Modelos probabilísticos para utilización en sistemas expertos

Abstract

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.<br/>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.<br/>Mediante la compilación de reglas se puede detectar, además, cuando un conjunto de hechos contradicen un sistema de reglas.<br/>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.<br/>Una mediante aportación ordenada de probabilidades y otra basada en programación lineal.<br/>Por otra parte, se describen algunas técnicas estadísticas que permiten desarrollar bases de conocimiento, motores de inferencia, etc. en sistemas expertos.<br/>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.

One of the most current problems with Expert Systems is the continuing argument between the defendants of probabilistic models and those against it. The alternative suggested (certainty factors, fuzzy logic, theory of evidence,. ) are inadequate at reproducing many real situations. <br/><br/>Probabilistic models have been criticized either for the high number of parameters involved or the difficulties in their estimation from data. In fact, there is general agreement that the general dependence model is not practical for most real cases. Other sources of criticism come from the independence models, which are considered too simple for reproducing some real problems. As an alternative the model known as relevant symptoms dependence model is proposed. This model is not only theoretical but can be implemented as well, as shows the RSPS shell integrated in part of this thesis.<br/><br/>Different systems of the representation of rules and the algorithms that allow changes from one representation to another are also analysed. <br/><br/>Moreover some technical statistics that allow knowledge bases and inference engine to be created in expert systems are described.<br/><br/>In relation to the learning of expert systems a method based on the maximum likelihood method for causal networks by Lauritzen and Spiegelhalter is proposed.