Resumen Capítulo 13, Libro de Oz.
“Inteligencia Artificial y Sistemas Expertos”
Capturado por Paulina Gudiño Murillo, CI 401. 
Descarga el archivo Word del Resumen Capítulo 1 Oz, aquí.

Los científicos dedicados a la inteligencia artificial (IA) estudian métodos para crear programas de computadora que imitan los procesos mentales y el comportamiento humano. Este campo incluye varios subcampos. Los ingenieros de robótica construyen maquinaria (robots) que reemplaza a trabajadores humanos. En producción, los robots se utilizan para realizar tareas rutinarias como el ensamblaje y la pintura de automóviles. Tanto en esa área como en el trabajo policiaco, las máquinas controladas por computadora reemplazan a seres humanos en tareas peligrosas.

Los robots que se desplazan en un determinado espacio deben tener la capacidad de ver. La visión artificial les permite percibir paredes y obstáculos, y reconocer el objeto con el que trabajarán. La visión artificial también se utiliza en otra clase de máquinas para labores de clasificación e identificación.

Los procesadores de lenguaje natural (NLP, Natural Language Processors) son programas que reconocen órdenes variables humanas. Le evitan a los usuarios de sistemas de cómputo tener que aprender sobre programación y el manejo de interfaces rígidas. Los procesadores del lenguaje natural deben poder reconocer diferentes significados de una oración en diferentes contextos.

Los sistemas expertos son programas simuladores de experiencia humana. Los primeros intentos por crear un programa que fuera un solucionador de problemas generales fallaron. En los años ochenta y noventa, se han creado numerosos SE para ingeniería, medicina, química, exploración mineral y negocios.

Las redes neuronales son programas construidos para resolver problemas mientras aprenden y depuran su conocimiento, imitando la manera en que aprenden y actúan los cerebros de sus creadores. Los programas parten de un modelo base. Mientras resuelven problemas, los operadores humanos introducen información sobre los resultados del análisis del programa en términos de éxito o fracaso. El programa incorpora esta nueva información en su base de conocimiento, mejorando continuamente su desempeño.

La última creación en IA son los agentes inteligentes, programas que realizan tareas diarias en redes públicas como Internet (como la búsqueda y selección de datos entre enormes cantidades de información) que de otra manera tendrían que realizar seres humanos. Por ejemplo,  los agentes inteligentes entran en una red y encuentran la información deseada  o el mejor precio de un producto, responden correo electrónico, pagan deudas cargadas a la tarjeta de crédito y muchas otras tareas. Estos “empleados electrónicos” ahorrarán tiempo a los humanos y nos darán un servicio más eficiente que el que podemos darnos a nosotros mismo en muchos aspectos, sobre todo cuando usamos Internet.

Pero donde los SE han jugado el papel más relevante es en los negocios. Un SE está formado por tres partes: la base de conocimiento, un almacén de información verificable (hechos) y creencias, y las asociaciones entre ellas, conservadas a partir de uno o más SE. El motor de inferencia, un código que combina la entrada del usuario con información contenida en la base de conocimiento para encontrar una solución a un problema y el componente de diálogo, que le permite al usuario interactuar con el motor de inferencia de manera adecuada.

Aunque la mayor parte de los SE tienen su base de conocimiento organizada en la forma de reglas de SI ENTONCES, hay otros métodos de representación del conocimiento. Uno de ellos permite que el conocimiento se organice en marcos que almacenan atributos y valores. Cada objeto del dominio corresponde un cuadro. En las redes semánticas los objetos se representan como nodos, y las relaciones entre aquéllos son las líneas que conectan a los nodos. La relación puede ser del tipo “tiene”, “pertenece a", “es”, etcétera.

La lógica difusa es una teoría que cuenta con un método completamente diferente para la representación del conocimiento. Asume que muchas de las decisiones de un experto se basan en variables lingüísticas subjetivas, como cuando se piensa que algo es de “bajo”, “moderado” o “alto” riesgo. Se construye una función para representar la posibilidad de que una eventualidad, o entidad se clasifique dentro de una categoría. La misma entidad puede tener una cierta probabilidad de estar dentro de una categoría y otra cierta probabilidad de clasificarse en una categoría adyacente. Por tanto, los límites de las categorías, o conjuntos, son “difusos”. La lógica difusa se ha incorporado a sistemas expertos aplicados a aparatos electrodomésticos, locomotoras, a sistemas de apoyo para la toma de decisiones administrativas y muchas otras áreas.

Dos personas participan en la construcción de un SE: el experto y el ingeniero del conocimiento. El ingeniero del conocimiento conoce técnicas de elaboración de preguntas y experiencia para traducir el conocimiento proveniente del experto en un programa de computadora.

Los primeros SE fueron creados utilizando lenguajes de programación de IA, como LISP, Prolog y KEE. Hoy en día, se usan shells de SE para construir nuevos SE. Un shell de SE puede considerarse un SE al que se ha extraído su conocimiento. El shell le pide al constructor que introduzca los antecedentes (condiciones o instrucciones SI) y las conclusiones (instrucciones ENTONCES o condiciones). Luego, configura la base de conocimiento y el motor de inferencia de acuerdo con esta información.

Los SE determinan una solución de dos maneras, por encadenamiento prospectivo y retrospectivo. En el encadenamiento prospectivo, el usuario introduce los valores del problema y el sistema utiliza las reglas para dar el mejor resultado. Por tanto, a este proceso también se le llama orientado a resultados. A menudo el usuario desea especificar un objetivo y recibir como salida las condiciones para llegar al resultado. El SE realiza entonces encadenamiento retrospectivo (o hacia atrás), denominado orientado a objetivos.

Como los sistemas de apoyo para la toma de decisiones, los SE ayudan a tomar decisiones en dominios no estructurados. Pero la inversión a menudo es grande, porque requiere tiempo de expertos en ciertos dominios e ingenieros de conocimiento que perciben altos salarios. Por tanto, deben existir condiciones para justificar la investigación con vistas a un nuevo sistema experto: el problema no debe ser trivial; el dominio en que opera el SE debe ser no estructurado; los problemas deben presentarse con frecuencia; y contar con un experto para las sesiones de interrogatorio.

Los SE apoyan actividades administrativas: planeación, toma de decisiones y diagnóstico. Las organizaciones utilizan los sistemas para remplazar a capacitadores humanos. Un SE puede proveer mayor cantidad de conocimiento del que proporcionaría un solo experto. Una vez que se captura la experiencia en software, puede reproducirse de manera económica y estar al alcance de quien la requiera en una organización. A diferencia de los expertos humanos, los SE pueden estar disponibles todo el tiempo. Todos los miembros de una organización que utilizan un SE toman las mismas decisiones bajo condiciones determinadas, de modo que la administración logra consistencia en sus operaciones.

Sin embargo, los sistemas tienen algunas limitaciones. Los SE efectivos sólo resuelven problemas de dominios precisos. No poseen sentido común y a pesar de los progresos en redes neuronales, tienen capacidad limitada para aprender.

Los SE y otras aplicaciones de IA ponen la experiencia humana al alcance de nuestras manos, y en consecuencia mejoran la calidad de nuestra vida. Nos hacen más independientes de los expertos humanos, pero al mismo tiempo nos hacen más dependientes del software y cuando éste es defectuoso, el daño hecho por los sistemas puede ser considerable. Los SE plantean nuevos desafíos al sistema legal, porque los individuos y las organizaciones pueden verse afectadas de manera negativa por decisiones sugeridas por los sistemas.