Modelos probabilísticos para su utilización en sistemas expertos

Resumen

Uno de los problemas más candentes en sistemas expertos es la discusión existente entre los defensores de los modelos probabilísticos y sus detractores. Los métodos alternativos surgidos (t. evidencia, lógica difusa, factores de certeza) son inadecuados para reproducir muchas situaciones reales. Entre las causas de crítica de los métodos basados en probabilidad destaca la insuficiencia del modelo de independencia y la imposibilidad de reflejar la dependencia total, debida al excesivo número de parámetros. Como alternativa se propone el modelo llamado de dependencia de síntomas relevantes. Este modelo no es solo teórico sino que puede implementarse tal como demuestra la concha RSPS implementada como parte de esta tesis. Se analiza también los diferentes sistemas de representación de reglas y los algoritmos que permiten los cambios de una representación a otra. Además se estudian algoritmos para compilar reglas mediante la agrupación de todas las que concluyen un objeto reduciendo con ello enormemente el tiempo de respuesta de los motores de inferencia. Mediante la compilación de reglas se puede detectar, además, cuando un conjunto de hechos contradicen un sistema de reglas. Con el fin de mantener la coherencia en la base de conocimiento de los sistemas probabilísticos se dan dos soluciones para asistir al experto a dar su información. Una mediante aportación ordenada de probabilidades y otra basada en programación lineal. Por otra parte, se describen algunas técnicas estadísticas que permiten desarrollar bases de conocimiento, motores de inferencia, etc. en sistemas expertos. En relación con el aprendizaje en sistemas expertos se propone un método basado en el principio de máxima verosimilitud para el modelo de redes causales propuesto por Lauritzen y Spiegelhalter. Por otra parte, la teoría de aprendizaje de conceptos de tipo determinista es generalizable al caso de conceptos de tipo probabilístico.