UNIVERSIDAD MAYOR DE SAN SIMN

FACULTAD DE CIENCIAS Y TECNOLOGA

DEPARTAMENTO DE INFORMTICA Y SISTEMAS

Una Introduccin a los Sistemas Expertos

Texto de apoyo para la asignatura Sistemas Expertos

Lic. Carla Salazar Serrudo

Cochabamba, Julio de 2003

Sistemas expertos

2.1 Los sistemas expertos

A principios de la dcada de los 70, los investigadores del rea de la

Inteligencia Artificial 1 reconocieron que los mtodos y tcnicas para
resolver

problemas

insuficientes

para

generales
abordar

desarrollados
aplicaciones

de

los
la

aos
vida

anteriores

eran

diaria.

Ellos

comprendieron que era necesario un conocimiento especfico y limitado del

dominio de la aplicacin de inters, ms que uno general que abarcara
muchos dominios. Fue as que construyeron los primeros sistemas expertos
en reas concretas del saber, tales como MYCIN para el diagnstico mdico,
DENDRAL para deducir la estructura de una composicin qumica,
PROSPECTOR para la exploracin mineral y muchos ms que tuvieron
mucho xito.

Actualmente cada vez es mayor el nmero de usuarios que utilizan sistemas

expertos, en diversos campos, tales como en el anlisis financiero,
interpretacin de imgenes, pronstico de tiempo, auditora e impuestos,
planeacin de operaciones, diagnstico mdico, diseo de redes, etc. Lo
usan instituciones como Microsoft que incorpora en sus paquetes sistemas
expertos de ayuda al usuario, la NASA para apoyar el lanzamiento de sus
cohetes, Digital Equipment Corp. para el diagnstico de fallas de equipos,
etc.[15].
1

La IA es un rea de estudio que comprende tcnicas computacionales para ejecutar

trabajos que aparentemente requieren inteligencia cuando son ejecutados por humanos.

2.1.1 Definicin
Feigenbaum 2, un lder en este campo, define a un sistema experto como ...
un

programa

de

computadora

inteligente

que

usa

conocimiento

procedimientos de inferencia para resolver problemas, de un dominio

concreto, que son lo suficientemente difciles como para requerir la
experiencia humana para su solucin. [5]. Esta definicin introduce varios
conceptos que tienen un especial significado e implicacin en el rea de los
sistemas expertos. A continuacin los desglosaremos.

El dominio de un sistema experto denota el rea del problema del que tiene
conocimiento.

Est

compuesto

por

una

coleccin

de

conocimiento

representativo, hechos, procedimientos, reglas, algoritmos y datos. Los

sistemas expertos, por lo general, son diseados para resolver problemas de
un dominio limitado y concreto.

El trmino inteligente incluye muchos aspectos (pensar, recordar, razonar,

comprender, adquirir conocimiento), pero en este contexto enfatiza un
aspecto

especfico

del

comportamiento

inteligente:

razonar

usando

heurstica 3 para resolver problemas eficientemente. Por otro lado, resolver

un problema quiere decir: buscar una respuesta. As pues, una resolucin
inteligente de problemas usa conocimiento a priori (heurstica) para reducir
el espacio de bsqueda de la solucin, utilizando algunos indicios que
pueden guiar a la obtencin de una conclusin aceptable, en contraposicin

(Tanimoto, 1987, citado por A.Gonzales, The Engineering of Knowledge-based Systems,

pag. vi).
2
En 1977, en el Congreso Mundial de la Inteligencia Artificial, Bartels and Weber,
Analytical and Quantitative Cytology and Histology, 1989.
3
Denota el conocimiento acumulado con el tiempo y que es resultado de asociaciones
empricas propias de cada persona.

con la bsqueda exhaustiva que llevan a cabo las resoluciones no

inteligentes [6].

La habilidad para almacenar conocimiento, manipularlo y usarlo es el

corazn de la metodologa de los sistemas expertos. El conocimiento
comprende hechos y procedimientos, incluye conceptos, ideas, experiencia
previa y heursticas. Adems, el conocimiento usado en los sistemas
expertos se expresa en forma simblica y no numrica, es decir, se manejan
conceptos (tumor canceroso) y categoras (grande, largo, difuso).

Finalmente, la definicin menciona inferencia. Inferir es el proceso por el

cual el sistema experto utiliza los hechos y los procedimientos de su base de
conocimientos para alcanzar una solucin. En los sistemas expertos se
separan claramente los procesos de inferencia del conocimiento.

2.1.2 Caractersticas [5][12][31][43]

Algunas caractersticas de los sistemas expertos se pueden apreciar cuando

son comparados con otras soluciones, tales como software convencional o
expertos humanos.

2.1.2.1 Ventajas

a) Replicacin.- Los sistemas expertos reproducen el conocimiento y

heurstica de los expertos humanos. Esto permite que se pueda copiar y
distribuir la experiencia tanto como se necesite y a un costo razonable.

b) Fcil modificacin.- El concepto de separar el conocimiento del

mecanismo

de

inferencia

facilita

el
4

proceso

de

modificacin

del

conocimiento.

Esto

es

importante

porque

el

conocimiento

cambia

frecuentemente.

c) Consistencia en las respuestas.- Los expertos humanos pueden dar

soluciones diferentes al mismo problema; incluso el mismo experto humano
puede dar respuestas distintas en diferentes ocasiones. Por su parte, los
sistemas expertos son siempre consistentes en la solucin de los problemas,
brindando respuestas iguales todo el tiempo.

d) Disponibilidad permanente.- Los sistemas expertos estn siempre

disponibles, las 24 horas del da.

e) Preservacin de la experiencia.- El conocimiento de los expertos

humanos presente en los sistemas expertos, se preserva para la posteridad.

f) Solucin a problemas con datos incompletos.- Los sistemas expertos,

debido a su naturaleza heurstica, son capaces de resolver problemas con
datos incompletos o inciertos. Esta caracterstica es importante porque la
informacin completa y exacta de un problema rara vez est disponible.

g) Explicacin de la solucin.- Una caracterstica clave de los sistemas

expertos es que son capaces de explicar cmo llegaron a sus conclusiones,
qu decisiones tomaron y por qu lo hicieron. Esta explicacin clarifica y
justifica los resultados. Adicionalmente, provee una forma rudimentaria de
tutora.

2.1.2.2 Desventajas

a) Dominio limitado.- El dominio de aplicacin de los sistemas expertos es

limitado.

b) Escaso sentido comn.- El sentido comn de un humano es difcil de

representarlo en un sistema experto.

2.1.3 Componentes estructurales

Bsicamente se puede decir que los sistemas expertos estn formados por la
base de conocimientos y por el motor de inferencia, aunque generalmente se
les aaden ms mdulos para facilitar su uso y enriquecer su desempeo. En
la fig. 2.1 se muestra un diagrama en el que se han incluido la arquitectura
de un sistema experto tpico.

Base de
hechos
conocimientos

Mdulo de
explicacin

Base de

Motor de
Inferencia

Mod. adquisicin
de conocimiento

Interface de usuario

Fig. 2.1. Componentes de un sistema experto tpico [16].

a) El motor de inferencia.- El motor de inferencia es el intrprete del

conocimiento almacenado en la base de conocimientos. Sus tareas incluyen
seleccionar, decidir y aplicar el conocimiento de la base de conocimientos
6

sobre la base de hechos, con el fin de obtener la solucin deseada. Sus

funciones principales son la inferencia y el control.

El control se refiere a la secuencia en que se examinan las primitivas de la

base de conocimiento. La inferencia es el razonamiento que realiza a partir
del anlisis y evaluacin de las primitivas de la base de conocimiento,
encadenando conclusiones intermedias hasta presentar la solucin final.

b) La base de conocimientos.- La base de conocimientos es la parte ms

importante de un sistema experto. Contiene el conocimiento y las heursticas
del dominio en el cual el programa es competente y, en algunos sistemas, el
conocimiento de control (metaconocimiento).

La eleccin del formalismo de representacin es fundamental para el

rendimiento del sistema. Por ello su eleccin y diseo requieren de un
estudio cuidadoso. La base de conocimientos debe permitir un rpido acceso
a los conocimientos, debe ser modular y fcil de desarrollar y mantener.

c) La base de hechos.- Tambin llamada base temporal, almacena los datos

recibidos de los usuarios sobre el problema particular que en un momento
dado se intenta resolver y sobre el estado del sistema en cada instante.

d)

La

interface

de

usuario.-

La

interface

de

usuario

facilita

la

comunicacin entre el usuario y el sistema, aceptando datos del usuario,

planteando preguntas, dando informacin y mostrando la conclusin final a
la que ha arribado el sistema experto. Toda esta informacin, ya sea de
entrada o de salida, pasa por la base de hechos.

Es

aconsejable

poner

especial

atencin

en

la

interface,

pues

el

reconocimiento de la bondad del sistema experto depende de su aspecto y

uso. En la interface se deben incluir elementos grficos, colores, ratones,
ventanas, etc.

e) El mdulo de explicacin.- El mdulo de explicacin justifica el proceso

de razonamiento que ha seguido el sistema experto para llegar a sus
conclusiones. Los usuarios pueden hacer preguntas del tipo: por qu?,
cmo?, qu pasa si? y ste mdulo les proporcionar la respuesta
adecuada.

f) El mdulo de adquisicin del conocimiento.- El mdulo de adquisicin

del conocimiento es el programa que permite a los expertos modificar la
base de conocimientos. Es muy til porque el conocimiento constantemente
est cambiando y es necesario actualizarlo. Tambin sirve para corregir
errores que existan en dicha base.

2.2 Representacin del conocimiento

El principal problema de los sistemas expertos es la representacin del

conocimiento de los expertos humanos en la computadora. Como existen
muchas maneras de representar el conocimiento, y cada una de ellas tiene
ventajas respecto al resto, la eleccin del sistema de representacin depende
del tipo de problema que pretenda resolver el sistema experto. A veces se
opta por las llamadas representaciones hbridas para intentar conseguir las
ventajas de varias de estas representaciones.

Comentaremos brevemente las principales caractersticas de las tcnicas de

representacin de conocimiento que actualmente se usan: lgica, reglas,
redes asociativas, marcos y objetos.

2.2.1 Lgica [12][13][16][19]

La lgica es una disciplina relacionada con la validez del conocimiento. Es

muy importante dentro del contexto de la Inteligencia Artificial y
especialmente en los sistemas expertos, debido a que brinda el formalismo
para dos importantes conceptos: la representacin del conocimiento y el
proceso de inferencia. Dentro de la lgica existen varias notaciones para
representar

el

conocimiento,

las

ms

importantes

son:

la

lgica

proposicional y el clculo de predicados.

La lgica proposicional usa proposiciones para describir y manejar hechos

acerca del mundo. Una proposicin es una sentencia simple que tiene un
valor de verdad o falsedad (ej.: hoy es viernes, hace fro). Las
proposiciones pueden ser combinadas con otras proposiciones para expresar
conceptos complejos acerca del mundo (ej.: hoy es viernes y hace fro),
usando conectivos lgicos como la conjuncin, disjuncin, negacin e
implicacin. Las proposiciones compuestas tambin tienen su propio valor
de verdad, el cual depende de los conectores y del valor de verdad de cada
proposicin componente.

El clculo de predicados est basado en la idea de que las proposiciones

deberan expresar relaciones entre objetos, como tambin cualidades y
atributos de tales objetos. Tales relaciones se llaman predicados y los
objetos son los argumentos de los predicados. El uso de argumentos permite
que un predicado exprese una relacin acerca de muchos objetos diferentes,
9

ms que de un solo objeto (ej.: color (pasto, verde), color (cielo, azul)).
Como las proposiciones, los predicados tienen un valor de verdad, pero este
valor de verdad depende de sus argumentos. El clculo de predicados
tambin soporta el uso de variables y de cuantificadores. Por eso se dice que
la lgica de proposiciones es un subconjunto del clculo de predicados.

La esencia de la lgica de predicados es realizar inferencias lgicas, o sea,

derivar nuevas verdades a partir de hechos conocidos. La lgica de
predicados provee un conjunto de reglas de inferencia enteras que garantizan
que las nuevas conclusiones inferidas sean ciertas, si los hechos de los
cuales se han derivado lo son. Las reglas enteras ms importantes son el
modus ponens y el modus tolens. La resolucin 4 es otra regla entera y es el
mecanismo fundamental usado por el lenguaje de computacin PROLOG 5
(PROgramming in LOGic). El PROLOG es pues, una implementacin de la
lgica de predicados en computadoras.

2.2.2 Reglas [19][43]

Las reglas son la tcnica ms popular para representar el conocimiento. Esto

puede atribuirse a que ellas tienen un formato parecido al que utilizan los
expertos

humanos

para

expresar

su

conocimiento

(condicin/accin).

Adicionalmente, son excelentes para representar el conocimiento heurstico,

su implementacin es fcil, su entendimiento es rpido y pueden usar
medidas de incertidumbre.

La frmula general de la regla es la siguiente:

SI < Condiciones > ENTONCES < Conclusiones o acciones >

4
5

Desarrollada por Robinson en 1965.

Desarrollado por A. Colmerauer en los aos 70.

10

La primera parte de la regla es una prueba condicional (tambin llamada

premisa o antecedente). Si la prueba se satisface a travs de un
emparejamiento con los hechos conocidos, entonces la segunda parte de la
regla (tambin llamada conclusin, accin o consecuente) tambin se
satisface.

Las reglas pueden ser aplicadas de dos maneras: encadenadas hacia adelante
o encadenadas hacia atrs. En el encadenamiento hacia adelante se busca la
solucin utilizando todos los hechos iniciales y se aplica reiterativamente la
regla del modus ponens para derivar hechos intermedios hasta que se
encuentre la respuesta final. Este tipo de razonamiento es adecuado si
existen pocos datos (o muchos, pero adquiridos automticamente) y muchas
soluciones. Esto es cierto en aplicaciones de diseo, configuracin,
planeacin y organizacin.

En cambio, en el encadenamiento hacia atrs se parte de un objetivo que

trata de demostrarse buscando slo aquellos datos que lo confirmen; es
decir, se aplican las reglas slo para derivar valores que demuestren
objetivos o hechos intermedios, que posteriormente sern usados para
evaluar el objetivo final. Este mtodo es til cuando existen demasiados
datos iniciales, muchos de los cuales son irrelevantes, y un nmero limitado
de resultados. Es perfecto para aplicaciones de diagnstico.

Es

interesante

notar

que

si

las

reglas

slo

incluyen

proposiciones

(constantes), entonces los hechos emparejarn exactamente con ellas. Esto

quiere decir que la interconexin entre las reglas y los hechos es explcita y
es conocida antes de la ejecucin, por lo que la base de conocimientos puede
verse como un rbol de decisin y/o (y para las condiciones de cada regla,
11

o para distintas reglas). En otros casos, si las reglas incluyen variables, se

usa

el

emparejamiento

con

patrones

para

ligarlas

con

los

hechos,

consecuentemente las relaciones entre las reglas y los hechos varan en cada
corrida del programa y slo se pueden conocer durante el tiempo de
ejecucin. El primer tipo de reglas se aplica exitosamente en sistemas de
diagnstico y clasificacin. El segundo tipo es til en situaciones en las
cuales es necesario probar muchos datos antes de conseguir la solucin,
como en el diseo, planeacin y sntesis.

Finalmente, la ventaja de las reglas es que son muy modulares, uniformes y

naturales, pero tienen la desventaja de que su nmero crece muy rpido y a
la hora de realizar su mantenimiento se debe tener mucho cuidado para no
introducir reglas contradictorias o que generen encadenamiento infinito.

2.2.3 Redes asociativas, marcos y objetos

Estos tres esquemas permiten representar conocimiento estructurado de

objetos fsicos o abstractos ms fcilmente que las reglas. Empezaremos
describiendo a las redes asociativas porque son las ms sencillas y porque
sirven de base para las otras dos.

Las redes asociativas son grafos dirigidos y etiquetados que simbolizan

asociaciones entre varios conceptos. Los nodos de la red representan el
concepto, mientras que los arcos representan las relaciones. La potencia de
una red asociativa radica en la riqueza de sus relacionamientos, ya que estos
proveen un alto nivel de entendimiento que permite interpretar la estructura
e inferir nuevos hechos. Las redes son ventajosas porque facilitan el
12

establecimiento de

asociaciones explcita y sucintamente, lo que reduce

significativamente el tiempo de bsqueda, pero su interpretacin no es

estndar y a veces pueden inferirse datos falsos. Generalmente son usadas
para representar asociaciones semnticas (ej.: taxonomas), aunque tambin
pueden ser usadas para expresar relaciones causales y estructuras fsicas.

Los marcos son estructuras que permiten agrupar conocimiento declarativo

(hechos) y procedimental. Estn formados por un nombre y por una serie de
ranuras (slots) que pueden contener valores o procedimientos llamados
demonios (demons). Los demonios son rutinas ligadas a valores de las
ranuras, que se activan cuando se leen, cambian o borran dichos valores. Los
marcos son especialmente indicados para representar estereotipos (objetos o
procesos) del mundo. Los marcos genricos describen estereotipos generales
y los marcos particulares son instancias de los genricos. Los marcos
particulares heredan caractersticas de sus padres e incorporan sus atributos
distintivos. Las redes asociativas se diferencian de los marcos en que no
permiten agrupar asociaciones y no implementan demonios.

Los objetos son estructuras similares a los marcos, puesto que tienen un
nombre, una caracterizacin de clase, varios atributos distintivos y un
conjunto de operaciones denominados mtodos. Ambas estructuras agrupan
conocimiento, soportan herencia, abstraccin y manejan el concepto de
procedimientos ligados. Se diferencian en que, mientras los demonios de los
marcos solo sirven para computar y mantener la integridad de los valores de
la s ranuras, los mtodos de los objetos son ms generales porque
implementan cualquier tipo de programa que sea necesario. Los objetos
tambin soportan encapsulacin y polimorfismo.

13

2.3 Manejo de incertidumbre

La solucin de muchos problemas que requieren de un comportamiento

humano inteligente, tiene asociado algn grado de incertidumbre. Por ello,
es natural esperar que los sistemas expertos tambin sean capaces de
manejar incertidumbre. En este apartado describiremos los mtodos ms
populares para tratar con incertidumbre: probabilidades bayesianas, factores
de certeza y lgica difusa. Sin embargo, es importante aclarar que ninguno
de estos mtodos ha sido encontrado el mejor para todas las aplicaciones y
su eleccin depende de muchos factores.

2.3.1 Probabilidad bayesiana

Es la tcnica ms antigua y est basada en la teora clsica de

probabilidades. El teorema de Bayes proporciona un mtodo para computar
la probabilidad de que ocurra un evento (H i , hiptesis) si antes se ha
producido otro (E j , evidencia) relacionado con el primero. Est definido as:

p(H i /E j ) =

p(E j /H i ) * p(H i )

(1)

p(E j )

Por ejemplo, si queremos saber la probabilidad de que una persona tenga

resfro (H=resfro) si sabemos que estornuda (E=estornudos), podemos
aplicar la frmula (1), junto con los datos probabilsticos de la poblacin de
estudio: probabilidad de que una persona estornude dado que est
resfriada, probabilidad de que una persona tenga resfro y probabilidad
de que una persona estornude.

14

La propagacin de la incertidumbre se obtiene generalizando la frmula (1),

para tratar con m hiptesis y n piezas de evidencia, as:

p(H i /E 1 E 2 ...E n )=

p(E 1 E 2 ... E n /H i ) * p(H i )

(2)

p(E 1 E 2 ...E n )

Esta probabilidad denota la probabilidad de que ocurra la hiptesis H i dadas

las evidencias E 1 E 2 ...E n (ej.: probabilidad de que un paciente tenga la
enfermedad

Hj,

dados

los

sntomas

E i ).

Las

evidencias

deben

ser

condicionalmente independientes entre s.

Si bien este mtodo tiene el mejor fundamento terico para el manejo de la

incertidumbre, tiene la gran desventaja de necesitar una significante
cantidad de datos probabilsticos para construir la base de conocimientos
(ej.: un sistema de diagnstico de 50 enfermedades (p) y 300 sntomas (q)
necesitara 15.050 (p*q + p) valores de probabilidad, asumiendo que las
respuestas son excluyentes entre s y que los sntomas son independientes.
Si no lo son, se necesitan muchos ms valores). Adems, los sistemas
basados en probabilidad no pueden explicar cmo llegaron a su conclusin
(su base de conocimientos est formada por nmeros), por lo que no dan
mucha confianza a los expertos.

2.3.2 Factores de certeza [12][19]

Durante el desarrollo de MYCIN, los investigadores descubrieron que el

modelo bayesiano era inadecuado para manejar incertidumbre, porque en el
rea mdica es difcil contar con la gran cantidad de datos que el Teorema
de Bayes requiere. Adems, los estudios indican que los mdicos parecen
razonar capturando evidencias que confirmen o nieguen sus hiptesis y stas
15

evidencias las consiguen independientemente, en contraposicin con el

proceso

usado

por

la

tcnica

bayesiana

que

usa

probabilidades

condicionadas. Por otro lado, existe la necesidad de representar el

conocimiento mdico explcitamente (lo que no puede hacerse usando
probabilidades), para que el sistema pueda explicar su razonamiento.

Estas razones hicieron que se desarrollara el formalismo de los factores de

certeza (FC), el cual se basa vagamente en el anlisis bayesiano y vara
ligeramente de implementacin a implementacin. Describiremos esta
tcnica tal cual se implement en MYCIN [34].

Los sistemas expertos implementan el formalismo de FC por medio de

reglas:

SI evidencia
ENTONCES hiptesis (FC)

donde evidencia es uno o ms hechos conocidos para soportar la derivacin

de la hiptesis. El valor de FC denota la creencia en la hiptesis, dada que
la evidencia es observada. El formalismo FC usa tres valores distintos:

1) La medida de credibilidad MC(h,e), la cual es un valor entre 0 y 1 que

representa el grado de creencia en que la hiptesis h es soportada por la
evidencia e. Este valor se calcula as:

MC(h,e) = 1

si p[h] = 1

= p[h/e] - p[h]
1 - p[h]

16

en otro caso

(3)

2) La medida de incredibilidad MI(h,e), la cual es un valor entre 0 y 1 que

representa el grado de no creencia de que la hiptesis h es soportada por la
evidencia e. Su definicin es:
MI(h,e) = 1

si p[h] = 1

(4)

= p[h] - p[h/e] en otro caso

p[h]
3) El factor de certeza FC, el cual es una combinacin de MC y MI, su rango
de variacin flucta entre -1 (negacin de h) y +1 (confirmacin de h). Se
define as:
FC = MC

(5)

MI

1 - min(MC-MI)
Durante el proceso de inferencia, muchas reglas pueden derivar la misma
hiptesis o conclusin. Como resultado debe existir un mecanismo para
combinar los FC de cada regla y obtener un solo FC para esa hiptesis. Se
usan las siguientes ecuaciones:

FC r e v (FC old , FC n e w ) = FC old + FC n e w (1- FC old )

si FC old y FC n e w > 0

(6)

= -FC rev (- FC old ,- FC n e w )

si FC old y FC n e w < 0

(7)

si uno de FC o l d y FC new < 0

(8)

= FC old

FC n e w

1 - min(|FC o l d |,|FC n e w |)

Los factores de certeza son la tcnica ms popular debido a que su modelo

computacional

es

simple

porque

permite

que

el

conocimiento

representado mediante reglas pueda cuantificarse con incertidumbre. La

obtencin de FC es significantemente ms fcil que la obtencin de valores
de otros mtodos. No se requiere una base estadstica, solamente se pregunta
al experto para conseguir los valores.
17

Muchos sistemas, incluyendo MYCIN, han utilizado este formalismo y han

tenido un alto grado de competencia en sus reas de aplicacin. Pero los
detractores

de

este

mtodo

consideran

que

estos

xitos

se

deben

principalmente al conocimiento representado en las reglas ms que a los

valores de los FC asociados al conocimiento [19]. Otras crticas a este
modelo incluyen su dbil fundamento terico.

2.3.3 Lgica difusa

A mediados de los 60, Zadeh desarroll la teora de los conjuntos difusos

y posteriormente la lgica difusa para tratar con numerosos conceptos
usados en el razonamiento humano, los cuales son intrnsecamente vagos e
imprecisos,

tales

como

los

adjetivos

(ej.:

alto,

viejo),

los

cuantificadores del lenguaje natural (ej.: muchos) y las sentencias (ej.:

no es muy probable). Puesto que muchos expertos expresan sus
conocimientos de manera subjetiva e imprecisa, la lgica difusa parece
aplicarse naturalmente a su formalizacin.

Mientras la lgica clsica define la pertenencia de los distintos elementos a

un conjunto hacindoles corresponder los valores 1 0 segn pertenezcan o
no a un conjunto, Zadeh cre una funcin de posibilidad que les asocia
valores en el intervalo [0,1], los cuales miden el grado de pertenencia a
dicho conjunto. Los valores 1 y 0 aseguran la pertenencia o no al conjunto,
mientras que los valores intermedios se asocian a elementos de pertenencia
dudosa. Por ejemplo, si nuestro predicado consiste en determinar la
membresa de un individuo en cierta categora tnica (ej.: mexicana,
alemana, libanesa), tenemos que tomar en cuenta que esta categorizacin no
es precisa, pues muchos individuos tienen un origen mestizo. Por lo tanto,
18

nuestro predicado tendr un valor numrico en el rango [0,1] para expresar

el grado de mestizaje tnico de cada persona.

La lgica difusa ha sido aplicada en numerosos sistemas expertos

incluyendo el diagnstico mdico, recuperacin de informacin y deteccin
de fallas, pero existe mucho debate acerca de su viabilidad debido a sus
inherentes dificultades. El desarrollo de funciones de membresa no es
trivial y a menudo toma ms tiempo que el dedicado al desarrollo del
sistema. A pesar de ello, esta tcnica contina generando inters y siendo
aplicada en numerosos sistemas.

2.4 Sistemas expertos de diagnstico mdico

En los aos 60 comienza a existir una cierta inquietud sobre lo que se

denomin el diagnstico mdico automtico. Durante una dcada se
desarrollaron un gran nmero de programas basados en el clculo de
probabilidades

para

realizar

diagnsticos

de

un

reducido

grupo

de

enfermedades. Pese a sus buenas prestaciones, estos programas no tuvieron

mucha acogida en la comunidad mdica.

En la dcada de los 70, tres hechos incidieron positivamente en el desarrollo

de los programas de diagnstico: la aparicin de los microordenadores, la
aplicacin

de

tcnicas

interactivas

que

facilitaban

el

uso

de

las

computadoras y el desarrollo de tcnicas de sistemas expertos. Los

programas eran ya sencillos de manejar, interactivos, capaces de justificar
sus resultados y de explicar sus procesos, y con un comportamiento similar
al de los mdicos humanos. Durante esos aos se construyeron los primeros
sistemas expertos en diagnstico mdico, entre ellos MYCIN, que fueron los
que dieron impulso y fama a la Inteligencia Artificial.
19

Desde el desarrollo de MYCIN hasta nuestros das, el diagnstico mdico ha

sido uno de los campos donde mayor nmero de sistemas expertos se han
construido. Este hecho se ha debido principalmente a que la experiencia es
fundamental para realizar diagnsticos correctos y a que los conocimientos
en medicina son muy extensos y es frecuente el uso de datos inciertos e
incompletos. Y tambin porque a los mdicos les resulta conveniente usar
sistemas que expliquen y justifiquen sus resultados.

2.4.1 Ejemplos de aplicaciones

A continuacin mostraremos brevemente algunos ejemplos de sistemas

expertos de diagnstico mdico. Daremos particular importancia a la
descripcin del MYCIN, porque es uno de los ms famosos.

CASNET, (Causal ASsociation NETwork) Escrito por Kulikowsky y Weiss

(1971) en la Universidad de Rutgers, diagnostica y realiza el tratamiento del
glaucoma. Posee una potente base de datos, hacindole portador de un
elevado nivel de conocimiento reconocido por numerosos especialistas.
Representa el conocimiento mediante redes semnticas [31].

ELECTROCARDIGRAPH, desarrollado por Hewlett Packard. Realiza la

interpretacin de electrocardiogramas. Est escrito en LISP[31].

HELP, desarrollado por la Universidad de Utah e implementado en el

Memorial Hospital de Utah. HELP lleva a cabo la automatizacin total del
diagnstico y tratamiento de enfermedades. Esto quiere decir que mediante
sistemas

automatizados

se

capturan

los

datos

del

paciente

(pulso,

temperatura, pruebas de laboratorio y gabinete). Luego, estos datos son

20

recibidos por sistemas expertos que los interpretan, y que finalmente

realizan el diagnstico y tratamiento de las diferentes enfermedades [25].

INTERNIST, desarrollado por la Universidad de Pittsburg en 1977. Puede

diagnosticar hasta 500 enfermedades que forman parte del rea de la
medicina interna. La representacin del conocimiento se realiza mediante
marcos y redes semnticas[12].

PIP (Present Illnes Program), desarrollado en el MIT en 1976. Diagnostica

enfermedades del rin. La representacin del conocimiento se hace
mediante marcos[31].

RHEUM,

realiza

el

diagnstico

en

reumatologa

representa

el

conocimiento mediante redes semnticas. Desarrollado por Kingsland en

1983 [39].

SESAM, (Systeme Explicatif dAide Medical) es un sistema mdico

explicativo en el campo de la hipertensin arterial desarrollado en la
Universidad de Orsay, Francia. El trabajo de SESAM est centrado en
brindar explicaciones slidas de diagnstico y terapia. El conocimiento
psicopatolgico est representado por medio de redes causales [42].

TROPICAID, desarrollado por Auvert, B. en 1985. Su objetivo es cubrir las

enfermedades ms comunes de los pases en desarrollo: diarrea, parsitos
intestinales,
enfermedades

enfermedades

de

los

ojos,

infecciosas.

El

sistema

enfermedades

tiene

tres

de

puntos

la
de

piel

entrada:

diagnstico, terapia y prescripcin de drogas. Representa el conocimiento

usando reglas y marcos.

21

VM, supervisa unidades de cuidados intensivos. Representa el conocimiento

mediante reglas [31].

2.4.2 MYCIN [12][13][19]

MYCIN es el ms clebre de los sistemas expertos de la vieja generacin.

Fue desarrollado por Shortliffe y Buchanan durante los aos 1973-76 en la
Universidad de Standford. Su rea de aplicacin es el diagnstico de
enfermedades bacterianas y su objetivo es determinar la presencia de alguna
infeccin a partir de los datos del paciente; tambin sugiere qu drogas son
adecuadas para curar la enfermedad. El desempeo de MYCIN es muy bueno
y es considerado superior al del experto humano en casos tales como
meningitis y enfermedades de la sangre.

El MYCIN fue el primer programa en el que aparecen juntas todas las

caractersticas que hoy definen a un sistema experto (fig. 2.1).

Consulta
Explicacin

Base
de
hechos

Conversacin

Base
de
conocim.

Adq. conocimiento

Fig. 2.2 Arquitectura de MYCIN. Extrado de Sistemas Expertos de Chatain

y Dussauchoy, 1988, pag. 80.

El conocimiento est representado mediante reglas (ms de 400) que

admiten la incorporacin de factores de certeza que se propagan a lo largo
de los encadenamientos de las reglas. Las reglas son de la forma:
22

SI <condiciones> ENTONCES <conclusin [factor de certeza]>

Cada regla lleva asociado un factor de certeza que va desde +1 (verdadero) a

-1 (falso), el cual refleja el grado de creencia en la conclusin. Para invocar
las reglas y decidir las cuestiones a plantear, MYCIN utiliza encadenamiento
hacia atrs, el objetivo se descompone en subobjetivos y el sistema itera
sobre ellos. Para evaluar la premisa de la regla objetivo, aplica todas las
reglas susceptibles de confirmarla o de invalidarla. La evolucin de las
hiptesis se funda en los hechos, conseguidos bien por deduccin o por
consulta al usuario.

En lo referente a la estructuracin del conocimiento, MYCIN bas su diseo

en los llamados rboles de decisin, los cuales determinaron la lgica de
construccin de sus reglas en cuanto a las premisas y las conclusiones. Es
as que, durante la ejecucin del programa, el conjunto de reglas aplicadas
puede verse como un rbol Y/O recorrido en profundidad (Y para las
condiciones de una regla, O para las diversas reglas que se pueden
aplicar). Un ejemplo de ello se puede ver en la siguiente figura:

23

Conjunto de reglas

Arbol de decisin
A

ABC --> W
ACD --> X
ACF --> Y
BBA --> Z

B
C
W

Nivel 1

F
X

Nivel 2
A

Nivel 3

Fig.2.3. Conjunto de producciones y rbol de decisin semejantes a MYCIN,

aunque muy simplificados.

Para perfeccionar la eficiencia de ejecucin del programa, se cre EMYCIN

(MYCIN esencial). Dispone de un compilador que transforma el sistema de
reglas en un rbol de decisin, eliminando de esta forma la redundancia que
pudiera existir en ellas, para luego traducir el resultado del rbol a cdigo
de mquina [13].

24