Sistemas expertos

Historia del desarrollo de los Sistemas Expertos

Un sistema experto es una aplicación informática que soluciona problemas complicados que de otra manera exigirían la pericia humana. Para lograr esto se simula el proceso del razonamiento humano mediante la aplicación especifica de conocimientos e inferencias1.

La tecnología representada por los Sistemas Expertos actuales, surge de las técnicas de Inteligencia Artificial desarrolladas en la decada de los 50. Las investigaciones referidas comenzaron con el desarrollo de lenguajes de programación para apoyar el razonamiento simbólico. IPL fué el primer lenguaje de programación simbólico, desarrollado por H. Simon a mediados de los años 50 por H. Simon, para procesamiento de listas, se empleó ampliamente en las primeras implementaciones de Inteligencia Artificial. En 1958, John McArthy desarrollo el LISP, actualmente uno de los lenguajes de Inteligencia Artificial más populares en los Estados Unidos. A finales de los 60, se desarrolló el lenguaje PROLOG en la Universidad de Marsella, cuyas características como lenguaje declarativo y lógico lo han convertido en el lenguaje base en el desarrollo del software de Quinta Generación2.

La investigación específica en Sistemas Expertos realmente comenzó a mediados de los años sesenta. Varios sitemas se desarrollaron entre 1965 y 1970; la mayoría de ellos fueron de alcance muy limitado y se orientaron hacia juegos o temas altamente académicos y muy idealizados. Aunque el desarrollo de Sistemas Expèrtos es todavía relativamente nuevo, existen muchos Sistemas Expertos en la actualidad que se emplean en una amplia variedad de organizaciones, con aplicaciones que van desde el diagnostico médico a la estrategia militar, pasando por el control de producción2.

Los Sistemas Expertos, tambien llamados sistemas basados en el conocimiento, constituyen una de las areas de Inteligencia Artificial en la que más dinero se esta invirtiendo. Estos aplican técnicas de razonamiento de Inteligencia Artificial a la resolución de problemas en areas específicas para simular la aplicación de expertos humanos. Se usan a menudo como asistentes o consultores inteligentes de usuarios humanos para resolverles problemas rutinarios, dejandoles asi libres para que se dediquen a aplicaciones más novedosas e interesantes3.

Un problema se presta a ser considerado como susceptible de la aplicación de un Sistema Experto cuando: una solución del problema tiene una rentabilidad tan alta que justifica el desarrollo de una aplicación de tal magnitud, pues las soluciones son necesidades del area y no se ha trabajado en otros métodos para obtenerla; el problema puede resolverse solo por un conocimiento experto que puede dar forma a los conocimientos necesarios para resolver el problema, y la intervención de ese experto dará al sistema la experiencia que necesita; el problema puede no tener una solución única; el problema cambia rápidamente, o bien el conocimiento es el que cambia rápidamente, o sus soluciones son las que cambian constantemente. El desarrollo de un Sistema Experto no se considera que está acabado una vez que funciona este, sino que se continúan desarrollando y actualizando tanto el conocimiento del sistema como los métodos de procesamiento, quedando reflejados los progresos o modificaciones en el campo, área o sistema4.

La estructura de los Sistemas Expertos se alcanzó como resultado de la convergencia de dos lineas clasicas en el desarrollo de la Inteligencia Artificial: la linea heuristica, basada en la acumulación de una serie de restricciones limitativas de los procesos de resolución de problemas basados en la busqueda en espacios de estados o espacios de problemas y la linea de deducción automática, basada en la mecanizacion de las teorías de interpretación de formulas lógicas debida a Herbrand5.

Newell y Simon plantean como paradigma general para la resolución de problemas, los sistemas de reglas de producción, versión evolucionada de las reglas de reescritura ya presentadas por Post; en ellas se plantea, como representación del conocimiento sobre la clase de problemas a resolver por el sistema, un conjunto de reglas constituidas por pares situación-acción, en cuyo antecedente se formulan, como bloques procedurales, las acciones de modificación de una memoria de trabajo representativa del estado del universo en que se desarrolla el problema6.

Los elementos de este tipo de sistemas, plasmados posteriormente en el lenguaje OPS (Operation Production Systems), son: una memoria de trabajo cuyos elementos describen los valores asignados a una serie de atributos de conceptos; una base de conocimiento constituida por producciones; un motor de inferencia constituido por un proceso de busqueda, cuya estrategia de control permite decidir las reglas aplicables en cada momento. Este concepto dió lugar a una generación de entornos de software de ayuda a la aplicación de ese paradigma, que se inició con el sistema PSG a principios de los setenta y que posteriormente evolucionó a los sistemas OPS7.

En paralelo con este desarrollo conceptual, los investigadores en deducción automática habían alcanzado a principios de los setenta unos resultados comparables. Partiendo de los resultados de Herbrand, Robinson planteó en 1965 el método de demostración basado en una regla única de inferencia, la resolución y unificación. Posteriormente Luckhan y Loveland proponen estrategias completas de aplicación de esta regla que contribuyen a incrementar su operatividad8.

C. Green, en 1969, propuso en su tesis doctoral la forma de modelar en lógica de primer orden, la resolución de problemas clásicos en inteligencia artificial, usando simultaneamente con el proceso de deducción automática, métodos de extracción de respuestas basados en el proceso de unificación. Las ideas de Green fueron utilizadas por A. Colmerauer en 1972 para la construcción de sistemas Q, capaces de producir respuestas a problemas en lenguaje natural; para ello era preciso, primero, traducir las frases del lenguaje natural al lenguaje lógico y posteriormente obtener respuestas mediante las técnicas ya comentadas dentro de la lógica de primer orden9.

Esta necesidad de manejar sistemas de deducción automática condujo a Colmerauer y Roussel a presentar en 1975 el lenguaje PROLOG, primer lenguaje de programación lógica basado en una versión restringida del lenguaje de la lógica de primer orden, constitudo por clausulas de Horn. Ya en 1974, Kowalsky había puesto de relieve las posibilidades del cálculo de predicados, formulado en clausulas de Horn, como lenguaje de programación10.

Durante los años 70 y 80 se desarrollaron gran cantidad de aplicaciones basadas en estos principios, que paralelamente al desarrollo de la microinformatica contribuyeron a un mayor interes por parte de instituciones privadas y publicas por esta linea de investigación. Hoy en dia, cualquier empresa, por pequeña que esta sea puede contar con sistemas expertos entre sus recursos de tratamiento de la información, por un precio proporcional a su potencia. Tambien es facil encontrar herramientas de construcción de sistemas expertos entre la gran oferta de software de shareware y dominio público.

La función asignada a los sistemas expertos es la de razonar. Uno de los mas enojosos problemas de la inteligencia artificial es la simulación del "no expresado" sentido intuitivo, más conocido como simple sentido común. Paradojicamente es casi siempre más facil simular o formalizar el comportamiento de un experto que reproducir el razonamiento de un niño jugando con su construcción. Esto es asi porque los más interesantes resultados se han obtenido al simular el trabajo de uno o varios expertos en un problema o en un dominio dado. Al lado del modelo bayesiano existe otro gran modelo de la decisión de lo incierto, que es el modelo de maximización de la experiencia de la función de la utilidad de Von Newman - Mortgenstern. Este modelo apenas se utiliza en la práctica, a pesar de no tener fallos en la teoría, sobre todo porque exige demasiados conocimientos por similitud a los que pueden disponer los que deben tomar decisiones. Ademas, recientemente, experimentos simultaneos han sugerido que no se pueden explicar el comportamiento real de los que toman decisiones ante lo incierto. Esto no indica que se deba rechazar este modelo a favor del normativo, pero refuerza las razones de los que piensan que su puesta en funcionamiento es extremadamente delicada y que su valor descriptivo es muy bajo11.

Entre los autores que más han criticado los aspectos irrealistas del modelo de Von Newman - Morgenstern está H. Simon. Como oposición al modelo de maximización de la función de utilidad, Simon ha propuesto un modelo de racionalidad en el que trata de tener en cuenta las limitaciones de los que toman decisiones, tanto en el plano de información como en el de razonamiento. Los puntos fundamentales de la racionalidad limitada son:

Primero, cada decisión nuestra corresponde a un campo limitado; segundo, somos incapaces de calcular las probabilidades del futuro, es claro que tenemos algunos elementos de apreciación sobre ciertos acontecimientos futuros; en tercer lugar, nuestros deseos en un campo son contradictorios con los deseos que tendriamos en otro campo si estos los examinaramos independientemente del primer campo12.

Simon prohibe la tesis según la cual la racionalidad limitada puede considerarse como un proceso evolutivo en el cual cada individuo crea unos escenarios que trata de mejorar. Estos escenarios son los que incorporan la información acerca del entorno. Para hacer esto son necesarios los mecanismos de inferencia. Para Simon, los sistemas expertos son una representación del comportamiento del hombre siguiendo el modelo de la racionalidad limitada13.

Desde la última guerra y hasta los años 60-70, la ayuda a la decisión fué en el campo de los modelos matemáticos: decisión estadistica, teorias de utilidad, teorias de elección colectiva y sobre todo la investigación operativa. Estos modelos son conocidos y han sido descritos ampliamente en la literatura. Desde el punto de vista práctico, si la investigación operativa ha conocido indiscutibles éxitos (programación lineal, grafos, algoritmos de gradiente, por decir unos ejemplos), los otros modelos no han aportado grandes modificaciones en los procesos de decisión. Estos modelos concuerdan con una teoría de la decisión que procede de una serie esencialmente numérica y secuencial. Partiendo de un problema se procede a una evaluación determinista de acciones posibles, algunas veces seguida de un sestudio de sensibilidad, y/o a una evaluación probable con maximización de la experiencia de utilidad del decisor, o elabore un modelo basado en el número limitado de variables, para finalmente llegar siguiendo una secuencia algoritmica, a una decisión de acción o de no-acción. Esto es un marco conceptual que no deja mucho sitio a los datos cualitativos, a las ideas y a las intuiciones del decisor. También son modelos que exigen información del presente y del futuro que son demasiado importantes para tenerlas en cuenta un mismo decisor, son, por este lado a menudo irrelistas en grado sumo14.

Menos conocidos, pero más utilizados en las empresas, son las nuevas herramientas aparecidas en la década de los setenta. Ambicionan ayudar al tratamiento de la información y a la toma de decisiones; son conocidas con el nombre de sistemas interactivos de aydua a la decisión (SIAD), en términos ingleses "Decision Support Systems" (DSS)15.

Se pueden diferenciar, en principio, dos tipos de SIAD, aquellos que incorporan las estadísticas y la investigación operativa, haciendo sitio a los algoritmos de optimización, a los cálculos numéricos y aquellos que están dedicados exclusivamente a la gestión de la información (base de datos, gestión de ficheros y de flujos de información) en la empresa16.

Una característica común a todos estos sistemas es la interactividad. Los creadores de los SIAD se han esforzado en darles un uso lo más general posible. Esta exigencia de la facilidad ha nacido bajo la presión de los usuarios deseosos de ver crecer la facilidad de utilización y la transparencia del sistema, tanto en la interfaz como en los razonamientos17.

Para estos últimos faltaba el grado conceptual, y ha sido necesario esperar a la difusión de los trabajos de Simon, y por parte del público a un mejor conocimiento de herramientas de la inteligencia artificial para ver aumentada significativamente la confianza de los decisores en los modelos de optimización, y para ver acrecentadas paralelamente sus exigencias en los SIAD: la era de los SIAD comenzaba18.

La inteligencia artificial se introduce en los SIAD de varias formas. Primeramente la inteligencia artificial se impuso en el tratamiento de los datos cualitativos, aproximados o inciertos ( no calculada su probabilidad). Ya vimos las posibilidades de los sistemas expertos en este campo.

El segundo punto, la inteligencia artificial está relacionada al modelo de racionalidad limitada, ya que se ha llegado a concebir sistemas que transcurran paralelamente al comportamiento humano. Está lejos del campo de la racionalidad limitada. También son los sistemas de tipo sistema experto los que parecen funcionar mejor19.

Finalmente, la inteligencia artificial ha contribuido a la interfaz sobre todo en el diálogo. Si el logro de tener pantallas claras, funcionales y agradables no es una función específica de la inteligencia artificial, digamos que han contribuido fuertemente, en particular los sistemas expertos, ya que la comunicación hombre/máquina es esencial, y se prolonga durante toda la sesión. Respecto al diálogo, los trabajos sobre el lenguaje natural han permitido realizar las interfaces con lenguajes y síntaxis cada vez más ricas. La comunicación tiende a ser más próxima al lenguaje del usuario. La evolución de este campo prosigue, y todavía quedan progresos por lograr, pero el camino recorrido es importante20.

La tranparencia de los sistemas, es decir, su comportamiento en la oposición a la de las "cajas negras" y es también un enorme progreso ligado a la evolución del sistema experto. Se puede decir que cuanto mejor sea comprendido por el usuario, mejor será utilizado. La experiencia prueba, en efecto, que los sistemas cuyo funcionamiento queda esotérico no inspira ninguna confianza a los usuarios y más pronto o más tarde los abandonan. Lo que los usuarios aceptan en un procedimiento de cálculo, no lo soportan en un sistema dedicado al tratamiento de datos cualitativos. Instintivamente sienten que el tratamiento para estos datos no debe ser el mismo que para los numéricos21.

La representación del conocimiento y sus materiales, taxonomía, jerarquía, prototipos y marcos también han aportado ideas nuevas en el campo de los SIAD. En particular la descomposición de tares complejas en problemas jerárquicos deberían en numerosos casos permitir tratar correctamente los problemas que hasta aquí pertenecían al análisis22.

Mientras que la filiación Inteligencia Artifical/SIAD es, en general, muy elevada por los creadores del SIAD, en el sentido contrario raramente es revindicada.

Sin embargo, hay un campo de experiencias disponibles e ideas interesantes para enriquecer los sistemas expertos y hacerlos más atractivos para los usuarios futuros. Uno de los aspectos del SIAD es su integracion cada vez mayor. es decir, comprenden varias herramientas elementales encadenadas. Esta concatenación permite traspasar, como convenga, datos de una herramienta a otra, por ejemplo, de un tablero a un sistema de grafos. Esta noción de multiherramienta facilita la utilización de los sistemas expertos: se puede, por ejemplo, hacer una interfaz entre un tablero con un sistema experto para poder responder a una pregunta que necesite cálculos anexos23.

En el sistema DECIDEX, que es un creador de escenarios, produce varios sistemas expertos. Se llega así a la solución sistema multiexperto que nos parece la única vía practicable para tratar los problemas complejos.

Como hemos visto, una de las grandes exigencias de los usuarios de los SIAD es la facilidad de su empleo, así como la claridad de la pantalla y de los diálogos. Las realizaciones en este campo podrían ser una fuente de inspiración para los creadores de sistemas expertos. Demasiado frecuentemente vemos que los sistemas adptan unas representaciones del conocimiento y de estructuras hipercomplejas en detrimento de la claridad de di´logos y de explicaciones. En nuestra opinión tal vía conduce a un acllejón sin salida. Salvo para los sistemas especializados, dedicados a ser empleados por especialistas próximos a los creadores, los sistemas demasiado complejos no se instalarán en la empresa. La experiencia de los SIAD prueba que la transparencia del sistema es una cualidad a la que el usuario no renuncia voluntariamente24.

Otra cualidad de los SIAD es su bivalencia: sistemas avanzados para los usuarios más especializados y sencillos para los ocasionales y menos exigentes. También es una línea de investigación para los sitemas expertos.

Se puede también concebir el funcionamiento del sistema experto en modo degradativo; en particular, cuando el usuario no está de acuerdo con el sistema, y conserva, sin embargo, un mínimo de ayuda para tomar su propia decisión.

Finalmente, los SIAD están relacionados a menudo con grandes bases de datos. En este campo existen ideas interesantes para la cuestión interfaz de sistemas expertos y bases de datos25.

Vemos que el acercamiento "ayuda para la decisión" es lo suficientemente rico para inspirar a los creadores de sistemas expertos y para permitirles poner sus sitemas al servicio de los usuarios26.

La ingeniería del conocimiento es una de las especialidades que necesitan los modernos métodos de la inteligencia artificial. Como se dijo anteriormente, algunos aspectos importantes del conocimiento son intangibles e inexplicables; el trabajo de los ingenieros del conocimiento consiste, en parte, en extraer este tipo de conocimiento de los expertos humanos y, en parte, en codificar el conocimiento así obtenido, de manera que pueda ser procesado por un sistema. El problema es que el ingeniero del conocimiento no es un experto en el campo que intenta programar, mientras que el experto en el tema no tiene experiencia como programador, y en cualquier otro caso es último usa muchas partes importantes de sus conocmiento de manera subconsciente, por lo que es incapaz de proporcionar la información de manera voluntaria aunque así lo desease. ?Cómo saben los ingenieros del conocimiento qué preguntas han de realizar? La ciencia de la ingeniería del conocmiento trata las respuestas a esta pregunta así como el desarrollo de sistemas que puedan ayduar por sí mismos a responderla. El programa SACON es un buen ejemplo de ingeniería del conocimiento aplicada. Sólo recientemente ha sido reconocida esta necesidad de los ingenieros del conocimiento y los pocos practicantes cualificados que han aparaecido han sido, en su mayor parte, abosrbido en los proyectos de investigación de diversas universidades, pero éste podría convertirse en un futuro inmediato en un creciente campo de especialización , con más ingenieros que hallen su vocación en aplicaciones prácticas en la industria. También es un campo que tenderá a hacerse redundante cuando se resuelvan los problemas de adquisición de conocimiento27.

Donald Michie, profesor de inteligencia de las máquinas en la Universidad de Edimburgo propone el establecimiento de una "refinería del conocimiento" de propósito similar a las instalaciones de la industria petroquimica para refinar el crudo y convertirlo en petróleo, pero teniendo como materia prima el conocimiento humano y proporcionando el conocimiento refinado adecuado para ser usado en sistema de inteligencia artificial. La materia prima se obtendría de los libros de texto existentes hoy en día, de escritos técnicos y de conocimientos expresados mediante el diálogo con los expertos que hay en este momento.

El profesor Michie describe varios puntos relacionados con el futuro papel de Gran Bretaña como suministradora de productos en inteligencia artificial. Hay un buen número de científicos que han descubierto recientemente unas bases que podrían ser explotadas comercialmente; la mayoría de esos científicos no poseen ni la inclinación ni la capacidad para compometerse en la explotación comercial de sus descubrimeintos, pero están deseando cooperar con gente que lo haga; la inversión financiera que se requiere es pequeña si se compara con otras industrias; muchas de las compañías de software que existen actualmente disponen de pesonal que se podría adaptar fácilmente a este trabajo; es una buena oportunidad para que Gran Bretaña pueda llegar a convertirse en un suministrador especializado en este tipo de productos. La discusión que siguió fue inconclusa, con representantes de la industria y del gobierno argumentando cada uno diferentes aprosimaciones al problema de fundar la nueva tecnología. Sir leuan Maddock mencionó que la organización Prutec tenía aproximadamente veinticinco millones de libras esterlinas disponibles para invertirlos en ideas que estaban limitadas más por la ocasión que por la existencia de palicaciones posbiles, e Ian Lloyd por pare del gobierno citó el ejemplo de la compañía californiana Cetus, que incrementó en una cantidad enorme el capital arriesgado en la inversión efectuada en investigación y desarrollo en el campo de la biotecnología. Pero ninguno del oradores hizo alusción aun apoyo público o privado a las ideas de Michie. Resltua fantasioso esperar que en una reunión pública se produzca algún compromiso entre empresas, pero podría esperarse que las ideas que tienen los científicos puedan llegar a ser explotadas hallando el apoyo financiero necesario28.

El primer sistema experto de aplicación a un area especifica del conocimiento fue el programa DENDRAL, desarrollado por el Standford Institute en 1965. DENDRAL es un programa experto en analisis quimico que soluciona un problema de ingeniería quimica en tres fases. En primer lugar, el programa infiere cualquier posible restricción sobre la solución, basandose en el conocimiento que posee en su base de datos. A continuación. A continuación, permite a los usuarios añadir cualquier otra posible restricción y finalmente, genera y comprueba una lista de soluciones posibles, que imprime en orden de preferencia. DENDRAL se escribió originariamente en LISP, pero ha sido reprogramado para ser usado en varias máquinas diferentes, de entre las que desteca la implementación realizada para ser usada en un PDP-10 en Edimburgo. Este programa, basado en la estrategia de planificar, generar y comprobar se usa en las universidades y en la industria de Estados Unidos y Europa, y representa una de las aplicaciones prácticas de la inteligencia artificial que más exito ha conseguido entre las desarrolladas hasta la fecha29.

En 1972, el Standford Research Institute, Desarrollo el programa PROSPECTOR, un sistema experto que predice la probabilidad de encontrar depositos de mineral económicamente atractivo en un área determinada. PROSPECTOR emplea datos que se le dan escritos sobre un mapa geográfico o que obtiene a traves de un dialogo con el usuario. Cuando el programa ha procesado los datos, produce mapas que dan un cálculo aproximado de la probabilidad de encontrar vetas de varios niveles de concentración. En 1981 PROSPECTOR localizó un depósito nuevo de Molibdeno en Canadá que valía millones de dólares. Tambien se habia usado para localizar depositos de cobre prometedores en los Estados Unidos30.

El programa MYCIN, publicado por E Shortcliffe en 1976, es un sistema que diagnostica enfermedades infecciosas, en particular infecciones sanguineas. MYCIN lo usan médicos en prácticas para obtener ayuda en sus diagnosticos, a su vez el sistema se actualiza con los hechos y reglas de inferencia que proporcionan los especialistas. Algunas caracteristicas importantes de MYCIN son las siguientes:

1 - El programa puede producir un resultado, en este caso un diagnostico, basandose en las manifestaciones del usuario, los hechos memorizados en la base de datos y las reglas de inferencia que posee.

2 - Puede asignar una probabilidad dentro de una escala comprendida entre 0.0 y 1.0 según considere la verosimilitud de sus conclusiones.

3 - Puede proporcionar una explicación paso a paso del razonamiento que le ha conducido a una conclusión. Este punto es considerado actualmente como una caracteristica esencial de todo sistema experto.

4 - Puede ser generalizado para cubrir areas diferentes al diagnostico de infecciones.

Este último punto es extraordinariamente importante. Si se eliminan del programa MYCIN las reglas concernientes a enfermedades infecciosas, se obtiene un motor de inferencias que puede ser aplicado a un conjunto de reglas completamente diferente y aplicable a cualquier otro tema; de este modo el programa puede ser considerado como básico para un tipo de sistema experto universal. El motor de inferencias de MYCIN, llamado EMYCIN, Essential MYCIN o Engine MYCIN, se ha aplicado en una gran variadad de campos. El producto llamado MARC fué creado por MARC Analysis Research Corporation para los trabajos de las fuerzas aereas de los Estados Unidos en el Análisis de elementos finitos. MARC era un programa tan complejo que solo podia ser usado por personas que ya eran expertos, por ello se desarrollo un sistema posterior llamado SACON (Structural Analysis Consultant), basandose en EMYCIN. Un ingeniero estructural proporciona la especificación de un diseño y SACON produce un analisis llamando a MARC como una subrutina. Otra apasionante aplicación de EMYCIN es un paquete llamado GUIDON, desarrollado por W.J. Clancey para una tesis doctoral de filosofia en la Universidad de Standford en 1979. GUIDON actúa como un experto profesor y puede usarse para dar clases particulares acerca de cualquier tema para el cual haya sido programado, introduciendo los datos y reglas necesarios a EMYCIN. Combinando reglas de una buena docencia con reglas sobre cualquier otro tema, GUIDON puede ser una ayuda muy eficiente en el aprendizaje de multitud de disciplinas31.

El profesor Michie esta asociado en la actualidad a una empresa denominada Intelligent Terminals, uno de cuyos productos es el llamado Expert - Ease, el cual fue redactado por la empresa de publicaciones y distribución Expert Software International. La mayoría de los sistemas expertos existentes en el mercado son sitemas especializados y tan caros que solo grandes organizaciones pueden ser capaces de comprarlos, pero Expert - Ease es un programa relativamente barato, y una vez que la empresa lo ha adquirido, el sistema puede obtener versiones de solo lectura a bajo coste. El sistema más barato permite a los usuarios interrogar a cualquier sistema que se haya desarrollado usando Expert - Ease. Expert - Ease es de por si un sitema universal que permite a sus usuarios construir un sistema experto acerca de un determinado tema. Expert - Ease se basa en un aprendizaje por inducción; esto significa que si se suministra al programa un número de ejemplos suficientemente grande, estos pueden inducir una regla para obtener un resultado a partir de ellos32.

Para contrastar algunos aspectos de Expert - Ease, que se desarrollo para la explotación comercial, se observaran dos programas que fueron desarrollados como parte de un proyecto academico de investigación a largo plazo. Estos programas, AM y EURISKO, son el trabajo del doctor Douglas Lenat, antiguo miembro de la Universidad de Standford y que actualmente está desarrollando proyectos de investigación en inteligencia artificial en la empresa Microelectronics and Computer Technology Corporation (MCC), grupo formado por ventidos empresas norteamericanas como respuesta al proyecto japones de Quinta Generación. Ambos programas fueron diseñados para el aprendizaje, no medianteejemplos como Expert - Ease, sino mediante la exploración. El doctor Lenat cree que el conocimiento es lo más importante de un sistema experto, y estima que el niño promedio de cuatro años tiene sobre unos 500000 elementos de sentido común. Tambien cree que la mayoría de esos elementos de conocimiento son necesarios para poder desarrollar cualquier tipo de aprendizaje y que los intentos de aislar un pequeño numero de ellos para ser usados por sistemas especializados esta conduciendo a la inteligencia artificial por un camino equivocado33.

El programa AM se equipó en un principio con aproximadamente 100 conceptos y unos 200 heurísticos, o estrategias para aprender, y se le permitió recurrir libremente a ideas matemáticas para ver que podia descubrir. Los primeros resultados obtenidos animaban a seguir; AM descubrió por si solo los numeros naturales; se formó la idea de los números primos e incluso inventó su propia versión de la conjetura de Goldbach, según la que cada número par mayor que dos es la suma de dos números primos. Los progresos posteriores fueron decepcionantemente lentos, y se vio que el programa, aunque era capaz de hayar nuevos conceptos matemáticos, era incapaz de aprender nuevos heuristicos por si mismo y su capacidad de aprendizaje estaba, por tanto, fijada por los heuristicos que se habian programado inicialmente34.

El programa EURISKO fué un intento de remediar el fallo de AM. Como en el caso anterior, los primeros resultados fueron espectaculares. Se dijo que el programa era capaz de ganar conplejos juegos de guerra considerados como rigurosas pruebas de la armada de los Estados Unidos. Una de las tácticas de EURISKO era la voladura de cualquier miembro dañado de la propia flota para dar mayor espacio a las maniobras mas rapidas de los barcos restantes. Posteriormente se permitió que el programa demandara más información, de manera identica a como lo haría un estudiante humano, pero se programó explicitamente para que no telefoneara a los programadores a partir de cierta hora de la noche. Comenzó observando esta regla, pero más tarde llamaba a cualquier hora en su intento de obtener más información y se descubrió que podía evadir la regla, EURISKO se redefinió a si mismo como una persona. EURISKO fallo, como lo hizo AM, sin alcanzar los logros que esperaban sus diseñadores. El doctor Lenat esta trabajndo actualmente, junto con otros investigadores, en la tarea de codificar varios cientos de miles de trozos de conocimiento que el considera necesarios para desarrollar un programa inteligente. El proyecto se llama CYC35.



1.- Rolston, D.W. - Principios de Inteligencia Artificial y Sistemas Expertos. Ed. McGraw-Hill, 1988.

2.- Rolston, D.W. - Ib. Idem.

3.- Buchanan, B. - Expert Systems: Working Systems and the Research Literature. Ed. Expert Systems, 3, Enero de 1986.

4.- Varios.- Inteligencia Artificial, Conceptos, Técnicas y Aplicaciones.- Ed. Marcombo 1987

5.- Varios.- Op. Cit.

6.- Varios.- Ib. Idem.

7.- Browston, L., Farrell, R., Kant, E., Martin, N.,.- Programing Expert Systems in OPS-5. Ed. Addison Wesley, 1985.

8.- Varios.- Ib. Idem.

9.- Varios.- Ib. Idem.

10.- Varios.- Ib. Idem.

11.- Benchimol, G. Levine, P. Pomerol J.C. - Los Sistema Expertos en la Empresa - Ed. Ra-Ma 1988.

12.- Simon, H.A. - Models of Man - Ed. John Wiley and Sons, Inc. New York, 1956

13.- Simon H.A.- Reason in Human Affairs - Ed. Basil Blackwell 1983.

14.- Benchimol, G. Levine, P. Pomerol J.C. - Op. Cit.

15.- Sprague, R. H., Carlson, E.D. - Building Effective Decision Support Systems - Prentice-Hall 1982

16.- Sprague, R. H., Carlson, E.D. - Ib. Idem.

17.- Sprague, R. H., Carlson, E.D. - Ib. Idem.

18.- Benchimol, G. Levine, P. Pomerol J.C. - Ib. Idem.

19.- Sprague, R. H., Carlson, E.D. - Op. cit.

20.- Sprague, R. H., Carlson, E.D. - Ib. Idem.

21.- Sprague, R. H., Carlson, E.D. - Ib. Idem.

22.- Sprague, R. H., Carlson, E.D. - Ib. Idem.

23.- Benchimol, G. Levine, P. Pomerol J.C. - Op. Cit.

24.- Benchimol, G. Levine, P. Pomerol J.C. - Ib. Idem.

25.- Sprague, R. H., Carlson, E.D. - Op. cit.

26.- Sprague, R. H., Carlson, E.D. - Ib. Idem.

27.- McAllister, J. - Inteligencia Artficial y Prolog en Microordenadores - Ed. Marcombo 1991.

28.- Hayes, J. E., Michie, D. - Intelligent Systems - Ed. Ellis Norwood 1983.

29.- McAllister, J. - Op. Cit.

30.- Logsdon, T. - The Robot Revolution - Ed. Simon & Schuster 1984

31.- McAllister, J. - Op. Cit.

32.- McAllister, J. - Ib. Idem.

33.- McAllister, J. - Op. Cit.

34.- McAllister, J. - Ib. Idem.

35.- McAllister, J. - Ib. Idem.