra una
serie de sistemas expertos y su evolución a través del tiempo.
Abstract.
In the past century, the expert systems are developed in a great mode
thank to the computers systems evolution´s and logic languages, the rules based
systems are a specializing of the expert systems and are very useful at time of
simulating human resonating at to have a human expert on the theme. Because the
great amount of themes in which can be applicate, is evident the necessity of
develop and design systems help to generate the best methods which on going to
the best results. This article shows a serial of systems and evolution on the
time.
Palabras
Claves
Sistemas, expertos, reglas,
inferencia, motor, hecho, encadenamiento, Modus Ponens, Modus Tollens.
SISTEMA EXPERTO
Los
sistemas expertos son programas computacionales que contienen el conocimiento
de un experto humano, y tratan de imitar su razonamiento al momento de resolver
los problemas de una determinada área del conocimiento.
(Ciberconta.unizar.es/lección/sistexpat/100.HTM)
Los sistemas expertos incorporan en la base de
conocimiento del sistema, el conocimiento de experto o de un grupo de expertos
e intentan simular el razonamiento humano, por medio de un conjunto de
algoritmos de computación.
Componentes de un sistema experto
·
Base de hechos
·
Base de conocimientos
·
Motor de inferencia
·
Módulo de consulta
·
Módulo de trabajo o del experto
Ejemplos de sistemas expertos
(© Fernando Berzal, berzal@acm.org)
·
Dendral
[“Dendritic Algorithm”] Universidad de Stanford, 1965-1975,
Edward Feigenbaum, Bruce Buchanan, Joshua Lederberg & Carl Djerassi.
Primer sistema
experto, programado en LISP parala identificación de compuestos orgánicos analizando
datos de espectroscopia de masas.
·
MYCIN (Stanford
Research Institute, 1970s). Tesis doctoral de Edward Shortliffe
bajo la dirección de Bruce Buchanan. Diseñado en LISP para identificar las
bacterias causantes de infecciones severas (p.ej. meningitis) y recomendar
antibióticos, con una dosis ajustada al peso del paciente [NOTA: el nombre de
muchosantibióticos termina con el sufijo “-mycin”].
·
PROSPECTOR (Stanford
Research Institute, 1974-1983) R. Duda, P.E. Hart, N.J. Nilsson, et al. Evaluación del
potencial minero de una localización geológica (lugares de exploración o
prospección). Representación del conocimiento del experto (mediante una red de
inferencia) y de su proceso de razonamiento (mediante el uso de técnicas de
tipo probabilístico).
·
R1 / XCON [eXpert
CONfigurer] (Carnegie Mellon University, 1978) John P. McDermott. Escrito en OPS5 para ayudar en la
selección de componentes para la configuración de máquinas DECVAX, de Digital
Equipment Corporation
·
CLIPS (NASA Johnson
Space Center, 1985-), Gary Riley (http://clipsrules.sourceforge.net/) C Language
Integrated Production System.Sintaxis y nombre inspirado en OPS (“Official
Production System”), 1977,creado por Charles Forgy durante su doctorado con
Allen Newell en CMU
·
Otros sistemas expertos: MYCIN, PUFF, ABEL, AI/COAG, AI/RHEUM,
CADUCEUS, ANNA, BLUE BOX, ONCOCIN, VM, INTERNIST-I, CASNET, CRYSALIS, DENDRAL,
TQMSTUNE, CLONER, MOLGEN, SECS, SPEX, AM (Automated athematician), EURISKO, SMP, MATHPERT,
CCH-ES, ExperTAX, PTRANS, BDS, R1/XCON, XSEL, XSITE, DART, SNAP, YES/MVS, TIMM,
ACE, IN-ATE, NDS, EURISKO, PALLADIO, IDEA, REDESIGN, CADHELP, SOPHIE, REACTOR,
DELTA (GE), JETA, STEAMER, SACON, CALLISTO, G2, SHARP, MARVEL, Pile Selection DIPMETER,
LITHO, MUD, PROSPECTOR.
SISTEMAS EXPERTOS BASADOS EN REGLAS
Los
sistemas basados en reglas son una herramienta eficiente para tratar problemas
de situaciones que son gobernadas por reglas deterministas. Las reglas
deterministas constituyen la más sencilla de las metodologías utilizadas en
sistemas expertos. La base de conocimiento contiene las variables y el conjunto
de reglas que definen el problema, y el motor de inferencia obtiene las
conclusiones aplicando la lógica clásica a estas reglas. Por regla se entiende una
proposición lógica que relaciona dos o más objetos e incluye dos partes, la premisa
y la conclusión.
Componente Humano
Consta
de expertos en el tema, los cuales pueden ser personas, documentos o archivos
necesarios.
Base de conocimientos
La
base de conocimiento contiene las variables y el conjunto de reglas que definen
el problema, y el motor de inferencia obtiene las conclusiones aplicando la
lógica clásica a estas reglas. La base de conocimiento consta de una base de
hechos y una base de reglas.
Base de hechos
Memoria
de trabajo. Representa conocimientos y evidencias sobre el problema: datos,
hechos establecidos y metas a alcanzar.
Base de Reglas
Contiene
conocimientos necesarios para solucionar el problema en forma de producciones.
Una regla es una afirmación lógica
que relaciona dos o más objetos e incluye dos partes, la premisa y la
conclusión. Una regla representa una parte del conocimiento sobre la solución
de problema, tiene la siguiente sintaxis:
SI
<Premisa> ENTONCES <Acciones>
Las
reglas de inferencia pueden clasificarse en Modus tollens y Modus ponens.
Modus Ponens
Esta
regla es sencilla y fácil de comprender, ya que establece que si las premisas
de una regla son verdaderas, entonces las conclusiones son ciertas. Si tenemos
una regla, SI A ENTONCES B, significa que si A es verdadero entonces B es
verdadero. Por ejemplo, un razonamiento que sigue la forma del modus ponens
podría ser:
Si
está soleado, entonces es de día.
Está
soleado.
Por
lo tanto, es de día
Modus Tollens
En
este tipo de regla se evalúa la conclusión y si es falsa se concluye que la
premisa también es falsa. Por ejemplo, un razonamiento que sigue la forma del
modus tollens podría ser:
Si
está soleado entonces es de día.
No
es de día.
Por
lo tanto, no está soleado
El motor de Inferencia
El
motor de inferencia es el encargado de tomar los datos (hechos) y el
conocimiento (reglas almacenadas en la base de conocimientos) para obtener nuevas
conclusiones o hechos. El motor de inferencia se encarga de manejar lógicamente
el conocimiento almacenado en la Base de Conocimiento, mediante una estrategia
de búsqueda para generar el conocimiento demandado. Las tareas principales son
examinar hechos y reglas, de ser posible agrega nuevos hechos y decidir el
orden en que se hacen las inferencias. Generalmente usa las reglas de
inferencia modus tollens y modus ponens, además del encadenamiento de reglas.
Encadenamiento de reglas
Es
una estrategia para obtener soluciones compuestas, al encadenar las reglas, los
hechos pueden utilizarse para generar nuevos hechos. Puede usarse cuando las
premisas de ciertas reglas coinciden con la conclusión de otras reglas, por
ejemplo:
Si
Animal tiene pelo
O
Animal da leche
Entonces,
es Mamífero
Si
Animal es Mamífero
Y
Animal come carne
Entonces,
es Carnívoro
Interfaz Humana
La
interfaz humana constituye un enlace entre el sistema experto y el usuario. 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.
CONCLUSIONES
Un sistema experto puede ayudarnos a tomar mejores
decisiones porque permiten obtener los mejores resultados simulando un ente
experto real como ser un ingeniero, abogado, medico, botánico, etc. Sin que
haya la necesidad de consultar o llevar nuestras inquietudes directamente a uno
de ellos, lo cual podría ser mucho más costoso.
Podemos encontrar diversidad de sistemas expertos en
nuestra propia vida real sabiendo identificar cada uno de sus componentes como
ser el motor de inferencia, la base de conocimientos y las distintas reglas,
como por ejemplo un diccionario sería una base de conocimientos para un
software que da definiciones de palabras, también otro ejemplo común es un
cajero automático en el cual se vale de reglas para determinar si se le puede
entregar dinero y que cantidad se le dará al usuario que lo solicite.
AGRADECIMIENTOS
Durante esta investigación se agradece a:
Mayra Alejandra
Pinot, investigadora universitaria, estudiante de la carrera de ingeniería en
sistemas de la UNAH.
Danny Noel
Ramírez, investigador universitario, estudiante de la carrera de ingeniería en
sistemas de la UNAH.
César Manuel Núñez,
Investigador universitario, estudiante de la carrera de ingeniería en sistemas
de la UNAH.
Ingeniero
Constantino Sorto Reyes por haber propuesto el tópico en estudio.
ReferencIAS
1. artificial.PDF
- InteligenciaArtificial.PDF. (s. f.). Recuperado 1 de junio de 2016, a
partir de http://exa.unne.edu.ar/informatica/SO/InteligenciaArtificial.PDF
2. Sistemas
expertos: aplicaciones de la inteligencia artificial en la actividad empresarial
- Google Libros. (s. f.). Recuperado 1 de junio de 2016, a partir de https://books.google.hn/books?id=QZ3C7-y6LxAC&printsec=frontcover&hl=es#v=onepage&q&f=false
3. Reglas.pdf.
(s. f.). Recuperado 1 de junio de 2016, a partir de http://personales.unican.es/gutierjm/cursos/expertos/Reglas.pdf
4. tema-02.pdf.
(s. f.). Recuperado 2 de junio de 2016, a partir de https://www.cs.us.es/cursos/ia2-2004/temas/tema-02.pdf
5. BookCGH.tex
- Sistemas_Expertos_y_Modelos_de_Redes_Probabilısticas.pdf. (s. f.). Recuperado
2 de junio de 2016, a partir de http://www.ehu.eus/ccwintco/uploads/4/4c/Sistemas_Expertos_y_Modelos_de_Redes_Probabil%C4%B1sticas.pdf
6. Center for History and New Media. (s. f.).
Guía rápida. Recuperado a partir de http:// http://elvex.ugr.es/decsai/computational-intelligence/slides/A2%20Expert%20Systems.pdf
7. Introducción
a la Ingeniería del Conocimiento - IIC-Teoria5_v04.pdf. (s. f.). Recuperado 2
de junio de 2016, a partir de http://www.cs.us.es/blogs/iic2012/files/2012/02/IIC-Teoria5_v04.pdf
8. SSII-T6-SistemasBasadosReglas.pdf.
(s. f.). Recuperado 2 de junio de 2016, a partir de http://www.aic.uniovi.es/ssii/SSII-T6-SistemasBasadosReglas.pdf
Comentarios
Publicar un comentario