En el desarrollo de la ciencia de la computación es fundamental el análisis de la información, la incertidumbre e imprecisión asociada con los fenómenos reales y con la percepción, interpretación y modelado de la realidad. El adecuado tratamiento y modelado de la incertidumbre conduce a sistemas confiables, económicos y seguros. No existe, prácticamente, ningún problema en donde se tenga la información total sobre todas las variables y en donde esta información no tenga ningún grado de incertidumbre o imprecisión. Un problema con todos los datos y completamente determinístico no es un problema real. La principal dificultad en el tratamiento y modelado de la incertidumbre es precisamente la consideración de sus características inciertas. Todo intento de determinar estas características es reducir el nivel de incertidumbre. En general, se manejan situaciones en las cuales se cuenta con diferentes tipos o niveles de incertidumbre. Tradicionalmente, la incertidumbre ha sido modelada a través de la teoría de la probabilidad, sin embargo, debido a que la incertidumbre no es igual en todos los casos, se han formulado otras formas de manejar la incertidumbre de las variables, tales como la teoría de las posibilidades, la lógica difusa y la teoría de Dempster-Shafer, entre otras.
En los problemas de la vida real se utiliza la información inmediata, es decir datos, experiencia, razonamientos a priori para hacer inferencias que conduzcan hacia algo más amplio que no se observa directamente. A través de la inferencia se utilizan observaciones del mundo para revelar otros hechos que no se han observado. El término inferencia se utiliza como sinónimo de ilación. En un sentido amplio la inferencia va desde la implicación hasta el proceso mental operativo mediante el cual, partiendo de determinada información, se llega por implicación o también por inducción a una conclusión.
Los sistemas expertos constituyen una de las áreas más importantes de la inteligencia artificial. Estos sistemas son llamados así porque emulan el comportamiento de un experto en un dominio concreto y en ocasiones son usados por estos. Con los sistemas expertos se busca una mejor calidad y rapidez en las respuestas dando así lugar a una mejora de la productividad del experto. Estos sistemas imitan las actividades de un humano para resolver problemas de distinta índole, problemas que no necesariamente tienen que ser de inteligencia artificial. También se dice que un sistema experto se basa en el conocimiento declarativo, referido como hechos sobre objetos o situaciones y el conocimiento procedimental, que se refiere a la información sobre el seguimiento de una acción. Para que un sistema experto sea herramienta efectiva, los usuarios deben interactuar de una forma fácil, reuniendo dos capacidades para poder cumplirlo: (1) Explicar su razonamiento o base del conocimiento. Los sistemas expertos se deben realizar siguiendo ciertas reglas o pasos comprensibles de manera que se pueda generar la explicación para cada una de estas reglas, que a la vez se basan en hechos. (2) Adquisición de nuevos conocimientos o integrador del sistema. Es un mecanismo de razonamiento que sirve para modificar los conocimientos anteriores. Sobre la base de lo anterior se puede decir que los sistemas expertos son el producto de investigaciones en el campo de la inteligencia artificial ya que esta no intenta sustituir a los expertos humanos, sino que desea ayudarlos a realizar con más rapidez y eficacia las tareas que cumplen.
Los problemas con los que pueden tratar los sistemas expertos pueden clasificarse en dos tipos: problemas esencialmente deterministas y problemas esencialmente estocásticos. Los problemas de tipo determinista pueden ser formulados usando un conjunto de reglas que relacionen varios objetos bien definidos. Los sistemas expertos que tratan problemas deterministas son conocidos como sistemas basados en reglas. En situaciones inciertas, es necesario introducir algunos medios para tratar la incertidumbre. Durante las últimas décadas han sido propuestas algunas medidas de incertidumbre. Algunos ejemplos de estas medidas son los factores de certeza, la lógica difusa, etc. Otra medida intuitiva de incertidumbre es la probabilidad, en la que la distribución vinculada de un conjunto de variables se usa para describir las relaciones de dependencia entre ellas, y se sacan conclusiones usando fórmulas muy conocidas de la teoría de la probabilidad. Los sistemas expertos que utilizan la probabilidad como medida de incertidumbre se conocen como sistemas expertos probabilísticos y la estrategia de razonamiento que usan se conoce como razonamiento probabilístico, o inferencia probabilística.
Los sistemas expertos comunes, normalmente basados en reglas, no tienen en cuenta la incertidumbre, ya que la forma de tratar los objetos y las reglas, es de tipo determinista, pero como se comento anteriormente, es frecuente la toma de decisiones en condiciones de incertidumbre, ya sea en áreas de la ingeniería, los negocios o inclusive la salud. El ejemplo que se presenta a continuación es el de un paciente que asiste al médico, con ciertos síntomas para que este le determine con base en estos, que tipo de enfermedad de las posibles padece. Se dice que el sistema no es determinista, ya que la relación entre las enfermedades y los síntomas que tiene un paciente no son deterministas, porque los mismos síntomas pueden estar presentes en distintas enfermedades. Esto crea la necesidad, de herramientas que tengan la capacidad para funcionar, en estos ambientes, una buena opción son los sistemas de tipo probabilístico. Estos como los otros, cuentan con una base de conocimiento, pero esta se forma por el espacio probabilístico, que describe el problema. El motor de inferencias se encuentra basado en probabilidades condicionales y este se encarga de actualizar dichas probabilidades con base en los hechos que observa del ambiente en que se desempeña. Para modelar de manera acertada los sistemas de tipo probabilístico, se tiene que tomar en cuenta la teoría de las probabilidades condicionales. A la probabilidad de que un evento ocurra cuando se sabe que otro evento se ha presentado previamente se llama probabilidad condicional, este tipo de probabilidad generalmente se interpreta de la siguiente manera: “la probabilidad de que ocurra un evento dado que ocurrió un evento previo“.
En los primeros sistemas expertos, se eligió la probabilidad como medida para tratar la incertidumbre pero, desgraciadamente, muy pronto se encontraron algunos problemas, debidos al uso incorrecto de algunas hipótesis de independencia, utilizadas para reducir la complejidad de los cálculos. Como resultado, en las primeras etapas de los sistemas expertos, la probabilidad fue considerada como una medida de incertidumbre poco práctica. La mayoría de las críticas a los métodos probabilísticos se basaban en el altísimo número de parámetros necesarios, la imposibilidad de una asignación o estimación precisa de los mismos, o las hipótesis poco realistas de independencia. Consecuentemente, en la literatura de la época, surgieron medidas alternativas a la probabilidad, como los factores de certeza, las credibilidades, las plausibilidades, las necesidades o las posibilidades, para tratar la incertidumbre. Sin embargo, con la aparición de las redes probabilísticas, principalmente las redes Bayesianas y Markovianas, la probabilidad ha resurgido de forma espectacular, y es, hoy en día, la más intuitiva y la más aceptada de las medidas de incertidumbre.
El método más antiguo para el tratamiento de la incertidumbre es la probabilidad. Dentro del campo de la inteligencia artificial, surgieron críticas contra el uso de métodos probabilistas en sistemas expertos, especialmente porque las hipótesis necesarias para hacer tratable el método bayesiano clásico eran incorrectas en la mayor parte de los problemas del mundo real. Esto motivó el desarrollo de otros métodos, como los factores de certeza o la lógica difusa, en que se introducen implícitamente hipótesis y aproximaciones aún más exigentes. Afortunadamente, el desarrollo de las redes bayesianas en la década de los años 1980 permitió refutar las objeciones anteriores contra el uso de la probabilidad, construyendo un modelo de razonamiento causal con un sólido fundamento teórico. Por otro lado, los diagramas de influencia, que aparecen también en la década de los años 1980, pueden considerarse como una extensión de las redes bayesianas, que por tener nodos de decisión y nodos de utilidad, permiten resolver problemas de toma de decisiones. En la década de los años 1990 ha crecido exponencialmente el número de investigadores, universidades y empresas dedicadas a este tema; actualmente existen sistemas expertos bayesianos en las especialidades más diversas, tales como los sistemas expertos médicos, las aplicaciones en ingeniería, visión artificial, comercio electrónico, informática educativa, interfaces inteligentes, etc.
En los problemas de la vida real se utiliza la información inmediata, es decir datos, experiencia, razonamientos a priori para hacer inferencias que conduzcan hacia algo más amplio que no se observa directamente. A través de la inferencia se utilizan observaciones del mundo para revelar otros hechos que no se han observado. El término inferencia se utiliza como sinónimo de ilación. En un sentido amplio la inferencia va desde la implicación hasta el proceso mental operativo mediante el cual, partiendo de determinada información, se llega por implicación o también por inducción a una conclusión.
Los sistemas expertos constituyen una de las áreas más importantes de la inteligencia artificial. Estos sistemas son llamados así porque emulan el comportamiento de un experto en un dominio concreto y en ocasiones son usados por estos. Con los sistemas expertos se busca una mejor calidad y rapidez en las respuestas dando así lugar a una mejora de la productividad del experto. Estos sistemas imitan las actividades de un humano para resolver problemas de distinta índole, problemas que no necesariamente tienen que ser de inteligencia artificial. También se dice que un sistema experto se basa en el conocimiento declarativo, referido como hechos sobre objetos o situaciones y el conocimiento procedimental, que se refiere a la información sobre el seguimiento de una acción. Para que un sistema experto sea herramienta efectiva, los usuarios deben interactuar de una forma fácil, reuniendo dos capacidades para poder cumplirlo: (1) Explicar su razonamiento o base del conocimiento. Los sistemas expertos se deben realizar siguiendo ciertas reglas o pasos comprensibles de manera que se pueda generar la explicación para cada una de estas reglas, que a la vez se basan en hechos. (2) Adquisición de nuevos conocimientos o integrador del sistema. Es un mecanismo de razonamiento que sirve para modificar los conocimientos anteriores. Sobre la base de lo anterior se puede decir que los sistemas expertos son el producto de investigaciones en el campo de la inteligencia artificial ya que esta no intenta sustituir a los expertos humanos, sino que desea ayudarlos a realizar con más rapidez y eficacia las tareas que cumplen.
Los problemas con los que pueden tratar los sistemas expertos pueden clasificarse en dos tipos: problemas esencialmente deterministas y problemas esencialmente estocásticos. Los problemas de tipo determinista pueden ser formulados usando un conjunto de reglas que relacionen varios objetos bien definidos. Los sistemas expertos que tratan problemas deterministas son conocidos como sistemas basados en reglas. En situaciones inciertas, es necesario introducir algunos medios para tratar la incertidumbre. Durante las últimas décadas han sido propuestas algunas medidas de incertidumbre. Algunos ejemplos de estas medidas son los factores de certeza, la lógica difusa, etc. Otra medida intuitiva de incertidumbre es la probabilidad, en la que la distribución vinculada de un conjunto de variables se usa para describir las relaciones de dependencia entre ellas, y se sacan conclusiones usando fórmulas muy conocidas de la teoría de la probabilidad. Los sistemas expertos que utilizan la probabilidad como medida de incertidumbre se conocen como sistemas expertos probabilísticos y la estrategia de razonamiento que usan se conoce como razonamiento probabilístico, o inferencia probabilística.
Los sistemas expertos comunes, normalmente basados en reglas, no tienen en cuenta la incertidumbre, ya que la forma de tratar los objetos y las reglas, es de tipo determinista, pero como se comento anteriormente, es frecuente la toma de decisiones en condiciones de incertidumbre, ya sea en áreas de la ingeniería, los negocios o inclusive la salud. El ejemplo que se presenta a continuación es el de un paciente que asiste al médico, con ciertos síntomas para que este le determine con base en estos, que tipo de enfermedad de las posibles padece. Se dice que el sistema no es determinista, ya que la relación entre las enfermedades y los síntomas que tiene un paciente no son deterministas, porque los mismos síntomas pueden estar presentes en distintas enfermedades. Esto crea la necesidad, de herramientas que tengan la capacidad para funcionar, en estos ambientes, una buena opción son los sistemas de tipo probabilístico. Estos como los otros, cuentan con una base de conocimiento, pero esta se forma por el espacio probabilístico, que describe el problema. El motor de inferencias se encuentra basado en probabilidades condicionales y este se encarga de actualizar dichas probabilidades con base en los hechos que observa del ambiente en que se desempeña. Para modelar de manera acertada los sistemas de tipo probabilístico, se tiene que tomar en cuenta la teoría de las probabilidades condicionales. A la probabilidad de que un evento ocurra cuando se sabe que otro evento se ha presentado previamente se llama probabilidad condicional, este tipo de probabilidad generalmente se interpreta de la siguiente manera: “la probabilidad de que ocurra un evento dado que ocurrió un evento previo“.
En los primeros sistemas expertos, se eligió la probabilidad como medida para tratar la incertidumbre pero, desgraciadamente, muy pronto se encontraron algunos problemas, debidos al uso incorrecto de algunas hipótesis de independencia, utilizadas para reducir la complejidad de los cálculos. Como resultado, en las primeras etapas de los sistemas expertos, la probabilidad fue considerada como una medida de incertidumbre poco práctica. La mayoría de las críticas a los métodos probabilísticos se basaban en el altísimo número de parámetros necesarios, la imposibilidad de una asignación o estimación precisa de los mismos, o las hipótesis poco realistas de independencia. Consecuentemente, en la literatura de la época, surgieron medidas alternativas a la probabilidad, como los factores de certeza, las credibilidades, las plausibilidades, las necesidades o las posibilidades, para tratar la incertidumbre. Sin embargo, con la aparición de las redes probabilísticas, principalmente las redes Bayesianas y Markovianas, la probabilidad ha resurgido de forma espectacular, y es, hoy en día, la más intuitiva y la más aceptada de las medidas de incertidumbre.
El método más antiguo para el tratamiento de la incertidumbre es la probabilidad. Dentro del campo de la inteligencia artificial, surgieron críticas contra el uso de métodos probabilistas en sistemas expertos, especialmente porque las hipótesis necesarias para hacer tratable el método bayesiano clásico eran incorrectas en la mayor parte de los problemas del mundo real. Esto motivó el desarrollo de otros métodos, como los factores de certeza o la lógica difusa, en que se introducen implícitamente hipótesis y aproximaciones aún más exigentes. Afortunadamente, el desarrollo de las redes bayesianas en la década de los años 1980 permitió refutar las objeciones anteriores contra el uso de la probabilidad, construyendo un modelo de razonamiento causal con un sólido fundamento teórico. Por otro lado, los diagramas de influencia, que aparecen también en la década de los años 1980, pueden considerarse como una extensión de las redes bayesianas, que por tener nodos de decisión y nodos de utilidad, permiten resolver problemas de toma de decisiones. En la década de los años 1990 ha crecido exponencialmente el número de investigadores, universidades y empresas dedicadas a este tema; actualmente existen sistemas expertos bayesianos en las especialidades más diversas, tales como los sistemas expertos médicos, las aplicaciones en ingeniería, visión artificial, comercio electrónico, informática educativa, interfaces inteligentes, etc.
