1. Sistemas Expertos
1.1. Definición
1.1.1. Sistemas computacionales diseñados para emular las decisiones de un experto humano en un dominio específico, usando una base de conocimientos y reglas de inferencia
1.1.2. Ejemplo: Un sistema experto médico que diagnostica enfermedades basándose en síntomas proporcionados.
1.2. Historia de los sistemas expertos:
1.2.1. Los primeros sistemas expertos nacieron con la Inteligencia Artificial clásica, en la que el objetivo era replicar el conocimiento y habilidades de expertos humanos.
1.3. Componentes de un Sistema Experto
1.3.1. Base de conocimientos: Contiene información sobre un dominio en particular. Incluye hechos (datos concretos) y reglas (normas que describen cómo se relacionan esos hechos).
1.3.2. Motor de inferencia: Aplica las reglas de la base de conocimientos a los datos específicos para deducir nuevas conclusiones.
1.3.3. Interfaz de usuario: Permite a los usuarios interactuar con el sistema. El usuario ingresa información o preguntas, y el sistema ofrece respuestas o soluciones basadas en el conocimiento programado.
1.4. Características de los sistemas expertos:
1.4.1. Emulación del experto: Imitan el proceso de razonamiento de expertos humanos.
1.4.2. No aprenden: A diferencia de los sistemas de Inteligencia Artificial que aprenden con el tiempo, los sistemas expertos no mejoran su conocimiento ni cambian sus reglas a menos que se actualice la base de conocimientos manualmente.
1.4.3. Aplicación en dominios específicos: Un sistema experto se limita a un campo especializado; su conocimiento no es generalizable a otros contextos.
1.5. Ventajas de los Sistemas Expertos:
1.5.1. Acceso a conocimientos expertos: Permiten a no expertos obtener respuestas basadas en el conocimiento de expertos sin su intervención directa.
1.5.2. Rapidez: Pueden procesar grandes volúmenes de información y reglas rápidamente.
1.5.3. Consistencia: Al seguir reglas predefinidas, los sistemas expertos ofrecen respuestas coherentes sin sesgos emocionales.
1.6. Desventajas de los Sistemas Expertos
1.6.1. No aprenden ni se adaptan: El sistema no mejora con el tiempo ni puede adaptarse a nuevos conocimientos o situaciones.
1.6.2. Alta dependencia del conocimiento del experto: Si el conocimiento proporcionado al sistema está incompleto o es erróneo, las respuestas serán incorrectas.
2. Lógica Difusa
2.1. Definición
2.1.1. Desarrollada por Lotfi A. Zadeh en 1965, la lógica difusa permite trabajar con información imprecisa o incierta. Contrario a la lógica tradicional, que maneja datos exactos, la lógica difusa permite que un sistema trabaje con términos vagos como "cerca", "lento", "alto", etc.
2.1.1.1. Ejemplo: Instrucciones para cruzar un tope que incluyen términos como "disminuir poco a poco" o "cuando estés muy cerca"
2.2. Historia
2.2.1. Nace a partir de la necesidad de manejar la imprecisión en sistemas complejos. Zadeh introdujo el concepto de fuzziness o "imprecisión" en las matemáticas y la lógica, proponiendo la teoría de conjuntos difusos.
2.3. Características
2.3.1. Principio de incompatibilidad (Zadeh): Las descripciones de sistemas complejos no pueden ser absolutamente precisas. Es necesario un enfoque que maneje información imprecisa.
2.3.1.1. Representación de la información imprecisa: Uso de la teoría de conjuntos difusos.
2.3.1.1.1. Inferencia sobre información imprecisa: Uso de la regla composicional de inferencia para combinar información.
2.4. Conjuntos Difusos:
2.4.1. Introducido en 1965 por Zadeh. Los elementos de un conjunto difuso tienen un grado de pertenencia que varía entre 0 y 1.
2.4.1.1. Ejemplo: Un conjunto difuso para "persona alta" donde se asigna un valor de pertenencia gradual a individuos dependiendo de su altura (e.g., 0.82 para alguien de 178 cm).
2.5. c
2.5.1. Representan conceptos complejos utilizando palabras o frases en lugar de números. Estas variables están formadas por una quíntupla (X, T(X), U, G, M), donde
2.5.1.1. X: nombre de la variable (ej. "temperatura").
2.5.1.2. T(X): conjunto de términos lingüísticos.
2.5.1.3. U: universo del discurso (e.g., 0-100°C).
2.5.1.4. G: gramática.
2.5.1.5. M: regla semántica que define el significado de cada valor.
2.6. Control Difuso
2.6.1. El control difuso aplica reglas del tipo Si... Entonces para manejar sistemas con información imprecisa. Un ejemplo clásico es el control de la temperatura de un sistema de calefacción.
2.7. Inferencia Difusa
2.7.1. Es el proceso de obtener un valor de salida a partir de valores de entrada difusos. Existen dos métodos principales:
2.7.1.1. Inferencia Mamdani: Propone cuatro pasos: fuzzificación, evaluación de reglas, agregación de salidas, y defuzzificación. Muy utilizado por su capacidad para manejar reglas con expresiones naturales.
2.7.1.2. Inferencia TSK (Takagi-Sugeno-Kang): Usa para lograr inferencias más rápidas.funciones matemáticas en el consecuente de las reglas para lograr inferencias más rápidas.
3. Comparación entre Lógica Difusa y Sistemas Expertos
3.1. Lógica Difusa
3.1.1. Trabaja con imprecisión y puede manejar reglas con términos lingüísticos.
3.1.2. Aplicable a problemas donde las reglas no son claras o definidas.
3.2. Sistemas Expertos
3.2.1. Trabajan con reglas definidas y no manejan directamente imprecisiones.
3.2.2. Son más adecuados para dominios donde se puede representar el conocimiento de forma estructu.rada y precisa.