Entre los primeros intentos de la inteligencia artificial, se pretendía imitar las habilidades humanas para cierto tipo de manejo de la información. Así se definieron sistemas espciales con capacidad de realizar tareas que un humano halla comunes, pero que requieren de sentido común y, en algunos casos, de conocimientos específicos. Esto posibilitaría a las máquinas interactuar con su entorno de manera similar a la biológica.
Así, hacia los años 80, comienza a surgir la industria de los denominados “Sistemas Expertos” (SE) [1]. Se realizaron muchas inversiones en varios países de Europa, Asia y América, con el fin de lograr generar un sistema capaz de reproducir la actividad de un experto humano en tópicos específicos. Como en otras áreas de la iteligencia artificial, los primeros resultados fueron atractivos y eso generó una espectativa desmesurada. Pero la comunidad halló severas dificulades en la manipulación de la cuantiosa información necesaria para poder llevar a cabo una actividad realmente experta en el sentido humano. En este área resulta estratégico poder resolver dos tareas eficiente y completamente:
Identificar la información necesaria para el tópico en cuestión, conformando lo que sería la Base de Conocimientos
Codificar de manera concisa, eficiente y precisa la información, de modo que la manipulación sea efectiva y ubicua.
Como la comunidad aún no estaba lista para este otro salto (que se dará mucho después con el advenimiento de las técnicas de minería de datos,hacia los años 90), esto derivó en resultados tibios que no cubrieron los ambiciosos objetivos planteados para estas tecnologías. En consecuencia los fondos y el interés mudaron rápidamente a otras tecnologías. Ante esto, la comunidad reacciona con nuevas metodologías como el aprendizaje automático con refinamiento automático (para evitar los problemas de selección de variables y codificación), y sistemas basados en sentido común (para cubrir los huecos de conocimientos del SE).
Con la incorporación de estas nuevas tecnologías, se genera una nueva generación de SE, mucho más fáciles de mantener, desarrollar y flexibles.
Actuañmente, los desarrolladores tienen a disposición interesantes alternativas sobre lo que hoy se considera una tecnología madura, disponiend de métodos sofisticados de razonamiento, manejo de errores, incerteza, incompletitud y error. Los nuevos SE, son mucho más robustos y apropiados para el diagnóstico y planificación.
Han surgido también tecnologías híbridas capaces de combinar las representaciones simbólicas del conocimiento con otras tecnologías más flexibles y cercanas al comportamiento humano. También se han ido incorporando técnicas de las bases de datos, aprendizaje intelligente y estadísticas.
El rápido y precoz éxito se los SE en los 80, se debe a principalmente a la relativa fiabilidad de los mismos a un costo relativamente bajo (respecto a sus pares humanos) y con una estabilidad en el tiempo que le permite mantener su actividad a lo largo de un tiempo mínimo (generalmente relacionado con la validez de su diseño para el problema en cuestión).
Mientras un experto humano tiene las limitaciones y percances propias de su condición humana (se enferma, envejece, opta por migraciones laborales), el SE no envejece, no sufre la pérdida de sus habilidades y se convierte es una herramienta estable para su entorno. Esto, sumado al hecho de que sus actividades son completamente replicables (siempre contestará de la misma manera a menos que se le cambie el diseño), le hacen muy fiable.
A ésto se le suma la velocidad que caracteriza a los sistemas automáticos en esta tecnología: son capaces de recuperar información de una Base de Datos (BD) y procesarla numéricamente con mucho mayor rapidez que cualquier ser humano.
Un dato no menor, es que hay entornos que pueden ser peligrosos para los seres humanos, pero estos sistemas pueden trabajar allí . Por ejemplo, se los puede usar en la determinación instantánea de la peligrosidad de entornos de constucción debido a la producción de sustancias químicas propias de la actividad [3].
Finalmente, si se evalúa el costo total del empleo de esta tecnología, la replicabilidad y estabilidad, asociado a la seguridad que provee, resulta una ecuación favorable, aún considerando que las inversiones iniciales puedan ser relativamente elevados.
Como toda tecnologia, los sistmas expertos tienen, como herramienta que son, un alcance determinado en su funcionamiento. Entre otras cosas suele criticársele la falta de sentido común (todo debe ser expresado dento del diseño, no hay cosas obvias para estos sistemas, más adelante en este mismo capítulo, se presenta un ejemplo donde se consutla a un experto aerca de la salud de G. Wahington, de 252 años).
Por otra parte, la interacción con el sistema no suele ser tan sencilla y directa como lo es con un humano. Aun cuando se cuente con una interfase que procese lenguaje natural, el tipo de sentencias para consultar e informar conocimientos suele ser limitada.
En cuanto a su capacidad de aprendizaje, también estará sesgada por el diseño, suponiendo que se incorpore esta funcionalidad al SE. Los humanos tienen una capacidad más natural para aprender del error propio y ajeno.
D. L. Waltz, Artificial Intelligence: Realizing the Ultimate Promises of Computing . AI Magazine, Volume 18, Number 3. .pp 49-52.1997.
E. Reingold, Tutorial Review: Expert Systems. http://www.psych.utoronto.ca
J.J. Dijkstra, H.A. van der Sloot, G.Spanka, G. Thielen, Informationen aus dem Umweltbundesamt-UBA aktuell 5. ECN-C--05-045. 72p. 2005.
J. M. Gutiérrez. Sistemas Expertos Basados en Reglas. Dpto. de Matemáica Aplicada. Universidad de Cantabria.www.researchgate.net. 2002.