Sistemas Experto

Introducción

Estos sistemas permiten la creación de
máquinas que razonan como el hombre,
restringiéndose a un espacio de conocimientos limitado. En
teoría pueden razonar siguiendo los pasos que
seguiría un experto humano (médico, analista,
empresario, etc.) para resolver un problema concreto. Este tipo
de modelos de conocimiento por ordenador ofrece un extenso campo
de posibilidades en resolución de problemas y en
aprendizaje. Su uso se extenderá ampliamente en el futuro,
debido a su importante impacto sobre los negocios y la
industria.

Se pueden considerar como el primer producto
verdaderamente operacional de la inteligencia artificial. Son
programas de ordenador diseñados para actuar como un
especialista humano en un dominio particular o área de
conocimiento. En este sentido, pueden considerarse como
intermediarios entre el experto humano, que transmite su
conocimiento al sistema, y el usuario que lo utiliza para
resolver un problema con la eficacia del especialista.

Los Sistemas
Expertos

Son llamados así porque emulan el razonamiento de
un experto en un dominio concreto, y en ocasiones son usados por
éstos. Con los sistemas expertos se busca una mejor
calidad y rapidez en las respuestas, dando así lugar a una
mejora de la productividad del propio experto al usar este tipo
de sistemas informáticos.

Es una aplicación informática capaz de
solucionar un conjunto de problemas que exigen un gran
conocimiento sobre un determinado tema. Un sistema experto es un
conjunto de programas que, sobre una base de conocimientos, posee
información de uno o más expertos en un área
específica, donde el poder de resolución de un
problema en un programa de computadora viene del conocimiento de
un dominio específico. Estos sistemas imitan las
actividades de un humano para resolver problemas de distinta
índole (no necesariamente tiene que ser de inteligencia
artificial. También se dice que un Sistema Experto se basa
en el conocimiento declarativo hechos sobre objetos, situaciones)
y el conocimiento de control información sobre el
seguimiento de una acción.

Para que un sistema experto sea herramienta efectiva,
los usuarios deben interactuar de una forma fácil,
reuniendo dos capacidades para poder cumplirlo:

• Explicar sus razonamientos o base del conocimiento:
  los sistemas expertos se deben realizar siguiendo ciertas
  reglas o pasos comprensibles de manera que se pueda generar
  la explicación para cada una de estas reglas, que a la
  vez se basan en hechos.

• Adquisición de nuevos conocimientos o
  integrador del sistema: son mecanismos de razonamiento que
  sirven para modificar los conocimientos anteriores. Sobre la
  base de lo anterior se puede decir que los sistemas expertos
  son el producto de investigaciones en el campo de la
  inteligencia artificial ya que ésta no intenta
  sustituir a los expertos humanos, sino que se desea ayudarlos
  a realizar con más rapidez y eficacia todas las tareas
  que realiza.

Debido a esto en la actualidad se están mezclando
diferentes técnicas o aplicaciones aprovechando las
ventajas que cada una de estas ofrece para poder tener empresas
más seguras. Un ejemplo de estas técnicas
sería los agentes que tienen la capacidad de negociar y
navegar a través de recursos en línea; y es por eso
que en la actualidad juega un papel preponderante en los sistemas
expertos.

Tipos de Sistema Expertos.

Principalmente existen tres tipos de sistemas
expertos:

1. Basados en reglas previamente
establecidas.

2. Basados en casos o CBR (Case Based
Reasoning).

3. Basados en redes bayesianas.

4. En cada uno de ellos, la solución a un
problema planteado se obtiene:

Aplicando reglas heurísticas apoyadas
generalmente en lógica difusa para su evaluación y
aplicación.

1. Aplicando el razonamiento basado en casos, donde la
solución a un problema similar planteado con anterioridad
se adapta al nuevo problema.

2. Aplicando redes bayesianas, basadas en
estadística y el teorema de Bayes.

Ventajas y
Desventajas de los Sistemas Expertos

Ventajas.

• 1. Permanencia: A diferencia de un experto
  humano un SE (sistema experto) no envejece, y por tanto no
  sufre pérdida de facultades con el paso del
  tiempo.

• 2. Replicación: Una vez programado un SE
  lo podemos replicar infinidad de veces.

• 3. Rapidez: Un SE puede obtener
  información de una base de datos y realizar
  cálculos numéricos mucho más
  rápido que cualquier ser humano.

• 4. Bajo costo: A pesar de que el costo inicial
  pueda ser elevado, gracias a la capacidad de
  duplicación el coste finalmente es bajo.

• 5. Entornos peligrosos: Un SE puede trabajar en
  entornos peligrosos o dañinos para el ser
  humano.

• 6. Fiabilidad: Los SE no se ven afectados por
  condiciones externas, un humano sí (cansancio,
  presión, etc.).

• 7. Consolidar varios conocimientos.

• 8. Apoyo Académico.

Desventajas.

• 1. Sentido común: Para un Sistema
  Experto no hay nada obvio. Por ejemplo, un sistema experto
  sobre medicina podría admitir que un hombre lleva 40
  meses embarazado, a no ser que se especifique que esto no es
  posible ya que un hombre no puede gestar hijos.

• 2. Lenguaje natural: Con un experto humano
  podemos mantener una conversación informal mientras
  que con un SE no podemos.

• 3. Capacidad de aprendizaje: Cualquier persona
  aprende con relativa facilidad de sus errores y de errores
  ajenos, que un SE haga esto es muy complicado.

• 4. Perspectiva global: Un experto humano es
  capaz de distinguir cuales son las cuestiones relevantes de
  un problema y separarlas de cuestiones
  secundarias.

• 5. Capacidad sensorial: Un SE carece de
  sentidos.

• 6. Flexibilidad: Un humano es sumamente
  flexible a la hora de aceptar datos para la resolución
  de un problema.

• 7. Conocimiento no estructurado: Un SE no es
  capaz de manejar conocimiento poco estructurado.

Estructura
Básico de un Sistema Experto

Un Sistema Experto está conformado
por:

• 1. Especialistas Humanos

• 2. Ingenieros en Conocimientos.

• 3. Base de conocimientos (BC): Contiene
  conocimiento modelado extraído del diálogo con
  un experto.

• 4. Base de hechos (Memoria de trabajo):
  contiene los hechos sobre un problema que se ha descubierto
  durante el análisis.

• 5. Motor de inferencia: Modela el proceso de
  razonamiento humano.

• 6. Módulos de justificación:
  Explica el razonamiento utilizado por el sistema para llegar
  a una determinada conclusión.

• 7. Interfaz de usuario: es la
  interacción entre el SE y el usuario, y se realiza
  mediante el lenguaje natural.

Tareas que realiza un
Sistema Experto

Diseño.

Diseño es el proceso de especificar una
descripción de un artefacto que satisface varias
características desde un número de fuentes de
conocimiento.

El diseño se concibe de distintas
formas:

• 1. El diseño en ingeniería es el
  uso de principios científicos, información
  técnica e imaginación en la definición
  de una estructura mecánica, máquina o sistema
  que ejecute funciones específicas con el máximo
  de economía y eficiencia.

• 2. El diseño industrial busca rectificar
  las omisiones de la ingeniería, es un intento
  consciente de traer forma y orden visual a la
  ingeniería de hardware donde la tecnología no
  provee estas características.

Los Sistemas Expertos en diseño ven este proceso
como un problema de búsqueda de una solución
óptima o adecuada. Las soluciones alternas pueden ser
conocidas de antemano o se pueden generar automáticamente
probándose distintos diseños para verificar
cuáles de ellos cumplen los requerimientos solicitados por
el usuario, ésta técnica es llamada
"generación y prueba", por lo tanto estos SE son llamados
de selección. En áreas de aplicación, la
prueba se termina cuando se encuentra la primera solución;
sin embargo, existen problemas más complejos en los que el
objetivo es encontrar la solución
óptima.

Monitorización.

La monitorización es un caso
particular de la interpretación, y consiste en la
comparación continua de los valores de las señales
o datos de entrada y unos valores que actúan como
criterios de normalidad o estándares. En el campo del
mantenimiento predictivo los Sistemas Expertos se utilizan
fundamentalmente como herramientas de diagnóstico. Se
trata de que el programa pueda determinar en cada momento el
estado de funcionamiento de sistemas complejos,
anticipándose a los posibles incidentes que pudieran
acontecer. Así, usando un modelo computacional del
razonamiento de un experto humano, proporciona los mismos
resultados que alcanzaría dicho experto.

Planificación.

La planificación es la realización de
planes o secuencias de acciones y es un caso particular de la
simulación. Está compuesto por un simulador y un
sistema de control. El efecto final es la ordenación de un
conjunto de acciones con el fin de conseguir un objetivo
global.

Los problemas que presentan la planificación
mediante SE son los siguientes:

• 1. Existen consecuencias no previsibles, de
  forma que hay que explorar y explicar varios
  planes.

• 2. Existen muchas consideraciones que deben ser
  valoradas o incluirles un factor de peso.

• 3. Suelen existir interacciones entre planes de
  sus objetivos diversos, por lo que deben elegirse soluciones
  de compromiso.

• 4. Trabajo frecuente con incertidumbre, pues la
  mayoría de los datos con los que se trabaja son
  más o menos probables pero no seguros.

• 5. Es necesario hacer uso de fuentes diversas
  tales como bases de datos.

Control.

Un sistema de control participa en la realización
de las tareas de interpretación, diagnóstico y
reparación de forma secuencial. Con ello se consigue
conducir o guiar un proceso o sistema. Los sistemas de control
son complejos debido al número de funciones que deben
manejar y el gran número de factores que deben considerar;
esta complejidad creciente es otra de las razones que apuntan al
uso del conocimiento, y por tanto de los Sistema
Expertos.

Cabe aclarar que los sistemas de control pueden ser en
lazo abierto, si en el mismo la realimentación o el paso
de un proceso a otro lo realiza el operador, o en lazo cerrado si
no tiene que intervenir el operador en ninguna parte del mismo.
Reparación, correcta o terapia.

La reparación, corrección, terapia o
tratamiento consiste en la proposición de las acciones
correctoras necesarias para la resolución de un problema.
Los SE en reparación tienen que cumplir diversos
objetivos, como son: Reparación lo más
rápida y económicamente posible. Orden de las
reparaciones cuando hay que realizar varias. Evitar los efectos
secundarios de la reparación, es decir la aparición
de nuevas averías por la reparación.

Simulación.

La simulación es una técnica que
consistente en crear modelos basados en hechos, observaciones e
interpretaciones sobre la computadora, a fin de estudiar el
comportamiento de los mismos mediante la observación de
las salidas para un conjunto de entradas. Las técnicas
tradicionales de simulación requieren modelos
matemáticos y lógicos, que describen el
comportamiento del sistema bajo estudio.

El empleo de los SE para la simulación viene
motivado por la principal característica de los SE, que es
su capacidad para la simulación del razonamiento de un
experto humano, que es un proceso complejo.

En la aplicación de los SE para simulación
hay que diferenciar cinco configuraciones posibles:

• Un SE puede disponer de un simulador con el fin de
  comprobar las soluciones y en su caso rectificar el proceso
  que sigue.

• Un sistema de simulación puede contener como
  parte del mismo a un SE y por lo tanto el SE no tiene que ser
  necesariamente de simulación.

• Un SE puede controlar un proceso de
  simulación, es decir que el modelo está en la
  base de conocimiento del SE y su evolución es
  función de la base de hechos, la base de conocimientos
  y el motor de inferencia, y no de un conjunto de ecuaciones
  aritmético – lógicas.

• Un SE puede utilizarse como consejero del usuario y
  del sistema de simulación.

• Un SE puede utilizarse como máscara o sistema
  frontal de un simulador con el fin de que el usuario reciba
  explicación y justificación de los
  procesos.

Instrucción.

Un sistema de instrucción realizara un
seguimiento del proceso de aprendizaje. El sistema detecta
errores ya sea de una persona con conocimientos e identifica el
remedio adecuado, es decir, desarrolla un plan de
enseñanza que facilita el proceso de aprendizaje y la
corrección de errores.

Recuperación de
información.

Los Sistemas Expertos, con su capacidad para combinar
información y reglas de actuación, han sido vistos
como una de las posibles soluciones al tratamiento y
recuperación de información, no sólo
documental. La década de 1980 fue prolija en
investigación y publicaciones sobre experimentos de este
orden, interés que continua en la actualidad.

Lo que diferencia a estos sistemas de un sistema
tradicional de recuperación de información es que
éstos últimos sólo son capaces de recuperar
lo que existe explícitamente, mientras que un Sistema
Experto debe ser capaz de generar información no
explícita, razonando con los elementos que se le dan. Pero
la capacidad de los SE en el ámbito de la
recuperación de la información no se limita a la
recuperación. Pueden utilizarse para ayudar al usuario, en
selección de recursos de información, en filtrado
de respuestas. Un SE puede actuar como un intermediario
inteligente que guía y apoya el trabajo del usuario
final.

Sistemas de
Inteligencia Artificial

Es un área multidisciplinaria que, a
través de ciencias como la informática, la
lógica y la filosofía, estudia la creación y
diseño de entidades capaces de resolver cuestiones por
sí mismas utilizando como paradigma la inteligencia
humana.

General y amplio como eso, reúne a amplios
campos, los cuales tienen en común la creación de
máquinas capaces de pensar. En ciencias de la
computación se denomina inteligencia artificial a la
capacidad de razonar de un agente no vivo. John McCarthy
acuñó la expresión inteligencia artificial
en 1956, y la definió así: Es la ciencia e ingenio
de hacer máquinas inteligentes, especialmente programas de
cómputo inteligentes.

• 1. Búsqueda del estado requerido en el
  conjunto de los estados producidos por las acciones
  posibles.

• 2. Algoritmos genéticos (análogo
  al proceso de evolución de las cadenas de
  ADN).

• 3. Redes neuronales artificiales
  (análogo al funcionamiento físico del cerebro
  de animales y humanos).

• 4. Razonamiento mediante una lógica
  formal análogo al pensamiento abstracto
  humano.

Existen distintos tipos de percepciones y acciones, que
pueden ser obtenidas y producidas, respectivamente, por sensores
físicos y sensores mecánicos en máquinas,
pulsos eléctricos u ópticos en computadoras, tanto
como por entradas y salidas de bits de un software y su entorno
software.

En el año 2011 IBM desarrolló una
supercomputadora llamada Watson, la cual ganó una ronda de
tres juegos seguidos de Jeopardy!, venciendo a sus dos
máximos campeones, y ganando un premio de 1 millón
de dólares que IBM luego donó a obras de
caridad.10

Existen personas que al dialogar sin saberlo con un
chatbot no se percatan de hablar con un programa, de modo tal que
se cumple la prueba de Turing como cuando se formuló:
Existirá Inteligencia Artificial cuando no seamos capaces
de distinguir entre un ser humano y un programa de computadora en
una conversación a ciegas.

Categorías de
la inteligencia artificial

Stuart Russell y Peter Norvig diferencian estos tipos de
la inteligencia artificial:

• 1. Sistemas que piensan como humanos. Estos
  sistemas tratan de emular el pensamiento humano; por ejemplo
  las redes neuronales artificiales. La automatización
  de actividades que vinculamos con procesos de pensamiento
  humano, actividades como la Toma de decisiones,
  Resolución de problemas y aprendizaje.

• 2. Sistemas que actúan como humanos.
  Estos sistemas tratan de actuar como humanos; es decir,
  imitan el comportamiento humano; por ejemplo la
  robótica. El estudio de cómo lograr que los
  computadores realicen tareas que, por el momento, los humanos
  hacen mejor.

• 3. Sistemas que piensan racionalmente. Es
  decir, con lógica (idealmente), tratan de imitar o
  emular el pensamiento lógico racional del ser humano;
  por ejemplo los sistemas expertos. El estudio de los
  cálculos que hacen posible percibir, razonar y
  actuar.

• 4. Sistemas que actúan racionalmente
  (idealmente) Tratan de emular de forma racional el
  comportamiento humano; por ejemplo los agentes inteligentes.
  Está relacionado con conductas inteligentes en
  artefactos.

Escuelas de pensamiento.

La Inteligencia Artificial se divide en dos escuelas de
pensamiento:

Inteligencia artificial
convencional.

Se conoce también como Inteligencia Artificial
simbólico-deductiva. Está basada en el
análisis formal y estadístico del comportamiento
humano ante diferentes problemas:

• 1. Razonamiento basado en casos: Ayuda a tomar
  decisiones mientras se resuelven ciertos problemas concretos
  y, aparte de que son muy importantes, requieren de un buen
  funcionamiento.

• 2. Sistemas expertos: Infieren una
  solución a través del conocimiento previo del
  contexto en que se aplica y ocupa de ciertas reglas o
  relaciones.

• 3. Redes bayesianas: Propone soluciones
  mediante inferencia probabilística.

• 4. Inteligencia artificial basada en
  comportamientos: Esta inteligencia contiene autonomía
  y puede auto-regularse y controlarse para mejorar.

• 5. Smart process management: Facilita la toma
  de decisiones complejas, proponiendo una solución a un
  determinado problema al igual que lo haría un
  especialista en la dicha actividad.

Inteligencia artificial computacional.

La Inteligencia Computacional (también conocida
como IA su simbólica-inductiva) implica desarrollo o
aprendizaje interactivo (por ejemplo, modificaciones interactivas
de los parámetros en sistemas conexionistas). El
aprendizaje se realiza basándose en datos
empíricos.

La inteligencia
artificial y los sentimientos.

El concepto de IA es aún demasiado
difuso. Contextualizando, y teniendo en cuenta un punto de vista
científico, podríamos englobar a esta ciencia como
la encargada de imitar una persona, y no su cuerpo, sino imitar
al cerebro, en todas sus funciones, existentes en el humano o
inventadas sobre el desarrollo de una máquina
inteligente.

A veces, aplicando la definición de
Inteligencia Artificial, se piensa en máquinas
inteligentes sin sentimientos, que «obstaculizan»
encontrar la mejor solución a un problema dado. Muchos
pensamos en dispositivos artificiales capaces de concluir miles
de premisas a partir de otras premisas dadas, sin que
ningún tipo de emoción tenga la opción de
obstaculizar dicha labor.

La mayoría de los investigadores en el
ámbito de la Inteligencia Artificial se centran
sólo en el aspecto racional, muchos de ellos consideran
seriamente la posibilidad de incorporar componentes emotivos como
indicadores de estado, a fin de aumentar la eficacia de los
sistemas inteligentes.

Hay que saber que ya existen sistemas inteligentes.
Capaces de tomar decisiones,  la mayoría de los
investigadores en el ámbito de la Inteligencia Artificial
se centran sólo en el aspecto racional, muchos de ellos
consideran seriamente la posibilidad de incorporar componentes
emotivos como indicadores de estado, a fin de aumentar la
eficacia de los sistemas inteligentes.

Al tener sentimientos al menos potencialmente,
motivaciones, podrán actuar de acuerdo con sus
intenciones, se podría equipar a un robot con dispositivos
que controlen su medio interno; por ejemplo, que sientan hambre
al detectar que su nivel de energía está
descendiendo o que sientan miedo cuando aquel esté
demasiado bajo. Esta señal podría interrumpir los
procesos de alto nivel y obligar al robot a conseguir el preciado
elemento. Incluso se podría introducir el dolor o el
sufrimiento físico, a fin de evitar las torpezas de
funcionamiento como, por ejemplo, introducir la mano dentro de
una cadena de engranajes o saltar desde una cierta altura, lo
cual le provocaría daños irreparables.

Esto significa que los sistemas inteligentes deben ser
dotados con mecanismos de retroalimentación que les
permitan tener conocimiento de estados internos, igual que sucede
con los humanos que disponen de propiocepción,
interocepción, nocicepción, etcétera. Esto
es fundamental tanto para tomar decisiones como para conservar su
propia integridad y seguridad.

A los sistemas inteligentes el no tener en cuenta
elementos emocionales les permite no olvidar la meta que deben
alcanzar. En los humanos el olvido de la meta o el abandonar las
metas por perturbaciones emocionales es un problema que en
algunos casos llega a ser incapacitante. Los sistemas
inteligentes, al combinar una memoria durable, una
asignación de metas o motivación, junto a la toma
de decisiones y asignación de prioridades con base en
estados actuales y estados meta, logran un comportamiento en
extremo eficiente, especialmente ante problemas complejos y
peligrosos.

Criticas

Las principales críticas a la inteligencia
artificial tienen que ver con su capacidad de imitar por completo
a un ser humano. Estas críticas ignoran que ningún
humano individual tiene capacidad para resolver todo tipo de
problemas, y autores como Howard Gardner han propuesto que
existen inteligencias múltiples. Un sistema de
inteligencia artificial debería resolver problemas. Por lo
tanto es fundamental en su diseño la delimitación
de los tipos de problemas que resolverá y las estrategias
y algoritmos que utilizará para encontrar la
solución.

En los humanos la capacidad de resolver problemas tiene
dos aspectos: los aspectos innatos y los aspectos aprendidos. Los
aspectos innatos permiten por ejemplo almacenar y recuperar
información en la memoria y los aspectos aprendidos el
saber resolver un problema matemático mediante el
algoritmo adecuado. Del mismo modo que un humano debe disponer de
herramientas que le permitan solucionar ciertos problemas, los
sistemas artificiales deben ser programados de modo tal que
puedan resolver ciertos problemas.

Muchas personas consideran que el test de Turing ha sido
superado, citando conversaciones en que al dialogar con un
programa de inteligencia artificial para chat no saben que hablan
con un programa. Esta situación no es equivalente a un
test de Turing, que requiere que el participante esté
sobre aviso de la posibilidad de hablar con una
máquina.

Otros experimentos mentales como la Habitación
china de John Searle han mostrado cómo una máquina
podría simular pensamiento sin tener que tenerlo, pasando
el test de Turing sin siquiera entender lo que hace. Esto
demostraría que la máquina en realidad no
está pensando, ya que actuar de acuerdo con un programa
preestablecido sería suficiente. Si para Turing el hecho
de engañar a un ser humano que intenta evitar que le
engañen es muestra de una mente inteligente, Searle
considera posible lograr dicho efecto mediante reglas definidas a
priori.

Uno de los mayores problemas en sistemas de inteligencia
artificial es la comunicación con el usuario. Este
obstáculo es debido a la ambigüedad del lenguaje, y
apareció ya en los inicios de los primeros sistemas
operativos informáticos. La capacidad de los humanos para
comunicarse entre sí implica el conocimiento del lenguaje
que utiliza el interlocutor. Para que un humano pueda comunicarse
con un sistema inteligente hay dos opciones: o bien el humano
aprende el lenguaje del sistema como si aprendiese a hablar
cualquier otro idioma distinto al nativo, o bien el sistema tiene
la capacidad de interpretar el mensaje del usuario en la lengua
que el usuario utiliza.

Los desarrollos en inteligencia artificial son mayores
en los campos disciplinares en los que existe mayor consenso
entre especialistas. Un sistema experto es más probable de
ser programado en física o en medicina que en
sociología o en psicología. Esto se debe al
problema del consenso entre especialistas en la definición
de los conceptos involucrados y en los procedimientos y
técnicas a utilizar. Por ejemplo, en física hay
acuerdo sobre el concepto de velocidad y cómo calcularla.
Sin embargo, en psicología se discuten los conceptos, la
etiología, la psicopatología y cómo proceder
ante cierto diagnóstico. Esto dificulta la creación
de sistemas inteligentes porque siempre habrá desacuerdo
sobre lo que se esperaría que el sistema haga. A pesar de
esto hay grandes avances en el diseño de sistemas expertos
para el diagnóstico y toma de decisiones en el
ámbito médico y psiquiátrico.

Sistema de Lenguaje
natural

Permite la comunicación entre humanos y
máquinas, donde los fenómenos
lingüísticos, como los verbos, frases y
cláusulas actúan como controles de la interfaz de
usuario para crear, seleccionar y modificar datos en las
aplicaciones de software.

En el diseño de la interfaz de lenguaje natural
los interfaces son buscados por su velocidad y facilidad de uso,
pero además hay factores como la comprensión, que
añaden una dificultad significativa, ya que podemos
encontrar entradas ambiguas en el sistema

El Lenguaje Natural compone un área activa de
estudio en el campo del procesamiento de la
lingüística computacional. Una intuitiva interfaz de
lenguaje natural en general es uno de los grandes objetivos
activos de la Web Semántica.

Es importante tener en cuenta que las interfaces de
texto son naturales en diversos grados, y que muchos lenguajes de
programación formal (no natural) incorporan idiomas de
lenguaje natural humano. Del mismo modo, un motor tradicional de
búsqueda de palabras clave podría ser descrito como
una interfaz de usuario de la lengua natural
superficial.

A lo largo de la historia los lenguajes naturales han
ido evolucionando, de forma paralela al desarrollo y
evolución de la especie humana. En los últimos
años, las aplicaciones diseñadas han intentado
promover la comunicación entre humanos y máquinas
por lo que se han incluido técnicas de reconocimiento de
voz. Hoy en día el campo del reconocimiento de lenguaje
natural está trabajando para mejorar los resultados,
superando las diferentes dificultades que se comentan más
adelante.

Los primeros contactos con la interfaz de usuario de
lenguaje natural datan de los años sesenta y setenta de la
mano del prototipo NI

• Lunar: una interfaz de lenguaje natural en
  conexión a una base de datos con análisis
  químicos de las rocas lunares de Apolo-11
  por William A. Woods.

• Chat-80: transforma preguntas en
  inglés en expresiones Prolog, las cuales fueron
  evaluados en relación con la base de datos Prolog. El
  código de la charla-80 fue ampliamente difundido, y
  formó la base de muchas otras interfaces
  experimentales Nl.

• Janus: es también uno de los pocos
  sistemas de apoyo a las cuestiones temporales.

• Intellect de Trinzic: (formado
  por la fusión de AICorp y Aion).

• Bbn"s Parlance: construido sobre la
  experiencia del desarrollo de los
  sistemas Rus e Irus.

• IBM Languageaccess

• Q&A de Symantec.

• Datatalker de Natural Language
  Inc.

• Loqui de Bim.

• English Wizard de Linguistic Technology
  Corporation.

Procesado y reconocimiento del Lenguaje
Natural.

Dificultades del reconocimiento.

Los sistemas de reconocimiento se pueden dividir en dos
tipos principales. Sistemas de reconocimiento de patrones
entrenados, éste compara los patrones con otros patrones
ya conocidos y clasificados para determinar la similitud y por
tanto el reconocimiento. Y por otro lado tenemos los Sistemas
fonéticos que utilizan el conocimiento del cuerpo humano
(la producción del habla y audición) para comparar
las características del lenguaje (fonética, tales
como sonidos de las vocales). Los sistemas más modernos se
centran en el enfoque de reconocimiento de patrones, ya que
combina muy bien con las técnicas de computación
actual y tiende a tener una mayor precisión.

Aun así existen una serie de factores que
dificultan estos procesos, ya que influyen en el tratado de la
señal y por tanto en el reconocimiento. Algunos de ellos
son los siguientes:

• La variación fonética
  inter-locutor e intra-locutor: La variación
  inter-locutor, da lugar a que cuando se está emitiendo
  una secuencia concreta de palabras, con el mismo estilo de
  habla, y sin diferencias geográficas o sociales, aun
  así existan variaciones en el lenguaje. Por otro lado
  la variación intra-locutor, estudia qué cambia
  en cada persona cuando habla espontáneamente o cuando
  lee.

• Los estilos de habla: Entre todos los hablantes
  existe un amplio repertorio de estilos que pueden modificar
  la inteligibilidad de la palabra. El estilo depende del grado
  de atención del hablante hacia las
  características de su propia producción
  lingüística"(William Labov).

• Las difluencias en el habla espontánea: En
  este apartado podemos encontrar un amplio conjunto de
  variaciones que cambian la fluidez de la
  lingüística. Entre ellas encontramos las pausas,
  repeticiones, palabras truncadas, alargamientos
  vocálicos, interrupciones, frases inacabadas e incluso
  variaciones en la velocidad.

• Las características del entorno: Por
  último tenemos el factor externo al locutor, y no por
  ello menos importante, debido a que las variaciones
  ambientales del entorno pueden entorpecer significativamente
  el procesado de la señal. En este caso nos encontramos
  con ruidos que pueden distorsionar o enmascarar, y cambios de
  sonido ambiente que pueden modificar la señal de forma
  transitoria.

Tratamiento de la señal.

La implementación de un sistema de reconocimiento
de lenguaje natural, conlleva el tratamiento de la señal
acústica, pasando por diferentes bloques que nos
ayudarán a extraer las características necesarias
para implementar el sistema. Éste tratamiento lo
podríamos resumir con los siguientes apartados:

1. El primer paso es la captura de la señal
de voz. Se utiliza un micrófono que a través de un
convertidor CAD(Conversor Analógico/Digital) convierte la
señal acústica en una señal
eléctrica, a la cual se le realiza la extracción de
parámetros. En este paso existe una dificultad
añadida, provocada por la no linealidad y
perdida de frecuencias introducido por el sistema
micrófono/convertidor.

2. La siguiente etapa es la segmentación y el
etiquetado, aquí el sistema intenta encontrar las regiones
estables donde las características son constantes. Uno de
las técnicas más utilizadas es la
utilización de solapamiento entre el enventanado, para
evitar dejar parte de señal sin analizar. En este nivel
además se suelen aplicar filtros de normalización y
pre-énfasis, con los cuales se prepara la señal
para ser procesada.

3. En tercer lugar se realiza el cálculo de
parámetros, lo que proporciona una representación
espectral de las características de la señal de voz
que podemos utilizar para entrenar el sistema de reconocimiento
(HMM, Redes neuronales, entre otros). Los métodos
más comunes en esta etapa son el análisis de banco
de filtros y LPC. Para el cálculo de coeficientes que
caracterizan la señal se sigue un patrón de bloques
estandarizado por la ETSI.

Objetivos Generales

La interfaz de lenguaje natural en el pasado dio lugar a
los usuarios que querían antropomorfizar sus equipos, o al
menos atribuir más inteligencia que la que garantizan.
Esto conduce a expectativas poco realistas de las capacidades del
sistema por parte del usuario. Tales expectativas hacen
difícil aprender las restricciones del sistema, y si ellos
les atribuyen un exceso de capacidad, esto dará lugar a la
decepción cuando el sistema no funcione como se
espera.

• Modificador de unión

La pregunta de "Lista de todos los empleados de la
empresa con un permiso de conducir" es ambigua a menos que sepa
que las compañías no pueden tener licencias de
conducir.

• Conjunción y
  disyunción

"Lista de todos los solicitantes que viven en California
y Arizona." Es ambiguo a menos que se sepa que una persona no
puede vivir en dos lugares a la vez.

• Resolución de
  la anáfora

Resuelve lo que un usuario quiere decir por el
'él', 'ella' o 'esto', en una consulta
auto-referencial

Otros objetivos a tener en cuenta de forma más
general son la velocidad y eficiencia del sistema interfaz, como
en cualquier otro algoritmo estos dos puntos son los
que determinarán que unas técnicas sean mejores que
otras y por tanto que tengan mayor éxito en el
mercado.

Por último, respecto a las técnicas
utilizadas, el principal problema a resolver es el de crear un
algoritmo general que pueda reconocer todos los tipos de voces,
sin diferenciar entre nacionalidad, sexo o edad. Ya que pueden
existir diferencias significativas entre las
características extraídas a varios locutores que
pronuncian la misma palabra o frase.

Utilidades y
Aplicaciones

La interfaz de lenguaje natural y su reconocimiento con
resultados satisfactorios, dan lugar a que esta tecnología
pueda ser utilizada para diferentes usos y aplicaciones.
Algunos de los principales usos son:

• Dictado: éste es el uso más
  común para los sistemas de ASR en la
  actualidad. Esto incluye transcripciones médicas,
  dictados legales y comerciales, así como procesamiento
  de textos en general.

• Aplicaciones de mando y control: estos
  sistemas están diseñados para realizar
  funciones y acciones, un ejemplo sería la
  telefonía.

• Medicina y discapacidad: muchas personas
  tienen dificultades para escribir, debido a limitaciones
  físicas, la distrofia, y muchos otros. Por ejemplo,
  las personas con problemas auditivos pueden usar un sistema
  conectado a su teléfono para convertir el discurso de
  la persona que llama en texto.

• Aplicaciones integradas: algunos
  teléfonos móviles más modernos incluyen
  reconocimiento de voz que permiten expresiones como "Call
  Home". Esto podría significar un factor importante en
  el futuro de las interfaces del reconocimiento de lenguaje
  natural.

Aplicaciones que utilizan el reconocimiento de
Lenguaje Natural.

Ubiquity: es un servicio online que
responde a las consultas directamente mediante un cálculo
de la respuesta a partir de datos estructurados, en lugar de
proporcionar una lista de documentos o páginas web que
podrían contener la respuesta como un motor de
búsqueda. Fue anunciado en marzo de 2009
por Stephen Wolfram, y fue lanzado al público
el 15 de mayo de 2009.

Siri: es una aplicación de
asistente personal para iPhone OS. La aplicación
utiliza el procesamiento del lenguaje natural para
responder a las preguntas y hacer recomendaciones. La
aplicación para el iPhone es el primer producto publicado
por sus creadores, que se centra en aplicaciones
de inteligencia artificial. El grupo de marketing de la
compañía asegura que Siri se adapta a las
preferencias individuales del usuario a través del tiempo
y personaliza los resultados, para completar tareas como hacer
una reserva para una cena.

Wolfram Alpha: es un servicio online que
responde a las consultas directamente mediante un cálculo
de la respuesta a partir de datos estructurados, en lugar de
proporcionar una lista de documentos o páginas web que
podrían contener la respuesta como un motor de
búsqueda. Fue anunciado en marzo de 2009
por Stephen Wolfram, y fue lanzado al público
el 15 de mayo de 2009.

Aprendizaje de Maquina.

Es una rama de la inteligencia artificial
cuyo objetivo es desarrollar técnicas que permitan a las
computadoras aprender. De forma más concreta, se trata de
crear programas capaces de generalizar comportamientos a partir
de una información no estructurada suministrada en forma
de ejemplos. Un proceso de inducción del conocimiento. En
muchas ocasiones el campo de actuación del aprendizaje
automático se solapa con el de la estadística, ya
que las dos disciplinas se basan en el análisis de
datos.

El aprendizaje automático se centra
más en el estudio de la complejidad computacional de los
problemas. Muchos problemas son de clase NP-hard, por lo que gran
parte de la investigación realizada en aprendizaje
automático está enfocada al diseño de
soluciones factibles a esos problemas. El aprendizaje
automático puede ser visto como un intento de automatizar
algunas partes del método científico mediante
métodos matemáticos

El aprendizaje automático tiene una
amplia gama de aplicaciones, incluyendo motores de
búsqueda, diagnósticos médicos,
detección de fraude en el uso de tarjetas de
crédito, análisis del mercado de valores,
clasificación de secuencias de ADN, reconocimiento del
habla y del lenguaje escrito, juegos y
robótica.

Interacción
Hombre-Máquina.

Algunos sistemas de Aprendizaje
Automático intentan eliminar toda necesidad de
intuición o conocimiento experto de los procesos de
análisis de datos, mientras otros tratan de establecer un
marco de colaboración entre el experto y la computadora.
La intuición humana no puede ser reemplazada en su
totalidad, ya que el diseñador del sistema ha de
especificar la forma de representación de los datos y los
métodos de manipulación y caracterización de
los mismos. Sin embargo, las computadoras son utilizadas por todo
el mundo con fines tecnológicos muy buenos.

Tipos de Algoritmos.

Los diferentes algoritmos de Aprendizaje
Automático se agrupan en una taxonomía en
función de la salida de los mismos. Algunos tipos de
algoritmos son:

Aprendizaje supervisado