Sunteți pe pagina 1din 4

4.3.1.

El componente de adquisicin

Un buen componente de adquisicin ayudar considerablemente la labor del ingeniero del conocimiento.
Este puede concentrarse principalmente en la estructuracin del conocimiento sin tener que dedicar
tanto tiempo en la actividad de programacin.

Este componente controla el flujo del nuevo conocimiento que fluye del experto humano a la base de
datos. El sistema determina qu nuevo conocimiento se necesita, o si el conocimiento recibido es en
realidad nuevo, es decir, si debe incluirse en la base de datos y, en caso necesario, incorpora estos
conocimientos a la misma.

Requisitos o caractersticas del componente de adquisicin:

1. El conocimiento, es decir, las reglas, los hechos, las relaciones entre los hechos, etc.., debe
poder introducirse de la forma ms sencilla posible.
2. Posibilidades de representacin clara de todas las informaciones contenidas en una base de
conocimientos.
3. Comprobacin automtica de la sintaxis.
4. Posibilidad constante de acceso al lenguaje de programacin.

La puesta en prctica cada uno de los requisitos depender del lenguaje de programacin elegido y del
hardware que se tenga. El experto deber estar algo familiarizado con el componente de adquisicin
para poder realizar modificaciones por s slo.

El mdulo de adquisicin del conocimiento permite que se puedan aadir, eliminar o modificar
elementos de conocimiento (en la mayora de los casos reglas) en el SE. Si el entorno es dinmico,
entonces este componente es muy necesario, puesto que el sistema funcionar correctamente slo si se
mantiene actualizado su conocimiento. El mdulo de adquisicin permite efectuar ese mantenimiento,
anotando en la base de conocimientos los cambios que se producen.

4.3.2. Control de Coherencia

El subsistema de control de la coherencia ha aparecido en los sistemas expertos muy recientemente.


Sin embargo, es una componente esencial de un sistema experto. Este subsistema controla la
consistencia de la base de datos y evita que unidades de conocimiento inconsistentes entren en la
misma. En situaciones complejas incluso un experto humano puede formular afirmaciones
inconsistentes. Por ello, sin un subsistema de control de la coherencia, unidades de conocimiento
contradictorio pueden formar parte de la base de conocimiento, dando lugar a un comportamiento
insatisfactorio del sistema.

Es tambin comn, especialmente en sistemas con mecanismos de propagacin de incertidumbre, que


se llegue a conclusiones absurdas o en conflicto como, por ejemplo, situaciones en las que el sistema
genera probabilidades mayores que la unidad o negativas. Por ello, el subsistema de control de
coherencia comprueba e informa a los expertos de las inconsistencias. Por otra parte, cuando se solicita
informacin de los expertos humanos, este subsistema informa sobre las restricciones que esta debe
cumplir para ser coherente con la existente en la base de conocimiento. De esta forma, ayuda a los
expertos humanos a dar informacin fiable.

4.3.3. Motor de Inferencia

El motor de inferencia es el corazn de todo sistema experto. El cometido principal de esta componente
es el de sacar conclusiones aplicando el conocimiento a los datos. Por ejemplo, en diagnstico mdico,
los sntomas de un paciente (datos) son analizados a la luz de los sntomas y las enfermedades y de
sus relaciones (conocimiento).

Las conclusiones del motor de inferencia pueden estar basadas en conocimiento determinista o
conocimiento probabilstico. Como puede esperarse, el tratamiento de situaciones de incertidumbre
(probabilsticas) puede ser considerablemente ms difcil que el tratamiento de situaciones ciertas
(deterministas).

En muchos casos, algunos hechos (datos) no se conocen con absoluta certeza. Por ejemplo, pinsese
en un paciente que no est seguro de sus sntomas. Puede darse el caso de tener que trabajar con
conocimiento de tipo no determinista, es decir, de casos en los que se dispone slo de informacin
aleatoria o difusa. El motor de inferencia es tambin responsable de la propagacin de este
conocimiento incierto. De hecho, en los sistemas expertos basados en probabilidad, la propagacin de
incertidumbre es la tarea principal del motor de inferencia, que permite sacar conclusiones bajo
incertidumbre. Esta tarea es tan compleja que da lugar a que esta sea probablemente la componente
ms dbil de casi todos los sistemas expertos existentes.

El mecanismo de inferencia de un sistema experto puede simular la estrategia de solucin de un


experto. Es la unidad lgica con la que se extraen conclusiones de la base de conocimiento, segn un
mtodo fijo de solucin de problemas que esta configurado, limitando el procedimiento humano de los
expertos para solucionar problemas.
Una conclusin se produce mediante aplicacin de las reglas sobre hechos presentes. Las funciones de
mecanismo de inferencia son:

1. Determinacin de las acciones que tendrn lugar, el orden en que lo harn y cmo lo harn entre
las diferentes partes del sistema experto.

2. Determinar cmo y cundo se procesarn las reglas, y dado el caso tambin la eleccin de qu
reglas debern procesarse.

3. Control del dilogo con el usuario.

El motor de inferencias utiliza los datos que se le suministran y recorre la base de conocimientos para
alcanzar una solucin. La estrategia de control puede ser de encadenamiento progresivo o de
encadenamiento regresivo. En el primer caso se comienza con los hechos disponibles en la base de
datos, y se buscan reglas que satisfagan esos datos, es decir, reglas que verifiquen la parte SI.
Normalmente, el sistema sigue los siguientes pasos:

1. Evaluar las condiciones de todas las reglas respecto a la base de datos, identificando el conjunto
de reglas que se pueden aplicar (aquellas que satisfacen su parte condicin).

2. Si no se puede aplicar ninguna regla, se termina sin xito; en caso contrario se elige cualquiera de
las reglas aplicables y se ejecuta su parte accin (esto ltimo genera nuevos hechos que se aaden a la
base de datos).

3. Si se llega al objetivo, se ha resuelto el problema; en caso contrario, se vuelve al paso 1

A este enfoque se le llama tambin guiado por datos, porque es el estado de la base de datos el que
identifica las reglas que se pueden aplicar. Cuando se utiliza este mtodo, el usuario comenzar
introduciendo datos del problema en la base de datos del sistema.

Al encadenamiento regresivo se le suele llamar guiado por objetivos, ya que, el sistema comenzar por
el objetivo (parte accin de las reglas) y operar retrocediendo para ver cmo se deduce ese objetivo
partiendo de los datos. Esto se produce directamente o a travs de conclusiones intermedias o
subobjetivos. Lo que se intenta es probar una hiptesis a partir de los hechos contenidos en la base de
datos y de los obtenidos en el proceso de inferencia.

En la mayora de los sistemas expertos se utiliza el encadenamiento regresivo. Este enfoque tiene la
ventaja de que el sistema va a considerar nicamente las reglas que interesan al problema en cuestin.
El usuario comenzar declarando una expresin E y el objetivo del sistema ser establecer la verdad de
esa expresin.
Para ello se pueden seguir los siguientes pasos:

1. Obtener las reglas relevantes, buscando la expresin E en la parte accin (stas sern las que
puedan establecer la verdad de E)

2. Si no se encuentran reglas para aplicar, entonces no se tienen datos suficientes para resolver el
problema; se termina sin xito o se piden al usuario ms datos.

3. Si hay reglas para aplicar, se elige una y se verifica su parte condicin C con respecto a la base de
datos.

4. Si C es verdadera en la base de datos, se establece la veracidad de la expresin E y se resuelve


el problema.

5. Si C es falsa, se descarta la regla en curso y se selecciona otra regla.

6. Si C es desconocida en la base de datos (es decir, no es verdadera ni falsa), se le considera como


subobjetivo y se vuelve al paso 1 (C ser ahora la expresin E).

Existen tambin enfoques mixtos en los que se combinan los mtodos guiados por datos con los
guiados por objetivos.