Sistemes experts: introducció

Els sistemes experts són màquines que simulen el procés d’aprenentatge, de memòria, de raonament, de comunicació i d’acció d’un expert humà en qualsevol branca de la ciència.

Aquesta característica els hi permet emmagatzemar dades i coneixements, arribar a conclusions lògiques, prendre decisions, aprendre l’experiència i de les dades existents, comunicar-se amb experts humans, explicar les raons de les decisions presses i realitzar accions com a conseqüència de tot l’anterior.

Si ens parem a pensar un moment, busquem dissenyar màquines que treballin com un especialista humà per no tenir la necessitat de contractar-lo per segons quines tasques. Però a la vegada, necessitem experts que el dissenyin, controlin i supervisin. Aquesta és l’evolució que intenta la intel·ligència artificial: fer sistemes capaços de prendre decisions trivials però encertades i entendre així com funciona la intel·ligència humana.

Per tant, aquests sistemes experts, haurien de ser capaços de:

-         Resoldre el problema que se'ls hi planteja de la mateixa manera que ho faria un especialista.

-         Treballar amb dades incompletes o informació insegura.

-         Explicar el resultat obtingut

-         Aprendre nous coneixements a mesura que treballa

-         Reestructurar i actualitzar els coneixements que té a mesura que obté les dades

-         I la més difícil, saltar-se les normes quan s’arriba a la conclusió que aquestes no són aplicables en un cas concret.

Avantatges:

-         Els coneixements dels sistemes experts són més fàcils de documentar i transferir respecte als humans.

-         Els coneixements d’aquests són permanents, sempre els podrem conservar encara que el sistema expert ja hagi desaparegut. Això acabarà constituint una base d’informació per a l’empresa a la qual pertany/ia el sistema.

-         Com a tota màquina no es cansa, no pateix i la seva posició no ha de perquè ser mòbil.

-         A la llarga llavors, resulten més econòmics per a una empresa que un expert humà.

Inconvenients:

-         Destaquem la manca de creativitat i sentit comú.

-         Només serveixen per a seccions del coneixement ben delimitades, a diferència dels amplis coneixements de l’ésser humà.

-         La dificultat d’adquirir nous coneixements pels quals no hagin estat programats.

Per tant, podem estar ben segurs, que per molta ciència-ficció que ens expliquin i tantes pors que es generin, un sistema expert mai podrà substituir un expert humà en tots els seus sentits. Per tant, darrere un sistema expert automatitzat sempre hi haurà un expert humà que l’acondicioni i revisi la seva feina.

Arquitectura dels SE

A la programació convencional tenim el codi font del programa i les dades, en un Sistema Expert distingim entre tres components bàsics: la base de coneixements, la base de fets i el motor d’inferències. Això encapsulat dins una interfície d’usuari i un subsistema d’explicació.

- Base de coneixements: És la part del SE que conté el coneixement sobre el domini. Aquesta informació emmagatzemada ha de ser tan fets contrastats científicament com les creences i els heurístics adquirits pels especialistes a través de l’experiència. Una manera clàssica de representar el coneixement en un sistema expert són les normes. Una Norma és una estructura condicional que relaciona lògicament la informació continguda entre un antecedent i un conseqüent.
- Base de fets: conté les dades sobre la situació o problema que s’està considerant.  A més es pot utilitzar com a memòria auxiliar per emmagatzemar raonaments i la manera d’arribar-hi. D’aquesta manera el sistema ha de ser capaç quan doni resultats finals i conclusions, saber explicar com hi ha arribat. Això és clau: molt és l’escepticisme encara present en els sistemes experts i els usuaris externs han de garantir aquest procés.

- Motor d’inferència: El sistema expert modela el procés de raonament gràcies a la base de fets o de coneixements, de manera que aquest sigui el més pròxim a l’humà. Per fer-ho, pot utilitzar dos modes de raonament diferents: “encadenament cap endavant” (forward chaining) i “encadenament cap enrere” (backward chaining). La diferència entre els dos és la manera que s’interpreten i s’observen les premisses.  Si tenim al cap les nocions bàsiques de lògica, en el primer mode una norma es podrà aplicar quan les condicions indicades a la part esquerra (premissa) es compleixen en la situació que s’està donant, emmagatzemada en la base de fets. Si és així, les condicions de la dreta de la norma s’agreguen a la base de fets i es continua amb el procés de raonament. En el segon mode, en canvi,  es parteix des d’un conjunt  d'hipòtesis que són contrastades amb les “parts dretes” de les normes de la base de coneixement. A l’aplicar una regla se substitueix l’objectiu inicial per un conjunt de subobjectes indicats per les premisses de la regla aplicada i es continua el procés.

- Subsistema d’explicació: Una característica dels SE és la seva habilitat per explicar els seus raonaments. Utilitzant aquest mòdul, un SE pot proporcionar una explicació a l’usuari del perquè està fent una pregunta i com ha arribat a una conclusió. Aquest mòdul és també important en el sentit que beneficia tant al dissenyador del sistema com a l’usuari que l’utilitza: un en detecta errors i l’altre es beneficia de la claredat i transparència del sistema.

- Interfície d’usuari: la interacció entre un sistema expert i un usuari es realitza en llenguatge natural. També és altament interactiva i segueix el patró d’una conversa entre éssers humans. Per a conduir aquest procés de manera acceptable per a l’usuari és especialment important el disseny de l’interfície de l’usuari, com a tot programa. Un requeriment bàsic de la interficie és l’habilitat de formular preguntes. Per a obtenir informació fiable de l’usuari s'ha de posar especial atenció en el disseny d’aquestes: a través de menús i gràfics.