Así se usan las redes bayesianas para hacer funcionar los sistemas expertos de una IA

En estas últimas décadas, se han desarrollado una multitud de métodos que crean Inteligencia Artificial para diferentes tipos de problemas y aplicaciones. Uno de esos métodos son los llamados sistemas expertos.

Los sistemas expertos o sistemas basados en conocimiento son aplicaciones informáticas que resuelven problemas con conocimiento de expertos humanos en una dominio específico, es decir, que los sistemas expertos emulan la habilidad de tomar decisiones de un experto humano.

Sistemas Expertos

Estas aplicaciones tienen dos componentes básicos: el sistema de razonamiento y una base de conocimiento formado por hechos y reglas. El sistema de razonamiento aplica reglas a los hechos para deducir nuevos hechos que se incorporan a la base de conocimiento. La forma más básica de implementar ese sistema de razonamiento es con reglas condicionales del estilo “Si X entonces Y”, y deducir nuevos hechos a través de la inferencia.

Un sistema experto básico se compone de una base de conocimiento con hechos y reglas y un motor de inferencia para obtener nuevos hechos.

Sistemas parecidos ya se están utilizando en hospitales para ayudar al médico a diagnosticar y proponer tratamientos médicos. Por ejemplo, el sistema de salud público de Inglaterra utiliza un sistema de este estilo para hacer un primer diagnóstico rápido y así ayudar al médico a analizar un nuevo paciente con una lista de posibles diagnósticos deducidos por un sistema experto.

Redes bayesianas

Un tipo de sistema experto ampliamente usado hoy en día es el basado en una red bayesiana. En esencia, consiste en un gráfico que representa un conjunto de variables conocidas y las relaciones de dependencia entre ellas a fin de inferir, es decir, estimar la probabilidad, de las variables no conocidas. Dadas sus características, este modelo resulta idóneo para la clasificación, la predicción o el diagnóstico.

Imaginemos que disponemos de dos variables para que pueden determinar que la hierba de un jardín esté húmeda: que el aspersor esté activado o que esté lloviendo (suponiendo que si llueve, el aspersor se apaga). Una vez disponemos de estas variables, podemos crear un modelo bayesiano en el que las tres variables tienen dos posibles valores (T verdadero, F falso). Las tres variables son: G = Hierba húmeda, S = Aspersor activado, y R = Lloviendo.

El modelo puede responder preguntas como "¿Cuál es la probabilidad de que esté lloviendo dado que la hierba está húmeda?"

Con todo, los sistemas expertos también tienen sus propias limitaciones inherentes:

• Sentido común: Para un Sistema Experto no hay nada obvio. Por ejemplo, un sistema experto sobre medicina podría admitir que un hombre lleva 40 meses embarazado, a no ser que se especifique que esto no es posible ya que un hombre no puede gestar hijos.
• Lenguaje natural: Con un experto humano podemos mantener una conversación 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 cuáles 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 resolución de un problema.
• Conocimiento no estructurado: Un SE no es capaz de manejar conocimiento poco estructurado.
• Un sistema experto no posee sentimientos ni puede comprender ciertas emociones y conceptos humanos como el matrimonio, la moralidad, el amor o planear el futuro.