¿Qué veremos?

1. Arquitectura y dinámica de un sistema experto
2. Estructuras de representación del conocimiento
3. Representar y simular con experta
4. Sistemas híbridos reglas/datos
5. Razonamiento impreciso: lógica difusa
6. Variación de características y dinámica
7. Estrategias de control
8. Controladores inteligentes
9. Aplicaciones y tendencias

RA5 y sus criterios de evaluación

RA5 — Aplica sistemas expertos evaluando la influencia de los controladores inteligentes en el comportamiento del sistema.

Al terminar la unidad serás capaz de…

• Situar el conocimiento en la jerarquía DIKW y describir la arquitectura de un sistema experto.
• Diferenciar los modos de representación: reglas, marcos, lógica, ontologías, redes semánticas.
• Representar y simular un comportamiento con experta, en un dominio real.
• Combinar reglas con datos cuando el conocimiento experto no basta.
• Aplicar lógica difusa a un problema con incertidumbre.
• Explicar cómo influye variar reglas, hechos y umbrales (sensibilidad / robustez).
• Desarrollar estrategias de control con sus especificaciones.
• Relacionar los controladores inteligentes con el comportamiento, frente a un PID.

Del dato al conocimiento

• Antes de representarlo hay que distinguirlo de sus vecinos.
• La jerarquía DIKW los ordena: Data, Information, Knowledge, Wisdom.
• No es filosofía: marca qué guarda un sistema experto.

La jerarquía DIKW

Por qué importa la distinción

• Un sistema experto no almacena datos ni información: almacena conocimiento (reglas).
• Los más avanzados guardan algo de sabiduría: metarreglas que deciden cuándo aplicar otras reglas (el control de meta del §7).
• El error más común al empezar: acumular datos en vez de codificar reglas.

¿Qué es un sistema experto?

• Programa que emula el razonamiento de un experto humano en un dominio concreto.
• Codifica su conocimiento en una base de conocimiento y lo aplica con un motor de inferencia.
• Nacen en los años 70; se consideran los primeros sistemas de IA con utilidad práctica real.
• Imprescindible: disponer del conocimiento de un especialista del campo.

Los componentes

Qué hace cada componente

La explicación marca la diferencia

• Poder explicar su razonamiento distingue a un sistema experto de un modelo de ML.
• En dominios regulados —medicina, finanzas— la justificación es obligatoria.
• MYCIN fue el pionero: mostraba las reglas de inferencia empleadas.
• Su límite: en consultas complejas, enumerar todas las reglas resulta tedioso para el usuario.

La dinámica: el ciclo reconocer-actuar

1. Reconocer (match): se comparan los hechos de la memoria de trabajo con las condiciones de las reglas; las activas van a la agenda.
2. Resolver (resolve): si hay varias activas, se elige una según la estrategia de control (§7).
3. Actuar (act): se ejecuta el consecuente, que declara, modifica o retira hechos — y el ciclo se repite.

Objetivo de fondo: que la lógica sea explícita, para que el experto del dominio pueda revisarla sin ser informático.

Mecanismos de razonamiento

• Hacia delante (forward, dirigido por datos): parte de los hechos y deduce conclusiones. Monitorización, control en tiempo real, planificación.
• Hacia atrás (backward, dirigido por metas): parte de una meta y busca qué hechos la sustentan, preguntando solo lo necesario. Diagnóstico (MYCIN, Prolog).
• Mixto: combina los dos.
• Búsqueda heurística (recorre un árbol) y herencia (un hijo hereda del padre).

Las dos reglas de inferencia clásicas

• Modus Ponens: si P implica Q, y P es verdad, entonces Q es verdad.
• Modus Tollens: si P implica Q, y Q no es cierto, entonces P no es cierto.

El encadenamiento hacia delante aplica Modus Ponens repetidamente; el encadenamiento hacia atrás busca qué P sustentaría un Q dado.

Incertidumbre: factores de certeza

• MYCIN introdujo los factores de certeza (CF): cada regla lleva el suyo y se combinan al encadenar.
• «SI fiebre alta ENTONCES meningitis CF = 0,6» + «SI rigidez de nuca ENTONCES meningitis CF = 0,4» → confianza conjunta mayor que cada una por separado.
• Si hay evidencia en contra, los CF se descuentan: es la acumulación de evidencia.
• Alternativas modernas: lógica difusa (§5), Dempster-Shafer, redes bayesianas.

Un continuo, no una lista cerrada

Representar el conocimiento hay que hacerlo entendible para la máquina, útil para resolver y eficiente de procesar.

• A la izquierda, lo simple (algoritmos): eficiente, poco flexible.
• A la derecha, lo flexible (texto natural): expresivo, no utilizable directamente.
• En medio viven las representaciones de esta unidad.

Las representaciones (I)

Las representaciones (II)

Lo mismo, en cuatro formas

«Si la temperatura supera 37 ºC, la persona tiene fiebre» se escribe como…

• Regla de producción: SI temperatura > 37 ENTONCES fiebre
• Lógica proposicional:
• Jerarquía: Síntomas → Fiebre → Paracetamol
• Par atributo-valor: persona.temperatura = 38.2, evaluado por una regla externa

Elegir la representación es elegir qué será fácil de hacer con ese conocimiento después.

Qué usaremos en esta unidad

• Sobre todo reglas de producción, con experta.
• Y lógica difusa, con scikit-fuzzy.
• Las ontologías y las redes semánticas se mencionan como alternativas.
• Los marcos y la lógica formal, a nivel conceptual.

El parche obligatorio

experta es de 2019 y collections.Mapping desapareció en Python 3.10. Siempre antes de importar:

import collections, collections.abc
if not hasattr(collections, 'Mapping'):
    collections.Mapping = collections.abc.Mapping
    collections.Iterable = collections.abc.Iterable
    collections.MutableMapping = collections.abc.MutableMapping

from experta import *

Un diagnóstico, paso a paso (I)

class DiagnosticoPc(KnowledgeEngine):
    @DefFacts()
    def inicio(self):
        yield Fact(accion="diagnosticar")

    @Rule(Fact(accion="diagnosticar"), salience=10)
    def arrancar(self):
        print("Diagnóstico del PC...")
        self.declare(Fact(luz_encendida=True))
        self.declare(Fact(sonido="pitidos_cortos"))

• @DefFacts() — los hechos iniciales, que carga reset().
• @Rule(...) — el antecedente; salience fija la prioridad.

Un diagnóstico, paso a paso (II)

    @Rule(Fact(luz_encendida=True), Fact(sonido="pitidos_cortos"))
    def ram(self):
        self.declare(Fact(causa="problema_ram"))

    @Rule(Fact(causa="problema_ram"))
    def resultado(self):
        print("DIAGNÓSTICO: Fallo de memoria RAM.")

engine = DiagnosticoPc()
engine.reset()   # sin reset() no se cargan los DefFacts
engine.run()

Diagnóstico del PC...
DIAGNÓSTICO: Fallo de memoria RAM.

Otro ámbito, el mismo motor

class Animales(KnowledgeEngine):
    @DefFacts()
    def inicio(self):
        yield Fact(analizar=True)

    @Rule(Fact(analizar=True), salience=10)
    def datos(self):
        self.declare(Fact(pelo=True), Fact(carnivoro=True), Fact(color="leonado"))
        self.declare(Fact(manchas="oscuras"))

    @Rule(Fact(pelo=True))
    def mamifero(self):
        self.declare(Fact(mamifero=True))

    @Rule(Fact(mamifero=True), Fact(carnivoro=True), Fact(color="leonado"),
          Fact(manchas="oscuras"))
    def guepardo(self):
        print("IDENTIFICADO: guepardo")

«Muy diversos ámbitos»: los notebooks

Por qué importa la diversidad

• Un sistema experto no es una técnica de un solo dominio.
• La misma arquitectura —base de conocimiento + motor de inferencia— sirve para diagnosticar una rodilla, valorar a un futbolista o regular un quemador de gas.
• Lo que cambia es el conocimiento que se codifica, no el motor que lo aplica.

Cuando nadie ha escrito las reglas

Un sistema experto puro necesita que alguien las escriba a mano. Dos salidas:

• Deducirlas de los datos: un algoritmo las genera del entrenamiento. Sigue siendo SI … ENTONCES …, no una caja negra.
• Integrarlas con aprendizaje automático: el experto pone las de partida y el ML las mejora.

Las bibliotecas

Titanic: reglas que salen de los datos

• Nadie escribe a mano «si viajas en primera clase y eres mujer, sobrevives».
• FIGS analiza los datos históricos y genera esa regla por sí solo, junto con otras.
• El resultado sigue siendo legible —un árbol de reglas pequeño— pero nadie lo escribió.
• Es el primero de los dos enfoques.

EX2: los dos enfoques sobre los mismos datos

• Datos de FIFA 22, dos caminos a la vez:
  • una FunctionClassifier de Human-Learn con reglas que tú defines,
  • y un FIGSClassifier que deduce las suyas del entrenamiento.
• Comparar los dos resultados sobre el mismo problema es la mejor forma de sentir la diferencia entre los enfoques híbridos.

No es una técnica aislada: es una tendencia

• Los híbridos reglas/datos son la puerta de entrada a los sistemas neuro-simbólicos y a las reglas como guardarraíl del ML (§9).
• No son un tema aparte de los sistemas expertos: son su evolución natural cuando el conocimiento no cabe entero en la cabeza de un experto.

Ni frío ni calor: cuestión de grado

De lo binario a lo continuo

La lógica clásica es binaria. Pero «hace frío» no es verdadero o falso de forma tajante.

• Los valores de verdad son reales en : 0 falso, 1 cierto, 0,5 cierto al 50 %.
• La pertenencia la da una función de pertenencia, : grado de pertenencia de a .
• Húmedo o frío no se definen con precisión, pero sí con funciones de pertenencia.

Sistema de razonamiento impreciso

Un sistema basado en reglas que usa lógica difusa:

• Trabaja con valores continuos.
• Modela mejor el conocimiento humano — nosotros no razonamos en binario.
• Muy apropiado para sistemas de control: enlaza directo con §7 y §8.
• Da una buena solución, aunque no sea la mejor.

Conceptos básicos

El funcionamiento, en tres pasos

1. Fuzzificación — convierte las entradas precisas en valores difusos, con las funciones de pertenencia: .
2. Evaluación de las reglas — se aplican combinando las entradas: «si la temperatura es alta y la humedad baja, el ventilador alto».
3. Desfuzzificación — devuelve un valor preciso, con centro de gravedad o máximo.

Las formas de las funciones

• Trapezoidales y triangulares: las más usadas.
• Sinusoidales: para representar periodos.
• Sigmoidales: para probabilidades.

Ejemplo: la propina del restaurante

Las entradas, con funciones triangulares:

• Servicio: baja · media · alta
• Comida: mala · media · buena

La salida

Propina: baja · media · alta

El universo se discretiza — y esa resolución cambia el resultado, como veremos.

Las reglas

• SI (servicio bajo O comida mala) → propina baja
• SI (servicio medio) → propina media
• SI (servicio alto O comida buena) → propina alta

La inferencia

Con servicio 9,8 y comida 6,5, el sistema desfuzzifica 19,24 €: banda alta, coherente con un servicio casi perfecto.

Al ejecutarlo con np.arange(0, 26, 1) sale 19,85 €: la diferencia es la discretización del universo, no un error.

De la propina al quemador de gas

• La estructura es idéntica en el Taller 3 y en el entregable EX4: entradas difusas, reglas lingüísticas, una salida desfuzzificada.
• La diferencia: ahí la salida no es una propina, es la potencia de un actuador real.
• Ese es el salto de este bloque al de controladores.

Sensibilidad frente a robustez

• Sensibilidad: cuánto cambian las conclusiones ante pequeñas desviaciones de parámetros o entradas. Muy sensible = detecta pronto las anomalías, pero da falsas alarmas con ruido.
• Robustez: mantener conclusiones estables y seguras ante perturbaciones, ruido o fallos parciales.
• Todo el diseño consiste en elegir dónde ponerse entre las dos.

Tres mecanismos de variación

El problema de la histéresis

• Un sensor de CO en un túnel oscila entre 28 y 32 ppm, con el umbral en 30.
• Sin histéresis, los extractores se encienden y apagan en cada ciclo.
• Dos soluciones:
  • Histéresis temporal: la alerta debe mantenerse 30 s antes de actuar.
  • Controlador difuso: suaviza la transición en vez de cortarla en seco.

Control de la agenda

Cuando varias reglas están activas a la vez, hay que elegir:

El control de meta es la sabiduría del DIKW, aplicada al propio motor.

Especificaciones de la respuesta

En este módulo se trabajan de forma conceptual: definir el objetivo y saber interpretar si la respuesta lo cumple.

Ejemplo guiado: climatizar una sala a 21 ºC

1. Setpoint y precisión — estabilizarse en 21 ºC con error de ±0,5 ºC máximo.
2. Tiempo de respuesta — entrar en la banda 20,5-21,5 ºC en menos de 15 min.
3. Estabilidad — sobreimpulso máximo de 1 ºC, sin oscilaciones que dañen el equipo.

Las especificaciones se escriben antes de elegir el controlador.

Ejemplo guiado (II): elegir y comprobar

4. Elegir el controlador — un PID bien sintonizado cumpliría en un sistema lineal, pero la sala tiene inercia térmica y perturbaciones (puertas, sol). Un controlador experto o difuso, con reglas del operador, logra menos sobreimpulso y más robustez.
5. Comprobar y ajustar — simular, medir ts y sobreimpulso, y si no cumple, ajustar reglas o ganancias.

Controlar no es «conectar un motor»

Es definir el objetivo (precisión), acotar el tiempo, limitar el sobreimpulso y elegir el controlador que lo cumpla, verificándolo con una simulación.

Ese es el sentido de los criterios d y e — y exactamente lo que se pide en EX4, con un quemador de gas real en vez de una sala.

El lazo de control clásico

Compara el setpoint (SP) con la variable medida (PV), calcula el error y aplica una acción (MV).

 SP ──►(+/−)──► Controlador ──► Actuador ──► Planta ──┬──► PV
         ▲          PID / inteligente                 │
         └──────────── realimentación ────────────────┘

La parte proporcional responde al error, la integral elimina el residual, la derivada reduce el sobreimpulso.

Dónde falla el PID

• No predice el futuro: solo reacciona al error presente y pasado.
• Se degrada con retrasos y no linealidades.
• Sus ganancias son fijas: hay que re-sintonizarlo cuando la planta envejece.
• Sufre con perturbaciones multivariable.

Es eficaz en sistemas lineales bien modelados — y ahí sigue siendo la opción correcta.

Cuatro controladores inteligentes

Y funciona, con datos

¿Gana siempre el inteligente?

No.

• El PID es simple, barato y fiable en sistemas bien modelados.
• El controlador inteligente aporta cuando hay no linealidad, retraso o ruido fuerte.
• La regla: empezar simple y añadir inteligencia solo si se justifica.
• Es lo que comprobarás en EX4, que pide dos enfoques distintos para el mismo quemador.

El sistema experto como controlador

Patrón del control experto (Åström, Anton y Årzén, 1986): un motor de inferencia dentro del lazo.

• Evalúa el error y su variación, decide por reglas y explica la decisión.
• Dos formas de actuar:
  • directa — «si el error es negativo grande y aumenta → máxima potencia»,
  • supervisando un PID — ajusta sus ganancias cuando la respuesta se degrada.
• Base de sistemas industriales como Gensym G2 (refinerías, energía, farmacia) desde los 80.

Una regla de verdad

SI error de temperatura es NEGATIVO_GRANDE
Y variación del error es POSITIVA_PEQUENA
ENTONCES potencia del quemador es MEDIA_ALTA

Captura la heurística de un operador humano y es fácil de auditar — algo que un PID o una red neuronal no ofrecen de forma directa.

Por sector

Los clásicos, con cifras

• DENDRAL (1965): el primer sistema experto; acotaba millones de isómeros moleculares a un conjunto manejable.
• MYCIN (Stanford, 1972): 500-600 reglas de diagnóstico clínico, precisión 69-70 %, equiparable a especialistas. Pionero de la explicación y los factores de certeza.
• XCON/R1 (CMU/DEC, 1978): configuraba ordenadores VAX; de 250 a más de 6.200 reglas en 1986, precisión 95-98 % y ~25 M$/año de ahorro.
• SID (DEC): generó el 93 % de las puertas lógicas del VAX 9000.
• Cyc (1984): enciclopediar el sentido común, millones de hechos y reglas.

Tendencias

• BRMS — motores de reglas de negocio como Drools (Apache KIE), con DMN/JSR-94: miles de reglas separadas del código, con motores que escalan linealmente.
• Neuro-simbólico (3.ª ola de la IA) — redes neuronales para aprender + reglas para razonar; reduce alucinaciones y aporta explicabilidad. Amazon lo usa en sus motores de compra.
• IA explicable (XAI) — de MYCIN a SHAP/LIME, con el derecho a explicación del RGPD detrás (enlaza con la UD06).
• Agentes con razonamiento declarativo — planifican con reglas y guardas lógicas de seguridad.
• Reglas como guardarraíl del ML — validar y acotar las salidas de los modelos, incluidos los generativos.

Del pasado al presente

• MYCIN y XCON demostraron que el conocimiento declarativo y la explicación importan.
• Esa idea no ha muerto: vive en los BRMS, en el neuro-simbólico y en los guardarraíles del ML.
• Saber construir y auditar sistemas basados en reglas —puras, híbridas o difusas— sigue siendo una competencia valiosa.

Puntos clave (I)

• El DIKW distingue dato, información, conocimiento y sabiduría: un sistema experto guarda conocimiento (reglas) y, como mucho, metarreglas.
• Un sistema experto = base de conocimiento + motor de inferencia, con el ciclo reconocer-actuar y encadenamiento hacia delante o hacia atrás.
• La explicación es su gran ventaja frente al ML, y es obligatoria en dominios regulados.
• La representación del conocimiento es un continuo: atributo-valor, reglas, jerarquías, marcos, lógica, redes semánticas, ontologías.
• Con experta se simulan comportamientos de ámbitos muy diversos: medicina, zoología, deporte, industria.

Puntos clave (II)

• Los híbridos reglas/datos (Human-Learn, FIGS, skope-rules) combinan lo que sabe el experto con lo que dicen los datos.
• La lógica difusa extiende la lógica a : fuzzificación, evaluación de reglas y desfuzzificación.
• Sensibilidad frente a robustez: variar reglas, hechos o umbrales cambia la dinámica; la histéresis y el control difuso la estabilizan.
• Las estrategias de control y las especificaciones definen la calidad de la respuesta.
• Los controladores inteligentes superan al PID en sistemas no lineales: −76 % de asentamiento, 0 % de sobreimpulso.

Las cinco sesiones

Cómo se evalúa

La normativa exige alcanzar todos los RA del módulo para superarlo; el centro lo concreta en ≥ 5 en cada RA.