Vous êtes sur la page 1sur 13

El sistema experto MYCIN

Resumen realizado por Jess Daz de Lope para la asignatura


Razonamiento y Aprendizaje de la UNED

MYCIN puede considerarse un tipo de Sistema de Produccin
1
con algunas particularidades, cuya
base de datos es un conjunto de cudruplas formadas por una tripleta asociativa o hecho, del tipo
(objeto o contexto, atributo o parmetro clnico, valor) y un Factor de Certeza, FC, que
indica, en una escala de -1.0 a 1.0, la fuerza de la creencia en la veracidad del hecho (FC > 0), en
su falsedad (FC < 0), o en su independencia (FC = 0), dada la evidencia formada por el resto de
hechos conocidos. O lo que es lo mismo, con qu fuerza un hecho es confirmado o rechazado en
funcin de la evidencia disponible hasta el momento.
Un sistema experto como MYCIN consta de dos elementos bsicos: una Base de Conocimientos
y un Mecanismo de Inferencia o Programa de Consulta. La Base de Conocimientos est formada
fundamentalmente por reglas del tipo Si E, entonces H, representadas por E -> H, donde la
premisa est en forma conjuntiva (es casi una clusula de Horn) y la conclusin contiene un slo
predicado. El Mecanismo de Inferencia consiste en una estrategia de control de encadenamiento
hacia atrs o dirigida por metas aplicada a las reglas. Tambin contiene una Base de
Afirmaciones BA, que es una base de datos dinmica que contiene los hechos obtenidos sobre
el paciente en la sesin de consulta actual, un Programa de Explicaciones y un Programa de
Adquisicin de Conocimiento (nuevas reglas).
Las reglas pueden encadenarse para obtener conclusiones, en lo que se conoce como una
estrategia de razonamiento de encadenamiento hacia delante o inferencia dirigida por los datos,
ya que unos hechos conocidos, a1,...,ak, que cumplen la premisa E, dirigen la inferencia de
izquierda a derecha a travs de las reglas encadenadas hasta llegar a la conclusin buscada:

Existe una regla E -> H (regla)
conocemos unos hechos a1,...,ak que cumplen las condiciones de E (dato)
deducimos o conocemos un hecho h que cumple H (Modus Ponens, MP)

En una inferencia por encadenamiento hacia atrs, el sistema comienza por una afirmacin acerca
de la meta que persigue y trabaja hacia atrs, a travs de reglas encadenadas, de derecha a
izquierda, para encontrar los datos que producen la meta, cuya veracidad implica la de la meta:

Meta: Conocer
2
un hecho h que cumpla H (dato objetivo)
Existe una regla E -> H (regla)
Pregunta: Existen unos hechos a1,...,ak (almacenados en la BA) que cumplan las
condiciones de E?

1
Un Sistema de Produccin consta de tres componentes bsicos: un conjunto de reglas, una base de datos,
y un intrprete de las reglas.
2
Conocer significa almacenar h en la BA. El hecho h estar enunciado cuando la regla se aplique a un
contexto concreto, pero no se conocer su FC, por lo que no se podr almacenar hasta que no se obtenga
su FC. La meta, por tanto, consiste en calcular el FC del hecho h.
La respuesta afirmativa permite almacenar un hecho h (que cumple H) gracias al Modus Ponens,
por deduccin lgica, como en el encadenamiento hacia delante. En concreto, en MYCIN, una vez
encontrados a1,...,ak, se desenrolla el encadenamiento realizado:

a1,...ak con grado de certeza conjunto calculado, TALLY
E -> H con grado de certeza definido por los expertos, FC(H,E)
h con grado de certeza FC(h) = FC(H,E)*TALLY, si y slo si, TALLY > 0.2

La consideracin del grado de certeza hace que esta regla de deduccin se llame Modus
Ponens Incierto (MPI), el cual, dada una regla E -> H, garantiza que si se cumple la premisa de
la regla, se podr almacenar (conocer) el hecho h que cumple el consecuente de la misma, con
cierto grado de certeza, FC(h), asignado al mismo. Cumplir la premisa tiene un significado
concreto, ms restrictivo que en el MP, ya que no slo se necesita que cada clusula que
aparezca en E sea verdadera, sino que adems involucra requisitos sobre los FCs de los hechos
que se ajustan a las condiciones de la premisa y el requisito de que el grado de certeza conjunto
de la propia premisa sea mayor que 0.2.
La inferencia no se llevar a cabo con una regla si es rechazada porque la evaluacin de su
premisa arroje un contador TALLY menor o igual que 0.2. En este caso se emplear otra regla
para encontrarle un FC a h, o se preguntar al usuario para obtener dicho FC(h). Ms adelante
se ver cmo se calcula dicho contador. Hablamos del concepto ms general de Grado de
Certeza, GC, por contraposicin al concepto ms especfico de Factor de Certeza, porque en
MYCIN slo existen FCs asociados a las reglas y a los hechos, es decir, almacenados con ellos.
No hay FCs asociados a las premisas de las reglas. Cuando se utiliza una regla en un contexto
dado, es cuando MYCIN calcula el GC de su premisa (el GC conjunto de los hechos que la
cumplen) y lo utiliza como hemos visto, pero no lo almacena, pues dicho GC es dinmico y va
cambiando en funcin de los FCs de los hechos que cumplen dicha premisa.
En general habr muchas cadenas de razonamiento hacia atrs a partir de una meta, que lleven a
datos sobre los que el sistema tendr que preguntar. El conjunto de todas ellas constituye una
sesin de consulta en MYCIN. El encadenamiento hacia atrs que se produce en una sesin de
consulta de MYCIN, sigue un proceso simple de dos pasos:
1. Crear el contexto del paciente como el nodo raz en el rbol de Contextos de la consulta
actual.
2. Intentar aplicar la regla meta a ese contexto del paciente.
3

El contexto incluye toda la informacin relevante de una entidad, es decir, los valores (y sus FCs)
de todos sus parmetros clnicos, que se hayan encontrado hasta el momento. Esta informacin
es constantemente actualizada y ampliada durante el proceso de inferencia. Los diferentes

3
MYCIN tiene una regla meta de mximo nivel que define la tarea completa del sistema de consulta (regla
092):
SI hay un organismo que requiere terapia, y se ha considerado la posibilidad de organismos adicionales que
requieran terapia, ENTONCES compile una lista de terapias posibles y determine la mejor terapia en esta
lista.
contextos que aparecen durante la inferencia se organizan como nodos en un rbol de Contextos
que va creciendo desde su raz (el contexto del paciente actual) hasta sus hojas, siguiendo un
patrn similar a este:
PERSONA

(CULTIVO-1) .... (CULTIVO-i) .... (CULTIVO-N)

(ORGANISMO-i1) .... (ORGANISMO-ij) ... (ORGANISMO-iM)

(FRMACO-ij1) ... (FRMACO-ijk) ... (FRMACO-ijP)

Toda la informacin obtenida hasta el momento en relacin a un contexto se adjunta a su nodo en
forma de listas de pares (Valor,FC), denotadas por Val[C,P], existiendo una lista por cada
parmetro clnico aplicable a ese contexto. La BA no es ms que el conjunto de todas esas listas,
una por cada pareja posible (Contexto, Parmetro clnico). As es como se almacena cada
cudrupla hecho h = (Contexto, Parmetro clnico, Valor, FC).
Cuando MYCIN intenta obtener un FC para un hecho h, lo que busca es el FC del valor de cierto
parmetro de una entidad concreta. Para ello, segn las propiedades del parmetro, podr
preguntar al usuario o ejecutar todas las reglas en cuya conclusin se referencie dicho parmetro,
una de las cuales es E -> H
4
. Una regla como sta se dice que se ejecuta en el contexto
referenciado en H, el cual se crea la primera vez que se necesita conocer el valor de algn
parmetro de dicho contexto. Para ejecutarla, necesita evaluar su premisa y para ello buscar y
utilizar hechos almacenados a1,...,ak, que las cumplen. En esta bsqueda se invocarn otras
reglas, por encadenamiento hacia atrs, o se preguntar al usuario, cuando algn hecho
necesario 'ai' no se encuentra almacenado en la BA. Al inferir desde las condiciones de E, MYCIN
pasa al contexto de los parmetros que aparezcan en dichas condiciones, y as va creando y
recorriendo el rbol de contextos. Los contextos estn categorizados en Tipos de Contexto
(Personas, Cultivos, Organismos, Frmacos, Operaciones y Terapias) y cada contexto del rbol
se considera una instanciacin de un tipo de contexto.
La consulta es esencialmente una bsqueda a travs de un rbol de reglas o de metas (las
metas son las conclusiones de las reglas). La meta superior en la raz del rbol es la conclusin
de la regla-meta, es decir, las recomendaciones para una terapia a base de frmacos. Para
alcanzarla, hay que alcanzar antes otras submetas (metas parciales), que se organizan como
nodos hijos del actual:
a) otras reglas cuya conclusin permite evaluar la premisa de la actual
b) preguntas a hacer al usuario sobre el FC de un hecho (hojas del rbol)

4
Cada regla E -> H est referenciada en una lista UPDATED-BY asociada al parmetro clnico mencionado
en H. Cuando la submeta H est siendo considerada, se invocarn todas las reglas de esa lista, y slo
ellas.
REGIMEN

REGLA092

COVERFOR

TREATFOR

REGLA090

SIGNIFICANCE

REGLA038

SITE

REGLA042

COLLECT

SIGNUM

NUMCULS

NUMOPS

REGLA108

CONTAMINANT

REGLA149

FEBRILE

IDENT

INFECTLOC

SITE

SITE

REGLA044

NUMCULS

NUMOPS

SITE

REGLA122

ASK1

ASK1

ASK1

ASK1

ASK1

ASK1

ASK1

ASK1

Las submetas futuras conforme se baja por el rbol incluyen determinar el organismo involucrado
y ver si es significativo. Muchas de estas submetas tienen submetas propias, tales como el
encontrar las propiedades de la cepa y morfologa del organismo. Las hojas del rbol son metas
fcticas correspondientes a hechos, tales como datos de laboratorio, sobre cuyo FC se pregunta
al usuario ya que no pueden ser calculados.
La regla-meta de MYCIN se aplica al contexto paciente. Aplicar la regla requiere evaluar su
premisa, la cual requiere el determinar si hay un organismo que requiera terapia. Para ello, debe
primero determinarse si hay un organismo presente que est asociado con una enfermedad
significativa. Esta informacin puede ser obtenida bien directamente del usuario, bien de una
cadena de inferencia basada en sntomas y datos de laboratorio proporcionados por el usuario.
Por tanto, el razonamiento del sistema va desde el establecimiento de un problema existen
organismos que requieran terapia? a hechos relevantes que den los valores de parmetros
clnicos, a travs de reglas que relacionan conclusiones con evidencias relativas a los diferentes
contextos.

Este esquema representa una parte del rbol de inferencias, en el que cada regla est representada
mediante su nombre, en el centro (en un valo azulado), y por encima y debajo de l estn los parmetros
clnicos de su conclusin y su premisa, respectivamente (en rectngulos amarillos).
Un mismo color se utiliza para conectar los smbolos de cada regla. Los rectngulos grises representan
subrboles mayores que una hoja, y los crculos rosados representan hojas, es decir, preguntas al usuario
para conocer el par (Valor,FC) del parmetro clnico que est justo encima.
Para conocer el FC del valor de un parmetro clnico por encima
de la regla, hay que conocer los pares (Valor,FC) de los
parmetros por debajo de la regla, lo que lleva a la invocacin de
nuevas reglas (que se colocan debajo), o a preguntar al usuario.
Las sucesivas reglas en el mismo nivel se invocan
cuando la de izquierda ya ha devuelto un FC para el
parmetro de su conclusin, es decir, este rbol se
recorre en anchura. Cada nueva regla o pregunta al
usuario dentro del mismo nivel produce una
actualizacin del FC del parmetro clnico por encima
de la regla, como veremos ms adelante.








Modelo de Factores de Certeza
El modelo de factores de certeza empleado fue desarrollado en respuesta al deseo de tratar la
incertidumbre a la vez que se intentaba mantener el conocimiento de forma modular y en reglas.
Muchas de las decisiones que llevaron al diseo inicial de MYCIN fueron el resultado de una
respuesta pragmtica a las demandas de los mdicos como usuarios. Dicho modelo est basado
en las medidas del incremento proporcional de la creencia o incredulidad en un hecho, basadas
en cierta evidencia. Estas medidas se definen a partir de probabilidades y se supone que cuando
un experto asigna un FC a un hecho o una regla, ste coincidira con el que se obtendra de las
probabilidades, si stas fuesen conocidas. Esta suposicin es el sesgo inductivo de MYCIN.
Dada una proposicin hiptesis, H, y una proposicin evidencia, E, se define el Factor de
Certeza de H, dada E, como:
FC(H,E) = MB(H,E) MD(H,E), donde las funciones MB y MD se definen como
MB(H,E) es la medida del incremento proporcional de la creencia en H, dada E, en relacin a todo
lo que puede llegar a aumentar (hasta valer 1). Si MB(H,E) > 0 decimos que E confirma a H.
MD(H,E) es la medida del incremento proporcional de la creencia en H (o la incredulidad en H),
dada E, en relacin a todo lo que puede llegar a aumentar (hasta valer 1). Si MD(H,E) > 0 decimos
que E rechaza a H (o confirma H). Una forma alternativa de decirlo es que es la medida de la
disminucin proporcional de la creencia en H, dada E, en relacin a todo lo que puede llegar a
disminuir (hasta 0).
Como podemos observar, en principio slo define MB cuando P(H|E) > P(H) y MD cuando P(H|E)
< P(H), aunque ms abajo se definirn exactamente para que cumplan con algo ms que con lo
anteriormente enunciado. Analicemos un poco ms a fondo los dos enunciados anteriores.
En trminos de probabilidades, sabemos que P(H) refleja la creencia en H en determinado
momento, luego 1 P(H) puede verse como una medida de la incredulidad sobre H (o de la
creencia en la falsedad de H) en ese mismo momento. Dar por cierta la evidencia E puede
cambiar esas creencias, las cuales ahora estarn cuantificadas por P(H|E) y 1 P(H|E).
Si P(H|E) > P(H), la verdad de E aumenta la creencia en H y disminuye la incredulidad sobre H.
La disminucin proporcional de la incredulidad en H es
(P(H) P(H|E))/P(H) = ((1 P(H)) (1 P(H|E))) /(1-P(H)) = (P(H|E)-P(H))/(1-P(H)), con P(H)
= 1 (pues P(H|E) > P(H) => P(H) < 1)
que, como se ve, es el aumento de la creencia en H, dada E, en relacin a todo lo que podra
haber aumentado (hasta 1), luego coincide con lo que hemos definido como MB(H,E).
Si P(H|E) < P(H), la verdad de E disminuye la creencia en H y aumenta la creencia en H. La
disminucin proporcional de la creencia en H es
(P(H) P(H|E)) /P(H) = ((1 P(H)) (1 P(H |E))) /(1-P(H)) = (P(H|E)-P(H))/(1-P(H)) con
P(H) = 1 (pues P(H|E) < P(H) => P(H) > 0 => P(H) < 1)
que tambin es el aumento de la creencia en H, dada E, en relacin a todo lo que podra haber
aumentado (hasta 1), luego coincide con lo que hemos definido como MD(H,E).
Adems, cuando E confirma a H, no confirma a H, y por ello queremos que si MB(H,E) > 0, sea
MD(H,E) = 0 y viceversa, es decir, si MD(H,E) > 0, debe ser MB(H,E) = 0. Tambin queremos que
si E ni confirma ni rechaza a H, sea MB = MD = 0. Todo esto permite definir MB cuando P(H|E) <=
P(H) y MD cuando P(H|E) >= P(H):

(max[P(H|E),P(H)] P(H))/(1-P(H)) si P(H) = 1
MB(H,E) =
1 si P(H) = 1

(P(H) min[P(H|E),P(H)])/P(H) si P(H) = 1
MB(H,E) =
1 si P(H) = 1

Una definicin equivalente es:

(P(H|E)-P(H))/(1-P(H)) si P(H|E) > P(H)
MB(H,E) = 0 si P(H|E) <= P(H) < 1
1 si P(H|E) = P(H) = 1

(P(H)-P(H|E))/P(H) si P(H|E) < P(H)
MD(H,E) = 0 si P(H|E) >= P(H) > 0
1 si P(H|E) = P(H) = 0

Que conduce a:

(P(H|E)-P(H))/(1-P(H)) si P(H|E) > P(H)
(P(H|E)-P(H))/P(H) si P(H|E) < P(H)
FC(H,E) = 0 si P(H|E) = P(H) e {0,1}
1 si P(H|E) = P(H) = 1
-1 si P(H|E) = P(H) = 0

El FC tiene dos usos y argumentos posibles:
a) Asignacin a hechos almacenados en la BA. En este caso la proposicin H equivale a la
afirmacin de la verdad del propio hecho h y la proposicin E equivale a la afirmacin de la
verdad de todos los hechos almacenados en la BA, o evidencia total conocida. En este caso se
cambia la notacin a FC(h) y representa el grado de creencia en la verdad de h dada o conocida
la evidencia acumulada hasta el momento.
b) Asignacin a reglas. En este caso H es el consecuente de la regla y E su premisa. Representa
el grado de creencia en la propia regla, esto es, en su validez para obtener hechos h que
cumplan H a partir de hechos e que cumplen E.
El factor de certeza es un artificio para la combinacin de grados de creencia e incredulidad en un
solo nmero. Tal nmero es necesario para facilitar comparaciones de la fuerza probatoria de
hiptesis rivales.
Algunas propiedades de estas tres medidas, que se deducen inmediatamente de su definicin,
son:
- 0 <= MB(H,E) <= 1
- 0 <= MD(H,E) <= 1
- -1 <= FC(H|E) <= 1
- Si P(H|E) = 1 entonces MB(H,E) = 1, MD(H,E) = 0 y FC(H|E) = 1
- Si P(H|E) = 1 entonces MB(H,E) = 0, MD(H,E) = 1 y FC(H|E) = -1
- FC(H|E) = -FC(H|E) o MB(H,E) = MD(H|E)
- Si tenemos n hiptesis Hj mutuamente exclusivas
5
, de las cuales k son rechazadas por cierta
evidencia E, entonces k <= E
k
j FC(Hj,E), ya que cada hiptesis rechazada tendr como
mnimo un FC = -1
- Si tenemos n hiptesis Hj mutuamente exclusivas, de las cuales k son confirmadas por cierta
evidencia E, entonces E
k
j FC(Hj,E) <= 1. Es decir, aunque haya ms de una hiptesis
confirmada (con FC > 0), la suma de sus FCs no puede sobrepasar de 1. De hecho, tambin
puede probarse que la suma es 1 si, y slo si, k = 1.

Reglas: estructura bsica y forma de uso
Analizar ahora las reglas un poco ms a fondo, para entender su estructura interna y cmo se
evalan sus premisas y se obtienen los FCs de los hechos que cumplen sus consecuencias. Una
regla E -> H
6
, es de la forma general (en BNF):

<regla> ::= <premisa> <consecuente>
<premisa> ::= ($AND <condicion> {<condicion>})
<condicion> ::= (<predicado1> <contexto> <parametro>)
|(<predicado2> <contexto> <parametro> <valor>)
|($OR <condicion> {<condicion>})
<consecuente> ::= <conclusion>
<conclusion> ::= (CONCLUDE <contexto> <parametro> <valor> <TALLY> <FC-
regla>)

5
Las hiptesis mutuamente exclusivas son los hechos que compiten dentro de una misma lista Val[C,P],
ya que un parmetro de un contexto dado slo puede tener un nico valor. Como ya dije antes, es casi
seguro que ningn hecho tiene FC = 0, luego todas estas hiptesis tendrn FCs estrictamente positivos o
negativos. Si hay n en Val[C,P] y k son las de FC < 0, entonces las de FC > 0 sern m = n k.
6
Que no sea una regla de terapia (THERULE), una metaregla (METARULE), o una regla de antecedentes
(que se disparan por sus premisas, no por sus conclusiones, en conjuncin con el mecanismo de
PREVIEW).
de la cual, un ejemplo tpico
7
es:

PREMISA: ($AND (SAME CNTXT GRAM GRAMNEG)
(SAME CNTXT MORPH ROD)
(SAME CNTXT AIR ANEROBIC))
CONCLUSIN: (CONCLUDE CNTXT IDENTITY BACTEROIDES TALLY .6)

Es decir, su premisa E es una conjuncin de clusulas que pueden ser una condicin simple
(desde ahora, condicin, a secas) o una disyuncin de condiciones, y su consecuente H es una
conclusin a obtener con cierto grado de certeza sobre el valor de un parmetro clnico de cierto
contexto representado por la variable CNTXT. Como se ve, en cuanto se usa la regla, se instancia
el contexto de su conclusin y tan slo se trata de encontrar un FC para la tripleta instanciada en
la conclusin. Para ello hay que conseguir un valor para TALLY evaluando la premisa.
La regla se aplica en el contexto C (por ejemplo, ORGANISMO-1) referenciado por la variable
CNTXT de su conclusin para obtener un FC para la hiptesis <objeto, parmetro, valor> de dicha
conclusin y poder almacenar la cudrupla correspondiente
8
, en la BA, si la regla no es
rechazada. En este caso, si la regla no se rechaza producir el almacenamiento de la cudrupla
(ORGANISMO-1, IDENTITY, BACTEROIDES, FC), que puede leerse como La identidad del
organismo-1 es bacteroide, con un grado de certeza igual a FC. En definitiva, cuando la regla se
ejecuta, es decir, produce conocimiento, dicho conocimiento ser una cudrupla (C, P, V, FC), y
se almacenar en la BA. Cuando la regla se rechaza no produce conocimiento, es decir, no hay
almacenamiento de hechos ni sus FCs en la BA.
Recordemos que el argumento TALLY de CONCLUDE almacena un valor numrico tal que 0.2 <
TALLY <= 1.0, y equivale al grado de certeza que el sistema asigna a la premisa tras la evaluacin
de la misma.
Observemos que el sistema no permite obtener hechos con FC = 0, mas que cuando alguna regla
tenga su FC-regla = 0, que el usuario se lo asigne a cierto hecho, (lo que parece absurdo en
ambos casos), o por cancelacin al aplicar la funcin de combinacin que analizar ms adelante.
Esos hechos nunca contribuyen a que SAME o THOUGHTNOT evalen a Verdadero (T).
La aplicacin de la regla, tras la instanciacin comentada, contina con la evaluacin de la
premisa, para tratar de actualizar la informacin almacenada en el nodo del contexto. Esta
actualizacin puede consistir en aadir pares nuevos (V,FC) a alguna de las listas Val[C,P] o en
cambiar el FC de alguno de los pares.
La evaluacin de la premisa se hace como sigue. Cada vez que la funcin $AND encuentra una
condicin, obtiene la evaluacin de su predicado (por ejemplo SAME C P V), el cual acta sobre
la lista correspondiente a sus argumentos, Val[C,P] (por ejemplo Val[ORGANISMO-1, GRAM]
para el primer predicado), de manera que si dicha lista es vaca, se invoca un procedimiento de
bsqueda FINDOUT para asignarle un valor
9
, y si tiene uno o ms valores compitiendo, se

7
Slo consiiderar reglas con predicado tipo 2 de la forma SAME y THOUGHTNOT.
8
Si y slo si TALLY > 0.2. Esta es la frmula de asignacin de FCs del MPI que ya hemos visto. En breve
veremos por qu esa condicin sobre TALLY. En la notacin del texto base sera FC(H) = FC(E)FC(H,E).
9
Aqu es donde se da el paso de encadenamiento hacia atrs.
tomar el FC del valor con mayor FC de la lista, FCmax, como umbral para que el predicado
asigne los valores de verdad a la condicin. Por ejemplo, en el caso SAME se tiene
SAME[C,P,V] = {FCmax
10
, si FCmax, > 0.2; SAME[C,P,V] = NIL (falso), si FCmax, <= 0.2}. Si
un predicado (diferente de SAME o THOUGHTNOT) asigna un valor T (verdadero) a una
condicin, $AND le asigna un peso 1.0 y si un predicado asigna un valor numrico (mayor que
0.2) a una condicin, $AND le asigna un peso igual a dicho valor numrico. Si $AND encuentra
una funcin $OR, pasa el control a la misma. Las condiciones dentro de la clusula OR se evalan
de la forma comentada y si todas son NIL, la clusula ser evaluada como NIL. En el caso
contrario, $AND le asignar a la clusula el mayor peso de sus condiciones. Conforme $AND
recorre las condiciones y clusulas, va actualizando el contador TALLY comparando el actual con
el nuevo peso obtenido y guardando el menor. $AND implementa este recorrido mediante un
procedimiento llamado MONITOR (de reglas).
Si un predicado de una condicin o una clusula de la premisa devuelve NIL, la regla se rechaza,
es decir, no produce conocimiento. En ese caso, se ejecutar la siguiente regla de una lista de
reglas asociadas al parmetro P cuyo valor se busca (mediante la propiedad UPDATED-BY del
mismo) todas las cuales, al igual que la rechazada, referencian a P en su conclusin (P es
argumento de su funcin CONCLUDE). Finalmente se obtendrn un valor y un FC para P, bien a
travs de una regla no rechazada, bien por asignacin directa del usuario. Y de esta forma, el
hecho h = (C,P,V), con su FC, podr almacenarse y usarse como dato para una regla E -> H, en
cuya premisa aparezca una condicin que referencie a C y al parmetro P del mismo.
En conclusin, las reglas E -> H son como plantillas que se instancian cuando se aplican a
contextos concretos al ser llamadas por otras reglas (excepto la regla meta). Lo que se instancian
son las variables de contexto que aparecen en la regla. Cuando el contexto de la regla se
instancia, tenemos un hecho h y la aplicacin de la regla significa preguntar por el FC(h) con el
que dicho hecho se almacenar en la BA
11
. Se dice que dicho hecho es una hiptesis ya que
todos los hechos almacenados dentro de una misma lista Val[C,P] compiten entre s para ser
considerados el ms certero para algn fin (establecer una terapia o evaluar una condicin de una
premisa). Al evaluar la premisa E, cada condicin CONDj requiere el examen de una lista Lj =
Val[Cj,Pj], de modo que si Lj = C se invoca el procedimiento FINDOUT y si Lj = C se utiliza el FC
de la hiptesis ms fuerte de la lista para evaluar la condicin. Si la condicin evala a NIL, la
regla se rechaza y no servir para almacenar h, pues no lo dotar de un FC mediante el MPI. Si
la condicin evala a T (con un peso mayor que 0.2 y menor o igual que 1.0, pues me centro
nicamente en los predicados SAME y THOUGHTNOT) es porque existe un hecho hj en Lj que
cumple aceptablemente la condicin. En tal caso se dice que la condicin se cumple con cierto

10
Hay dos predicados, SAME y THOUGTHTNOT, que devuelven un nmero cuando son verdaderos. Este
nmero siempre es mayor que 0.2. $AND interpretar cualquier nmero como T. THOUGTHTNOT equivale
al operador NOT, que devuelve verdadero cuando su argumento es falso, salvo que ahora THOUGTHTNOT
devuelve un valor que se considera verdadero cuando su argumento tiene un FC < 0.2, es decir, un
argumento cuya falsedad queda confirmada por ese FC.
11
Es decir, buscar en la BA hechos que cumplan las condiciones de la regla, que consiste en buscar en las
listas Val[C,P] los valores referenciados en dichas condiciones para devolver su FC, y si no se encuentran,
entonces invocar reglas en cuya conclusin aparezcan los parmetros P o preguntar al usuario (P se habr
convertido en una submeta).
grado de certeza. Slo si todas las condiciones se cumplen se obtendr un FC con el que
almacenar el hecho y ste se almacenar (se habr producido conocimiento). En este caso se
dice que la premisa se cumple con un grado de certeza dado por TALLY (que no es un FC) y al
hecho se le asignar un FC(h) = TALLY*FC(H,E). Tambin se dice en este caso que H se cumple
con un grado de certeza dado por FC(h). El conjunto de todos los hechos e de las listas Lj (los
que estaban ya al invocarse la regla y los obtenidos por inferencia o pregunta al usuario), que
permiten determinar si se cumplen o no las condiciones de la premisa, se interpretan como
evidencia para este regla. Tambin se llama evidencia a la proposicin E de plantilla. Se dice que
la evidencia e confirma h si h se almacena con FC(h) > 0, rechaza h si h se almacena con
FC(h) < 0 o es independiente de h, si la regla es rechazada y no permite almacenar h.
Diferentes reglas que van apareciendo en el proceso de consulta, E1 -> H,..., En -> H, pueden
producir un mismo hecho h, aunque con diferentes FCs, el cual no se almacenar varias veces
en la BA, sino que se actualizar el FC del par (h,FC) en Val[C,P] cada vez que una regla
produzca h de nuevo. Por lo tanto, cuando una regla produce un hecho que ya est almacenado
en la BA, habr que proceder a la actualizacin de su FC mediante algn procedimiento. Esto se
lleva a cabo mediante la funcin de combinacin de van Melle, que se define como sigue
cuando ya se dispone de un FC, x, con |x| < 1, para un hecho h y se produce de nuevo h con
otro FC, y = x. Si se tiene x = 1, entonces no se realiza la actualizacin del FC de h, sino que se
deja como est. Los autores denominaron esto tendencia a la unidad y es razonable, pues esta
funcin cumple las propiedades predominio de la confirmacin total y predominio del rechazo
total (ver ms abajo) cuando uno de los argumentos tiene un valor absoluto igual a 1 y el otro no,
y una forma de extender estas propiedades deseables al caso en que los dos argumentos tengan
valores absolutos iguales a 1 es no hacer actualizacin cuando el FC del hecho almacenado vale
+1 -1. Por eso la funcin de van Melle no necesita estar definida para (x,y) con xy = -1.

x + y xy, si x > 0 . y > 0
f(x,y) = x + y + xy, si x < 0 . y < 0
(x + y)/(1 min[|x|,|y|]), si -1 < xy <= 0

Esta funcin cumple una serie de propiedades deseables:
a) Simetra: f(x,y) = f(y,x)
b) Asociatividad: f(f(x,y),z) = f(x,f(y,z))
c) Monotona: y > 0 f(x,y) > x; y < 0 f(x,y) < x
d) Evidencia nula: y = 0 f(x,y) = x
e) Cancelacin: |x| = 1 . x = -y f(x,y) = 0
f) Predominio de la confirmacin o el rechazo total: |x| = 1 . y = x f(x,y) = x
De las cuales, la f) no era cumplida por la funcin original, ocasionando resultados contraintuitivos.
Adems, esa funcin dejaba su resultado ms cerca del factor con mayor valor absoluto, en lugar
de equilibrar ambos por igual, cuando los factores son de diferente signo. El nico cambio que la
actual tiene respecto a la original es el denominador que se aade al caso en que x e y son de
diferente signo.
Problemas del modelo de factores de certeza
El modelo de razonamiento inexacto o modelo de factores de certeza usado en MYCIN, presenta
dos tipos de problemas fundamentales:
1.- A pesar de presentarse como una alternativa al mtodo probabilstico, en realidad puede
derivarse de y es equivalente a la teora de la probabilidad, bajo la suposicin de independencia
absoluta y condicional (dada la hiptesis) entre los hechos que influyan en cierta hiptesis
12
. Esta
suposicin es ms fuerte que slo la de independencia condicional del mtodo probabilstico
clsico y por lo tanto el modelo no es coherente si slo se supone la independencia condicional.
Por eso se dice que el modelo asume implcitamente la pseudoindependencia condicional, es
decir, la independencia condicional ms la independencia incondicional de sntomas respecto a
diagnsticos, aunque luego no lo respete en la asignacin de FCs a las reglas.
Debido a esta suposicin subyacente, las medidas MB y MD no pueden elegirse arbitraria e
independientemente, sino que deben cumplir ciertas restricciones. Cuando los MBs y MDs
asignados por los expertos a las reglas no cumplen esas restricciones, se obtienen resultados
contrarios a lo esperado (recordemos que los FCs obtenidos se esperan que coincidan con los
que se obtendran si se contase con las probabilidades en las que se basa su definicin), que no
tienen en cuenta la posible independencia o dependencia entre los hechos que influyen en las
hiptesis almacenadas. Esto da lugar a FCs de hiptesis que expresan tendencias contrarias a lo
esperado (positivos en lugar de negativos, o viceversa) o valores muy alejados de lo esperado
(valores absolutos altos en lugar de bajos, o viceversa), lo que hace que se cambie el orden que el
FC otorga a las hiptesis que compiten para fundamentar la eleccin de las terapias. Este
problema ocurre porque MYCIN no proporciona mecanismos de control de la coherencia interna
entre los FCs de las reglas, especialmente teniendo en cuenta que admite la adicin de nuevas
reglas.
2.- La forma de clculo de los FCs se aleja bastante de la de la teora de la probabilidad. El
modelo de FCs combina separadamente toda la evidencia a favor que se va recopilando en
MB(H,E
f
) y toda la evidencia que se va recopilando en contra en MD(H,E
c
), donde E
f
es el
conjunto de todos los hechos que confirman H y E
c
el conjunto de todos los hechos que rechazan
H. Por el Teorema de Bayes, puede probarse que MB y MD permiten calcular P(H|E
f
)/P(H) y
P(H|E
c
)/P(H)
13
, respectivamente, y estos dos cocientes pueden multiplicarse para obtener
P(H|E)/P(H), donde E es el conjunto de toda la evidencia, a favor y en contra, de H, bajo la
suposicin de independencia. El cociente anterior da la verdadera estimacin del cambio en la
probabilidad de H debido a la evidencia que influye en H, cuando hay pseudoindependencia

12
Un hecho e que influya en otro h a travs de una regla E -> H, equivale al modelo de red causal en que E
representa un sntoma cuya causa es H. Por lo tanto la influencia mostrada en la regla es del tipo dependencia.
es decir, la consecuencia e confirma a su causa h con cierto grado de certeza. La consideracin de todas las
consecuencias de h permite estimar la probabilidad a posteriori de h en el MPC o el FC(h), debiendo haber
una correspondencia entre ambos dada por la definicin de FC(H,E), por FC(e) y por el MPI.
13
Si e
1
y e
2
son hechos a favor de h y e
f
los denota a ambos, se tiene que P(h|e
f
) = MB(h,e
2
)(1 P(h|e
1
)). Si
e
3
y e
4
son hechos en contra de h y e
c
los denota a ambos, se tiene que P(h|e
c
) = (1 MD(h,e
4
))(P(h|e
3
).
De esta forma se puede estimar P(h|e
f
) y P(h|e
c
) para ms de dos hechos, de forma recursiva, a partir de MB
y MD.
condicional. Sin embargo el modelo de FCs obtiene una estimacin del cambio de probabilidad de
H debido a E mediante una suma de los MBs y MDs, lo que ya empieza a generar posibles
resultados inesperados.
Adems, las llamadas funciones de combinacin ofrecen un clculo no acorde con lo esperado
por la teora de la probabilidad, incluso cuando se dan las condiciones de independencia. Su
correccin depende de suposiciones (no explicitadas) an ms fuertes que la independencia.
Veamos algunas consecuencias prcticas de esto y otros problemas debido a sus funciones de
combinacin.
i) Inversin del rnking de hiptesis compitiendo (incoherencia de los FCs obtenidos). La propia
definicin del FC puede dar lugar a paradojas como la siguiente. Dadas dos hiptesis h1 y h2, y
un hecho e que influye en ellas, de los que se conocen P(h1), P(h1|e), P(h2) y P(h2|e), los FCs
obtenidos segn su definicin pueden arrojar resultados que inviertan el orden esperado (que
vienen dados por el cociente P(hj|e)/P(h)).
ii) Falta de coherencia de los FCs de las reglas, lo que puede tener consecuencias inesperadas
cuando intervienen hechos mutuamente exclusivos, es decir, hechos de la misma lista Val[C,P],
con valores (y FCs) diferentes. Por ejemplo, un mismo hecho e puede confirmar absolutamente
dos hechos mutuamente exclusivos, h1 y h2, a travs de dos reglas diferentes, E -> H1 y E -> H2.
Si los FCs de ambas reglas se asignan arbitrariamente, puede ocurrir que su suma sea mayor que
1 y entonces la suma de los FCs de h1 y h2 tambin ser mayor que 1, violando una propiedad
del FC.
iii) Ignorancia de la dependencia entre hechos. En el caso extremo de hechos mutuamente
exclusivos, pueden darse varias paradojas.
Una regla E1 . E2 -> H puede permitir confirmar cierta hiptesis h a partir de dos hechos
mutuamente exclusivos, aunque la regla en s no tenga sentido (pues dichos hechos son
incompatibles). Es como si fuera posible una regla que dijera Si la identidad de organismo-1 es
bacilococo y la identidad de organismo-1 es estreptococo, entonces,..., lo cual no tiene sentido
(siempre se debera rechazar una regla as, por lo que tal regla sobrara). Pero MYCIN permite su
existencia, y si ambos valores existen en Val[organismo-1,identidad] con FCs mayores que 0.2, la
regla no ser rechazada y confirmar o rechazar h con cierto FC. Puede decirse que es un
problema de la funcin de combinacin para la conjuncin de condiciones, que no discrimina esa
exclusividad mutua.
Por otro lado, dada una regla E1 v E2 -> H, si hay dos hechos mutuamente exclusivos e1 y e2,
que confirmen (no absolutamente) la hiptesis h, debera cumplirse que el FC(h) fuese mayor
que cualquiera de los FCs de e1 o e2, sin embargo la funcin de combinacin para la conjuncin
de condiciones le asignar el mximo de ellos, no uno mayor (es una variante del tipo de
problema 4, pues esto no pasara si ambas reglas se ejecutaran como dos sucesivas y
equivalentes, E1 -> H y E2 -> H)
Tampoco se tiene en cuenta la dependencia entre hechos a la hora de evaluar su influencia
acumulada en una hiptesis. Es decir, el efecto acumulado de dos hechos e1 y e2 que cumplan
E1 -> H y E2 -> H, respectivamente, es el mismo, independientemente de la relacin de
dependencia que pueda existir entre ambos, cuando lo esperado es que si ambos son
dependientes, su efecto acumulado sea menor que si son independientes.
iv) Reglas equivalentes conducen a conclusiones distintas. Es una consecuencia de las dos
formas diferentes que hay de evaluar una disyuncin lgica condicionante. Si est dentro de una
nica premisa, como en E1 v E2 -> H, se usar la funcin $OR, y se evaluar el FC(h) con la
regla del mximo. Pero se puede expresar mediante dos reglas diferentes, E1 -> H y E2 -> H,
con lo que el FC(h) se evaluar con la funcin de van Melle, obteniendo resultados diferentes, en
general. Por lo tanto, por cada regla con una disyuncin podran haberse elegido en su lugar
varias reglas sin esa disyuncin, equivalentes desde el punto de vista lgico, y viceversa, por cada
dos o ms reglas con la misma conclusin, podra haberse elegido una nica regla con una
disyuncin. Esas decisiones de diseo afectan de forma diferente a los resultados obtenidos.
v) Falta de sensibilidad de las funciones de combinacin de conjunciones. Esta funcin, que se
implementa mediante el funcionamiento de $AND ya explicado, y por lo tanto es la ms usada,
evala una conjuncin de condiciones en una premisa obteniendo el menor de los FCs de dichas
condiciones (cuando todas son ciertas), lo que hace que no se discrimine entre diferentes
premisas que tengan la misma condicin mnima, aunque se diferencien en el resto de
condiciones, que se evalan con un mayor peso o grado de certeza.

Bibliografa

B.G. Buchanan y E.H. Shortliffe, Rule-Based Expert Systems. The MYCIN Experiments of the
Stanford Heuristic Programming Project, Addison-Wesley 1984