INTRODUCCIÓN

TECNOLOGÍA DEL HABLA

La comunicación en lenguaje hablado con un ordenador es un tema que ha fascinado ingenieros y científicos desde hace décadas. Aparte del interés que el estudio de la comunicación persona-máquina pueda tener para el análisis y la comprensión de los procesos de producción y percepción involucrados en la comunicación hablada humana, la construcción de interfaces persona-máquina es un reto científico de indudable interés socio-económico. El grado de desarrollo de las tecnologías involucradas así como los avances realizados en las capacidades de cómputo de ordenadores ha propiciado la notable expansión que se aprecia en la utilización comercial de interfaces orales sencillos. Además, permite a la comunidad científica internacional abordar el desarrollo de tareas más complejas, bien mediante enfoques que permiten al usuario del sistema una mayor libertad en el uso del lenguaje.

Los primeros sistemas de reconocimiento del habla, así como la mayoría de los sistemas comerciales actuales, fueron desarrollados para reconocer palabras aisladas. Con esa tecnología se han desarrollado sistemas no exentos de interés. Por ejemplo, para atender de forma automática peticiones de información o transacción vía telefónica se ha utilizado el reconocimiento de palabras aisladas, como vía alternativa a la utilización de teclados multifrecuencia, en aplicaciones donde el diálogo es dirigido en forma de menús. A pesar que el reconocimiento de voz es menos fiable que el teclado numérico, presenta las ventajas de su universalidad y de la naturalidad para el usuario de este modo de comunicación.

Dentro de la comunicación Hombre-máquina la parte más complicada y de nuestro interés es la denominada Speech Understanding, necesitamos que la máquina además de que reconozca nuestras palabras sea capaz de captar comprender y manejar conceptos que nosotros transmitimos con esas palabras, y que sea capaz de darnos respuestas coherentes a nuestras preguntas, es decir, queremos un comportamiento inteligente por parte de la máquina; A esto lo denominamos Inteligencia Artificial.

INTELIGENCIA ARTIFICIAL

La Inteligencia Artificial “nació” en 1943 cuando Warren McCulloch y Walter Pitts propusieron un modelo de neurona del cerebro humano y animal. Estas neuronas nerviosas abstractas proporcionaron una representación simbólica de la actividad cerebral.

Más adelante, Norbert Wiener elaboró estas ideas junto con otras, dentro del mismo campo, que se llamó " cibernética", de aquí nacería , sobre los años 50, la Inteligencia Artificial.

Los primeros investigadores de esta innovadora ciencia, tomaron como base la neurona formalizada de McCulloch y postulaban que :

" El cerebro es un solucionador inteligente de problemas, de modo que imitemos al cerebro".

Pero si consideramos la enorme complejidad del mismo esto es ya practicamente imposible, ni que mencionar que el hardware de la época ni el software estaban a la altura para ralizar semejantes proyectos.

Se comenzó a considerar el pensamiento humano como una coordinación de tareas simples relacionadas entre sí mediante símbolos. Se llegaría a la realización de lo que ellos consideraban como los fundamentos de la solución inteligente de problemas, pero lo difícil estaba todavía sin empezar, unir entre sí estas actividades simples. Por lo tanto podemos decir a grandes rasgos que la Inteligencia Artificial “es una ciencia que intenta la creación de programas para máquinas que imiten el comportamiento y la comprensión humana, que sea capaz de aprender, reconocer y pensar, aunque esto último está por ver, ya que, realmente, ¿qué significa pensar? y ¿en qué consiste el pensamiento?.”

Es en los años 50 cuando se logra realizar un sistema que tuvo cierto éxito, se llamó el Perceptrón de Rossenblatt. Éste era un sistema visual de reconocimiento de patrones en el cual se aunaron esfuerzos para que se pudieran resolver una gama amplia de problemas, pero estas energías se diluyeron enseguida.

Fué en los años 60 cuando Alan Newell y Herbert Simon, que trabajando la demostración de teoremas y el ajedrez por ordenador logran crear un programa llamado GPS (General Problem Solver: solucionador general de problemas). Éste era una sistema en el que el usuario definía un entorno en función de una serie de objetos y los operadores que se podían aplicar sobre ellos. Este programa era capaz de trabajar con las torres de Hanoi, así como con criptoaritmética y otros problemas similares, operando, claro está, con microcosmos formalizados que representaban los parámetros dentro de los cuales se podían resolver problemas. Lo que no podía hacer el GPS era resolver problemas ni del mundo real, ni médicos ni tomar decisiones importantes. El GPS manejaba reglas heurísticas (aprender a partir de sus propios descubrimientos) que la conducían hasta el destino deseado mediante el método del ensayo y el error.

En los años 70, un equipo de investigadores dirigido por Edward Feigenbaum comenzó a elaborar un proyecto para resolver problemas de la vida cotidiana o que se centrara, al menos, en problemas más concretos. Así es como nació el sistema experto. El primer sistema experto fue el denominado Dendral, un intérprete de espectrograma de masa construido en 1967, pero el más influyente resultaría ser el Mycin de 1974. El Mycin era capaz de diagnosticar trastornos en la sangre y recetar la correspondiente medicación, todo un logro en aquella época que incluso fueron utilizados en hospitales (como el Puff, variante de Mycin de uso común en el Pacific Medical Center de San Francisco, EEUU).

Ya en los años 80, se desarrollaron lenguajes especiales para utilizar con la Inteligencia Artificial, tales como el LISP o el PROLOG. Es en esta época cuando se desarrollan sistemas expertos más refinados, como por el ejemplo el EURISKO. Este programa perfecciona su propio cuerpo de reglas heurísticas automáticamente, por inducción.

El mes de Abril de 1982, el Ministerio de Industria Japonés lanzó al mundo entero un desafío insólito; nada menos que construir un ordenador de quinta generación en el plazo de diez años. La propuesta causó estupor en unos e incredulidad en otros, y ¿qué era un ordenador de quinta generación? Hasta el momento los textos de informática habían definido tres generaciones de ordenadores, que equivalían a tres estadios de su evolución, en un proceso de miniaturización creciente. La primera generación se fundamentaba en sistemas de tubos de vacío, la segunda en los transistores y la tercera en los circuitos integrados. A los japoneses se les debió quedar pequeña una cuarta generación, y pasaron directamente a definir la quinta generación de ordenadores como aquella formada por "máquinas capaces de razonar, utilizar conocimientos y dialogar con el hombre".

El mero hecho de que el término "ordenadores de quinta generación" haya prácticamente desaparecido de la literatura especializada induce a pensar que los resultados no han respondido a las expectativas creadas.

Al analizar la situación actual encontramos: hoy día los ordenadores son capaces de reconocer la voz humana, pero es necesario hablarles con una correcta entonación, separando claramente las palabras; inversamente, son capaces de hablar, aunque sus registros sonoros carecen de la calidez y entonación típicamente humanas. Además, son capaces de distinguir imágenes, siempre y cuando estén claramente resaltadas del fondo. Finalmente, aunque ningún programa de ordenador ha sido capaz de alzarse con el título mundial de ajedrez, algunos de ellos se codean con la élite mundial.

Si algún investigador se aventurase a esbozar alguna definición precisa de lo que es IA no faltaría quien le contradijera argumentando que la definición era incorrecta, bien porque resultara demasiado amplia o demasiado restringida. En lugar de empantanarse en una discusión de dudosa utilidad, la mayoría de los estudiosos del tema prefieren dejarse guiar por el fino pragmatismo del test de Alan Turing (1912-1954).

Este personaje definía la inteligencia de las máquinas en los siguientes términos: "Es inteligente una máquina que ilusiona y pasa por inteligente ante la opinión de los hombres". En función de esta definición describió su famoso test, según el cual una máquina se consideraba dotada de IA cuando un observador humano que se comunicase con la máquina sin saberlo, no pudiese distinguir sus respuestas de las que daría un ser humano.

Principales Ramas de la IA

JUGADORES INTELIGENTES

Esta rama dentro de la IA es la de los programas jugadores de juegos inteligentes. En una fecha tan temprana como 1946, Arthur Samuel desarrolló un programa que no sólo jugaba a las damas, sino que mejoraba su juego a medida que jugaba.

La historia de este programa no tiene desperdicio, en la medida que su autor protagonizó una de las versiones más chocantes del cuento de la lechera. Por aquellos años, Samuel deseaba que su facultad adquiriese un ordenador, pero su presupuesto resultaba insuficiente. Ni corto ni perezoso elaboró el siguiente plan: construiría un pequeño ordenador, y a partir de éste un programa capaz de jugar a las damas, que vencería sin dificultad el campeonato mundial de damas; la publicidad que obtendría sería suficiente como para garantizarle una subvención estatal que le permitiría la adquisición de su querido ordenador. Si Samuel escogió las damas fue porque lo consideró un juego sencillo de programar. Al fin y al cabo, hay un único tipo de ficha, que se mueve de la misma forma. Pese a esta aparente simplicidad, la gran cantidad de estrategias que se pueden plantear a partir de una posición dada complican notablemente el problema. El resultado de su sueño fue más que previsible: cuando llegó la fecha del campeonato no estaba concluido ni el ordenador ni el programa. Tres años después, el investigador Claude Shannon, famoso por su teoría de la información, escribía la primera obra sobre programación del ajedrez. De esta manera, se daba el pistoletazo de salida a una carrera cuya máxima meta era la creación de un programa que conquistara el título mundial de ajedrez; cosa que aún dista mucho de conseguirse.

¿Cómo funciona un programa capaz de jugar a un juego de inteligencia, tal como el ajedrez o las damas? La palabra clave es programación en árbol. La figura 1 muestra una hipotética situación. Las letras A, B y C representan sendas fichas. Para cada una tenemos uno o varios movimientos, que a su vez provocarán movimientos en las piezas de nuestro contrincante. Los números representan la puntuación de cada jugada. Para calcular la jugada óptima se toman cada una de las jugadas propias y a su puntuación se le resta la de la jugada del oponente. Por ejemplo, una jugada de la pieza A nos reporta 9 puntos, pero a continuación la del contrincante le puede suponer 11 puntos, de forma que quedan -2 puntos globales. Por otra parte, una jugada de la figura C nos supone sólo 2 puntos, pero al restarle los -2 de la jugada más óptima del contrincante nos da una ganancia neta de 4 puntos. De esta manera, se puede encontrar la mejor jugada en aquella que proporciona una puntuación neta mayor.

Con sólo dos niveles de profundización se tiene un nivel de juego comparable al de un niño de seis años. Ampliando el número de niveles se puede ir mejorando el nivel de juego, a costa de un mayor tiempo de cómputo. Por ello, se han desarrollado técnicas para "podar" el árbol, y eliminar aquellas ramas que a priori se puede saber que no van a dar puntuaciones altas.

PROGRAMAS QUE RAZONAN

Esta rama es la encargada de desarrollar sistemas con capacidad real o aparente de dialogar de forma inteligente y, consecuentemente, de razonar. Desde siempre ha supuesto la máxima aspiración de los investigadores en este campo (como botón de muestra se puede repasar la definición de ordenador de quinta generación en la introducción al artículo), y coincide con la idea de que la mayor parte de la gente tiene de un sistema inteligente. Sin embargo, es importante destacar que, fieles a la filosofía del test de Turing, los investigadores no se preocupan en nuestros días por la cuestión de si tal sistema comprende realmente lo que se le dice o si tiene conciencia de sí mismo, sino de que nosotros podamos comprender lo que él nos dice.

Dentro de este apartado, destacan tres programas que han supuesto auténticos hitos en el proceso de desarrollo de la IA. Por orden cronológico son el programa Eliza, el programa Shrdlu y el programa Racter.

ELIZA

Corría el año de 1966 cuando Joseph Weizenbaun, a la sazón profesor de informática del MIT, daba los últimos toques a su programa Eliza. Durante dos años había trabajado en él, con el único objetivo de crear un programa que parodiase a los psiquiatras de la escuela de Carl Rogers. Estos psiquiatras son los que aparecen con frecuencia en las películas norteamericanas, y que practican una terapia basada en el diálogo de libre asociación de los pacientes, propio del psicoanálisis no directivo.

El programa simula una sesión con un psiquiatra rogeliano; al ejecutarlo, tenemos que introducir unas frases, a las que el programa tiene que dar respuesta. Para lo cual busca en la cadena alfanumérica que se le introduce algunas frases clave, para las que tiene una batería de respuestas estándar, de las que selecciona una al azar. Caso de no encontrar una frase clave busca una palabra clave y, en función de ésta, vuelve a seleccionar al azar una de las respuestas que tiene programadas. Si tampoco encontrase una palabra clave, mira a ver si tiene almacenada una frase dicha con anterioridad por el usuario, y en función de ésta construye su respuesta.

Por ejemplo, supongamos que en un momento dado se introduce la frase "Mi mujer me odia". El programa toma la frase que viene a continuación de Mi y la almacena tras intercambiar las personas de pronombres y posesivos. Cuando más adelante el programa no encuentre una frase o palabra clave puede recuperar la frase almacenada y contestar algo así como: "¿Tiene eso que ver con el hecho de que su mujer le odia?". Finalmente, si tampoco tiene almacenada ninguna frase el programa, selecciona al azar una frase del tipo "Eso es muy interesante" u otras similares, para mantener la conversación.

SHRDLU

Creado en 1971 por Terry Winograd, un investigador del MIT. A diferencia de Eliza, Shrdlu no se limita a seleccionar respuestas al azar ante cada entrada, sino que lleva a cabo un auténtico proceso de razonamiento. En el mundo de Shrdlu existen tan sólo las figuras geométricas de diferentes colores, figuras que se pueden disponer con distinto orden. Cuando el usuario da las órdenes oportunas mediante un lenguaje coloquial, el programa lleva a cabo las transformaciones que se le piden, e informa de la nueva situación creada.

Fragmento de conversación entre un usuario y el programa:

Humano: ¿Quieres, por favor, apilar los dos bloques rojos, por un lado, y un cubo verde o una pirámide, por otro?

Shrdlu: De acuerdo

Humano: ¿Qué cubo descansa sobre la mesa?

Shrdlu: El cubo grande verde que soporta a la pirámide roja

Humano: ¿Hay algún bloque grande detrás de una pirámide?

Shrdlu: Sí, hay tres: uno grande rojo, un cubo grande verde y el azul

Aunque el diálogo prosigue, este fragmento es suficiente para captar la neta superioridad de este programa frente al de sus antecesores; no sólo parece comprender correctamente las órdenes que se le dan, sino que en todo momento tiene una idea

clara de las relaciones espaciales entre los bloques que maneja. ¿Cómo consigue tal cosa? Parafraseando a Dewdney, en el artículo comentado antes "La organización interna de Shrdlu..., está formada por subsistemas que analizan gramaticalmente, interpretan y construyen frases, llevan a cabo búsquedas en un diccionario, efectúan análisis semánticos y deducciones lógicas. Todos estos subsistemas están estrechamente entretejidos, en modo sumamente estructurado, cuyo efecto conjunto nos da la impresión de una verdadera inteligencia que analizara el mundo de bloques depositados en el tablero".

RACTER

Creado en 1980 por Thomas Etter, un programador-analista de San Francisco y William Chamberlain, un escritor neoyorquino. La intención de ambos era crear un programa que crease cuentos. Posteriormente, lo modificaron para permitirle mantener conversaciones con seres humanos, veamos un extracto de una conversación entre Racter y Chamberlain.

Racter: ¿Hemos hablado antes?

Chamberlain: No

Racter: ¿De qué sexo eres?

Chamberlain: Masculino

Racter: ¿Cuál es tu nombre completo?

Chamberlain: Bill Chamberlain

Racter: ¿Qué eres?

Chamberlain: Cronorreflectometrista

Racter: ¿De dónde eres?

Chamberlain: De la ciudad de Nueva York

Racter: Ya veo. Así que cronorreflectometrista, ¿verdad? Escucha. Gritemos juntos con decisión. Me gusta la cautivadora música italiana. ¿Qué clase de música te gusta a ti?

Chamberlain: el jazz

Racter: El jazz está bien. ¿qué me dices de la clásica?

Chamberlain: Me gusta la música clásica

Racter: ¿Y de qué nacionalidad?

Chamberlain: También me gusta la música italiana

Racter: A mí, personalmente, Palestrina me inflama. Además de Italia, otros países produjeron en el siglo XVII embelesados músicos. Sewall fue un importante y furibundo maestro del Renacimiento. América fue su nación. Yo saco de la música amoroso placer.

El diálogo prosigue por similares derroteros, mezclando sin pudor Bach con el rodaballo y las lechugas. Al comparar este diálogo con el que yo mismo he mantenido con el programa Doctor se aprecia una diferencia; el diálogo de Racter es mucho más rico y fluido que el de Doctor, si bien es bastante más disparatado.

En el test de Turing Racter podría pasar por un humano con una marcada tendencia a la divagación. ¿Cuál es el funcionamiento de Racter? Al principio de la conversación hace una serie de preguntas a su interlocutor, cuyas respuestas va almacenando en una base de datos. En cuanto juzga que dispone de suficiente información empieza a elaborar frases, en las que combina los elementos de que dispone en su memoria con aquellos que ha recibido de su interlocutor, con lo que logra implicarlo en la conversación. Para construir las frases sigue un mismo esquema gramatical, en el que los sustantivos, adjetivos y verbos se eligen al azar entre una amplia variedad que pertenecen a una misma categoría, y los artículos se adecúan a la forma gramatical correspondiente. Esto hace que las frases sean sintácticamente correctas, pero en tanto los sustantivos, adjetivos y verbos se escogen al azar el sentido suele ser disparatado.

SISTEMAS EXPERTOS

Los sistemas expertos se basan en la simulación del razonamiento humano. El razonamiento humano tiene para ellos, un doble interés: por una parte, el del análisis del razonamiento que seguiría un experto humano en la materia a fin de poder codificarlo mediante el empleo de un determinado lenguaje informático; por otra, la síntesis artificial, de tipo mecánico, de los razonamientos de manera que éstos sean semejantes a los empleados por el experto humano en la resolución de la cuestión planteada.

Estos dos campos de interés han conducido a los investigadores que trabajan en el campo de la inteligencia artificial (de la cual los sistemas expertos son un campo preferente) a intentar establecer una metodología que permita verificar el intercambio con los expertos humanos y aislar los diversos tipos de razonamiento existentes (inductivo, deductivo, formal, etc.), así como construir los elementos necesarios para modelizarlos. Los sistemas expertos son, por lo tanto, intermediarios entre el experto humano, que transmite sus conocimientos al sistema, y el usuario de dicho sistema, que lo emplea para resolver los problemas que se le plantean con la competencia de un especialista en la materia y que, además, puede adquirir una destreza semejante a la del experto gracias a la observación del modo de actuar de la máquina. Los sistemas expertos son, pues, simultáneamente, un sistema de ejecución y un sistema de transmisión del conocimiento. Asimismo, los sistemas expertos se definen mediante su arquitectura; obtienen, por lo tanto, una realidad palpable. Mientras que en las operaciones de programación clásicas se diferencia únicamente entre el propio programa y los datos, en el caso de los sistemas expertos se diferencian tres componentes principales. Son los siguientes:

La base de conocimientos aloja la totalidad de las informaciones específicas relativas al campo del saber deseado Está escrita en un lenguaje específico de representación de los conocimientos que contiene y en el cual el experto puede definir su propio vocabulario técnico.

A la inversa de lo que sucede en los programas clásicos, en la base de conocimientos las informaciones entran tal como llegan, ya que el orden no influye en los resultados obtenidos. Sucede así porque cada elemento de conocimiento es comprensible por sí mismo tomado de forma aislada y, por lo tanto, no es necesario referirse al contexto en el cual está inserto. La información se representa, por regla general, mediante reglas de producción o redes semánticas. Las reglas de producción constituyen el método más utilizado para construir bases de conocimientos en los sistemas expertos. Llamadas también implicaciones lógicas, su estructura es la siguiente: para unas ciertas causas, unos efectos; o, para determinadas condiciones, ciertas consecuencias. Junto a cada regla, se almacena también su porcentaje en forma de probabilidad. Éste indica, mediante un tanto por ciento, el grado de certeza de las consecuencias que se obtienen como resultado de la aplicación de la regla de producción. En cuanto a las redes semánticas, se trata de un método de construcción de bases de conocimientos en el cual los conocimientos se muestran mediante un grafo en el que los vértices representan los conceptos u objetos y las aristas indican las relaciones entre ellos.

Además el sistema dispone de la llamada base de hechos, que alberga los datos propios correspondientes a los problemas que se desea tratar con la ayuda del sistema. Asimismo, a pesar de ser la memoria de trabajo, la base de hechos puede desempeñar el papel de memoria auxiliar. La memoria de trabajo memoriza todos los resultados intermedios, permitiendo conservar el rastro de los razonamientos llevados a cabo. Puede, por eso, emplearse para explicar el origen de las informaciones deducidas por el sistema en el transcurso de una sesión de trabajo o para llevar a cabo la descripción del comportamiento del propio sistema experto. Al principio del período de trabajo, la base de hechos dispone únicamente de los datos que le ha introducido el usuario del sistema, pero, a medida que va actuando el motor de inferencias, contiene las cadenas de inducciones y deducciones que el sistema forma al aplicar las reglas para obtener las conclusiones buscadas.

El último elemento, el motor de inferencias, es un programa que, mediante el empleo de los conocimientos puede resolver el problema que está especificado. Lo resuelve gracias a los datos que contiene la base de hechos del sistema experto. Por regla general, el tipo de reglas que forman la base de conocimientos es tal que, si A es válido, puede deducirse B como conclusión. En este caso, la tarea que lleva a cabo el motor de inferencias es la de seleccionar, validar y activar algunas reglas que permiten obtener finalmente la solución correspondiente al problema planteado.
El sistema experto establecido se compone, por lo tanto, de dos tipos bien diferenciados de elementos, los propios del campo de los expertos relacionados con el problema concreto (es decir, la base de conocimientos y la base de hechos) y el que se puede aplicar de forma general a una gran variedad de problemas de diversos campos (como el caso del motor de inferencias). Sin embargo, el motor de inferencias no es un mecanismo universal de deducción, ya que hay dos tipos diverso: los que emplean el razonamiento aproximativo (para el cual el resultado puede ser erróneo) y aquellos que emplean un tipo de razonamiento capaz de obtener un resultado (si llegan a él), con toda seguridad, verdadero.

Fases del proceso

Sin embargo, a pesar de no existir una metodología generalmente aceptada en cuanto a la concepción de los sistemas expertos, se admite por regla general un esquema que consta de tres fases. En la primera fase, la discusión con el experto o los expertos humanos en la cual se intenta, por un lado, delimitar el problema a resolver y, por el otro, los modos de razonamiento que se emplearán para su solución. La segunda fase comprende el desglose del formalismo de expresión del conocimiento y la determinación del motor de inferencias adecuado a dicho formalismo. Por último, la tercera etapa, corresponde a la creación de la base de conocimientos (en colaboración con los expertos humanos), así como a la comprobación y ajuste del funcionamiento del sistema experto mediante el empleo de ejemplos.

Niveles de conocimiento

A pesar de no disponerse de un modelo general comúnmente aceptado, existe unanimidad en cuanto a la aprobación de tres niveles distintos de conocimientos, a los que corresponde tres fases diferentes de estudio y sobre los que se basa, en general, la concepción de un sistema experto. Esos niveles son el de estructuración, el conceptual y el cognoscitivo. El primero es el que define el mecanismo que genera la certeza. Este mecanismo varía según el campo al que se aplique el sistema experto, ya que las evidencias asociadas a cada campo no son idénticas. La determinación del nivel de estructuración permite definir un formalismo de representación del conocimiento así como un mecanismo adecuado de deducción. El nivel conceptual es el que determina el conjunto de los conceptos que emplea el experto humano en la materia; cada uno de ellos corresponde a un nudo del razonamiento del experto. Se le asocia un descriptor que se experimenta con el formalismo correspondiente al nivel de estructuración. Finalmente, el nivel cognoscitivo corresponde al conjunto de los conocimientos que el experto humano pone en práctica para la resolución del problema planteado. Este conjunto de conocimientos debe poder traducirse al lenguaje definido mediante el formalismo de representación del conocimiento adoptado. En cuanto al desarrollo actual de la investigación en el campo de los sistemas expertos, la primera fase corresponde al desarrollo de sistemas y programas que traten directamente el lenguaje natural, si bien persisten todavía dos escollos importantes. Por un lado, el problema de

cómo emplear de un modo eficaz una gran cantidad de información sin necesidad de echar mano de la combinatoria; es decir, cómo conseguir un sistema dotado de conocimientos (metaconocimientos) que le permitan utilizar los conocimientos del sistema y que, a su vez, le permitan deducir automáticamente nuevos conocimientos, ya que no cabe pensar en la reunión de todos los conocimientos necesarios en casos de campos tan sumamente vastos como el del diagnóstico en la medicina.

Ejemplo de Sistema experto:

Sistema experto basico de proposito general que ofrece multiples soluciones y ademas muestra el razonamiento seguido.

Basado en el fuente incluido en el libro 'Utilizacion de C en inteligencia

artificial' de Herbert Schildt, y publicado por Osborne/McGrawHill

* EXPERTO

*/

#include "stdio.h"

#include "alloc.h"

#define MAX 100

struct atributo {

char atrib [80];

struct atributo *siguiente;

} at;

struct objeto {

char nombre [80];

struct atributo *alista; /* Apuntar a la lista de atributos */

} ob;

struct objeto_rechazado {

char nombre [80];

char atrib [80]; /* Atributo que causo el rechazo */

char condicion; /* Era necesario o se descarto por

una deduccion previa */

} rj;

struct objeto_rechazado r_base [MAX];

struct objeto base_c [MAX]; /* Base de conocimiento */

int n_pos = -1; /* Posicion en la base de

conocimiento */

int r_pos = -1; /* Posicion en la lista de

rechazos */

struct atributo *si, *no; /* listas de tiene y no tiene */

struct atributo *siguientesi, *siguienteno;

main ()

{

char ch;

no=si=0x00;

do {

libera_lista();

ch=menu();

switch(ch) {

case 'i': introduce();

break;

case 'p': pregunta();

break;

case 's': salva();

break;

case 'c': carga();

break;

}

} while (ch != 'x');

}

libera_lista()

{

struct atributo *p;

while (si) {

p = si -> siguiente;

free (si);

si = p;

}

while (no) {

p = no -> siguiente;

free (no);

no = p;

}

}

/*

* Ahora codificamos la funcion encargada de crear la base de conocimiento

*/

introduce()

{

int t;

struct atributo *p, *anterior_p;

for (;;) {

t = obtiene_siguiente();

if (t == -1) {

printf ("Fuera de la lista.\n");

return;

}

printf ("Nombre del objeto: ");

gets (base_c[t].nombre);

if (!*base_c[t].nombre) {

n_pos--;

break;

}

p = (struct atributo *) malloc(sizeof(at));

if (p == 0x00) {

printf ("No hay memoria suficiente.\n");

return;

}

base_c[t].alista = p;

printf ("Introduce los atributos del objeto. ENTER para salir\n");

for (;;) {

printf (">> ");

gets (p->atrib);

if (!p->atrib[0]) break;

anterior_p = p;

p->siguiente = (struct atributo *) malloc(sizeof(at));

p = p->siguiente;

p->siguiente = 0x00;

if (p == 0x00) {

printf ("No hay memoria suficiente.\n");

return;

}

}

anterior_p->siguiente = 0x00;

}

}

/*

* Ahora codificamos la funcion encargada de realizar las preguntas al

* Sistema Experto.

*/

pregunta ()

{

int t;

char ch;

struct atributo *p;

for (t=0;t<=n_pos;t++) {

p = base_c[t].alista;

if (intenta(p, base_c[t].nombre)) {

printf ("%s concuerda con la actual descripcion\n", base_c[t].nombre);

printf ("sigo (S/N): ");

ch = tolower(getche());

printf ("\n");

if (ch == 'n') return;

}

}

printf ("No se ha(n) encontrado (mas) objeto(s)\n");

}

/*

* Esta funcion se encarga de comprobar un objeto.

*/

intenta (struct atributo *p, char *ob)

{

char respuesta;

struct atributo *a, *t;

if (!sigueno(p)) return 0;

if (!siguesi(p)) return 0;

while (p) {

if (preg (p->atrib)) {

printf ("es/ha/tiene %s? ", p->atrib);

respuesta = tolower(getche());

printf ("\n");

a = (struct atributo *) malloc(sizeof(at));

if (!a) {

printf ("No hay memoria suficiente.\n");

return;

}

a->siguiente = 0x00;

switch(respuesta) {

case 'n': strcpy (a->atrib, p->atrib);

if (!no) {

no = a;

siguienteno = no;

}

else {

siguienteno->siguiente = a;

siguienteno = a;

}

return 0;

case 's': strcpy (a->atrib,p->atrib);

if (!si) {

si = a;

siguientesi = si;

}

else {

siguientesi->siguiente = a;

siguientesi = a;

}

p = p->siguiente;

break;

case 'p': razonando (ob);

break;

}

}

else p = p->siguiente;

}

return 1;

}

/*

* Busca un atributo que no tenga el objeto y que este en la lista

*/

sigueno (struct atributo *p)

{

struct atributo *a, *t;

a = no;

while (a) {

t = p;

while (t) {

if (!strcmp(t->atrib,a->atrib))

return 0;

t = t->siguiente;

}

a = a->siguiente;

}

return 1;

}

/*

* Comprueba que tenga los atributos seleccionados

*/

siguesi (struct atributo *p)

{

struct atributo *a, *t;

char ok;

a = si;

while (a) {

ok = 0x00;

t = p;

while (t) {

if (!strcmp(t->atrib,a->atrib))

ok = 0x01;

t = t->siguiente;

}

if (!ok) return 0;

a = a->siguiente;

}

return 1;

}

/*

* Comprueba si el atributo se pregunto con anterioridad

*/

preg (char *atrib)

{

struct atributo *p;

p = si;

while (p && strcmp(atrib, p->atrib))

p = p->siguiente;

if (!p) return 1;

else return 0;

}

/*

* Esta funcion muestra el motivo por el que se sigue una determinada linea

* de conocimiento.

*/

razonando (char *ob)

{

struct atributo *t;

int i;

printf ("Intentando %s\n", ob);

if (si)

printf ("es/tiene/ha :\n");

t = si;

while (t) {

printf ("%s\n", t->atrib);

t = t->siguiente;

}

if (no)

printf ("No es/tiene/ha :\n");

t = no;

while (t) {

printf ("%s\n", t->atrib);

t = t->siguiente;

}

for (i=0;i<=r_pos;i++) {

printf ("%s rechazado porque ", r_base[i].nombre);

if (r_base[i].condicion == 'n')

printf ("%s no es un atributo.\n", r_base[i].atrib);

else

printf ("%s es un atributo requerido.\n", r_base[i].atrib);

}

}

/*

* Situar el objeto rechazado en la base de datos

*/

rechaza (char *ob, char *at, char cond)

{

r_pos++;

strcpy(r_base[r_pos].nombre, ob);

strcpy(r_base[r_pos].atrib, at);

r_base[r_pos].condicion = cond;

}

/*

* Conseguir el siguiente indice libre del array de la base de conocimiento

*/

obtiene_siguiente()

{

n_pos++;

if (n_pos < MAX) return n_pos;

else return -1;

}

/*

* Aqui va la codificacion del menu de opciones

*/

menu()

{

char ch;

printf ("(I)ntroduce (P)regunta (S)alva (C)arga e(X)it\n");

do {

printf ("Selecciona una opcion: ");

ch = tolower(getche());

} while (!esta_en (ch, "ipscx"));

printf ("\n");

return ch;

}

/*

* Salvar la base de conocimiento

*/

salva ()

{

int t, x;

struct atributo *p;

FILE *fp;

if ((fp = fopen("experto.dat", "w")) == 0) {

printf ("No puedo crear el archivo\n");

return;

}

printf ("Salvando la base de conocimientos\n");

for (t=0;t<=n_pos;++t) {

for (x=0;x<sizeof(base_c[t].nombre);x++)

putc (base_c[t].nombre[x], fp);

p = base_c[t].alista;

while (p) {

for (x=0;x<sizeof(p->atrib);x++)

putc(p->atrib[x], fp);

p = p->siguiente;

}

for (x=0;x<sizeof(p->atrib);x++)

putc ('\0', fp);

}

putc (0, fp);

fclose (fp);

}

/*

* Cargar una base de conociminto previamente almacenada

*/

carga()

{

int t, x;

struct atributo *p, *anterior_p;

FILE *fp;

if ((fp = fopen("experto.dat", "r")) == 0) {

printf ("No puedo abrir el archivo.\n");

return;

}

printf ("Cargando la base de conocimientos\n");

ini_basec();

for (t=0;t<MAX;++t) {

if ((base_c[t].nombre[0] = getc(fp)) == 0)

break;

for (x=1;x<sizeof(base_c[t].nombre);x++)

base_c[t].nombre[x]=getc(fp);

base_c[t].alista = (struct atributo *) malloc(sizeof(at));

if (!base_c[t].alista) {

printf ("No hay memoria suficiente.\n");

break;

}

base_c[t].alista = (struct atributo *) malloc(sizeof(at));

p = base_c[t].alista;

if (!p) {

printf ("No hay memoria suficiente.\n");

return;

}

for (;;) {

for (x=0;x<sizeof(p->atrib);x++)

p->atrib[x]=getc(fp);

if (!p->atrib[0]) {

anterior_p->siguiente=0x00;

break;

}

p->siguiente = (struct atributo *) malloc(sizeof(at));

if (!p->siguiente) {

printf ("No hay memoria suficiente.\n");

break;

}

anterior_p = p;

p = p->siguiente;

}

}

fclose (fp);

n_pos = t - 1;

}

/*

* Funcion para inicializar la base de conocimiento

*/

ini_basec()

{

int t;

struct atributo *p, *p2;

for (t=0;t<=n_pos;t++) {

p = base_c[t].alista;

while (p) {

p2 = p;

free (p);

p = p2->siguiente;

}

}

}

esta_en (char ch, char *s)

{

while (*s)

if (ch == *s++)

return 1;

return 0;

}

Han ido surgiendo nuevas aportaciones en el campo de la IA:

• Redes neurales: Son sistemas que reproducen las conexiones neuronales del cerebro de los animales. Aunque su estructura varía según el tipo de red, lo más usual es que haya tres capas de neuronas, una de entrada, que recoge los estímulos, otra oculta, que procesa la información, y otra de salida, que ejecuta la respuesta. La figura 2 muestra esta disposición. El problema es que el cerebro humano consta de cien mil millones de neuronas, mientras que las redes artificiales más complejas tienen como mucho un millón.

Ello no impide que mediante estas redes se puedan cumplir funciones concretas, como reconocimiento de caracteres borrosos, clasificación de patrones y otras.

• Lógica difusa: Consiste en una nueva forma de entender la lógica, en la que los enunciados dejan de ser cien por cien verdaderos o falsos, para tomar valores fraccionarios. En el campo concreto de la IA esto supone evitar las paradojas lógicas que pueden bloquear el sistema, y hacer que el ajuste entre las variables sea más fino.

• Robótica: Hoy por hoy, el mayor problema consiste en conseguir que la supervivencia de las máquinas sea superior a unas horas. Por otra parte, su coeficiente intelectual sólo les permite realizar tareas simples, como salvar obstáculos y recoger objetos del suelo.

• Realidad virtual: En los últimos tiempos han surgido sistemas de realidad virtual, que simulan comportamiento inteligente, a un coste mucho menor que el de los robots. Como ejemplo está Homer, un submarino virtual creado por Steven A. Vere, del Centro de Inteligencia Artificial de Lockheed, en Palo Alto. Homer es capaz de evitar obstáculos en su deambular por el ciberespacio e informar sobre lo que ve. Como conclusión, todavía no disponemos de respuesta a la pregunta con que empezamos el artículo. Cuanto más se complican los sistemas de IA, más compleja se nos revela la capacidad intelectual humana. Del mismo modo que el agua se alejaba del sediento Tántalo, cada vez que éste se aproximaba a ella, también el sueño de un sistema artificial inteligente se ve más lejano cuanto más nos acercamos a él. En cualquier caso esta complejidad ha de tener un límite por fuerza, por lo que es de esperar que antes o después la IA alcanzará sus máximos objetivos.