Romn Reyes (Dir): Diccionario Crtico de Ciencias Sociales

Sistemas expertos

Julin Velarde Lombraa

Universidad de Oviedo >>> ficha tcnica

0.- Desde que, en 1977, se presenta el famoso sistema experto MYCIN, han sido construidos otros muchos, con aplicacin en mltiples reas de conocimiento. El campo en el que primero se han desarrollado y han tenido xito los sistemas expertos es el de la Medicina (DENDRAL, MYCIN, TEIRESIAS, EMYCIN, CADUCEUS, PUFF, ONCOCIN, etc.). Mas ello no es de extraar, habida cuenta de que los conocimientos mdicos estn sumamente estructurados, y la conexin de sntomas y resultados de test con diagnsticos y toma de remedios viene descrita detalladamente en la bibliografa mdica. Otro campo que tambin ha atrado a los investigadores es el de las finanzas (XCON, XSEL, ISA, IDT, NTC,etc.). Y sin olvidar las importantes aplicaciones en el campo militar (en EE.UU.) por parte de la SCI (Strategic Computing Initiative). A finales de los aos 70 los sistemas expertos se expandieron rpidamente por otros dominios: la Ingeniera, las Manufacturas, la Geologa, la Biologa molecular, el lenguaje natural, etc. En la actualidad existen miles de ellos y decenas de miles de proyectos en fase de desarrollo, por lo que el diseo de sistemas expertos ha acaparado una de las reas de investigacin centrales de la Inteligencia Artificial (I.A.): la Ingeniera del conocimiento, denominacin acuada por Feigenbaum (1977). En dicha rea los trabajos se encaminan al diseo de sistemas expertos, i. e., sistemas basados para la "toma de decisiones", no en datos (Data-Based Systems), sino en conocimiento (KnowledgeBased Systems). Dado que los sistemas expertos son criaturas muy jvenes, no est an bien definida su naturaleza. As han ido apareciendo diversas caracterizaciones (Stefik (1982); Kastner y Hong (1984); Holroyd (1985); Konopasek y Jayaraman (1984); Zimmermann (1987); Buchanan y Smith (1988); etc.). Su estructura fundamental es la organizacin del conocimiento en dos partes o subsistemas: (A) El conocimiento-base, adquirido, organizado y representado adecuadamente, contiene datos de hechos sobre un dominio o problema particular y conocimiento, en forma de reglas codificadas, para extraer inferencias de la base de datos. (B) La mecnica inferencial: contiene conocimiento general acerca de cmo usar el conocimiento-base para extraer nuevo conocimiento; es un mecanismo rpido que aplica sistemticamente las reglas a los hechos para obtener soluciones, resolver problemas, etc. Ambos sistemas (conocimiento-base y mecnica inferencial), segn el esquema conceptual propuesto por Feigenbaum y otros, pueden configurarse por separado y utilizarse en la confeccin de otros sistemas expertos. As, por ejemplo, el sistema experto MYCIN ha sido, por as decir, desmantelado en su conocimiento-base: su dominio de conocimiento (infecciones sanguneas y meningitis) ha sido sustituido por otro (enfermedades pulmonares); pero se ha conservado su sistema inferencial, obteniendo as el sistema experto PUFF. Ambos sistemas expertos tienen en comn el software, empaquetado aparte, EMYCIN, que contiene el sistema del manejo del conocimiento-base y el sistema inferencial (W. van Melle, 1980). Segn esto, las principales tareas de quienes trabajan en el diseo de sistemas expertos son: la adquisicin, la representacin y el manejo del conocimiento.

1.- Representacin del conocimiento A partir de los aos 70 la representacin del conocimiento acapara la atencin de los investigadores en I.A., y ello debido a que fue apareciendo cada vez ms claro cmo las tcnicas

para programar el razonamiento (la bsqueda, la recursividad, etc.) -en las que se haba puesto el nfasis en los aos 50 y 60- resultaban relativamente sencillas en comparacin con la tarea de configurar un conocimiento bsico, organizado adecuadamente y til para resolver los problemas cotidianos. Varias han sido las tcnicas desarrolladas en I.A. para la representacin del conocimiento. Las cuatro ms frecuentemente utilizadas son: (1) El clculo de predicados; es la forma "clsica" de representar el conocimiento en I.A. Contiene enunciados traducidos a frmulas bien formadas o axiomas. El investigador ms influyente que sigue esta direccin es Nils Nilsson. Esta tcnica resulta adecuada para almacenar conocimiento acerca de una estructura de datos; por ejemplo, la estructura de las relaciones de parentesco entre los trobiandeses descritas por Levi-Strauss. A esta tcnica se adecua el lenguaje de programacin PROLOG, cuya sintaxis establece las conexiones lgicas con objeto de encontrar instancias de una o varias variables que satisfagan las funciones (propiedades o relaciones) establecidas. A su vez caben diferentes sintaxis para las implementaciones de PROLOG. As, por ejemplo, la sintaxis "de Edimburgo" o DEC 10, o la sintaxis para versiones de micro-computadores confeccionada en el Imperial College de Londres. La ventaja de este tipo de representacin de conocimiento es que ste resulta , de esa forma, sumamente conciso y claro; cabe garantizar su consistencia y la correccin de la deduccin de nuevo conocimiento; la derivacin de nuevos hechos a partir de los anteriores puede ser mecanizada, ya que el orden de las lneas del programa no afecta a los valores resultantes. La desventaja reside tambin ah: a diferencia de la representacin procedimental, exige la "estaticidad" de la estructura, y, por consiguiente, resulta vlida para una porcin bastante reducida del conocimiento. (2) Las redes semnticas. Una red semntica es una coleccin de conceptos (objetos, situaciones, nociones) y relaciones entre conceptos junto con una interpretacin. Los nudos representan los conceptos, y los hilos representan relaciones binarias entre esos nudos. Las redes semnticas constituyen un buen mtodo para representar conocimiento acerca de propiedades de inclusin entre clases, de pertenencia de individuos a clases. Esta tcnica es utilizada, por ejemplo, en los programas PROSPECTOR, SPHINX y ARIES. Un refinamiento de esta tcnica consiste en crear un software que pueda construir automticamente tales estructuras a partir de ejemplificaciones de un concepto. Mas, aun cuando la estructuracin de los datos con redes semnticas proporcionan una metodologa adecuada para representar ciertos mbitos de conocimiento, con todo, resulta sumamente simple y dbil en comparacin con las estructuraciones de datos en el conocimiento humano, en donde para un concepto ordinario podemos tener millones de lazos expresando las mismas o similares asociaciones. (3) Los armazones (frames). Tcnica similar a la anterior. Un armazn es una red de nudos organizados en una jerarqua: los nudos superiores representan conceptos generales; los nudos inferiores, las instancias especficas de esos conceptos; y los enlaces asociados con un concepto particular son llamados "ranuras" (slots). Las ranuras pueden quedar rellenas, bien con un valor, bien prescribiendo otro armazn que supla el valor, bien asignando un procedimiento para computar un valor (en caso de que resulte necesario). El armazn constituye, pues, una generalizacin de la idea de relacin, por cuanto que las ranuras asociadas a un objeto pueden ser consideradas como relaciones, pero no simples: los rellenos de ellas no son atmicos; pueden ser estructuras simples o complejas o un procedimiento (proceso operatorio). Y, finalmente, tampoco queda determinado (no se conoce) de antemano cuntas ranuras tendr asociadas el objeto en consideracin. El iniciador de esta tcnica es Minsky. La idea directriz de los "armazones" (o "esquemas") es que la descripcin (la representacin) adecuada del conocimiento de un objeto exige la introduccin de una estructura de datos asociada a dicho objeto; estructura que incluye informacin, no slo de tipo declarativo, sino tambin de tipo procedimental (operacional) y de tipo inclusivo. Y, en este sentido, la tcnica de los armazones constituye una unificacin (parcial) de las redes semnticas y de las representaciones procedimentales (u operacionales). Un ejemplo de lenguaje que utiliza armazones es el programa FRL (Frame Representation Language). Hayes ha sealado, sin embargo, que toda posible construccin con armazones es representable en la lgica de primer orden.

Otra tcnica similar a la de los armazones es la de los "guiones" (scripts), iniciada por Schank y Abelson. Los guiones constituyen estructuras que describen secuencias de acontecimientos dentro de un contexto. Son secuencias estereotipadas de acciones que definen situaciones perfectamente conocidas y que no sufren cambios significativos una vez almacenadas. En tanto que los armazones resultan apropiados para representar conocimiento acerca de objetos, los guiones representan mejor el conocimiento de acontecimientos, y resultan as muy tiles para la representacin a nivel general del significado propio de la comprensin y el entendimiento de historias escritas en lenguaje natural. El guin, como el armazn se compone de ranuras y de estipulaciones para rellenarlas. La estructura resultante es un todo interdependiente, en el que los contenidos de una ranura pueden influir sobre los de otra. Y, tambin como en los armazones, la comprensin (el entendimiento) se produce cuando quedan rellenas todas las ranuras. Los guiones exigen la fijeza de las secuencias de acciones, y de ah que cada guin viene estructurado de acuerdo con el rol particularmente asumido, y que constituye el estereotipo de la actuacin. Utilizan la tcnica de los guiones o "planes" los programas SAM, PAM y TALESPIN. (4) Reglas generatrices. Las tcnicas que se han impuesto, por sus muchas ventajas, en la representacin del conocimiento son las de tipo procedimental, segn las cuales se reduce el conocimiento-base a unos pocos elementos primitivos ms unas reglas generatrices (o de produccin) de la forma: "si A, entonces B", en donde las variables A y B pueden ser interpretadas de mltiples maneras: si son satisfechas ciertas condiciones, entonces se obtienen tales consecuencias; si es verdadero tal enunciado, entonces cabe inferir tal otro; si se da tal caso, entonces resulta apropiada tal accin, etc. El antecedente, A, puede ser complejo: una combinacin de reglas, por ejemplo, que producen ( generan) el mismo consecuente, B. Ejemplo de este tipo de representacin del conocimiento del lenguaje es la propuesta por Chomsky para describir (representar) formalmente la estructura sintctica del lenguaje mediante reglas generatrices (o de produccin). As: Orac. SN + SV constituye una autntica regla de produccin: el conocimiento de que una oracin contiene un sintagma nominal y un sintagma verbal viene representado en el programa por las llamadas correspondientes a las rutinas encargadas de procesar los sintagmas nominales y los verbales, etc. Estas tcnicas tienen su origen en la idea germinal, inicialmente desarrollada independientemente por Post (aos 20), Church y Turing (aos 30), de reducir los sistemas (en este caso, de conocimiento) a unos pocos elementos primitivos, a partir de los cuales, mediante un conjunto (tambin restringido) de reglas, cabe obtener los dems elementos del sistema. Newell y Simon introdujeron este modelo como parte de su trabajo en el programa General Problem Solver (1963). La nocin ms rica en I. A. derivada de la idea germinal citada es la de recursividad, en virtud de la cual un pequeo conjunto de elementos (ideas, conceptos, definiciones, etc.) es suficiente para lograr ciertas formas de conocimiento o para alcanzar la solucin de un problema, i. e., el enunciado de un problema puede ser usado como una parte, a veces la ms importante, de la solucin del problema. Como simple ejemplo considrese la definicin recursiva de factorial de un nmero, expresando n! el factorial de n. Si definimos recursivamente: (1) 1! = 1 (2) n! = n (n - 1)! , entonces, efectivamente, utilizamos el concepto de factorial en su propia definicin: utilizamos parte del definiendum en el definitum. Y precisamente en esta autorreferencia consiste la recursividad. Mas no por ello la definicin resulta circular, por cuanto que no hay regressus in infinitum: hay un punto de escape, una parte no recursiva de la definicin, que en este caso es el factorial de 1. El aspecto positivo, en cambio, reside en que procedimientos o conceptos complejos pueden ser expresados de manera simple. De ah la importancia que tuvo la incorporacin de la arquitectura de computador tipo Von Neumann (con una nica unidad central de procesamiento con acceso a sus programas desde la misma memoria que contiene los datos a manipular) en los famosos computadores EDSAC y BINAC.

2.- La mecnica inferencial. La llamada mecnica inferencial cubre un conjunto de nociones -deduccin, inferencia, planificacin, bsqueda, razonamiento (del sentido comn), prueba, etc.- que, cual funciones, se aplican al conocimiento-base (como argumento) generando nuevo conocimiento. Puesto que tales nociones pertenecen, especficamente, al dominio de la Lgica (entendida sta en sentido amplio: no restringida a la lgica clsica bivalente), el estudio de la lgica, sus modalidades y tcnicas, resulta imprescindible en el diseo de sistemas expertos. En los trabajos, a este respecto, primerizos la mecnica inferencial se basaba en la lgica clsica bivalente. Pero a medida que fueron amplindose los campos de aplicacin, a medida que se dominaban otros tipos de conocimiento, se refinaban las tcnicas lgicas y se introducan otras lgicas: no-monotnicas, intuicionistas, difusas, etc. La mecnica inferencial, aunque diferenciable del conocimiento-base, est estrechamente vinculada con l; vinculacin que vara en funcin del tipo de conocimiento y de la manera en que est organizado en la base. Como ya hemos sealado, el conocimiento de tipo procedimental es el ms abundante en la conducta inteligente, y, como ocurre en la mayora de los programas ms relevantes, suele venir organizado en forma de reglas de produccin. En este sentido, las tcnicas de inferencia o estrategias de bsqueda ms usuales en los sistemas expertos han sido extradas de la lgica clsica bivalente, si bien ltimamente, como luego veremos, han ido adquiriendo gran auge las tcnicas extradas de lgicas "no-clsicas". Entre las primeras estn las siguientes: . Encadenamiento hacia adelante y hacia atrs La llamada "tcnica de encadenamiento hacia adelante" consiste en aplicar al conocimiento-base (organizado en forma de reglas de produccin), junto con otro conocimiento disponible, el esquema inferencial modus ponens. Esta estrategia se denomina "encadenamiento hacia adelante" o "razonamiento de datos dirigidos", porque comienza con los datos conocidos y aplica el modus ponens sucesivamente hasta obtener los resultados que se siguen. Las reglas se aplican "en paralelo", i. e., en cualquier iteracin una regla toma los datos cuales eran al principio del ciclo, por lo tanto el conocimiento-base y el sistema no dependen del orden en el que las reglas son establecidas, almacenadas o procesadas. Esta tcnica suele utilizarse cuando la cantidad de datos es potencialmente muy grande, y resulta de inters algn conocimiento especfico tomado en consideracin (caso tpico en los problemas de diagnstico; MYCIN, por ejemplo). Esta tcnica se corresponde con el mtodo clsico en Lgica de la demostracin de un teorema en un sistema axiomtico. Dado el sistema axiomtico (el conocimiento-base), la estrategia consiste en, dado un teorema (un objetivo), partir de l y tratar de encadenarlo (demostrarlo) en el sistema. La tcnica del "encadenamiento hacia atrs" consiste en tratar de probar un dato (o conocimiento) engarzndolo en las reglas-base con el esquema de inferencia modus ponens, i. e., tomando al dato como un consecuente y buscando en el conocimiento-base el correspondiente antecedente, a travs de los pasos correspondientes. Estas dos formas de inferencia se corresponden con los dos mtodos lgicos clsicos conocidos por varios nombres: mtodo resolutivo / mtodo compositivo; anlisis / sntesis, etc. La distincin se basa en la relacin direccional entre objetivos y datos. Y ambas formas pueden combinarse en el razonamiento. Cabe partir de un supuesto inicial, inferir una conclusin mediante un razonamiento hacia adelante y luego establecer un encadenamiento hacia atrs hasta encontrar los datos que confirman esa conclusin. A su vez, dentro de cada uno de estos tipos de razonamiento cabe distinguir "estrategias de solucin", como las llamadas "bsqueda en profundidad" y "bsqueda a lo ancho". . Mtodo de resolucin

Otra tcnica lgica de extraccin de nuevo conocimiento a partir del conocimiento-base, aunque no ya vlida para los sistemas de reglas de produccin, es la llamada "de resolucin", desarrollada por Robinson para la prueba de teoremas del clculo de predicados y sometida, luego, a abundantes refinamientos, que la convierten en til, adems, para la recuperacin de informacin, para la programacin automtica y para el razonamiento "del sentido comn". El mtodo de resolucin es, en esencia, el mtodo de las "tablas de verdad" de Beth o de "rbol" de Smullyan, con reglas (de inferencia) de resolucin, en vez de con reglas "semnticas".

3.- El conocimiento ordinario Los sistemas basados en conocimiento (sistemas expertos) organizan ste en la base -haciendo estimacin de los datos, estableciendo estructuras y reglas generatrices- y utilizan tcnicas lgicas para, a partir del conocimiento-base, obtener (o generar) otros conocimientos (conclusiones, decisiones, etc.). La organizacin del conocimiento-base y la ulterior manipulacin (tcnicas inferenciales) estn estrechamente unidas; dependen, adems, del tipo de conocimiento tomado en consideracin, y en funcin de ello disea el ingeniero su sistema experto. Como ms arriba hemos sealado, los primeros sistemas estaban diseados para ser expertos en reas de conocimiento especializado: de la Medicina (MYCIN), de la Geologa (PROSPECTOR), de la Qumica (DENDRAL), de las finanzas (Plan Power), etc. Y actualmente tales artefactos "inteligentes" funcionan bien en tareas especializadas, dentro de dominios de conocimiento bien definidos, y los juicios de los sistemas expertos rivalizan con los de los expertos humanos en reas bien definidas de destreza. Esa es la "primera era" de los sistemas expertos. Pero los investigadores, dentro de la Ingeniera del Conocimiento, han emprendido la tarea de codificar el conocimiento "del sentido comn", de alcanzar la naturalidad en las relaciones hombre - mquina (relaciones dadas en lenguaje natural), de entender y expresar con utilidad los detalles de la lgica y de la representacin del conocimiento "del sentido comn",... Tal es la "segunda era" de los sistemas expertos (Feigenbaum, 1990). Y, tanto por lo que hace a la representacin del conocimiento, como por lo que respecta al sistema inferencial, exige tcnicas nuevas respecto de las utilizadas en los dominios de conocimiento especializado, preciso, sin vaguedad y sin incertidumbre. As, las tcnicas convencionales de representacin del conocimiento, basadas en el uso del clculo de predicados, fracasan en la representacin del conocimiento del sentido comn, debido a que los predicados, en la mayora de las proposiciones que lo expresan, no poseen denotaciones precisas, sino ambiguas. Y la toma de decisiones en un dominio incierto no puede seguir reglas fijas (de la lgica clsica bivalente) aplicadas a la informacin (premisas) imprecisa de que se dispone en la base. El desarrollo de modelos de representacin y manejo de conocimiento exige tomar en consideracin la incertidumbre y la vaguedad, que constituyen las dos formas ms importantes de ignorancia parcial. Para tratar con la ignorancia dentro de los sistemas basados en conocimiento se han diseado varios modelos basados en las teoras matemticas o lgicas ya firmemente asentadas. Y los mtodos utilizado suelen venir agrupados por los tratadistas en dos amplias clases: (A) Mtodos numricos: los probabilsticos (inferencia bayesiana, probabilidad subjetiva, creencia racional), la teora de la evidencia (Dempster y Shafer), etc. Y (B) Mtodos no-numricos ("simblicos" o "lgicos"): lgicas no-monotnicas, lgicas difusas, teora de los acoplamientos de Cohen, etc. Los sistemas expertos de la "segunda generacin" tratan de acabar con la rigidez en los conceptos, reglas, etc. propia de los de la "primera generacin" y de alcanzar la "naturalidad" propia de los agentes humanos, de manera que la interaccin entre la mquina y el usuario sea en lenguaje humano (natural). Los investigadores han emprendido la ardua tarea de desentraar la composicin y lgica del conocimiento ordinario (o "del sentido comn") y lo estn codificando. No se discute (se acepta) que una mquina puede exhibir inteligencia; se ensayan tcnicas diversas con el propsito de domear el conocimiento ordinario. Pero los primeros diseos segn directrices

deductivistas se han topado con el problema de la seleccin que seala Minsky (el frame problem): "Incluso si formulamos restricciones sobre la relevancia, los sistemas logsticos tienen un problema al usarlas. En un sistema logstico, todos los axiomas son necesariamente "permisivos" -todos ellos sirven para que se extraigan nuevas inferencias. Cada axioma aadido significa ms teoremas; ninguna puede desaparecer. Sencillamente, no hay ningn modo directo de aadir a un tal sistema informacin acerca de los tipos de conclusiones que no deberan extraerse... Si intentamos cambiar esto, aadiendo axiomas sobre la relevancia, produciremos todava todos los teoremas innecesarios ms los engorrosos enunciados acerca de su irrelevancia". El frame - problem resulta de una caracterstica esencial de la lgica clsica: la monotonicidad. Los sistemas de lgica clsica son monotnicos (unidireccionales en sentido creciente o decreciente), i. e., aadiendo ms axiomas al sistema aumentamos el nmero de teoremas que pueden ser demostrados. Pero determinados e importantes razonamientos humanos de sentido comn son no-monotnicos; se necesita, pues, un sistema que realmente "ignore" la mayor parte de lo que conoce y opere con una porcin bien escogida de su conocimiento en un momento dado. Para alcanzar tales objetivos se han propuesto las lgicas no-monotnicas, bajo diversas modalidades: la lgica no-monotnica de Drew McDermott y John Doyle; la lgica del razonamiento por defecto de Ray Reiter; el sistema de circunscripcin de John McCarthy; la lgica temporal de McDermott; la lgica intuicionista de Clarke y Gabbay; la lgica epistmica de R. C. Moore; la teora de los acoplamientos de P. R. Cohen, etc. En un sistema de lgica no-monotnica las conclusiones lgicas de una teora dada pueden quedar invalidadas al aadir nuevo conocimiento al sistema, i. e., las conclusiones estn sujetas a remocin en virtud del aumento de premisas. As, por ejemplo, cuando llega a materializarse una contradiccin, la conclusin puede ser recompuesta; o bien se extrae una conclusin plausible a partir de la evidencia parcial en ausencia de evidencia de lo contrario. Las crticas a la formalizacin (al "logicismo") pierden, entonces, la referencia, y con ello, su sentido, puesto que una cosa es que haya dominios (asuntos) no reducibles al formalismo (lgica) del clculo de predicados de primer orden clsico, y otra bien distinta, que tal dominio o asunto no tenga lgica alguna. Y como alternativa a la lgica clsica bivalente se han desarrollado otros varios sistemas de lgica que se han mostrado muy adecuados para el tratamiento del conocimiento ordinario (del sentido comn). Entre ellos ocupan un lugar destacado los sistemas "difusos" o "borrosos", que tienen su origen en la teora de los conjuntos difusos desarrollada por L. A. Zadeh (1965). Mediante estos modelos de lgica difusa resulta posible tratar de manera sistemtica la imprecisin inherente en los enunciados ms usuales en los procesos del pensamiento y del razonamiento humanos. Y, puesto que el conocimiento-base de un sistema experto es un almacn de conocimiento humano, los sistemas difusos resultan ms apropiados que los sistemas de conceptos rgidos para el almacenaje de esa porcin de conocimiento vago e impreciso. En segundo lugar, la lgica difusa constituye, adems, un modelo de sistema inferencial, que permite extraer inferencias (llegar a respuestas) a partir de conocimiento (de cuestiones) difusas. En el caso de los sistemas expertos, la incertidumbre de informacin (o conocimiento) en la base acarrea incertidumbre en las conclusiones, y, por tanto, la mecnica inferencial ha de ser equipada con medios computacionales capaces de analizar la transmisin de incertidumbre de premisas a conclusin y asociar sta con alguna medida de incertidumbre que sea entendible e interpretable adecuadamente por el usuario. Los proyectos de sistemas expertos basados en modelos difusos crece, no ya por aos, sino por meses. A ese rpido crecimiento estn contribuyendo en gran medida los japoneses, dotando a sus productos competitivos de tecnologa fuzzy. En el rea de la Ingeniera del Conocimiento ha comenzado la construccin de computadores difusos, i. e., computadores que aceptan informacin

(en forma lingstica) difusa, la organizan en la base del conocimiento y realizan razonamientos aproximados para obtener nueva informacin difusa en centsimas de segundo. En este tipo de computadores, llamados "de la sexta generacin", estn trabajando intensamente los japoneses, entre los que destaca Takeshi Yamakawa, en la actualidad ingeniero de Electrnica en la Universidad de Kumamoto, y pionero en la construccin de chips difusos y de sistemas hardware de lgica difusa.Los sistemas diseados por Yamakawa aceptan informacin lingstica, y realizan inferencias de razonamiento aproximado con gran rapidez (ms de 10 millones de inferencias lgicas difusas por segundo). Y sus circuitos elctricos difusos han servido para la construccin de controladores de lgica difusa con aplicaciones biomdicas, ortodnticas, etc.

BIBLIOGRAFA BREWKA, G. (1992), Nonmonotonic Reasoning: Logical Foundations of Commonsense. Cambridge Univ. Press, Cambridge. BUCHANAN, B. G. y SMITH, R. G. (1988), "Fundamentals of expert systems", en Ann. Rev. Comput. Science, 3, pgs. 23-58. FEIGENBAUM, E.(1977), "The art of artificial intelligence: themes and case studies of knowledge engineering", en Proceedings of the Fith International Joint Conference on Artificial Intelligence. MIT Press, Cambridge, Mass., pgs. 1014-1029. GUPTA, M. M. y YAMAKAWA, T. (eds.) (1988), Fuzzy Computing. Theory, Hardware, and Applications. North-Holland, Amsterdam. HAYES-ROTH, F., WATERMAN, D. A. Y LENAT, D. B.(1983), Building Expert Systems. AddisonWesley, Reading, Mass. HOROYD, P. et alii (1985), "Developing expert systems for management aplications", en Omega, 13, pgs.1-11. KASTNER, J. K. y HONG, S. J.(1984), "A review of expert systems", en European Journal of Operations Research, 18, pgs. 285-292. KONOPASEK, M. y JAYARAMAN, S. (1984), "Expert systems for personal computers", en Byte, pgs. 137-154. KURZWEIL, R.(ed.)(1990), The Age of Intelligent Machines. MIT Press, Cambridge, Mass. STEFIK, M. et alii (1982), "The organization of expert systems", en Artificial Intelligence, 18, pgs. 135-175. YAGER, R. R. y ZADEH L. A. (eds.)(1992), An Introduction to Fuzzy Logic Applications in Intelligent Systems. Kluwer, Dordrecht. ZIMMERMANN, H. J. (1987), Fuzzy Sets, Decision Making, and Expert Systems. Kluwer, Dordrecht.

THEORIA | Proyecto Crtico de Ciencias Sociales - Universidad Complutense de Madrid

http://www.ucm.es/info/eurotheo/diccionario/S/sistemas_expertos.htm