antecedentes de los sistemas expertos

Vista previa del material en texto

A.- ANTECEDENTES DE LOS SISTEMAS EXPERTOS. 
 
 
 Desde los comienzos de la computación, muchos investigadores 
desearon ver en el computador un potencial concurrente de inteligencia 
humana. En 1945, John Von Newman y Oskar Morgestein propusieron una 
solución teórica a toda clase de problemas relativos a juegos de estrategias y 
demostraciones automáticas. Es así como aparece la inteligencia artificial. 
En oposición a la informática tradicional, donde los computadores manipulan 
fundamentalmente información numérica, la inteligencia artificial utiliza las 
máquinas para manipular información simbólica. A pesar de los progresos 
teóricos y de algunos programas espectaculares, la decepción sustituyó el 
optimismo inicial, debido a que los algoritmos empleados se basaban en 
análisis más o menos exhaustivos de todas las posibilidades que se podían 
presentar en la resolución de un problema, y por consiguiente los tiempos de 
ejecución crecían exponencialmente en función de la complejidad del 
problema (Explosión Combinatoria). 
 
La inteligencia artificial (I.A.) propiamente dicha aparece al final de la 
década de los años 50, cuando se comenzó a tratar de emular el 
comportamiento del ser humano por medio de un computador, usando para 
24 
 25 
ello algunos algoritmos que buscaban la mejor solución posible a 
determinados problemas. 
 
 Estos algoritmos buscaban exhaustivamente hasta encontrar la 
solución, por lo que eran muy lentos. Como la inteligencia artificial se basa 
en apoyar el razonamiento simbólico, comenzaron a surgir lenguajes de 
programación que apoyaron al mismo. 
 
 El primer lenguaje simbólico desarrollado fue el IPL, el cual dio inicio a 
una serie de lenguajes cada vez más perfeccionados en el campo. Los 
algoritmos funcionaban, pero sólo de forma teórica y general, sin emplear el 
conocimiento de las personas que conocían los temas. Esto llevó a un 
temprano fracaso dichos esfuerzos, por lo cual algunos investigadores 
comenzaron a buscar la alternativa que permitiera solucionar problemas 
reales más eficazmente. 
 
 La concepción de los sistemas expertos surge durante los años 60, 
cuando los investigadores tratan de luchar en contra de las ideas existentes 
para la época, las cuales consistían en el desarrollo de herramientas 
generales para la representación del conocimiento en vez de desarrollar 
herramientas que manejaran dominios particulares de estudio. 
 
 26 
 Con la difusión de los primeros ordenadores en esta década, los 
estudios ya realizados en el campo de la resolución de problemas se 
intentaron trasladar a los ordenadores. Surgen nuevos problemas como son 
la representación de los conocimientos en la memoria del computador, la 
representación de las relaciones entre los conocimientos, etc. 
 
 Uno de los problemas que surgió en aquel entonces fue la aparición 
de la explosión combinatoria en los cálculos exhaustivos que limitaba la 
profundidad en los mismos y el número de conocimientos que se podían 
procesar, es decir, se calculaban todas las posibles soluciones para luego 
elegir la óptima. Aparecen entonces los primeros algoritmos de poda. 
 
 El error que se cometió fue emprender un problema tan general y tan 
amplio con herramientas poco adecuadas. Tanto el software como el 
hardware estaban adaptados al cálculo numérico y no simbólico, los 
ordenadores eran lentos y tenían poca capacidad de memoria, es decir, se 
gastaban muchos recursos y éstos eran caros, además los conocimientos 
lógico-matemáticos necesarios para estos desarrollos todavía estaban en su 
infancia. 
 
 Una de las investigaciones más significativas para ese momento fue la 
realizada por los investigadores Feigenbaum y Lederberg, en la Universidad 
de Stanford y a partir de 1.965, con el programa Dendral. Posteriormente 
 27 
MYCIN (Sistema Experto de Diagnóstico Médico en el Area de Infecciones 
Bacterianas) impuso la noción fundamental de separación del conocimiento y 
la estrategia del razonamiento. Comenzaron a surgir los primeros sistemas 
expertos a mediados de los años 70, siendo los pioneros de una disciplina 
cuya importancia crece cada día más y cuyo desarrollo ha implicado grandes 
avances tecnológicos en el campo de la inteligencia artificial desde entonces 
hasta ahora. 
 
 En la década de los setenta, coincidiendo con la tercera época de la 
I.A., los planteamientos en el campo de la resolución de problemas cambian. 
No conociéndose los mecanismos generales de resolución de la mente 
humana se pensó en simular los mismos para campos muy concretos del 
conocimiento. Es decir, se imita la forma externa o comportamiento 
aparente, que es precisamente el enfoque completamente opuesto a la línea 
de investigación de las redes neuronales. 
 
 El manejo eficaz de los conocimientos dio entonces sus primeros 
pasos: los Sistemas Expertos. Esto llenó de nuevo de optimismo a la 
comunidad científica que entre otras cosas había visto como las 
subvenciones por parte de los gobiernos se recortaban y en muchos casos 
desaparecían ante la falta de logros palpables en el campo de la I.A. 
 
 28 
 El precursor de los sistemas expertos actuales es el sistema 
DENDRAL que incorporaba una gran cantidad de conocimientos que no 
estaban incluidos en el programa de la Universidad de Standford. Utilizaba 
para la representación de conocimiento las reglas de producción, si bien su 
modo de funcionamiento se acercaba más a la filosofía de la resolución 
automática que a la de los sistemas expertos. Según Haton y Haton (1991, 
p.90) “El sistema era capaz de determinar la estructura química de un 
compuesto orgánico a partir de los resultados obtenidos mediante un 
espectrógrafo de masas”. Un desarrollo mejorado del mismo todavía se 
utiliza en la industria química. 
 
 De los sistemas expertos construidos en esa época son famosos el 
Prospector, especializado en prospecciones mineras especialmente las 
petrolíferas, y el Mycin, basado en el diagnóstico y terapia de enfermedades 
infecciosas de origen bacteriano que contaba con unas 400 reglas. 
 
 En la década de los ochenta, existen dos grandes líneas de 
investigación y desarrollo, que son: 
 
1.- Divulgación o popularización de los Sistemas Expertos 
como una metodología que puede resolver de una forma 
adecuada múltiples problemas. Esta línea ha materializado 
sus investigaciones en el desarrollo de lenguajes, 
herramientas, entornos y sistemas vacíos que funcionan en 
pequeños ordenadores. 
 
 29 
2.- Generalización de los Sistemas Expertos que permitan 
ampliar el campo de conocimientos cuyos primeros logros 
han sido la comercialización de ordenadores o máquinas 
simbólicas el desarrollo de los ordenadores y lenguajes 
paralelos. 
 
(Sánchez y Beltrán, 1990, pp.15,16). 
 
 Actualmente, gracias a los Sistemas Expertos, se ha asistido al 
nacimiento de una nueva rama del saber: La Ingeniería del Conocimiento, 
del Saber o Cognoscitiva; que es la parte de la I.A. que estudia los sistemas 
expertos o basados en conocimientos y que es sin duda en estos momentos 
el campo más prometedor de la I.A. 
 
 En resumen, Sánchez y Beltrán (1990, p.27) expone que la historia de 
los sistemas expertos puede dividirse en tres etapas: 
 
1.- La primera época que llega hasta el año 1974 y que se denomina la 
"prehistoria de los sistemas expertos". Durante esta etapa se crearon las 
bases teóricas que van a posibilitar la concepción de los sistemas expertos, 
también se desarrollaron los lenguajes de programación y ordenadores para 
su utilización. 
 
2.- La segunda época, desde 1974 hasta 1984; en ella se construyen de 
una forma artesanal los sistemas expertos y se ponen en marcha los grandes 
 30 
proyectos de investigación y desarrollo que de una u otra forma incluyen a 
los sistemas expertos. 
 
3.- La tercera época, comienza en 1984 y todavía se sigue en ella. Se 
caracteriza por lagran difusión de los lenguajes especializados, herramientas 
y sistemas vacíos, gracias a su comercialización en pequeños ordenadores. 
 31 
B.- FUNDAMENTACIÓN TEÓRICA 
 
 
1.- Definición de Inteligencia Artificial. 
 
 La inteligencia artificial (IA) es la solución de problemas complejos, 
con el apoyo del computador mediante la aplicación de procesos que son 
análogos al proceso del razonamiento humano. A través de la IA, los 
sistemas expertos captan el conocimiento básico que permite a una persona 
desempeñarse como un experto frente a problemas complicados. Según 
Sánchez y Beltrán (1990, p.5) “La I.A. trata de la compresión de la 
inteligencia y del diseño de máquinas inteligentes”, es decir, el estudio y la 
simulación de las actividades intelectuales del hombre (manipulación, 
razonamiento, percepción, aprendizaje, creación, etc.). 
 
2.- Características de la Inteligencia Artificial. 
 
 La inteligencia artificial trata sobre el diseño de sistemas 
computarizados cuya característica principal es la de exhibir factores que 
asociamos con la inteligencia humana, tales como el entendimiento del 
lenguaje corporal, las etapas de aprendizaje y el razonamiento para la 
solución de problemas. 
 
 32 
 La lógica formal es el método más antiguo utilizado por la inteligencia 
artificial para representar el conocimiento de los humanos expertos. El 
sistema de lógica formal más ampliamente empleado es la lógica de 
predicados, la cual está formada por cuatro componentes: el alfabeto, el 
lenguaje formal, los axiomas y las reglas de inferencia. 
 
 Las aplicaciones de la inteligencia artificial se diferencian de los 
sistemas de información convencionales, ya que se manejan conocimientos 
en vez de información y este conocimiento es representado por medio de 
símbolos. 
 
 La inteligencia artificial infiere el conocimiento humano por medio de la 
inferencia simbólica y realizan una búsqueda basada en la heurística. La 
heurística tiene reglas generales en forma de opiniones o reglas empíricas 
que sugieren procedimientos que se pueden seguir cuando no existen reglas 
de procedimientos invariables. Dichas reglas son aproximadas y son 
generalmente acuñadas por el experto a través de años de experiencias. 
 
3.- Áreas de Aplicación de la Inteligencia Artificial. 
 
 La inteligencia artificial abarca un campo bastante amplio en relación 
con las siguientes áreas: 
 
 33 
a) Sistemas Expertos: Evalúa el conocimiento del ser humano con 
experiencia, emulado su comportamiento y razonamiento. Haton y otros 
(1991, p.21) explican que los sistemas expertos estudian la simulación de los 
procesos intelectuales de los expertos humanos como pueden ser la 
interpretación de datos, el diagnóstico, la corrección, la monitorización, la 
corrección, el control, la predicción, la planificación, el diseño y la enseñanza. 
 
b) Reconocimiento de la Voz: Trata de reconocer información a través 
de la identificación de sonidos. Su objetivo es que los computadores 
entiendan y reconozcan voces humanas, simplificando el proceso de 
comunicación interactiva hombre-máquina. Según Haton y otros (1991, p.18) 
esta área presenta dos aspectos: (a) Reconocimiento –hablar a una 
máquina y hacerse entender, y (b) Síntesis –hacer hablar a una máquina. 
Esto ofrece analogías con el tratamiento del lenguaje natural escrito. 
 
c) Visión Artificial: Consiste en el reconocimiento por medio de la vista 
utilizando sensores y cámaras. Estudia la identificación, inspección, 
localización y verificación de objetos. Este campo está muy unido al de la 
robótica pues una de las necesidades básicas de los robots es poder "ver". 
 
d) Lenguaje Natural: Trata de emular el lenguaje natural humano. 
Estudia el uso del lenguaje natural como medio de comunicación con las 
máquinas; según Haton y otros (1991, p.17) “Es un problema complejo pues 
 34 
intervienen distintos procesos como son la comprensión del lenguaje, la 
síntesis y el análisis de la voz, el resumen y la traducción”. Existen dos 
subdivisiones del lenguaje natural: la Comprensión, que investiga métodos 
que permitan al computador comprender instrucciones dadas en este tipo de 
lenguaje; y la Generación, la cual intenta que el ordenador sea capaz de 
expresarse en lenguaje ordinario, de atl forma que las personas puedan 
entender a los computadores más fácilmente. 
 
e) Robótica: Emula los movimientos motores del ser humano y estudia 
las máquinas capaces de realizar procesos mecánicos repetitivos y tareas 
manuales de las cuales es capaz el hombre. Un robot es un dispositivo 
electromecánico que puede ser programado para que realice tareas 
manuales y que incluye alguna forma de aparato sensorial que le permite 
responder a cambios en su entorno en lugar de seguir instrucciones 
establecidas previamente. 
 
f) Redes Neurales: Tratan de emular el comportamiento de las 
neuronas del cerebro humano y marca lo que es el aprendizaje automático. 
Es una técnica de modelación que se basa en el comportamiento observado 
de las neuronas del cerebro humano, usada para imitar el desempeño de un 
sistema. Consiste en un conjunto de elementos que se conectan al 
comienzo en un patrón aleatorio y con base en la retroalimentación 
 35 
operacional, son moldeados en el patrón requerido para obtener los 
resultados deseados. 
 
g) Algoritmos Genéticos: Son técnicas basadas en la selección natural, 
que incluyen métodos de búsqueda de soluciones en espacios extensos que 
utilizan conceptos derivados de genéticas aplicadas a la computación. Las 
generaciones son creadas, combinadas y evaluadas usando operaciones 
genéticas para encontrar la solución más cercana a lo óptimo. 
 
h) Lógica Difusa: Consiste en una técnica matemática que puede tratar 
con valores de 0 y 1 y es más parecida a la lógica humana que a la digital. 
Los resultados pueden ser en mayor parte verdaderos y en mayor parte 
falsos, en vez de verdaderos y falsos exclusivamente. 
 
i) Programación Automática: Trata de eliminar la función del 
programador. Consiste en crear programas especiales que actuen como 
herramientas inteligentes, ayudando a los programadores en cualquier fase 
del proceso de programación. Estudia las formas automáticas de generar 
programas que resuelvan los problemas planteados cumpliéndose una serie 
de especificaciones. Otras tareas que se analizan son: la verificación, 
depuración y optimización de programas. Trata de eliminar la función del 
programador. 
 
 36 
j) Juegos: Estudia aquellos problemas cuya resolución no necesita de 
explicación y justificación, sino que basta con que se cumplan una serie de 
leyes o reglas del juego. Haton y otros (1991, p.20) opinan que el interés de 
estos trabajos excede el aspecto lúdico, pues se plantean conceptos 
generales de búsqueda de soluciones, empleando estrategias heurísticas. 
 
4.- Programación Tradicional Vs. Inteligencia Artificial. 
 
 Tradicionalmente se han usado por décadas técnicas de prograamción 
convencionales para desarrollar los grandes sistemas de procesamiento de 
datos, normalmente asociados a computadores. Dichos sistemas se 
caracterizan por coleccionar y procesar grandes volúmenes de datos, 
mediante algoritmos complejos, los cuales son una serie de procedimientos 
conformados por pasos elementales que garantizan que siempre y cuando 
los datos introducidos sean los correctos, se logrará obtener la solución 
correcta. No obstante, el funcionamiento de un programa convencional solo 
puede ser entendido por un programador, ya que si otra persona detiene un 
programa en medio de su ejecución y trata de examinar el código de dicho 
programa para decifrar lo que en ese momento se está ejecutando, lo más 
seguro es que no lo logre. En este sentido, los sistemas basados en 
inteligencia artificial son muy diferentes: son interactivos, ya que el usuario 
puededetener la ejecución en cualquier momento y preguntar por qué el 
programa ha realizado determinada pregunta o ha planteado cierta solución. 
 37 
 Por otro lado, cabe destacar la existencia de un conjunto de 
diferencias fundamentales entre los sistemas de inteligencia artificial y los 
sistemas de programación tradicional, entre las cuales se encuentran: 
 
a) La tarea realizada por un sistema de inteligencia artificial fue realizada 
anteriormente por un especialista humano entendido en la materia. 
 
b) Los sistemas de inteligencia artificial son mantenidos por ingenieros de 
conocimiento y por expertos, mientras que el mantenimiento de programas 
tradicionales es llevado a cabo por programadores. 
 
c) La base de conocimientos de un sistema de inteligencia artificial es 
legible, fácil de modificar y se encuentra estructurada simbólicamente en una 
memoria de trabajo global, orientada al procesamiento simbólico. 
 
d) La base de datos de un sistema de programación tradicional depende 
de direccionamientos numéricos y está orientada a su procesamiento. 
 
e) La estructura global de los programas tradicionales descansa 
fundamentalmente en algoritmos, mientras que la de los sistemas de 
inteligencia artificial se basa principalemente en procedimientos heurísticos. 
 38 
f) El procesamiento en los sistemas de programación tradicional es 
secuencial y por lotes, mientras que en los sistemas de inteligencia artificial 
es muy interactivo. 
 
 Otra diferencia que pudo ser observada entre ambos sistemas la 
constituye la metodología de trabajo de los ingenieros de conocimiento, ya 
que se encarga tanto del desarrollo del software como del análisis del modo 
en que los expertos humanos resuelven los problemas. De esta manera los 
ingenieros humanos trabajan en conjunto con los expertos humanos 
ayudándoles a describir su conocimiento y estrategias de inferencia, de tal 
modo que puedan ser codificadas, logrando así combinar grandes dosis de 
psicología cognitiva con técnicas de programación simbólica para el 
desarrollo de sistemas basados en inteligencia artificial. 
 
 Mientras la programación tradicional se basa en los algoritmos, los 
sistemas expertos lo hacen en la heurística. Los algoritmos son: 
 
a) Determinísticos, ya que partiendo de los mismos datos se llega a los 
mismos resultados. 
 
b) Masivos, porque son aplicables a toda clase de problemas. 
 
 39 
c) Resolutivos, ya que siempre llegan a la solución si no existe un error 
en la entrada de datos. 
 
Por otro lado, los heurísticos resuelven todos los problemas de una 
clase a partir de un conjunto de operaciones elementales y se conforman de 
algoritmos experimentales fruto de la experiencia al solucionar por lo menos 
una primera vez determinado problema. Son: 
 
a) Determinísticos, ya que una vez establecido el heurístico partiendo 
de los mismos datos se llega a los mismos resultados. 
 
b) Masivos, ya que es aplicable a todos los problemas de una clase. 
 
c) No resolutivos, pues no garantizan la resolución de un problema y de 
encontrarla no necesariamente tiene que ser la más óptima. 
 
5.- Definición de Sistemas Expertos. 
 
 Los Sistemas Expertos son una rama de la inteligencia artificial cuya 
función es la de emular el comportamiento y razonamiento de un humano 
experto en la solución de problemas, usando para ello la heurística. 
 
 40 
Constituyen un tipo de aplicación informática que soluciona 
problemas complejos o específicos que de otra manera exigirían 
ampliamente la pericia humana. Para lograr esto se simula el 
proceso de razonamiento humano mediante la aplicación de 
conocimientos e inferencia. 
 
(Rolston, 1990, p.2). 
 
 
6.- Características de los Sistemas Expertos. 
 
a) Según Ganascia (1994, p.71) “El conocimiento manipulado por el 
sistema experto se basa exclusivamente en la experiencia del experto en un 
área determinada”, usando para ello conocimiento heurístico y 
diferenciándose de esta forma de los sistemas de información y de otros 
sistemas. 
 
b) En un sistema experto, los problemas tratados son específicos y 
deben estar englobados dentro de un alcance preestablecido, de allí que los 
sistemas expertos son especialistas en un ámbito y no en una tarea, como 
ocurre en los programas convencionales. 
 
c) Los sistemas expertos se caracterizan por su carácter declarativo, es 
decir, compuesto por un conjunto de especificaciones independientes unas 
de las otras. 
 
 41 
d) Un sistema experto es capaz de dar explicaciones de sus 
razonamientos, mostrando al usuario como llegó a la solución de un 
problema. También establece las consultas de manera clara para el usuario, 
permitiendo esto que se le facilite la interacción en el sistema y el 
entendimiento del mismo. 
 
e) En los sistemas expertos actuales el conocimiento debe introducirse 
previamente. Para ello debe extraérsele previamente al experto humano, 
después este conocimiento hay que representarlo en el propio sistema 
experto y por último el conocimiento tiene que ser aplicable a la resolución de 
problemas y tiene que podérsele comunicar al usuario del sistema. 
 
f) La fiabilidad que se le da a un sistema experto es demostrada por sus 
explicaciones y por sus "éxitos" en la resolución brillante de las tareas que se 
le encomiendan, al igual que ocurre con los seres humanos. 
 
g) Un sistema experto es solo experto en un campo muy reducido del 
saber, ya que por razones físicas y por el tiempo requerido para su 
procesamiento, tiene una limitación en el conocimiento que puede contener. 
 
h) En un sistema experto es el mismo conocimiento el que resuelve y el 
que explica un problema determinado. 
 
 42 
i) La estrategia general de resolución de problemas de un sistema 
experto es realmente el control del sistema, que se denomina motor de 
inferencia. 
 
j) El conocimiento en un sistema experto tiene que estar en forma de 
unidades elementales del mismo que puedan relacionarse unas con otras y 
que le permitan conocer cuál de ellas ha actuado, cuándo y por qué. 
 
k) Según Rauch-Hindin (1989, p.71) “Los sistemas expertos tienen que 
ser flexibles”, es decir, poder modificar el conocimiento que tienen 
almacenado en forma sencilla y sin que esto afecte al resto del sistema. 
 
l) La base de conocimientos de un sistema experto nunca está completa 
y por ello se va completando poco a poco en el transcurso del tiempo. 
 
m) Las funciones de control, los datos o hechos y el conocimiento en un 
sistema experto son totalmente independientes entre sí. 
 
n) Los sistemas expertos emplean preferentemente el razonamiento 
simbólico frente al procesamiento numérico o algoritmo que utilizan los 
programas tradicionales. 
 
 43 
o) Los sistemas expertos tienen la capacidad de actuar como módelo de 
predicción para resolver problemas en un dominio dado, al proveer 
respuestas adecuadas a una solución particular y exhibir cómo cambian 
estas respuestas en nuevas situaciones. 
 
p) Permiten capitalizar el conocimiento que contiene las estrategias y 
métodos de operación de la empresa, como un bien activo evitando así la 
fuga, desplazamiento o pérdida del mismo. 
 
7.- Participantes en el Desarrollo de los Sistemas Expertos. 
 
Los integrantes que básicamente conforman el equipo que desarrolla 
un sistema experto son los siguientes: 
 
a) Experto: es aquella persona con amplio conocimiento en un área 
determinada de la empresa. El experto es valioso para la empresa desde 
todo punto de vista, al significar una fuente de conocimiento que pone a 
producir eficazmente varios factores. El experto conoce tan bien el área 
donde se desenvuelve que ha desarrollado técnicas propias para efectuar 
rápidamente tareas en las que usualmente un no experto invierte mucho 
tiempo (ver cuadro 1). 
 
 44 
 Las características generales y externas de los expertos humanos son 
las siguientes:I. Son personas raras, tanto por su escaso número como por su 
comportamiento "poco ortodoxo" e "incomprensible" frente a los problemas 
con que se enfrentan. 
 
II. Son caros por su escaso número y por necesitar un largo período de 
aprendizaje. 
 
III. No siempre están disponibles, pues son humanos y cuando se 
jubilan o mueren se llevan con ellos todos sus conocimientos. Es por ello 
que tradicionalmente van acompañados de un "aprendiz" y que en la 
actualidad las grandes empresas los tengan "duplicados" con el fin de contar 
con relevo. 
 
IV. Hay expertos que además tienen mal carácter, son informales o poco 
comunicativos, lo que a veces les hace antipáticos. 
 
V. Emplean poco tiempo en la resolución de problemas. 
 
VI. Su eficiencia resolutiva y su organización son altas. 
 
 45 
VII. Emplean estrategias, tácticas y cálculos aproximados. 
 
VIII. Su búsqueda de soluciones se basa en la heurística. 
 
IX. El tiempo de formación de un experto se estima entre cinco y diez 
años. 
 
Cuadro 1. DIFERENCIAS ENTRE UN EXPERTO Y UN NO EXPERTO HUMANOS 
(Sánchez y Beltrán, 1990, p.17). 
 
Características Experto No Experto 
Tiempo de resolución 
Eficacia Resolutiva 
Organización 
Estrategias y Tácticas 
Búsqueda de Soluciones 
Cálculos Aproximados 
Pequeño 
Alta 
Alta 
Sí 
Heurística 
Sí 
Grande 
Baja 
Baja 
No 
No heurística 
No 
 
Nota: La medición se hace comparando dos extremos opuestos y es relativa a la evaluación 
del supervisor. 
 
b) Ingeniero del Conocimiento: es el encargado de recopilar y 
organizar el conocimiento proporcionado por el experto, además de planificar 
la adquisición del conocimiento, diseña el sistema y también puede participar 
en la implementación del mismo. Pueden existir en el desarrollo del sistema 
cuantos ingenieros del conocimiento sean necesarios de acuerdo a la 
extensión del sistema. 
 
 46 
c) Tutores: Actúan como guías en el desarrollo del proyecto, 
supervisando y corrigiendo todo lo relacionado con la evolución de las 
diferentes etapas involucradas en la evolución del sistema. 
 
d) Usuarios: Son quienes utilizan el sistema en toda su amplitud y 
constituyen los puntos claves a la hora de realizar las pruebas de aceptación 
del sistema experto. 
 
8.- Ventajas de un Sistema Experto. 
 
 Una de las ventajas más resaltantes del sistema experto es que sus 
unidades de información pueden ser cambiadas o eliminadas sin modificar a 
las demás, ya que constituyen estructuras independientes. 
 
 La capacidad de crecer mediante la expansión de la base de 
conocimientos a medida que el experto va adquiriendo más experiencias, 
permite que el sistema se vaya enriqueciendo cada vez más. 
 
 La existencia de un sistema experto disminuye la dependencia que 
una empresa pueda tener con un experto. La presencia de ese experto se 
hace la mayoría de las veces imprescindible de tal forma que en su ausencia 
los problemas tardarían mucho en solucionarse. Con un sistema experto 
 47 
cualquier persona que no sea experta dispone del conocimiento del experto y 
puede llegar a solucionar problemas tan bien como él. 
 
 El modo en el cual está representado el conocimiento hace que éste 
sea más legible y entendible, que el código de un programa convencional. 
 
 Los sistemas expertos están siempre disponibles a cualquier hora del 
día y de la noche y de forma ininterrumpida, a diferencia de los expertos 
humanos. 
 
Pueden duplicarse, mantienen el humor, pueden situarse en 
cualquier lugar donde sean necesarios, toman decisiones 
homogéneas, son fáciles de reprogramar, perduran y crecen en 
el tiempo de forma indefinida y pueden ser consultados por 
personas u otros sistemas informáticos. 
 
(Sánchez y Beltrán, 1990, pp.25,26). 
 
9.- Componentes de un Sistema Experto. 
 
 Por lo general los componentes de un sistema experto son 
independientes unos de otros y forman unidades separadas. Los datos están 
agrupados en lo que se denomina Base de Hechos, los algoritmos no existen 
y en su lugar se utilizan sistemas de representación de conocimientos de tipo 
declarativo que forman la Base de Reglas. Estos dos componentes a su vez 
conforman la Base de Conocimientos. El control es independiente y se 
 48 
denomina Motor de Inferencia. La Base de conocimientos se alimenta a 
través del Editor y si se dispone del Módulo opcional de Explicación se puede 
indicar al usuario cuál camino se siguió durante el razonamiento. Por último, 
las entradas y salidas de datos son similares a los programas tradicionales y 
conforman el Módulo de Comunicación que se subdivide en Módulo de 
Consulta o del Usuario y Módulo de Trabajo o del Experto. 
 
a) Base de Conocimientos: Es el resultado de la estructuración del 
conocimiento; contiene los hechos, estructuras y reglas que lo representan. 
Es una estructura de información que encierra el conocimiento y que es 
susceptible de ser procesada por un lado y actualizada por otro. La misión 
fundamental de la base de conocimientos es reunir los conocimientos de los 
expertos humanos en un tema (dominio) considerado, lo cual suele ser tarea 
de meses e incluso años de trabajo y colaboración entre personal informático 
y expertos en el dominio de aplicación. Se puede hablar de dos tipos de 
conocimientos: conocimiento factual y conocimiento heurístico. El 
conocimiento factual se compone de hechos, es decir, afirmaciones relativas 
al dominio del experto. Los conocimientos de naturaleza heurística con 
aquellos que traducen instrucciones, que interpretan la experiencia del 
experto, incluso sus convicciones. Por lo tanto, a diferencia del anterior, es 
un conocimiento que entra en el terreno de lo discutible. 
 
 Las Bases de Conocimientos se dividen en dos partes: 
 49 
I. Base de Hechos: Según Benchimol (1990, p.66) “Incorpora el 
conocimiento factual”. Es una memoria de trabajo que contiene información 
sobre las características del mundo (dominio) en el que opera el sistema. Se 
denominan hechos a la información que es invariable de una a otra 
resolución mientras que se suele denominar datos a aquella información que 
sí puede variar. Los hechos pueden formar parte del sistema experto 
mientras que los datos deben estructurarse en ficheros independientes. 
 
II. Base de Reglas: Según Benchimol (1990, p.66) “Contiene 
conocimientos en forma explotable por los procedimientos de manipulación 
del sistema experto”. En la base de reglas el experto humano expresa su 
modelo de razonamiento, su experiencia. Winston (1994, p.131) afirma que 
una regla de decisión es un formalismo que permite expresar una 
determinada aserción de la forma: Si Premisas entonces Conclusión. Las 
premisas expresan las condiciones que se deben verificar para que la regla 
sea aplicable. La conclusión indica los mismos hechos que pueden 
deducirse de las hipótesis. 
 
b) Motor de Inferencia: Es la parte que contiene las estrategias de 
inferencia y control que utiliza el experto para la solución de los problemas, 
ya que construye de una forma dinámica las soluciones. Según Sánchez y 
Beltrán (1990, p.37) “Selecciona, decide, interpreta y aplica el conocimiento 
de la Base de Conocimientos sobre la Base de Hechos con el fin de obtener 
 50 
la solución buscada”. Comprende las diversas estrategias utilizadas para 
realizar inferencias y controlar el proceso de razonamiento. Se caracteriza 
por ser independiente del conocimiento y de los hechos. Una variación en 
cualquiera de las bases puede significar una variación en el resultado, pero 
no variará el control y por lo tanto éste permanecerá libre de errores. Un 
mismo motor de inferencia puede ser la base de varios sistemas expertos en 
diferentes campos del conocimiento. 
 
 El funcionamiento general de un motor de inferencia es el siguiente: 
 
I. Evaluación, en la cual se selecciona el conocimiento a emplear. 
II. Comprobación,de que el conocimiento es aplicable. 
III. Ejecución, en la cual se aplica el conocimiento. 
IV. Comprobación de la condición final. 
V. Control de las reglas activas. 
 
 En general un motor de inferencia viene definido por las siguientes 
características: 
 
I. El lenguaje con el cual ha sido escrito. 
II. La velocidad de trabajo (inferencias por segundo). 
III. Las estrategias que utiliza. 
IV. El sistema de elección del conocimiento. 
 51 
V. La posibilidad de utilizar metaconocimientos. 
VI. El orden de la lógica que emplea. 
VII. El método de evaluación. 
 
 En un sistema experto el motor de inferencia puede utilizar dos 
estrategias en la búsqueda de soluciones dentro del espacio de todas las 
posibles, pudiendo ser de forma no ordenada y ordenada. La búsqueda no 
ordenada de soluciones puede ser: 
 
I. Aleatoria: 
 
 Consiste en recorrer de forma exhaustiva o también llamada 
combinacional toda la base de conocimientos, método que sólo es válido 
cuando ésta es pequeña o la velocidad de búsqueda es alta. Con este 
método se buscan todas las soluciones posibles con lo cual se elige la más 
óptima. 
 
II. Heurística: 
 
 Consiste en dividir la base de conocimientos en módulos y solamente 
se busca en alguna de estas partes según lo indique el metaconocimiento, 
con lo cual se ahorra gran cantidad de tiempo. La solución alcanzada se 
aproxima tanto más a la solución óptima cuanto mejor sea el conocimiento 
 52 
heurístico que contenga el sistema experto. Este método es el más 
adecuado cuando la cantidad de posibles soluciones es grande. 
 
 Por otro lado, la búsqueda ordenada de soluciones se basa en el 
encadenamiento del conocimiento cuando éste está representado en forma 
de reglas. Este encadenamiento se consigue haciendo que el consecuente o 
acción de una regla se convierta en el antecedente de la regla siguiente a 
considerar, lo cual genera estructuras en forma de árbol. Este método 
admite el uso de heurísticos que permitan la poda del árbol de soluciones. 
También pueden hacerse por algoritmos. Tanto los heurísticos como los 
algoritmos de poda pueden ser ciegos si actúan sin tener en cuenta el 
conocimiento sino únicamente la estructura o los coeficientes incluidos para 
este fin, o no ciegos si lo que consideran son los conocimientos. Existen 
varios sentidos de encadenamiento que son encadenamiento hacia delante, 
encadenamiento hacia atrás y encadenamiento mixto. 
 
I. Encadenamiento hacia Adelante: 
 
 Consiste en enlazar los conocimientos a partir de ciertos datos con el 
fin de obtener una solución a un problema y es el modelo de trabajo más 
acostumbrado. También se le llama Guiado por los Datos o Deductivo. 
Está basado en la regla del “modus ponens” que se explica más adelante. La 
 53 
ventaja de utilizar este tipo de encadenamiento es su sencillez y que la 
entrada de datos es única y al principio del programa. 
 
 Esta conformado por: 
 
• Selección de Reglas Candidatas: En esta primera fase se produce 
un filtro que es un patrón por medio del cual se establece qué reglas son 
candidatas válidas para su posible aplicación. Serán candidatas válidas 
aquellas cuyas premisas se verifiquen, es decir, aquellas reglas cuyas 
premisas estén en la base de hechos del sistema. Potencialmente, 
cualquiera de estas reglas puede ser accionada incluyendo la conclusión en 
la base de hechos. 
 
• Elección: De las reglas candidatas en la base de selección se elige 
una que realmente es la que se dispara. Los criterios heurísticos para 
realizar la selección son múltiples y deben proseguir la elección de la regla 
que mejor se ajusta a las exigencias del momento. 
 
• Aplicación: Los términos integrantes de la parte derecha (conclusión) 
de la regla elegida se agregan a la base de hechos del sistema. 
 
 54 
 El ciclo formado por los tres puntos anteriores se repite hasta que el 
hecho que se ha fijado como meta se incluye en la base de conocimientos o 
hasta que en un momento dado ninguna regla es aplicable. Este modo de 
trabajo tiene riesgos evidentes. El criterio de selección de la regla que debe 
ser aplicada se convierte en un punto clave para el buen funcionamiento del 
motor. 
 
 La estrategia de encadenamiento hacia adelante es recomendada 
cuando el objetivo o solución tiene que construirse o elaborarse, lo cual 
puede ser necesario si el número de resultados posibles es muy grande. En 
los sistemas que utilizan este tipo de estrategia, las premisas de las reglas 
son examinadas para verificar si son o no son verdaderas, dada la 
información posible, Si la respuesta es afirmativa, las conclusiones son 
añadidas a la lista de hechos conocidos como verdaderos y el sistema vuelve 
a examinar las reglas. 
 
II. Encadenamiento hacia Atrás: 
 
 Consiste en comprobar que un objetivo es cierto: basándose en unos 
hechos que forman el universo del sistema y a unos conocimientos 
determinados, se puede asociar el proceso de contraste del método 
científico. Tiene su fundamento en el “modus tollens” el cual se explica más 
adelante. El enfoque aquí es el contrario. Partiendo de un objetivo 
 55 
perseguido, éste se reduce a subobjetivos más elementales, recorriendo 
subobjetivos y buscando respuestas. El encadenamiento hacia atrás resulta 
ser muy eficaz si los resultados posibles con conocidos y si su número es 
razonablemente pequeño. En este modo de encadenamiento las soluciones 
deben ser conocidas de antemano, mientras que los datos pueden 
introducirse a lo largo del programa. De un hecho así inducido se puede 
asegurar su “no-falsedad”. La ventaja del método es su gran potencia y los 
inconvenientes técnicos son la necesidad de emplear procesos recursivos. 
También se le llama Impulso por Objetivos o Inductivo. El ciclo de 
funcionamiento se traduce en los pasos siguientes: 
 
• Búsqueda de las reglas cuya conclusión se corresponde con el 
objetivo perseguido. 
 
• Elección de una regla entre éstas. 
 
• Reemplazo del objetivo por la conjunción de las premisas de la regla 
como subobjetivos equivalentes a él. 
 
 El ciclo termina cuando el objetivo inicial ha podido reducirse a 
objetivos elementales que pertenecen a la base de hechos o cuando 
nuevamente no exista ninguna regla aplicable. Este modo de trabajo 
 56 
también conlleva riesgos, como caer en ciclos de razonamiento del tipo "para 
concluir que B necesito averiguar A, y para concluir A necesito averiguar B". 
 
III. Encadenamiento Mixto: 
 
 Es el más empleado en los sistemas expertos y consiste en buscar un 
conjunto de soluciones mediante un encadenamiento hacia delante, tras lo 
cual mediante el encadenamiento hacia atrás se verifican estas soluciones. 
También el encadenamiento hacia delante sirve para guiar la búsqueda de 
soluciones. Los sistemas que usan este tipo de encadenamiento son 
susceptibles de entrar en lazos infinitos, por lo cual hay que dotarlos de 
detectores y abridores de lazos. Por ejemplo: 
 
R1 = A si B y C R2 = A si C y D 
R3 = B si E R4 = C si E y F 
 
Los datos ingresados al sistema son B y F y se desea conocer si A es 
cierta o falsa. El sistema aplica marcha hacia atrás con el fin de intentar 
demostrar A: Se aplica R1, B es el dato y para C se aplica R4, pero como E 
no es conocido entonces no se cumple. Se prueba R2, pero falla al hacerlo 
R4. Se prueba R3, que no se cumple. Entonces, como termina la prueba sin 
demostrar nada, se aplica marcha hacia delante: Se aplica R3 y aparece E 
como dato nuevo. Luego se reinicia marcha hacia atrás: Se cumple R1 al 
 57 
cumplirse ya R4, con lo cual se demuestra que A es cierto. En caso de no 
haber podido generar nuevos datos hacia delante, sería necesario introducir 
al motor de inferencia nuevos datos. El árbol creado es: 
 
 A 
 * * 
 * y * 
 * * 
 B C B* * + 
 * y * + 
 * * + 
 F E 
 
 
 
 
Los Sistemas Expertos son en general de tipo deductivo, es decir, sus 
reglas tienen como consecuente una única acción: inclusión de nuevos 
hechos en la base de los hechos. Para ello, la inferencia utilizada puede ser 
de dos tipos: 
 
I. Inferencia Lógica: Según Silverman (1987, p.113) “Cada regla es 
realmente una implicación en el sentido de la lógica”. De este modo, el motor 
de inferencias es un demostrador automático, basado en el algoritmo de 
resolución, que permite estudiar si una deducción es correcta. Sin embargo, 
el conocimiento no siempre puede formularse por medio de implicaciones 
lógicas dado que a veces es preciso razonar sobre conjeturas o conocimiento 
impreciso donde una premisa no tiene necesariamente los valores verdadero 
o falso. 
 58 
II. Inferencia Pausible: Según Silverman (1987, p.113) “Se aplica 
cuando el grado de conclusión de las reglas, a partir de la premisa, no es 
total”. Esta inferencia establece una medida del grado de la implicación 
entre afirmaciones en una regla, y una medida del grado de certidumbre de 
las afirmaciones existentes en la memoria de trabajo (base de hechos). 
Según el tipo de medida se trata de sistemas determinísticos o sistemas en 
lógica difusa (probabilísticos). 
 
La Estrategia de Inferencia está conformada por una serie de reglas o 
técnicas, entre las cuales se encuentran: 
 
I. Modus Ponens y Modus Tollens: El Modus Ponens es una regla 
lógica que establece simplemente que si se sabe que A es verdadero y se 
tiene una regla que establece que <<si A entonces B>>, es perfectamente 
válido concluir que B es verdadero. Por ejemplo: 
 
R1 = A si B y C R2 = A si C y D 
R3 = B si E R4 = C si F o G 
 
Los datos ingresados al sistema son B y F y el sistema da como 
resultado A al aplicar las reglas 1 y 4. El árbol creado es: 
 
 
 59 
 F 
 + 
 + 
 + 
 B C 
 + + 
 + y + 
 + + 
 A 
 
 
Existe otra regla análoga al Modus Ponens, la cual es el Modus 
Tollens, y establece que si B es falso y hay una regla que indica <<si A 
entonces B>>, entonces es válido concluir que A es falso. Por ejemplo: 
 
R1 = A si B y C R2 = A si C y D 
R3 = B si E R4 = C si F o G 
 
Si la información dada al sistema es “Dados E y F demostrar que es 
cierto A” luego el sistema responderá “cierto” tras aplicar las reglas 1,3 y 4. 
 
 A 
 * * 
 * y * 
 * * 
 B C 
 * * * 
 * * o * 
 * * * 
 E F G 
 
 
 
En resumen, ambas estrategias son reglas comunes para derivar 
nuevos hechos a partir de reglas y hechos conocidos, constituyendo una 
forma sencilla e intuitivamente atractiva para realizar razonamientos, aún 
 60 
cuando no todas las inferencias válidas posibles puedan obtenerse con su 
único uso. 
 
II. Razonamiento con Incertidumbre: En la programación de 
sistemas basados en conocimiento no es indispensable disponer de toda la 
información necesaria para la realización de cálculos. Aquí la información 
desconocida se trata simplemente haciendo que las reglas sean inaplicables 
cuando la información necesaria para evaluar las premisas de estas reglas 
no está disponible; por supuesto, el resultado va a depender de la forma 
concreta de la premisa, ya que si las cláusulas de una premisa están 
conectadas entre sí mediante <<Y>> entonces todas las cláusulas deben 
estar evaluadas como verdaderas para que la regla pueda ser aplicada, 
mientras que si las cláusulas se encuentran conectadas por <<O>>, 
entonces un elemento desconocido de información no excluye la posibilidad 
de aplicar la regla. 
 
III. Resolución: Constituye la manera de describir si un hecho nuevo es 
válido, dado un conjunto de sentencias lógicas. Por ejemplo, decir <<si A 
entonces B>> equivale a decir <<no(A) o B>>. En lógica, la forma de 
demostrar la equivalencia es mediante una tabla de la verdad. Si dos 
expresiones son equivalentes, entonces la distribución entre <<verdadero>> 
y <<falso>> en la tabla de la verdad será la misma para ambas expresiones. 
 
 61 
Dado que en este proceso se generan nuevos hechos, existen dos 
formas de tratarlos o sentidos de recorrido, que son: 
 
I. Con Profundidad, cuando apenas se genera un hecho éste se 
introduce en la base de hechos, es decir, no se toma otra posibilidad en un 
nudo hasta que no se ha desarrollado completamente otra rama. 
 
II. Con Anchura, cuando no se incorporan los hechos a la base de 
hechos hasta que se ha terminado de aplicar la base de conocimientos, es 
decir, se contemplan todas las posibilidades de un nudo antes de pasar al 
siguiente nodo o bifurcación del árbol. 
 
Por ejemplo, si hay un árbol formado por las siguientes reglas: 
 
Si A entonces B Si B entonces E 
Si A entonces C Si C entonces F 
Si B entonces D Si C entonces G 
 
 A 
 * * 
 * * 
* * 
 B C 
 * * * * 
* * * * 
 * * * * 
 D E F G 
 
 62 
En caso de una búsqueda con anchura el orden seguido es el 
siguiente: A-B-C-D-E-F-G. 
 
Si es una búsqueda con profundidad el orden seguido es el siguiente: 
A-B-D-E-C-F-G. 
 
El control del motor de inferencias debe resolver dos problemas 
principales: 
 
I. En un sistema de conocimientos tiene que haber una manera de 
decidir por dónde empezar. Las reglas y los hechos residen en una base de 
conocimientos estática. Tiene que haber una forma de arrancar el proceso 
de razonamiento. 
 
II. El motor de inferencias debe resolver conflictos que aparecen cuando 
surgen líneas de razonamiento alternativas. El motor de inferencias tiene 
que elegir cuál de entre ellas aplicar primero. 
 
c) Interfaz con el usuario: Lucas (1991, p.339) explica que es el 
elemento que comunica al motor de inferencia las consultas realizadas por el 
usuario y a éste último los resultados de dichas consultas. Dentro de la 
inteligencia artificial, el procesamiento de lenguaje natural constituye una 
aplicación sofisticada en este ámbito. 
 63 
d) Editor de la Base de Conocimiento: Es la herramienta mediante la 
cual se alimenta a la Base de Conocimientos; dicha herramienta depende de 
la plataforma de desarrollo utilizada para la realización del sistema. 
 
e) Módulo de explicación: Es un módulo opcional a través del cual el 
sistema puede indicarle al usuario el proceso de razonamiento que siguió 
para llegar a la conclusión. Permite trazar el camino tomado en el 
razonamiento. Esta facilidad varía desde una traza de ejecución de las 
inferencias efectuadas hasta tener la habilidad de responder preguntas 
acerca del proceso de razonamiento para resolver un problema. 
 
f) Módulos de Comunicación: Deben ser: (a) Rápidos, para que la 
comunicación no sea pesada para el usuario; (b) Potentes, para que admita 
estructuras flexibles que sean cercanas al lenguaje natural; (c) Sencillos, que 
no implique el estudio de complejas estructuras y extensos vocabularios y (d) 
Adecuados, para que trabaje en el nivel de cada uno de los usuarios que 
tenga el sistema. Con el fin de lograr estos objetivos se utilizarán pantallas 
gráficas de alta resolución, sistemas multiventanas, ampliación de zonas de 
pantalla, iconos, animación, ayuda en línea, representación en árboles de la 
base de conocimientos, medidas de magnitudes de forma simbólica, 
abreviación de vocablos, lenguaje pseudonatural y acceso a bibliotecas. Se 
divide en dos tipos: 
 
 64 
I. Módulo del Experto: Realiza funciones de adquisición de 
conocimientos del experto durante la construcción del sistemaexperto; 
mantenimiento del conocimiento; validación y depuración para detectar 
inconsistencias, errores, repeticiones; y configuración del sistema incluyendo 
el motor de inferencia. Si el sistema se desarrolla desde un lenguaje de alto 
nivel, este módulo puede ser el Editor del Lenguaje. 
 
II. Módulo del Usuario: Debe permitir el diálogo sencillo, 
aproximándose lo más posible al lenguaje natural. Entre sus funciones se 
encuentra la entrada de datos, entrada de opciones, salida de explicaciones, 
salida de justificaciones y salida de soluciones. Todos los componentes 
relacionados se aprecian en la figura 1. 
 
 
 
 
 
 
 
 
 
Experto Ing. Conocimiento Usuario 
Figura 1. ESQUEMA DE UN SISTEMA EXPERTO (Sánchez y Beltrán, 1990, p.32) 
Nota: El editor de la base de conocimientos y el módulo de explicación están en la 
explicación textual del autor, pero no aparecen en el gráfico original. 
 
Base de 
Hechos 
Motor de 
Inferencia 
Base de 
Conocimientos 
Editor de la Base 
de conocimientos 
Módulo de 
Explicación 
Interfaz con 
el Experto 
Interfaz con 
el Usuario 
 65 
10.- Definición de la Representación del Conocimiento. 
 
Una representación del conocimiento es una combinación de 
estructuras de datos y procedimientos interpretativos que si se usan de forma 
adecuada en un programa, llegarán a un comportamiento inteligente. 
Trabajar en inteligencia artificial sobre la representación del conocimiento 
involucra tanto al diseño de varias clases de estructuras de datos para 
almacenar información en programas de computador como el desarrollo del 
procedimiento que permitan una manipulación inteligente de estas 
estructuras de datos para hacer inferencias. 
 
11.- Tipos de Representación del Conocimiento. 
 
Los tipos de representación de conocimientos que se pueden aplicar 
en un sistema experto son: 
 
a) Marcos: Permiten describir un concepto según un modelo y pueden 
presentar uno de los dos estados siguientes: (a) Modelo, prototipo, marco 
general o vacío, que contiene la estructura del marco y valores por defecto; y 
(b) Particularizado, instanciado o lleno, en el cual se sustituyen algunos 
valores por defecto con valores particulares. Combinan las características de 
las reglas y de las redes semánticas, son modulares por naturaleza y 
admiten la representación del conocimiento en forma declarativa o 
 66 
procedimental, haciendo énfasis en el conocimiento por omisión. Están 
formados por un nombre y una serie de casilleros o campos de información, 
los cuales guardan ciertas relaciones de herencia entre ellos y contienen 
valores, procedimientos para calcular valores o reglas para inferirlos. Cada 
casillero representa una propiedad estándar o atributo del elemento 
representado por el marco y permite colocar sistemáticamente un 
componente de nuestras experiencias anteriores con relación a la clase de 
elementos representados. Un marco que representa una clase de 
elementos de cierto nivel puede incluir casilleros con valores de marcos que 
se heredan de marcos que representan un mayor nivel de abstracción. El 
razonamiento con marcos es posible aún en casos en que la información 
disponible esté incompleta y permite inferir hechos rápidamente que no se 
observan explícitamente. Los marcos también pueden escribirse en forma 
de lista y están especialmente indicados para la representación de 
estereotipos, en los cuales se rellena la información que distingue a cada 
caso, sobre todo para bases de datos relacionales (ver cuadro 2). 
 
Cuadro 2. MARCOS CON RELACIÓN DE HERENCIA (Sánchez y Beltrán, 1990, p.77) 
Nombre: Pino Nombre: Árbol. 
Tipo: Árbol 
Corteza: Marrón. 
 Tipo: Planta 
Tamaño: Alto. 
 
Nota: La relación de herencia se da puesto que Encina es “hijo” de Árbol y a su vez 
Árbol es “hijo” de Planta 
 
 67 
b) Guiones: Son estructuras que se usan para guardar prototipos de 
secuencia de sucesos. En ellos las situaciones se describen mediante 
condiciones de entrada, una sucesión de acciones, unos actores que las 
realizan (agentes), unos objetos que las sufren (pacientes) y los resultados 
del guión. Son apropiados para tratar situaciones descritas en lenguaje 
natural y por lo tanto son una componente simbólica muy importante. Por 
ejemplo: 
 
Actores: Pino, Encina. 
Objetos: Piñones, Bellotas. 
Sucesos: El pino tiene piñones. 
 
c) Objetos: Es decir, representación, clases y descripción de objetos, 
puesto que, típicamente, el conocimiento se entiende en términos de hechos 
acerca de objetos en el mundo que nos rodea. Son similares a los marcos, 
con la diferencia de que la relación entre los objetos viene dada por los 
mensajes. Mantienen los conceptos de casilleros y relaciones de herencia. 
Son descritos por propiedades y se agrupan en clases y subclases. Por 
ejemplo: 
 
Sean las clases de objetos: 
Nombres: Pino, Encina. 
Árbol: Planta, alta, tronco. 
 68 
El mensaje: Los < nombres > SON < árboles > 
Conclusión: El pino es una planta alta y con tronco. La encina es una planta 
alta y con tronco. 
 
d) Sucesos: También se tiene conocimiento de acciones y sucesos del 
mundo, de manera que es necesaria la representación de una secuencia de 
sucesos y sus relaciones causa-efecto. 
 
e) Ejecución: Este es el conocimiento de cómo hacer las cosas. Es un 
conocimiento que envuelve objetos y sucesos. 
 
f) Metaconocimiento: Es el conocimiento acerca de lo que el usuario 
conoce. Por ejemplo, a menudo se conoce la extensión y origen del 
conocimiento sobre un objeto particular, el grado de confianza de cierta 
información o la importancia relativa de hechos específicos del mundo. El 
metaconocimiento también incluye lo que se conoce acerca del propio 
entendimiento en procesos cognoscitivos, por ejemplo, el nivel de 
conocimiento en diferentes dominios y el sentimiento de progreso durante la 
resolución de un problema. Se resume el metaconocimiento como el 
conocimiento del conocimiento. Es muy importante que la base de 
conocimientos esté dividida en clases o grupos. El metaconocimiento se 
puede presentarse cuatro formas, que son: 
 
 69 
I. Es fijo y ciego, estando embebido en el propio motor de búsqueda. 
 
II. Es seleccionable antes de la ejecución o demostración del programa, 
es decir, realiza un control estratégico, ya sea ciego o no. 
 
III. Es seleccionable durante la ejecución o demostración, es decir, realiza 
un control de tipo táctico. 
 
IV. Es externo, para lo cual el sistema experto permanece en modo 
interactivo durante todo el proceso con el usuario. 
 
g) Lógica: Existen muchos tipos de lógica que pueden ser utilizadas por 
el motor de inferencia. 
 
 Según el número de valores o estados que admiten las variables: 
 
I. Lógica Booleana: Es aquella en la que se admiten sólo dos tipos de 
valores que son verdadero y falso, o cero y uno. 
 
II. Lógica Trivalente: Es aquella en la que se admiten tres valores 
posibles que son verdadero, falso y neutro o intermedio. 
 
 
 70 
III. Lógica Multivalente: Es aquella en la cual las variables pueden 
tomar muchos valores discretos. 
 
IV. Lógica Difusa o Borrosa: Es una generalización de la lógica 
multivalente y permite la existencia de valores continuos entre dos valores 
límite. Es una de las más empleadas en los sistemas expertos. 
 
 Según el tipo de conocimientos que emplea: 
 
I. Lógica Monótona: Es aquella en la que los nuevos conocimientos no 
pueden entrar en contradicción con los ya existentes en la base de hechos. 
 
II. Lógica No Monótona: Es aquella en la que se admite la 
incorporación de nuevos conocimientos en la base de hechos aunque estos 
entren en contradicción con los ya existentes. 
 
 Según la temporalidad: 
 
I. Lógica Atemporal: Es aquella en la que no se considera el tiempo, 
cuando los hechos son para siempre en el valor inicial.II. Lógica Temporal: Es aquella que considera el tiempo. Los valores 
pueden cambiar en el transcurso del tiempo. 
 71 
 Según el tipo de valores que admite: 
 
I. Lógica de Orden 0 o Lógica de las Preposiciones: Solamente admite 
valores. Permite representación de parejas o duplas del tipo Objeto-Valor. 
 
II. Lógica de Orden 0+: Este tipo de lógica permite la representación 
de ternas del tipo Objeto-Atributo-Valor y se considera un caso particular de 
las redes semánticas. Cuando se utiliza este tipo de lógica se necesita otro 
sistema para completarla, siendo la más empleada en los sistemas de 
desarrollo actuales. 
 
III. Lógica de Orden 1: Utiliza predicados y es la más potente de las que 
se utilizan en la actualidad. 
 
h) Reglas de Producción: La regla es la forma más común de 
representar el conocimiento, tanto factual como procedimental, debido a su 
gran sencillez y a ser la formulación más inmediata del principio de Causa-
Efecto. Una regla consta de un conjunto de acciones o efectos que son 
ciertas cuando se cumplen un conjunto de condiciones o causas. El “mundo” 
es una representación del conocimiento mediante reglas de producción y se 
hace mediante un conjunto de hechos que son ciertos y un conjunto de 
reglas de producción que muestran la forma de evolución de estos hechos. 
La conclusión suele referirse a la creación de un nuevo hecho válido o a la 
 72 
incorporación de una nueva característica a un hecho, mientras que la acción 
suele referirse a la transformación de un hecho. Por ejemplo: 
 
HECHO: En mi jardín tengo una planta alta, verde y de tronco firme. 
REGLA 1: Un árbol es una planta alta, verde y de tronco firme. 
NUEVO HECHO: En mi jardín tengo un árbol. 
 
 Existe una restricción de la sintaxis de las reglas de producción que se 
denomina Cláusulas de Horn y que establece que solo existe una conclusión 
por regla, la cual no puede aparecer negada. El conocimiento acerca de las 
reglas de producción que siguen esta misma estructura se denomina 
metarreglas, las cuales facilitan la resolución de los problemas, pues si la 
base de conocimientos es modular, entonces las metarreglas pueden inhibir 
parte de los módulos con lo que se hace más rápida la búsqueda de 
soluciones. Existen tres tipos de metarreglas: 
 
I. Ciegas: Son aquellas que contienen conocimiento sobre la estructura 
de las reglas, es decir, su sintaxis. Algunos ejemplos son elegir la regla más 
corta, elegir la primera regla, elegir la regla con mayor peso, elegir la regla 
utilizada más recientemente, etc. 
 
 73 
II. No ciegas o Inteligentes: Son aquellas que contienen conocimiento 
sobre el contenido de las reglas, es decir, su semántica. Un ejemplo sería: 
Un árbol joven no es alto, por lo cual no es aplicable la regla 1. 
 
III. Estratégicas: Consisten en la ejecución de algoritmos o 
procedimientos para el control de los procesos. De esta forma se puede 
omitir el metaconocimiento. Pero un sistema así no sería declarativo sino 
procedimental porque en la base de conocimientos se incluiría algoritmos y 
procedimientos que limitan la independencia de la misma derivando en una 
programación tradicional no concordante con los sistemas expertos. 
 
i) Redes Semánticas: También se les conoce como redes asociativas. 
Representan el conocimiento gráficamente mediante nodos (elementos del 
conocimiento o conceptos) y ramas (relaciones entre los nodos, bien sea de 
herencia o de descripción. En cualquier caso, como sólo pueden ser 
verdaderas o falsas, estas relaciones son binarias). Su concepción se basa 
en la asociación de conocimientos que realiza la memoria humana. Al igual 
que las reglas de producción, pueden transformarse en una lista con 
facilidad. Emplean la herencia de las propiedades asociadas a un nodo, la 
cual nos dice que cualquier propiedad verdadera para una clase de 
elementos, debería ser cierta para cualquier elemento de la clase; las 
propiedades salen descendiendo a niveles más bajos conectados a través de 
enlaces de herencia de propiedades, por lo cual se pueden representar como 
 74 
taxonomía. En cuanto al razonamiento, este generalmente es directo porque 
se puede hacer sencillamente rastreando los enlaces en el sistema (ver 
figura 2). 
 
Alto Tronco 
 
 (es) (tiene) 
 
 
Pino Árbol Planta Raiz 
(es) (es) (tiene) 
 (HERENCIA) 
 
 
 (tiene) 
 
 Hojas 
 
 
Figura 2. EJEMPLO DE RED SEMÁNTICA (Sánchez y Beltrán, 1990, p.74) 
Nota: La red crece al incluir el nuevo hecho “El pino es un Árbol”. 
 
 
De aquí se puede deducir varios hechos: (a) Un árbol es una planta 
alta, (b) Una planta tiene tronco, hojas y raíz, y entonces (c) Un pino es alto y 
tiene tronco, hojas y raíz. 
 
 
Las ventajas de las redes semánticas son su potencia al definir 
relaciones y su especial adaptación a sistemas interactivos, mientras que sus 
desventajas son su poca flexibilidad que dificulta las modificaciones y la 
complejidad que encierra su lectura cuando la base de conocimientos es 
grande. 
 
 75 
En conclusión, la consideración más importante al examinar y 
comparar distintos esquemas de representación del conocimiento es el uso 
que se va a hacer del mismo. Los objetivos del sistema experto se pueden 
describir en términos de tareas cognoscitivas, como el conocimiento de 
objetos, respuestas a preguntas y manipulación de robots. Pero el uso actual 
del conocimiento en estos sistemas está relacionado con: 
 
a) Adquisición de más conocimiento: No sólo tiene que ver con la 
adquisición de conocimiento sobre algo desconocido, sino también con la 
ampliación de lo que ya SE conocía, ya que, cuanto más se sabe de un 
tema, más fácilmente se aprenden cosas adicionales del mismo, lo que 
constituye un proceso incremental. 
 
b) Recuperación de hechos de una base de conocimiento para 
resolver un problema determinado. Qué conocimiento es relevante para 
un problema dado puede llegar a ser crucial cuando el sistema conoce 
muchas cosas diferentes. 
 
c) Razonamiento: Cuando se requiere que el sistema haga algo que no 
se le ha dicho explícitamente cómo hacer, debe razonar. Según Silverman 
(1987, p.p.410-416) existen diferentes tipos de razonamiento que son los 
siguientes: 
 
 76 
I. Razonamiento formal: Implica la manipulación sintáctica de 
estructuras de datos para deducir otras nuevas siguiendo reglas de inferencia 
específicas. Este tipo de razonamiento se utiliza en la lógica matemática. 
 
II. Razonamiento procedural: Usa simulación para responder 
cuestiones y resolver problemas. Por ejemplo, cuando se usa un programa 
para conocer cuánto suma 3 y 7 se usa un razonamiento procedural de 
aritmética. 
 
III. Razonamiento por analogía: La idea es que el sistema puede 
establecer una analogía entre objetos para responder cuestiones sobre uno 
basándose en el conocimiento que se tiene de otro. 
 
IV. Razonamiento por generalización y abstracción: Si varias reglas 
con diferentes premisas tienen la misma conclusión, se puede resumir que 
todas las premisas pertenecen a un género común. 
 
V. Metanivel de razonamiento: Usa el conocimiento acerca de lo que 
se conoce y de la importancia de ciertos hechos. 
 
 
 
 
 77 
12.- Propiedades de la Representación del Conocimiento. 
 
Las propiedades que debe poseer un buen sistema de representación 
del conocimiento son las siguientes: 
 
a) Capacidad de respuesta: Todos los tipos de conocimiento que son 
necesarios en ese dominio. 
 
b) Capacidad de manejar las estructuras representacionales, de tal 
manera que pueden derivarse nuevas estructuras que se correspondan en el 
nuevo conocimiento inferido del anterior. 
 
c) Capacidad de incorporar a la estructura del conocimiento 
información adicional que puede ser usada para centralizar la atención del 
mecanismo inferencial en la dirección másprometedora. 
 
d) Capacidad de adquirir fácilmente nueva información. El caso más 
simple se refiere a la inserción directa por una persona de nuevo 
conocimiento. 
 
e) Sencillez: Debe ser manipulable con facilidad, ocupar poco espacio 
de memoria y poder leerse con comodidad. 
 
 78 
f) Independencia: Con el fin de que su inclusión, modificación o 
exclusión de una unidad de conocimientos no afecte al resto de la base de 
conocimientos ni al resto del sistema experto. 
 
g) Facilidad de Modificación: El experto humano o el usuario final 
puede variar por sí mismo, si fuese necesario, la base de conocimientos sin 
que para ello tenga que recurrir a un programador. 
 
h) Transparencia: Debe poder soportar un sistema de justificación de 
las soluciones y de explicación de los procesos. El proceso de explicación y 
justificación en la práctica se suele realizar de alguna de estas formas: (a) 
aprovechando los mecanismos de traza o seguimiento que suelen 
encontrarse como utilidad del lenguaje o de la herramienta, (b) con un 
conjunto de reglas paralelas o bien (c) introduciendo durante las pruebas de 
las reglas indicadores de inicio y final con éxito de las pruebas. 
 
i) Relacionabilidad: Debe permitir establecer relaciones entre los 
conocimientos como pueden ser de ascendencia o en grupo. 
 
j) Potencia: Viene dada por el poder expresivo de la representación y 
por su eficiencia en el cálculo. La máxima se conseguiría con el lenguaje 
natural y el lenguaje de máquina, respectivamente. 
 
 79 
13.- Técnicas de Representación del Conocimiento. 
 
Se han desarrollado varias técnicas de representación de 
conocimiento, que cumplen estos objetivos o prioridades. Estas técnicas 
pueden dividirse en dos grandes tipos de métodos: 
 
a) Métodos declarativos: En este tipo la mayoría del conocimiento se 
representa como una colección estática de hechos, acompañada por un 
conjunto de procedimientos generales para manipularlos. Sus ventajas son: 
 
I. Cada hecho sólo necesita almacenarse una vez, con independencia 
del número de formas distintas en que puede usarse. 
 
II. Es fácil añadir nuevos hechos al sistema sin cambiar los hechos 
conocidos. Esto proporciona a los sistemas de este tipo más flexibilidad y 
economía de recursos y medios, certidumbre en las deducciones y 
modificabilidad. 
 
Ejemplo de esta clase de representación son las redes semánticas, 
marcos y guiones. 
 
b) Métodos Procedurales: En este tipo de representación, la mayoría 
del conocimiento se representa por procedimientos para el uso del mismo. 
 80 
 Sus principales ventajas son: 
 
I. Facilidad de representar el conocimiento de cómo hacer las cosas. 
 
II. Facilidad de representar el conocimiento que no se ajusta bien en 
muchos esquemas declarativos simples, tal como sucede con el 
conocimiento defectuoso o probabilístico. 
 
III. Facilidad para representar el conocimiento humanístico de cómo hacer 
cosas eficientemente. 
 
 Como ejemplo de este sistema se encuentra el SHRDLU, que explota 
un pequeño campo de conocimiento declarativo de hechos simples, 
representando su entendimiento como un conjunto de operaciones que hay 
que realizar cuando sea necesario. 
 
14.- Técnicas de Funcionamiento de un Motor de Inferencias. 
 
a) Resolución con Cláusulas Fundamentales: 
 
 La resolución forma la fundamentación de muchos sistemas lógicos. 
El primer paso es reducir las relaciones de su forma normal a la formal 
normal conjuntiva, una forma estándar que permite la manipulación 
 81 
mecánica. Este proceso de conversión se basa en el empleo de expresiones 
de equivalencia. Cuando se aplica el proceso de conversión a un conjunto 
de relaciones en su forma normal, se produce un conjunto de cláusulas, cada 
una de las cuales es una disyunción finita de literales. Cada una de las 
cláusulas resultantes se llama un conyunto porque el conjunto total se puede 
ver como una gran conjunción: todas las cláusulas están unidas con 
secuencias Y, dado que todas ellas requieren ser verdaderas 
simultáneamente. La expresión final se divide luego en conjuntos separados. 
Como todas las cláusulas están unidas, se puede operar indistintamente 
sobre cualquier combinación de conjuntos. Este proceso, que se denomina 
Resolución de Cláusulas, puede generalizarse de esta manera: 
 
I. Negar la proposición deseada (llamada el objetivo) y agregarla al 
conjunto de relaciones en su forma normal para conformar un nuevo 
conjunto. 
 
II. Convertir el conjunto de relaciones en su forma normal a forma normal 
conjuntiva. 
 
III. Repetir hasta que se produzca nada o hasta que ningún otro proceso 
sea posible: 
 
 82 
• Seleccionar dos cláusulas principales que contengan el mismo literal, 
una vez en forma positiva y otra vez en forma negativa. 
 
• Formar una nueva cláusula mediante la disyunción de secuencias “o” 
de todos los literales a partir de las cláusulas principales, excepto por la 
pareja cancelada. 
 
b) Unificación: 
 
 Es el proceso formal de determinar si dos literales se pueden convertir 
para emparejarse idénticamente. El proceso de unificación hace énfasis en 
la sustitución de los términos –variables, constantes o expresiones de función 
(un símbolo de función y los términos asociados) –por variables en los 
literales. Una instancia de sustitución de un literal resulta de tal sustitución. 
Un conjunto específico de sustitución es un conjunto de pares ordenados tal 
que el primer elemento es el nuevo artículo y el segundo elemento es la 
variable por la cual es sustituido. 
 
 El proceso de unificación puede ser visto como un proceso de 
emparejamiento de los elementos en dos listas para determinar si hay algún 
conjunto de sustitución que haría las listas idénticas. Se resume de la 
siguiente manera: 
 83 
I. Representar cada predicado como una lista en que el símbolo del 
predicado es el primer elemento, que está seguido por los argumentos del 
predicado en orden. 
 
II. Abandonar si las dos listas no tienen la misma longitud. 
 
III. Hacer una comparación por parejas de los elementos en la lista 
mediante el empleo de las siguientes reglas: 
 
• Los símbolos de predicados, los símbolos de funciones y las 
constantes deben emparejar exactamente. 
 
• Las variables deben emparejarse por sustitución. Cuando se 
encuentre una variable, debe reemplazarse y todas las subsecuentes 
ocurrencias de ella en la lista, con el correspondiente elemento a partir de la 
otra lista. La única restricción de este aparejamiento es que una variable no 
puede ser reemplazada por un término que contenga la misma variable, para 
prevenir ciclos infinitos. 
 
IV. Los dos predicados se pueden unificar si todos los elementos se 
emparejan. 
 
 84 
c) Resolución en Lógica de Predicados. 
 
 Es la misma que la técnica de unificación, excepto que: 
 
I. Dos literales deben ser unificados antes que se puedan cancelar. 
 
II. Las sustituciones hechas para lograr la unificación dentro de una 
cláusula deben ser elaboradas a través de la cláusula completa, no 
solamente en el literal que está siendo unificado. 
 
15.- Aspectos a Considerar en la Adquisición de Conocimientos. 
 
a) Interacciones Experto – Ingeniero de Conocimientos. 
 
 El ingeniero de conocimientos es quien realmente construye el 
sistema, aunque es el conocimiento del experto el que se está modelando. 
En este proceso el ingeniero de conocimiento actúa como un intermediario 
quien espera catalizar dicho proceso llevando el conocimiento del experto al 
sistema. Como consecuencia, el ingeniero de conocimientos debe ser muy 
cuidadoso para reflejar objetivamente el conocimiento del experto 
 
 El primer paso es la comprensión del dominio, que es un período de 
familiarización general (ver figura 3). Comienza con una reunión informal 
 85 
entre el ingeniero de conocimiento y elexperto. Los propósitos de esta 
reunión son establecer una armonía entre el experto y el ingeniero de 
conocimientos a través del respeto mutuo, proporcionar al ingeniero de 
conocimientos un panorama de muy alto nivel del dominio y poner al 
corriente al experto con conceptos de sistemas expertos. Durante este 
período el ingeniero de conocimientos debe desarrollar una visión global del 
dominio con la ayuda de documentos de referencia, material de 
entrenamiento, videocintas, etc. No debe solicitar al experto la información 
básica que puede obtener leyendo. 
 
 Posteriormente, de este estudio debe resultar una descripción general 
del problema, una bibliografía con referencias importantes y un glosario que 
describa el lenguaje del dominio y su vocabulario. Siempre que sea posible 
el ingeniero de conocimientos debe usar el lenguaje natural del dominio 
cuando trabaje con el experto. 
 
 El siguiente paso es la identificación de los problemas de muestra (ver 
figura 3) a ser usados en la implementación inicial (prototipo de 
demostración). Debe efectuarse un análisis de primero-amplitud que 
identifique una lista de problemas genéricos que sirven para circunscribir el 
espacio global del problema. De esta lista global se seleccionan varios 
problemas específicos, los cuales son identificados conjuntamente por el 
ingeniero de conocimientos y el experto. 
 86 
 A continuación comienzan en paralelo las tres actividades más 
críticas, que son la formulación conceptual, la implementación de los 
problemas del ejemplo y el desarrollo de la representación de conocimientos 
(ver figura 3). La implementación del problema de ejemplo es conducida por 
el ingeniero de conocimientos quien entrevista al experto con la actividad de 
solución de problemas. La estructura de conocimientos que se empleará 
para representar los conceptos de desarrollo y el conocimiento de la solución 
de problemas toma parte según avancen otros procesos. Cuatro dificultades 
básicas pueden presentarse durante estas actividades: 
 
I. El experto puede no tener el conocimiento requerido en alguna área. 
 
II. El experto puede no estar consciente del conocimiento requerido. 
 
III. El experto puede no estar en capacidad de comunicar el conocimiento 
al ingeniero de conocimientos. 
 
IV. El experto puede no estar en capacidad de estructurar el conocimiento 
para entrarlo a la base de conocimientos. 
 
 
 
 
 87 
 
 
 
 
 
 
 
 
 
 
 
 
Figura 3. PROCESO DE ADQUISICIÓN DE CONOCIMIENTOS (Rolston, 1990, p.156). 
Nota: La selección e implementación del problema esencial conforman el análisis crítico a 
profundidad 
 
 
 
b) Comportamiento Cognoscitivo. 
 
 El desempeño experto es un ejemplo de comportamiento cognoscitivo, 
ya que con frecuencia no se sigue el razonamiento lineal que aparece en los 
textos. En general, los expertos tienden a usar un método más orientado 
hacia patrones que se basan en el reconocimiento rápido de poderosos 
bloques o grupos de conocimientos. Esta característica, que en muchos 
dominios es la clave de la pericia, resulta del hecho de que el experto ha 
desarrollado, a través de muchos años de experiencia, un repertorio amplio 
de conocimiento compilado que se almacena subconscientemente. Esto, 
Comprensión del Dominio 
Identificación del problema de Ejemplo 
Formulación Conceptual Implementación del Problema de Ejemplo Desarrollo de Representación del Prototipo
Implementación del Prototipo 
Selección del Problema Esencial 
Implementación del Problema Esencial 
 88 
aunque le agrega potencia a las capacidades del experto, también le hace 
más difícil explicar las acciones que efectúa para solucionar los problemas. 
 
c) Técnicas de Adquisición de Conocimientos. 
 
I. Descripción: En esta forma, que es una de las más apropiadas para 
las etapas iniciales del proyecto, el experto presenta una descripción 
estructurada del dominio. Esta clase de presentación, que es similar a la que 
se ofrece en los textos, es buena para establecer la información fundamental. 
Sin embargo, es de valor restringido para el desarrollo del sistema real, 
principalmente porque presenta versiones idealizadas de las actividades de 
solución de problemas y con frecuencia omite información referente a las 
estrategias. 
 
II. Observación: En este caso el ingeniero de conocimientos observa al 
experto durante situaciones reales de solución de problemas. Esta actividad, 
que es la más valiosa después que el ingeniero de conocimientos ha 
establecido un nivel razonable de competencia en el dominio, permite 
observar detalles en un ambiente totalmente real. 
 
III. Introspección: En este modo de interacción, que normalmente se 
presenta con la entrevista del ingeniero de conocimientos al experto, se 
conduce una evaluación crítica de las situaciones de solución de problemas. 
 89 
 Todas las tres formas de interacción ocurren durante cualquier 
proyecto de desarrollo y progresan en el orden señalado. 
 
d) Implementación de Problemas de Ejemplo. 
 
 Debe efectuarse un análisis de problemas específicos, de arriba hacia 
abajo en orden jerárquico, tal que el dominio total sea fraccionado en 
subsistemas manejables. Se pueden aplicar varias técnicas de análisis. De 
entre ellas las más utilizadas son: 
 
I. Descomposición dirigida a objetivos: En ella, el ingeniero de 
conocimientos hace énfasis en la identificación de qué objetivo se está 
tratando de alcanzar en cada paso. 
 
II. Simulación de escenarios hacia delante: Ocurre cuando el 
ingeniero de conocimientos ayuda al experto a mantener una visión global y 
le extrae los conocimientos, ya que éstos son generativos a través de 
relaciones asociativas. Se comienza seleccionado una clase específica de 
problemas para proporcionar el contexto necesario para la investigación. 
Luego se hacen preguntas generales. La primera explicación debe ser 
general porque se hacen preguntas de arriba hacia abajo. La segunda debe 
comenzar a formular bloques de conocimientos. La tercera y subsiguientes 
deben clarificar los detalles. En cualquier caso, la comprensión debe ser 
 90 
completa y exacta. Si el cualquier punto el ingeniero de conocimientos no 
entiende el enunciado del experto, debe pedirle claridad y anotarlo para su 
solución en una pasada posterior. El ingeniero de conocimientos debe hacer 
preguntas de sondeo hasta que se determine un nivel de detalle satisfactorio. 
Posteriormente el conocimiento adquirido debe restablecerse y pedirle al 
experto que lo confirme, valiéndose de grabaciones de las sesiones de 
consulta. Esto también permite posponer el análisis crítico de otros puntos 
detallados. Normalmente toma hasta cuatro horas analizar en detalle una 
entrevista de una hora. 
 
e) Formulación Conceptual. 
 
 En ella deben identificarse las subtareas que abarca el dominio. Las 
estrategias del dominio son más difíciles de articular por el experto que los 
conocimientos fácticos. Como consecuencia, el ingeniero de conocimientos 
debe estar activamente involucrado en el reconocimiento de las estrategias 
que son descritas indirectamente por el experto durante las entrevistas. 
También debe determinar qué clases de incertidumbre están vinculadas en el 
dominio y cómo se procesan (identificar las heurísticas que emplea el experto 
para limitar la búsqueda). 
 
 Por otro lado, para atar el conocimiento conceptual con el obtenido del 
experto, se debe descubrir el modelo en que se basa para el dominio. 
 91 
Muchas veces éste se puede descubrir mediante la búsqueda de analogías 
entre el tema del dominio y otros dominios que se han entendido por 
completo. Si varias descripciones de solución de problemas son muy 
similares, debe tratarse de encontrar algún concepto que actúe como 
unificador detrás de ellas. 
 
f) Desarrollo de la Representación de Conocimientos.