El razonamiento basado en casos: una vía para el diseño de engranes

Resumen

Con el objetivo de mejorar la reutilización de
experiencias de los sistemas CAD (Computer Aided Design)
(Diseño Asistido por Computadoras) actuales y no permitir
que se pierda la experiencia acumulada por los diseñadores
durante años, se hace necesario acudir a técnicas
de avanzada en la computación y dentro de ellas las
técnicas de Inteligencia Artificial (IA).

Es por ello que en esta monografía se dan algunos
rasgos y definiciones de la IA. Se realiza una
caracterización de los Sistemas Basados en el Conocimiento
(SBCo), su desarrollo y tipos existentes. Se analiza cómo
el proceso de adquisición de conocimiento en lo relativo a
la creación de la Base de Conocimientos (BC) ha motivado
el desarrollo de nuevas tecnologías, en particular se
describe el Razonamiento Basado en Casos (RBC) como un
escalón superior y se comenta acerca de varios Sistemas
Basados en Casos (SBCa) que existen en la actualidad en
áreas como el diagnóstico, el diseño y la
planificación; se amplía en los referidos al
diseño.

Introducción

La IA es una rama de la Ciencia de la Computación
dedicada a la creación de hardware y software que intenta
producir resultados similares a los producidos por los humanos.
[1]

IA es un término que se acompaña de muchas
definiciones; así por ejemplo, muchos expertos
están de acuerdo en que a la IA le conciernen dos ideas
básicas: la primera es que ésta involucra el
estudio de los procesos del pensamiento de los humanos y la
segunda que trata de representar estos procesos en una
computadora [2].

Existe un conjunto de problemas que cae dentro del radio
de acción de la IA, entre los que se pueden citar:
[3-5]

Juegos

• Demostración de teoremas

• Resolución general de problemas

• Percepción:

– Visión

– Habla

• Comprensión del lenguaje natural

• Robótica

• Resolución de problemas expertos (sistemas
  expertos):

–Matemática simbólica

-Diagnosis médica

–Análisis químico

-Diseño en ingeniería

Uno de los primeros proyectos de los investigadores de
la IA fue el desarrollo del intelecto artificial. Este proyecto
concebía a la computadora con dotes para almacenar y
manipular todo el conocimiento general existente, con el fin de
desempeñar funciones inteligentes. Precisamente estas
ideas traían aparejado el diseño de métodos
generales de solución, los cuales constituirían
métodos de inferencia poderosos y universales.
[3]

Sin embargo, en la década de los años 70
se reconoció que era impracticable trabajar con estos
tipos de métodos a la hora de enfrentar aplicaciones
prácticas. Se determinó que era necesario
conocimiento específico sobre el problema, limitado a los
dominios de aplicación de interés, en lugar de
conocimiento general aplicable a muchos dominios. Este
reconocimiento condujo al desarrollo de los llamados Sistemas
Expertos (SE). [5]

Un SE puede concebirse como un sistema computarizado que
usa conocimiento sobre algún dominio para llegar a una
solución de un problema de ese dominio, siendo esa
solución la misma que la obtenida por una persona
experimentada en el dominio del problema cuando se enfrenta a
él. Uno de sus objetivos es mejorar la productividad e
incrementar la fuerza de trabajo en muchas áreas
especializadas donde se hace difícil encontrar y mantener
los expertos humanos [2]. Sin embargo, esto no es una
definición porque pudiera ser aplicada a programas que no
se consideran SE.

Realmente, los SE se caracterizan por más rasgos
y no simplemente por el hecho de duplicar conocimiento y
experticidad de un experto humano para un dominio
específico. Los conceptos fundamentales relativos a los SE
que lo distinguen de los programas algorítmicos
convencionales y de los programas basados en búsqueda
general son: [3]

• La separación del conocimiento de cómo
  éste es usado (distinción entre conocimiento y
  estrategia de control).

• El uso de conocimiento muy específico del
  dominio.

• Naturaleza heurística en lugar de
  algorítmica del conocimiento empleado.

• No requieren completitud y pueden dar varias
  soluciones.

Frecuentemente se usan de forma indistinta los
términos SE y SBCo. No obstante, algunos autores los
diferencian, limitando el nombre de SE al caso en que se utiliza
conocimiento experto (conocimiento privado) y además el
sistema exhibe amplias facilidades de explicación. [2],
[3], [5],

Otro enfoque de la IA es el denominado como Inteligencia
Artificial Conexionista (IAC), el cual generalmente se identifica
con las Redes Neuronales Artificiales. En éste la
búsqueda de soluciones es un proceso paralelo de
cálculo de niveles de activación de las neuronas,
el conocimiento se formaliza como un conjunto de pesos asociados
a los enlaces entre las neuronas de la red y para el aprendizaje
se utilizan diferentes algoritmos con el objetivo de ajustar los
pesos de la red neuronal artificial. [6]

El empleo del enfoque conexionista para el desarrollo de
SBCo ofrece entre sus ventajas principales el hecho de no
necesitar expertos al cual extraerle el conocimiento, pues el
conocimiento lo adquieren a partir de ejemplos. No obstante,
tienen también desventajas, entre las cuales se pueden
citar: necesidad de gran cantidad de ejemplos y no poder explicar
cómo alcanza los resultados. Por esta razón, se
trabaja en la actualidad en buscar la combinación de
enfoques, lo cual ha conllevado al desarrollo de sistemas
híbridos con el objetivo de aprovechar las bondades de los
modelos y minimizar las debilidades de cada uno. [7]

La programación de los SBCo incluye como aspecto
fundamental la formalización del conocimiento, la cual
hace uso de la representación explícita del
conocimiento a utilizar por el sistema, de su
interpretación y manipulación lógica por
medio de mecanismos de inferencia, que permitan deducir nuevo
conocimiento a partir del que ya se conoce. [1]

Este trabajo se plantea precisamente eso, la
formalización del conocimiento en el campo del
diseño, dentro de ciertos límites, la
representación explícita de ese conocimiento, su
interpretación y manipulación lógica para
obtener un SBCa.

Caracterización de los Sistemas
Basados en el Conocimiento

Los SBCo constituyen un modelo computacional de
más alto nivel que el paradigma de la programación
convencional, los cuales están formados por tres
componentes básicas: la base de conocimientos (BC), la
máquina de Inferencia (MI) y la interfaz con el usuario.
En la BC se almacena el conocimiento necesario para resolver los
problemas del dominio de aplicación, atendiendo a una
forma de representación del conocimiento (FRC), y la MI es
un procedimiento basado en un esquema de razonamiento o
método de solución de problemas (MSP) que utiliza
el conocimiento para resolver los problemas de ese
dominio.[8]

El MSP que se utiliza también viene determinado,
generalmente, por el tipo de conocimiento. Estos métodos
se pueden clasificar en base a la cantidad y especificidad del
conocimiento sobre el dominio que ellos utilizan. Así por
ejemplo, si el dominio del conocimiento no está
estructurado y no hay experiencias pasadas se utilizan
métodos de búsqueda a ciegas: [primero a lo ancho
(breadth-first search), primero en profundidad (depth-first
search)] o los métodos heurísticos de
carácter general [primero el mejor (best-first),
ascensión de colinas (hillclimbing), etc.].[8] Si existe
conocimiento específico del dominio como planes de
solución de problemas tipos, éstos se pueden
instanciar, directamente. Si no hay planes específicos,
pero el problema a resolver es semejante a uno resuelto
previamente, se puede usar razonamiento por analogía.
[16], [9]

Sin embargo, como se plantea por algunos investigadores
[10-12] de acuerdo con el fruto de su experiencia personal, el
proceso de adquisición del conocimiento y por ende la
creación de la BC dificulta el proceso de desarrollo de
los sistemas basados en el conocimiento y constituye el
clásico "cuello de botella" para la construcción de
éstos. De ahí la necesidad de desarrollar nuevas
técnicas que tiendan a eliminar lo difícil y
complejo del proceso de transferencia del conocimiento atendiendo
a:

• formas de expresar el conocimiento.

• formas de transferir el conocimiento a la
  computadora.

• número de participantes que intervienen en la
  transferencia de información.

• estructuración del conocimiento.

Una vez que la BC se construye, es necesario la
existencia de un programa que acceda a ese conocimiento para la
inferencia y toma de decisiones en el proceso de solución
del problema. Este programa controla el razonamiento y dirige la
búsqueda en la BC y es el que generalmente se conoce con
el nombre de máquina de inferencia. Según Turban
[2] existen variadas categorías de razonamiento ó
métodos inferenciales como son el razonamiento deductivo,
el razonamiento inductivo, el razonamiento por analogía,
el razonamiento formal, el razonamiento procedural
numérico, la generalización y la
abstracción.

El conocimiento puede organizarse en uno o más
esquemas. Esto es análogo a las bases de datos que se
pueden organizar en forma relacional, jerárquica o red.
Una amplia variedad de esquemas se han desarrollado a lo largo de
los años compartiendo todos ellos dos
características. La primera de ellas es que estos esquemas
pueden programarse con lenguajes de programación
existentes y almacenarse en memoria. Segundo, todos ellos se
diseñan de modo que el conocimiento que almacenan pueda
usarse en el razonamiento, es decir, la BC contiene una
estructura de datos que puede manejarse por un sistema de
inferencia que usa técnicas de búsqueda y patrones
de equivalencia (pattern matching) para responder preguntas,
trazar conclusiones o ejecutar una función inteligente.
[2], [13]

El conocimiento puede ser de diferente tipo: el
más clásico es el conocimiento simbólico,
que se representa por distintos esquemas o FRC como son: el
cálculo de predicados, listas, redes semánticas,
frames, scripts y reglas de producción. Otro tipo de
conocimiento se expresa por las probabilidades o frecuencias que
modelan relaciones entre los valores de los diferentes rasgos que
caracterizan el dominio; otro tipo se expresa por los pesos de
una red neuronal, y otro por los casos o ejemplos del problema
del dominio. [1]

Estos diferentes tipos de conocimiento dan lugar a
distintos tipos de sistemas basados en el conocimiento (Tabla
2.1). Entre ellos se encuentran los sistemas basados en reglas
(SBR), los sistemas basados en probabilidades (SBP), los sistemas
expertos conexionistas o redes expertas (RNA) y los sistemas
basados en casos (SBCa), aunque existen otros que no se encuentra
señalados en la tabla.[14], [15]

Tabla 2.1. Tipos de sistemas basados en el
conocimiento

Atendiendo a los tipos de SBCo anteriormente
mencionados, se puede apreciar que la complejidad del proceso de
adquisición del conocimiento se hace mayor en los sistemas
basados en conocimiento de tipo simbólico y en particular
en los más difundidos, los sistemas basados en reglas [2,
3, 16, 17]. En éstos ese proceso es largo y prolongado
porque consta de un conjunto de pasos que incluye la
extracción del conocimiento desde varias fuentes
(entrevistas a expertos, consulta de ICT y análisis de
casos), la formulación de reglas, la codificación
de éstas en dependencia del lenguaje seleccionado y el
consecuente refinamiento de las mismas.

En los sistemas basados en probabilidades, la
adquisición de conocimiento consiste en coleccionar
muestras y realizar un procesamiento estadístico que
produzca las probabilidades o frecuencias que forman la BC; pero
este proceso puede ser también arduo por la posible
carencia de fuentes que permitan estimar tales probabilidades con
suficiente fiabilidad. [1]

En las redes expertas, la adquisición del
conocimiento incluye la selección de ejemplos, el
diseño de la topología de la red y el entrenamiento
de la red para hallar el conjunto de pesos. Este entrenamiento
puede requerir sólo pocas semanas y por ello puede ser
menos complejo el proceso de adquisición del conocimiento
que en los tipos de sistemas anteriores. Sin embargo, la
definición de la topología de la red puede ser
compleja. Caudill [18] compara diferentes formas de usar las
redes neuronales en concordancia con los sistemas
expertos.

En los sistemas basados en casos la adquisición
del conocimiento se reduce a la selección de un conjunto
de ejemplos o casos resueltos y su organización en la base
de casos, reduciéndose la envergadura del proceso
sustancialmente, siendo esta una de las causas por las cuales se
escoge, dentro de todos los tipos de SBCo, a los SBCa para
desarrollar el modelo que se propondrá. Otra causa es la
posibilidad que dan los SBCa a través de ejemplos
resueltos, de transmitir la experiencia de los diseñadores
más duchos a los diseñadores noveles.

Particularidades
del Razonamiento Basado en Casos

El RBC en la IA aparece durante el desarrollo de nuevas
tecnologías para la creación de SBCo, motivado por
otras formas del conocimiento a utilizar en la BC y como un nuevo
e importante paradigma de búsqueda. [1]

Los antecedentes del RBC están en resultados
alcanzados en un área de la IA conocida como aprendizaje
automatizado la cual está orientada al desarrollo de
técnicas que permitan a los sistemas auto extenderse y
denota la posibilidad que tiene el sistema de cambiar para hacer
una tarea más eficiente la próxima vez.
Simplificadamente, se podría esquematizar el desarrollo
histórico de esta nueva tecnología en la forma
siguiente: [1,19]

En una primera etapa conocida como aprendizaje basado en
similaridad, la técnica consistió en generalizar
conceptos o reglas a partir de ejemplos para almacenar de forma
explícita este conocimiento de modo que pudiera utilizarse
posteriormente por programas inteligentes.

En la segunda etapa se consideran generalizaciones
heurísticas para la solución de problemas de modo
que se pueda mejorar el desempeño de los programas
inteligentes en la solución de problemas.

Y en la tercera, en que aparece el RBC, se intenta
resolver nuevos problemas a partir de los ejemplos
directamente.

Los trabajos básicos sobre el enfoque basado en
casos fueron desarrollados por Roger Schank en la Universidad de
Yale en los años 80. Al final de esa década el
Defense Advenced Research Proyects Agency (DARPA), comenzó
a centrar esfuerzos en la aplicación de esta
tecnología.

El RBC se inspira en el papel que juega la memoria en la
capacidad de razonamiento del hombre. La memoria permite
relacionar el presente con el pasado y que ambos trasciendan al
futuro. La memoria puede organizar las experiencias generalizadas
y usarlas en la solución de problemas.

En general, la segunda vez que se intenta resolver
algún problema, es más fácil que la primera
porque se recuerda y se repite la solución previa, somos
más competentes la segunda vez porque se recuerdan los
errores cometidos y se tratan de evitar. En la IA esta forma de
resolver los problemas se modeló mediante el razonamiento
por analogía. Carbonell [20] plantea que la
solución de problemas por analogía consiste "en
transferir el conocimiento sobre la solución de problemas
pasados a los nuevos problemas que comparten aspectos
significativos con las correspondientes experiencias pasadas, y
usar el conocimiento transferido para construir las soluciones a
los nuevos problemas".

Teniendo en cuenta estos aspectos y lo planteado por
varios autores (epígrafe 1.) referente al diseño de
engranajes, fueron estas las principales causas que dieron motivo
a asumir el RBC como tecnología para conservar y
transmitir la experiencia de los diseñadores.

El RBC es una forma de razonamiento por analogía.
Según Carbonell [21] "la analogía y el RBC son dos
lados de la misma moneda: ambos confían en el conocimiento
episódico encapsulado para guiar la solución de
problemas complejos, pero la primera enfatiza en el proceso de
modificar, adaptar y verificar derivaciones pasadas (casos),
mientras el último enfatiza en la organización,
indizamiento jerárquico y recuperación de casos en
la memoria".

Existen variadas razones que justifican los trabajos de
investigación sobre RBC. Stanfill y Waltz [22] consideran
dos razones fundamentales: la primera que es difícil
concebir pensamiento sin memoria; la segunda es la incapacidad de
los SBCo actuales para alcanzar éxito en cualquier dominio
amplio, o captar efectivamente la noción del sentido
común, mucho de lo cual, se cree, está basado
esencialmente en la memorización de la experiencia
pasada.

Slade [23] por su parte enuncia dos propósitos a
largo plazo del RBC: el desarrollar un modelo científico
de la memoria humana y el construir programas robustos que puedan
asimilar las experiencias y adaptarse a nuevas
situaciones.

No siempre el pensamiento humano está regido
conscientemente por las reglas de la lógica; en ocasiones
es básicamente un procesamiento de información
recuperada con el tiempo. Precisamente para Riesbeck y Schank
[24] la anterior afirmación constituye una
justificación para usar el RBC.

El RBC representa un nuevo método para resolver
problemas no estructurados en el cual el razonamiento se realiza
a partir de una memoria asociativa que usa un algoritmo para
determinar una medida de semejanza entre dos objetos. El mismo
denota un método en el cual la solución de un nuevo
problema se realiza a partir de las soluciones conocidas para un
conjunto de problemas previamente resueltos (o no resueltos) del
dominio de aplicación. [1]

RBC significa razonar en base a experiencias o casos
previos. La idea básica es: dada la descripción de
un nuevo problema, recuperar desde una base de casos un problema
(caso) similar y la solución de este se adapta al nuevo
problema. En [24-26] se fundamentan las características
del RBC.

Para Riesbeck y Shank [24] el RBC consta de dos
etapas:

• Encontrar aquellos casos en memoria que solucionen
  problemas similares al actual.

• Adaptar la solución o las soluciones previas
  al problema actual teniendo en cuenta diferencias entre la
  situación previa y la actual.

Hacer cualquier inferencia basada en casos incluye los
pasos siguientes:

1. Presentar como entrada al sistema una
descripción del problema a resolver o problema actual
(Presentación).

2. Encontrar aquellos casos en memoria que resuelven
problemas similares al actual
(Recuperación).

3. Determinar cuáles partes del viejo caso se
deben focalizar para resolver el subproblema activo.

4. Derivar una solución adaptando la
solución previa a las restricciones del nuevo problema.
(Adaptación).

5. Chequear la consistencia del valor derivado con la
descripción del problema a resolver y aceptar o rechazar
este valor (Validación).

6. Si se considera apropiada la solución
validada, se añade a la base de casos para ser usada en el
futuro (Actualización).

Atendiendo a estos pasos, un sistema que implemente el
RBC consta de tres componentes principales, una base de casos, un
módulo de acceso y recuperación (recuperador) y el
módulo de adaptación (razonador). En la Figura 1
aparece un esquema típico de SBCa.

Figura 1 Esquema típico de un
Sistema Basado en Casos.

El caso representa situaciones experimentadas
previamente y el mismo debe contener la descripción del
problema y su solución, así como información
acerca de si la solución fue correcta o
incorrecta.

Para almacenar los casos debe usarse una memoria o base
de casos que posea propiedades similares a la memoria humana,
tales como:

a) ser ilimitada.

b) en la medida que la base de casos crezca no puede
hacerse más lenta.

c) debe permitir buscar directamente los elementos de
memoria que sean relevantes a un problema.

La tercera característica está
estrechamente vinculada con la segunda componente de un sistema
basado en casos, es decir, el módulo de acceso y
recuperación de los casos. La problemática
está en cómo recuperar desde la base de casos, los
casos relevantes con respecto al problema a resolver, partiendo
del hecho de que en el mundo real no existe una equivalencia
exacta entre dos problemas, por lo que se requiere de un medio
para comparar el nuevo problema con los problemas resueltos
registrados en la base de casos y seleccionar el o los casos que
poseen una mayor similitud con el mismo.

Por lo general, el propio modelo de organización
de la base de casos es quien facilita el acceso al conjunto de
casos candidatos. Ahora bien, la recuperación de los casos
que mayor similitud guardan con el patrón de
búsqueda, puede realizarse con la utilización de
dos métodos: [26]

• Por semejanza parcial

• Por analogía

En el primero, se emplea una función de semejanza
la cual determina una medida numérica del grado de
similitud de cada objeto de la memoria con respecto al nuevo
problema. En el segundo, se busca un elemento de la memoria cuya
descripción pueda hacerse igual a la del nuevo problema,
mediante el reemplazamiento de los valores de los rasgos
diferentes a partir de la equivalencia de valores, definida en
una red semántica. [1]

Para aplicar un método de recuperación
debe determinarse bajo qué condiciones se realizará
la comparación entre los casos. Para ello se hace
necesario definir:

a) El espacio de representación de cada objeto,
caso o problema, es decir, el conjunto de rasgos o propiedades
que lo describen R={x1,x2,…,xn}, donde xi representa el rasgo i
y n la cantidad de rasgos.

b) El dominio de valores permisibles para cada rasgo. Se
denomina Mi al conjunto de valores permisibles del rasgo
i.

c) El criterio de comparación (i de cada
rasgo.

d) El peso o la importancia de cada rasgo.

La selección de rasgos es cuestión
central, tanto en la definición del modelo de la base de
casos como en el modelo de recuperación de casos.
Potencialmente, en el conjunto de rasgos podrían estar
todas las propiedades que describen los objetos pero generalmente
esto no es así, ya que existen rasgos inútiles que
carecen de importancia de acuerdo con el dominio de
aplicación. Otro aspecto muy importante es que dentro del
conjunto de rasgos que se seleccionan no todos tienen la misma
importancia y esta diferencia debe tenerse en cuenta a la hora de
comparar objetos. El cálculo de la importancia de cada
rasgo se realiza a partir de criterios tales como:

• criterio de los especialistas del dominio de
  aplicación.

• la dispersión de los valores del
  rasgo.

• la frecuencia de aparición del
  rasgo.

• la frecuencia del valor dado al rasgo.

• el carácter diferenciante del
  rasgo.

• la fuerza predictiva del rasgo.

En la determinación del dominio del rasgo, se
define ante todo la clasificación de los valores, en
cuantitativos y cualitativos, lo cual es importante para
posteriormente buscar los criterios de comparación. El
criterio de comparación puede ser booleano, o
finito-valente para representar una graduación de la
igualdad de dos valores del rasgo o aritmético para dar
una magnitud que exprese el grado de coincidencia de dichos
valores. En el trabajo de Ruíz [27] aparecen varios
ejemplos de criterios de comparación.

Cuando la recuperación se realiza a partir de
funciones de semejanza, se diseña una expresión
analítica que de una medida numérica del grado de
similitud entre dos casos. Esta función integra los
resultados alcanzados a nivel de comparación de rasgos
así como la importancia de los rasgos seleccionados.
Pudieran utilizarse como funciones de semejanza los ejemplos de
métricas, seudométricas o semimétricas
conocidos [93] u otros ejemplos que aparecen en la literatura
científica y que no responden a los conceptos anteriores
[6, 27].

La tercera componente de un sistema basado en casos es
el módulo de adaptación, el cual, a partir de los
casos recuperados, se encarga de encontrar los valores de los
rasgos desconocidos, mediante un algoritmo capaz de adaptar las
soluciones de los casos semejantes para completar el nuevo
problema.

Atendiendo al módulo de adaptación se
distinguen dos tipos de sistemas basados en casos: los
interpretativos y los solucionadores de problema. Un sistema
interpretativo toma un problema y su solución y utiliza
los casos para proponer un argumento para justificar esa
solución. Un solucionador de problemas deriva soluciones
al nuevo problema a partir de soluciones viejas a problemas
similares.

En forma general, la adaptación puede realizarse
atendiendo a las siguientes reglas:

• No realizar adaptación

• Adaptación parametrizada, es decir,
  establecer dependencias entre rasgos.

• Adaptación basada en un
  crítico.

• Usar algoritmos de solución
  primaria.

• Adaptación basada en casos.

Todo proceso de adaptación consta de cuatro pasos
generales según Jurisica [23]:

1. Decidir qué se necesita adaptar. Para ello,
determinar si se va a adaptar basándose en: las
diferencias entre ambas descripciones, o las diferencias entre
las soluciones recuperadas y los nuevos objetivos, o una
explicación de fracaso, o una lista predefinida de
elementos a adaptar

2. Estimar si vale la pena continuar la
adaptación.

3. Especificar cómo se pueden disminuir las
diferencias.

4. Ejecutar la adaptación. La adaptación
se realiza velando por los requisitos siguientes: las reglas de
adaptación deben ser dependientes del dominio, cada tipo
de adaptación implica usar conocimiento del dominio y el
tipo de aplicación implica el momento de la
adaptación.

El RBC, como un nuevo MSP para el desarrollo de sistemas
basados en el conocimiento, goza de un conjunto de ventajas entre
las que se pueden citar: [1]

• El esfuerzo en la definición de problemas
  puede ser capturado para ahorrar trabajo en el
  futuro.

• Experiencias previas que resultaron exitosas pueden
  usarse para justificar nuevas soluciones.

• La comunicación entre el sistema y los
  expertos se realiza en base a ejemplos concretos, es decir,
  el sistema explica sus decisiones citando
  precedentes.

• Es un algoritmo de aprendizaje incremental, el
  aprendizaje tiene lugar tan pronto como un nuevo ejemplo
  está disponible sin excesivo costo
  computacional.

• Permite proponer soluciones para los problemas
  rápidamente, reduce el tiempo necesario para derivar
  respuestas desde el estado inicial de un proceso de
  búsqueda de soluciones. Esta ventaja se manifiesta
  principalmente en situaciones donde un sistema basado en
  reglas por ejemplo, necesitaría realizar una larga
  cadena de inferencias para alcanzar una
  solución.

• Permite proponer soluciones en dominios que no se
  comprenden completamente.

• Los casos ayudan a focalizar el razonamiento sobre
  las partes importantes de un problema a partir de los rasgos
  más importantes.

• Es aplicable a un amplio rango de
  problemas.

Sin embargo, el RBC tiene un conjunto de debilidades en
su contra:

Un sistema que implementa el RBC no explora todo el
espacio de soluciones por lo que no puede afirmarse que la
solución encontrada sea la solución
óptima.

En ocasiones se requiere de una base de casos
considerablemente grande y bien seleccionada.

La consistencia entre varios casos es difícil de
mantener.

El RBC depende de una adecuada función de
semejanza y de una correcta ponderación de los rasgos en
la misma, lo cual no es fácil de realizar para cada
aplicación, siendo ésta precisamente una novedad
del trabajo para el caso de árboles.

Existe un gran número de problemas para los
cuales el RBC resulta ser el único método de
solución o en ocasiones el mejor. Así por ejemplo,
en tareas de diseño, el problema a resolver queda definido
por un conjunto de restricciones. Muchas veces no existe una
solución correcta que satisfaga todos los requerimientos,
y en estos casos no existe un algoritmo que permita hallar la
solución. Otras veces sucede que el espacio de
búsqueda es muy grande, por lo que encontrar la
solución en el mismo podría consumir gran cantidad
de tiempo. Ese mismo problema en ocasiones es muy grande y
difícil de descomponer en partes que se puedan solucionar
de forma independiente para luego unir las soluciones parciales
en una final. Las dificultades en la descomposición surgen
frecuentemente porque las partes pueden estar muy ligadas entre
sí. [1], [19]

El RBC es también ventajoso para problemas
especificados de forma incompleta o difusa, así como
cuando la solución de problemas requiere de un largo
proceso de inferencia.

De acuerdo con todo lo especificado anteriormente, el
RBC puede ser útil en diferentes tareas de la
resolución de problemas tales como:

Diagnóstico: dado un conjunto de
síntomas y la descripción de un dispositivo
encontrar una explicación a los
síntomas.

Planificación: dado un conjunto de
objetivos y restricciones entrar una secuencia de acciones que
puedan ejecutarse para alcanzar los objetivos.

Diseño: dado un conjunto de objetivos y
restricciones, crear un artefacto que cumpla estos requerimientos
de la mejor forma posible, tarea a la que se dedica este
trabajo.

Explicación: dada una situación,
encontrar una interpretación que muestre el por qué
de dicha situación.

En el área de diagnóstico se cuenta con
diferentes sistemas basados en casos. En la literatura consultada
se encuentran entre otros: PROTOS [28], EAD [29], BOLERO [26],
SHRINK [29], CASEY [30], Case-Based Help System [31] y FRANK
[32], muchos de los cuales se desarrollan en el área de la
medicina. Se aprecia alta tendencia en particular a la
conformación de sistemas híbridos que combinan la
tecnología del RBC con otros métodos como son los
empleados por los sistemas basados en reglas, los sistemas
basados en modelos y los sistemas de planificación,
aprovechando las ventajas que aportan cada uno.

En el área de planificación también
existen algunos sistemas basados en casos, entre los que se
tiene: PLEXUS [33], CHEF [34] y MEDIATOR [35].

En la bibliografía aparecen varios sistemas
basados en casos perfilados hacia el área de diseño
entre los que se encuentran FIRST [36], DEJAVU [36], STRUPLE
[37], XBE[37], ARGO[38], JULIA [38], SEED[39], CLAVIER [40],
[41], CADRE [41], KITRIK [42], MEMORABILIA [42], CAB-ASSEMBLY
[43], ARCHIE [44], CYCLOPS [44], CADREM [45] y CADET [10]. A
continuación se mencionan algunas características
de estos sistemas.

CLAVIER (creado por Barletta, Hennessy y Hinkle,
1989). Es un sistema que resuelve problemas aplicados al
diseño mecánico. Es empleado por la
compañía de aviación norteamericana Lookheed
para el diseño de autoclaves y para resolver el problema
consistente en la determinación de la posición en
que deben ser colocadas las piezas de materiales especiales
aleados que van a ser tratadas térmicamente en un horno.
Esta compañía asegura que han ahorrado, como
promedio, de $ 20 000 a $ 50 000 mensuales. Está en
operación desde 1990.

ARCHIE ayuda al diseño
arquitectónico ( Domeshek y Kolodner, 1992). Este sistema
basado en casos se construyó desde REMIND, un shell
implementado para desarrollar sistemas basados en casos en el
Cognitive Systems. ARCHIE contiene tres tipos de conocimiento,
conceptos primitivos (referido a objetos, relaciones y
parámetros de los edificios de oficinas), modelos de
dominios (que captan relaciones causales entre conceptos) y casos
de diseño. La recuperación de casos se realiza
mediante dos mecanismos: la equivalencia con el vecino más
cercano y la agrupación o cluster basada en modelos de
dominios.

KITRIK (Goel y Chandrasekaran, 1989). Es un
sistema híbrido para el diseño de mecanismos
simples tales como pequeños ensambles mecánicos e
intercambiadores de calor, combinando el RBC y el razonamiento
basado en modelos. Utiliza la modificación guiada por un
modelo para adaptar viejos diseños y formar otros
nuevos.

FIRST (Daube y Hayes – Roth, 1990). Es un sistema
de rediseño mecánico para vigas estructurales
mediante la recuperación de casos y la adaptación
de sus soluciones satisfaciendo un conjunto de restricciones. La
entrada al sistema consiste en un conjunto de variables que
ofrece un primer nivel de descripción de la viga junto con
las restricciones que debe satisfacer la solución final.
Además el usuario propone un diseño preliminar el
cual puede o no estar en el espacio de los diseños
posibles. Está enfocado hacia la reparación de
fallos de diseño.

DEJAVU (Bardasz y Zeid, 1991). Es uno de los
primeros sistemas asistentes a diseñadores de artefactos
mecánicos. Lo hace en un ambiente integrado que permite la
adquisición semiautomática de nuevos casos. Estos
nuevos casos son el resultado del diseñador trabajando
respecto a la solución de un problema de diseño no
resuelto. Es sumamente general pues en él se puede
diseñar desde una silla hasta una rueda
dentada.

CYCLOPS (Navishandra, 1989). Es un solucionador
de problemas de diseño en el dominio del paisajismo y
cuando se diseña un nuevo vecindario. Este sistema usa
casos para modificar diseños.

CADRE (Hua y Faltings, 1993). Emplea una base de
casos para el diseño arquitectónico. Aquí se
le da solución al problema dejando que el usuario
seleccione el caso, con una destacable interacción del
usuario con el sistema.

JULIA (Kolodner, 1987 y Hinrichs, 1989).
Diseña planes de menúes alimenticios, entre otras
aplicaciones.

CADREM (Raphael, 1994). Consiste en una
compilación de diseño de estructuras para
edificios. Los métodos de diseños fueron
almacenados en casos.

STRUPLE es un sistema para el diseño
estructural de edificios basado en analogía
transformacional.

CAB-ASSEMBLY (Pu y Reschberger, 1992). Es un
sistema para el diseño de secuencias de ensamblaje de
objetos.

CADET (Navichandra y Sycara, 1992 ). Combina el
RBC con técnicas de razonamiento cualitativo. Es una
herramienta que usa la elaboración por indización
como medio de encontrar y sintetizar casos completos o partes de
estos. El sistema elude la adaptación en el sentido
tradicional del RBC.

MEMORABILIA (Oxman, 1992). El usuario puede
recorrer los casos de diseño grabados y decidir él
mismo cuáles recuperar y adaptar. Este recorrido a menudo
se completa con la incorporación de técnicas de
multimedia a las técnicas del RBC.

SEED (Flemming, 1994). Es un sistema para el
apoyo de las fases iniciales del diseño de
edificios.

XBE (Pankakoski y otros, 1991) para el
diseño de sistemas de manufactura.

ARGO para el diseño de circuitos digitales
VLSI. Utiliza razonamiento por analogía.

También existen otras aplicaciones de SBCa que
cubren un amplio espectro de actividades de diseño como
son: [42, 46, 47]

– Software de Ingeniería de Medio
Ambiente.

– Software de Interfaces.

– Diseño de Museos.

– Diseño de Bombas de Incendio, entre
otros.

Existe además un sinnúmero de aplicaciones
prácticas con RBC sobre servicios on-line para
usuarios, entre los que se encuentran:

– Sistema SMART (1992) de Compaq Computer Co., que
resuelve conflictos de los usuarios frente a productos Compaq.
Sus propietarios estiman que han ahorrado ya cerca de $ 100
millones anuales.

– Sistema PRISM (1990) de Cognitive Systems Inc., de
propósitos bancarios.

– Sistema SQUAD (1992) de NEC Corporation, para el
control de calidad de los software.

– Sistema CASCADE (1992) de Digital Equipment
Corporation, para sugerir soluciones a los fallos en los sistemas
operativos.

En la UCLV se desarrolló el Sistema Inteligente
de Ayuda al Diseño (SIAD) [48,49]. El mismo consta
de una Máquina de Inferencia (MI) que es un programa
independiente del objeto de diseño, la Base de
Conocimiento y ocasionalmente un conjunto de programas utilizados
por la MI. Este sistema trabaja la idea de la integración
de diferentes metodologías para la representación
del conocimiento, siendo la esencia de la integración
determinada por las características propias de las tareas
de diseño ingenieril. Es un sistema híbrido pues
utiliza frames para almacenar una descripción estructurada
del conocimiento y utiliza reglas de producción para los
procedimientos de cálculo y las acciones. Es una
máquina de inferencia orientada a la creación de
sistemas CAD.

Este sistema ha sido utilizado en Cuba con gran
éxito para el diseño de elementos de
máquinas, transmisiones, mecanismos y máquinas en
general. El autor de los trabajos [50-52] utiliza este sistema
para realizar cálculos de resistencia de materiales en
vigas.

A pesar de ser capaz de generar y editar gráficos
y de generar información para AutoCAD, es esta su
principal debilidad, pues el diseñador, además de
enfrentarse a una nueva forma de describir su conocimiento, debe
utilizar un editor gráfico que no cuenta con todas las
posibilidades.

Modelo General de
RBC para el diseño

Los ejemplos anteriores son suficientes para ilustrar
varios productos en los cuales se combinan la tecnología
del RBC con otros métodos. En general, existe en la
actualidad un auge creciente en lo referente a la creación
de sistemas híbridos basados en el conocimiento, los
cuales son una etapa superior de los sistemas basados en el
conocimiento en los que se combinan diferentes tecnologías
(sistemas basados en reglas, redes neuronales artificiales,
razonamiento basado en casos, algoritmos genéticos, etc.)
para obtener un producto que aprovecha las ventajas de cada uno y
minimiza sus deficiencias [35, 53].

Diferentes autores han valorado los beneficios de
combinar un sistema CAD con las opciones inteligentes,
específicamente con los sistemas basados en casos. Una
justificación es que los sistemas CAD actuales a pesar de
ser muy eficientes apoyan la reutilización de experiencias
sólo marginalmente [39].

Existen dos variantes para combinar el sistema CAD
elegido y la tecnología de RBC, ellas son:

– Mantener el ambiente original del sistema CAD y
ampliar sus posibilidades con opciones inteligentes.

– Crear una interfaz desde la cual se tenga acceso al
sistema CAD (el cual mantiene su ambiente original) y a las
opciones inteligentes.

En la primera variante existe la dificultad de que es
necesario dominar los códigos conocidos como "fuentes" del
sistema para poder manipular la información de los
diseños creados. Estos códigos no son ofrecidos por
ningún productor de software incluso ni
vendidos.

La segunda variante es mucho más factible de
acometer. Un ejemplo de esta variante lo constituye el sistema
CASECAD el cual posee una interfaz gráfica para el usuario
desde la cual se accede a un Case-Based Manager (buscador y
editor de casos), a un Case-Based Designer (recuperador y
selector de casos) y a los paquetes XFIG y AutoCAD. Desde estos
tres lugares se tiene acceso a la memoria, donde se encuentran la
base de casos y la base de modelos. También se emplea
multimedia para la representación de los casos.
[54-60].

Por todo lo explicado anteriormente, para la futura
construcción del Sistema Basado en Casos, se recomienda la
segunda variante.

Quedó definido en los epígrafes iniciales
de esta monografía los motivos por los cuales se
emplearía el RBC como tecnología para transmitir la
experiencia de los diseñadores al efectuar el
diseño de engranes. El mismo debe contar con las tres
componentes básicas, es decir, una base de casos, un
módulo de acceso y recuperación y un módulo
de adaptación.

Como ya se dijo de una manera muy sintética en el
epígrafe 2.3. al describir las componentes de un sistema
que implementa RBC, un caso es la descripción de un
problema y la solución de éste, lo cual puede
incluir o no el proceso mediante el cual se llegó a esa
solución (historia del caso). Para este trabajo de
investigación un caso es el plano de la rueda dentada con
alguna información adicional.