UD05 — Sistemas expertos y controladores inteligentes¶

1. Introducción¶

Todo el curso ha sido cómo construir sistemas de IA. Esta unidad da un paso más: los sistemas expertos, que codifican el conocimiento de un experto humano en reglas y lo utilizan para diagnosticar, asesorar y controlar. Y lo conectamos con el control, porque un sistema experto puede actuar como controlador inteligente de un proceso físico, compitiendo con los controladores clásicos (PID).

Antes de construir nada hay que situar qué es el conocimiento y cómo se representa para que una máquina pueda usarlo — esa es la primera pregunta de la inteligencia artificial simbólica, y la respondemos con la jerarquía DIKW y el continuo de representaciones del §5.

El recorrido de la unidad:

1. Arquitectura y dinámica de los sistemas expertos (base de conocimiento, motor de inferencia, ciclo reconocer-actuar).
2. Estructuras elementales de representación del conocimiento (reglas, marcos, lógica, ontologías, redes semánticas).
3. Representar y simular comportamientos con la librería experta, en dominios muy diversos: diagnóstico médico, clasificación, control de procesos.
4. Sistemas híbridos reglas/datos: cuando las reglas se combinan o se extraen del aprendizaje automático.
5. Sistemas de razonamiento impreciso: la lógica difusa, para trabajar con lo que no es blanco o negro.
6. Cómo influye la variación de las características en la dinámica del sistema (sensibilidad y robustez).
7. Estrategias de control de un sistema experto.
8. Controladores inteligentes (difuso, por reglas, redes neuronales, MPC) y su influencia en el comportamiento del sistema.
9. Aplicaciones y tendencias (MYCIN, XCON, BRMS, neuro-simbólico, IA explicable).

2. Resultado de aprendizaje y criterios de evaluación¶

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

Nota sobre la tabla anterior.

3. Objetivos de la unidad¶

4. Arquitectura y dinámica de los sistemas expertos (RA5-a)¶

4.1 Del dato al conocimiento: la jerarquía DIKW¶

Antes de representar el conocimiento hay que distinguirlo de sus vecinos. La jerarquía DIKW (Data, Information, Knowledge, Wisdom) los ordena:

Nota sobre la tabla anterior.

4.2 ¿Qué es un sistema experto?¶

Un sistema experto es un programa de IA que emula el razonamiento de un experto humano en un dominio concreto: codifica su conocimiento en una base de conocimiento y utiliza un motor de inferencia para aplicar ese conocimiento a los hechos del problema. Comenzaron su desarrollo en los años 70 y fueron muy populares esa década y la siguiente: se consideran los primeros sistemas de IA capaces de obtener resultados con utilidad práctica real.

4.3 Componentes¶

Nota sobre la tabla anterior.

4.4 El ciclo de ejecución (dinámica)¶

El motor de inferencia opera en un bucle reconocer-actuar:

1. Reconocer (match): se comparan los hechos de la memoria de trabajo con las condiciones (LHS) de las reglas; las reglas activas van a la agenda.
2. Resolver (resolve): si hay varias reglas activas, se elige una según la estrategia de control (salience, recency, especificidad — ver §10.1).
3. Actuar (act): se ejecuta el consecuente (RHS), que declara/modifica/retira hechos, y el ciclo se repite hasta agotar la agenda.

El objetivo de fondo es hacer que la lógica sea explícita en vez de estar enterrada en código que solo revisa un informático: con reglas legibles, el propio experto del dominio puede revisar y mantener el sistema.

4.5 Encadenamiento¶

• Hacia delante (forward, data-driven): parte de los hechos y deduce conclusiones. Ideal para monitorización, control de procesos en tiempo real y planificación.
• Hacia atrás (backward, goal-driven): parte de una meta y busca qué hechos la sustentan, preguntando al usuario solo lo necesario. Ideal para diagnóstico (MYCIN, Prolog).
• Encadenamiento mixto: combina los dos anteriores.
• Otros mecanismos de razonamiento: búsqueda heurística (el proceso de inferencia recorre un árbol) y herencia (en entornos orientados a objetos, un objeto hijo hereda propiedades del padre).

4.6 Incertidumbre: factores de certeza¶

MYCIN introdujo los factores de certeza (CF) para manejar la incertidumbre: cada regla tiene un CF y se combinan al encadenar. Alternativas modernas: lógica difusa (§8), teoría de Dempster-Shafer o redes bayesianas (Heckerman & Shortliffe, 1992).

Esta gestión explícita de la incertidumbre es una diferencia clave frente a un sistema de reglas «duro» (todo verdadero o falso): permite razonar con conocimiento parcial y explicar el nivel de confianza de una conclusión. La lógica difusa del §8 resuelve el mismo problema de otra forma: en vez de un factor de certeza sobre una regla booleana, deja que el propio hecho sea parcialmente verdadero.

5. Estructuras elementales de representación (RA5-a/b)¶

5.1 Un continuo, no una lista cerrada¶

Representar el conocimiento es uno de los problemas fundamentales de la IA: hay que hacerlo de forma entendible para las máquinas, útil para resolver problemas y eficiente de procesar. Las representaciones forman un continuo:

En un extremo están las representaciones simples (algoritmos): eficientes para el ordenador pero poco flexibles. En el otro, las flexibles (texto natural): muy expresivas pero no directamente utilizables por una máquina. Entre medias viven las que usamos en esta unidad.

5.2 Las representaciones, con sus ventajas y límites¶

Nota sobre la tabla anterior.

6. Representar y simular comportamientos con experta (RA5-b)¶

Para simular un comportamiento se escribe la base de conocimiento en experta y se ejecuta el ciclo de inferencia. Recordamos el parche obligatorio para Python 3.10+ (la librería es de 2019 y collections.Mapping desapareció en esa versión):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

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 *

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"))

    @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()
engine.run()

Salida esperada:

1
2

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

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

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")

6.1 «Muy diversos ámbitos»: los notebooks de la unidad¶

El CE b exige simular comportamientos en dominios distintos, no repetir el mismo ejemplo. Esta unidad trae varios notebooks ejecutados de verdad, en dominios reales (la lista completa está en las actividades guiadas y las entregables):

Nota sobre la tabla anterior.

7. Sistemas híbridos reglas/datos (RA5-b)¶

Un sistema experto puro necesita que alguien escriba las reglas a mano. Pero a veces el conocimiento del dominio ya está en los datos, o conviene mezclar las dos fuentes. Hay dos enfoques:

• Deducir reglas a partir de datos: un algoritmo genera reglas legibles a partir de un conjunto de entrenamiento, en vez de que las escriba una persona. Facilita la interpretación del razonamiento, porque el resultado sigue siendo SI ... ENTONCES ... en vez de una caja negra.
• Integrar reglas definidas por el usuario con aprendizaje automático: el experto pone las reglas de partida y el aprendizaje automático las mejora con datos.

7.1 Bibliotecas del segundo enfoque¶

Nota sobre la tabla anterior.

8. Sistemas de razonamiento impreciso: lógica difusa (RA5-b/d)¶

8.1 De lo binario a lo continuo¶

La lógica proposicional clásica es binaria: un enunciado es cierto o falso. Pero los humanos no razonamos así — «hace frío» no es verdadero o falso de forma tajante, es una cuestión de grado. La lógica difusa (o borrosa) extiende la lógica proposicional para trabajar con esa incertidumbre:

• Los valores de verdad son números reales en el intervalo \([0, 1]\): 0 es falso, 1 es cierto, 0,5 es «cierto al 50 %».
• La pertenencia de un elemento a un conjunto viene dada por una función de pertenencia, \(\mu_A(x)\): el grado de pertenencia de \(x\) al conjunto \(A\).
• Conceptos como húmedo o frío son difíciles de definir con precisión, pero la lógica difusa los define con funciones de pertenencia — lo que facilita crear dispositivos como termostatos: «si la temperatura es fría, entonces enciende la calefacción».

Un sistema de razonamiento impreciso es un sistema basado en reglas que usa lógica difusa. Permite trabajar con valores continuos, modela mejor el conocimiento humano y es muy apropiado para sistemas de control — por eso enlaza directamente con el §10 y el §11.

8.2 Conceptos básicos¶

8.3 El funcionamiento en tres pasos¶

1. Fuzzificación: convierte los datos de entrada precisos en valores difusos, usando las funciones de pertenencia. \(27\,°C \rightarrow Calor=0{,}8,\ MuchoCalor=0{,}2\).
2. Evaluación de las reglas: se aplican las reglas del sistema, combinando las funciones de pertenencia de las variables de entrada para deducir la relevancia de la salida. Por ejemplo: «si la temperatura es alta y la humedad es baja, la velocidad del ventilador debe ser alta».
3. Desfuzzificación: convierte la conclusión difusa de vuelta en un valor preciso, con una función de agregación (normalmente centro de gravedad o máximo).

Las funciones de pertenencia más usadas son trapezoidales y triangulares; las sinusoidales sirven para representar periodos, y las sigmoidales, probabilidades.

8.4 Ejemplo trabajado: la propina del restaurante¶

Es el ejemplo canónico de scikit-fuzzy, y el que verás resuelto paso a paso en el Taller 2.

Variables de entrada (funciones triangulares):

• Calidad del servicio: baja \([0,5]\) · media \([0,10]\) · alta \([5,10]\)
• Calidad de la comida: mala \([0,5]\) · media \([0,10]\) · buena \([5,10]\)

Variable de salida: propina — baja \([0,13]\) · media \([0,25]\) · alta \([13,25]\)

Reglas:

• SI (servicio es baja O comida es mala) ENTONCES propina es baja
• SI (servicio es media) ENTONCES propina es media
• SI (servicio es alta O comida es buena) ENTONCES propina es alta

Inferencia: con un servicio de 9,8 y una comida de 6,5, el sistema desfuzzifica una propina de 19,24 € — en la banda alta, coherente con un servicio casi perfecto y una comida notable.

9. Variación de características y dinámica (RA5-c)¶

9.1 Sensibilidad y robustez¶

• Sensibilidad: cómo cambian las conclusiones ante pequeñas desviaciones en los parámetros o datos de entrada. Un sistema muy sensible detecta pronto anomalías, pero falsas alarmas ante ruido.
• Robustez: capacidad de mantener conclusiones estables y seguras ante perturbaciones, ruido o fallos parciales.

9.2 Tres mecanismos de variación¶

Nota sobre la tabla anterior.

10. Estrategias de control de un sistema experto (RA5-d)¶

10.1 Control de la agenda (resolución de conflictos)¶

10.2 Especificaciones de respuesta¶

Para controlar un proceso, el sistema experto debe cumplir especificaciones sobre la respuesta de la variable controlada:

Nota sobre la tabla anterior.

10.3 Ejemplo guiado: definir las especificaciones de un controlador de climatización¶

Recorremos juntos el razonamiento que repetirás en el Taller 3, antes de aplicarlo al quemador de gas real de EX4.

Problema: queremos controlar la temperatura de una sala para que llegue a 21 ºC.

Paso 1 · Setpoint y precisión. La variable controlada (temperatura) debe estabilizarse en 21 ºC con un error en régimen permanente de ±0,5 ºC como máximo.

Paso 2 · Tiempo de respuesta. La sala debe alcanzar la banda aceptable (20,5-21,5 ºC) en menos de 15 minutos desde el arranque (tiempo de asentamiento).

Paso 3 · Estabilidad y sobreimpulso. Se tolera un sobreimpulso máximo de 1 ºC por encima del setpoint (sin oscilaciones que dañen el equipo).

Paso 4 · Elegir el controlador. Con un PID bien sintonizado se cumple en un sistema lineal, pero la sala tiene inercia térmica y perturbaciones (puertas, sol). Un controlador experto o difuso con reglas del operador («si la diferencia es grande → máxima potencia, y al acercarse → reducir para no sobrepasar») consigue la respuesta con menos sobreimpulso y más robustez ante las perturbaciones.

Paso 5 · Comprobar y ajustar. Se simula la respuesta y se mide ts y el sobreimpulso; si no se cumple la especificación, se ajustan reglas o ganancias (análisis de sensibilidad, §9).

11. Controladores inteligentes (RA5-e)¶

11.1 Del control clásico al control inteligente¶

Un lazo de control clásico compara el setpoint (SP) con la variable medida (PV), calcula el error y aplica una acción (MV) con un controlador PID (proporcional-integral-derivativo). El PID es eficaz en sistemas lineales, pero sufre con retrasos, no linealidades y perturbaciones multivariable.

La acción del PID es u = Kp·e + Ki·∫e + Kd·de/dt: la parte proporcional responde al error, la integral elimina el error residual y la derivada reduce el sobreimpulso. Sus límites: no predice el futuro, se degrada con retrasos y no linealidades, y hay que re-sintonizarlo cuando la planta envejece (ganancias fijas).

Los controladores inteligentes sustituyen o complementan al PID usando técnicas de IA:

11.2 Ejemplos con datos¶

Nota sobre la tabla anterior.

11.3 El sistema experto como controlador¶

El patrón del control experto (Åström, Anton y Årzén, 1986) usa un motor de inferencia dentro del lazo: el sistema evalúa el error y su variación, decide la acción por reglas (supervisando y ajustando incluso un PID) y explica la decisión. Es la base de sistemas industriales como Gensym G2 (refinerías, energía, farmacia) desde los años 80.

El controlador experto puede actuar de dos formas: directamente (decide la acción por reglas, por ejemplo «si el error es negativo grande y aumenta → máxima potencia») o supervisando un PID (ajusta sus ganancias cuando detecta que la respuesta se degrada). En ambos casos, la decisión es explicable: se puede consultar qué regla se disparó y por qué.

1
2
3

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

12. Aplicaciones y tendencias (contenidos del RA5)¶

12.1 Aplicaciones por sector¶

Nota sobre la tabla anterior.

12.2 Tendencias¶

• BRMS (Business Rule Management Systems): motores de reglas empresariales como Drools (Apache KIE) con estándares DMN/JSR-94. Permiten a las empresas gestionar miles de reglas de negocio separadas del código, con motores optimizados (PHREAK) que escalan linealmente.
• Sistemas neuro-simbólicos (3.ª ola de la IA): combinan redes neuronales (aprendizaje) con reglas y razonamiento simbólico (lógica), reduciendo alucinaciones y aportando explicabilidad — es la generalización de los sistemas híbridos reglas/datos del §7. Ejemplo: Amazon utiliza arquitecturas neuro-simbólicas en sus motores de compra para contrastar las salidas generativas con hechos y reglas.
• IA explicable (XAI): MYCIN fue el origen de la explicación; hoy se usan SHAP/LIME para explicar modelos y la normativa exige el derecho a explicación del RGPD (enlaza UD06).
• Agentes y razonamiento declarativo: agentes que planifican con reglas y guardas lógicas de seguridad, garantizando que las decisiones distribuidas cumplen restricciones.
• Reglas como guardarraíl del ML: usar reglas para validar y acotar las salidas de los modelos (p. ej. un LLM no puede emitir una orden fuera de los rangos seguros definidos por reglas). Es la misma idea del §7, llevada a los modelos generativos.

13. Puntos clave de la unidad¶

• La jerarquía DIKW distingue dato, información, conocimiento y sabiduría: un sistema experto almacena conocimiento (reglas) y, en su forma más avanzada, sabiduría (metarreglas).
• Un sistema experto codifica el conocimiento de un experto en una base de conocimiento y lo aplica con un motor de inferencia (ciclo reconocer-actuar, forward/backward).
• La explicación del razonamiento es su gran ventaja frente al ML (obligatoria en dominios regulados).
• La representación del conocimiento forma un continuo: pares atributo-valor, reglas, jerarquías, frames, lógica, redes semánticas u ontologías.
• Con experta (parche Py3.10+) se simulan comportamientos de ámbitos muy diversos: medicina, zoología, deporte, industria.
• Los sistemas híbridos reglas/datos (Human-Learn, FIGS, skope-rules) combinan el conocimiento experto con lo que aprenden los datos, cuando las reglas escritas a mano no bastan.
• La lógica difusa extiende la lógica a valores continuos \([0,1]\), con fuzzificación, evaluación de reglas y desfuzzificación — clave para el control de procesos reales.
• Sensibilidad vs robustez: variar reglas, hechos o umbrales cambia la dinámica (inanición, sobreactivación, falsas alarmas); la histéresis o el control difuso la estabilizan.
• Las estrategias de control (salience, control de meta) y las especificaciones (precisión, tiempo, estabilidad) definen la calidad de la respuesta.
• Los controladores inteligentes (difuso, por reglas, ANN, MPC) superan al PID en sistemas no lineales, con datos como −76 % de asentamiento o 0 % de sobreimpulso.
• Tendencias: BRMS/Drools, neuro-simbólico, XAI, reglas como guardarraíl del ML.

14. Glosario¶

15. FAQ¶

16. Sesiones¶

17. Recursos¶

• Diapositivas
• Ejercicios de la unidad
• Talleres: T01 · simular un sistema experto · T02 · lógica difusa · T03 · controlador experto
• Actividades guiadas — 6 notebooks de introducción y práctica
• Actividades entregables — 5 notebooks evaluables (EX0-EX4), con sus rúbricas
• Notebooks — todos los de la unidad, con descarga y apertura en Colab, en el menú «Notebooks»

18. Evaluación¶

• La normativa exige alcanzar todos los RA del módulo para superarlo (art. 5.1 de la Orden 8/2025: la calificación del módulo está «en función de la consecución de los RA»; y las Instrucciones 26-27, que impiden calificar positivamente un módulo con RA no superados). El centro concreta ese mandato exigiendo ≥ 5 en cada RA.
• Los entregables EX1-EX4 cubren un dominio fijo cada uno (medicina, deporte × 2, industria); EX0 es de libre elección y premia la originalidad.

19. Recuperación¶

Actividades del programa de recuperación individual por RA (art. 14.4 Orden 8/2025): repetir la construcción de un sistema experto con un problema distinto y las pruebas de autoevaluación de la unidad.