Sistemas expertos, guía completa: para qué sirven y clasificación

Los sistemas expertos son aplicaciones tecnológicas que pertenecen al gran campo de la inteligencia artificial y pueden identificarse como programas o sistemas informáticos que reproducen la actuación de uno o varios expertos en un campo de actividad determinado (dominio). Estos sistemas están ya bastante maduros y, por lo tanto, son ampliamente aplicables en muchos contextos; un ejemplo es la venta de productos complejos para la que es imprescindible contar con un configurador de productos.

En este servicio, que actualizaremos periódicamente, analizamos en detalle qué son los sistemas expertos, cómo funcionan, cómo se aplican y dónde pueden producir beneficios para las empresas.

¿Qué son los sistemas expertos? Evolución e historia

Su evolución y historia se remontan a las décadas de 1960 y 1970, cuando los pioneros en la IA, como Allen Newell y Herbert A. Simon, desarrollaron los primeros sistemas de razonamiento basados en reglas. Estos sistemas se centraron en la resolución de problemas mediante la aplicación de lógica inductiva y deductiva.

A medida que avanzaba el tiempo, los sistemas de conocimiento experimentaron un crecimiento significativo en la década de 1980, con el desarrollo de herramientas como MYCIN para el diagnóstico médico y Dendral para la identificación de compuestos químicos.

Durante esta época también surgieron herramientas como CLIPS (C Language Integrated Production System), un entorno de desarrollo para la creación de sistemas expertos. Las mismas facilitaron  la construcción de sistemas expertos en una amplia variedad de aplicaciones, y su uso se expandió en áreas como la manufactura, el diagnóstico técnico y la planificación.

Sin embargo, a medida que avanzaba la década de 1990, los sistemas expertos enfrentaron desafíos debido a su dependencia en la representación de conocimiento y la captura de reglas, lo que llevó a una mayor exploración de otras ramas de la IA, como el aprendizaje automático.

Los últimos años de los sistemas expertos

En los últimos años, lograron evolucionar gracias a su integración con la tecnología moderna. La combinación de sistemas expertos con el aprendizaje automático dio lugar a sistemas más potentes, capaces de aprender a partir de datos, lo que permite la actualización dinámica del conocimiento sin intervención humana constante. 

Otro de los grandes avances fue la implementación de la Inteligencia Artificial Explicable (XAI) que combina la toma de decisiones automatizada con la capacidad de explicar cómo y por qué se llega a ciertas conclusiones, abordando una de las principales limitaciones de los sistemas expertos originales: su naturaleza de “caja negra”.

En la actualidad, los sistemas expertos se utilizan en industria, finanzas, medicina, entre otras áreas, para tomar decisiones en tiempo real y aapoyar procesos de diagnóstico, gestión y optimización.

Estructura de un sistema experto

¿Cuál es el objetivo de un sistema experto?

Inteligencia artificial y sistemas expertos

Por tanto, es fácil ver por qué los sistemas de conocimiento entran en el amplio mundo de la inteligencia artificial en lugar de ser clasificados como programas informáticos “normales”: dado un conjunto de hechos, los sistemas expertos son capaces de deducir nuevos hechos.

Una peculiaridad de los sistemas expertos tiene que ver con la “explicación” de las decisiones a las que llega el sistema: un sistema experto siempre es capaz de mostrar los pasos lógicos que subyacen a las decisiones tomadas, lo que se llama Glass Box, un aspecto muy importante si se comparan estos sistemas con las redes neuronales y el Deep Learning más modernos, para los que se habla de Black Box, sistemas con los que no es posible trazar el proceso inductivo y deductivo que lleva a una salida, ya sea una acción o una decisión.

En los últimos años, los avances en modelos de lenguaje a gran escala, como GPT, permitieron su integración con los sistemas expertos, lo que revolucionó la forma en la que estas herramientas pueden procesar y explicar información.

Este y otros modelos similares son capaces de gestionar una gran cantidad de datos en lenguaje natural. Esto permitió los sistemas expertos ampliar de manera considerable sus capacidades en varias dimensiones:

Procesamiento de lenguaje natural

Gracias a la integración con estos modelos, los sistemas expertos pueden manejar interacciones más complejas en lenguaje natural. Es decir, son capaces de interpretar, procesar y generar respuestas en un formato comprensible para los usuarios. Esto facilita una comunicación más fluida entre humanos y máquinas, al permitir que los sistemas expliquen sus decisiones de manera clara y en un lenguaje menos técnico.

Generación de explicaciones sofisticadas

Mientras que los sistemas expertos tradicionales ya proporcionaban trazabilidad de las decisiones a través de su capacidad de Glass Box, la incorporación de modelos como GPT permite que estas sean aún más detalladas.

Es decir, no solo pueden explicar los pasos lógicos que siguieron para llegar a una conclusión, sino que también pueden ofrecer justificaciones más complejas, debido a que tienen en cuenta factores contextuales, como también expresan las decisiones de forma accesible para usuarios no expertos.

Mejora en la gestión de conocimiento

Los sistemas expertos integrados con modelos de lenguaje como GPT son capaces de manejar grandes volúmenes de datos no estructurados. Esto significa que ya no están limitados a bases de datos estáticas de conocimiento.

En la actualidad, son capaces de procesar información actualizada en tiempo real, extrayendo conocimiento de textos, artículos científicos o reportes sin la necesidad de estructurar previamente esta información.

Esto permite que los sistemas sean más dinámicos y adaptativos, actualizando su base de conocimiento de forma automática a medida que surgen nuevos descubrimientos o tendencias en sus respectivos campos.

Adaptación a contextos más complejos

Estos modelos, al estar entrenados con datos masivos y variados, otorgan a los sistemas expertos una mayor flexibilidad para operar en entornos amplios.

Dicha capacidad es clave en campos como la medicina. Allí los sistemas expertos son capaces de procesar y evaluar información de investigaciones recientes, informes clínicos y literatura científica, como también realizar diagnósticos o recomendaciones.

Mejora en la interacción humano-máquina

La capacidad de los modelos de lenguaje para interpretar las intenciones y preguntas de los usuarios en un formato más conversacional transformó la experiencia de interactuar con sistemas expertos.

En otras palabras, los usuarios son capaces de hacer preguntas más abiertas o complejas y el sistema puede comprenderlas mejor y proporcionar respuestas más detalladas que incluyen las explicaciones de los pasos que se tomaron para llegar a la conclusión.

Estos avances hacen que los sistemas expertos se conviertan en herramientas más poderosas y versátiles, capaces de manejar tareas complejas con un nivel de comprensión y explicabilidad que anteriormente era muy difícil de lograr.

Clasificación de los sistemas expertos

En la actualidad, los sistemas de conocimiento pueden dividirse en dos categorías principales:

Sistemas expertos basados en reglas

Se trata de sistemas basados en reglas clásicas bien conocidas por el mundo de la informática en la forma IF (condición) y THEN (acción). Dado un conjunto de hechos, los sistemas de conocimiento son capaces de deducir nuevos hechos gracias a sus reglas.

Pongamos un ejemplo muy claro que explique bien cómo funcionan las reglas: tenemos un problema de salud y para llegar a la respuesta a la pregunta “¿cuál es mi problema de salud?” proporcionamos al sistema experto una serie de informaciones (me duele la cabeza, estoy resfriado, tengo fiebre). El sistema experto llegará a la conclusión de esta manera:

SI DOLOR DE CABEZA + SI FRÍO + SI TEMPERATURA CORPORAL A 38 grados centígrados… ENTONCES GRIPE.

En la práctica, el sistema analiza si se dan todas las condiciones (dolor de cabeza, y resfrío y fiebre) para deducir con alta probabilidad que la conclusión, la respuesta al problema, es la gripe.

Sistemas expertos basados en árboles

En este caso, dado un conjunto de datos y algunas deducciones, el sistema experto crea un árbol (de posibles alternativas) que clasifica los distintos datos. Ante un problema, se analizan nuevos datos del árbol y el nodo final representa la solución.

Un sistema experto basado en un árbol es, en esencia, un software experto capaz de reconocer un problema a partir de una secuencia de hechos, decisiones o acciones. Partiendo de una situación inicial, todas las opciones posibles (las condiciones SI, es decir, las posibles alternativas Y/O) se ramifican en situaciones y acciones hasta llegar a una conclusión.

Sistema experto basado en casos

Son los sistemas que parten de problemas que ya han sido resueltos en un dominio de aplicación y mediante un proceso de adaptación, encuentran la solución óptima a un nuevo problema.

sistemas de conocimiento basado en redes bayesianas

Son sistemas que poseen gráficos de variables conocidas y relaciones de dependencia entre ellas. El objetivo es determinar la probabilidad de aquellas variables que no son conocidas.

Otras clasificaciones

También se pueden clasificar por criterios diferentes:

Basados en el dominio de conocimiento:

• Sistemas Expertos Médicos: Diseñados para diagnosticar enfermedades y ofrecer recomendaciones médicas.
• Sistemas Expertos Financieros: Ayudan en la toma de decisiones relacionadas con inversiones, préstamos y planificación financiera.
• Sistemas Expertos de Ingeniería: Utilizados para diseñar y resolver problemas en ingeniería, como diseño de productos y control de calidad.
• Sistemas Expertos de Diagnóstico: Se enfocan en la detección de fallas y resolución de problemas en sistemas técnicos y mecánicos.

En la forma de razonamiento:

• Sistemas Basados en Reglas: Utilizan reglas if-then para tomar decisiones.
• Sistemas Basados en Casos: Resuelven problemas comparando la situación actual con casos previamente resueltos.
• Sistemas Basados en Redes Semánticas: Utilizan representaciones de conocimiento basadas en grafos para el razonamiento.
• Sistemas Basados en Lógica Difusa: Tratan con la incertidumbre y la imprecisión en el conocimiento.

Basados en la interacción con el usuario:

• Sistemas Expertos Interactivos: Requieren interacción activa del usuario para obtener información y proporcionar recomendaciones.
• Sistemas Expertos de Asesoramiento: Ofrecen consejos y sugerencias a usuarios en busca de orientación en un área específica.
• Sistemas Expertos de Diagnóstico Automático: Recopilan datos automáticamente y generan diagnósticos sin intervención activa del usuario.

En la naturaleza de las tareas:

• Sistemas Expertos de Clasificación: Clasifican elementos en categorías o grupos específicos.
• Sistemas Expertos de Planificación: Ayudan a generar planes y secuencias de acciones.
• Sistemas Expertos de Control: Controlan sistemas y procesos automatizados utilizando conocimientos expertos.

Basados en el alcance de la aplicación:

• Sistemas Expertos Generales: Tienen conocimientos amplios y pueden aplicarse a una variedad de dominios.
• Sistemas Expertos Específicos: Se enfocan en dominios de conocimiento altamente especializados y limitados.

En la forma de adquisición de conocimiento:

• Sistemas Expertos de Adquisición Manual de Conocimiento: Los conocimientos son introducidos manualmente por expertos humanos.
• Sistemas Expertos de Aprendizaje Automático: Utilizan algoritmos de aprendizaje automático para adquirir conocimientos a partir de datos.

¿Cómo funcionan los sistemas expertos?

Los sistemas expertos se estructuran en tres niveles tecnológicos diferentes:

1. Base de conocimiento: podríamos identificarla como la base de datos de información que el sistema necesita para dar respuesta a un determinado problema, como lo haría el ser humano experto que tiene el conocimiento específico de la materia que se va a aplicar a la resolución del problema. Es el repositorio donde se almacena la información y las reglas que permiten al sistema aplicar el razonamiento.
2. Motor inferencial: la base de conocimientos subyacente a un sistema experto también contiene la información específica de un conjunto de reglas If-Then o Si-Entonces: si se da una determinada condición -por ejemplo, se hace una determinada pregunta– se aplica una regla específica -por ejemplo, se hace una segunda pregunta o se da una respuesta específica o se inicia una acción específica, etc. Este “motor de reglas” es, de hecho, el componente de software que, analizando y procesando la información contenida en la base de conocimientos, entiende el problema y propone una solución.
3. Interfaz de usuario: es la parte del software que permite al usuario explotar el motor de inferencia; suele ser una interfaz web, a veces muy simplificada (una página en la que el usuario introduce una pregunta de forma escrita y recibe la respuesta elaborada por el sistema experto en la pantalla) y a veces más estructurada (hoy en día también puede integrarse con otros sistemas basados en la inteligencia artificial como el reconocimiento y la comprensión del lenguaje natural).

Herramientas de sistemas expertos

Como hemos mencionado, los sistemas expertos son aplicaciones de la inteligencia artificial que emulan la toma de decisiones de un experto humano en campos específicos. Utilizan conocimientos especializados y reglas inferenciales para resolver problemas complejos.

La construcción de uno requiere de herramientas y frameworks especializados que facilitan el desarrollo, la implementación y la gestión del conocimiento. A continuación, describimos algunos de los frameworks y tecnologías más relevantes en este ámbito:

CLIPS

Es un entorno de desarrollo para la creación de sistemas expertos. Creado originalmente por la NASA, CLIPS está diseñado para facilitar la integración del conocimiento y el procesamiento de reglas. Soporta la programación en reglas, lógica orientada a objetivos y programación procedural.

Drools

Es un motor de reglas de negocio (BRMS) y un sistema de gestión de procesos de negocio (BPMS) de código abierto para Java. Drools permite a los desarrolladores codificar reglas de negocio que son fácilmente actualizables y mantenibles.

Jess

Es un motor de reglas y scripting para Java inspirado en CLIPS. Jess soporta el desarrollo de sistemas expertos utilizando el paradigma de programación basada en reglas, permitiendo la creación de reglas complejas y su ejecución sobre datos estructurados.

Prolog

Un lenguaje de programación lógica asociado frecuentemente con la inteligencia artificial y la computación lingüística. Es utilizado para desarrollar sistemas expertos mediante la definición de hechos, reglas y metas.

Expert System Shell

Son marcos de trabajo o entornos que proporcionan una estructura básica para la construcción de sistemas expertos. Estas “cáscaras” vienen con herramientas para la definición de reglas, el motor de inferencia y a menudo interfaces para la adquisición del conocimiento y la explicación de las decisiones.

Pyke

Es un motor de reglas de conocimiento para Python que combina la programación lógica y la programación orientada a objetos. Pyke permite a los desarrolladores crear sistemas expertos que pueden inferir conocimiento a partir de hechos definidos en bases de conocimiento.

OpenCyc

Es una base de conocimiento de código abierto y un motor de inferencia que implementa la ontología Cyc, proporcionando una rica base de conocimiento común para el desarrollo de aplicaciones de IA, incluyendo sistemas expertos.

Estas herramientas y tecnologías ofrecen distintas capacidades, desde el procesamiento de reglas y la inferencia, hasta la gestión de conocimientos y la ontología, permitiendo a los desarrolladores construir sistemas expertos complejos y sofisticados adaptados a diversas necesidades y sectores industriales.

La elección de una herramienta específica dependerá de los requisitos del proyecto, el dominio de aplicación, y la preferencia en términos de lenguaje de programación y paradigma de desarrollo.

TensorFlow Decision Forests

Permite la implementación de sistemas basados en árboles de decisión. Ganó relevancia en los últimos años en la creación de sistemas expertos que combinan aprendizaje automático y procesamiento basado en reglas. Este framework es muy útil cuando se quiere integrar modelos predictivos con un sistema experto.

Expert.ai

Se trata de una plataforma avanzada que utiliza procesamiento del lenguaje natural (PNL) para extraer conocimiento y ejecutar inferencias automatizadas a partir de grandes volúmenes de datos textuales. Es popular en sectores como el financiero, las áreas relacionadas con el derecho y los recursos humanos, ya que en estas la comprensión y gestión del lenguaje es fundamental.

Google Cloud AI Explanations

Sin lugar a dudas se trata de una de las herramientas más utilizadas en los últimos años. Permite que los sistemas expertos basados en aprendizaje automático ofrezcan explicaciones detalladas de sus decisiones. 

Es un avance dentro de la inteligencia artificial explicable (XAI), la cual proporciona transparencia en la toma de decisiones, herramienta clave en sectores donde la justificación es crítica, como la salud y las finanzas.

Qué ventajas ofrecen los sistemas expertos

Los sistemas expertos ofrecen una serie de ventajas significativas en el contexto empresarial y tecnológico, especialmente para aplicaciones B2B. Estos sistemas utilizan la inteligencia artificial y el aprendizaje automático para simular el juicio y el comportamiento de expertos en dominios específicos, mejorando su rendimiento con el tiempo a medida que adquieren más experiencia.

Uno de los componentes clave de un sistema experto es su base de conocimiento, que acumula experiencias y hechos, y los integra con un motor de inferencia o reglas para aplicar este conocimiento a situaciones específicas. Esto permite que los sistemas expertos proporcionen soluciones consistentes y razonadas a problemas complejos que normalmente requerirían la intervención de un experto humano.

Entre las principales ventajas de los sistemas expertos se incluyen:

Consistencia en las soluciones

Ofrecen respuestas consistentes para decisiones, procesos y tareas repetitivas, lo que asegura una uniformidad en la resolución de problemas similares.

Explicaciones razonables

Son capaces de explicar el razonamiento detrás de sus conclusiones, lo que ayuda a comprender por qué se considera la opción más lógica entre las alternativas disponibles

Superación de limitaciones humanas

Trabajan continuamente sin limitaciones humanas, lo que permite su uso frecuente en la búsqueda de soluciones. Además, almacenan el conocimiento de expertos, proporcionando un repositorio permanente para la información y el conocimiento.

Fácil adaptación a nuevas condiciones

A diferencia de los humanos, los sistemas expertos tienen una alta capacidad de adaptación y pueden cumplir con nuevos requisitos en un corto período. También pueden capturar nuevo conocimiento de un experto y utilizarlo como reglas de inferencia para resolver nuevos problemas.

Reglas Heurísticas, Lógica Difusa y Redes Bayesianas como Pilares del Conocimiento

La tecnología subyacente que impulsa a los sistemas expertos se basa en varios conceptos fundamentales, entre los que se incluyen:

• Reglas Heurísticas: Las reglas heurísticas son pautas o principios empíricos que guían el razonamiento humano. En los sistemas expertos, se utilizan reglas heurísticas para codificar el conocimiento de expertos en forma de “si-entonces”. Por ejemplo, “Si los síntomas A, B y C están presentes, entonces el diagnóstico es X”. Estas reglas permiten que el sistema experto tome decisiones basadas en la experiencia acumulada.
• Lógica Difusa: La lógica difusa es un enfoque que permite manejar la incertidumbre y la imprecisión en el razonamiento. A diferencia de la lógica binaria convencional (verdadero o falso), la lógica difusa permite representar grados de verdad. Esto es especialmente útil cuando se trata con conceptos vagos o subjetivos. Por ejemplo, en un sistema médico, la lógica difusa puede expresar que un síntoma es “muy probable” en lugar de simplemente “verdadero” o “falso”.
• Redes Bayesianas: Las redes bayesianas son modelos probabilísticos que utilizan teoremas de probabilidad bayesiana para representar y actualizar la incertidumbre en un sistema. Son especialmente útiles cuando se deben tomar decisiones basadas en evidencia acumulada. Por ejemplo, en medicina, una red bayesiana puede ayudar a calcular la probabilidad de que un paciente tenga una enfermedad en función de múltiples factores, como síntomas, historial médico y resultados de pruebas.

Lógica difusa: tercera generación de sistemas expertos

En lugar de basarse en una estructura predefinida para la toma de decisiones, los sistemas expertos son capaces de proponer al usuario la mejor alternativa posible al encontrar la solución óptima al problema entre todas las disponibles (utilizando la lógica difusa).

La lógica difusa es una teoría matemática que se ocupa de modelar la incertidumbre y constituye una extensión de la lógica clásica. En la lógica clásica, un concepto es verdadero o falso; no se aceptan “matices” (si lo analizamos en el contexto de la teoría de conjuntos, si algo no pertenece al conjunto A, debe pertenecer al conjunto B). En la realidad humana, las cosas no funcionan de forma binaria, dado que nuestra propia mente no funciona definiendo todo en función de verdadero/falso, blanco/negro, sí/no, etc. Un concepto puede ser parcialmente verdadero o parcialmente falso. Es aquí donde entra en juego la lógica difusa.

La lógica difusa es especialmente útil para tratar la incertidumbre y la aproximación presentes en la realidad, y, por lo tanto, es fundamental en los sistemas expertos. La lógica difusa es capaz de representar las situaciones típicas en las que actuaría un ser humano y, por tanto, puede utilizarse en aplicaciones informáticas como los sistemas expertos, que son capaces de responder de manera similar a un experto humano.

Ejemplo de lógica difusa:

Los sistemas expertos de primera generación, que surgieron a finales de los años 60 y principios de los 70, se basaban en la lógica booleana (verdadero/falso) y el razonamiento lógico en condiciones de certeza mediante un modelo determinista (causa-efecto). Sin embargo, pronto se hizo evidente su mayor limitación: el razonamiento artificial chocaba con la lógica, de modo que el experto humano superaba ampliamente al sistema experto artificial.

Los sistemas expertos de segunda generación introdujeron el modelo probabilístico, superando así las limitaciones de la lógica que habían interrumpido la evolución de los sistemas expertos de primera generación. El modelo probabilístico, a diferencia del determinista, razona en términos de “causa-posible-efecto”. Siguiendo este modelo, los sistemas expertos avanzaron considerablemente, pero se encontraron con el hecho de que la respuesta más probable no siempre es la más útil, lo que representó un problema importante al abordar problemas complejos.

Por ello, en los años 80 y 90, se introdujo la lógica difusa en los procesos inferenciales, dando lugar a la tercera generación de sistemas expertos. Fue a partir de esta generación cuando se empezó a hablar de sistemas de apoyo a la decisión (DSS). A diferencia de los sistemas expertos clásicos, que eran capaces de proporcionar respuestas a preguntas concretas, gracias a la introducción y uso de las redes bayesianas y las redes de decisión, estos sistemas evolucionaron y dejaron de ofrecer respuestas “simples”, pero sí información útil para el proceso de toma de decisiones.

Sistemas expertos híbridos

Los sistemas expertos híbridos son aquellos que combinan dos o más tipos de sistemas expertos como el neuronal, difuso, probabilístico, entre otros, con el objetivo de aprovechar las fortalezas y superar las debilidades de cada componente.

Por ejemplo, un sistema híbrido puede usar una red neuronal difusa para aprender datos y generar reglas difusas para luego implementar un motor de inferencia basado en instrucciones para aplicar reglas y proporcionar explicaciones.

Este tipo de sistema suele ser preciso y completo, pero, a su vez, más complejo, costoso y difícil tanto de desarrollar como de mantener.

Tareas de los sistemas expertos

Como hemos explicado en los párrafos anteriores, los sistemas expertos se utilizan para encontrar respuestas a problemas complejos que, si se delegaran en el ser humano, requerirían la intervención de expertos en una materia o dominio determinado.

Precisamente por estas características, los sistemas expertos se utilizan en todos los procesos de resolución de problemas a través de tareas:

Interpretación

Analizan datos complejos y potencialmente “ruidosos” para determinar su significado. El sistema experto puede aplicarse en los casos en que es necesario disponer de descripciones de situaciones a partir de datos procedentes de diversas fuentes, por ejemplo, en el ámbito del IoT con datos procedentes de sensores.

Diagnóstico

En algunos casos, analizan los datos para determinar una enfermedad y, por tanto, “sugieren” un diagnóstico. En otros, el sistema experto deduce las anomalías o el mal funcionamiento mediante la observación (útil, por ejemplo, en el ámbito del mantenimiento predictivo).

Supervisión

Los sistemas expertos analizan los datos para definir si existen condiciones de alarma y, por tanto, si es necesario crear alertas en tiempo real en situaciones críticas. Lo que hace el sistema experto es comparar las observaciones en tiempo real para identificar las situaciones de alarma.

Predicción

En este caso, el sistema experto se convierte en el elemento a través del cual, aplicando un modelo adecuado del pasado y el presente, se pueden predecir patrones futuros (por ejemplo, en el ámbito económico o político).

Planificación y programación

Los sistemas expertos se utilizan aquí porque determinan una secuencia inteligente de acciones para lograr un objetivo determinado.

Diseño y configuración

Son capaces de diseñar y configurar soluciones/respuestas sobre la base de determinadas especificaciones. El sistema experto configura “objetos”, propuestas, soluciones de acuerdo con las restricciones.

Aplicaciones de los sistemas expertos por sector

• Medicina: Se utilizan para ayudar en el diagnóstico y el tratamiento de enfermedades. Pueden analizar síntomas, historias clínicas y resultados de pruebas para ofrecer recomendaciones a médicos y pacientes.
• Ingeniería: En la ingeniería ayudan en el diseño y la resolución de problemas técnicos. Por ejemplo, en la ingeniería civil, pueden asistir en el diseño de estructuras seguras.
• Finanzas: En el sector financiero se utilizan para la toma de decisiones de inversión, la gestión de riesgos y el análisis de datos financieros. Ayudan a los inversores y analistas a tomar decisiones informadas.
• Industria Manufacturera: En la fabricación pueden supervisar y controlar procesos de producción, identificando problemas y proponiendo soluciones en tiempo real.
• Educación: En el campo educativo, se utilizan para el diseño de planes de estudio personalizados y sistemas de tutoría inteligente que adaptan la enseñanza a las necesidades de los estudiantes.
• Derecho: Los sistemas expertos legales pueden ayudar a los abogados a investigar casos y aconsejar sobre estrategias legales. Analizan leyes y jurisprudencia para ofrecer orientación legal.
• Atención al Cliente: En el sector de atención al cliente, los chatbots y asistentes virtuales utilizan sistemas expertos para responder preguntas y resolver problemas de manera eficiente.
• Agricultura: En la agricultura de precisión, ayudan a los agricultores a tomar decisiones sobre siembras, riego y gestión de cultivos basadas en datos y condiciones meteorológicas.
• Aeroespacial: En la industria aeroespacial, se utilizan para el diseño y la planificación de misiones espaciales, así como para el mantenimiento y reparación de aeronaves.
• Seguridad: Se aplican en sistemas de seguridad para detectar comportamientos sospechosos y amenazas, como en la seguridad cibernética y la vigilancia.
• Recursos Humanos: En la gestión de recursos humanos se utilizan sistemas expertos para la selección de personal y la evaluación de candidatos.
• Automatización Industrial: En la automatización de procesos industriales, controlan y optimizan sistemas complejos, como líneas de ensamblaje y plantas de fabricación.

Cómo pueden potenciar las ventas

Para comprender mejor su funcionamiento, hemos elegido el ámbito de aplicación de las ventas, especialmente las “complejas”, aquellas en las que la oferta depende de la elección, el tamaño y la configuración de un producto “variable” y complejo, que se estructura sobre la base de varios componentes y múltiples listas de precios diferentes. Los sistemas expertos aplicados a este ámbito empresarial concreto entran en el ámbito del diseño y la configuración.

En particular, situados dentro de soluciones como los configuradores de productos comerciales (soluciones utilizadas por los comerciales en modelos de negocio donde la propuesta es especialmente compleja por la propia naturaleza de los productos comercializados, las posibles combinaciones de soluciones, las variables que afectan al resultado final y, por tanto, a la propia realización del producto y su precio), los sistemas expertos representan el eslabón tecnológico que permite definir los criterios de configuración.

Los sistemas expertos en el diseño

En general, un configurador de productos debe cumplir la tarea de simplificar la elección de los bienes que se van a comprar; un proceso que no siempre es inmediato cuando hay numerosas variables en juego (dimensionamiento, gran número de componentes, uso de materiales particulares, combinación de materias primas y materiales diversos con el consiguiente impacto en las propiedades físicas, mecánicas o químicas, etc.).

Cuando es necesario configurar productos que deben insertarse en proyectos complejos (por ejemplo, plantas de fabricación o sistemas y maquinaria que deben funcionar en condiciones climáticas particulares o entornos industriales “críticos”), los configuradores de productos deben ser “expertos e inteligentes” hasta el punto de permitir a los usuarios buscar, identificar, evaluar y solicitar lo que necesitan de forma independiente, sin recurrir a un experto técnico.

Este es quizás uno de los ámbitos más maduros en los que la inteligencia artificial, mediante el uso de sistemas expertos, puede demostrar los enormes beneficios empresariales de la tecnología. Los sistemas expertos aplicados a los configuradores de productos comerciales pueden actuar como herramientas de diseño y de venta.

Ejemplos concretos de sistemas expertos

Hay muchos ejemplos de sistemas expertos, pero algunos de los más importantes son:

1. Diagnóstico Médico:
   • Dxplain: Ayuda a los médicos a diagnosticar enfermedades analizando síntomas y datos clínicos.
2. Planificación de Tratamientos Oncológicos:
   • Watson for Oncology (IBM): Ayuda a los oncólogos a determinar tratamientos efectivos para pacientes con cáncer basándose en datos clínicos y literatura médica.
3. Detección de Fraude en Tarjetas de Crédito:
   • Sistemas de Detección de Fraude: Utilizan sistemas expertos para identificar patrones de gasto inusuales y posibles fraudes en transacciones con tarjetas de crédito.
4. Diseño Arquitectónico e Ingeniería:
   • AutoCAD: Incorpora características de sistemas expertos para ayudar en el diseño arquitectónico y de ingeniería.
   • RUCON: Sistema experto para la planificación de procesos de producción en la industria química.
5. Gestión de Carteras de Inversión:
   • Addepar: Ayuda a gestionar carteras de inversión y tomar decisiones financieras basadas en datos y análisis.
6. Optimización de Procesos en Manufactura:
   • ABB Ability Operations Optimization: Utilizado para optimizar procesos de fabricación y control de calidad.
   • Siemens Tecnomatix: Planificación y optimización de la producción en fábricas.
7. Educación Personalizada:
   • ALEKS: Ofrece tutoría adaptativa y personalizada en matemáticas y ciencias utilizando un sistema experto.
   • Carnegie Learning: Proporciona soluciones de matemáticas basadas en sistemas expertos para estudiantes.
8. Asistencia Legal:
   • ROSS: Utiliza la inteligencia artificial y sistemas expertos para ayudar a los abogados en la investigación legal y análisis de casos.
9. Soporte Técnico y Mantenimiento:
   • Chatbots con Sistemas Expertos: Muchos chatbots utilizan sistemas expertos para proporcionar soporte técnico y resolver problemas.
10. Planificación de Rutas y Logística:
    • Sistemas de Gestión de Flotas: Utilizan sistemas expertos para optimizar rutas de entrega y distribución de productos.

Uso de sistemas expertos durante la pandemia

La OMS aplicó sistemas expertos que se basaron en datos de brotes anteriores y los combinó con las condiciones locales de cada país para generar recomendaciones sobre cómo gestionar el COVID 19.

Estos sistemas ayudaban a identificar áreas de alto riesgo, establecer medidas de confinamiento o cuarentena, y a organizar los recursos médicos y hospitalarios de manera óptima.

En este sentido, se utilizaron plataformas de monitoreo como BlueDot, la cual empleó inteligencia artificial y sistemas expertos para rastrear la propagación del virus y prever brotes a partir de datos en tiempo real sobre vuelos internacionales, noticias y otros factores epidemiológicos.

Sistemas expertos para análisis de datos en tiempo real del COVID 19

Durante la pandemia, por ejemplo, Corea del Sur utilizó un sistema de vigilancia el cual combinaba los datos obtenidos de tarjetas de crédito, cámaras de seguridad y apps para realizar un análisis en tiempo real de los posibles contagios. Esto hizo más eficaz el rastreo de contactos y la predicción de nuevos focos de infección. 

Este análisis de datos masivo fue gestionado, en gran parte, por sistemas expertos que ayudaron a los equipos de salud pública a tomar decisiones rápidas y fundamentadas.

En paralelo, durante la pandemia, se desplegaron varios sistemas expertos que ayudaron a los profesionales de la salud a evaluar y recomendar tratamientos personalizados para pacientes con COVID-19. 

Otro caso fue el uso de Watson Health, desarrollado por IBM, que aplicó un sistema experto para ayudar a los médicos a evaluar grandes volúmenes de literatura científica y estudios sobre tratamientos de COVID-19. Este hecho facilitó la identificación de las terapias más prometedoras basadas en los datos más recientes.

Desafíos que pueden surgir en el desarrollo y mantenimiento de estos sistemas

El desarrollo y mantenimiento de sistemas expertos pueden enfrentar varios desafíos específicos. En primer lugar, la adquisición y formalización del conocimiento de expertos humanos en un formato que el sistema pueda comprender y utilizar de manera efectiva puede ser un proceso complejo y laborioso. La captura de conocimiento experto a menudo implica entrevistas extensas y la colaboración continua con expertos, lo que puede resultar en un costo de tiempo y recursos significativo.

Además, la evolución y actualización de los sistemas expertos a medida que cambian las condiciones o se descubren nuevos conocimientos pueden ser un desafío continuo. Mantener la relevancia y la precisión del conocimiento en la base de datos del sistema requiere un esfuerzo constante.

También es importante abordar la transparencia y la explicabilidad de las decisiones tomadas por el sistema. Sobre todo, en aplicaciones críticas como la atención médica y el derecho, lo que agrega otro nivel de complejidad al desarrollo y mantenimiento de sistemas expertos. En estos casos es necesario que los usuarios comprendan cómo se llegó a una conclusión.

En este punto entra en juego la inteligencia artificial explicable (XAI), que ya mencionamos, que busca hacer que los procesos y decisiones de los sistemas basados en IA sean más comprensibles.

Es decir, que los sistemas expertos, que por lo general se perciben como cajas negras, proporcionen explicaciones que sean lo suficientemente claras y coherentes para que los usuarios confíen.

La ética en la IA, ¿algo que preocupa y limita?

Además, cabe resaltar que preocupación por la ética en la inteligencia artificial afecta el desarrollo de estos sistemas. Para abordar este problema, los sistemas expertos, al igual que cualquier otro tipo de IA, deben diseñarse y tener presentes principios éticos generalmente aceptados como la no discriminación y la protección de la privacidad.

En sectores como recursos humanos, la justicia (por ejemplo, la penal) y la atención médica son fundamentales, ya que se están usando sistemas expertos para tomar decisiones que afectan a las personas.

La falta de atención al detalle en este tipo de factores puede llevar a sesgos indeseados o consecuencias no intencionadas, lo que puede destruir la confianza en los sistemas automatizados.

Comparación de sistemas expertos con otras tecnologías

Los sistemas expertos, como tecnología avanzada de inteligencia artificial, se destacan, como hemos dicho, por su capacidad para imitar el razonamiento humano en dominios de conocimiento específicos. A diferencia de otras tecnologías, como las redes neuronales profundas, los sistemas expertos son altamente interpretables, lo que significa que pueden proporcionar explicaciones claras y lógicas de sus decisiones. Esto los hace especialmente valiosos en aplicaciones críticas donde se requiere transparencia, como la medicina y el derecho. Además, los sistemas expertos permiten a los expertos humanos colaborar estrechamente con la máquina, lo que resulta en una simbiosis de conocimiento y habilidades.

Por otro lado, las redes neuronales profundas, que impulsan el aprendizaje profundo y el reconocimiento de patrones, son más adecuadas para tareas de procesamiento masivo de datos y reconocimiento de imágenes. Estas redes son ideales para aplicaciones como el procesamiento de lenguaje natural y la visión por computadora, pero a menudo carecen de transparencia en sus decisiones, lo que puede ser un desafío en entornos donde se requiere una justificación clara de las decisiones tomadas. En última instancia, la elección entre sistemas expertos y otras tecnologías depende del contexto y los requisitos específicos de cada aplicación.

En los últimos años, como ya mencionamos, surgieron tecnologías como los modelos de lenguaje a gran escala (por ejemplo, GPT de OpenAI), que revolucionaron el procesamiento del lenguaje natural (NLP). 

Son especialmente útiles en la automatización del lenguaje, la asistencia conversacional y el análisis de texto. Sin embargo, presentan desafíos similares a las redes neuronales profundas con respecto a la falta de transparencia o interpretabilidad.

Ética y responsabilidad relacionadas con la toma de decisiones automatizada

La adopción de sistemas de conocimiento plantea cuestiones éticas y de responsabilidad significativas en relación con la toma de decisiones automatizada. Uno de los principales dilemas éticos radica en la posible falta de transparencia y explicabilidad de los procesos de toma de decisiones de estos sistemas.

Los usuarios y las partes interesadas pueden verse confrontados con decisiones que afectan sus vidas, pero sin una comprensión clara de cómo se llegó a esas conclusiones. Esto puede socavar la confianza en los sistemas expertos y plantear preguntas sobre quién es responsable en caso de decisiones erróneas o sesgos algorítmicos.

La  discusión global sobre la regulación de la inteligencia artificial (IA) también generó que se debata la necesidad de normativas más estrictas para asegurar la transparencia y explicabilidad de los sistemas automatizados. 

De hecho, por ejemplo, la Unión Europea implementó la Ley de IA, que tiene como objetivo regular el uso de inteligencia artificial en aplicaciones de alto riesgo, como los sistemas expertos en atención médica y derecho.

Estas regulaciones también buscan evitar que las decisiones automatizadas perpetúen o amplifiquen sesgos, y promover la inteligencia artificial explicable (XAI) como un estándar clave en estos sistemas.

Por este motivo, organizaciones como la OCDE emitieron pautas internacionales sobre el desarrollo de IA, enfocándose en asegurar que los sistemas sean justos y equitativos, como también que se evalúe el impacto social de las decisiones automatizadas.

Artículo publicado originalmente en 13 Sep 2022