INSTITUTO TECNOLOGICO SUPERIOR DE

COATZACOALCOS

ALUMNO:

Lizzet García Márquez

ASIGNATURA:

Tecnologías Innovadoras

CATEDRATICO:

LIZBETH HERNANDEZ OLAN

ACTIVIDAD:

Investigación

GRADO: 9° GRUPO:B

18 de Diciembre del 2015

ÍNDICE

INTRODUCCIÓN……………………………………........................... 3

DENDRAL……………………………………………………………….. 4

XCON……………………………………………………………………. 5

MYCIN…………………………………………………………………… 6

PROLOG………………………………………………………………… 7

DIPMETER ADVISOR…………………………………………………. 8

CONCLUSIÓN………………………………………………………….. 9

BIBLIOGRAFÍA…………………………………………………………. 10

INTRODUCCION

Como sabemos los sistemas expertos pueden almacenar el conocimiento de

expertos para un campo de especialidad determinada lo cual nos permite

solucionar un problema mediante la deducción lógica, gracias a su capacidad

de representar la transición del procesamiento de datos al procesamiento de

conocimientos sustituyendo al mismo tiempo los algoritmos por mecanismo de

inferencia.

Los sistemas expertos encuentran aplicaciones allí donde haya conocimientos

especializados y experiencia.

La aplicación de sistemas expertos será adecuada allí donde los expertos

dispongan de conocimientos complejos en un área estrechamente delimitada,

donde no existan algoritmos elaborados(o donde los existentes no puedan

solucionar algunos problemas y no existan teorías completas.

Otro campo de aplicación es allí donde hay teorías, pero resulta prácticamente

imposible analizar todos los casos teóricamente imaginables mediante

algoritmos y en un espacio de tiempo razonable.

A continuación de describirán algunos sistemas expertos que han mostrado

resultados relevantes con la finalidad de poder exhibir sus características,

fiabilidad e incluso vulnerabilidades.

Dendral

ORIGEN: Desarrollado por Edward Feigenbaum y otros programadores en la

Universidad de Stanford, a mediados de los años 60, y su desarrollo duró diez

años, (1965 a 1975).

FUNCION: Permite resolver la cuestión planteada anteriormente a través de un

proceso de búsqueda de generación y prueba jerárquica que se divide en tres

partes funcionales: plan, generación y prueba. Su base de conocimientos se

desglosa en dos conjuntos de reglas correspondientes a cada una de las fases

de desarrollo del sistema.

Fases de diseño

J. Lederber, realiza la descripción autobiográfica del desarrollo de este

sistema. A lo largo de este documento se distinguen dos fases de diseño bien

diferenciadas que se detallan a continuación.

Primera Fase Consistía en calcular todos los compuestos que podían dan

lugar al número másico de la molécula inicial, teniendo en cuenta el número

másico de cada uno de los átomos en los que se dividía el compuesto y las

restricciones de valencia. Estas restricciones permitieron podar el árbol de

posibles soluciones rápidamente, reduciendo el coste computacional de la

búsqueda exhaustiva que se estaba realizando.

Segunda Fase Intentaba modelar el procedimiento inferencia del experto

químico para encontrar la estructura molecular de la combinación que se

consideraba solución: representar dicha estructura en forma de grafo.

META-DENDRAL y GENOA

ACTULIZACIONES: META-DENDRAL es un sistema de auto-aprendizaje que

permitía inducir sus propias reglas a partir de la introspección de datos de

entrada procedentes de la fragmentación del espectrómetro másico de

moléculas cuya estructura es conocida.

DENDRAL y posteriormente su mejora META-DENDRAL tan sólo fueron

usados por investigadores y universidades. La versión más reciente del

generador de estructuras interactivo, GENOA, ha sido autorizada para uso

comercial; aunque su uso principalmente está limitado a la investigación

académica.

XCON

ORIGENES: Basado en reglas escrito en OPS5 por John P. McDermott de

CMU en 1978 para asistir a los pedidos de los sistemas de computadores VAX

de DEC (Digital Equipment Corporation) seleccionando los componentes del

sistema de acuerdo a los requerimientos del cliente.

Antes de XCON, cuando se pedía una VAX de DEC, cada cable, conexión y bit

del software tenía que pedirse por separado (las computadoras y periféricos no

se vendían completas en cajas como hoy en día). El personal de ventas no

siempre era experto técnicamente, así que los clientes podían encontrar que

tenían hardware sin los cables correctos, impresoras sin los drivers correctos,

procesadores sin el lenguaje correcto, etc. Esto significaba demoras y

provocaba una gran insatisfacción en el cliente y podía terminar en una acción

legal. XCON interactuó con el personal de Ventas, haciendo preguntas críticas

antes de imprimir una hoja de especificaciones para sistema coherente y

efectivo.

ACTULIZACIONES: El éxito de XCON llevó a DEC a reescribir XCON como

XSEL (una versión de XCON creada para ser usada por el departamento de

ventas de DEC para auxiliar a los clientes a configurar apropiadamente su VAX

(así ellos no eligirían una computadora demasiado grande como para pasar a

través de su puerta de entrada o con gabinetes muy chicos para los

componentes). Los problemas de locación y de configuración todavía eran

manejados por otro sistema experto, XSITE.

El paper de McDermott sobre el R1 ganó el AAAI Clasic Paper Award en 1999.

Legendariamente, el nombre de R1 viene de McDermott, quien se supone que

dijo mientras lo escribía, "tres años atrás quería ser un ingeniero de

conocimientos, y hoy yo somos uno" --> "Three years ago I wanted to be a

Knowledge engineer, and today I are one("Are one" en inglés tiene el mismo

sonido que R1)"

Mycin

ORIGENES: A principios de los años 70 por Edgar ShortLiffe, en la Universidad

de Stanford. Fue escrito en Lisp, e inicialmente estaba inspirado en Dendral,

otro sistema experto que tuvo cierto éxito a finales de los años 60.

FUNCION: Diagnosticar enfermedades infecciosas de la sangre, se basaba

principalmente en un sencillo motor de inferencia, que manejaba una base de

conocimiento de aproximadamente unas 500 reglas. Era capaz de “razonar” el

proceso seguido para llegar a estos diagnósticos, y de recetar medicaciones

personalizadas a cada paciente (según su estatura, peso, etc.).

El programa capturaba las entradas a partir de una serie de preguntas (como

por ejemplo, ¿Tiene el paciente molestias en el pecho?, o ¿Ha sido operado el

paciente anteriormente?), que usualmente respondía el médico del paciente.

Tras este proceso, Mycin mostraba la salida por pantalla, que consistía en una

serie de posibles enfermedades (ordenadas por su probabilidad asociada), la

explicación del por qué de cada uno de estos diagnósticos, y una serie de

recomendaciones sobre el tratamiento a seguir por el paciente. Para calcular la

probabilidad de cada uno de los resultados, los autores desarrollaron una

técnica empírica basada en factores de certeza. Estos factores de certeza se

calculaban de tal manera que en función de unas evidencias se asigna a la

hipótesis un factor de certeza.

ACTULIZACIONES: Las investigaciones realizadas por la Stanford Medical

School, desvelaron que Mycin tuvo una tasa de aciertos de aproximadamente

el 65%, lo cual mejoraba las estadísticas de la mayoría de los médicos no

especializados en el diagnóstico de infecciones bacterianas.

Poco a poco Mycin fue cayendo en desuso, debido principalmente a alguna de

las debilidades que el programa presentaba, y también, por cuestiones éticas y

legales que surgían al volcar la responsabilidad de la salud de una persona a

una máquina (por ejemplo, si Mycin se equivocaba en algún diagnóstico,

¿quién asumía la culpa, el programador o el médico?).

Otro de los motivos se achaca a la excesiva dificultad que suponía el

mantenimiento del programa. Era este uno de los principales problemas de

Mycin, y en general, de los sistemas expertos de la época, en los cuales se

dedicaban muchos esfuerzos y recursos a extraer el conocimiento necesario de

los expertos en dominio para construir el motor de inferencia.

Dipmeter Advisor

ORIGENES; Fue un sistema experto temprano desarrollado en 1980 por

Schlumberger Doll Research para auxiliar en el análisis de los datos

recolectados durante la exploración petrolera. El Asesor no era simplemente un

motor de inferencias y una base de conocimientos de 90 reglas, sino que era

una estación de trabajo completa, corriendo sobre una maquina Dolphin Lisp

de Xerox ( o, en general, en un procesador de información científica de la serie

1100 de Xerox) y escrito en INTERLISP-D, con una capa de reconocimiento de

patrones que era alimentada por una interfaz gráfica de ususario basada en

menúes. Fue desarrollado por un grupo de gente, incluyendo a Reid G. Smith,

James D. Baker, y Robert L. Young.

Era principalmente influyente, no por un gran salto técnico, sino porque era

bastante exitoso para las divisiones petroleras de Schlumberger y porque fue

una de las poco historia exitosas dentro de la burbuja de la Inteligencia Artificial

en recibir amplia publicidad.

Las reglas de Inteligencia Artificial de Dipmeter Advisor eran principalmente

derivadas de AI Gilreath, un ingeniero de interpretación de Schlumberger que

desarrolló el método de los patrones "rojo, verde, azul" de la interpretación

dipmeter. Desafortunadamente este método tenía aplicaciones limitadas en

entornos geológicos mas complejos fuera de la costa del Golfo, y el Dipmeter

Advisor era principalmente usado dentro de Schlumberger mas como una

herramienta de explosición gráfica para asistir en la interpretación de científicos

geológicos entrenados, que como una herramienta de inteligencia artificial para

ser usada por intérpretes novatos. Sin embargo, la herramienta fue un

acercamiento pionero a las estaciones de trabajo con interpretación gráfica de

la información geológica

Pueden desarrollarse Sistemas Expertos en cualquier lenguaje de

programación. Sin embargo hay algunos lenguajes que por los conceptos

dados son especialmente adecuados. En la mayoría de os casos se subordinan

lenguajes de programación a los diferentes paradigmas de programación.

Prolog

PROLOG es la abreviatura de Programming in Logic, con lo que se hace

mención a la procedencia del lenguaje. Es una relacion de la lógica de

predicados, como lenguaje de programación.

Sintaxis y Semantica: La descripción de la sintaxis en el PROLOG se limita a

las partes necesarias.

Esta descripción no corresponde, por lo tanto, el volumen total de la sintaxis y

semántica del PROLOG

Mecanismos Importantes: Los mecanismos importantes del PROLOG son:

recursividad, instanciación, verificación, unificación backtracking e inversión.

La Recursividad representa la estructura más importante en el desarrollo del

programa. En la sintaxis del PROLOG no existen los bucles FOR ni los saltos,

los bucles WHILE son de difícil incorporación. ya que las cariables sólo pueden

unificarse de una sóla vez. La recursión es más apropiada que otras

estructuras de datos recursivas como son las listas y destacan en estos casos

por una representación más sencilla y de mayor claridad.

La Instancia es la unión de una variable a una constante o estructura. La

variable ligada se comporta luego como una constante.

La verificación es el intento de derivar la estructura a comprobar de una

pregunta desde la base de conocimientos es decir, desde los hechos y reglas.

Si ello es posible, la estructura es verdadera, en caso contraria es falsa.

La Unificación es el componente principal de la verificación de estructuras. Una

estructura estará comprobada cuando puede ser unificada con un hecho, o

cuando puede unificarse con la cabecera de una regla y las estructuras del

cuerpo de dicha regla pueden ser verificadas.

CONCLUSION

Los conocimientos de un sistema experto pueden ser copiados y almacenados

fácilmente, siendo muy difícil la pérdida de éstos.

Entre las ventajas que debemos recalcar se encuentra que los sistemas

expertos sobre los humanos, es que el experto computarizado siempre está a

pleno rendimiento. Cuando un humano se cansa, la exactitud de sus consejos

puede decaer. Sin embargo, el experto computarizado siempre proporcionará

las mejores opiniones posibles dentro de las limitaciones de sus conocimientos.

Otra ventaja menos importante de un sistema experto radica en su falta de

personalidad Como probablemente sabrá, las personalidades no son siempre

compatibles. Si no se lleva bien con el humano experto, puede que se

encuentre reticente a recabar sus conocimientos.

Una última ventaja de un sistema experto está en que después de que un

experto computarizado exista, usted puede crear un nuevo experto

simplemente copiando el programa de una máquina a otra. Un humano

necesita mucho tiempo para convertirse en un especialista en ciertos campos,

lo que hace difícil que puedan aparecer nuevos especialistas humanos.

En base a esto se concluye que un Sistema Experto no posee inteligencia

propia más bien, está basado, mediante el buen diseño de su base de

información y un adecuado motor de inferencias para manipular dichos datos

los cuales le permiten determinar resoluciones finales dados ciertos criterios.

BIBLIOGRAFIA

1. Cuena, J. Notas sobre modelos de razonamiento. Dpto. de I.A., Facultad

de Informática, UPM, 1995.

2. Jackson, P. Introduction to Expert Systems Addison-Wesley, 1990.

3. Bratko, I. Prolog Programming for Artificial Intelligence, Addison-Wesley

Ltd. 1986.

4. Castillo, E., Gutiérrez, J.M. and Hadi, A.S. (1997) Expert Systems and

probabilistic Network Models. Springer Verlag, New York. Versión

castellana publicada por la Academia de Ingeniería (1998)