B.1. Constancia de apoyo médico
1.3. Importancia de la investigación
2.1.5. Tipos de Sistemas Expertos
En el artículo de Badaró et al. (2013) se propone una clasificación por la téc- nica que utilizan, dónde:
1. Sistema Basados en Reglas
Los sistemas basados en reglas trabajan mediante la aplicación de reglas, compa- ración de resultados y aplicación de las nuevas reglas basadas en situación mo- dificada. También pueden trabajar por inferencia lógica dirigida, bien empezando con una evidencia inicial en una determinada situación y dirigiéndose hacia la obtención de una solución, o bien con hipótesis sobre las posibles soluciones y
BIBLIOTECA
DE CIENCIAS
FÍSICAS
volviendo hacia atrás para encontrar una evidencia existente (o una deducción de una evidencia existente) que apoye una hipótesis en particular.
Figura 2.2: Componentes de un sistema basado en reglas
Fuente: Badaró et al. (2013)
2. Sistemas basados en Probabilidad
En las aplicaciones, la incertidumbre es lo común y no la excepción. Por ejemplo, una pregunta típica en diagnóstico médico es: dado que el paciente presenta unos síntomas, ¿cuál de las enfermedades posibles es la que tiene el paciente? Esta situación implica incertidumbre puesto que:
Los hechos o datos pueden no ser conocidos con exactitud. Por ejemplo, un paciente puede no estar seguro de haber tenido fiebre. Hay incertidumbre en la información asociada a cada paciente (subjetividad, imprecisión, errores, datos ausentes, etc.).
BIBLIOTECA
DE CIENCIAS
FÍSICAS
El conocimiento no es determinista. Las relaciones entre las enfermedades y los síntomas no son deterministas, puesto que un mismo conjunto de sín- tomas puede estar asociado a diferentes enfermedades.
3. Sistema basados en Redes Neuronales Artificiales
Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks) están ins- piradas en las redes neuronales biológicas del cerebro humano. Están constituidas por elementos que se comportan de forma similar a la neurona biológica en sus funciones más comunes. Estos elementos están organizados de una forma pareci- da a la que presenta el cerebro humano.
La ventaja principal de usar este tipo de implementación es que no requiere algoritmos específicos del dominio
BIBLIOTECA
DE CIENCIAS
FÍSICAS
Figura 2.3:Red Neuronal Artificial de una Capa Fuente: Badaró et al. (2013)
4. Redes bayesianas
Las redes bayesianas, también llamadas redes de creencias, proveen una manera de usar el cálculo de probabilidades para el manejo de la incertidumbre en nues- tras representaciones de conocimiento. Estas redes proveen mecanismos eficientes para manejar las dependencias probabilísticas, mientras explotan las independen- cias; resultando en una representación natural de la causalidad. En lo que sigue, revisaremos como se usan las dependencias e independencias entre variables en una red bayesiana e implementaremos un método para computar las probabilida- des condicionales en los modelos de redes bayesianas.
Teorema de Bayes:
BIBLIOTECA
DE CIENCIAS
FÍSICAS
Este teorema es útil para razonar sobre causas y efectos. Consideremos que un ladrón es una causa de que la alarma se encienda, es natural razonar en términos de que proporción de ladrones disparan alarmas, es decir p(alarma j ladron). Pero cuando oímos la alarma, estamos interesados en saber la probabilidad de su causa, es decir p(ladron j alarma).
Aquí es donde entra el teorema de Bayes en nuestra ayuda:
p(ladron|alarma) =p(ladron)∗ p(ladronp(ladron|alarma) )
Una variante del teorema de Bayes, toma en cuenta el conocimiento previo B. Conocimiento previo Esto nos permite razonar acerca de la probabilidad de una hipótesis H, dada la evidencia E, bajo el supuesto del conocimiento previo B:
p(H|EΛB) =p(H|B)∗ p(pE(|EH|BΛB))
5. Cadenas o Procesos de Markov
Una cadena de Markov es una serie de eventos, en la cual la probabilidad de que ocurra un evento depende del evento inmediato anterior. En efecto, las cadenas de este tipo tienen memoria, Recuerdan.elúltimo evento y esto condiciona las posi-
bilidades de los eventos futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de las series de eventos independientes, como tirar una
BIBLIOTECA
DE CIENCIAS
FÍSICAS
moneda al aire o un dado. En los negocios, las cadenas de Markov se han uti- lizado para analizar los patrones de compra, los deudores morosos, para planear las necesidades de personal y para analizar el reemplazo de equipo. El análisis de Markov, llamado así en honor de un matemático ruso que desarrollo el método en 1907, permite encontrar la probabilidad de que un sistema se encuentre en un es- tado en particular en un momento dado. Algo más importante aún, es que permite encontrar el promedio a la larga o las probabilidades de estado estable para cada estado. Con esta información se puede predecir el comportamiento del sistema a través del tiempo. La tarea más difícil es reconocer cuándo puede aplicarse. La característica más importante que hay que buscar en la memoria de un evento a otro.
6. Teoría de la Evidencia de Dempster-Shafer
La Teoría de la Evidencia fue desarrollada por Dempster (1967) y posteriormen- te extendida por Shafer (1976), por lo que a veces se le hace referencia como la Teoría de Dempster-Shafer. Su enunciado estuvo motivado por las dificultades encontradas en la Teoría de la Probabilidad para representar la ignorancia, y ma- nejar la necesidad de que las creencias asignadas a un evento y su negación sumen uno. Esta teoría no precisa de un modelo de probabilidad completo para trabajar, en contra de los requerimientos de otros enfoques. Intenta sacar beneficio de la
BIBLIOTECA
DE CIENCIAS
FÍSICAS
utilización de conjuntos de hipótesis en lugar de las hipótesis por separado, como se hace en otras aproximaciones. Procura facilitar la reasignación de probabilidad de creencia en las hipótesis cuando cambian las evidencias. Y pretende modelar la disminución del conjunto de hipótesis de trabajo a partir de la acumulación de evidencias.
7. Sistema basados en Lógica difusa
Según la recopilación del señor Carlos Gónzales (Morcillo, 2011) basicamen- te la Logica Difusa es una logica multivaluada que permite representar matema- ticamente la incertidumbre y la vaguedad, proporcionando herramientas formales para su tratamiento.
Entre las principales características que presenta este modelo de inferencia destacan las siguientes:
Soporta datos imprecisos
Es conceptualmente fácil de entender
Es flexible
Es tolerante a los datos imprecisos
Se basa en el lenguaje humano
BIBLIOTECA
DE CIENCIAS
FÍSICAS
Se basa en la experiencia de expertos conocedores del problema en cuestión.
Puede modelar funciones no lineales de alguna complejidad. en forma uni- ficada expresiones lingüísticas con datos numéricos