INTELIGENCIA ARTIFICIAL 1

INTRODUCCION

La Inteligencia Artificial trata de conseguir que los ordenadores simulen en cierta manera la inteligencia humana. Se acude a sus técnicas cuando es necesario incorporar en un sistema informático, conocimiento o características propias del ser humano.

La lección presenta las principales ramas y aplicaciones de la Inteligencia Artificial

Podemos interrogar a algunas bases de datos de Internet en lenguaje natural, o incluso charlar con ellas nuestro idioma, porque por detrás se está ejecutando un programa de Inteligencia Artificial.

Y los sistemas expertos: ¿Qué son? Nuestro programa de contabilidad puede incluir uno de ellos para asesorarnos en los asientos contables.

Otras herramientas inteligentes pueden utilizarse para escrutar entre los millones de datos que se generan en un banco en busca de patrones de comportamiento de sus clientes o para detectar tendencias en los mercados de valores.

Pero ¡ojo!, aunque es un término que suena -y vende- bien, es difícil poner una ralla entre lo que es Inteligencia Artificial e informática convencional, ya que al fin y al cabo todo son programas de ordenador.

OBJETIVOS

Estudiar las principales ramas de la Inteligencia Artificial

Conocer las principales aplicaciones de la Inteligencia Artificial en la gestión contable y financiera de la empresa 

Utilizar en clase de prácticas uno o varios programas de Inteligencia Artificial

CONTENIDO

1. Informática convencional

2. Ramas de la Inteligencia Artificial

3. Los Sistemas Expertos

4. Resumen y conclusiones

1. Informática Convencional

1.1 Gran avance de la informática

El desarrollo de los ordenadores ha sido espectacular en los últimos años. Del mismo se han beneficiado muchos campos del saber, siendo uno más de ellos la administración y dirección de empresas. Los programas informáticos como hojas de cálculo, bases de datos, tratamientos de estos, etc., suelen estar basados en programación algorítmica convencional, en la que se indica al ordenador paso a paso lo que debe hacer.

Estos programas se ejecutan en ordenadores convencionales con un único microprocesador o unidad central de proceso que opera secuencialmente. Todo ello constituye lo que se denomina informática convencional, representada en la figura siguiente.

Informática convencional

La informática convencional ha desarrollado con éxito un número considerable de aplicaciones para mejorar la gestión empresarial y ha producido una indudable revolución en todas las actividades de la Contabilidad y otras ramas.

1.2 Introducir conocimiento en un sistema informático

Sin embargo, a pesar de la importancia de las aplicaciones informáticas convencionales en la empresa, en la medida en que necesitamos incorporar conocimiento a un sistema informático se utilizan otro tipo de herramientas, como son las procedentes de la Inteligencia Artificial.

La informática convencional aplicada al análisis de la solvencia de una empresa.

Análisis contable

Vamos a suponer que trabajamos en el departamento de concesión de créditos de una entidad financiera y nuestro trabajo consiste en analizar la información contable de las empresas, valorar si la empresa es solvente o presenta problemas y, a partir de ahí, decidir si merece un crédito o no. Es un problema típico de análisis contable.

Queremos un programa de ordenador

Pensamos que el ordenador nos puede ayudar a manejar los datos para lo que queremos una aplicación informática que nos ayude a dicha tarea. Aunque somos algo novatos en nuestro nuevo trabajo, contamos con lo aprendido en la facultad y el apoyo de nuestro compañero de trabajo, especialista en ese campo -aunque no muy ducho en los temas de informática-, a quien pensamos sustituir porque se acerca la fecha de su jubilación.

Por ejemplo, una hoja de cálculo

Una herramienta de informática convencional que podríamos utilizar es la hoja de cálculo. Allí podríamos introducir los balances y cuentas de resultados de los clientes y calcular ratios financieros sobre liquidez, endeudamiento, rentabilidad, etc., y otras magnitudes como el fondo de maniobra.

Muy útil la función condicional

Siguiendo las recetas de algún manual de análisis contable, sobre esos ratios podemos realizar algunos cálculos adicionales. Seguro que una de las funciones que más utilizaríamos de la hoja de cálculo es la función condicional, de forma que nos avise cuando la empresa en cuestión tenga valores anormalmente bajos para alguno de los ratios analizados.

Y la capacidad de simulación

La capacidad de la hoja de cálculo para realizar simulaciones es también muy notable. Con algo de programación adicional podemos incluir unas macros que enciendan un semáforo rojo en cada uno de los puntos débiles de la empresa, vamos, un sistema de alerta temprana.

... pero se queda pequeño

Orgullosos por haber dotado a nuestra hoja de cálculo de cierta inteligencia, la mostramos a nuestro compañero, pidiendo su consejo. "No está mal, ayudará mucho a facilitar los cálculos que con mi calculadora se hacían muy pesados", exclama, "Aunque es algo sencillo". Por ejemplo, deberías haber tenido en cuenta que para ese sector en concreto es normal que el fondo de maniobra sea negativo. Además, no nos interesa tanto la rentabilidad como su capacidad para devolver el préstamo. Es más, no nos importa que la empresa quiebre, con tal de que pueda devolverlo. Me gustaría charlar contigo para poder mejorar tu programa".

Ineficiente para representar conocimiento

En seguida nos damos cuenta de que la hoja de cálculo no es la herramienta más adecuada para representar el conocimiento complejo. En cuanto queramos que las condicionales estén anidadas al estilo: "si esto Y aquello O eso Y...entonces" la programación se complica y no es eficiente.

2. Ramas de la Inteligencia Artificial

2.1 Origen

El nacimiento de la Inteligencia Artificial se sitúa en una reunión celebrada en el Dartmouth College (Hanover, EEUU) en 1956, en la que se planteó la posibilidad de construir máquinas inteligentes. Llama la atención que en esa fecha la informática apenas se había desarrollado, y ya se planteaba la posibilidad de diseñar mecanismos inteligentes. En aquella reunión se encontraban entre otros, Claude Shannon, padre de la Teoría de la Información; Marvin Minsky, que más tarde demostraría las limitaciones de ciertos modelos de redes neuronales; Herbert Simon, premio Nobel de Economía quien además desarrolló el primer programa de Inteligencia Artificial y un largo etcétera de investigadores.

2.2 Tronco común con varias ramas

Desde entonces son muchas las ramas que surgen del tronco común de la Inteligencia Artificial. Las Ciencias de la Computación han asistido continuamente al nacimiento de nuevas ramas y se habla de:

Espacio de Estados Búsquedas informadas y no informadas Teoría de Juegos Sistemas expertos Computación Evolutiva ó Vida Artificial Algoritmos genéticos Computación molecular ó Redes neuronales Lógica Difusa Fractales Lenguaje natural

En algunas de estas ramas los resultados teóricos van muy por encima de las realizaciones prácticas y en otras ramas solo se ha quedado en papeles.

Los sistemas expertos

Los sistemas expertos son la rama más conocida. Parten de la premisa de que los expertos humanos utilizan gran cantidad de conocimientos específicos de un campo que deben ser incorporados en el sistema experto. Para los defensores más radicales de este paradigma, la inteligencia es un programa que debe funcionar independientemente del lugar donde se ejecute: ordenador o cerebro.

La forma deductiva en que representan el conocimiento, habitualmente mediante símbolos y reglas, es apropiada cuando es posible extraer un conjunto de reglas y normas. En la Contabilidad existen subdominios en los que es fácil o al menos posible extraer una serie de reglas y otros en los que es menos factible.

Las redes neuronales artificiales

Las redes neuronales artificiales tratan de representar el conocimiento replicando la estructura neuronal del cerebro humano. En ellas lo fundamental es el aprendizaje mediante patrones o ejemplos.Las redes neuronales artificiales tratan de resolver tareas como el reconocimiento de patrones, problemas de optimización o clasificación que la computación algorítmica tradicional e Inteligencia Artificial convencional no han resuelto de un modo suficientemente satisfactorio.

En las redes neuronales artificiales el conocimiento no se programa de forma directa en la red sino que se adquiere mediante ejemplos por medio de una regla de aprendizaje que va ajustando parámetros. Como vemos es un método inductivo muy diferente al que siguen los sistemas expertos. Diversas parcelas de la Contabilidad utilizan frecuentemente el método inductivo por lo que se justifica conocer qué nos pueden ofrecer las redes neuronales.

La Vida Artificial

La Vida Artificial puede considerarse un paradigma emergente de la Inteligencia Artificial: se simulan realidades virtuales que evolucionan en entornos mutantes. Los algoritmos genéticos son los representantes más conocidos de la Vida Artificial.

Aplicaciones en la empresa

De entre todos los paradigmas y estrategias de la Inteligencia Artificial, actualmente dos tienen el mayor interés para las aplicaciones en la empresa: los sistemas expertos y las redes neuronales artificiales. Estos sistemas se pueden combinar, por lo que una solución práctica es utilizar sistemas mixtos que incorporan un módulo de sistema experto con sus reglas junto a otros módulos neuronales y estadísticos.

2.3 Un Ejemplo para aclarar las diferencias: los programas de ajedrez

Un sencillo ejemplo basado en el diseño de un programa de ajedrez puede ayudarnos a entender las diferencias entre estos paradigmas.

Un sistema experto trata de incorporar la sabiduría de algún maestro del ajedrez mediante reglas.

Una red neuronal es entrenada con ejemplos de partidas célebres, tratando de extraer de ahí el conocimiento.

Finalmente, mediante algoritmos genéticos se diseñan programas que compiten entre sí de forma que por selección natural quedan los mejores.

3. Los Sistemas Expertos

Son la rama de la Inteligencia Artificial más empleada en la gestión empresarial

Su origen se sitúa a mediados de los años setenta, aunque es a partir de la década de los ochenta cuando se desarrollan aplicaciones en toda su plenitud.

Su objetivo es modelizar el conocimiento, representándolo en forma de símbolos.

A continuación estudiaremos:

Concepto Desarrollo Aplicaciones Ventajas Limitaciones

3.1 Definición

El Grupo Especialista en Sistemas Expertos de la Sociedad Británica de Ordenadores

Los define de la siguiente manera:

"La incorporación dentro de un sistema de ordenador de un componente basado en el conocimiento, correspondiente a una habilidad

experta, de tal forma que el sistema pueda ofrecer asesoramiento inteligente o tomar una decisión inteligente sobre una función del proceso.

Una característica adicional deseable, que muchos consideran fundamental, es la capacidad del sistema, si se le solicita, de justificar su propia línea de razonamiento de un modo directamente inteligible para el interrogador. El estilo adoptado para alcanzar estas características es la programación basada en reglas."

Recopilan en un programa informático el conocimiento de especialistas en una materia.

Sus dos componentes principales son la base de conocimientos y un programa de inferencia. El conocimiento se representa mediante el uso de símbolos, y así se crea una base de conocimiento. Una vez creada la base de conocimiento, se debe diseñar un método para utilizarla, que es el programa de inferencia. El programa de inferencia manipula la información simbólica almacenada en la base de conocimiento mediante un proceso de búsqueda.

Estructura de un sistema experto

3.2 Desarrollo

Podemos desarrollar un sistema experto de dos maneras:

a) A medida, programando en un lenguaje convencional (C, Pascal, etc.) o en un lenguaje específico para el manejo de símbolos (Lisp, Prolog, etc.).

b) Utilizando una concha de sistema experto, también llamadas shell. Son programas comerciales con todos los elementos del sistema experto pero con la base de conocimientos vacía.

La tarea de adquisición del conocimiento es una tarea compleja que precisa de varios actores:

a) el ingeniero del conocimiento, especialista informático que extrae el conocimiento del especialista humano y lo plasma en el programa informático

b) el especialista humano, que es quien posee el conocimiento

c) el usuario del sistema, encargado de utilizar el sistema experto.

Hay muchas formas de representar el conocimiento en un sistema experto. El método más utilizado son las reglas de producción.

Una regla de producción toma la siguiente forma general:

SI <son ciertos determinados hechos>

ENTONCES <se consideran ciertos otros hechos>

Estas reglas residen en la base de conocimientos, en una especie de fichero de texto. El programa de inferencia, verdadero motor del sistema experto se encarga de combinar estas reglas, interactuando con el usuario a través del interfaz del usuario.

Un sistema experto para analizar la solvencia de una empresa

Parece una actividad ideal para un sistema experto

Siguiendo con el ejemplo del apartado anterior, podemos animarnos a realizar un sistema experto para analizar la solvencia de una empresa. Al fin y al cabo, contamos con la ayuda de un especialista humano y no es caro adquirir una concha con la que podemos introducir cientos de reglas.

¿Por dónde empezar?

El procedimiento de trabajo es laborioso, pues se trata de extraer el conocimiento de nuestro colega, que conforme pasa el tiempo nos damos cuenta de que no tiene las cosas tan claras. Muchas reglas parecen confusas, no son blancas o negras, por lo que hemos tenido que incorporar lógica fuzzy. Avanzamos despacio, aunque por lo menos está sirviendo para replantearnos todo el proceso de la toma de decisiones de préstamo en el banco. Nos hemos dado cuenta de muchas decisiones se tomaban a ojo.

Van surgiendo problemas

Autores como Hartvigsen (1992), que ha elaborado un sistema experto para el análisis de la solvencia de las empresas reconoce las limitaciones y dificultades que plantea la construcción de los sistemas expertos para el análisis financiero. No hay una teoría formal y perfectamente estructurada para examinar la información contable de las empresas, aunque tampoco hay un desconocimiento total del procedimiento a seguir.

Podemos combinarlos con otras técnicas

Para abordar este tipo de problemas difícilmente resolubles mediante los métodos convencionales o mediante sistemas expertos hemos propuesto combinarlos con otras herramientas de Inteligencia Artificial, como las redes neuronales.

3.3 Aplicaciones

Un sistema experto contable

Es un sistema informatizado que modeliza la experiencia de un contable.

La gestión empresarial cuenta con gran número de sistemas expertos

Ello es debido a dos razones fundamentales:

a) casi todas las empresas disponen de un ordenador que realiza las funciones básicas de tratamiento de la información: contabilidad general, decisiones financieras, gestión de la tesorería, planificación, etc,

b) este trabajo implica manejar grandes volúmenes de información y realizar operaciones numéricas para después tomar decisiones. Esto supone un terreno ideal para la implantación de los sistemas expertos.

Podemos clasificar las aplicaciones en la Contabilidad en varios apartados:

a) Auditoría

De entre todas las posibles áreas de trabajo en la contabilidad, según Fortuna, Busto y Sastre (1991) la auditoría es el campo en el que más aplicaciones de sistemas expertos se están desarrollando. Pueden servir para ayudar en el proceso de auditoría, decidiendo los programas a seguir, determinando los tipos de muestra y los tamaños, calculando los errores en la revisión de cuentas, analizando grandes volúmenes de transacciones contables, desarrollando una revisión analítica y formulando juicios en la materia.

 

b) Fiscalidad

La interpretación de las reglas impositivas para tratar de adaptarlas en términos ventajosos para la empresa también resulta un campo adecuado para la utilización de los sistemas expertos.

 

c) Planificación

Los sistemas expertos en la planificación ayudan en la toma de decisiones, asesorando en temas de planificación financiera, control, análisis de desviaciones, etc.

 

d) Análisis financiero

También son útiles para examinar las cuentas anuales de las empresas, los balances, resultados y en general la información económica.

 

e) Contabilidad financiera

También la contabilidad financiera puede beneficiarse, al proporcionar el sistema experto una base normativa amplia para la preparación de las cuentas anuales o su revisión.

3.4 Ventajas

Proporcionan una forma de controlar gran cantidad de datos

Uno de los grandes problemas a los que se enfrenta el analista es el gran caudal de información a manejar, que puede afectar negativamente a la toma de decisiones. Ante tal circunstancia los sistemas expertos pueden ser unos valiosos aliados.

Los sistemas expertos recopilan los datos, los analizan y asimilan. Convierten grandes volúmenes de datos en información útil. En este sentido conviene distinguir un sistema experto de los simples programas de ordenador: también las hojas de cálculo, bases de datos y programas convencionales manejan habitualmente información y alivian la pesada tarea de realizar cálculos numéricos pero no incluyen procedimientos de representación del conocimiento.

¿Pueden superar al experto humano?

a) cuando se requiere analizar un gran volumen de datos en un corto espacio de tiempo. El experto humano se verá obligado a despreciar parte de la información desechando la que no considere relevante; sin embargo, el sistema experto, dada su mayor velocidad de proceso, puede analizar toda la información, sin que aparezca fatiga u otros efectos propios del ser humano que empeoran los resultados.

b) cuando la decisión exige aplicar conocimientos de varios campos.

3.5 Limitaciones

Programación

Difícil de elaborar

Precisan mantenimiento complejo

El elevado coste

En tiempo y dinero para extraer el conocimiento de los especialistas humanos

Poca flexibilidad a cambios

Hay que reprogramar el sistema

Dificultad para manipular información no estructurada

Especialmente la información incompleta, inconsistente o errónea.

Desacuerdo entre los especialistas humanos

En la elaboración del sistema experto, los especialistas humanos pueden estar en desacuerdo entre ellos mismos a la hora de tomar las mejores decisiones para la solución de los problemas particulares.

Problemas que no son resolubles mediante un sistema experto

Para abordar este tipo de problemas difícilmente resolubles mediante los métodos convencionales o mediante sistemas expertos, que por otra parte no son exclusivos del análisis contable se ha propuesto su combinación con otras herramientas de Inteligencia Artificial, como las redes neuronales.

4. Resumen y conclusiones

Es una disciplina en constante evolución

El nacimiento de la Inteligencia Artificial se sitúa en los años cincuenta; en esa fecha la informática apenas se había desarrollado, y ya se planteaba la posibilidad de diseñar máquinas inteligentes. Hoy en día se habla de vida artificial, algoritmos genéticos, computación molecular o redes neuronales. En algunas de estas ramas los resultados teóricos van muy por encima de las realizaciones prácticas.

Sistemas expertos y redes neuronales

Los sistemas expertos son la rama más conocida de la Inteligencia Artificial. La forma en que representan el conocimiento, habitualmente mediante símbolos, es apropiada cuando es posible extraer un conjunto de reglas y normas. En la vasta ciencia empresarial, existen subdominios en los que es fácil o al menos posible extraer una serie de reglas y otros en los que es menos factible.

Las redes neuronales artificiales son eficientes en tareas tales como el reconocimiento de patrones, problemas de optimización o clasificación. Las redes neuronales se puede integrar en un sistema de ayuda a la toma de decisiones, pero no son una panacea capaz de resolver todos los problemas: todo lo contrario, son modelos muy especializados que pueden aplicarse en dominios muy concretos.

¿Cómo elegir la herramienta adecuada?

La elección entre los diferentes sistemas de ayuda a la toma de decisiones depende entre otros factores del tipo de tarea a realizar.

3a) Tipo de decisión

Simon (1960) ha clasificado las decisiones en estructuradas y no estructuradas: las decisiones estructuradas son repetitivas, rutinarias y existe un procedimiento definido para abordarlas; por el contrario, en las decisiones no estructuradas el decisor debe proporcionar juicios y aportar su propia evaluación.

3b) Nivel al que se toman las decisiones

También el nivel al que se toman las decisiones afecta la elección del tipo de sistema más apropiado. Gorry y Scott-Morton (1971) han propuesto un esquema que relaciona el tipo de decisión (estructurada, semiestructurada y no estructurada) y el nivel organizacional (control operativo, de gestión y estratégico) con la herramienta a utilizar. Lógicamente en el nivel operativo dominan las decisiones estructuradas, en el nivel de gestión las semiestructuradas y en el estratégico las no estructuradas, formando una diagonal.

En la figura siguiente hemos actualizado este esquema incorporando las herramientas informáticas más novedosas, e incluso anticipando lo que puede ser un futuro próximo.

Las herramientas a utilizar según el tipo de decisión y el nivel organizativo

Nivel operativo y decisiones estructuradas

Como podemos apreciar en el gráfico, en el nivel operativo y toma de decisiones estructurada dominan los sistemas informatizados convencionales como los programas de contabilidad financiera y de costes, los de elaboración de nóminas, y que en general realizan tareas mecánicas. Son los llamados Sistemas de Proceso de Transacciones (TPS) basados en programación algorítmica convencional.

Nivel operativo y decisiones no estructuradas

El nivel operativo, pero con decisiones semiestructuradas, todavía está dominado por los programas convencionales, en lo que habría que incluir programas de control de tesorería, control de existencias y también las hojas de cálculo y sistemas gestores de bases de datos.

Conforme las decisiones son menos estructuradas, empiezan a ser aplicables sistemas expertos y sistemas de ayuda a la toma de decisiones. Así, para la gestión financiera más básica, en la que además de realizar cálculos mecánicos: tipos de interés efectivo, cuotas de amortización de préstamos, etc., también hay que tomar decisiones que manejan información incompleta o precisan incorporar el conocimiento de un especialista humano. Finalmente, en el nivel de de toma de decisiones menos estructurada pueden incorporarse modelos neuronales: por ejemplo, asesorando en la concesión de las tarjetas de crédito de unos grandes almacenes o a qué clientes se les envía catálogos por correo.

Nivel de gestión y decisiones estructuradas

Conforme el nivel organizativo avanza en el eje de las x, las decisiones se hacen más complejas. Si las decisiones son estructuradas, como en el análisis de presupuestos y control, contabilidad analítica, análisis contable, etc, dominan los programas convencionales, quizá incorporando algún módulo experto. Este tipo de programas se denominan Sistemas de Gestión de Información o Management Information Systems (MIS).

Nivel de gestión y decisiones no estructuradas

Conforme las decisiones se hacen menos estructuradas se hacen más necesarios los sistemas expertos. En temas puntuales como la elaboración de presupuestos, la predicción de variables financieras como el beneficio, el cash-flow, podrían incorporarse modelos neuronales. Nótese como en este esquema descrito hemos situado el análisis de la información contable en las decisiones semiestructuradas. No hay una teoría general que pueda ser aplicada paso a paso pero tampoco encaja en las decisiones completamente intuitivas o no estructuradas.

Nivel estratégico

En el nivel estratégico son barridos los programas convencionales manteniéndose únicamente las hojas de cálculo, por su capacidad de simulación. Los llamados Executive Information Systems (EIS), o Sistemas Informativos para Ejecutivos dominan las decisiones menos estructuradas, con tareas como la planificación estratégica y de contabilidad directiva. Las redes neuronales pueden cubrir un hueco importante en las decisiones no estructuradas, debido a esa capacidad de encontrar relaciones complejas entre los patrones de entrada.