UNIDAD I - INTELIGENCIA ARTIFICIAL
Que entiende usted por inteligencia artificial?
Actualmente, la inteligencia artificial (IA) es uno de los temas que más invita a la reflexión en el campo de la tecnología y los negocios. Este entusiasmo tiene fundamentos: vivimos en un mundo cada vez más conectado e inteligente. Hoy en día, se puede fabricar un coche, componer Jazz mediante un algoritmo o conectar su CRM a su bandeja de entradapara dar prioridad a los correos más importantes. La tecnología detrás de todos estos avances está relacionada con la Inteligencia artificial (IA).
En esta publicación le hablaremos sobre:
- La definición de Inteligencia artificial
- La historia de la Inteligencia artificial
- Cómo funciona la IA
- Una descripción general de las principales técnicas de la IA
Específicamente, le mostraremos algunas aplicaciones prácticas en la CRM, ventas, atención al cliente y marketing. Además, sepa más con el libro electrónico Inteligencia artificial para CRM: una guía práctica de todo lo que necesita saber.1. Definición de Inteligencia artificial
- Ejemplos del uso de la Inteligencia artificial en los negocios
La Inteligencia artificial es el campo científico de la informática que se centra en la creación de programas y mecanismos que pueden mostrar comportamientos considerados inteligentes. En otras palabras, la IA es el concepto según el cual “las máquinas piensan como seres humanos”.
Normalmente, un sistema de IA es capaz de analizar datos en grandes cantidades (big data), identificar patrones y tendencias y, por lo tanto, formular predicciones de forma automática, con rapidez y precisión. Para nosotros, lo importante es que la IA permite que nuestras experiencias cotidianas sean más inteligentes. ¿Cómo? Al integrar análisis predictivos (hablaremos sobre esto más adelante) y otras técnicas de IA en aplicaciones que utilizamos diariamente.
- Siri funciona como un asistente personal, ya que utiliza procesamiento de lenguaje natural
- Facebook y Google Fotos sugieren el etiquetado y agrupamiento de fotos con base en el reconocimiento de imagen
- Amazon ofrece recomendaciones de productos basadas en modelos de canasta de compra
2. Breve historia de la Inteligencia artificial
- Waze brinda información optimizada de tráfico y navegación en tiempo real
La mayoría de nosotros tenemos un concepto de la Inteligencia artificial alimentado por las películas de Hollywood. Exterminadores, robots con crisis existenciales y píldoras rojas y azules. De hecho, la IA ha estado en nuestra imaginación y en nuestros laboratorios desde 1956, cuando un grupo de científicos inició el proyecto de investigación “Inteligencia artificial” en Dartmouth College en los Estados Unidos. El término se acuñó primero ahí y, desde entonces, hemos presenciado una montaña rusa de avances (“¡Vaya! ¿Cómo sabe Amazon que quiero este libro?”), así como frustraciones (“esta traducción es completamente errónea”).
Al inicio del proyecto, el objetivo era que la inteligencia humana pudiera ser descrita de forma tan precisa que una máquina fuera capaz de simularla. Este concepto también fue conocido como “IA genérica” y fue esta la idea que alimentó la (asombrosa) ficción que nos daría entretenimiento ilimitado.
Sin embargo, la IA derivó en campos específicos. Con el paso del tiempo, la ciencia evolucionó hacia áreas de conocimiento específicas, y fue entonces que la IA comenzó a generar resultados significativos en nuestras vidas. Fue una combinación entre el reconocimiento de imagen, el procesamiento de lenguaje, las redes neuronales y la mecánica automotriz lo que hizo posible un vehículo autónomo. En ocasiones, el mercado se refiere a este tipo de avances como “IA débil”.
La siguiente tabla muestra algunos acontecimientos importantes en la historia de la Inteligencia Artificial.
3. Técnicas principales de la Inteligencia artificial
Año Acontecimiento
Ahora que ya conoce la definición de la IA y más de su historia, la mejor forma de profundizar en el tema es conocer las principales técnicas de la IA, específicamente, los casos en los que la Inteligencia artificial se utiliza para los negocios.
Aprendizaje automático
Generalmente, el concepto de Aprendizaje automático se confunde con el de “IA débil”. Es en este campo en donde los avances más importantes de la IA se están llevando a cabo. En términos prácticos, “el Aprendizaje automático es la ciencia que se encarga de hacer que las computadoras realicen acciones sin necesidad de programación explícita”. La idea principal aquí es que se les puede proporcionar datos a los algoritmos de Aprendizaje automático y luego usarlos para saber cómo hacer predicciones o guiar decisiones.
Algunos ejemplos de algoritmos de Aprendizaje automático incluyen los siguientes: diagramas de decisiones, algoritmos de agrupamiento, algoritmos genéticos, redes Bayesianas y Aprendizaje profundo.
Aprendizaje profundo
¿Recuerda cuando Google anunció un algoritmo que encontraba videos de gatos en Youtube? (Si desea refrescar su memoria haga clic aquí). Pues bien, esto es Aprendizaje profundo, una técnica de Aprendizaje automático que utiliza redes neuronales (el concepto de que las neuronas se pueden simular mediante unidades computacionales) para realizar tareas de clasificación (piense en clasificar una imagen de un gato, de un perro o personas, por ejemplo).
Algunos ejemplos de aplicaciones prácticas del Aprendizaje profundo son las siguientes: identificación de vehículos, peatones y placas de matrícula de vehículos autónomos, reconocimiento de imagen, traducción y procesamiento de lenguaje natural.
Descubrimiento de datos inteligentes
Es el próximo paso en soluciones de IE (Inteligencia empresarial). La idea consiste en permitir la automatización total del ciclo de la IE: la incorporación y preparación de datos, el análisis predictivo y los patrones y la identificación de hipótesis. Este es un ejemplo interesante de la recuperación de datos inteligentes en acción. La información que ninguna herramienta de IE había descubierto.
Análisis predictivo
Piense en ese momento en el que está contratando un seguro para auto y el agente le hace una serie de preguntas Estas preguntas están relacionadas a las variables que influyen en su riesgo. Detrás de estas preguntas se encuentra un modelo predictivo que informa sobre la probabilidad de que ocurra un accidente con base en su edad, código postal, género, marca de auto, etc. Es el mismo principio que se emplea en los modelos predictivos de crédito para identificar a los buenos y malos pagadores. Por lo tanto, el concepto principal de análisis predictivo (o modelado) significa que se puede utilizar un número de variables (ingresos, código postal, edad, etc.) combinadas con resultados (por ejemplo, buen o mal pagador) para generar un modelo que proporcione una puntuación (un número entre 0 y 1) que representa la probabilidad de un evento (por ejemplo, pago, migración de clientes, accidente, etc.).
Los casos de uso en los negocios son amplios: modelos de crédito, modelos de segmentación de clientes (agrupamiento), modelos de probabilidad de compra y modelos de migración de clientes, entre otros.
4. Ejemplos del uso de la Inteligencia artificial en los negocios
“Parece interesante... Pero, ¿qué nos ofrece la IA que no tengamos ya?”
Existe una gran cantidad de aplicaciones para IA en los negocios. En esta publicación nos vamos a centrar en un aspecto fundamental: el cliente. La IA está transformando las expectativas de los clientes. Por ejemplo, el cliente que organiza su vida desde aplicaciones como Uber, Google y Amazon. Estos clientes saben que las empresas disponen de información sobre ellos y, lo que es más importante, saben lo que las empresas podrían hacer con esta información para proporcionar una experiencia de atención al cliente excepcional. Por ejemplo, los millenials están obsesionados con la experiencia de atención al cliente (es decir, todo debe ser sencillo, rápido e inteligente).
Esta es una lista de algunos ejemplos prácticos de cómo la IA está transformando los procesos empresariales.
Inteligencia artificial para ventas
La IA ofrece una mayor productividad para los equipos de ventas, ya que permite centrarse en las oportunidades que pueden llevar al éxito, así como ahorrar tiempo al personal de ventas durante el registro de información. Veamos algunos ejemplos a continuación:
- Captura automáticamente las actividades de ventas, lo que significa que el personal de ventas no tiene que dedicar tiempo al llenado de la base de datos del CRM;
- Registra automáticamente los datos del cliente, por ejemplo, registros de navegación del sitio web y conexiones al sitio web, entre otros;
- Sugiere la mejor acción de seguimiento y recomienda respuestas de correo electrónico al conectar la información del CRM a la bandeja de entrada;
Inteligencia artificial para Atención al cliente
- Valoración predictiva de prospectos: mediante el análisis predictivo, el sistema podrá indicar la probabilidad de que un prospecto se convierta en una venta. Más interesante aún, el sistema le indicará por qué se llegó a esta puntuación (p. ej., canal de acceso del prospecto, sector, etc.). Por ejemplo, Salesforce Einstein, tendrá la funcionalidad de puntuación predictiva de prospectos.
Clasificación automática de los casos de atención al cliente, lo que evita depender del agente de atención al cliente a la hora de tener que tomar una decisión y, por lo tanto, ahorra tiempo al agente.
Enrutamiento automático de casos una vez que la llamada se ha clasificado automáticamente, el sistema ya puede reenviar la llamada al agente mejor calificado para determinar el tipo de problema.
Recomendación de soluciones y bases de conocimiento. Esto aumenta la productividad y la calidad de un servicio, al sugerir la solución con mayores probabilidades de resolver el problema del cliente.
Comunicaciones de autoservicio. Research muestra que la generación actual de clientes prefiere el autoservicio (por ejemplo, portal o aplicación del cliente) en lugar de llamar por teléfono a un centro de atención. Gracias a la IA, las comunidades de servicios serán más inteligentes, por ejemplo, al personalizar el entorno que depende del cliente y sugerir soluciones de forma automática, ej. utilizar el reconocimiento de imagen para identificar el producto que está en una foto tomada por el cliente.
Por ejemplo, los bots conversacionales le permiten al cliente enviar mensajes de texto para establecer comunicación.
Inteligencia artificial para marketing
El marketing es una disciplina que se ha vuelto cada vez más analítica y cuantitativa a lo largo de los años. Muchas de las técnicas de Análisis predictivo y de IA se aplican principalmente en el Marketing, por ejemplo, modelado predictivo para la migración de clientes, probabilidad de compras y modelos de agrupamiento para la segmentación de clientes.
Estos son algunos de los nuevos avances de la IA en el marketing, de forma específica, algunas funcionalidades de Marketing Cloud Einstein.
Puntuación predictiva por correo electrónico: le permite a los profesionales de marketing saber (antes de lanzar una campaña de marketing para correo electrónico) cuál es la probabilidad de que sus clientes respondan a la campaña; o bien, la abandonen. El objetivo aquí es anticipar la respuesta del cliente para ofrecer viajes verdaderamente personalizados;
Audiencias predictivas: con base en la puntuación predictiva, será posible segmentar mejor su base de clientes y prospectos en función de un comportamiento predictivo al agrupar a personas que tienen puntos en común. Cuanto mayor sea la segmentación, mejor será la conversión;
Optimización del tiempo de envío: ¿es mejor enviar una campaña a las 2 p. m. o a las 4 a. m.? Con la optimización del tiempo de envío, el algoritmo de IA le indicará la hora en que será más probable que cada contacto en su base de clientes abra un correo electrónico y participe en su campaña.
La Inteligencia artificial está transformando nuestras vidas y revolucionará rápidamente la manera en la que trabajamos.
Problemas de la inteligencia artificial - procesos cognitivos
DesarrolloLa analogía entre la mente humana y los sistemas artificiales de cómputo, fue incluso propuesta antes del surgimiento de los ordenadores. El matemático Turing describió una maquina hipotética denominada máquina universal, a través de la cual demostraba que se podían simular cualquier cómputo incluyendo los comportamientos inteligentes humanos. Posteriormente, matemáticos e ingenieros comenzaron el diseño de nuevas máquinasque se alejaban del paradigma de la máquina de Newton. Los nuevos principios apuntaban hacia las ideas de Turing, y con ello el surgimiento del ordenador, y los sistemas de control.
El surgimiento, desarrollo e investigación de los ordenadores proporcionaron a la psicología y a la neuropsicología una analogía funcional muy relevante para su estudio. La similitud funcional entre mente-ordenador fue el factor más determinante para el desarrollo actual de la psicología cognitiva. Los siguientes ejemplos justifican esta realidad: mientras que los sistemas de cómputo de propósito general se pueden programar para cualquier tipo de cómputo, el sistema nervioso humano tiene una gran versatilidad funcional al punto de poderse categorizar también como un procesador de propósito general. Tanto la mente como el ordenador en su condición de sistemas de propósito general realizan operaciones y procesos similares como codificar, retener y operar con símbolos y crear representaciones internas.
Las similitudes anteriormente expuestas han sido explotadas de forma bidireccional. Por su parte, los programas de inteligencia artificial desarrollados desde la computación extrapolan al lenguaje del ordenador las ideas sobre el funcionamiento mental humano. Del otro lado, los psicólogos cognitivos, toman como modelo el ordenador y sus principios de funcionamiento para desarrollar hipótesis psicológicas e interpretaciones teóricas. En la medida en que estos (Programas IA) mimeticen comportamientos inteligentes humanos, nos aportaran información relevante sobre el propio sistema cognitivo humano (Pylyshyn, 1978).
Detrás de esta analogía, donde intervienen elementos estructurales de naturalezas muy distintas: circuitos de silicio con escasas conexiones entre sí en el caso del ordenador y neuronas como células básicas del sistema nervioso con procesos bioquímicos de trasmisión de señales en el caso de la mente humana, subyace un proceso común al cual se le abren nuevas puertas para su estudio: el aprendizaje.
Las primeras aportaciones al aprendizaje desde esta analogía y con ella desde la neuropsicología cognitiva, lo constituye el nuevo lenguaje que se desprende de ella. Un nuevo vocabulario, directrices e instrumentación adecuada para el estudio de la mente humana y los procesos de aprendizaje: procesamiento de información, codificación, almacenamiento, recuperación, búsqueda de información, memoria operativa, memoria a largo plazo, buffers, etc. Esto, ha proporcionado nuevas perspectivas y soluciones a viejos problemas del aprendizaje.
La Inteligencia Artificial recibe influencias de diferentes áreas del saber: Filosofía, Matemática, Psicología, Biología, Computación, entre otras y es abordada de manera interdisciplinaria. Sus aplicaciones involucra una gran cantidad de áreas tanto genéricas, dentro de ellas: aprendizaje, percepción, resolución de problemas; como específicas: juegos de ajedrez, diagnostico, entre otras.Desde la informática educativa la Inteligencia Artificial (IA) (Bratko, 1990) es una de las ramas de la ciencia más sobresaliente en la actualidad. Aunque no existe una definición única y rigurosa para este término, se encuentran en la literatura diferentes conceptos según sus autores, puede tratársele por ejemplo como el estudio de los agentes que reciben percepciones del entorno y llevan a cabo las acciones (Russell, 2004).
Su área de desarrollo está dedicada a la creación de hardware y software que imitan el pensamiento humano, ocupándose de campos como: el procesamiento de lenguaje natural, la robótica, el reconocimiento de imágenes, la educación, la programación automática y los sistemas expertos, entre otros. Todas estas potencialidades no son un fin en sí mismo, sino que se proponen proveerle al hombre herramientas poderosas para asistir su trabajo. Un sistema computacional es inteligente entre tanto tenga las siguientes capacidades: procesamiento del lenguaje natural, representación del conocimiento, razonamiento y aprendizaje.
Se requiere aprovechar las potencialidades de la complementación que se logra en el campo de la ciencia cognitiva con los aportes de la psicología cognitiva y el desarrollo computacional. Estas dos áreas del saber tienen un punto de convergencia en la Inteligencia Artificial (IA), luego las herramientas de informática educativa y particularmente aquellas destinadas al diagnóstico, que aprovechan estas potencialidades resultan en múltiples beneficios.
Particularmente para los especialistas del campo de la psicopedagogía, el uso de herramientas de informática educativa basadas en inteligencia artificial y con la capacidad de brindar resultados en materia de evaluación y diagnóstico de riesgos psicopedagógico, presupone un aporte importante en la ayuda a la toma de decisiones, dando como resultados herramientas capaces de auxiliar su trabajo.
El desarrollo actual de las herramientas automatizadas aplicadas al campo del diagnóstico
El acercamientos a los modelos utilizados actualmente para el desarrollo de herramientas de informática educativa encaminadas al diagnóstico, evidencia la tendencia al uso predominante de dos sistemas: los denominados Sistemas Expertos (SE) o Sistemas Basados en el Conocimiento (SBC) y los Sistemas Tutoriales Inteligentes (STI).
En el presente capítulo se aborda ampliamente las definiciones y características de ambos sistemas, para los fines de este epígrafe basta mencionar que los Sistemas Expertos son herramientas informáticas basadas en Inteligencia Artificial, que utilizan la experiencia humana almacenada y un mecanismo de inferencia inteligente para ofrecer soluciones a problemas complejos como lo haría un experto humano. Por otra parte, los STI son igualmente herramientas informáticas basadas en Inteligencia Artificial orientadas al desarrollo de evaluaciones inteligentes de los sujetos.
En el campo del diagnóstico, se han desarrollado varios Sistemas Expertos (médicos o técnico) que han logrado un gran impacto. El mencionado sistema MYCIN (para la consulta y diagnóstico de la meningitis) desarrollado en el año 1972 es un Sistema Basado en Reglas que permitía detectar trastornos en la sangre a partir de un conjunto de síntomas y recetar el medicamento correspondiente. Es uno de los sistemas expertos más estudiados por su gran éxito. Fue uno de los primeros en emplear reglas de producción y métodos de inferencia con encadenamiento regresivo.
Otras aplicaciones de diagnóstico se desarrollan en Sabirmedical, una empresa de investigación básica centrada en el desarrollo de nuevas tecnologíaspara el diagnóstico y la atención domiciliaria de los pacientes, tareas para las cuales se han desarrollado Sistemas Expertos (Albericio, 2010).
Otros ejemplos de SBC aplicados al diagnóstico son:
CASEY: es un sistema de diagnóstico basado en casos. Como entrada toma una descripción de su nuevo paciente, incluyendo muestras normales y presentándolas como síntomas. Su salida es una explicación causal de los desórdenes que tiene el paciente.
CASEY: para el diagnóstico de pacientes. La diagnosis la realiza en dos pasos: primero busca en la memoria casos y utiliza reglas de evidencia basadas en el modelo para determinar cuáles de los casos que ajustan parcialmente son suficientemente similares al nuevo problema para proporcionar una diagnosis precisa. Después aplica reglas de reparación basadas en el modelo (estrategias de adaptación) para adaptar el diagnóstico antiguo a la nueva situación.
En cuanto al uso de los STI en el área de diagnóstico, son varios los sistemas desarrollados, uno de ellos que sobresale por ser diseñado para nuestro contexto es el STIITS: "un sistema tutorial inteligente para diagnóstico y tratamiento de Infecciones de Transmisión Sexual (ITS), que fue desarrollado por la Universidad de Cienfuegos en conjunto con especialistas de segundo grado del hospital Dr. Gustavo Aldereguía Lima" (Toledo, 2008, p.1).
Se encuentra además numerosas herramientas informáticas cuya aplicación está dirigida directamente a la evaluación y el diagnóstico psicoeducativo (Belloch, 2015):
Sosia: (Gordon, L.V., ECPA y TEA Ediciones). Test informatizado que engloba todas las características subyacentes de la persona, relacionadas con una actuación de éxito en un puesto de trabajo.
TEPO: Test de Entrenamiento para Opositores. La finalidad de este test on-line es el entrenamiento y la familiarización con este tipo de pruebas y ayudar a los opositores a evitar el miedo ante el examen.
BAMI: Batería de aptitudes mentales (N. Seisdedos y J. Carrasco). BAMI es una herramienta informatizada, para la aplicación y corrección de una completa batería de aptitudes intelectuales mediante ordenador: Aptitud numérica, Razonamiento verbal, Aptitud espacial, Memoria, Atención/percepción, Flexibilidad cognitiva y Comprensión mecánica.
TRASI: Test informatizado para la evaluación del razonamiento secuencial y la instrucción. TRASI: Es el primer test adaptativo informatizado comercializado en Europa.
EXHCOBA: Examen de habilidades y conocimientos básicos. Desarrollado por el Instituto de Investigación y Desarrollo Educativo (IIDE) de la Universidad Autónoma de Baja California (UABC), para ser utilizado en las pruebas de admisión a la universidad.
Los Sistemas Expertos como alternativa para el diagnóstico de los riesgos psicopedagógicos
Los Sistemas Expertos (SE) constituyen una de las aplicaciones de la Inteligencia Artificial (I.A.). Estas herramientas resultan de mucha ayuda en cualquier área del saber para las cuales se desarrollen. Son programas sofisticados de computación que manipulan conocimientos de expertos para resolver, eficiente y efectivamente, problemas de un determinado dominio de aplicación, tal como lo hacen los expertos humanos, a estos sistemas algunos autores también les llaman Sistemas Basados en el Conocimiento (SBC). Específicamente, los SE son SBC que actúan como un experto humano en un área del saber determinado, constituyendo un sistema de apoyo a la toma de decisiones. Hecha esta salvedad, para los fines de esta investigación, trataremos ambos términos: SE y SBC indistintamente tal como se registran en la literatura especializada.
Los Sistemas Basados en el Conocimiento pueden ser considerados como una aplicación práctica de los principios de la IA pues logran dar respuestas tan o más acertadas que como lo haría un experto humano. Pero su desarrollo vertiginoso y la constante inclusión de nuevas técnicas, además de la creciente tendencia de la hibridación van ampliando las funcionalidades de estos, por tanto, resulta una tarea difícil el tratar de dar una definición de estos sistemas en estas condiciones de constante evolución.
El concepto de Sistema Experto (SE) fue introducido por Edward Feigenbaum en 1977, en esta primera ocasión se concibió como un programainteligente de computador que utiliza conocimiento y procedimientos de inferencia para resolver problemas que son lo suficientemente difíciles y requieren experiencia humana significante para su solución. Para los días de hoy, esta definición no incluye todas las potencialidades de estos sistemas, pues ya no se trata tan solo del procesamiento de un cúmulo de experiencia de uno o varios expertos humanos para generar una acertada respuesta. Nuevos conceptos como el aprendizaje y otros, se han incluido para lograr de estos un cada vez más completo "experto inteligente".
Se puede entonces pensar en Sistema Experto como programas sofisticados de computación que manipulan conocimientos de expertos para resolver, eficiente y efectivamente, problemas de un área específica, tal como lo hacen los expertos humanos. Ellos resuelven problemas de forma "inteligente" y son capaces de explicar y justificar sus respuestas. Son creados para actuar como asistentes "inteligentes" en los procesos de tomas de decisión". Otra definición puede ser: un sistema informático que simula el proceso de aprendizaje y memorización, de razonamiento, comunicación y de acción de un experto humano en una determinada rama de la ciencia, suministrando de esta forma, un consultor que puede sustituirle con ciertas garantías de éxito. Referente a esta temática Valencia (2012) da la siguiente definición: Un sistema experto puede definirse como un sistema informático (hardware y software) que simula a los expertos humanos en un área de especialización dada (p.8).
Los Sistemas Expertos se comportan como un experto en algunos, normalmente complejos, dominio de aplicación (Bratko, 1990). El surgimiento de estos sistemas tiene su origen en los cambios de concepción ocurridos hacia los años 60, donde los intentos de emular el pensamiento humano a través de potentes métodos de razonamiento se cambiaron por el énfasis en los sistemas de razonamiento de propósito específico. Desde entonces, el conocimiento propio de un dominio de aplica ción es más importante que el método de solución empleado.
El propósito de estos sistemas es la solución de problemas de forma "inteligente" siendo capaces de actuar como asistentes en el proceso de toma de decisiones y justificar sus respuestas en cada caso. El fin de estos, no consiste en una reproducción o copia fiel de los procesos mentales humanos, sino en la obtención de las mejores respuestas a preguntas de datos reales.
La experticidad artificial se caracteriza por la permanencia y la consistencia pues no están limitados a un período de vida, ni depende de un determinado estado mental o físico. Otra de sus ventajas es la facilidad en la transferencia y documentación, unido a la posibilidad de trabajar ininterrumpidamente sin agotamiento. A pesar de estas y otras facilidades todavía existen aspectos en los que no superan a los humanos, es por esto, que su fin no es sustituir a los expertos sino asistir y facilitar su trabajo.
La arquitectura de un Sistema Experto es diferente a la de los programas convencionales, en estos últimos, se encuentran juntos normalmente el algoritmo y los datos a los cuales se les aplica dicho algoritmo. Los SE, por su parte, están constituidos por el shell (máquina de inferencia) y la Base de Conocimiento (BC) (García Valdivia, 2000). Esta arquitectura al estar bien definida en sus dos partes, permite mayor facilidad al modificar el programa para incluirle una nueva información, pues para ello bastaría modificar la base de conocimiento sin necesidad de alterar la estructura del programa.
La gran variedad de conceptos asociados al término Sistemas Basados en Conocimiento causan confusiones al definir las características de los mismos, pues estos dependen mucho de la forma en que se representa el conocimiento y el mecanismo de inferencia usado, elementos estos que se necesitan seleccionar de acuerdo a la naturaleza del problema a resolver y del dominio del conocimiento específico que se esté tratando. Es por esto, que no se puede definir una estructura única para todos los sistemas de este tipo, lo cual no invalida la idea de que existan componentes comunes en cada uno de ellos: base de conocimientos, motor de inferencia, base de datos e interfaz con el usuario.
Básicamente un Sistema Experto se divide en tres módulos (García Valdivia, 2000):
La Base de Conocimiento (BC): Almacena el conocimiento sobre algún dominio de aplicación a través de alguna Forma de Representación del Conocimiento (FRC).
La Máquina de Inferencia (MI): Modela el proceso de razonamiento humano a partir de la información contenida en la base de conocimiento implementando un Método de Solución de Problemas (MSP).
La Interfaz con el usuario (IU): Interactúa con el usuario, el cual plantea los problemas al SE, recibe las preguntas del sistema y ofrece las explicaciones necesarias.
Todo Sistema Experto tiene la posibilidad de explicar por qué arribó a determinada conclusión, es por esto que se incluye en su arquitectura el subsistema de explicación, el cual es responsable de que el SE realice esa importante función. Permitiendo así entrenar a personas no especialistas en el problema que aborda. Otro de los conceptos y funcionalidades relacionado con los SE es la temática referente al aprendizaje automatizado, este es otro subsistema que se añade a fin de lograr que el sistema "aprenda" en la medida en que resuelve problemas específicos, añadiendo experiencia a la Base de Conocimiento.
Estrechamente ligado a los SE se encuentran los conceptos de Ingeniería del Conocimiento e Ingeniero de Conocimiento (IC). Se define el primero como la disciplina relacionada con la forma en que se organizan, construyen y verifican las BC de un SE, siendo entonces el ingeniero de conocimiento la persona responsabilizada con desarrollar estas tareas. El último componente que integra los SE de manera opcional es el módulo de incertidumbre (Módulo INC).
Teniendo en cuenta la inclusión de estos últimos conceptos en el modelo computacional de los SE, se obtiene la siguiente estructura: SE= BC (FRC) + MI (MSP) + [Módulo Explicación] + [Módulo INC] + [módulo de Aprendizaje Automatizado].
Figura 1. Estructura general de los SE.
Fuente: Adaptado de ("Sistemas Experto," 2015).
La memoria de trabajo o memoria caché, se usa para almacenar todos los datos necesarios sobre el problema que se desea resolver (datos iniciales) y todos los procedimientos (resultados intermedios), por lo que su contenido tiene un carácter cambiante pues varía al plantear un nuevo problema al Sistema Experto.
En medio de la variedad de implementaciones de SE hay varias características distintivas que según (García Valdivia, 2000) pueden ser definidas así:
La acumulación y codificación del conocimiento.
El conocimiento del SE es explícito y accesible.
Alto nivel de experticidad.
Puede actuar como una teoría de procesamiento de información.
Constituye una memoria institucional.
Es un modelo computacional para ayudar a la toma de decisiones.
Tienen facilidad de explicación.
La siguiente tabla muestra las ventajas y desventajas de los SBC.
Tabla 1. Ventajas y desventajas de los SBC.
Fuente: Adaptado de ("Sistemas Experto," 2015)
En la siguiente figura se visualiza un mapa conceptual que relaciona los principales conceptos abordados referentes a los SE.
Figura 2. Mapa conceptual de los Sistemas Expertos (SE).
Como se ha mencionado, los Sistemas Basados en el Conocimiento o Sistemas Expertos incluyen varios parámetros en su implementación: Método de Solución del Problema, Fuentes de Conocimiento, Explicación y la Forma de Representación del Conocimiento (FRC) (Gálvez, 1998). De acuerdo a la FRC que se utilice y el MSP, se definen los diferentes tipos de sistemas, de esta forma un Sistema Basado en Conocimiento puede clasificarse como: Sistemas Basados en Frames, Sistemas Basados en Probabilidades, Redes Expertas, Sistemas Basados en Modelos, Sistemas Basados en Reglas (SBR), Sistemas Basados en Casos, entre otros.
Se le llama Forma de Representación del Conocimiento al desarrollo de una notación suficientemente precisa con la cual representar el mismo (Bello, 1995). No existe una FRC general capaz para ser usada en todo tipo de aplicación, aunque una de las más usadas son las denominadas reglas de producción.
Particularmente, los denominados Sistemas Basados en Casos (SBC), los cuales usan un enfoque denominado Razonamiento Basado en Casos (RBC), son frecuentemente usados en aplicaciones de informática educativa y específicamente en aquellas que brindan información en materia de diagnóstico. Esto se debe a lo oportuno y viable que resultan sus características frente a este dominio de aplicación.
Según (García, 2009): "El Razonamiento Basado en Casos es un enfoque que aborda nuevos problemas tomando como referencia problemas similares resueltos en el pasado" (p.29). En este enfoque la similitud tiene un rol importante: problemas o casos similares, tienen soluciones similares. Sus componentes fundamentales son la base de casos, el módulo de recuperación de casos y el módulo de adaptación de soluciones. Este paradigma guarda estrecha relación con la forma en que operaría un experto humano basado en la experiencia.
La Base de Conocimientos en estos sistemas es considerada y adopta la forma de Base de Casos. Esta contiene las experiencias, ejemplos o casos a partir de los cuales el sistema hace sus inferencias. Esta base puede ser generada a partir de casos o ejemplos resultantes del trabajo de expertos humanos o por un procedimiento automático o semiautomático que construye los casos desde datos existentes registrados.
El módulo de recuperación recupera de la base de casos los casos más semejantes al nuevo problema planteado. No existe una medida de semejanza única o general, de ahí que la eficacia del sistema radica en la función de semejanza que se defina (modelo matemático). Una vez determinado los casos más semejantes la solución contenida en dichos casos puede usarse directamente como solución al nuevo problema, pero comúnmente necesitan ser modificadas, para ello se implementa el módulo de adaptación de las soluciones. Este último proceso puede ser automatizado o por la intervención del experto o especialista humano.
En su estudio sobre el tema, Jiménez (2006) sintetiza muy bien este enfoque:
El Razonamiento Basado en Casos (CBR) es una técnica de la AI que intenta llegar a la solución de nuevos problemas de forma similar como lo hacen los seres humanos utilizando la experiencia acumulada hasta el momento en acontecimientos similares. Un nuevo problema se compara con los casos almacenados previamente en la base de casos (Memoria de Casos) y se recuperan uno o varios casos. Posteriormente se utiliza y evalúa una solución sugerida, por los casos que han sido seleccionados con anterioridad, para tratar de aplicarlos al problema actual. (p.35)
Luego, podemos concluir que los Sistemas Basados en Casos son una implementación particular de los Sistemas Basados en el Conocimiento o Sistemas Expertos que utilizan el enfoque denominado Razonamiento Basado en Casos (RBC) como MSP. En estos sistemas la Base de Conocimiento es específicamente una Base de Casos y se implementa el Método de Solución de Problema (MSP) mediante tres módulos principales : módulo de recuperación de casos, un módulo de adaptación de soluciones, utilizando para estos fines una función de semejanza y finalmente, el módulo de auto aprendizaje. En la figura 3 se visualiza un mapa conceptual que relaciona estos conceptos. En la figura 4 se representa el proceso de resolución de problema en los Sistemas basados en Casos (Chagoyen, 2012).
Figura 3. Mapa conceptual de los Sistemas Basados en Casos.
.
Figura 4. Proceso de resolución de problema en los Sistemas Basados en Caso.
Entre las ventajas de estos sistemas que lo hacen un buen candidato para la resolución de
problemas del dominio educativo y de diagnóstico se encuentra: la facilidad para el aprendizaje automatizado del sistema, cada caso resuelto puede ser incorporado a la Base de Casos sin la intervención del experto para su posterior utilización en la solución de un problema semejante. Por otra parte se evita la rigidez y los peligros de generalización que se inducen cuando se razona en base a reglas.
Algunas de las temáticas a prestar especial atención y resolver en el diseño e implementación de estos sistemas por su importancia y grado de dificultad tienen que ver con la definición optima de la función de semejanza por el peso que esta tiene, unido a la búsqueda de una estructura apropiada para representar el contenido de los caso, lo cual resulta una difícil tarea. Además de decidir como la memoria de casos va a ser organizada e indexada para un almacenamiento y recuperación efectiva.
Una de las primeras temáticas desarrollada a través del uso de estos sistemas fue la determinación de diagnósticos médicos. Esta aplicación continúa teniendo impacto y actualmente se han desarrollado varios Sistemas Expertos para el diagnóstico de riesgos tanto técnico como en materia de salud.
El diagnóstico de riesgos y padecimientos constituye una tarea cotidiana para los expertos de la salud. Por su parte, los especialistas de la psicología educativa y la psicopedagogía advierten la necesidad de la evaluación y el diagnóstico temprano de riesgos psicopedagógico en adolescentes, para su oportuno acompañamiento.
Los Sistemas Tutoriales Inteligentes como herramientas para la evaluación psicopedagógica.
En la historia del uso de los recursos tecnológicos para la evaluación psicopedagógica se identifican cuatro generaciones (Belloch, 2015):
Primera Generación: Evaluación Informatizada. Se desarrollan los Tests Informatizados, administrándose los exámenes tradicionales compuestos por preguntas de opción múltiple mediante el ordenador.
Segunda Generación: Evaluación Adaptativa. Se desarrollan los Tests Adaptativos Informatizados, en los que se presentan las preguntas, una a una, adaptando las preguntas siguientes a las respuestas previas del sujeto.
Tercera Generación: Evaluación Continua. Se desarrollan los Sistemas Tutoriales que integran la estimación de los cambios en la trayectoria del aprendizaje de los sujetos.
Cuarta Generación: Evaluación Inteligente. Se desarrollan los Sistemas Tutoriales Inteligentes, basados en la Inteligencia Artificial. Mediante estos sistemas se generan perfiles de los resultados de los estudiantes con base en los conocimientos y procedimientos de inferencia.
Los STI han sido usados de dos maneras (Strasser & Rosas, 1996): Para crear programas instruccionales que se adaptan al desempeño del aprendiz y para crear sistemas de consultoría experta que evalúan al usuario y sugieren un diagnóstico y un tratamiento. Es precisamente en esta última funcionalidad donde las características y propiedades de estos sistemas responden al objeto de estudio del presente trabajo.
Los tutoriales inteligentes permiten adaptar los procesos de evaluación al desempeño de los sujetos (evaluación dinámica y adaptada). Mediante el uso del ordenador, es posible analizar no solo los resultados obtenidos, sino el proceso seguido, de modo que se establece una interacción dinámica entre el usuario y el ordenador, adaptándose este último a las características del primero. Estas potencialidades permiten establecer pruebas evaluativas personalizadas, con la posibilidad de la comparación entre diferentes pruebas.
Una de las posibilidades más interesantes, en cuanto al uso del ordenador y específicamente de los STI, en los procesos evaluativos, es la capacidad de tomar en cuenta tanto los resultados como el proceso. Estos se centran en analizar no tanto el producto, esto es los resultados obtenidos en las pruebas evaluativas, sino el proceso que sigue el sujeto para realizar las distintas tareas, es decir, las estrategias utilizadas en la resolución de problemas y los procesos cognitivos que se utilizan ante la tarea o prueba.
Resolución de problemas mediante búsqueda de estado
Introducción Agentes basados en el objetivo de resolución de problemas. Necesaria una formulación de objetivos. Estados y posibles acciones. Ejemplo de mapa de carreteras. Un agente simple de resolución de problemas: La función RECOMMENDATION devuelve la primera acción en la secuencia. La función REMAINDER devuelve el resto.
Formulación de problemas, I Problema de aspiradora: 8 posibles estados Los estados están contenidos en esta figura: Dos tipos de problemas: Problemas de estados únicos. Aparecen en entornos accesibles (la percepción determina completamente el estado) y deterministas. Problemas de estados múltiples. Aparecen por ejemplo en entornos no accesibles o no deterministas. Ejemplo (sin sensores; determinista, pero no accesible):
Formulación de problemas, II Si el entorno es no determinista (por ejemplo, “La absorción deposita algunas veces suciedad, pero sólo cuando previamente no hay suciedad”): Si el entorno es accesible, para cada estado inicial, hay una secuencia fija de operadores que llevan al objetivo. Si el entorno es semiaccesible (por ejemplo, si tenemos un sensor de posición y un sensor local del estado de suciedad): entonces, no hay una secuencia fija que garantice una solución a partir de cualquier estado: Estados (A=aspiradora, S=suciedad): (1, AS, S), (2, S, AS), (3, AS, ) (4, S, A), (5, A, S), (6, , AS) (7, A, ), (8, , A)
Formulación de problemas, III {1,3} --(absorción)-->{5,7}--(derecha)--> {6,8}--(absorción)-->{6,8} La solución sería: absorción, derecha, absorción, “absorción si sucio”. Es un árbol de posibles acciones (problema con contingencias). Posibles operadores para el estado inicial {1,3}: {1,3} {5,7} {2,4} {6,8} {5,1,7,3} S L S R L R S L R L R S {.........}
Problemas bien definidos Consideramos los problemas más sencillos (problema de estado único): Estado inicial Espacio de estados. Posibles acciones (operadores) sobre cada estado. Cada operador obtiene un estado a partir de otro estado. Función objetivo (estados objetivo). Función de coste de aplicación de los operadores. Un problema de estados múltiples es un caso particular del caso de un problema de estado único, en donde cada estado es un multiestado: Estado inicial: multiestado Cada operador obtiene un multiestado a partir de otro multiestado.
Ejemplos, I Los objetivos de la resolución de un problema mediante búsqueda son: Encontrar una solución La solución debe tener coste total mínimo: Coste de búsqueda: Tiempo y memoria necesarios. Coste del camino solución. Ejemplos: Problema del 8-puzle. Coste operadores: 1 Problema de las 8 reinas (en general de las N reinas/damas): Coste operadores: 1 (el camino solución siempre tiene coste 8). Posible representación (1): estado: n reinas en el tablero operadores: añadir una reina a una posición vacía.
Ejemplos, II Posible representación (2): estado: n reinas en el tablero (no atacándose). Operadores: añadir una reina en la columna vacía más a la izquierda tal que no sea atacada por ninguna de las ya existentes. Menos operadores que en la representación 1. Criptoaritmética. Estados: algunas letras sustituidas por dígitos. Operadores: sustituir una letra por un dígito que no aparece ya dentro del estado. La solución se encuentra a profundidad conocida. FORTY + TEN TEN ------ SIXTY 29786 + 850 850 ------ 31486
Ejemplos, III Ejemplo de aspiradora. Entorno accesible y determinista. Estados: 8. Operadores: L, R, S Estados objetivo: 7, 8 Coste: 1 Agente sin sensores (entorno no accesible, pero determinista) Estados: subconjuntos de los 8 Coste: 1 Estados objetivo: estados formados por una combinación de 7,8.
Ejemplos, IV Misioneros y caníbales. Hay 3 misioneros y 3 caníbales en la orilla izquierda de un río. Un bote puede transportar a 1 o 2 personas de una orilla a otra. Objetivo: pasar a todos a la otra orilla. Condición: “No puede ocurrir nunca que si en una orilla hay algún misionero, haya a la vez un número mayor de caníbales (se los comerían).” Estados: Parámetros: número misioneros lado izquierdo, número caníbales lado izquierdo, posición bote (izquierda o derecha). Se debe verificar la Condición. Operadores: Transportar 1 misionero. Transportar 1 canibal. Transportar 2 misioneros. Transportar 2 caníbales. Transportar 1 misionero y 1 caníbal. Coste operador: 1.
Ejemplos, V Otros ejemplos (más reales): Problema de mapa de carreteras. Viajar de una ciudad a otra recorriendo la menor distancia posible. Problema del viajante de comercio. Un viajante debe viajar recorriendo un conjunto de ciudades. Debe partir de una ciudad inicial y, tras recorrer todas las ciudades, volver a la ciudad de inicio. Problema clásico: debe visitar exactamente 1 vez todas las ciudades (excepto la de inicio que la visita 2 veces). Diseño de circuitos. Navegación de robots. Montaje mecánico de robots. Planificación de toma de imágenes (telescopio Hubble).
Algoritmo general de búsqueda, I Problema del mapa de carreteras: Espacio de estados (finito). Árbol de nodos (infinito), generable. Un nodo: Un estado (del espacio de estados). Su nodo padre. Operador que lo generó. Profundidad en el árbol de búsqueda. Coste desde nodo inicial.
características de los sistemas de producción monótonos y no monótonos
RAZONAMIENTO MONÓTONO
El razonamiento monótono, es el que utiliza contradicciones para procesar. Elimina un hecho (factor de conocimiento) obteniendo la contradicción hasta que llega a una conclusión final.
DEFINICIÓN: Un razonamiento se llama monótono cuando a lo largo del proceso el conjunto de «cosas sabidas» es siempre creciente. Pero en la realidad suele ocurrir que, a medida que avanza el proceso de inferencias, nuevas evidencias o acciones sistema anulan premisas o conclusiones anteriores, y para formalizar esto se necesita una lógica no monótona.
Un proceso frecuente es el razonamiento por defecto: suponer que algo es verdadero (o falso) mientras no haya evidencia de lo contrario.
El sistema que razona debe tener en cuenta que la aparición de esa evidencia puede tener un efecto retroactivo sobre las conclusiones obtenidas anteriormente, para lo que debe incluir un sistema de mantenimiento de la verdad.
EJEMPLO:
“Cuando se ve a una persona tirando basura en la calle y pensamos en lo mal que se ve, la criticamos, pero cuando realizamos el mismo acto sin pensar, caemos en una contradicción y concluimos que somos igual a la persona que estaba tirando basura en la calle”.
A veces se escriben las premisas pensando más en el proceso que en su semántica declarativa. Es necesario asegurarse de que el proceso será exactamente el que estamos pensando.
Ejemplo:Un ejemplo es la regla 5, que puede parecer contradictoria («si no está endosado, entonces está endosado»). Desde el punto de vista declarativo, veremos en que es lógicamente equivalente a decir «siempre está endosado». Pero naturalmente no estamos pensando así al enunciar la regla: suponemos que en el proceso puede darse la situación de que el cheque, aunque completo, no esté endosado; la regla dice que en tal caso se pedirá la firma (se supone que esta acción da siempre un resultado positivo) y el cheque pasará a estar endosado.
Ahora bien, declarativamente (lógicamente), la regla es equivalente a la conjunción de estas dos:(5a) Si talón_cumplimentado y NO talón_endosado entonces pedir firma (5b) Si talón_cumplimentado entonces talón_endosadoY es evidente que el resultado es incorrecto si se aplica (5b) antes que (5a).El razonamiento monótono es parte de la lógica clásica y abarca temas de la misma los cuales son: Lógica Proposicional, Deducción Lógica y Lógica de Primer Orden.
CONOCIMIENTO NO- MONOTONO Y OTRAS LOGICAS
La lógica clásica tiene un carácter monótono. Es decir, dado un conjunto de sentencias S1 del que se puede inferir C, al añadir otro conjunto de sentencias S2, se tiene que seguir infiriendo C a partir de S1 Unión S2. Esto es un inconveniente en gran cantidad de problemas que se presentan en inteligencia artificial y que tienen carácter no monótono.
Definición: Razonamiento de sentido común, el cual establece conclusiones a partir de información parcial, que muchas veces se revisan o se desechan cuando se obtiene nueva información o evidencia del dominio.
El razonamiento no monótono es muy apropiado cuando se da alguna de las siguientes situaciones:
El conocimiento que se posee es incompleto.El universo de discurso es cambiante.Las suposiciones que se formulan son temporales.
Ejemplo: Se nos dice que alguien tiene un pájaro, pensamos que vuela, si luego nos dicen que es un pingüino, ya no pensamos que vuela.
Las lógicas clásicas parten del carácter no excluyente de los nuevos axiomas añadidos a los ya existentes. Por el contrario, las lógicas no monótonas tienen en cuenta la necesidad de detectar posibles inconsistencias con los nuevos axiomas. El rango definitorio es que se tienen en cuenta lo que no se conoce, o lo que es lo mismo asume los límites de su propio conocimiento.
Formalismos Lógica no-monótona: Poder representar leyes como “Si x es un ser humano, entonces x puede andar, a menos que haya algo que lo contradiga”. Para ello se amplía la lógica de primer orden introduciendo el operador modal M (es modal ya que indica una modalidad de verdad). Es necesario establecer un mecanismo de mantenimiento de coherencia –generalmente traducido como mantenimiento de verdad - que permita eliminar el supuesto en cuanto se presente un hecho que lo invalide.
Los enfoques presentados sobre el razonamiento no monótono se pueden tildar de permisivos en el sentido de que posibilitan la obtención de suposiciones cuando no existen evidencias que las contradigan. Es decir, El razonamiento monótono, utiliza contradicciones para procesar. Elimina un hecho (factor de conocimiento) obteniendo la contradicción hasta que llega a una conclusión final.
También puede realizarse un enfoque restrictivo del problema donde sólo se considera válido lo que se ha comprobado como cierto. Un ejemplo de este tipo es la consideración de la circunscripción de un predicado.
Comentarios
Publicar un comentario