Universidad Veracruzana
Maestría en Inteligencia Artificial
“Sistema Experto: Diagnóstico y Tratamiento Genérico de Asma Bronquial”
Tesis
Que para aprobar la Experiencia Recepcional
Presentan:
Aldana Rosario
Vázquez Roberto
Contenido
1. Ingeniería del Conocimiento 1
1.1Noción de la ingeniería de conocimiento en este trabajo . . . 1
1.2 Razonamiento del experto humano . . . . . 2
1.3 Conocimiento experto del dominio . . . . . 4
1.3.1 Conocimiento e ingeniería de conocimiento . . . 5
1.3.2 El discurso . . . 5
El discurso en la ingeniería de conocimiento . . . 7
Discurso y conocimiento . . . 7
1.4 Estado del arte de la ingeniería del conocimiento en el dominio médico . . . 8
1.4.1 Tipo de problema que se resuelve . . . 8
1.4.2 Adquisición y representación del conocimiento . . . 10
Adquisición de conocimiento . . . 10
Representación del conocimiento . . . 13
1.5 Tendencias de desarrollo de la ingeniería de conocimiento . . . 18
1.5.1 Proceso de evolución de los sistemas expertos . . . 18
1.5.2 Asociación con nuevos recursos . . . 19
1.5.3 Perspectivas de Aplicación . . . 20
2. Análisis del Problema
21
2.1 Dominio del problema . . . 22
2.2 La perspectiva del médico . . . 22
2.2.1 El discurso médico . . . 22
2.2.2 El asma bronquial . . . 23
Etiología del asma bronquial . . . 24
Epidemiología del asma bronquial . . . 25
Factores de riesgo y predisposición del asma bronquial . . . 25
2.2.3 Diagnóstico del asma bronquial . . . 26
Dificultades para el diagnóstico . . . 27
Síntomas e indicadores . . . 28
2.2.4 Tratamientos de asma bronquial . . . 29
2.3.1 El discurso médico interpretado por el ingeniero del conocimiento . . . 32
2.3.2 El planteamiento general del problema . . . 32
2.3.3 Componentes básicos para describir el asma bronquial . . . 33
2.3.4 Los síndromes . . . 35
2.3.5 Restricciones para el tratamiento . . . 35
2.3.6 Tratamiento . . . 36
2.4 El planteamiento de una solución . . . 36
2.5 Análisis del dominio . . . 37
3. Metodología y Complejidad
38
3.1 Implícitos entre expertos e ingenieros del conocimiento . . . 383.2 Planteamiento general . . . 40
3.3 Metodología . . . 40
3.3.1 Visión del mundo . . . 42
3.3.2 Teorías . . . 43
De ACT . . . 43
General de las representaciones . . . 44
Agente semiracional . . . 44
Estructuralismo genético . . . 44
Aprendizaje significativo . . . 45
Naturalización del conocimiento . . . 45
Caracterización del discurso experto . . . 45
3.3.3 Métodos y técnicas . . . 46
Entrevista a profundidad . . . 48
Entrevista semidirigida . . . 50
Metáfora de pizarrón . . . 50
Mapas conceptuales . . . 52
Reglas de producción . . . 53
3.3.4 Herramientas . . . 54
3.3.5 Uso . . . 54
4. Diseño e Implementación
56
4.1 Planteando la implementación . . . 56
4.2 Desarrollo de la implementación . . . 57
4.2.1 Definición del problema . . . .. . . 59
4.2.2 Adquisición de conocimiento . . . 59
4.2.3 Caracterización del discurso del experto . . . 61
4.2.4 Representación del conocimiento . . . 65
4.2.5 Mapeo de reglas de producción . . . 69
4.2.6 Validación del sistema experto “ASMA” . . . 72
4.3 Arquitectura del sistema experto “ASMA”. . . 72
5. Resultados y Conlusiones
75
5.1 Resultados . . . 755.1.1 Experimentos . . . 76
Validación del sistema experto “ASMA” con médicos . . . 76
La ingeniería de conocimiento en ausencia del discurso médico . . . 77
5.2 Conclusiones . . . 80
5.3 Trabajos futuros . . . . . . 82
Referencias
84
Introducción
El presente trabajo se inscribe en el dominio de la ingeniería de conocimiento (IC), entendida como metodología para transformar el conocimiento que el experto de un dominio expresa en forma de lenguaje natura en un formalismo computacional.
Originalmente el objetivo de la investigación era diseñar e implementar computacionalmente un sistema adyuvante de adquisición de conocimiento para estudiantes de medicina. El diseño de este adyuvante tenía como base una ingeniería de conocimiento específica, desarrollada para construir un Sistema Experto (SE) basado en reglas, con el que debía diagnosticar el padecimiento de asma bronquial y recomendar el tratamiento apropiado.
Sin embargo, al avanzar hacia la implementación del adyuvante de adquisición de conocimiento se tropezó con el problema fundamental de ¿Cómo elegir representaciones óptimas y genéricas?. Se estaba frente al “Problema del marco”, como lo enunciaron McCarthy y Hayes en 1969, ahora como entonces sigue siendo medular y difícil de resolver en la mayoría de los casos.
Al mismo tiempo se advirtió que existía un hueco en la investigación básica con respecto a cómo el experto organizaba su conocimiento para hacerlo explícito, este vacío se debía resolver antes de abordar cualquier trabajo de implementación. Así fue necesario replantear el trabajo completo para poder desarrollar la parte de investigación básica necesaria y dejar para trabajos futuros la implementación del adyuvante de adquisición del conocimiento que se planteó originalmente.
En este trabajo se intenta abordar la empresa de averiguar cómo es que un experto médico organiza su conocimiento y se propone usar una metodología de ingeniería de conocimiento, basada en la metáfora de pizarrón, para transformar el conocimiento del experto, expresado por este en forma de lenguaje natural hasta un formalismo computacional, para ser manejado por una computadora.
El diseño de la ingeniería de conocimiento propuesta se apoya en varias teorías constructivistas y tiene como ejes las siguientes ideas fundamentales:
Según Clancey [16] hablar es representar.
De acuerdo a Newell y Simon [94], los expertos humanos actúan como agentes con racionalidad limitada para contender con la emergencia (como la define Steels).
Anderson [6] afirma que los expertos humanos construyen su conocimiento usando un proceso mental específico, inaccesible aún para el propio experto.
Sloman [115-122] señala que es necesario contar con diversidad en la representación del conocimiento para resolver un problema.
La metáfora de pizarrón puede llevar a caracterizar el discurso del experto, usando mapas conceptuales, y puede ayudar a llegar más lejos, por ejemplo a reglas de producción.
Caracterizar el discurso del experto nos permite acercarnos a sus procesos mentales necesarios para construir su experticia.
es el discurso?. El discurso es como el mapa conceptual del dominio, o una fracción del mismo, para resolver un problema planteado.
Para validar la ingeniería de conocimiento propuesta se realizó una implementación en el dominio médico, específicamente un sistema experto que diagnostica y recomienda terapia para asma bronquial, incorporando relaciones de espacio y tiempo, para representar estados cambiantes en el estado de salud general del paciente. Donde se plasmaron las siguientes ideas adicionales:
Fue importante identificar el "empowerment", o enriquecimiento, del experto, como la habilidad para utilizar y maximizar su potencial [71], para aprovecharlo en el desarrollo de la IC propuesta. Este enriquecimiento se proveyó al experto, aunque sin advertirlo acerca de cómo opera en los individuos.
Utilizar la caracterización del discurso del experto como base del diseño e implementación, únicamente por parte del ingeniero de conocimiento, para sesgar lo menos posible el comportamiento del experto.
El uso de mapas conceptuales, como herramienta permite descubrir las relaciones entre categorías conceptuales del conocimiento del dominio, favoreciendo la construcción de reglas no redundantes y/o no contradictorias.
Se intenta descubrir/explicitar una tipología de SE’s basada en la caracterización del discurso experto, como alternativa a la tipología por tareas operativas que se ha planteado hasta ahora y que resulta difícil de explicitar a los novatos, por que es compleja y difícil de comprender.
Cabe destacar que en Capítulo 4 se plantearon experimentos de distintas clases:
Experimentos basados en el discurso médico: se encontraron dos compromisos teórico-pragmáticos para abordar la solución de un problema; el primer discurso médico tiene que ver con actuar sobre las causas del problema, mientras que el segundo discurso médico se relaciona con la idea de actuar sobre las consecuencias de las causas del problema.
Experimentos sin discurso médico: están asociados a implementaciones de sistemas inteligentes basados en casos, en los que no es necesario identificar y tipificar el discurso experto, por que está ausente.
Capítulo 1
Ingeniería del Conocimiento
El concepto de ingeniería del conocimiento(IC) es amplio y ambiguo, se relaciona directamente a una de las aplicaciones más afortunadas de la Inteligencia Artificial (IA): los sistemas expertos (SE’s), y está enlazado a dos problemas fundamentales de la misma disciplina, la representación del conocimiento y el modelado y comprensión del lenguaje natural.
La ingeniería de conocimiento se deriva, en gran medida, de los avances en el campo de la Inteligencia Artificial. Como disciplina se desarrolló principalmente tras el éxito de los primeros sistemas expertos (Dendral, Mycin, Prospector), constituyéndose como tecnología cognitiva [56].
Al mismo tiempo la Ingeniería del Conocimiento es una necesidad que surge cuando se intenta abordar el diseño y la implementación de un sistema experto (SE) basado en reglas por que la IC es básicamente un proceso para representar el conocimiento del experto y transformarlo, desde la expresión en forma de lenguaje natural hasta un formalismo que una computadora pueda entender y manejar.
1.1 Noción de ingeniería de conocimiento en este trabajo
La noción de ingeniería de conocimiento utilizada para resolver un problema depende de la perspectiva teórica empleada por quien la diseña. Para este trabajo se utiliza como fundamento la idea de Anderson [6], quien ha dedicado sus esfuerzos como investigador para “comprender cómo la gente
organiza el conocimiento que adquiere a través de sus diversas experiencias para producir conducta inteligente”, materializada en la teoría de ACT (por las siglas de Advanced Computer Tutor) que tiene como objetivo el modelado cognitivo con el formalismo de reglas de producción.
En la teoría de ACT [6] se identifican dos niveles de análisis para intentar comprender cómo las personas organizan el conocimiento, estos niveles de análisis son definidos por el propio Anderson como:
Nivel de algoritmo: se refiere a los procesos mentales, a las especificaciones abstractas de las fases necesarias para realizar los procedimientos que ocurren en la mente.
Nivel de implementación: se relaciona con los mecanismos que implementan los procedimientos y conocimientos del nivel algorítmico.
El nivel algorítmico equivale a los procesos mentales que un experto humano ha desarrollado o construido para solucionar un problema del campo de su experticia, en tanto que el nivel de implementación equivale a la aplicación de los procesos mentales del experto para la solución de un problema específico, por ejemplo la ingeniería de conocimiento.
realizando ejemplos que permitan descubrir diferencias y regularidades entre ellos para intentar generalizaciones de los procedimientos de solución, éstos últimos estarían más cercanos a la solución al nivel de los procesos mentales de las personas.
Anderson [6] afirma que solucionar un problema usando un sistema experto basado en reglas consiste en “transformar el conocimiento declarativo en conocimiento procedural”, definiendo cada tipo de conocimiento como sigue:
Conocimiento declarativo: es la colección estática de hechos, sin determinar cómo serán utilizados, se refiere a la idea de qué es algo. Está integrado por un conjunto de hechos, leyes y terminología peculiar del dominio.
Conocimiento procedural: es la mejor manera para resolver un problema y se refiere a la idea de cómo se hace algo. Está relacionado directamente con la aparición de habilidades para el ejercicio de buenos juicios para alcanzar metas.
Así a partir de las investigaciones de Anderson, se configuró la noción de ingeniería de conocimiento que se utilizó en este trabajo como: una metodología1 para representar el proceso que construye un experto humano para resolver un problema específico, transformando el conocimiento del experto expresado en lenguaje natural a un formalismo que pueda ser entendido y manejado por una computadora.
La ingeniería del conocimiento no tiene una arquitectura2 única, sino que ésta se estructura para resolver un problema específico en un dominio del conocimiento también particular, en algunos casos su uso puede generalizarse con pequeñas adecuaciones pero en otros casos la generalización no es posible.
Debido a la diversidad de problemas y dominios que se han abordado usando la ingeniería de conocimiento, este trabajo se ha restringido al dominio médico. El éxito de una IC depende de la elección de los modelos adecuados para representar el conocimiento experto de un dominio y el tipo de razonamiento que utiliza.
Cuando se intenta diseñar una IC, el problema central consiste en elegir la “mejor” representación para cada subproceso y articularlas para obtener la solución del problema planteado. Al respecto Sloman señala, en su teoría general de las representaciones [121 y 122], que algunas técnicas de representación del conocimiento presentan un desempeño más eficiente cuando se utilizan para solucionar ciertos tipos de problemas que en otros.
Tratar de encontrar la solución de un problema usando una IC, implica la utilización de la estrategia de división del problema en subproblemas más sencillos que dan lugar a subprocesos para alcanzar metas intermedias. En este contexto se propone una división del problema de diseñar una IC, desde la perspectiva de los objetos que se deben representar, en dos grandes subproblemas:
Razonamiento del experto humano: determina cómo el experto humano resuelve un problema.
1 Metodología [84]: conjunto de métodos que se siguen en una investigación científica. 2
Conocimiento experto del dominio: cuál es la teoría del dominio que el experto ha construido y representado en sus esquemas mentales con su propia experticia, por que este influye y afecta el proceso de solución.
1.2 Razonamiento del experto humano
Un sistema que exhibe inteligencia es un conjunto de reglas y medios organizados tendientes a presentar “ la habilidad de razonar, adquirir y aplicar conocimiento, percibir y manipular objetos”, como lo definen Rich y Knight [108], que se parece a la manera como un experto humano resuelve un problema específico.
Para resolver este subproblema de la ingeniería del conocimiento es necesario identificar el tipo de sistema inteligente adecuado para representar el razonamiento del experto, que está determinado por cómo un experto resuelve un problema dado.
En tiempos recientes la IA aparece como una disciplina que transita a sus objetivos por dos caminos en apariencia mutuamente excluyentes, aunque tal vez concurrentes y hasta complementarios, como lo señala Papert en su artículo “¿Una sola IA o muchas?” [101]. A continuación se describen los dos enfoques de la Inteligencia Artificial:
Paradigma de la IA clásica [108]: se intenta representar simbólica y mentalmente el mundo. El conocimiento es procesamiento de información como manipulación de símbolos basada en reglas, que funciona a través de cualquier dispositivo que pueda representar y manipular elementos físicos discretos (símbolos), que cuando representan apropiadamente un aspecto del mundo real y el procesamiento de información conduce a una buena solución del problema planteado al sistema.
Paradigma de la IA emergente [101]: se trata de modelar el cerebro. El conocimiento es la emergencia de estados globales a partir de una red de componentes simples, que funcionan a través de reglas locales que gobiernan las operaciones individuales y de reglas de cambio que gobiernan la conexión entre los elementos; se puede afirmar que funciona correctamente cuando las propiedades emergentes y la estructura resultante se corresponden con una aptitud cognitiva específica.
Esta investigación se ubica en el paradigma de la IA clásica, por que el sustento para resolver un problema está en la representación del conocimiento. Además, este trabajo se apoya en los siguientes supuestos acerca de la mente enunciados por Martínez-Freire [77]:
Biológico: se cree que el cerebro procesa la información en informaciones discretas mediante algún equivalente biológico de los interruptores de encendido o apagado.
Psicológico: sostiene que la mente se puede considerar como un mecanismo que opera sobre unidades de información según reglas formales.
Ontológico: toda la información relevante del mundo se tiene que analizar como un conjunto de elementos determinados independientes de la solución.
Así cuando se intenta resolver un problema basado en conocimiento, se trata de representar cómo un experto procede para solucionar el problema, esto concierne al modelo de experto a usar, que puede corresponder a uno de los enfoques que se describe a continuación:
Enfoque de las leyes del pensamiento [110]. Consiste en codificar la “manera correcta de
pensar”: los procesos de pensamiento son irrefutables, es decir, lógica. En IA se ha usado la lógica como una valiosa herramienta para construir sistemas inteligentes, pero existen dos obstáculos para lograr este objetivo:
Es difícil recibir un conocimiento informal y expresarlo en los términos formales que exige una notación lógica, especialmente cuando el conocimiento tiene menos del 100% de certidumbre.
Existe una diferencia fundamental entre la posibilidad de resolver un problema y hacerlo en la práctica.
Enfoque del agente racional. Implica actuar de manera tal que se logren los objetivos deseados teniendo como base ciertos supuestos. Un agente es algo capaz de percibir y de actuar, de acuerdo a este enfoque la IA se considera como el estudio y construcción de agentes racionales. La racionalidad perfecta, o siempre se hace lo correcto, no es posible en entornos complejos, como el mundo real, por ello se propone un refinamiento que considera actuar de manera semi-racional, esta es la noción de Newell y Simon [94] que considera a “el hombre como un agente
de racionalidad limitada”.
En este trabajo se considera al experto como un agente de racionalidad limitada, por que los problemas que se tratan de resolver son muy complejos para que el experto (y su representación en el sistema experto) siempre haga lo correcto.
1.3 Conocimiento experto del dominio
El otro subproblema a resolver como parte del diseño de una IC es el modelado del “mundo” del problema a resolver o dominio de conocimiento de la experticia.
Así la base de la ingeniería de conocimiento propuesta en esta investigación se encuentra en la idea de que el experto es un agente que actúa de forma semiracional en “... el mundo que va surgiendo o es
modelado en lugar de estar predeterminado” [130]. Esta es la noción enactuante – emergente del
conocimiento desarrollada por Varela [130] que aporta la idea de que “la inteligencia ha dejado de ser
la capacidad de ingresar a un mundo compartido y predefinido” y permite explicar que el experto construye con su razonamiento “su solución” de un problema.
Investigadores de ingeniería de software (IS) [28 y 42] y de ciencias cognitivas [13] han identificado que algunas técnicas de representación, en consecuencia ciertos formalismos, son adecuadas para ciertos tipos de objetos y para otros tipos no.
1.3.1
Conocimiento e ingeniería de conocimiento
En este trabajo se considera a la cognición como manipulación de símbolos usando reglas que se ejecutan de manera secuencial para representar la experiencia3. Según Morales [89] la experiencia presenta las siguientes características:
Específica, por que es aplicable a un solo dominio.
Inflexible, por que no sirve en situaciones no previstas.
Enfocada, por que sólo ve un tipo de solución.
Un experto hace explícito su conocimiento especializado mediante el lenguaje natural, con una cierta estructura que tiene que ver con la teoría del dominio donde se ubica la experticia, aunque el propio experto no tenga conciencia de tal estructura.
A partir de este trabajo se descubrió que cuando se usa ingeniería de conocimiento como metodología para la solución de un problema, al menos dos especialistas de distintos dominios (un médico y un ingeniero de conocimiento) interaccionan y ejercen influencia mutuamente para construir en colaboración el conocimiento que se usará para resolver el problema.
En consecuencia, se puede decir que a través de la interacción entre el experto y el ingeniero del conocimiento, construyendo el conocimiento declarativo del dominio, ambos sujetos se pueden ubicar temporalmente en el mismo nivel de interés y por tanto pueden establecer comunicación: comparten el discurso del dominio, aunque sea parcialmente, usando una ontología no formal, por ejemplo un pizarrón estratificado conceptualmente o un diccionario.
Transformar el conocimiento del experto, expresado por éste en forma de lenguaje natural a un formalismo computacional, pone de manifiesto la necesidad de representar el conocimiento de la manera adecuada en cada subproceso de la IC. Esto corresponde a diversas técnicas de representación del conocimiento que sirven para relacionar formas de expresión del contenido del conocimiento del experto.
1.3.2 El discurso
Aunque es muy difícil tratar de definir el discurso por que es un concepto ambiguo y complejo utilizado por investigadores de campos tan diversos como educación, comunicación, psicología, lingüística, etc., parece claro que la noción de discurso depende del contexto en que se usa.
El experto sólo puede hacer explícito su conocimiento a través de sus declaraciones estructuradas, es decir el discurso del experto entendido como un conjunto de hechos, leyes y terminología específica, es decir, por razonamiento y expresión oral que integran el cuerpo teórico del dominio.
En consecuencia, el discurso de un campo del conocimiento es mucho más que un conjunto de palabras, por que incluye los conceptos referidos por las palabras, sus relaciones de jerarquía, tiempo y espacio, el contexto al que están referidas y su significación, la interpretación que los miembros del grupo que lo usa, descubre e inventa han construido a través de la cultura y la experiencia tanto individual como colectiva [78 y 79].
El discurso está estrechamente ligado a un dominio específico por que a través de él se puede expresar y compartir el cuerpo teórico del propio dominio.
Durante el desarrollo de este trabajo se construyó una noción de discurso, basada en la experiencia, que se puede enunciar como el conocimiento del experto que éste estructura y hace explícito con la intención de compartirlo con otras personas, que pueden ser colegas o aprendices, es decir, el razonamiento y la expresión oral del experto.
Cualquiera que sea la noción de discurso adoptada no se puede evitar hacer referencia al lenguaje como la herramienta para adquirir, transmitir y compartir el conocimiento organizado como discurso. Al respecto Maturana y Varela [79] afirman que “... el lenguaje es un conjunto de signos agrupados
en sistemas, que se origina cara a cara entre los sujetos que le da la característica de reciprocidad que es exclusiva de este”.
El discurso puede transformarse en un depósito objetivo de amplias acumulaciones de significado y experiencias, que por su naturaleza dinámica se pueden conservar y transmitir a otras personas, por ejemplo un aprendiz.
El manejo y dominio de un discurso convierte a un sujeto en miembro de un grupo, en poseedor de sentidos compartidos con otros sujetos que le son similares en ese nivel. En este contexto el discurso es tan importante que puede abrir o cerrar las puertas de una parcela de conocimiento a un sujeto.
1.3.2.1 El discurso en la ingeniería de conocimiento.
Cuando se hace referencia al discurso en el contexto de la ingeniería de conocimiento, ambos conceptos están fuertemente enlazados a la teoría del dominio que se intenta modelar.
La importancia del discurso en la ingeniería del conocimiento está apuntalada por al menos tres funciones, que se describen a continuación:
Utilitaria: constituye el principal instrumento para que los expertos hagan explícitos sus conocimientos, los Ingenieros de conocimiento puedan modelar la experticia a partir de lo que dice el experto (significado) y cómo lo dice (estructura); también mediante el discurso los usuarios pueden formular preguntas y obtener respuestas pertinentes.
Estructurante: mediante el discurso se estructura el conocimiento por que incluye la definición de las relaciones entre los conceptos y la acepción de conceptos y relaciones que será utilizada por los usuarios, expertos e Ingenieros del conocimiento.
Es probable que el discurso tenga más funciones en la IC además de las mencionadas aquí, y que se deberá seguir estudiando y explorando la naturaleza del discurso para descubrirlas.
1.3.2.2 Discurso y conocimiento
Las ideas de discurso y conocimiento están estrechamente relacionadas pues el discurso es el instrumento-herramienta-recurso de los expertos de un dominio para hacer explícito su conocimiento [3].
Como conjunción de discurso y conocimiento, en este trabajo se usa la idea de la Ciencia Cognitiva, enunciada por Varela [130] como: “... cada época de la historia humana produce, a través de sus
prácticas sociales cotidianas y su lenguaje, una estructura imaginaria, y como parte de esa estructura: la ciencia y como una parte importante, la descripción del conocimiento que tiene de sí misma la sociedad”, así el discurso de un dominio lo describe.
Además Varela, Thompson y Rosch [127] afirman que el “conocimiento es el resultado de una
interpretación que emerge de nuestra capacidad de comprensión, arraigada en la estructura de nuestro cuerpo biológico, pero vive y se experimenta dentro de un dominio de acción consensual y de historia cultural”, que explica por qué en un salón de clases donde un grupo de estudiantes pretende aprender algo desde la misma fuente, cada estudiante parece incorporar un conocimiento distinto e individual, pues incorpora a su experiencia su propia interpretación y no el conocimiento mismo.
Este fenómeno es importante cuando se trata de diseñar una ingeniería del conocimiento por que se pretende comprender el proceso del experto para resolver un problema, pero el ingeniero del conocimiento está incorporando su propia interpretación del discurso del experto, que puede estar muy lejano o muy cercano del conocimiento del mismo experto, y el ingeniero del conocimiento difícilmente podrá averiguar qué tan cercana a la experticia ha sido su interpretación.
1.4 Estado del arte de la ingeniería del conocimiento en el dominio médico.
Dado que la Ingeniería de conocimiento es una metodología, ésta debe estar integrada por un conjunto de métodos y técnicas para transformar el conocimiento del experto, desde su expresión original, el lenguaje natural, hasta un formalismo computacional, manejando las teorías que dan sustento al planteamiento de la IC.
1.4.1 Tipo de problema que se resuelve
La primera división del dominio médico obedece al tipo de problema que se intenta resolver.
Esta tipología se basa en la idea de que los expertos realizan operaciones intelectuales totalmente mentales, casi siempre de manera inconsciente, para resolver un problema, a estas operaciones intelectuales se denominan en este trabajo tareas operativas, para denotar un subproceso para alcanzar una meta parcial hacia la solución del problema planteado.
Las tareas operativas están asociadas a un método de razonamiento [75] y se agrupan en un cierto orden para constituir procesos de solución característicos del tipo de problema [92] que se desea resolver. Se han identificado tres métodos de razonamiento asociados con tareas operativas para la solución de problemas (ver tablas 1.1 a 1.3).
Análisis: o interpretación, consiste en realizar la identificación de conjuntos de objetos basados en sus características.
Síntesis: o de construcción, implica que una solución se puede crear a partir de una serie de componentes o soluciones de subproblemas
Análisis/Síntesis: la solución implica la combinación de ambos métodos de razonamiento.
Tabla 1.1: Tareas Operativas Asociadas al razonamiento de análisis Tipos de problemas Aplicaciones
Clasificación: categorización basada en observaciones.
Divide objetos o hechos en clases o grupos por sus relaciones de semejanza o diferencia.
Depuración: prescripción de remedios para disfunciones.
Recomiendan acciones ante las fallas o el mal funcionamiento diagnosticado en un sistema.
Diagnóstico: inferencia de disfunciones del sistema basadas en observaciones del entorno y el propio sistema
Se aplican a diagnósticos médicos de varias especialidades.
Interpretación: inferencia de descriptores de situaciones según datos de sensores del sistema.
Comprensión del lenguaje, análisis de imágenes, investigación de estructuras químicas e interpretación de señales.
Tabla 1.2: Tareas Operativas Asociadas al razonamiento de síntesis Tipos de problemas Aplicaciones
Configuración: de colecciones de datos bajo restricciones en espacios de búsqueda relativamente pequeños.
Disposición de las partes que forman un todo.
Planeación: diseño de actividades y acciones a realizar.
Se usan para programación automática, robótica, proyectos, rutas, comunicaciones y experimentos.
Determinación de tareas: planificación con restricciones de tiempo y espacio.
Tabla 1.3: Tareas Operativas Asociadas al razonamiento de análisis/síntesis Tipos de problemas Aplicaciones
Control: manejo y gobierno de un sistema. Se usan para el control en las salas de terapia intensiva.
Instrucción: diagnóstico, depuración y reparación del comportamiento de un sistema.
También llamados sistemas tutoriales incluyen sistemas de instrucción en medicina.
Monitoreo: comparación de las observaciones con los resultados esperados. Realiza diagnósticos parciales a partir de interpretaciones continuas, es necesario que las respuestas se den en tiempo real.
Su aplicación se encuentra con pacientes en salas de cuidados intensivos.
Predicción: inferencia de consecuencias probables a partir de situaciones dadas.
Se puede realizar pronóstico del resultado de la aplicación de una terapia.
Recomendación de tratamiento: ejecución de planes para aplicar remedios a padecimientos.
Se usa para establecer tratamientos diversos.
Negrete-Martínez [92] señala que los problemas que se han abordado en el dominio médico usando sistemas expertos son:
Diagnóstico y tratamiento de enfermedades [15, 49, 66, 67, 87, 92, 103]. Monitoreo de pacientes en unidades de cuidados intensivos [74, 87, 90, 92]. Interpretación de exámenes de laboratorio [35, 58, 76, 87, 92].
Asistencia en la selección de terapias apropiadas [9, 87, 92, 124, 132]. Asistencia en la administración de medicamentos [87, 88, 92, 126]. Interpretación de imágenes [87, 92].
Instrucción inteligente en medicina [3, 29, 48, 71, 87, 92].
En general, la solución de un problema se puede ver como un conjunto de tareas operativas que se llevan a cabo en un orden determinado, similares a las operaciones mentales del experto, que se pretenden descubrir para representarlos en una IC.
Por ejemplo, el proceso para resolver un problema de diagnóstico en el dominio médico, usando tareas operativas como subestados, se puede representar gráficamente como un árbol de decisión (ver la figura 1.1). El proceso para resolver un problema de diagnóstico incluye las tareas operativas de identificar, clasificar y diagnosticar, que se llevan a cabo mediante análisis.
IDENTIFICAR
CLASIFICAR
DIAGNOSTICAR METODO DE RAZONAMIENTO:
Otro ejemplo de representación del proceso para resolver un problema usando tareas operativas, ahora de recomendación de tratamiento médico (ver la figura 1.2). El proceso para resolver un problema de recomendación de terapia incluye las tareas operativas de identificar, evaluar y determinar terapia, que se llevan a cabo mediante la combinación de análisis y síntesis.
1.4.2 Adquisición y representación del conocimiento.
En el diseño de la ingeniería de conocimiento existen dos problemas fundamentales, que para efectos de análisis se separan pero en la realidad se encuentran mezclados:
1. Adquisición de conocimiento: o captación de la experiencia [56].
2. Representación del conocimiento: escribir en un lenguaje descripciones del mundo, o como lo enuncia Winston [135] “... un conjunto de convenciones sintácticas y semánticas
que hacen posible el describir cosas”.
A continuación se aborda cada uno de estos problemas por separado, por su importancia en el diseño de la IC y por su amplitud y complejidad.
1.4.2.1 Adquisición de conocimiento.
La adquisición de conocimiento como subproceso de la IC para captar la experiencia en un dominio de conocimiento, contempla varios métodos y técnicas, que se describen en esta sección.
Liou [70] apunta que la adquisición de conocimiento es un problema fundamental para diseñar la IC e implementar SE’s, para resolverlo propone una metodología específica (ver la tabla 1.4).
Figura 1.2: Proceso basado en tareas operativas para recomendar tratamiento IDENTIFICAR
EVALUAR
RECOMENDAR TERAPIA METODO DE RAZONAMIENTO:
Tabla 1.4: Metodología para Adquirir Conocimiento
Fase Pasos
Planeación Comprender el dominio del problema Definir el alcance del problema
Identificar los expertos en el dominio del problema. Identificar el tipo de aplicación.
Analizar varias técnicas de adquisición de conocimiento. Diseñar procedimientos apropiados para adquirir conocimiento. Extracción Explicar el enfoque de la adquisición del conocimiento.
Discutir los objetivos de las sesiones de adquisición de conocimiento Conducir las sesiones de adquisición de conocimiento.
Resumen de expertos
Análisis Análisis de productos de las sesiones de adquisición de conocimiento. Traducir el conocimiento en representaciones
Verificación Desarrollar escenarios de prueba Verificar el conocimiento con expertos
Para adquirir el conocimiento es necesario tomar en cuenta varios aspectos fundamentales, mismos que se describen a continuación:
1. Estrategias para adquirir conocimiento, descritas por Morales [89] de la siguiente manera: Se observa al experto actuando como tal y se trata de identificar su estructura. La
obtención de resultados mediante el uso de esta estrategia es lenta [12].
Se formula un modelo analítico y se trata de ajustar el conocimiento y el comportamiento del experto dentro del modelo. Esta es la estrategia la más utilizada por que se obtienen resultados más rápidamente [4].
2. Relación ingeniero del conocimiento – experto:
El ingeniero de conocimiento extrae el conocimiento del experto. Esta posición es la más usada hasta ahora [57 y 92].
El ingeniero de conocimiento y el experto del dominio colaboran para descubrir el conocimiento experto para solucionar el problema. Esta posición implica tomar conceptos y herramientas de otras disciplinas como la psicología [Gaines] y comunicación [32].
3. Tendencia para extraer conocimiento. De acuerdo a Morales [89] existen dos tendencias: Interacción [75]
Aprendizaje, que puede ser interactivo e inductivo [62 y 75].
4. Fuentes de conocimiento. [108]
Personas: constituyen las fuentes primarias y más ricas de conocimiento, por que incorpora su experiencia, intuición y sentido común.
Textos: libros especializados en el dominio.
Páginas WEB: la red internet proporciona una buena cantidad de información, aunque se debe llevar a cabo una depuración de la misma por que no toda tiene la calidad y confiabilidad que se requiere en un sistema inteligente.
Se identificaron tres métodos para adquirir el conocimiento, con técnicas específicas asociadas:
Método Manual:
Entrevista abierta: es muy versátil por que permite realizar una exploración amplia acerca de la disposición y características del experto. Los ingenieros de conocimiento pueden obtener conocimiento que no han anticipado [55, 70, 78].
Entrevista estructurada: es un refinamiento de la entrevista abierta, que permite abundar en los temas que interesan al entrevistador para acotar y dirigir el acopio de información. La evidencia empírica ha mostrado que esta técnica es eficiente y eficaz para la adquisición de conocimiento y puede aplicarse a varios experto [55, 70, 78].
Observaciones: es la manera obvia de descubrir cómo un experto resuelve un problema, por que consiste en observar cómo actúa el experto. La principal desventaja de la técnica es que el razonamiento del experto no se expresa mientras resuelve el problema [70].
Análisis de emparrillado de repertorio: se usa para construir una estructura conceptual sin extraer conceptos, estructuras y relaciones. Tiene su origen en la Teoría de construcción personal de Kelly, en 1955, apunta a obtener provecho de la visión del modelo mental del experto [31].
Análisis de protocolos: es el estudio de transcripciones de las verbalizaciones de los pensamientos, hechas por los expertos mientras solucionan problemas de diverso tipo. Tiene su origen en la Psicología clínica y sus principales desventajas son que la técnica es muy complicada y no se puede aplicar a todos los tipos de problemas [70, 75].
Tormenta de ideas: es una técnica para, en grupo, desarrollar ideas y explorar su significado. Promueve la identificación de un número de consideraciones relativas al dominio del problema [70].
De grupo nominal: o NGT es una técnica para estructura sesiones de un pequeño grupo que proporciona juicios individuales para integrar una alberca y usarlos en situaciones de incertidumbre o desacuerdo acerca de la naturaleza del problema y las soluciones posibles, la técnica es descrita por Liou [70].
De Delphi: usa una serie de cuestionarios para agregar conocimiento, juicios u opiniones de expertos (usualmente anónimos) para dirigir problemas complejos [70].
Grupos de discusión: se desarrolló para realizar estudios de mercado. El ingeniero de conocimiento es el moderador del grupo de expertos que se reúne para discutir las estrategias de solución de problemas [55, 70].
Votación: hace énfasis en encontrar una solución comprometida al problema. Implica presentar un problema a un grupo de expertos del dominio y estimular a cada uno de ellos para que voten por una alternativa de solución del problema [70].
Análisis de emparrillado de repertorio de grupo: esta es la versión deanálisis de emparrillado para adquirir conocimientode un grupo, se combina con la técnica de lluvia de ideas [70].
Método Semiautomático:
Mike: desarrollado en Open University (U.K.) en 1989, corre sobre PROLOG y contiene un archivo ejecutable llamado KARL para adquirir y validar conocimiento [7, 27].
TEREISIAS: creado por Davis en 1977, está basado en MYCIN y sus modelos, el sistema dirige al experto para que éste analice, razone y complete la base de conocimiento; es una entrevista dirigida al experto [48].
Aquinas: se utiliza análisis de emparrillado de grupo para adquirir conocimiento [48]. LAPS: realiza análisis de protocolos [48].
Kripton: realiza análisis de protocolo de manera semiautomática [48].
Método Automático:
Meta-DENDRAL: desarrollado en 1978 por Mitchell, usa técnicas de aprendizaje de espacio para construir automáticamente reglas de producción [108].
MOLE: es un sistema desarrollado por Eshelman en 1988 para problemas de clasificación heurística, como el diagnóstico médico, transforma una red de dependencias en reglas de producción [108].
SALT: desarrollado por Marcus y McDermott en 1989, construye una red de dependencias cuando conversa con el experto, transforma una red de dependencias en reglas de producción.[108].
SYNDIKATE: desarrollado por Hahn y Romacker, transforma documentos técnicos en bases de conocimiento [48].
CYC: aplica conocimientos de situaciones conocidas para situaciones nuevas [48, 108]. Student: aprende viendo a los expertos solucionar problemas [48].
OPAL: usa el método de aprendizaje de novatos [48].
ID3: creado por Quinlan en 1986, crea árboles de clasificación con un método iterativo [108, 48].
AM: utiliza inducción de modelos a partir de la experiencia [48]. AQ: utiliza inducción de reglas/conocimiento [48].
BLIP: aprende semejanzas partiendo de conjuntos de ejemplos positivos y diferencias de ejemplos negativos [70].
KADS: (Knowledge Acquisition Design System) fue producto del proyecto Esprit P12 desarrollado en 1983. Permite construir bibliotecas de módulos que pueden usarse como plantillas, se puede adaptar a diferentes tipos de problemas en distintos dominios, se usa terminología independiente del dominio [12, 52, 54, 56, 73].
GSS: (Sistemas de Soporte de Grupo) son sistemas computacionales y de comunicación que facilitan la comunicación, coordinación y el proceso de toma de decisiones en grupo. Se han implementado todas las técnicas manuales de adquisición de conocimiento en grupo [70].
Para adquirir conocimiento es muy probable que sea necesario combinar varios métodos y técnicas, pues la complejidad de los problemas a resolver se incrementa, y la tendencia de desarrollo de la IC apunta hacia la automatización de sus subprocesos.
1.4.2.2 Representación del conocimiento.
La representación del conocimiento es un procedimiento de codificación y mapeo de un subestado a otro que consta, en general, de varias etapas como: decidir qué tipos de objetos y relaciones se deben representar, elegir un vocabulario para codificar el conocimiento general del dominio, codificar casos específicos del problema y emplear procedimientos de inferencia para resolver los problemas codificados.
El objetivo de la representación del conocimiento, como lo expresan Russell y Norving [110], es
problema fundamental de la IA, muchos investigadores connotados han dedicado sus esfuerzos a escudriñar distintos aspectos de la representación del conocimiento.
Con respecto a la representación del conocimiento, Minsky [84] afirma que para hacer sistemas de IA más versátiles se deben usar diferentes tipos de representaciones en el mismo sistema, por que cada tipo de representación es óptimo para ciertos tipos de problemas y no para otros, por ello apunta que primero se debe decidir la clase de razonamiento que es mejor para una clase específica de problema y, en consecuencia, la combinación de representaciones adecuada en cada caso.
Minsky [86] propone una “matriz-teoría” (ver figura 1.4), donde se contrasta el número de causas y la escala de efecto para contestar a las preguntas ¿Cómo diferentes factores están mezclados? Y ¿Cuánta influencia tiene cada factor?.
A partir de la Matriz-Teoría mostrada (ver figura 1.4) se pueden realizar las siguientes afirmaciones:
1. Si las causas son pocas y sus consecuencias también son pequeñas, el problema es trivial y puede ser resuelto con técnicas de computación tradicional.
2. Pero si existen muchas causas, cada una con pocas consecuencias, entonces los métodos estadísticos y las redes neuronales pueden ser una buena técnica de representación.
3. En cambio, si se tienen pocas causas con grandes consecuencias, el razonamiento lógico y simbólico es una buena opción de representación del conocimiento.
4. Si existen muchas causas con grandes consecuencias, los problemas tienden a ser intratables y no se conocen técnicas “buenas” de representación del conocimiento.
Figura 1.4: “Matriz-Teoría” de Minsky Pequeño
ESCALA DE CONSE-CUENCIA
Grande
Pocas NUMERO DE CAUSAS Muchas
Fácil Lineal,
Estadística
Conexionista Red neuronal
Lógica difusa
Ordinariamente Razonamiento Cualitativo
Razonamiento Lógico
Simbólico Intratable
Computación Tradicional
IA Clásica
Sociedad de la Mente Razonamient
o Basado en casos
Razonamient o Basado en analogía
o
Razonamiento Basado en casos
Razonamiento Basado en analogía
En consecuencia, los SE’s pueden resolver problemas que se encuentran ubicados, de acuerdo a la Matriz-Teoría, en el cuadrante de pocas causas con grandes consecuencias, por lo que el razonamiento lógico y simbólico es adecuado para resolverlos.
Por otro lado Sloman, con su Teoría General de las Representaciones [117 - 122], propone un modelo de sistemas que exhiben inteligencia, como los SE’s, como un “sistema de control complejo y autoregulado”, en donde cada subestado de control corresponde a un formalismo específico de representación del conocimiento, por ello es necesario usar una colección de técnicas bien estructuradas, lo más amplia posible.
Los métodos para representar el conocimiento pueden estar en función del uso que se hace del conocimiento [108] o de su complejidad.
Rich y Knigth [108] hacen una tipología de los métodos de representación del conocimiento, teniendo como base el papel que juega el conocimiento, como se describe a continuación:
1. Relacional simple: el modo más sencillo de representar los hechos declarativos es mediante un conjunto de relaciones del mismo tipo que las utilizadas en los sistemas de bases de datos. Este método ofrece una pobre capacidad deductiva, pero puede servir como base para otros métodos de inferencia más potentes.
2. Heredable: una de las formas de más útiles de inferencia es la herencia de propiedades, donde los elementos de una clase heredan los atributos y los valores de otras clases más generales en las que están incluidas. Algunas técnicas que pertenecen a este método son las redes semánticas y los mapas conceptuales.
3. Deductivo: con la lógica tradicional es posible describir las inferencias apropiadas. La técnica que corresponde a este método es la lógica de predicados.
4. Procedimental: se basa en la idea de describir qué hacer en una situación determinada. La técnica asociada a este método más utilizada es la Regla de producción.
Morales [89] proporciona una tipología de métodos de representación basándose en su grado de complejidad, como se describe:
1. Básico: es el método fundamental para la representación del conocimiento, ofrece un gran poder de representación, proporciona una historia de los procesos de solución y las técnicas asociadas a este método son: reglas de producción, redes semánticas, frames (prototipos y marcos), lógica de predicados y mapas conceptuales.
2. Avanzado: desarrollado en una época posterior al básico, constituye un refinamiento para la representación del conocimiento, las técnicas asociadas son: modelos cualitativos, modelos temporales, modelos causales, sistemas híbridos, capas, arquitectura de pizarrón, razonamiento basado en casos, redes neuronales y algoritmos genéticos.
A continuación se describen brevemente las técnicas de representación de conocimiento más utilizadas (ver tabla 1.5), que son: reglas de producción [26, 49, 57, 87, 92, 93, 108, 110], marcos [26, 85, 89, 92, 108, 110], mapas conceptuales [2, 19, 37, 39, 64, 95, 96, 97, 108], redes semánticas [65, 89, 92], lógica de predicados [36, 108 y 110], ontologías [17, 34, 44, 45, 48, 61, 83, 108, 110, 134], redes de Bayes [26, 128, 160, 163], guiones [114, 142, 158, 160, 186], redes neuronales [12, 40, 87, 108, 110], dependencias conceptuales [12, 93, 108, 129], CYC [48, 108], algoritmos genéticos [12, 100], lógica difusa [12, 26, 74, 108, 100], restricciones [108] y metáfora de pizarrón [22, 26, 51, 57, 129].
Tabla 1.5 Técnicas de Representación del Conocimiento
Técnicas Descripción Uso en el dominio médico
Reglas de producción
Se basa en el axioma de que la conducta inteligente está gobernada por reglas. Se usa en problemas donde es necesario explicar el proceso para alcanzar la solución.
Diagnóstico,
Recomendación de tratamiento, Monitoreo en salas de cuidados intensivos
Marcos (Frames)
Es una colección de atributos, con valores asociados que describe alguna entidad del mundo. Cada marco representa una clase (conjunto) u una instancia (un elemento de la clase).
Está asociada a las redes semánticas.
Mapas conceptuales
Es una técnica gráfica para representar conceptos y sus relaciones, se puede incorporar nuevo conocimiento fácilmente. Los nodos representan conceptos y los arcos, sus relaciones.
Se usa para presentar gráficamente el conocimiento estructurado.
Redes semánticas
El significado de un concepto depende del modo en que se conecta – relaciona con otros conceptos.
Es útil para captar declaraciones del experto, se asocia con otras técnicas de representación
Lógica de predicados
Proporciona de manera inmediata una técnica muy potente para la obtención de nuevo conocimiento a partir del antiguo: la deducción matemática.
Se usa en tareas operativas y dominios que se encuentran bien estructurados y permiten la racionalidad perfecta.
Ontologías Es un vocabulario que representa las “cosas que
existen” en el dominio de conocimiento. Se ocupa de las categorías que se puede cuantificar adecuadamente. Pueden ser formales o basadas en la lógica de predicados o informales.
Se usan para compartir y reusar conocimiento, funcionan como directorios.
Redes de Bayes
Para describir el mundo real no es necesario utilizar una tabla de probabilidades enorme, donde se listen las probabilidades de todas las combinaciones concebibles de sucesos. Es una técnica que se basa en el razonamiento con incertidumbre. Su forma es un grafo acíclico dirigido.
Se usa en problemas de diagnóstico médico
Guiones Es una estructura que describe una secuencia estereotipada de eventos en un contexto concreto.
Representa patrones de la ocurrencia de eventos, como una cadena causal.
Redes neuronales
Su modelo es el cerebro humano, también se llaman arquitecturas conexionistas. El procesamiento de información se traduce a cómputos aritméticos.
Tabla 1.5 Técnicas de Representación del Conocimiento (Continuación)
Técnicas Descripción Uso en el dominio médico
Dependencias conceptuales
Abreviada como CD es una técnica apoyada en la teoría sobre la representación del tipo de conocimientos sobre los eventos que normalmente aparecen en las frases del lenguaje natural.
Se usa en problemas donde sea necesario extraer inferencias de las frases y sea independiente del lenguaje en el que originalmente estén las frases.
CYC Es un proyecto de una gran base de conocimiento que tiene por objeto capturar el conocimiento humano de sentido común.
Se centra a atención en el contenido de las bases de datos, permite compartir conocimiento y contiene un mecanismo de control.
Algoritmos genéticos
La idea fundamental consiste en considerar las posibles soluciones de un problema como individuos de una población y aplicar procedimientos de búsqueda que imitan los mecanismos de la evolución biológica.
Se usa en problemas de optimización y reconocimiento de patrones.
Lógica difusa La teoría de conjuntos difusos permite representar el ser miembro de un conjunto como una distribución de posibilidades. Es un razonamiento con incertidumbre.
Se aplica en el control de dispositivos como ferrocarriles o lavadoras.
Restricciones La mayoría de lo que se conoce del mundo se puede representar como conjuntos de restricciones.
Se usa en problemas complejos como describir un circuito electrónico.
Metáfora de Pizarrón
Es una estructura de conocimiento compartida; allí cada experto escribe su aportación de experticia para resolver un problema.
Se usa para resolver problemas de control.
La selección de un tipo particular de esquema representativo de conocimiento depende tanto de la naturaleza de la aplicación como de las preferencias de los usuarios.
Una vez que se ha diseñado la IC para guiar la transformación del conocimiento declarativo en procedural, es necesario elegir la herramienta para implementar el sistema experto, como se describe a continuación:
Lenguajes de alto nivel: Son lenguajes de propósito general. Tienen como ventajas su eficiencia, su familiaridad y la portabilidad a cualquier entorno, pero con el inconveniente de no estar preparados para una programación basada en símbolos. Por ejemplo, C, Fortran, OPS5, ACT-R [6] y Basic.
Lenguajes simbólicos: Por su adaptación a la lógica de la base de conocimientos representada mediante símbolos y por su mecanismo para extraer soluciones. Por ejemplo, LISP y PROLOG.
adicionales. Aunque la flexibilidad es menor que cuando se usan lenguajes de alto nivel y simbólicos pero se incorporan procesadores de texto, gráficos y herramientas de análisis. Por ejemplo, EMYNCIN [54], CLIPS [18] y JESS [58].
Entornos de desarrollo: Añaden a las armazones (shells) el uso de un entorno gráfico que facilita el desarrollo del SE. Tienen como ventaja la disminución del tiempo de desarrollo, son caros y poco flexibles. Por ejemplo, IDEAL [98], ICIS [60] y ART [50].
El recurso para transformar el conocimiento declarativo en conocimiento procedural es la Ingeniería del conocimiento. Las IC’s propuestas/usadas son un conjunto de métodos con fases básicas de desarrollo. Estas IC’s son diversas, dando lugar a varios tipos de arquitectura/estructura, cada una de ellas con características particulares, dependiendo de los resultados de un análisis de medios y fines del problema a resolver y del dominio donde éste se ubica.
1.5 Tendencias de desarrollo de la ingeniería de conocimiento.
Las tendencias de desarrollo de la ingeniería de conocimiento, y de sus productos los sistemas expertos, se pueden analizar desde varias perspectivas, como:
1. El proceso de evolución de los sistemas expertos como tecnología. 2. Asociación con nuevos recursos.
3. Aplicaciones
1.5.1 Proceso de evolución de los sistemas expertos.
Hoog [54] afirma, como consecuencia de realizar un análisis estadístico de los artículos relacionados con los SE’s presentados en los Congresos Mundiales de la especialidad, que de 1987 a 1990 la tecnología de SE’s cumplió con los estados de Introducción y Desarrollo de la tecnología; de 1991 a 1993 se cumplió con el estado de Maduración y desde 1994 se iniciaron los estados de Saturación y Declive (ver la figura 1.5).
Innovadores Partidarios
tempranos Mayoría temprana Mayoría tardía Rezagados
Introducción
Maduración
nn
Crecimiento
Saturación
Declinación
Si bien es cierto que la tecnología de sistemas expertos ha alcanzado un nivel de madurez plena en algunos aspectos, este hecho ha favorecido el desarrollo de nuevas tecnologías llamadas híbridas, por que tienen su base teórica en varios paradigmas.
Como consecuencia de contar con una amplia variedad de métodos para adquirir conocimiento, representarlo y lenguajes para su implementación computacional, se puede intentar la solución de problemas más complejos y genéricos.
A partir de la revisión de la literatura especializada en el campo de la IC, se puede afirmar que las tendencias de desarrollo de la ingeniería de conocimiento, en cuanto metodología para desarrollar sistemas expertos, apunta hacia:
1. La generalización de los problemas que son capaces de resolver [27]. 2. La hibridación de métodos de representación [64 y 128].
3. La incorporación a los procesos cognitivos aproximaciones como la incertidumbre, la conciencia y el sentido común [50 y 128].
4. La automatización de los subprocesos (adquisición y representación del conocimiento) [27 y 60].
5. El reuso y la distribución del conocimiento [38].
6. Uso de armazones (shells) con interfaces más amigables y atractivas y que faciliten el manejo y recuperación de conocimiento distribuido, como JESS [59].
Estas tendencias se pueden extender a los sistemas expertos, puesto que son una implementación computacional específica de la ingeniería de conocimiento.
Se puede afirmar que los sistemas expertos, y la investigación relacionada con ellos, estará en el interés de la comunidad científica especializada y de los usuarios, mientras sea necesario captar la experticia en un dominio, incluyendo el cuerpo teórico y metodológico que la sustenta.
1.5.2 Asociación con nuevos recursos.
Como consecuencia de contar con computadoras más poderosas y baratas y la difusión del uso exitoso de los sistemas expertos, el costo de producción de los sistemas expertos está bajando. Además la implementación de SE´s y su uso es cada vez más sencillo, aunado a que las aplicaciones se están diversificando e incidiendo en la optimización de procesos industriales, favorecen el desarrollo y la investigación básica de SE’s.
De manera paralela se investiga para incorporar a los SE’s características exclusivamente humanas, por ahora, como la conciencia, el sentido común y las emociones [116].
1.5.3 Perspectivas de aplicación
Los problemas a resolver son cada vez más complejos, por ello la investigación de los sistemas expertos apunta hacia los sistemas que contienen conocimiento que se puede reusar y compartir con varios usuarios y con otros sistemas, a proporcionar respuestas en tiempo cercano al real, a contener la experticia en un dominio organizada de tal manera que sirva como adyuvante para la adquisición del conocimiento significativo y a descubrir nuevo conocimiento a partir del conocido.
Capítulo 2
Análisis del Problema
El problema a resolver está integrado por dos tareas operativas: el diagnóstico y la recomendación de tratamiento para pacientes de asma bronquial, estas dos tareas operativas se encuentran estrechamente enlazadas en el dominio médico.
Aunque el problema de diagnosticar y recomendar tratamiento en el dominio médico se ha tratado ampliamente con distintos métodos de la Inteligencia Artificial, especialmente con sistemas expertos, la complejidad del problema y la variedad de los padecimientos que no se han explorado con este paradigma sigue haciendo interesante este objeto de estudio. Algunos motivos adicionales por los que se eligió el dominio médico para llevar a cabo esta investigación se pueden enunciar como:
Uno de los tipos de problemas más frecuentes en el dominio médico es el diagnóstico, por tanto, se intuía que los médicos debían poseer procesos mentales muy eficientes para resolverlo.
La abundancia y variedad de la información disponible acerca del problema de diagnóstico en distintas especialidades médicas, podía proveer patrones para orientar la solución del problema.
La disposición de un experto médico alergólogo, reconocido ampliamente en su ámbito profesional, para colaborar en la investigación.
Aún resta por abundar en la exploración aspectos fundamentales de la solución del diagnóstico y tratamiento médicos, como los procesos mentales que el experto utiliza y cómo estructura su conocimiento para usarlo y compartirlo con otros expertos o aprendices.
Aunque en un principio se trató de abordar los padecimientos de la especialidad de alergología, en conjunto, muy pronto fue evidente que el problema era demasiado extenso y complejo y se debía realizar un refinamiento del objeto de estudio.
A sugerencia de un médico alergólogo, consultado en calidad de experto, se limitó la investigación a diagnosticar y recomendar tratamiento de asma bronquial por que, de entre todos los padecimientos alérgicos, es el más difícil de resolver aún para un médico.
Además en la literatura especializada en Inteligencia Artificial aplicada a la medicina, se encontraron pocos trabajos, específicamente sistemas expertos, dedicados al padecimiento de asma bronquial; Moon [87] refiere que en 1996 se desarrollaron dos sistemas expertos que abordaban el padecimiento de asma bronquial:
1. Chae Y.M. et al. desarrollaron un sistema experto que utilizaba redes neuronales y razonamiento basado en casos.
Una motivación adicional para elegir el padecimiento de asma bronquial como objeto de estudio fue la cercanía y familiaridad con el problema, por que gran cantidad de los habitantes de la región de Xalapa, Veracruz, México, padecen esta enfermedad.
Cuando se intentó un acercamiento con otros médicos generales y especialistas en pediatría y alergología, las primeras consideraciones acerca de la complejidad del problema se confirmaron. El interés en el tema se reforzó al saber que, aunque existen conocimientos especializados y experiencia acerca del dominio, no es posible una solución convencional de procesamiento de datos.
2.1 Dominio del problema
Como ya se señaló, el dominio donde se ubica el problema que se pretende resolver es el de la Medicina, en particular la especialidad denominada alergología, que estudia y atiende el asma bronquial, entre varios padecimientos que van desde el prurito1 hasta el paro cardiorrespiratorio, pasando por la rinitis2 alérgica, la fiebre de heno y la intoxicación.
El problema planteado se pretende resolver desde el paradigma clásico de la Inteligencia Artificial, específicamente con sistemas basados en conocimiento, que implica un planteamiento complementario a los paradigmas de la Medicina.
El análisis de éste problema se aborda, en esta investigación, desde dos perspectivas mutuamente complementarias: la del experto médico y la del ingeniero de conocimiento, como experto en computación.
2.2 La perspectiva médica.
Desde esta perspectiva se describe y analiza el problema de diagnosticar correctamente el padecimiento de asma bronquial y recomendar tratamiento adecuado. Este punto de vista, el del experto médico, está regido por la teoría del dominio médico y la experticia del propio médico en asma bronquial.
Todas las afirmaciones que conforman esta visión médica provienen del Médico alergólogo pediatra José Santos Lozano Sáenz, el experto de esta investigación, y los textos cuyos autores son José Cortés [23] y Claude Lenfant et al. [69].
2.2.1 El discurso médico
Si se retoma la noción de discurso, en general, utilizado en esta investigación, se debe abordar el razonamiento utilizado en el dominio para resolver un problema y la expresión oral y escrita acerca del proceso por parte de los miembros del grupo que manejan, entienden y construyen la expresión del dominio.
1 Prurito: irritación de la piel acompañada por comezón, su origen es alérgico [23]. 2
Los médicos organizan el conocimiento de su dominio con distintas perspectivas para utilizarlo con propósitos particulares. Los criterios para organizar el conocimiento del dominio médico [23] son principalmente:
1. Fisiología humana: se refiere a la función del organismo humano. Se considera a la enfermedad como resultado de trastornos producidos en las funciones vitales, sin tener considerar factores congénitos y predisponentes. El conocimiento se parcela en ramas con dos criterios, el primero es el estado de salud (salud o enfermedad) y el segundo correspondiente a los sistemas del cuerpo humano, por ejemplo sistema circulatorio, sistema nervioso, sistema respiratorio, etc. La mayoría de las especialidades médicas corresponden a esta perspectiva, pro ejemplo, neumología, gastroenterología, neurología, cardiología, ginecología, etc.
2. Anatomía humana: tiene por objeto la descripción de la estructura del cuerpo y las relaciones de los distintos órganos entre sí. En especial la anatomía descriptiva, es un recurso para organizar el conocimiento del dominio médico, estudia cada órgano e indica su situación exacta, su forma, etc. Por ejemplo la anatomía descriptiva comprende la osteología, estudios de los huesos y esqueleto; la artrología, de las articulaciones; sindesmología, de los ligamentos; miología, de los músculos; angiología, de los vasos; neurología, de los nervios; etc.
3. Orientado a grupos de problemas: se basa en la agrupación de padecimientos, por ejemplo por edad, dando origen a otras especialidades médicas como la pediatría y la geriatría.
4. Orientado a padecimientos: se basa en la atención de un padecimiento en particular, sus causas, entorno y manifestaciones. Se contempla la solución de un problema de salud mediante la colaboración de varios especialistas, con una visión integral.
A continuación se describe el padecimiento de asma bronquial, sus causas, efectos, cómo un médico aborda el problema de diagnóstico y recomendación de tratamiento el médico, las dificultades y la complejidad del problema.
2.2.2 El asma bronquial
El asma bronquial es un padecimiento alérgico que se define como “inflamación crónica desordenada
de las vías respiratorias aéreas, que ocasionan que se limite el flujo de aire cuando el paciente se expone a estimulantes o detonadores del padecimiento, también llamados alérgenos” [23].
El asma prevalece, particularmente en niños y ancianos, y se incrementa en todo el mundo, aunque no es posible conocer la incidencia de la enfermedad y su evolución, por que no todos los países cuentan con datos estadísticos del padecimiento.
