Professional Documents
Culture Documents
Tambin existen distintos tipos de percepciones y acciones, pueden ser obtenidas y producidas,
respectivamente por sensores fsicos y sensores mecnicos en mquinas, pulsos elctricos u
pticos en computadoras, tanto como por entradas y salidas de bits de un software y su entorno
software.
Varios ejemplos se encuentran en el rea de control de sistemas, planificacin automtica, la
habilidad de responder a diagnsticos y a consultas de los consumidores, reconocimiento de
escritura, reconocimiento del habla y reconocimiento de patrones. Los sistemas de IA actualmente
son parte de la rutina en campos como economa, medicina, ingeniera y la milicia, y se ha usado
Pgina 1 de 21
b. Escuelas de pensamiento
La IA se divide en dos escuelas de pensamiento:
1. Inteligencia artificial convencional
Se conoce tambin como IA simblico-deductiva. Est basada en el anlisis formal y estadstico
del comportamiento humano ante diferentes problemas:
Razonamiento basado en casos: Ayuda a tomar decisiones mientras se resuelven ciertos
problemas concretos y aparte de que son muy importantes requieren de un buen funcionamiento.
Sistemas expertos: Infieren una solucin a travs del conocimiento previo del contexto en que se
aplica y ocupa de ciertas reglas o relaciones.
Redes bayesianas: Propone soluciones mediante inferencia probabilstica.
Inteligencia artificial basada en comportamientos: que tienen autonoma y pueden autoregularse y controlarse para mejorar.
Smart process management: facilita la toma de decisiones complejas, proponiendo una solucin
a un determinado problema al igual que lo hara un especialista en la actividad.
Pgina 2 de 21
Pgina 3 de 21
A finales de los 50 y comienzos de la dcada del 60 Robert K. Lindsay desarrolla Sad Sam, un
programa para la lectura de oraciones en ingls y la inferencia de conclusiones a partir de su
interpretacin.
En 1963 Quillian desarrolla las redes semnticas como modelo de representacin del
conocimiento.
En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval) el cual era
capaz de inferir conocimiento basado en informacin que se le suministra. Bobrow desarrolla
STUDENT.
Posteriormente entre los aos 1968-1970 Terry Winograd desarroll el sistema SHRDLU, que
permita interrogar y dar rdenes a un robot que se mova dentro de un mundo de bloques.
A mediados de los aos 60, aparecen los sistemas expertos, que predicen la probabilidad de una
solucin bajo un set de condiciones. Por ejemplo DENDRAL, iniciado en 1965 por Buchanan,
Feigenbaum y Lederberg, el primer Sistema Experto, que asista a qumicos en estructuras
qumicas complejas euclidianas, MACSYMA, que asista a ingenieros y cientficos en la solucin de
ecuaciones matemticas complejas.
En 1968 Minsky publica Semantic Information Processing.
En 1968 Seymour Papert, Danny Bobrow y Wally Feurzeig desarrollan el lenguaje de programacin
LOGO.
En 1969 Alan Kay desarrolla el lenguaje Smalltalk en Xerox PARC y se publica en 1980.
En 1973 Alain Colmenauer y su equipo de investigacin en la Universidad de Aix-Marseille crean
PROLOG (del francs PROgrammation en LOGique) un lenguaje de programacin ampliamente
utilizado en IA.
En 1973 Shank y Abelson desarrollan los guiones, o scripts, pilares de muchas tcnicas actuales
en Inteligencia Artificial y la informtica en general.
En 1974 Edward Shortliffe escribe su tesis con MYCIN, uno de los Sistemas Expertos ms
conocidos, que asisti a mdicos en el diagnstico y tratamiento de infecciones en la sangre.
En las dcadas de 1970 y 1980, creci el uso de sistemas expertos, como MYCIN: R1/XCON,
ABRL, PIP, PUFF, CASNET, INTERNIST/CADUCEUS, etc. Algunos permanecen hasta hoy
(Shells) como EMYCIN, EXPERT, OPSS.
En 1981 Kazuhiro Fuchi anuncia el proyecto japons de la quinta generacin de computadoras.
En 1986 McClelland y Rumelhart publican Parallel Distributed Processing (Redes Neuronales).
En 1988 se establecen los lenguajes Orientados a Objetos.
En 1997 Garry
Kasparov, campen mundial de ajedrez, pierde ante la computadora autnoma Deep Blue.
En 2006 se celebr el aniversario con el Congreso en espaol 50 aos de Inteligencia Artificial Campus Multidisciplinar en Percepcin e Inteligencia 2006.
Pgina 4 de 21
Pgina 5 de 21
Pgina 6 de 21
los mensajes a pesar de la polisemia de las palabras utilizando el contexto para resolver
ambigedades. Sin embargo, debe conocer los distintos significados para poder interpretar, y es
por esto que lenguajes especializados y tcnicos son conocidos solamente por expertos en las
respectivas disciplinas. Un sistema de inteligencia artificial se enfrenta con el mismo problema, la
polisemia del lenguaje humano, su sintaxis poco estructurada y los dialectos entre grupos.
Los desarrollos en inteligencia artificial son mayores en los campos disciplinares en los que existe
mayor consenso entre especialistas. Un sistema experto es ms probable de ser programado en
fsica o en medicina que en sociologa o en psicologa. Esto se debe al problema del consenso
entre especialistas en la definicin de los conceptos involucrados y en los procedimientos y
tcnicas a utilizar. Por ejemplo, en fsica hay acuerdo sobre el concepto de velocidad y cmo
calcularla. Sin embargo, en psicologa se discuten los conceptos, la etiologa, la psicopatologa y
cmo proceder ante cierto diagnstico. Esto dificulta la creacin de sistemas inteligentes porque
siempre habr desacuerdo sobre lo que se esperara que el sistema haga. A pesar de esto hay
grandes avances en el diseo de sistemas expertos para el diagnstico y toma de decisiones en el
mbito mdico y psiquitrico (Adaraga Morales, Zaccagnini Sancho, 1994).
RED NEURONAL ARTIFICAL
Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls como:
"ANN") son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que
funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas
en una red que colabora para producir un estmulo de salida. En inteligencia artificial es frecuente
referirse a ellas como redes de neuronas o redes neuronales.
Historia
Los primeros modelos de redes neuronales datan de 1943 por los neurlogos McCulloch y Pitts.
Aos ms tarde, en 1949, Donald Hebb desarroll sus ideas sobre el aprendizaje neuronal,
quedando reflejado en la "regla de Hebb". En 1958, Rosemblatt desarroll el perceptrn simple, y
en 1960, Widrow y Hoff desarrollaron el ADALINE, que fue la primera aplicacin industrial real.
En los aos siguientes, se redujo la investigacin, debido a la falta de modelos de aprendizaje y el
estudio de Minsky y Papert sobre las limitaciones del perceptrn. Sin embargo, en los aos 80,
volvieron a resurgir las RNA gracias al desarrollo de la red de Hopfield, y en especial, al algoritmo
de aprendizaje de retropropagacin ideado por Rumelhart y McLellan en 1986 que fue aplicado en
el desarrollo de los perceptrones multicapa.
Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de
entradas a travs de interconexiones y emite una salida. Esta salida viene dada por tres funciones:
Una funcin de propagacin (tambin conocida como funcin de excitacin), que por lo general
consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexin (valor neto).
Si el peso es positivo, la conexin se denomina excitatoria; si es negativo, se denomina inhibitoria.
Una funcin de activacin, que modifica a la anterior. Puede no existir, siendo en este caso la
salida la misma funcin de propagacin.
Una funcin de transferencia, que se aplica al valor devuelto por la funcin de activacin. Se
utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretacin que
queramos darle a dichas salidas. Algunas de las ms utilizadas son la funcin sigmoidea (para
obtener valores en el intervalo [0,1]) y la tangente hiperblica (para obtener valores en el intervalo
[-1,1]).
Pgina 7 de 21
Pgina 8 de 21
Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa
de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le
indica cul es la salida (respuesta) esperada.
Auto organizacin: Una RNA crea su propia representacin de la informacin en su interior,
descargando al usuario de esto.
Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma redundante, sta
puede seguir respondiendo de manera aceptable aun si se daa parcialmente.
Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin de entrada,
como seales con ruido u otros cambios en la entrada (por ejemplo si la informacin de entrada es
la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un
poco su brillo o el objeto cambia ligeramente).
Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con
computadoras o en dispositivos electrnicos especiales, se pueden obtener respuestas en tiempo
real.
d. Modelos (Tipologa de las RNA)
Existe una serie de modelos que aparecen en la mayora de estudios acadmicos y la bibliografa
especializada.
Perceptrn
Adaline
Perceptrn multicapa
Memorias asociativas
Mquina de Boltzmann
Mquina de Cauchy
Propagacin hacia atrs (backpropagation)
Redes de Elman
Redes de Hopfield
Red de contrapropagacin
Redes de neuronas de base radial
Redes de neuronas de aprendizaje competitivo
Mapas Autoorganizados (RNA) (Redes de Kohonen)
Crecimiento dinmico de clulas
Gas Neuronal Creciente
Redes ART (Adaptative Resonance Theory)
Pgina 9 de 21
e. Topologa
Una primera clasificacin de las redes de neuronas artificiales que se suele hacer es en funcin
del patrn de conexiones que presenta. As se definen tres tipos bsicos de redes:
Dos tipos de redes de propagacin hacia delante o acclicas en las que todas las seales van
desde la capa de entrada hacia la salida sin existir ciclos, ni conexiones entre neuronas de la
misma capa.
Monocapa. Ejemplos: perceptrn, Adaline.
Multicapa. Ejemplos: perceptrn multicapa.
Las redes recurrentes que presentan al menos un ciclo cerrado de activacin neuronal. Ejemplos:
Elman, Hopfield, mquina de Boltzmann.
Aprendizaje
Una segunda clasificacin que se suele hacer es en funcin del tipo de aprendizaje de que es
capaz (si necesita o no un conjunto de entrenamiento supervisado). Para cada tipo de aprendizaje
encontramos varios modelos propuestos por diferentes autores:
Aprendizaje supervisado: necesitan un conjunto de datos de entrada previamente clasificado o
cuya respuesta objetivo se conoce. Ejemplos de este tipo de redes son: el perceptrn simple, la red
Adaline, el perceptrn multicapa, red backpropagation, y la memoria asociativa bidireccional.
Aprendizaje no supervisado o autoorganizado: no necesitan de tal conjunto previo. Ejemplos de
este tipo de redes son: las memorias asociativas, las redes de Hopfield, la mquina de Boltzmann y
la mquina de Cauchy, las redes de aprendizaje competitivo, las redes de Kohonen o mapas
autoorganizados y las redes de resonancia adaptativa (ART).
Redes hbridas: son un enfoque mixto en el que se utiliza una funcin de mejora para facilitar la
convergencia. Un ejemplo de este ltimo tipo son las redes de base radial.
Aprendizaje reforzado: se sita a medio camino entre el supervisado y el autoorganizado.
Tipo de entrada
Finalmente tambin se pueden clasificar las RNAs segn sean capaces de procesar informacin
de distinto tipo en:
Redes analgicas: procesan datos de entrada con valores continuos y, habitualmente, acotados.
Ejemplos de este tipo de redes son: Hopfield, Kohonen y las redes de aprendizaje competitivo.
Redes discretas: procesan datos de entrada de naturaleza discreta; habitualmente valores lgicos
booleanos. Ejemplos de este segundo tipo de redes son: las mquinas de Boltzmann y Cauchy, y
la red discreta de Hopfield.
Pgina 10 de 21
Pgina 11 de 21
Aplicaciones
Las caractersticas de las RNA las hacen bastante apropiadas para aplicaciones en las que no se
dispone a priori de un modelo identificable que pueda ser programado, pero se dispone de un
conjunto bsico de ejemplos de entrada (previamente clasificados o no). Asimismo, son altamente
robustas tanto al ruido como a la disfuncin de elementos concretos y son fcilmente
paralelizables.
Esto incluye problemas de clasificacin y reconocimiento de patrones de voz, imgenes, seales,
etc. Asimismo se han utilizado para encontrar patrones de fraude econmico, hacer predicciones
en el mercado financiero, hacer predicciones de tiempo atmosfrico, etc.
Tambin se pueden utilizar cuando no existen modelos matemticos precisos o algoritmos con
complejidad razonable, por ejemplo la red de Kohonen ha sido aplicada con un xito ms que
razonable al clsico problema del viajante (un problema para el que no se conoce solucin
algortmica de complejidad polinmica).
Otro tipo especial de redes neuronales artificiales se ha aplicado en conjuncin con los
algoritmos genticos (AG) para crear controladores para robots. La disciplina que trata la evolucin
de redes neuronales mediante algoritmos genticos se denomina Robtica Evolutiva. En este tipo
de aplicacin el genoma del AG lo constituyen los parmetros de la red (topologa, algoritmo de
aprendizaje, funciones de activacin, etc.) y la adecuacin de la red viene dada por la adecuacin
del comportamiento exhibido por el robot controlado (normalmente una simulacin de dicho
comportamiento).
Ejemplos
Quake II Neuralbot
Un bot es un programa que simula a un jugador humano. El Neuralbot es un bot para el juego
Quake II que utiliza una red neuronal artificial para decidir su comportamiento y un algoritmo
gentico para el aprendizaje. Es muy fcil probarlo para ver su evolucin.
Clasificador No Sesgado de Protenas
Es un programa que combina diversas tcnicas computacionales con el objetivo de clasificar
familias de protenas. Un posible mtodo consiste en utilizar mtricas adaptativas como por
ejemplo: mapas autoorganizados y algoritmos genticos.
identificacin
de
grupos
de
protenas
que
compartan
caractersticas
comunes.
La determinacin de las razones estructurales por las cuales las protenas en cuestin se agrupan
de la manera indicada.
Evitar la idea de establecer criterios de clasificacin (sesgados) fundamentados en ideas
preconcebidas para lograr su clasificacin. En este sentido, hay dos asuntos que considerar:
Pgina 12 de 21
Cmo
lograr
la
caracterizacin
de
las
protenas
de
manera
no
sesgada
Cmo lograr lo anterior sin apelar a medidas de agrupamiento que, a su vez, impliquen algn tipo
de sesgo sobre dicho agrupamiento.
Las RNA han sido aplicadas a un nmero en aumento de problemas en la vida real y de
considerable complejidad, donde su mayor ventaja es en la solucin de problemas que son
bastante complejos para la tecnologa actual, tratndose de problemas que no tienen una solucin
algortmica o cuya solucin algortmica es demasiado compleja para ser encontrada.
En general, debido a que son parecidas al las del cerebro humano, las RNA son bien nombradas
ya que son buenas para resolver problemas que el humano puede resolver pero las computadoras
no. Estos problemas incluyen el reconocimiento de patrones y la prediccin del tiempo. De
cualquier forma, el humano tiene capacidad para el reconocimiento de patrones, pero la capacidad
de las redes neuronales no se ve afectada por la fatiga, condiciones de trabajo, estado emocional,
y compensaciones.
Se conocen cinco aplicaciones tecnolgicas extendidas:
Reconocimiento de textos manuscritos
Reconocimiento del habla
Simulacin de centrales de produccin de energa
Deteccin de explosivos
Identificacin de blancos de radares
Pgina 13 de 21
Es una aplicacin informtica capaz de solucionar un conjunto de problemas que exigen un gran
conocimiento sobre un determinado tema. Un sistema experto es un conjunto de programas que,
sobre una base de conocimientos, posee informacin de uno o ms expertos en un rea
especfica. Se puede entender como una rama de la inteligencia artificial, donde el poder de
resolucin de un problema en un programa de computadora viene del conocimiento de un dominio
especfico. Estos sistemas imitan las actividades de un humano para resolver problemas de distinta
ndole (no necesariamente tiene que ser de inteligencia artificial). Tambin se dice que un SE se
basa en el conocimiento declarativo (hechos sobre objetos, situaciones) y el conocimiento de
control (informacin sobre el seguimiento de una accin).
Para que un sistema experto sea herramienta efectiva, los usuarios deben interactuar de una forma
fcil, reuniendo dos capacidades para poder cumplirlo:
Explicar sus razonamientos o base del conocimiento: los sistemas expertos se deben realizar
siguiendo ciertas reglas o pasos comprensibles de manera que se pueda generar la explicacin
para cada una de estas reglas, que a la vez se basan en hechos.
Adquisicin de nuevos conocimientos o integrador del sistema: son mecanismos de razonamiento
que sirven para modificar los conocimientos anteriores. Sobre la base de lo anterior se puede decir
que los sistemas expertos son el producto de investigaciones en el campo de la inteligencia
artificial ya que sta no intenta sustituir a los expertos humanos, sino que se desea ayudarlos a
realizar con ms rapidez y eficacia todas las tareas que realiza.
Debido a esto en la actualidad se estn mezclando diferentes tcnicas o aplicaciones
aprovechando las ventajas que cada una de estas ofrece para poder tener empresas ms seguras.
Un ejemplo de estas tcnicas sera los agentes que tienen la capacidad de negociar y navegar a
travs de recursos en lnea; y es por eso que en la actualidad juega un papel preponderante en los
sistemas expertos.
a. Estructura bsica de un SE
Un Sistema Experto est conformado por:
1. Base de conocimientos (BC): Contiene conocimiento modelado extrado del dilogo con un
experto.
2. Base de hechos (Memoria de trabajo): contiene los hechos sobre un problema que se ha
descubierto durante el anlisis.
3. Motor de inferencia: Modela el proceso de razonamiento humano.
4. Mdulos de justificacin: Explica el razonamiento utilizado por el sistema para llegar a una
determinada
conclusin.
5. Interfaz de usuario: es la interaccin entre el SE y el usuario, y se realiza mediante el lenguaje
natural.
Pgina 14 de 21
b. Tipos de SE
Principalmente existen tres tipos de sistemas expertos:
1. Basados en reglas previamente establecidas.
2. Basados en casos o CBR (Case Based Reasoning).
3. Basados en redes bayesianas.
redes
bayesianas,
basadas
en
estadstica
el
teorema
de
Bayes.
Pgina 15 de 21
Lenguaje natural: Con un experto humano podemos mantener una conversacin informal
mientras que con un SE no podemos.
Capacidad de aprendizaje: Cualquier persona aprende con relativa facilidad de sus errores y de
errores ajenos, que un SE haga esto es muy complicado.
Perspectiva global: Un experto humano es capaz de distinguir cuales son las cuestiones
relevantes
de
un
problema
y
separarlas
de
cuestiones
secundarias.
Capacidad sensorial: Un SE carece de sentidos.
Flexibilidad: Un humano es sumamente flexible a la hora de aceptar datos para la resolucin de
un
problema.
Conocimiento no estructurado: Un SE no es capaz de manejar conocimiento poco estructurado.
Pgina 16 de 21
Diseo
Diseo es el proceso de especificar una descripcin de un artefacto que satisface varias
caractersticas desde un nmero de fuentes de conocimiento.
El diseo se concibe de distintas formas:
El diseo en ingeniera es el uso de principios cientficos, informacin tcnica e imaginacin en la
definicin de una estructura mecnica, mquina o sistema que ejecute funciones especficas con el
mximo de economa y eficiencia.
El diseo industrial busca rectificar las omisiones de la ingeniera, es un intento consciente de
traer forma y orden visual a la ingeniera de hardware donde la tecnologa no provee estas
caractersticas.
Los SE en diseo ven este proceso como un problema de bsqueda de una solucin ptima o
adecuada. Las soluciones alternas pueden ser conocidas de antemano o se pueden generar
automticamente probndose distintos diseos para verificar cules de ellos cumplen los
requerimientos solicitados por el usuario, sta tcnica es llamada generacin y prueba, por lo
tanto estos SE son llamados de seleccin. En reas de aplicacin, la prueba se termina cuando se
encuentra la primera solucin; sin embargo, existen problemas ms complejos en los que el
objetivo es encontrar la solucin ptima.
Planificacin
La planificacin es la realizacin de planes o secuencias de acciones y es un caso particular de la
simulacin. Est compuesto por un simulador y un sistema de control. El efecto final es la
ordenacin de un conjunto de acciones con el fin de conseguir un objetivo global.
Los
problemas
que
presentan
la
planificacin
mediante
SE
son
los
siguientes:
Existen consecuencias no previsibles, de forma que hay que explorar y explicar varios planes.
Existen muchas consideraciones que deben ser valoradas o incluirles un factor de peso.
Suelen existir interacciones entre planes de subobjetivos diversos, por lo que deben elegirse
soluciones de compromiso.
Trabajo frecuente con incertidumbre, pues la mayora de los datos con los que se trabaja son ms
o menos probables pero no seguros.
Es
necesario
hacer
uso
de
fuentes
diversas
tales
como
bases
de
datos.
Control
Un sistema de control participa en la realizacin de las tareas de interpretacin, diagnstico y
reparacin de forma secuencial. Con ello se consigue conducir o guiar un proceso o sistema. Los
sistemas de control son complejos debido al nmero de funciones que deben manejar y el gran
nmero de factores que deben considerar; esta complejidad creciente es otra de las razones que
apuntan al uso del conocimiento, y por tanto de los SE.
Pgina 17 de 21
Cabe aclarar que los sistemas de control pueden ser en lazo abierto, si en el mismo la
realimentacin o el paso de un proceso a otro lo realiza el operador, o en lazo cerrado si no tiene
que intervenir el operador en ninguna parte del mismo. Reparacin, correcta o terapia.
La reparacin, correccin, terapia o tratamiento consiste en la proposicin de las acciones
correctoras necesarias para la resolucin de un problema. Los SE en reparacin tienen que cumplir
diversos objetivos, como son: Reparacin lo ms rpida y econmicamente posible. Orden de las
reparaciones cuando hay que realizar varias. Evitar los efectos secundarios de la reparacin, es
decir la aparicin de nuevas averas por la reparacin.
Simulacin
La simulacin es una tcnica que consistente en crear modelos basados en hechos, observaciones
e interpretaciones sobre la computadora, a fin de estudiar el comportamiento de los mismos
mediante la observacin de las salidas para un conjunto de entradas. Las tcnicas tradicionales de
simulacin requieren modelos matemticos y lgicos, que describen el comportamiento del sistema
bajo estudio.
El empleo de los SE para la simulacin viene motivado por la principal caracterstica de los SE, que
es su capacidad para la simulacin del razonamiento de un experto humano, que es un proceso
complejo.
En la aplicacin de los SE para simulacin hay que diferenciar cinco configuraciones posibles:
Un SE puede disponer de un simulador con el fin de comprobar las soluciones y en su caso
rectificar el proceso que sigue.
Un sistema de simulacin puede contener como parte del mismo a un SE y por lo tanto el SE no
tiene que ser necesariamente de simulacin.
Un SE puede controlar un proceso de simulacin, es decir que el modelo est en la base de
conocimiento del SE y su evolucin es funcin de la base de hechos, la base de conocimientos y el
motor de inferencia, y no de un conjunto de ecuaciones aritmtico lgicas.
Un SE puede utilizarse como consejero del usuario y del sistema de simulacin.
Un SE puede utilizarse como mscara o sistema frontal de un simulador con el fin de que el
usuario reciba explicacin y justificacin de los procesos.
Instruccin
Un sistema de instruccin realizara un seguimiento del proceso de aprendizaje. El sistema detecta
errores ya sea de una persona con conocimientos e identifica el remedio adecuado, es decir,
desarrolla un plan de enseanza que facilita el proceso de aprendizaje y la correccin de errores.
Recuperacin de informacin
Los Sistemas Expertos, con su capacidad para combinar informacin y reglas de actuacin, han
sido vistos como una de las posibles soluciones al tratamiento y recuperacin de informacin, no
slo documental. La dcada de 1980 fue prolija en investigacin y publicaciones sobre
experimentos de este orden, inters que continua en la actualidad.
Lo que diferencia a estos sistemas de un sistema tradicional de recuperacin de informacin es
que stos ltimos slo son capaces de recuperar lo que existe explcitamente, mientras que un
Sistema Experto debe ser capaz de generar informacin no explcita, razonando con los elementos
Pgina 18 de 21
Pgina 19 de 21
el programa presentaba, y tambin, por cuestiones ticas y legales que surgan al volcar la
responsabilidad de la salud de una persona a una mquina (por ejemplo, si Mycin se equivocaba
en algn diagnstico, quin asuma la culpa, el programador o el mdico?).
Otro de los motivos se achaca a la excesiva dificultad que supona el mantenimiento del programa.
Era este uno de los principales problemas de Mycin, y en general, de los sistemas expertos de la
poca, 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.
Pgina 20 de 21
Cada da crece el nmero de nuevos virus y la alternativa para poder neutralizarlos, sin haber
programado antes el antivirus para su reconocimiento, es la denominada bsqueda heurstica. A
travs de ella, el programa antivirus analiza el cdigo de los programas buscando instrucciones,
acciones sospechosas o indicios que delaten la presencia de virus en la computadora, de acuerdo
a los patrones habituales empleados por los cdigos maliciosos.
El mtodo Heurstico es una tecnologa de programacin que dentro de sus rutinas de deteccin de
especies virales, incluye las cadenas clsicas que son similares, parecidas o afines a virus
autnticos. El mtodo heurstico, si no est bien programado, es susceptible de incurrir en
resultados falsos positivos o negativos. Adems, al encontrar un virus desconocido, variante de
otro existente, el antivirus que emplea este mtodo de bsqueda no podr eliminar eficientemente
el virus y mucho menos reparar el archivo o rea afectada.
Para que un antivirus detecte y elimine eficientemente a un virus as como tambin repare los
daos ocasionados, debe incluir en la base de datos de sus rutinas de deteccin y eliminacin el
exacto micro cdigo viral de esa especie. Sin embargo la tcnica de bsqueda heurstica de virus
por "familias" es una forma eficiente de detectar a especies virales que pertenecen a una misma
familia, aunque no es un mtodo absolutamente exacto o eficiente.
Pgina 21 de 21