INTELIGENCIA ARTIFICIAL

UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS

Algoritmo supervisado y no supervisado

Docente:
 Ing. Roberto Carlos Arteaga Lora

Integrantes:
 Carrasco Carmona Dante Xavier

 Gayoso Rojas Ynés Jossely

 Olivera Muñoz Winter Miler

 Soplapuco Heredia Junior Augusto

 INTELIGENCIA ARTIFICIAL

ALGORITMO SUPERVISADO
SISTEMAS EXPERTOS BASADO EN REGLAS

Hay muchos casos en los que podemos resolver situaciones complejas haciendo uso de
reglas deterministas, hasta el punto de que su uso consigue sistemas automáticos que se
comportan como humanos expertos en un dominio particular permitiendo tomar decisiones
delicadas como, por ejemplo: en sistemas de control de tráfico, transacciones bancarias, o
diagnóstico de enfermedades.

Entre las opciones disponibles, los sistemas basados en reglas se han convertido en una de
las herramientas más eficientes para tratar de manera eficiente una buena colección de
problemas, ya que las reglas deterministas constituyen la más sencilla de las metodologías
utilizadas en sistemas expertos. En estos sistemas, la base de conocimiento de la que se
parte contiene las variables y el conjunto de reglas que definen el problema, y el motor de
inferencia es capaz de extraer conclusiones aplicando métodos de la lógica clásica sobre
esta base. Una regla en este contexto es una proposición lógica que relaciona dos o más
objetos del dominio e incluye dos partes, la premisa y la conclusión, que se suele escribir
normalmente como “Si premisa, entonces conclusión”. Cada una de estas partes es una
expresión lógica con una o más afirmaciones objeto-valor conectadas mediante operadores
lógicos (y, o, o no). 

MARCO CONCEPTUAL

Un sistema experto está diseñado para trabajar como si fuera una persona experta en algún
tema específico. Trata de replicar o de simular el conocimiento que han adquirido estas
personas basándose en las herramientas que ofrece la inteligencia artificial. Su función
principal es tratar de ofrecer soluciones que puedan resolver problemas prácticos o también
la creación de conocimiento nuevo.

Figura 1. Arquitectura de un Sistema Experto Basado en Reglas.  (Díez, 2010)

 INTELIGENCIA ARTIFICIAL

Analizaremos las componentes de la arquitectura general de un sistema Experto.

 Experto: es la persona que interactúa con el sistema para “transferirle su
conocimiento”, mediante la inserción de reglas.
 
 Módulo de Adquisición del Conocimiento: es la interface entre el sistema experto
basado en reglas y el humano experto, por medio del cual ingresa nuevo
conocimiento a la base de conocimientos.
 
 Base de Datos (Hechos): son los datos importantes o relevantes relacionados al
problema específico. Consta de dos partes (Grado en Ingeniería Informática, 2005):

o Permanente: son los hechos que no cambian y que siempre se presentan en

el problema.
o Temporal: son hechos variantes que cambian mientras se intenta solucionar
el problema.
Se pueden añadir y borrar los hechos de la base de datos.
 
 Base de Conocimientos (Reglas): forma en que se guarda el conocimiento
mediante el uso de reglas. Una regla es solo una parte del conocimiento con el cual
se soluciona el problema. Se almacenan con el siguiente formato:

Hipótesis (Antecedente)  Conclusión (Consecuente)

No son deducciones lógicas, sino más bien el conocimiento adquirido por un

experto.
Se les puede asignar una prioridad para tener ordenadas las reglas de acuerdo a su
importancia de aplicación. A diferencia de los hechos, las reglas pueden contener
variables. Estas variables aumentan la expresividad de las reglas, la complejidad de
su gestión y facilitan la modificación de las reglas. (Díez, 2010)
Hay ciertos sistemas que piden que las reglas cumplan ciertas
restricciones: (Cabrera, 2010-2011)

o No utilizar la disyunción (o) en la hipótesis.

o Las conclusiones solo pueden ser expresiones lógicas simples.
o Utilizar formas normales. (e.g. Forma Normal Conjuntiva)
 
 Módulo de Explicación: este es el encargado de generar los resultados o
diagnósticos para el usuario, que se han obtenido del motor de inferencia.
 
 Motor de Inferencia: es el encargado de la generación de conocimiento nuevo
utilizando el que ya se tiene, por medio de la simulación de un procedimiento de
razonamiento. Este procedimiento parte de una serie de datos hasta obtener una
solución. Hay dos técnicas de inferencia para bases de conocimiento basadas en
reglas:
 INTELIGENCIA ARTIFICIAL

o Encadenamiento hacia adelante: a partir de una base de hechos inicial y la

base de reglas se forman soluciones intermedias para poder llegar a una
consulta final o base de hechos final.

Figura 2. Encadenamiento hacia Adelante.  (Grado en Ingeniería Informática, 2005)

o Encadenamiento hacia Atrás: a partir de una consulta (objetivo) y utilizando la

base de reglas y la base de hechos inicial se plantean sub objetivos los cuales se
resuelven para dar soluciones.

Figura 3. Encadenamiento hacia Atrás.  (Grado en Ingeniería Informática, 2005)

 Interface de Usuario: es la parte del sistema experto basado en reglas con la que
interactúa el usuario.
 
 Usuario: es la persona que consulta el sistema para obtener una respuesta. Con la
información que provee se trata de generar una conclusión y si es ambigua se
obtiene más información de parte del usuario.
 
Reglas y Estrategias de Inferencia y Control
Estas son las que utiliza el motor de inferencia para poder obtener conclusiones. (Cabrera,
2010-2011) Para poder encontrar todas las posibles soluciones o conclusiones hay que
utilizar varias reglas y estrategias del sistema experto.
 INTELIGENCIA ARTIFICIAL

Las que se usan para conclusiones simples son:

 Modus Ponens: Si se tiene una regla en la cual se cumple la hipótesis, entonces se
infiere que la conclusión es cierta. Esta regla es la base de los Sistemas Expertos
Basados en Reglas.

Figura 4. Regla Modus Ponens.  (Cabrera, 2010-2011)

 Modus Tollens: Si se tiene una regla en la cual la conclusión es falsa, entonces se infiere
que la hipótesis también es falsa. Es una regla muy sencilla pero es menos utilizada que
Modus Ponens.

Figura 5. Regla Modus

Tollens.  (Cabrera, 2010-2011)

Para llegar a conclusiones compuestas se utilizan las siguientes reglas y estrategias:

 Resolución: esta también es una regla de inferencia. Tiene varios pasos:
1. Se sustituyen las reglas por expresiones lógicas equivalentes.
2. Se combinan las expresiones para formar una nueva expresión lógica.
3. Se utiliza la nueva expresión lógica para llegar a una solución.
La regla de resolución requiere utilizar los conceptos de la lógica como
combinación de expresiones lógicas y su correspondiente simplificación.
 INTELIGENCIA ARTIFICIAL

 Encadenamiento de Reglas: es la estrategia más usada. Esta se aplica cuando las

hipótesis de algunas reglas coinciden con las conclusiones de otras. De esta forma
los hechos obtenidos se usan para obtener nuevos hechos. Se realiza iterativamente
hasta que ya no hay más encadenamiento. Esta estrategia es bastante útil en
problemas donde se conocen alguno “síntomas” y se trata de llegar a un
“diagnóstico”.
 
 Encadenamiento de Reglas Orientado a un Objetivo: en esta estrategia se tiene una
variable como objetivo. Se exploran todas las reglas y se trata de encontrar una
conclusión para ese objetivo. Si no se puede llegar a una conclusión se le pide al
usuario más información para así poder encontrar un camino. A diferencia del
encadenamiento de reglas, esta estrategia es útil cuando se conocen los
“diagnósticos” y se trata de encontrar los “síntomas” que dieron lugar a esas
conclusiones.
 
 Compilación de Reglas: esta estrategia trabaja con información para llegar a
cumplir ciertos objetivos. Entonces se compilan las reglas y se escriben los
objetivos en función de los datos. Así se crean las ecuaciones objetivos.
 
Construcción de Sistemas Expertos Basados en Reglas
El encargado de esta tarea es el llamado Ingeniero de Conocimiento, el cual tiene dos tareas
o funciones principales: elegir el tipo de inferencia que usará el motor y generar la base de
conocimiento. (Fernández, 2008) En el tipo de inferencia hay que decidir si se utilizar
encadenamiento hacia adelante o hacia atrás, esto se realiza de acuerdo a como los hechos
se relacionan con las conclusiones inferidas. Esto depende también de la aplicación que
tendrá el sistema experto que se construye.
Para generar la base de conocimientos se realiza una adquisición de conocimiento. Se
podría decir que esta es la parte en la que se “enseña” al sistema a ser un experto en la
materia. Este conocimiento puede provenir de diversas fuentes, como ser: libros, manuales,
bases de datos o de personas expertas en el tema. Es muy importante que el Ingeniero de
Conocimiento se empape suficientemente del tema para así poder descubrir las reglas que
formaran parte de la base de conocimiento.
El ingeniero debe de verificar que los conocimientos adquiridos por el sistema sean válidos.
La mejor forma de hacerlo es mediante entrevistas, cuestionarios planteados al experto en
la materia para así poder validar toda la información. Siempre es recomendable utilizar
además técnicas automáticas para agilizar el proceso de adquisición de conocimiento, ya
que los algoritmos eligen las reglas que optimizan el sistema y reducen el tiempo de
ejecución del motor de inferencia.
 
 INTELIGENCIA ARTIFICIAL

Aplicaciones de los Sistemas Expertos Basados en Reglas

Los campos en los que más se han desarrollado sistemas expertos basados en reglas son los
siguientes: (Alejandro, 2011)
 Medicina
 Geología
 Química
 Economía
 Ingeniería Civil
Solo que no todos los problemas en estas áreas, sino aquellos que se prestan para utilizar la
técnica de sistemas basados en reglas:
 Clasificación o interpretación.
 Diagnóstico: médico o técnico
 Predicción y previsión
 Diseño y configuración
 Planeación
 Monitoreo y control
 Vigilancia y alarma
 Manual de instrucciones
Recordemos que un sistema basado en reglas es determinístico, por lo tanto este es el tipo
de aplicaciones que puede tener. Cuando existe un grado de incertidumbre o error el
problema es probabilístico, en ese caso ya no sería conveniente aplicar un sistema basado
en reglas.

Ejemplos de Sistemas Expertos Basados en Reglas

 Sistemas Basados en Reglas y en Casos para diseñar transmisiones por tornillo
sinfín (Moya Rodríguez, Becerra Ferreiro, & Chagoyén Méndez, 2012)
Es un sistema diseñado para transmisiones por tornillo sin fin. Ya sea de diseño
tradicional o de Ingeniería Inversa. Esto se debe a que para encontrar una solución
dicho sistema realiza una búsqueda heurística y no sigue un algoritmo
predeterminado 
 
 Sistema Experto Basado en Reglas para Determinar Tipos de Demandas
Jurídicas (Computación, 2008)
Un sistema experto basado en reglas y un algoritmo orientado a un objetivo, que
permitirá decidir el tipo de demanda al que pertenece algún caso jurídico presentado
al sistema, de este modo este sistema contribuirá a solucionar los problemas más
frecuentes a los que se enfrentan los estudiantes de derecho por ejemplo para
aprender a clasificar casos jurídicos más comunes , los profesionales en derecho
para poder tener un desahogo de los casos más triviales y así poder ocuparse en el
 INTELIGENCIA ARTIFICIAL

manejo de problemas más complejos, y usuarios en general para poder recurrir al

especialista en derecho adecuado según su caso
 
 SISTEMA EXPERTO BASADO EN REGLAS PARA UNA APLICACIÓN DE
MONITORIZACIÓN DE PRODUCCIÓN INDUSTRIAL (Robles, 2013)
El software edinn® M2 es un sistema que monitoriza automáticamente en tiempo
real a las personas y las máquinas de cualquier sector, e integra las funciones y
estándares necesarios para la mejora total de la eficiencia.
 
VENTAJAS E DESVENTAJAS
Entre las ventajas de los Sistemas Basados en Reglas, podemos destacar:

1. Representan de forma natural el conocimiento explícito de los expertos:

normalmente, los expertos humanos explican el procedimiento de resolución de
problemas por medio de expresiones del tipo "Si estamos en esta situación, entonces
yo haría esto...", que se adapta fielmente al modelo seguido aquí.

2. Estructura uniforme: Todas las reglas de producción tienen la misma estructura

"Si... entonces...". Cada regla es una pieza de conocimiento independiente de las
demás.

3. Separación entre la base de conocimiento y su procesamiento.

4. Capacidad para trabajar con conocimiento incompleto e

incertidumbre (introduciendo variantes).

Entre las desventajas principales que han llevado a complementarlo o sustituirlo con otros
procedimientos de razonamiento podemos destacar:

1. Relaciones opacas entre reglas: Aunque las reglas de producción son muy simples
desde un punto de vista individual, las interacciones que se producen a larga
distancia entre la red de reglas existentes pueden ser muy opacas, lo que hace que
generalmente sea difícil saber qué papel juega una regla en particular en la
estrategia global de razonamiento que hay detrás.

2. Estrategias de búsqueda muy ineficientes: esencialmente, el motor de inferencia

realiza una búsqueda exhaustiva en todas las reglas en cada ciclo de iteración, por lo
que los sistemas de reglas con muchas reglas (que pueden llegar a ser miles) son
lentos y, a menudo, inviables en problemas del mundo real.

3. Incapaz de aprender: los sistemas de reglas sin aditivos no son capaces de aprender
de la experiencia, por lo que haber extraído un conocimiento nuevo del sistema no
 INTELIGENCIA ARTIFICIAL

proporciona métodos para poder aprender más cosas de forma más rápida
posteriormente.

CONCLUSIONES E IMPLICACIONES
Así como una persona que tiene un amplio conocimiento en un determinado tema, un
sistema experto puede simular adquirir y almacenar ese conocimiento. El sistema basado en
reglas, uno de los más sencillos, permite generar un sistema experto mediante la creación
de una base de conocimiento que consta de una serie de reglas, las cuales permiten llegar a
una conclusión o solución a partir de las premisas (información o hechos de entrada al
sistema).
Al ser sistemas muy rígidos, solo permiten resolver problemas deterministas, ya que no dan
lugar a un error o incertidumbre. Pero como vemos la cantidad de problemas que se pueden
resolver es muy grande y se han desarrollado sistemas expertos basados en reglas para dar
solución a múltiples problemas, problemas en los cuales se consulta al sistema de una
manera similar a como se consulta un experto en la materia.
No se pretende eliminar a las personas expertas en la materia, ya que se depende de ellos
para crear este tipo de sistemas expertos, sino brindar una alternativa para personas que no
tienen acceso a los expertos ya sea por cuestiones de tiempo, distancia o finanzas. De
manera automática e incluso en línea se pueden brindar soluciones a un mayor número de
usuarios que consultando a una persona experta.

Bibliografía
Alejandro, B. R. (2013). Monografía Sobre Sistemas Expertos. Argentina: Universidad Nacional del
Nordeste.

Cabrera, L. V. (2011). Sistemas Basados en Reglas. Sevilla: Unversidad de Sevilla.

 INTELIGENCIA ARTIFICIAL

ALGORITMO NO SUPERVISADO
ALGORITMO KMEANS
Puede ser utilizado para:

- Segmentación de clientes
- Detección de genes que se comportan de la misma manera
- Análisis de relaciones en redes sociales
- Agrupación de documentos
- Recomendaciones musicales o de contenidos

Es un método no supervisado que sirve para hacer agrupaciones de objetos o individuos en base a la
similitud de sus características.

VENTAJAS
- Fácil de implementar
- Es útil para segmentar grandes cantidades de datos
- Computacionalmente es menos costoso que el clustering jerárquico
- Ha sido utilizado con bases de datos reales, dando buenos resultados

DESVENTAJAS
- Se necesita conocer de antemano la cantidad de clusters a formar
- Debido a que los grupos se forman en base a las distancias, solamente maneja variables
numéricas
- La calidad de los clusters depende en gran medida de los valores con los que se
inicializa el algoritmo
- Puede ser optimo localmente, pero no globalmente
- El resultado se ve muy afectado por los valores atípicos

VARIANTES DE K-Means
K-Modas:
 INTELIGENCIA ARTIFICIAL

- Utiliza modas en lugar de medias.

- Maneja variables categóricas.
K-Medoids:

- Es más robusto a ruido y valores atípicos

- En lugar de utilizar centroides, utiliza individuos que se encuentran más centrados con
respecto al cluster.
Mini-Batch K-Means: utilizando Big Data

- Divide las bases de datos en subconjuntos que se van procesando en cada paso del
algoritmo.

La cantidad de clusters a crear puede depender entre otras cosas de:

- La estrategia del negocio

- Las limitaciones del sistema que estamos analizando

ACCIONES PREVIAS PARA K-Means

- Remover outliers
- Normalizar valores en caso de que estos no sean comparables
- Determinar la cantidad de clusters a formar

Si no contamos con información previa, podemos utilizar para determinar la cantidad de clusters:

- Codo de Jambú
- Coeficiente de silueta
- Indice de Dunn
- Davies-Bouldin Index
- Clustering jerárquico

SIMILITUDES
- Se pueden utilizar en complemento para dar un diagnóstico.

DIFERENCIAS

SISTEMAS EXPERTOS
K MEANS
BASADOS EN REGLAS
 INTELIGENCIA ARTIFICIAL

NO SE SABE COMO VA
PREDICE RESPUESTAS
AGRUPAR LOS ATRIBUTOS EL
MEDIANTE REGLAS.
ALGORITMO.

ES MAS DIFÍCIL, YA QUE SE

ES MÁS FÁCIL.
TIENE POCA INFORMACIÓN.

OFRECE SOLUCIONES QUE

PUEDAN RESOLVER UN AGRUPA EN ATRIBUTOS
PROBLEMA MEDIANTE SEMEJANTES.
REGLAS.