http://www.geocities.

com/guillewebs

Introducción.

La Inteligencia Artificial comenzó como el resultado de la investigación en psicología cognitiva y 
lógica   matemática.   Se   ha   enfocado   sobre   la   explicación   del   trabajo   mental   y   construcción   de 
algoritmos   de   solución   a   problemas   de   propósito   general.   Punto   de   vista   que   favorece   la 
abstracción y la generalidad.

La Inteligencia Artificial es una combinación de la ciencia del computador, fisiología y filosofía, tan 
general   y   amplio   como   eso,   es   que   reúne   varios   campos   (robótica,   sistemas   expertos,   por 
ejemplo), todos los cuales tienen en común la creación de máquinas que pueden "pensar".

La idea de construir una máquina que pueda ejecutar tareas percibidas como requerimientos de 
inteligencia humana es un atractivo. Las tareas que han sido estudiadas desde este punto de vista 
incluyen juegos, traducción de idiomas, comprensión de idiomas, diagnóstico de fallas, robótica, 
suministro de asesoría experta en diversos temas.

Es   así   como   los   sistemas   de   administración   de   base   de   datos   cada   vez   más   sofisticados,   la 
estructura de datos y el desarrollo de algoritmos de inserción, borrado y locación de datos, así 
como el intento de crear máquinas capaces de realizar tareas que son pensadas como típicas del 
ámbito de la inteligencia humana, acuñaron el término Inteligencia Artificial en 1956.

Trabajos   teóricos   fundamentales   fueron   el   desarrollo   de   algoritmos   matemáticos   por   Warren 

McCullock   y   Walter   Pitts,   en   1943,   necesarios   para   posibilitar   el   trabajo   de   clasificación,   o 
funcionamiento   en   sentido   general,   de   una   red   neuronal.   En   1949   Donald   Hebb   desarrolló   un 
algoritmo de aprendizaje para dichas redes neuronales creando, en conjunto con los trabajos de 
McCullock y Pitts, la escuela creacionista. Esta escuela se considera hoy como el origen de la 
Inteligencia Artificial, sin embargo se trató poco por muchos años, dando paso al razonamiento 
simbólico basado en reglas de producción, lo que se conoce como sistemas expertos.

1
I. Nociones y Antecedentes Históricos de Inteligencia Artificial.

Definiciones sobre Inteligencia Artificial:

­ Disciplina   científico­técnica   que   trata   de   crear   sistemas   artificiales   capaces   de 

comportamientos   que,   de   ser   realizados   por   seres   humanos,   se   diría   que   requieren 
inteligencia.
­ Estudio de los mecanismos de la inteligencia y las tecnologías que lo sustentan. (Newell, 
91) 
­ Intento de reproducir (modelar) la manera en que las personas identifican, estructuran y 
resuelven problemas difíciles (Pople, 84) 
­ Son ciertas herramientas de programación, entendiendo por herramientas: 
o Lenguajes: LISP, PROLOG
 Entornos de desarrollo: shells
 Arquitecturas de alto nivel: nodo y arco, sistemas de producciones

Desde sus comienzos hasta la actualidad, la Inteligencia Artificial ha tenido que hacer frente a una 
serie de problemas:
­ Los computadores no pueden manejar (no contienen) verdaderos significados. 
­ Los computadores no tienen autoconciencia (emociones, sociabilidad, etc.). 
­ Un computador sólo puede hacer aquello para lo que está programado.
­ Las máquinas no pueden pensar realmente. 

En 1843, Lady Ada Augusta Byron, patrocinadora de Charles Babbage planteó el asunto de si la 
máquina de Babbage podía "pensar". 

Los primeros problemas que se trató de resolver fueron puzzles, juegos de ajedrez, traducción de 
textos a otro idioma. 

Durante la II Guerra Mundial Norbert Wiener y John Von Neumann establecieron los principios de 
la cibernética en relación con la realización de decisiones complejas y control de funciones en 
máquinas. 

La teoría de la retroalimentación en mecanismos, como por ejemplo un termostato que regula la 
temperatura en una casa, tuvo mucha influencia. Esto aún no era propiamente Inteligencia Artificial. 
Se hizo mucho en traducciones (Andrew Booth y Warren Weaver), lo que sembró la semilla hacia 
el entendimiento del lenguaje natural. 

En el año 1955 Herbert Simon, el físico Allen Newell y J.C. Shaw, programador de la RAND Corp. y 
compañero de Newell, desarrolla el primer lenguaje de programación orientado a la resolución de 
problemas de la Inteligencia Artificial, el IPL­11. Un año más tarde estos tres científicos desarrollan 
el primer programa de Inteligencia Artificial al que llamaron  Logic Theorist, el cual era capaz de 
demostrar teoremas matemáticos, representando cada problema como un modelo de árbol, en el 
que   se   seguían   ramas   en   busca   de   la   solución   correcta,   que   resultó   crucial.   Este   programa 
demostró 38 de los 52  teoremas  del segundo capítulo  de  Principia Mathematica  de  Russel y 
Whitehead.

En 1956, con la ahora famosa conferencia de Dartmouth, organizada por John McCarthy y en la 
cual se utilizó el nombre de inteligencia artificial para este nuevo campo, se separó la Inteligencia 
Artificial de la ciencia del computador, como tal. Se estableció como conclusión fundamental la 
posibilidad de simular inteligencia humana en una máquina.

2
En 1957 Newell y  Simon continúan su trabajo con el  desarrollo  del  General Problems Solver 
(GPS).   GPS   era   un   sistema   orientado   a   la   resolución   de   problemas;   a   diferencia   del  Logic 
Theorist,   el   cual   se   orientó   a   la   demostración   de   teoremas   matemáticos,   GPS   no   estaba 
programado para resolver problemas de un determinado tipo, razón a la cual debe su nombre. 
Resuelve una gran cantidad de problemas de sentido común, como una extensión del principio de 
retroalimentación de Wiener. 

Diversos centros de investigación se establecieron, entre los más relevantes están, la Universidad 
Carnegie Mellon, el Massachusetts Institute of Technologie (MIT), encabezado por Marvin Minsky, 
la Universidad de Standford e IBM. Los temas fundamentales eran el desarrollo de heurísticas y el 
aprendizaje de máquinas.

En 1957 McCarthy desarrolló el lenguaje LISP. La IBM contrató un equipo para la investigación en 
esa área y el gobierno de USA aportó dinero al MIT también para investigación en 1963.

A finales de los años 50 y comienzos de la década del 60 se desarrolla un programa orientado a la 
lectura de oraciones en inglés y la extracción de conclusiones a partir de su interpretación, al cual 
su   autor,   Robert   K.   Lindsay,   denomina   "Sad  Sam".   Este   podía   leer   oraciones  del  tipo   "Jim   es 
hermano de John" y "La madre de Jim es Mary", a partir de ella el sistema concluía que Mary debía 
ser   también   la   madre   de   John.   Este   sistema   representó   un   enorme   paso   de   avance   en   la 
simulación   de   inteligencia   humana   por   una   máquina,   pues   era   capaz   de   tomar   una   pieza   de 
información,   interpretarla,   relacionarla   con   información   anteriormente   almacenada,     analizarla   y 
sacar conclusiones lógicas.

En   el  mismo   período   de   tiempo   hay   trabajos   importantes   de   Herbert   Gelernter,   de   IBM,   quien 
desarrolla un "Demostrador Automático de Teoremas de la Geometría", Alex Bernstein desarrolla 
un programa para el juego de ajedrez que se considera el antecedente para "Deep Blue".

En 1961 se desarrolla SAINT (Simbolic Automatic INTegrator) por James Slagle el cual se orienta a 
la demostración simbólica en el área del álgebra.

En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval) el cual era 
capaz de comprender oraciones en inglés.
A continuación un ejemplo, traducido, de interacción entre SIR y un usuario:

Usuario: Todos somos personas
SIR: Comprendo
Usuario: Un dedo es una parte de la mano
SIR: Comprendo
Usuario: Cada persona tiene dos manos
SIR: La oración anterior es ambigua. Por favor reconstrúyala.
Usuario: En cada persona hay dos manos
SIR: Comprendo
Usuario: ¿Cuantos dedos tiene John?
SIR: La oración anterior es ambigua, pero asumo que TIENE significa TIENE COMO PARTES. No 
se si los dedos forman parte de John.
Usuario: John es un chico
SIR: Comprendo
Usuario: ¿Cuántos dedos tiene John?
SIR:  La oración anterior es ambigua, pero asumo que TIENE significa TIENE COMO PARTES, 
¿cuántos dedos por mano?.
Usuario: Cada mano tiene cinco dedos.

3
SIR: Comprendo
Usuario: ¿Cuántos dedos tiene John?
SIR: La respuesta es diez.

En la década del 60 se comienza en el MIT el estudio de la visión artificial, lo cual implica no solo 
captar imágenes a través de una cámara, sino también la comprensión, de lo que estas imágenes 
representan. 

Un resultado importante en este trabajo lo constituye el "mundo de micro­bloques", en el cual un 
robot era capaz de percibir un conjunto de bloques sobre una mesa, moverlos y apilarlos; el éxito 
se debió a los investigadores Larry Roberts, Gerald Sussman, Adolfo Guzman, Max Clowes, David 
Huffman, David Waltz, Patrick Winston, y Berthold Horn.
 
Posteriormente   se   obtuvieron   resultados  importantes  entre   ellos  el  de   mayor  resonancia   fue   el 
sistema SCHRDLU de Terry Winograd, pues permitía interrogar y dar órdenes a un robot que se 
movía dentro de un mundo de bloques. 

A continuación mostramos un ejemplo traducido:

Usuario: Toma un bloque rojo.
SCHRDLU: Ok.
Usuario: Busca un bloque más pequeño que el que tienes y ponlo dentro de la caja.
SCHRDLU: Asumo que PONLO se refiere al bloque más pequeño que el que tengo.
Usuario: ¿Qué contiene la caja?
SCHRDLU: La pirámide azul y el bloque azul.
Usuario: ¿Qué sostiene a la pirámide?
SCHRDLU: La caja.
Usuario: ¿Cuántos bloques no están sobre la mesa?
SCHRDLU: Cuatro.

4
Usuario: ¿Es al menos uno de ellos más estrecho que aquel que te dije que recogieras?
SCHRDLU: Sí, el cubo rojo.
Usuario: ¿Lo sostiene algo?
SCHRDLU: Sí, la mesa.
Usuario: ¿Puede la mesa recoger bloques?
SCHRDLU: No.
Usuario: La pirámide azul es mía.
SCHRDLU: Comprendo.
Usuario:  Todos los bloques que no son rojos son míos, pero no poseo nada que sostenga una 
pirámide.
SCHRDLU: Comprendo.
Usuario: ¿Poseo una caja?
SCHRDLU: No
Usuario: ¿Poseo algo de la caja?
SCHRDLU: Si, dos cosas: El bloque azul y la pirámide azul.

Aunque parezca impresionante la capacidad del sistema para razonar y ejecutar acciones, no se 
debe   perder   de   vista   el   hecho   que   el   robot   se   mueve   en   un   mundo   muy   simple   de   figuras 
geométricas, y que las relaciones entre ellas son muy limitadas. En el mundo real existen tantos 
objetos   diferentes   y  relaciones   entre   ellos,   que   tratar   de   llevar   este   sistema   a   un   entorno   real 
resulta prácticamente imposible. 

En   los   primeros   años   de   la   década   del  60   Frank   Rosemblatt   desarrolla,   en   la   Universidad   de 
Cornell,   un   modelo   de   la   mente   humana   a   través   de   una   red   neuronal   y   produce   un   primer 
resultado   al   cual   llama   perceptrón.   Este   sistema   era   una   extensión   del   modelo   matemático 
concebido por McCullock y Pitts para las neuronas, y funcionaba basándose en el principio de 
"disparar" o activar neuronas a partir de un valor de entrada el cual modifica un peso asociado a la 
neurona, si el peso resultante sobrepasa un cierto umbral la neurona se dispara y pasa la señal a 
aquellas con las que está conectada. Al final, en la última capa de neuronas, aquellas que se 
activen definirán un patrón el cual sirve para clasificar la entrada inicial.

Este trabajo constituye la base de las redes neuronales de hoy en día, sin embargo a raíz de su 
desarrollo sufrió fuertes críticas por parte de Marvin Minsky
 y Seymour Papert lo cual provocó que la mayoría de los investigadores interesados en el tema lo 
abandonarán, y este no se retomara hasta los años 80.

En 1965­70, comenzaron a aparecer los programas expertos, que predicen la probabilidad de una 
solución   bajo   un   set   de   condiciones,   entre   esos   proyectos   estuvo:   DENDRAL,   que   asistía   a 
químicos   en   estructuras   químicas   complejas   euclidianas;   MACSYMA,   producto   que   asistía   a 
ingenieros y científicos en la solución de ecuaciones matemáticas complejas, etc.

En   la   década   1970­80,   creció   el   uso   de   sistemas   expertos,   muchas   veces   diseñados   para 
aplicaciones  médicas   y  para   problemas   realmente   muy   complejos  como   MYCIN,   que   asistió   a 
médicos en el diagnóstico y tratamiento de infecciones en la sangre. Otros son: R1/XCON, PIP, 
ABEL, CASNET, PUFF, INTERNIST/CADUCEUS, etc. Algunos permanecen hasta hoy. 

De 1975 en adelante, comienza la era de los lenguajes expertos (shells) como EMYCIN, EXPERT, 
OPSS, etc. para luego tratar de que éstos sean más amigables y funcionales.

Las definiciones de Inteligencia Artificial son muchas, pero podría decirse que son programas que 
realizan tareas que si fueran hechas por humanos se considerarían inteligentes.

5
Estos programas obviamente corren en un computador y se usan, como por ejemplo, en control 
robótico,   comprensión   de   lenguajes   naturales,   procesamiento   de   imágenes   basado   en 
conocimientos previos, estrategias de juegos, etc. reproduciendo la experiencia que un humano 
adquiriría y de la forma en que un humano lo haría.

Para clasificar las máquinas como "pensantes", es necesario definir qué es inteligencia y qué grado 
de   inteligencia   implica   resolver   problemas   matemáticos   complejos,   hacer   generalizaciones   o 
relaciones, percibir y comprender. Los estudios en las áreas del aprendizaje, del lenguaje y de la 
percepción sensorial han ayudado a los científicos a definir a una máquina inteligente. Importantes 
desafíos han sido tratar de imitar el comportamiento del cerebro humano, con millones de neuronas 
y extrema complejidad.

6
Características de la Inteligencia Artificial.

1) Una  característica  fundamental  que  distingue   a los  métodos de  Inteligencia  Artificial  de  los 
métodos numéricos es  el uso  de símbolos no matemáticos,   aunque  no  es suficiente  para 
distinguirlo completamente. Otros tipos de programas como los compiladores y sistemas de 
bases   de   datos,   también   procesan   símbolos   y   no   se   considera   que   usen   técnicas   de 
Inteligencia Artificial.

2) El   comportamiento   de   los   programas   no   es   descrito   explícitamente   por   el   algoritmo.   La 

secuencia   de   pasos   seguidos   por   el   programa   es   influenciado   por   el   problema   particular 
presente.   El   programa   especifica   cómo   encontrar   la   secuencia   de   pasos   necesarios   para 
resolver un problema dado (programa declarativo). En contraste con los programas que no son 
de Inteligencia Artificial, que siguen un algoritmo definido, que especifica, explícitamente, cómo 
encontrar   las   variables   de   salida   para   cualquier   variable   dada   de   entrada   (programa   de 
procedimiento).

Las conclusiones de un programa declarativo no son fijas y son determinadas parcialmente por 
las conclusiones intermedias alcanzadas durante las consideraciones al problema específico. 
Los lenguajes orientados al objeto   comparten esta propiedad y se han caracterizado por su 
afinidad con la Inteligencia Artificial.

3) El razonamiento basado en el conocimiento, implica que estos programas incorporan factores y 
relaciones del mundo real y del ámbito del conocimiento en que ellos operan. Al contrario de 
los programas para propósito específico, como los de contabilidad y cálculos científicos; los 
programas   de   Inteligencia   Artificial   pueden   distinguir   entre   el   programa   de   razonamiento   o 
motor de inferencia y base de conocimientos dándole la capacidad de explicar discrepancias 
entre ellas.

4) Aplicabilidad a datos y problemas mal estructurados, sin las técnicas de Inteligencia Artificial 
los programas no pueden trabajar con este tipo de problemas. Un ejemplo es la resolución de 
conflictos en tareas orientadas a metas como en planificación, o el diagnóstico de tareas en un 
sistema del mundo real: con poca información, con una solución cercana  y no necesariamente 
exacta.

La   Inteligencia   Artificial   incluye   varios   campos   de   desarrollo   tales   como:   la   robótica,   usada 
principalmente en el campo industrial; comprensión de lenguajes y traducción; visión en máquinas 
que   distinguen   formas   y   que   se   usan   en   líneas   de   ensamblaje;   reconocimiento   de   palabras   y 
aprendizaje de máquinas; sistemas computacionales expertos.

Los  sistemas  expertos,   que   reproducen   el  comportamiento   humano   en   un   estrecho   ámbito   del 
conocimiento, son programas tan variados como los que diagnostican infecciones en la sangre e 
indican un tratamiento, los que interpretan datos sismológicos en exploración geológica y los que 
configuran complejos equipos de alta tecnología. 

Tales tareas reducen costos, reducen riesgos en la manipulación humana en áreas peligrosas, 
mejoran el desempeño del personal inexperto, y mejoran el control de calidad sobre todo en el 
ámbito comercial.

Diferentes teorías:

1) Construir réplicas de la compleja red neuronal del cerebro humano (bottom­up).

7
2) Intentar imitar el comportamiento del cerebro humano con un computador (top­down).

Diferentes metodologías: 

1) La lógica difusa: permite tomar decisiones bajo condiciones de incerteza.
2) Redes neuronales: esta tecnología es poderosa en ciertas tareas como la clasificación y el 
reconocimiento de patrones. Está basada en el concepto de "aprender" por agregación de un 
gran número de muy simples elementos. 

Este modelo considera que una neurona puede ser representada por una unidad binaria: a cada 
instante su estado puede ser activo o inactivo. La interacción entre las neuronas se lleva a cabo a 
través de sinapsis. Según el signo, la sinapsis es excitadora o inhibidora. 

El perceptrón está constituido por las entradas provenientes de fuentes externas, las conexiones y 
la salida. En realidad un perceptrón es una Red Neuronal lo más simple posible, es aquella donde 
no existen capas ocultas. 

Para cada configuración de los estados de las neuronas de entrada (estímulo) la respuesta del 
perceptrón obedece a la siguiente dinámica: se suman los potenciales sinápticos y se comparan 
con un umbral de activación. Esta suma ponderada es también llamada campo. Si el campo es 
mayor que un umbral, la respuesta de la neurona es activa, si no, es inactiva. 

Con una arquitectura tan simple como la del perceptrón no se puede realizar más que una clase de 
funciones "booleanas" muy simples, llamadas linealmente separables. Son las funciones en las 
cuales   los   estados   de   entrada   con   salida   positiva   pueden   ser   separados   de   aquellos   a   salida 
negativa por un hiperplano. Un hiperplano es el conjunto de puntos en el espacio de estados de 
entrada,   que   satisfacen   una   ecuación   lineal.   En   dos   dimensiones,   es   una   recta,   en   tres 
dimensiones un plano, etc.

Si se quieren  realizar  funciones más complejas  con Redes Neuronales,  es  necesario intercalar 

neuronas entre las capas de entradas y de salida, llamadas neuronas ocultas. Una red multicapas 
puede ser definida como un conjunto de perceptrones, ligados entre si por sinapsis y dispuestos en 
capas   siguiendo   diversas   arquitecturas.   Una   de   las   arquitecturas   más   comúnmente   usada   es 
llamada feedforward: con conexiones de la entrada a las capas ocultas y de éstas hacia la salida. 

El funcionamiento de una Red Neuronal es gobernado por reglas de propagación de actividades y 
de actualización de los estados. 

8
9
I.1. Objetivos de la Investigación en Inteligencia Artificial.

Los investigadores en inteligencia artificial se concentran principalmente en los sistemas expertos, 
la resolución de problemas, el control automático, las bases de datos inteligentes y la ingeniería del 
software (diseños de entornos de programación inteligente). 

Otros investigadores están trabajando en el reto del reconocimiento de patrones donde se espera 
un rápido progreso en este campo que abarca la comprensión y la síntesis del habla, el proceso de 
imágenes y la visión artificial.

Finalmente,   la   fundamental   investigación   sobre   la   representación   del   conocimiento,   la 

conceptualización cognoscitiva y la comprensión del lenguaje natural.

Uno de los principales objetivos de los investigadores en inteligencia artificial es la reproducción 
automática del razonamiento humano. 

El razonamiento de un jugador de ajedrez no siempre es el mismo que el de un directivo que se 
pregunta la viabilidad de fabricar un nuevo producto. Un niño jugando con bloques de madera en 
una   mesa   no   tiene   idea   de   la   complejidad   del   razonamiento   necesario   para   llevar   a   cabo   la 
construcción de una pirámide, e intentar que un robot hiciera lo mismo que el niño requeriría un 
largo programa de computador.

Formas de considerar situaciones complejas son:

­ deducción, que permite obtener conclusiones de reglas cuyas premisas hemos comprobado
­ inducción que produce reglas a partir de observaciones parciales.

Estos dos tipos principales pueden utilizarse de un modo analítico (el razonamiento se divide en 
submódulos que son más difíciles de manejar, o de un modo sintético (inverso del proceso anterior, 
juntando elementos que se separaron anteriormente).

La   inducción   puede   tener   lugar   cuando   se   comparan   situaciones   que   son   casi   similares,   con 
parámetros desconocidos en una situación dada asignándole los valores que tienen ya en una 
situación de referencia; este es un razonamiento por analogía.

Los   métodos   para   razonar   son   variados.   La   iteración   significa   repetir   la   misma   secuencia   de 
razonamiento hasta  que se  alcance  una  condición de  final; la recursión consiste en una  forma 
particular del razonamiento que se llama a sí misma, como aquellas muñecas rusas que están 
unas dentro de otras, hasta llegar a un problema simple que es fácil de resolver.

Las   estrategias   para   el   razonamiento   pueden   hacer   uso   de   la   especialización,   la   reducción   al 
absurdo, de la eliminación de caminos poco prometedores y de la reducción de las diferencias.

En   todos   los   casos,   la   organización   jerárquica   del   conocimiento   y   la   segmentación   de   los 

problemas son métodos que se emplean siempre al intentar resolver un problema complejo.

La función asignada a los sistemas expertos es la de razonar.

10
11
I.2. Símbolos vs. Métodos Numéricos.

El  primer   período   de   la   Inteligencia   Artificial,   llamado   sub­simbólico,   data   de   aproximadamente 

1950 a 1965. Este período utilizó representaciones numéricas (o sub­simbólicas) del conocimiento. 
Aunque   la   mayor   parte   de   los   libros   de   Inteligencia   Artificial   enfatizan   el   trabajo   realizado   por 
Rosenblatt y Widrow con redes neuronales durante este período, la realidad es que otra importante 
escuela sub­simbólica data también de la misma época y estos son los algoritmos evolutivos.

La escuela clásica dentro de la Inteligencia Artificial, utiliza representaciones simbólicas basadas 
en   un   número   finito   de   primitivas   y   de   reglas   para   la   manipulación   de   símbolos.   El   período 
simbólico se considera aproximadamente comprendido entre 1962 y 1975, seguido por un período 
dominado por los sistemas basados en el conocimiento de 1976 a 1988. Sin embargo, en este 
segundo   período   las   representaciones   simbólicas   (por   ejemplo,   redes   semánticas,   lógica   de 
predicados, etc.) siguieron siendo parte central de dichos sistemas.

La Programación Lógica tiene sus orígenes más cercanos en los trabajos de J. A. Robinson que 
propone   en   1965   una   regla   de   inferencia   a   la   que   llama   resolución,   mediante   la   cual   la 
demostración de un teorema puede ser llevada a cabo de manera automática.

En la actualidad, la Inteligencia Artificial empieza a extender sus áreas de investigación en diversas 
direcciones y trata de integrar diferentes métodos en sistemas a gran escala, tratando de explotar 
al máximo las ventajas de cada esquema. 

La resolución es una regla que se aplica sobre cierto tipo de fórmulas del Cálculo de Predicados de 
Primer Orden, llamadas cláusulas y la demostración de teoremas bajo esta regla de inferencia se 
lleva a cabo por reducción al absurdo. 

Otros trabajos importantes de esa época que influyeron en la programación lógica, fueron los de 
Loveland, Kowalski y Green, que diseña un probador de teoremas que extrae de la prueba el valor 
de las variables para las cuales el teorema es válido. 

Estos mecanismos de prueba fueron trabajados con mucho entusiasmo durante una época, pero, 
por   su   ineficiencia,   fueron   relegados   hasta   el   nacimiento   de   Prolog,   que   surge   en   1971   en   la 
Universidad de Marsella, Francia. 

Actualmente, la programación lógica ha despertado un creciente interés que va mucho más allá del 
campo   de   la   Inteligencia   Artificial   y   sus   aplicaciones.   Los   japoneses,   con   sus   proyectos   de 
máquinas de la quinta generación, dieron un gran impulso a este paradigma de programación.
 
La   Lógica   de   Primer   Orden,   es   uno   de   los   formalismos   más   utilizados   para   representar 
conocimiento en Inteligencia Artificial. La Lógica cuenta con un lenguaje formal mediante el cual es 
posible   representar   fórmulas   llamadas   axiomas,   que   permiten   describir   fragmentos   del 
conocimiento   y,   además   consta   de   un   conjunto   de   reglas   de   inferencia   que   aplicadas   a   los 
axiomas, permiten derivar nuevo conocimiento. 

El Alfabeto del Lenguaje de la Lógica de Primer Orden contiene dos tipos de símbolos:

a) Símbolos lógicos, entre los que se encuentran los símbolos de constantes proposicionales true 
y   false;   los   símbolos   de   operadores   proposicionales   para   la   negación,   la   conjunción,   la 
disyunción y las implicaciones (=>, <=); los símbolos de operadores de cuantificación como el 
cuantificador universal; el cuantificador existencial; y los símbolos auxiliares de escritura como 
corchetes [,], paréntesis (,) y coma.

12
b) Símbolos   no   lógicos,   agrupados   en   el   conjunto   de   símbolos   constantes;   el   conjunto   de 
símbolos de variables individuales; el conjunto de símbolos de funciones n­arias; y el conjunto 
de símbolos de relaciones n­arias. 

A partir de estos símbolos se construyen las expresiones válidas en el Lenguaje de Primer Orden: 
los términos y las fórmulas. 

Un  término  es   cualquiera   de   las   tres   expresiones   siguientes:   una   constante,   por   ejemplo,   el 
número   "100",   la   palabra   "alfredo"   y   la   letra   "c";   o   una   variable,   por   ejemplo,   "X"   o   bien   una 
expresión de la forma "f(t1,...,tn)" donde "f" es un símbolo de función n­aria y t1,...,tn son términos. 
Ejemplos de funciones son: f(100,X), padre(Y) y sucesor(X). 

Las   fórmulas  atómicas  o  elementales  son   expresiones  de  la   forma   R(t1,...,tn)  donde   R  es  un 
símbolo de relación n­aria y t1,...,tn son términos. 

Ejemplos de fórmulas son:     
           
 positivo(3),not(igual(4,doble(2))), recetar(X,aspirina)<=tiene(X,fiebre), tiene(X,cefalea). 

Esta última establece una regla que dice que, si X tiene fiebre y cefalea (dolor de cabeza), X debe 
tomar una aspirina. 

El Lenguaje de Primer Orden posee un amplio poder de expresión, los términos permiten nombrar 
los objetos del universo, mientras que las fórmulas permiten afirmar o negar propiedades de éstos 
o bien establecen las relaciones entre los objetos del universo. 

Puede decirse que la Programación Lógica utiliza la Lógica de Primer Orden como lenguaje de 
programación. Prolog es un ejemplo de lenguaje basado en la Lógica de Primer Orden y aunque 
toma   su   nombre   de   este   término   ("PROgramming   in   LOGic"),   no  abarca   toda   la   riqueza   de   la 
Lógica de Primer Orden para resolver problemas, pues está restringido al uso de cierta clase de 
fórmulas denominadas cláusulas definidas o cláusulas de Horn. 

Un programa lógico está formado por un conjunto finito de cláusulas de programa que son hechos 
o reglas. Por ejemplo: 

padre(luis,miguel).  hecho
padre(miguel,jose).  hecho
padre(jose,juan).  hecho
abuelo(X,Y):­padre(X,Z), padre(Z,Y). regla

Este programa está formado por cuatro cláusulas de programa, las tres primeras son del tipo hecho 
y definen la relación padre/2 y la cuarta una regla que define la relación abuelo/2. Nótese el uso de 
las variables X,Y y Z en esta cláusula, las cuales permiten definir de manera general en Prolog la 
relación   "ser   abuelo   de",   pues   la   lectura   declarativa   de   dicha   cláusula   es   la   siguiente:   "Para 
cualesquiera X,Y,Z se cumple que: X abuelo de Y, si X padre de Z y Z padre de Y". 

En Prolog es posible hacer preguntas sobre objetos y relaciones del dominio y estas preguntas se 
formulan   como   objetivos  o  metas,   que   son   evaluadas  por  el  intérprete   de   Prolog   utilizando   su 
mecanismo de inferencia interno, el cual determina si la meta a demostrar es una consecuencia 
lógica del programa, aplicando reglas de deducción para obtener la respuesta. 

13
Por   ejemplo,   del   programa   anterior,   utilizando   la   cláusula   de   tipo   meta  ?abuelo(X,juan),   para 
preguntar ¿quién es el abuelo de Juan? o bien ¿quiénes son los abuelos de Juan?, es posible 
deducir que Luis es abuelo de Juan, aunque implícitamente no existe en el programa ningún hecho 
que así lo afirme. 

En este caso la ejecución del programa, para dicha meta, arrojaría como resultado que X=luis. 

El método de deducción utilizado por Prolog, para dar respuesta a los objetivos planteados, se 
basa en el uso de una única regla de inferencia: el Principio de Resolución. 

Los   primeros   trabajos   de   prueba   automática   de   teoremas   utilizaban   la   resolución,   aplicada   a 

cláusulas cualesquiera, pero el problema de las deducciones con cláusulas generales es el gran 
número de combinaciones posibles para llevar a cabo las resoluciones. 

Por  ello   Prolog   restringe   el  conjunto   de   cláusulas,   lo   que   le   permite   llevar   a   cabo   una   prueba 
dirigida y, en la mayoría de los casos, con un universo de posibilidades explorable en tiempo de 
ejecución.
 
Realmente,   en   Prolog   se   hace   uso   de   una   estrategia   de   refinamiento   de   dicho   principio, 
denominada Resolución­SLD, la cual se aplica a cláusulas definidas.

14
15
I.3. Algoritmos.

Cuando una tarea se realiza por medio de un algoritmo perfectamente definido de almacenamiento, 
clasificación o cálculo, lo puede hacer un computador. Este concepto de algoritmo, secuencial, fijo 
y   de   determinadas   operaciones,   es   incapaz   de   manejar   problemas   donde   el   camino   del 
razonamiento   es   variable   y   donde   deben   afrontarse   situaciones   diversas   sin   haber   sido 
especificadas.

La  Inteligencia  Artificial hace  uso  de  un  tipo  de  lenguaje  diferente  como  es el  caso  de  LISP  y 
PROLOG.

En   1932,   Cannon   visualizó   la   evolución   natural   como   un   proceso   de   aprendizaje.   Alan   Turing 
reconoció, en 1950, que debe haber una conexión  obvia entre el aprendizaje de  máquina  y la 
evolución, y señaló que se podrían desarrollar programas para jugar ajedrez usando esta técnica. 
Campbell conjeturó en 1960 que en todos los procesos que llevan a la expansión del conocimiento, 
se involucra un proceso ciego de variación y supervivencia selectiva. 

Los primeros intentos de aplicar de manera formal la teoría de la evolución, a problemas prácticos 
de ingeniería, apareció en las áreas de control de procesos estadísticos, aprendizaje de máquina y 
optimización de funciones. Tal vez el primer intento serio de este tipo se dio en el trabajo que 
realizaron Box y sus colegas en 1957, en el desarrollo de una técnica que denominaron operación 
evolutiva, la cual se aplicó a una planta de manufactura, y que se implanto sobre la base de los 
votos  de  un  comité  de  jefes  técnicos.  Bajo  este   esquema,  la  calidad  del  producto  avanzaba  a 
través de mutaciones aleatorias y la selección era determinada por el comité. 

Por su parte, Friedberg intentó, en 1958, hacer que un programa en lenguaje máquina se mejorara 
a sí mismo, seleccionando instrucciones que se asociaran más frecuentemente con un resultado 
exitoso. Aunque Friedberg nunca mencionó explícitamente estar simulando la evolución natural, 
esa es la interpretación más comúnmente aceptada de su trabajo, y a pesar de que tuvo cierto 
éxito evolucionando manipuladores de bits y determinando las interconexiones de una caja negra 
de 1400 terminales, la comunidad de Inteligencia Artificial de la época prestó poca atención a su 
trabajo. Por ejemplo, Minsky lo criticó duramente, argumentando que una búsqueda puramente 
aleatoria era mucho mejor que el algoritmo de Friedberg.

El trabajo de Bremermann, en 1958, se enfocó más a la optimización, introduciendo el importante 
manejo de un valor de aptitud, y definiendo a un individuo como una cadena de símbolos binarios 
(unos y ceros). Bremermann advirtió, acertadamente, que la mutación jugaba un papel importante 
en la evolución, pues impedía el estancamiento en mínimos locales. Aunque muchas de sus ideas 
se   usan   hoy   en   día,   Bremermann   cometió   el   error   de   tratar   de   optimizar   funciones   lineales   y 
convexas, obteniendo resultados decepcionantes, pues sus algoritmos evolutivos tenían que ser 
complementados   con   otras   heurísticas   para   converger   en   una   solución.   Hoy  sabemos  que   los 
algoritmos evolutivos difícilmente pueden competir con las técnicas tradicionales de optimización 
en esos dominios. 

Barricelli   ofreció,   en   1954,   una   de   las   primeras   simulaciones   que   usaba   principios   evolutivos, 
utilizando los mismos procedimientos generales que se usan hoy en día en la disciplina conocida 
como vida artificial. Sin embargo, en este trabajo, así como el que Reed realizó posteriormente en 
1967, se concluyó que la cruza no parecía mejorar la velocidad de la adaptación selectiva, y el 
operador primordial era la mutación. 

Fue Fogel el que introdujo la primera técnica evolutiva que realmente funcionó más o menos dentro 
de los lineamientos actuales de la computación evolutiva. Su programación evolutiva consistía en 

16
hacer   evolucionar   autómatas   de   estados   finitos   por   medio   de   mutaciones.   Fogel   introdujo   los 
importantes conceptos de población y selección, y aunque las revisiones iniciales de su trabajo 
fueron favorables, algunos investigadores, como Solomonoff, enfatizaron que el método de Fogel 
no   debía   verse   en   su   estado   actual   (en   1966)   como   algo   particularmente   útil   para   resolver 
problemas, a excepción de los más simples posibles. Solomonoff vio a la programación evolutiva 
como   una   especie   de   búsqueda   escalando   la   colina   modelada   mediante   autómatas,   y   otros 
investigadores como Holland, Kieras, Rada y Lenat compartieron esa opinión. 

Otra   técnica   evolutiva   dirigida   particularmente   a  la   optimización  de  funciones  continuas  de   alta 
complejidad   se   desarrolló   en   Alemania,   en   1965,   por   Rechenberg   y   Schwefel.   Esta   técnica, 
llamada   estrategia   evolutiva,   se   utilizó   inicialmente   para   resolver   problemas   de   ingeniería   que 
desafiaban a los métodos de optimización tradicionales, como el gradiente conjugado, y se basa en 
la   modificación   sistemática   de   un   vector   de   números   reales   (representando   las   variables   de 
decisión del problema) mediante operadores probabilísticos, usando ciertos criterios para decidir en 
qué   dirección   dirigir   la   búsqueda.   La   estrategia   evolutiva   utiliza   como   operador   principal   a   la 
mutación, y en su versión más reciente usa la cruza como operador secundario. 

Aunque el australiano Fraser propuso, desde fines de los 50, un procedimiento muy similar al que 
John Holland llamó planes evolutivos a fines de los 60, es al segundo al que se le suele atribuir la 
creación de la técnica que se conoce como algoritmo genético, a raíz de que Holland publicara el 
libro “Adaptation in Natural and Artificial Systems” en 1975. 

La principal diferencia del algoritmo genético con las técnicas antes mencionadas, es que utiliza la 
cruza como operador principal y a la mutación como operador secundario (e incluso opcional). El 
algoritmo genético, al igual que las redes neuronales, funciona como una caja negra que recibe 
ciertas entradas y produce (tras una cantidad de tiempo indeterminada) las salidas deseadas. Sin 
embargo, a diferencia de éstas, los algoritmos genéticos no necesitan entrenarse con ejemplos de 
ningún tipo, sino que son capaces de generar sus propios ejemplos y contraejemplos que guíen la 
evolución a partir de poblaciones iniciales totalmente aleatorias. 

Los mecanismos de selección del más apto y de reproducción sexual del algoritmo genético, son 
los encargados de preservar las características más adecuadas de cada individuo a fin de hacer 
converger a la población en soluciones óptimas. 

Los algoritmos genéticos se distinguen también por no quedar atrapados fácilmente en mínimos 
locales, como la mayor parte de las técnicas de búsqueda clásicas, además de usar operadores 
probabilísticos  más robustos  que  los  operadores determinísticos,   que  las  otras  técnicas suelen 
usar. 

No   obstante,   siendo   una   heurística,   tampoco   pueden   garantizar   encontrar   siempre   la   solución 
óptima, si bien la experiencia acumulada hasta la fecha parece demostrar que, cuando se utilizan 
apropiadamente, pueden proporcionar soluciones muy aceptables y, en la mayoría de los casos, 
superiores a las encontradas con otras técnicas de búsqueda y optimización. 

Aunque aún atacados por algunos sectores de la comunidad de Inteligencia Artificial, los algoritmos 
genéticos, al igual que las redes neuronales, se han ido ganando poco a poco, y sobre la base de 
la efectividad de sus resultados en aplicaciones prácticas, el reconocimiento de los investigadores 
como   una   técnica   efectiva   en   problemas   de   gran   complejidad,   como   lo   demuestra   un   número 
creciente de conferencias y publicaciones especializadas alrededor del mundo, en los últimos años. 

17
18
I.4. Base de Conocimiento. Sistemas Basados en Conocimiento.

Los métodos generales desarrollados para la resolución de problemas y técnicas de búsqueda al 
inicio   de   la   era   de   la   Inteligencia   Artificial   demostraron   no   ser   suficientes   para   resolver   los 
problemas   orientados   a   las   aplicaciones,   ni   fueron   capaces   de   satisfacer   los   difíciles 
requerimientos de la investigación. 

A este conjunto de métodos, procedimientos y técnicas, se lo conoce como Inteligencia Artificial 
Débil. La principal conclusión que se derivó de este trabajo inicial fue que los problemas difíciles 
sólo   podrían   ser   resueltos   con   la   ayuda   del   conocimiento   específico   acerca   del   dominio   del 
problema. 

La aplicación de  estas ideas dio  lugar al desarrollo  de los denominados  Sistemas Basados  en 

Conocimiento (Knowledge Based Systems) y al aparecimiento de la Ingeniería Cognoscitiva, como 
una rama de la Inteligencia Artificial, que estudia los sistemas basados en el conocimiento. La 
definición de un sistema basado en conocimiento puede ser la siguiente: 

Es un sistema computarizado capaz de resolver problemas en el dominio en el cual posee  
conocimiento específico. 

La solución es esencialmente la misma que hubiera dado un ser humano confrontado con idéntico 
problema, aunque no necesariamente el proceso seguido por ambos puede ser igual. 

El simple concepto dado, puede causar confusión ya que muchos sistemas basados en programas 
convencionales   podrían   ser   incorrectamente   categorizados   como   sistemas   basados   en 
conocimiento.   Esta   inconsistencia   puede   ser   aclarada,   sobre   la   base   de   tres   conceptos 
fundamentales   que   distinguen   a   los   sistemas   basados   en   conocimiento   de   los   programas 
algorítmicos convencionales y de los programas generales basados en búsqueda: 

Inteligencia Artificial débil.

­ Primero, la separación del conocimiento y el modo en que es usado.
­ Segundo, la naturaleza del conocimiento empleado (heurística antes que algorítmica).
­ Tercero, El uso de conocimiento específico de un determinado dominio.

Las características principales son:

­ amplia difusión del conocimiento
­ fácil modificación
­ respuestas coherentes
­ disponibilidad casi completa
­ conservación del conocimiento
­ capacidad de resolver problemas disponiendo de información incompleta
­ capacidad de explicar los resultados y la forma de obtenerlos

Los principales problemas asociados a este método son:

­ las soluciones no siempre son las mejores o correctas
­ conocimiento limitado frente al dominio de un experto
­ carecen del sentido común o criterio que puede tener un experto
­ es difícil extraer todo el conocimiento que maneja un experto.

19
20
I.4.1 Experiencia, Habilidades y Conocimiento.

Los tipos de experiencia que son de interés en los sistemas basados en conocimiento, pueden ser 
clasificados en tres categorías: asociativa, motora y teórica. 

Los   sistemas   basados   en   conocimiento   son   excelentes   para   representar  conocimiento 

asociativo.   Este   tipo   de   experiencia   refleja   la   habilidad   heurística   o   el   conocimiento   que   es 
adquirido mayoritariamente, a través de la observación. 

Puede ser que no se comprenda exactamente lo que ocurre al interior de un sistema (caja negra), 
pero se pueden asociar entradas o estímulos con salidas o respuestas, para resolver problemas 
que han sido previamente conocidos. 

La experiencia motora es más física que cognitiva. La habilidad se adquiere fundamentalmente a 
través del ejercicio y la práctica física constante. Los sistemas basados en conocimiento no pueden 
emular   fácilmente   este   tipo   de   experiencia,   principalmente   por   la   limitada   capacidad   de   la 
tecnología robótica. 

La  experiencia   teórica  y  el   conocimiento   profundo   permite   que   los  humanos   puedan   resolver 
problemas   que   no   se   han   visto   antes,   es   decir,   no   existe   una   posibilidad   asociativa.   El 
conocimiento teórico y profundo se adquiere a través de estudio y entrenamiento formal, así como 
por medio de la resolución directa de problemas. 

Debido a su naturaleza teórica, este conocimiento se puede olvidar fácilmente, a no ser que se use 
en   forma   continua.   Al   momento,   los   sistemas   convencionales   basados   en   conocimiento   tienen 
muchas   dificultades   para   duplicar   este   tipo   de   experiencia.   Sin   embargo,   los  Sistemas   de 
Razonamiento   Basado   en   Modelos  representan   un   notable   intento   de   encapsular   este 
conocimiento profundo y razonar con él. 

Estructura de los Sistemas Basados en Conocimiento.

La   arquitectura   de   un   sistema   basado   en   conocimiento   de   alguna   manera   refleja   la   estructura 

cognitiva y los procesos humanos. La primera parte es la memoria de largo plazo, en la que guarda 
los hechos (Base de Hechos) y los conocimientos (Base de Conocimientos) acerca del dominio en 
el que tiene experiencia. 

21
 Estructura de un sistema basado en conocimiento

 La segunda parte es el sistema que realiza la función de razonamiento para resolver problemas 
(Motor de Inferencia). Finalmente, la tercera parte la conforman las unidades de entrada y salida 
que permiten la comunicación entre el sistema y su entorno.

La representación del conocimiento determina el desarrollo de un sistema experto e influye en las 
estrategias de control. Es muy versátil, hay muchas formas de hacerlo y es complicada la elección. 
Generalmente   la   elección   está   basada   en   la   intuición   o   en   las   especiales   circunstancias   del 
problema.

La primera fase es la adquisición del conocimiento desde un experto y depende de la cantidad y de 
su   adecuada   representación.   Se   deben   conocer   los   límites,   pues   sólo   llegan   hasta   donde   son 
capaces   de   resolver   un   problema.   Esto   implica,   que   tiene   que   circunscribirse   a   un   dominio 
homogéneo.

El lenguaje de programación debe ser adecuado, se usan principalmente el LISP y PROLOG, que 
difieren   de   los   lenguajes   clásicos   en   que   sus   reglas   (que   también   contienen   hechos)   entran 
masivamente, y que el programa, es decir, el motor de inferencia, encontrará el camino a través de 
reglas.

Por otra parte, la programación procedural consiste en una cuidadosa descripción de los algoritmos 
que marcan el camino de los diferentes procedimientos y funciones en los programas.

Estos dos modos de programación son teóricamente iguales, pero en la práctica difieren.

La programación declarativa es un tipo de programación implantada en los sistemas expertos y por 
ciertos   lenguajes.   La   principal   diferencia   es   que   en   la   declarativa   las   reglas   se   formulan 
independientemente   de   su   secuencia   de   aplicación.   El   modo   en   que   se   ejecutan   las   reglas 
corresponde   al   motor   de   inferencia   y   es   independiente   de   las   reglas   en   sí   mismas.   En   la 
programación procedural, las reglas se implantan y ejecutan en un orden establecido.

Las ventajas en los sistemas expertos es la modularidad, no hay un solo camino para responder a 
un problema y son fáciles de leer, lo que simplifica comprobar su consistencia.

22
La   representación   del   conocimiento   es   esencial   en   inteligencia   artificial   y   es   la   base   de   la 
construcción de un sistema experto.

Fases en la adquisición del conocimiento:

­ identificación del problema.
­ Estructuración del conocimiento.
­ La arquitectura del sistema y la maqueta.
­ El prototipo y terminación del sistema.

Tecnología de los Sistemas Basados en Conocimiento.

Desde el punto de vista tecnológico, los Sistemas Basados en Conocimiento pueden presentar 
varias formas de aplicación:
• Aislada: un Sistema Basado en Conocimiento único se relaciona con el entorno.
• Integrada:   varios   Sistemas   Basados   en   Conocimiento   conectados   a   bases   de 
conocimiento comunes. Tipo Front­End cuando todos los hechos y datos están físicamente 
en la base común. Tipo Back­End cuando los hechos y datos necesarios que no estén en 
las bases comunes, pueden obtenerse de otros SBC. 
• Embebida: un Sistema Basado en Conocimiento está integrado con otros sistemas y no se 
lo distingue.

23
24
I.5. Motor de Inferencia.

Un motor de inferencia interpreta y evalúa los hechos en la base de conocimientos para proveer 
una   respuesta.  Este   debe   ser   independiente   del   conocimiento   y   de   los   hechos.   Se   puede 
caracterizar por:
 
• El lenguaje en que ha sido escrito.
• La velocidad de trabajo: Inferencias / segundo.
• Las estrategias de búsqueda de soluciones:
o No Ordenada: aleatoria, heurística.
o Ordenada:  Encadenamiento   hacia   adelante  (guiado   por  los  datos,   deductivo), 
encadenamiento hacia atrás (guiado por los objetivos, inductivo).
• La forma en que elige el conocimiento.
• La posibilidad de incorporar metaconocimiento.
• El tipo de lógica que emplea en el razonamiento:
o Booleana, trivalente, multivalente, difusa.
o Monotónica o no monotónica.
o Atemporal o temporal.
o Lógica de orden 0, orden 0+, orden 1.
• El método que utiliza para la evaluación del conocimiento incompleto o incierto:
o Determinístico.
o Probabilístico.
o Aproximado.
o Difuso.

En un sistema experto, dado un estado particular de la base de datos, se deben reconocer las 
reglas  aplicables  y  esto   se   llama   filtrado   o  identificación   de   patrones,   operación  especialmente 
larga, ya que muchos sistemas realizan una preselección de las reglas antes de que comience la 
identificación propiamente tal. Es decir, se considera un subconjunto de reglas y entre éstas, las 
aplicables. Esto, es lo que se llama restricción.

Adicionalmente   puede   existir   una   Base   de   Datos   con   información   puntual   sobre   problemas 
específicos anteriormente resueltos por el sistema, y que se usa como información adicional en el 
proceso de inferencia.

Una vez que las reglas han sido reconocidas deben ser elegidas, dependiendo de la estrategia de 
control, que es la selección.

Una vez que las regla han sido elegida ha de ejecutarse.

Al módulo central del sistema experto que maneja estas tres operaciones se le denomina motor de 
inferencia o intérprete de reglas. Hay diversos tipos de motores de inferencia según los métodos 
con que se manejan las tres operaciones precedentes.

Identificación de patrones.

Esta operación determina cuáles son las reglas potencialmente aplicables en un estado dado de la 
base de datos.

25
Hay   ciertos   métodos   típicos   para   resolver   problemas   mediante   Inteligencia   Artificial   como: 
descomposición de problemas, inferencia deductiva, deducción lógica, etc.

No es necesario que la búsqueda se aplique a todas las reglas, el sistema de control puede decidir 
cuáles no son necesarias a ese nivel.

El filtrado significa tener el conocimiento para encontrar las reglas cuya precondición se satisfaga. 
Se debe comparar por tanto la precondición con la base de datos. Si es una regla deductiva "si 
premisa entonces conclusión", la parte a ser probada de la regla, se llama disparador o activador 
(tigger) es siempre una fórmula bien formada ya sea de lógica proposicional o de lógica de primer 
orden. Puede aplicarse a cualquier hecho.

El único lenguaje que está totalmente basado en el cálculo de predicados es el PROLOG.

Los procesos de identificación de patrones pueden mejorarse examinando, dentro del activador de 
cada regla, primero los predicados con más restricciones, es decir, los que tienen el menor número 
de variables libres. Otra forma de proceder es que, para cada regla o parte de su activador, se 
guarda en la memoria el resultado de las posibles unificaciones para cada parte del activador. 
Después de cada ciclo del motor de inferencia, esta memoria se actualiza y se denomina filtrado 
por propagación.

Ejecución de las reglas.

Después  de la fase  de filtrado, cuando  una  regla está  reconocida como  aplicable, teniendo en 

cuenta la base de datos existente, solo resta ejecutarla. Si hay varias posibles reglas, la elección la 
realiza la estrategia de control.

La conclusión de la regla tiene por objeto modificar la base de conocimiento, creando, modificando 
o suprimiendo un hecho.

La fase de restricción.

En un sistema dirigido por los datos, el filtrado consiste en retener todas las reglas cuyas premisas 
son verdaderas teniendo en cuenta los hechos (verdaderos) presentes en la base de datos. Este 
sistema funciona en encadenamiento hacia delante.

Si el sistema es a la vez dirigido por los datos y por los objetivos, se denomina mixto.

La restricción también puede estar especificado explícitamente por el experto para utilizar reglas 
dentro  de las  reglas,  es decir,  meta  reglas. Indica  qué  grupo  de reglas debe ser retenido,  por 
prioridad, o definir un orden en los subconjuntos de las reglas.

El conocimiento puede organizarse en forma de red como en las redes semánticas utilizadas en el 
análisis   sintáctico   del   lenguaje.   Su   posición   dentro   de   la   red   dirige   las   restricciones   utilizando 
heurísticas.   Esta   formulación   es   particularmente   eficiente   si   se   establece   válidamente   una 
organización jerárquica del conocimiento, en este caso existiría una taxonomía de los hechos.

Otro modo de gobernar las restricciones es organizar las reglas en paquetes o esquemas, lo que 
genera una estructura de árbol en reglas, lo que es una ventaja.

Todos estos modos dependen de la forma en que está representado el conocimiento.

La fase de selección.

26
Como después de las fases anteriores quedan varias reglas se debe seleccionar una y luego de 
procesada el programa debe saber dónde volver.

Cuando hay una o más reglas, se usan dos estrategias: 

­ La búsqueda en anchura, que elige una, generalmente la primera y se van ejecutando por turno 
antes de comprobar que se ha alcanzado la condición final. Si no es así se inicia otro ciclo del 
motor de inferencia. Este tipo de búsqueda es exhaustiva y la usa el sistema experto MYCIN.

­ Otra   estrategia   es  la   de  elegir  una   regla   entre   las aplicables  por  medio   de  una   heurística, 
procesarla y modificar la base de datos. Si no se alcanza la condición final, comienza otro ciclo 
del motor de inferencia. Es por lo tanto, una estrategia en profundidad.

Cada una de las estrategias pueden ser irrevocables o avanzar por prueba y error.

Muchos sistemas efectúan marcha atrás, si no hay regla aplicable, pero si el sistema está bajo un 
control irrevocable se detendrá.

Visto en la práctica, las reglas poseen la siguiente estructura:

SI (CONJUNTO_DE_PREMISAS) ENTONCES CONSECUENCIA

o bien:

(CONJUNTO_DE_PREMISAS)  CONSECUENCIA

El  CONJUNTO_DE_PREMISAS  contiene   las  cláusulas,   o   simplemente   condiciones,   que   deben 

cumplirse para que la regla pueda ejecutarse, y la CONSECUENCIA representa el resultado de la 
ejecución de dicha regla. 

Un ejemplo sencillo que ilustra cómo representar conocimiento a través de reglas:

Afirmación: 

Todos los catedráticos son doctores. 

Representación Lógica ­ Matemática: 

En esta representación la variable x constituye el conjunto de todas las personas posibles, 
CATEDRÁTICO representa la relación "SER CATEDRÁTICO" y DOCTOR la de "SER DOCTOR". 
De esta manera la regla anterior representa el hecho: Para toda persona x, Si x es catedrático 
entonces x es doctor. 
Representación en SE: 

 
o bien:

SI (x ES CATEDRÁTICO) ENTONCES (x ES DOCTOR)

27
En   este   caso   CATEDRÁTICO   y   DOCTOR   representan   de   nuevo   relaciones   que   deben   estar 
representadas sobre el sistema. 

¿Cómo representar estas nuevas relaciones?: 

Como todo sistema informático los SE pueden operar sobre un conjunto finito de elementos, para 
esto es necesario definir el universo de trabajo dentro del cual probaremos nuestras reglas. Sobre 
esta   base   la   definición   de   la   relación   SER   CATEDRÁTICO   o   CATEDRÁTICO,   según   sea   la 
representación usada, debe hacerse puntualmente para cada individuo del universo, por ejemplo:

CATEDRÁTICO("Mario Pérez")
CATEDRÁTICO("Manuel Fernández")
CATEDRÁTICO("Maria González")

Los   componentes   de   la   relación   SER   DOCTOR   se   deducen   a   partir   de   la   relación   SER 

CATEDRÄTICO y la regla anterior, por lo que no es necesario una representación o definición 
explícita. 

La inferencia o extracción de conclusiones:

Para extraer una conclusión, o inferencia, se hace necesario, antes que nada, saber el objetivo a 
satisfacer, o problema a resolver. Este problema se plantea en forma de objetivo que se toma por 
el Motor de Inferencia el cual a través de la activación y encadenamiento de reglas trata de llegar a 
una solución. Al seguir con el ejemplo:

Objetivo: 
"Es Mario Pérez Doctor"? 

Solución: 
Al aplicar la regla:  SI (x ES CATEDRÁTICO) ENTONCES (x ES DOCTOR) 

Se debe chequear, como precondición de activación, el cumplimiento de la relación:
CATEDRÁTICO("Mario Pérez")

Se debe chequear la base de Axiomas o Afirmaciones:

CATEDRÁTICO("Mario   Pérez")   existe   en   la   base   de   axiomas,   por   lo   que   la   precondición   es 

verdadera.

Se dispara la consecuencia y se llega a la conclusión que Mario Pérez es doctor.

Encadenamientos de reglas:

Existen dos mecanismos fundamentales de encadenamiento de reglas:

1. Encadenamiento hacia delante:

Se produce cuando el objetivo propuesto al sistema hace que se ejecute una regla, y la conclusión 
obtenida permite que se ejecute otra, y así sucesivamente hasta llegar a una respuesta, positiva o 
negativa.   El   punto   final   se   detecta   cuando   no   se   pueden   producir   más   encadenamientos,   por 
ejemplo cuando se llega a un axioma.

28
Por ejemplo:

(1). SI (x ES JEFE_DPTO) ENTONCES (x ES CATEDRÁTICO)
(2). CATEDRÁTICO("Mario Pérez")
(3). CATEDRÁTICO("Manuel Fernandez")
(4). CATEDRÁTICO("Maria Gonzalez")

Al evaluar el objetivo: "Mario Pérez es Jefe_Dpto"?, se dispara la regla (1), la cual a su vez se 
encadena con la (2), en este momento no se pueden producir más encadenamientos pues la regla 
(2)   es   un   axioma.   Llegado   a   este   punto   el   Motor   de   Inferencia   retrocede   y   da   una   respuesta 
positiva a la pregunta. 

2. Encadenamiento hacia atrás: 

Consiste   en,   dado   un   objetivo,   buscar   una   regla   que   permita   establecer   dicha   conclusión,   el 
proceso se repite hasta encadenar con la regla cuya conclusión satisfaga el objetivo propuesto, o 
se detecte que dicho problema no se puede resolver positivamente. Por ejemplo para averiguar si 
"Mario   Pérez   es   doctor"   se   busca   un   regla   que   tenga   esta   afirmación   en   sus   consecuencias. 
Analizando las reglas anteriores vemos que la regla:

(5). SI (x ES CATEDRÁTICO) ENTONCES (x ES DOCTOR)

Satisface estas condiciones; siguiendo esta regla hacia atrás tenemos que buscar una nueva que 
permita validar si "Mario Pérez" es catedrático, lo cual se hace con el axioma (2). 

Los encadenamientos constituyen, de esta manera, una de las herramientas fundamentales del 
Motor de Inferencia; el Lenguaje PROLOG solamente soporta el encadenamiento hacia atrás, el 
cual constituye el más frecuentemente implementado.

29
30
II. Sistemas   Expertos   como   Sistemas   de   Información 
Orientados al Servicio.

En   la   Conferencia   de   Dartmouth   en   1956   donde   Newell,   Shaw   y   Simon 

presentaron   sus   programas   para   demostrar   las   proposiciones   lógicas   (Logical 
Theorist).   La   expresión   de  Inteligencia  Artificial  la   inventó  en   aquel   mismo   año 
John McCarthy.

En 1959­60, aparece un programa demostrador de teoremas basado en la lógica 
proposicional (General Problem Solver, por Newell, Shaw y Simon).

La   década   comprendida   entre   1960­70     vio   sentar   los  principios   básicos  de   la 
investigación   en   las   estructuras   en   árbol   así   como   el   movimiento   de   ideas 
empleadas actualmente en la resolución de problemas y los sistemas expertos. 
Los   textos   de   Newell   y   Simon   (1972)   y   Nillson   (1971)  marcan   el   final   de   este 
periodo.

Los   principales  métodos   de   búsqueda   en   estructuras   en   árbol,   que   todavía   se 

emplean hoy en los programas de sistemas expertos, estaban ya disponibles en 
esos años.

Las   primeras   aplicaciones   se   hicieron   en   problemas   fáciles   de   describir,   pero 

complejos de  resolver, como  por ejemplo:  juego  de ajedrez y  demostración  de 
teoremas matemáticos.

Los sistemas expertos orientados al servicio derivaron de la necesidad de resolver 
problemas   cada   vez   más   complejos,   con   poca   información   estructurada   y   con 
resultados probables, donde uno de los caminos era encontrar la mejor solución a 
un problema, no necesariamente la única posible.

Los   hechos   para   una   base   de   conocimiento   deben   ser   adquiridos   a   partir   de 
experiencias humanas a través de entrevistas y observaciones. Este conocimiento 
es usualmente representada en la forma de reglas "if­then" (reglas de producción): 
"  si   alguna   condición   es verdadera,  entonces  la  siguiente   inferencia   puede  ser 
hecha   (o   alguna   acción   tomada)".   La   base   de   conocimientos   de   un   sistema 
experto mejor incluye miles de reglas. Un factor de probabilidad es con frecuencia 
unido a las conclusiones de cada regla de producción, porque la conclusión no es 
una certeza.

Por ejemplo, un sistema para el diagnóstico de enfermedades del ojo debe indicar, 
basado   en   información   que   apoye   esto,   un   90%   de   probabilidad   de   que   una 
persona tiene glaucoma, y este puede también listar conclusiones con más bajas 
posibilidades.

31
Un sistema experto puede desplegar la secuencia de reglas a través de las cuales 
éste   llega   a   su   conclusión.   Trazar   el   flujo   ayuda   al   usuario   para   apreciar   la 
credibilidad de su recomendación y es útil como una herramienta de aprendizaje 
para estudiantes.

Los expertos humanos frecuentemente emplean las reglas heurísticas, o "regla del 
pulgar", además de la simple producción de reglas. Por ejemplo, un administrador 
de crédito puede saber que un solicitante con una historia pobre de crédito, con un 
registro limpio desde que adquirió un nuevo empleo, puede actualmente ser un 
buen sujeto de crédito. 

Los   sistemas   expertos   han   incorporado   tales   reglas   heurísticas   e 

incrementándolas tienen la habilidad de aprender a partir de la experiencia. Sin 
embargo,   los   sistemas   expertos   son   más   bien   soporte   o   apoyo   más   que 
reemplazos para los expertos humanos.

32
33
II.1. Definición y Antecedentes.

Los sistemas de información proveen apoyo para las operaciones o servicios que 
organizaciones   realizan   para   la   sociedad.   Los   sistemas   son   orientados 
verticalmente   a   sectores   específicos   e   industrias,   ej.   Manufactura,   servicios 
financieros,   publicidad,   educación,   salud   y   entretenimiento.   Más   que   dirección 
administrativa   y   funciones   administrativas,   ellos   apoyan   actividades   y   procesos 
que son la razón para una existencia organizacional (en muchos casos, algún tipo 
de actividad manufacturera o el desarrollo de servicios.

Los sistemas de este tipo varían enormemente, pero ellos tienden a caer dentro de 
tres tipos principales: manufactura, transacciones y Sistemas Expertos.

La   meta   conceptual   de   la   industria   moderna   es   la   manufactura   integrada   por 

computador   (CIM).   Involucra   diseño   y   desarrollo   de   ingeniería,   manufactura, 
marketing y ventas, y todo el campo de soporte y servicios.

El   diseño   asistido   por   computador   (CAD)   fue   aplicado   primero   en   la   industria 

electrónica. Hoy ellos dan forma a las técnicas de modelación tridimensional para 
dibujo y manipulación de objetos sólidos en una pantalla y para derivar éstos a 
programas   de   diseño   de   piezas   y   conjuntos,   modelación   estructural   y   térmica, 
fabricación en máquinas CNC (control numérico).

Una   vez   que   un   producto   es   diseñado,   su   proceso   de   producción   puede   ser 

delineado usando sistemas de planificación de procesos asistidos por computador 
(CAPP) que ayuden a seleccionar secuencias de operaciones y condiciones de 
maquinado. Los modelos del sistema de manufactura pueden ser simulado por 
computadores   antes   de   que   sean   construidos.   Las   funciones   básicas   de   la 
manufacturación:   maquinado,   formado,   unión,   ensamble   e   inspección,   son 
apoyados   por   el   sistema   de   manufactura   asistida   por   computador   (CAM)   y 
sistemas de manejo de material automatizado. El sistema de control de inventario 
busca   mantener   un   óptimo   stock   de   partes   y   materiales   para   controlar   el 
movimiento del inventario, predecir los requerimientos e iniciar procedimientos de 
órdenes de compra.

La   sofisticación   tecnológica   de   los   sistemas   de  información   de   manufactura  es 

impresionante y esto incluye incrementadamente aplicaciones robóticas, visión de 
computador y sistemas expertos. Lo central en el concepto de CIM es una base de 
datos integrada que apoya a las empresas manufactureras y es conectada a otras 
bases de datos administrativas.

En   organizaciones   de   servicio   no­manufacturero   el   tipo   de   sistemas   de 

información que prevalece es el que apoya los procesos de transacción.

34
Transacciones   son   sets   de   entradas   discretas,   suministradas   por   usuarios   en 
impredecibles   intervalos,   los   cuales   llaman   a   la   base   de   datos   buscando, 
analizando y modificando. El procesador evalúa el requerimiento y ejecuta éste 
inmediatamente. Partes de la función de procesamiento pueden ser llevadas a un 
terminal inteligente que distribuye el requerimiento en la carga computacional. El 
tiempo de respuesta (el lapso de tiempo entre el final de un requerimiento y el 
comienzo de la respuesta) es una característica importante de este tipo de sistema 
de teleproceso en tiempo real.

Los sistemas de transacción por teleproceso constituyen la base de las industrias 
de   servicio   tales   como   bancarios,   seguros,   seguridad,   transporte   y   bibliotecas. 
Ellos están reemplazando el piso del mayor intercambio comercial de stock del 
mundo,   conectando   la   más   amplia   vía   de   telecomunicaciones   en   línea   en   un 
mercado financiero global. De nuevo, lo central en un sistema de transacción es 
su base de datos integrada. 

El foco del sistema es el recipiente de servicios más que el operador del sistema. 
Debido a esto, un agente viajero local es capaz de planear un itinerario completo 
de  un viajero: incluyendo  las reservaciones en aerolíneas, hoteles, arriendo  de 
autos,   programas   culturales   y   deportivos,   e   incluso   restaurantes,   en   cualquier 
continente y ajustar éstos al programa y presupuesto del viajero.

35
36
II.2. Componentes: software de interfaz, base de datos, programa 
computacional.

Una   relativamente   nueva   categoría   de   sistemas   de   información   orientada   al 

servicio es el sistema experto, llamado así porque su base de datos guarda una 
descripción de habilidades en la toma de decisiones de experiencias humanas en 
un   estrecho   dominio   de   procedimientos,   tales   como   interpretación   médica   de 
imagen, impuestos, diseño de piping, configuración de hardware en un sistema de 
computadores,   equipamiento   para   reparar   malfuncionamientos   o,   en   la 
preparación de cerveza.

La motivación para construir sistemas expertos es el deseo de replicar el escaso, 
in estructurado y quizás el pobremente documentado conocimiento empírico de 
especialistas que de este modo puede ser rápidamente usado por otros.

Un programa computacional que usa inteligencia artificial resuelve problemas en 
un dominio especializado que ordinariamente requiere experiencia humana.

El  primer sistema experto  fue desarrollado en  1965 por Edward Feigenbaum  y 

Joshua Lederberg de la Universidad de Standford en California, USA. Dendral fue 
diseñado para analizar componentes químicos.

Los   sistemas   expertos   ahora   tienen   aplicaciones   comerciales   en   campos   tan 

diversos como diagnóstico médico, ingeniería petrolera e inversión financiera.

Para realizar tareas de aparente inteligencia, un sistema experto recurre a tres 
componentes: un software de interfaz, una base de conocimiento y un motor de 
inferencia.

1) El software de interfaz, mediante el cual el usuario formula preguntas a éste, 
el sistema experto solicita más información desde el usuario y éste le explica al 
usuario el proceso de razonamiento empleado para llegar a una respuesta. 

37
38
2) La base de datos, llamada la base de conocimiento que consiste de axiomas 
(hechos)   y   reglas   para   hacer   inferencias   a   partir   de   esos   hechos   acerca   del 
dominio del sistema.

En   el   transcurso   de   las   tres   décadas   pasadas,   la   tecnología   para   soportar   el 

desarrollo   de   aplicaciones   intensivas   de   datos   tuvo   una   evolución   de   cuatro 
generaciones,   sistemas   de   archivos,   sistemas   de   bases   de   datos   jerárquicos, 
sistemas de bases de datos en red y sistemas de bases de datos relacionales. En 
todos los casos, la transición de una generación a otra, ha sido motivada por la 
necesidad de minimizar los costos de desarrollo (que escalan rápidamente), así 
como los de mantenimiento y mejora de programas de aplicación. 

Los   sistemas convencionales  (relacionales  y  prerrelacionales)  han   servido  para 

satisfacer   las   necesidades   de   aplicaciones   del   ambiente   para   el   cual   fueron 
diseñadas, es decir, de procesamiento de datos en negocios, tales como control 
de inventario, nóminas, cuentas por cobrar, etc. Sin embargo, tan pronto como 
esta tecnología abandonó los laboratorios de investigación y registró su marca en 
el mercado, serias limitaciones comenzaron a ser expuestas. 

Una   variedad   de   aplicaciones   comenzó   a   ser   identificada   como   difícil   para 

implantarse con el uso de sistemas de bases de datos relacionales. Estas nuevas 
aplicaciones   incluyen   diseño   asistido   por   computador,   ingeniería   de   software, 
gestión   y   administración   de   procesos   (CAD,   CAE,   CASE   y   CAM),   sistemas 
basados en  conocimiento  (sistemas expertos y "shell"  para  sistemas expertos), 
sistemas   multimedia   que   manejan   imágenes,   gráficas,   voz   y   documentos 
textuales; modelos estadísticos y científicos y análisis de programas, y sistemas 
de información geográfica, entre otras. 

Con este nuevo esquema se presentan algunas dificultades atribuibles al modelo 
de datos que es una representación lógica de datos, relaciones e interacción entre 
los  datos .  Un  lenguaje  de  base  de  datos  es una sintaxis para representar un 
modelo y operaciones con una semántica definida sobre el modelo de datos. 

Las aplicaciones requieren, muchas veces: a) facilidades para modelar y manejar 
entidades   anidadas   complejas   (tales   como   diseño   de   objetos   y   documentos 
compuestos); b) un conjunto sofisticado de tipos de datos, por ejemplo, tipos de 
datos   definidos por el  usuario, y  tipos  grandes  pero  sin  estructura  (tales  como 
imágenes,   audio   y   documentos   textuales);   c)   representación   de   conceptos 
semánticos (tales como relaciones de generalización y agregación); d) el concepto 
de   evolución   temporal   de   datos   (por   ejemplo,   dimensión   temporal   de   datos   y 
mantener versiones de datos); etc. 

39
Por   otra   parte,   también   se   presentan   importantes   dificultades   que   no   están 
relacionadas con el modelo de datos. Algunas de estas aplicaciones requieren de 
cómputo   altamente   intensivo,   con   un   gran   volumen   de   datos   en   memoria 
residente, e imponen demandas de ejecución que no pueden reunir los sistemas 
administradores de datos relacionales y de datos prerrelacionales. El ambiente de 
algunas de las aplicaciones también requiere de transacciones de larga duración 
(por ejemplo, el objeto es tan grande que su actualización toma mucho tiempo), 
transacciones interactivas y cooperativas. 

Existen dos razones principales por las que la metodología orientada a objetos es 
un sólido fundamento para la nueva generación de tecnología de base de datos. 

Primero, un modelo de datos orientado a objetos puede representar no solamente 
los   datos,   las   relaciones   y   la   interacción   de   datos   de   modelos   de   datos 
convencionales,   sino   también   permite   encapsular   los   datos   y   programas   que 
operan datos con un protocolo definido y proporcionan una estructura uniforme 
para   el   trato   de   tipos   de   datos   arbitrarios   definidos   por   el   usuario.   Algunas 
relaciones en el modelo de datos, que son difíciles en sistemas de bases de datos 
convencionales, son inherentes a un modelo de datos basados en objetos. 

Una segunda razón, es que a través de la noción de encapsulamiento y herencia, 
esta  metodología  está  fundamentalmente   diseñada  para   reducir la   dificultad   de 
desarrollo   y   evolución   de   sistemas   complejos   de   "software".   Esto   fue, 
precisamente, la meta que motivó a la tecnología de administración de datos, a 
transformar sistemas de archivos hacia sistemas de bases de datos relacionales.
 
Un modelo de datos orientado a objetos satisface el objetivo de facilitar el diseño y 
desarrollo de bases de datos complejas, sofisticadas y muy grandes. 

Pero, muchos de los productos comerciales comunes poseen distintos grados de 
calidad en cuanto a desempeño y funcionalidad. Con frecuencia, los proveedores 
ofrecen   solamente   motores   (máquinas)   de   Bases   de   Datos   con   interfaces 
propietarias para desarrollo de aplicaciones por los programadores; la inclusión de 
herramientas de desarrollo está comenzando a surgir. 

Segundo,  la   fuerza   de  un   modelo   de   datos  orientado  a   objetos  es también   su 
debilidad. La  riqueza  de  este  modelo  hace  posible la generación de unos más 
complejos   y   sus   relaciones   con   las   aplicaciones   de   procesamiento   de   datos, 
introducen aspectos complejos que el usuario debe manejar. 

Tercero, no obstante el alto grado de desarrollo y experimentación en lenguajes de 
programación orientados a objetos y aplicaciones, todavía no hay un consenso en 
la industria sobre la semántica de su paradigma que vaya más allá de un conjunto 

40
de conceptos de alto nivel sobre la programación orientada a objetos, por lo que 
aún no existen estándares en esta tecnología.

41
3)  El   programa   computacional,   llamado   el   motor   de   inferencia,   ejecuta   el 
proceso   de   hacer   inferencias,   interpreta   y   evalúa   los   hechos   en   la   base   de 
conocimiento para proveer una respuesta.

La   base   de   conocimiento   es   una   estructura   de   reglas   conectadas   que   aplica 

experiencias humanas, con frecuencia intuitivas, en la solución de problemas.

El proceso de adquisición de tal conocimiento típicamente tiene tres fases:

­ Un análisis funcional del ambiente, usuarios, y las tareas desarrolladas por el 
experto. 
­ Identificación de los conceptos del dominio de experiencias y su clasificación 
de acuerdo a varias relaciones. 
­ Una entrevista, por técnicas humanas o automatizadas del o los expertos en el 
tema.

Los   resultados   de   estos   pasos   son   traducidos   en   una   llamada   producción   de 
reglas   (de   la   forma   "si   la   condición  x  existe,  entonces  la   acción   y  sigue)  y  es 
guardado en la base de conocimiento.

Cadenas   de   producción   de   reglas   forman   las   bases   para   las   capacidades 

deductivas automatizadas del sistema experto y para su capacidad para explicar 
sus acciones a los usuarios.

Los sistemas expertos son una variedad comercial de una clase de programas 
computacionales llamados sistemas basados en conocimiento. El conocimiento en 
sistemas expertos es altamente in estructurado, esto es, el proceso de solucionar 
problemas de un dominio no es manifiesto. Y es establecido explícitamente en 
relaciones o deductivamente inferidos desde la cadena de proposiciones. 

Dado que cada condición que puede ser encontrada puede ser descrita por una 
regla, los sistemas expertos basados en reglas no pueden manejar eventos no 
anticipados,   pero   pueden   evolucionar   con   el   uso,   y   permanece   limitado   a   un 
estrecho dominio de problemas.

Otra variante de sistemas expertos, uno que no posee esta limitación, emplea una 
base de conocimiento que consiste de descripciones estructuradas de situaciones, 
de problemas del mundo real y de decisiones actualmente hechas por expertos 
humanos.

En medicina, por ejemplo, el registro de un paciente contiene descripciones de 
datos   personales,   exámenes   físicos   y   de   laboratorio,   diagnóstico   clínico, 
tratamiento propuesto, y los resultados de tales tratamientos.

42
Dada una gran base de datos con tales registros en una especialidad médica, el 
médico   puede   indagar   acerca   de   eventos   análogos   a   los   relacionados   con   el 
paciente. Esto en contraste con el sistema que idealmente intenta reemplazar al 
ser   humano,   ya   que   en   casos   como   estos   sólo   podría   usarse   este   tipo   de 
conocimiento como una herramienta que ayuda en la toma de decisiones.

El software requerido para este tipo de sistemas se ha ido complicando con el 
tiempo ya que su desarrollo demanda tiempo, un buen equipo de programadores y 
un buen producto final.

Se percibe este trabajo como una tarea para el ingeniero y consiste de:
­ Identificación y análisis de los requerimientos del usuario.
­ Desarrollo de las especificaciones del sistema (software y hardware).
­ Diseño del software.
­ Implementación
­ Testeo
­ Mantención

Tareas   típicas   para   sistemas   expertos     involucran   clasificación,   diagnóstico, 

monitoreo, diseño, inventario y planificación para esfuerzos especializados.

43
44
II.2.1. Tecnologías Involucradas.

Lenguajes de Programación

En principio, cualquier lenguaje de programación puede ser utilizado. Siendo así 
de amplio el espectro en el cual se puede escoger un lenguaje para programar un 
sistema experto. Atendiendo a la forma de estructurar sus instrucciones, se los 
puede dividir en:

• IMPERATIVOS: PASCAL, C/C++.

• FUNCIONALES: LISP.

• DECLARATIVOS: PROLOG, CHIP, OPS5.

• ORIENTADOS A OBJETOS: SmallTalk, Hypercard, CLOS.

 Tradicionalmente  LISP  y  PROLOG  han sido los lenguajes que se han utilizado 

para la programación de sistemas expertos. 

Estos   lenguajes   ofrecen   características   especialmente   diseñadas   para   manejar 

problemas generalmente encontrados en Inteligencia Artificial. Por este motivo se 
los conoce como lenguajes de inteligencia Artificial. 

 Una   de   las   principales   características   que   comparten   los   lenguajes   LISP   y 

PROLOG,  como   consecuencia  de   su  respectiva  estructura,  es  que  pueden  ser 
utilizados   para   escribir   programas   capaces   de   examinar   a   otros   programas, 
incluyendo a ellos mismos. Esta capacidad se requiere, por ejemplo, para hacer 
que el programa explique sus conclusiones. 

Esto sólo puede hacerse si el programa tiene la capacidad de examinar su propio 
modo de operación. 

Lisp

Su   nombre   se   deriva   de  LISt  Processor.   LISP   fue   el   primer   lenguaje   para 

procesamiento simbólico. John McCarthy lo desarrolló en 1958, en el Instituto de 
Tecnología   de   Massachusetts   (MIT),   inicialmente   como   un   lenguaje   de 
programación con el cual los investigadores pudieran implementar eficientemente 
programas de computadora capaces de razonar. 

Rápidamente LISP se hizo popular por su capacidad de manipular símbolos y fue 
escogido para el desarrollo de muchos sistemas de Inteligencia Artificial. 

Actualmente, LISP es  utilizado  en  varios dominios que  incluyen la  escritura  de 

compiladores, sistemas para diseño VLSI, sistemas para diseño mecánico asistido 

45
por   computadora   (AUTOCAD),   animaciones   gráficas   y   sistemas   basados   en 
conocimiento.

Prolog

PROgramming in  LOGic (PROLOG), es otro de los lenguajes de programación 
ampliamente utilizados en IA. PROLOG fue desarrollado en Francia, en 1973 por 
Alain Colmenauer y su equipo de investigación en la Universidad de Marseilles. 

Inicialmente   fue   utilizado   para   el   procesamiento   de   lenguaje   natural,   pero 

posteriormente se popularizó entre los desarrolladores de aplicaciones de IA por 
su   capacidad   de   manipulación   simbólica.   Utilizando   los   resultados   del   grupo 
francés, Robert Kowalski de la Universidad de Edimburgo, en Escocia, desarrolló 
la   teoría   de   la   programación   lógica.   La   sintaxis   propuesta   por   Edimburgo,   se 
considera el estándar de facto del PROLOG. 

A partir de 1981 tuvo una importante difusión en todo el mundo, especialmente 
porque   los   japoneses   decidieron   utilizar   PROLOG   para   el   desarrollo   de   sus 
sistemas   de   computación   de   quinta   generación.   Actualmente   existen   varios 
dialectos del PROLOG para diferentes plataformas. 

OPS5

Official Production System 5 (OPS5), es un lenguaje para ingeniería cognoscitiva 
que soporta el método de representación del conocimiento en forma de reglas.

  Incorpora   un   módulo   unificador,   un   intérprete   que   incluye   un   mecanismo   de 

encadenamiento   progresivo,   y   herramientas   para   edición   y   depuración   de   los 
programas. 

OPS5 es un miembro de la familia de lenguajes de programación desarrollados en 
la   Universidad   Carnegie   ­   Mellon.   Varias   compañías   han   desarrollado 
implementaciones comerciales de OPS5, para diferentes plataformas.

Sistemas de Desarrollo

Históricamente,   los   primeros   Sistemas   Basados   en   Conocimiento   fueron 

desarrollados utilizando lenguajes de programación como el LISP y el PROLOG. A 
medida que el desarrollo de Sistemas Basados en Conocimiento iba aumentado 
en cantidad y complejidad, la comunidad científica comenzó a buscar formas de 
desarrollar los sistemas en menor tiempo y con menor esfuerzo. 

Esto   dio   lugar   al   aparecimiento,   en   primer   lugar   a   sistemas   vacíos   como   el 
EMYCIN, a los que denominó  shells, ya que ofrecen toda la arquitectura de un 
Sistema   Basado   en   Conocimiento   a   la   que   hay   que   incorporar   la   base   de 
conocimientos.

46
Posteriormente   ingresaron   al   mercado   otras   herramientas   que   incorporaron, 
además de opciones de representación del conocimiento, esquemas de inferencia 
y control. Estas herramientas tomaron el nombre de  Entornos de Desarrollo  de 
Sistemas Basados en Conocimiento. 

A continuación se dan algunos ejemplos de sistemas comerciales:

• Sistemas Vacíos (shells): EMYCIN, Crystal, Leonardo, XiPlus, EXSYS, VP­
Expert, Intelligence Compiler. 

• Entornos   híbridos   de   desarrollo:   CLIPS,   KEE,   ART,   EGERIA,   Kappa, 

Nexpert Object, Goldworks, LOOPS, Flavors.

Plataformas de Computación

Íntimamente   asociado   a   los   Sistemas   Expertos,   están   los   sistemas 

computacionales (Hardware). Actualmente el software disponible para el desarrollo 
de Sistemas Basados en Conocimiento, cubre todo el rango de computadoras y 
sistemas operativos, desde PC’s hasta máquinas especialmente dedicadas para 
procesamiento simbólico:

• Computadoras Personales (DOS, OS, Mac, WINDOWS, UNIX, LINUX).

• Estaciones de trabajo (VMS, UNIX).

• Máquinas simbólicas (LISP, PROLOG).

• Máquinas de arquitectura paralelo.

47
48
II.2.2. Redes Neuronales.

Las Redes Neuronales surgieron del movimiento conexionista, que nació junto con 
la  Inteligencia  Artificial  simbólica  o  tradicional. Esto  fue hacia  los años  50, con 
algunos de los primeros ordenadores de la época y las posibilidades que ofrecían. 

La   Inteligencia   Artificial   simbólica   se   basa   en   que   todo   conocimiento   se   puede 

representar   mediante   combinaciones   de   símbolos,   derivadas   de   otras 
combinaciones que representan verdades incuestionables o axiomas. 

Así   pues,   la   Inteligencia   Artificial   tradicional   asume   que   el   conocimiento   es 

independiente   de   la   estructura   que   maneje   los   símbolos,   siempre   y   cuando   la 
'máquina' realice algunas operaciones básicas entre ellos. En contraposición, los 
'conexionistas' intentan representar el conocimiento desde el estrato más básico 
de la inteligencia: el estrato físico. Creen que el secreto para el aprendizaje y el 
conocimiento   se   halla   directamente   relacionado   con   la   estructura   del   cerebro: 
concretamente   con   las   neuronas   y   la   interconexión   entre   ellas.   Trabajan   con 
grupos de neuronas artificiales, llamadas Redes Neuronales. 

La estructura básica de una neurona natural es: 

Éstas funcionan como sigue: 

Cada neurona puede tener infinitas entradas llamadas Dendritas que condicionan 
el   estado   de   su   única   salida,   el   Axón.   Este   Axón   puede   ir   conectado   a   una 
Dendrita de otra neurona mediante la Sinapsis correspondiente, de la siguiente 
manera:

49
El Axón da un nivel eléctrico correspondiente a sus entradas y a la importancia 
que les da a cada una de ellas. De esta forma, una neurona puede no reaccionar 
ante un nivel muy alto de una de sus entradas, o dar una salida muy favorable 
cuando otra de ellas está mínimamente activa. 

En   las   primeras   etapas   de   nuestra   vida,   cuando   realizamos   el   aprendizaje   de 

nuestros cerebros, entrenamos nuestras neuronas mediante el éxito o fracaso de 
una acción a unos estímulos sensoriales. 

Cuando cierta acción realizada en respuesta a alguna entrada sensorial es exitosa 
(por ejemplo, al beber agua calmamos la sed), las conexiones sinápticas entre un 
grupo de neuronas se fortalecen, de manera que cuando tengamos una sensación 
sensorial  parecida,  la  salida  será  la  correcta.  De  esta  forma  se  forman  fuertes 
conexiones   entre   grupos   de   neuronas,   que   pueden   servir   para   realizar   otras 
acciones complejas.

El esquema de una neurona artificial es:

Esta neurona funciona de la siguiente manera: 

50
cada entrada x tiene su peso asociado w, que le dará más o menos importancia en 
la   activación   de   la   neurona.  Internamente   se  calcula   la   suma  de   cada   entrada 
multiplicada por su peso:

Con este valor de suma ponderada se calcula una función de activación, que será 
la salida que dará la neurona. Las dos funciones de activación más usada son el 
Escalón y la Sigmoidea:

Principalmente se diferencian en que la Sigmoidea (llamada así por su forma de S) 
es diferenciable en todos sus puntos y la Escalón no. 

El Perceptrón unicapa.

Un Perceptrón unicapa no es más que un conjunto de neuronas no unidas entre 
sí,   de   manera   que   cada   una   de   las  entradas   del   sistema   se   conectan   a   cada 
neurona, produciendo cada una de ellas su salida individual: 

51
Como se ha dicho, un conjunto de neuronas no sirve para nada si previamente no 
se le enseña qué debe hacer. 

Existen   tres   métodos   de   aprendizaje   para   un   Perceptrón:   Supervisado,   Por 

Refuerzo y No Supervisado. 

• En el Aprendizaje Supervisado se presentan al Perceptrón unas entradas con 
las correspondientes salidas que se quiere éste aprenda. De esta manera la 
red   primero,   calcula   la   salida   que   da   ella   para   esas   entradas   y   luego, 
conociendo el error que está cometiendo, ajusta sus pesos proporcionalmente 
al   error   que   ha   cometido   (si   la   diferencia   entre   salida   calculada   y   salida 
deseada es nula, no se varían los pesos). 

• En   el  Aprendizaje   No   Supervisado,   solo   se   presentan   al   Perceptrón   las 

entradas y, para esas entradas, la red debe dar una salida parecida.

• En el Aprendizaje Por Refuerzo se combinan los dos anteriores, y de cuando 
en   cuando   se   presenta   a   la   red   una   valoración   global   de   como   lo   está 
haciendo.

El Perceptrón multicapa.

Esta   estructura   nació   con   la   intención   de   dar   solución   a   las   limitaciones   del 
Perceptrón   clásico   o   unicapa,   y   supuso   el   resurgimiento   del   movimiento 
conexionista. Como su nombre indica, se trata de un unos cuantos (dos o tres) 
perceptrones unicapa conectados en cascada, como en la siguiente figura: 

52
El problema de este tipo de Perceptrón está en su entrenamiento, ya que es difícil 
modificar   correctamente   los   pesos   de   la   capa   oculta   (la   capa   1   en   el   ejemplo 
anterior).   Para   poder   hacer   aprender   cosas   a   un   Perceptrón   de   este   tipo,   se 
implementó el algoritmo de BackPropagation, que tal como su nombre indica tiene 
la   función   de   ir  propagando   los  errores  producidos  en   la   capa   de   salida   hacia 
atrás. 

El proceso de aprendizaje tiene un gran coste de tiempo. Debido a eso, todavía no 
se   ha   estudiado   a   fondo.   Las   redes   neuronales   todavía   se   han   de   desarrollar 
mucho. Aún se debe estudiar para qué sirven realmente, conocer en qué tareas 
pueden   resultar   realmente   útiles,   ya   que   por   ejemplo,   es   difícil   saber   cuánto 
tiempo   necesita   una   red   para   aprender   cierta   tarea,   cuántas   neuronas   se 
necesitan como mínimo para realizar cierta tarea, etc. 

Las redes neuronales pueden llegar a ser algo realmente importante, pero todavía 
hace falta tiempo para estudiar cómo almacenan el conocimiento  para desarrollar 
el hardware paralelo específico que requieren. 

En la robótica, las redes neuronales también parecen prometer mucho, sobre todo 
en su sensorización, para que el robot sea capaz de generalizar lo que siente 
como estímulos individuales a considerar. 

53
54
II.3. Algunos Casos y Antecedentes Históricos.

Los hitos más importantes en el desarrollo de los sistemas expertos son:

1928.  John   Von  Neuman   desarrolla   su  teorema   "mínimos y  máximos"   utilizado 

posteriormente en juegos. 

1943.   McCullock   y   Pitts   proponen   la   arquitectura   de   redes   neuronales   para   la 

simulación de la inteligencia. 

1945. Vannevar Bush publica "As we may think ...", o "Cabría imaginar ...  ", en 
Atlantic Monthly el cual sienta las bases de lo que hoy se conoce como Hipertexto, 
Multimedia e Hipermedia. 

1949.   Shannon   desarrolla   la   Teoría   de   la   Información   base   fundamental   de   la 

Informática y varias de sus áreas. 

1950. Shannon propone el primer programa de ajedrez .

1950. Turing publica "Computing machinery and Intelligence". 

1956. Newell, Shaw, y Simon crean "IPL­11" el primer lenguaje de programación 
para IA. 

1956. Newell, Shaw, y Simon crean "The Logic Theorist" para la resolución de 
problemas matemáticos. 

1957. Chomsky escribe "estructuras Sintácticas". 

1957. Newell, Shaw, y Simon crean GPS. 

1958. McCarthy introduce el lenguaje "LISP", para procesamiento simbólico de la 
información. 

1959. Rosenblatt introduce el Perceptron. 

1959. EL programa de ajedrez de Samuel gana juegos contra grandes jugadores. 

1963. ARPA da un fondo de investigación de dos millones de dólares al laboratorio 
de IA del MIT. 

1963. Quillian desarrolla las redes semánticas como modelo de representación del 
conocimiento. 

55
1963. Minsky escribe "Steps toward Artificial Intelligence". 

1964. Bobrow desarrolla STUDENT. 

1964. Se comienza el desarrollo de BBNLisp en BBN. 

1965. Buchanan, Feigenbaum y Lederberg comienzan el proyecto DENDRAL, el 
primer Sistema Experto. 

1965.  Iva Sutherland  hace demostración del primer monitor en forma de casco 

para realidad virtual. 

1965. Dreyfus argumenta en contra de la IA. 

1968. Minsky publica "Semantic Information Processing". 

1969. Minsky y Papert critican el Perceptron. 

1970. Colmerauer desarrolla PROLOG quizás el lenguaje de Inteligencia Artificial 
más popular actualmente. 

1970. Winograd crea SCHRDLU. 

1972. Dreyfus publica "What Computers Can't Do". 

1972. Se desarrolla el lenguaje SmallTalk en Xerox PARC. 

1973.   Shank   y   Abelson   desarrollan   los   guiones,   o   scripts,   base   de   muchas 

técnicas actuales de la Inteligencia Artificial y la Informática en general. 

1974. Edward Shortliffe escribe su tesis con MYCIN, uno de los Sistemas Expertos 
más conocidos. 

1974. Minsky publica "A Framework for Representing Knowledge". 

1974.   Se   establece   la   red   SUMEX­AIM   para   aplicaciones   de   la   Inteligencia 

Artificial en medicina. 

1975.   La   DARPA   lanza   un   programa   de   financiación   para   el   procesamiento   y 

comprensión de imágenes. 

1976. Greenblatt crea "CONS" el primer ordenador con arquitectura para LISP. 

1976. Lenat introduce su "Automated Matematician". 

56
1978. Xerox comienza a desarrolla ordenadores LISP. 

1979. Raj Reddy funda el Instituto de Robótica en la Universidad Carnegie Mellon. 

1980.   Primera   conferencia   de   la   AAAI   (American   Association   on   Artificial 

Intelligence) en Stanford, y primera Conferencia de Lisp y programación funcional 
de la ACM. 

1981.   Kazuhiro   Fuchi   anuncia   el   proyecto   japonés   de   quinta   generación   de 

computadores. 

1981. El PSL (Portable Standard Lisp) se puede ejecutar sobre varias plataformas. 

1981.   Se   construyen   máquinas   LISP   por   Xerox,   LMI   y   Simbolics,   las   cuales 
soportan Programación Orientada a Objetos. 

1981.   Se   sientan   las   bases   del   Common   Lisp   con   aspectos   comunes   de   las 
familias: Lisp machine Lisp, MacLisp, NIL, S­1 Lisp, Spice Lisp y Scheme. 

1982. John Hopfield resucita las redes neuronales. 

1983. Feigenbaum y McCorduck publican "The Fifth Generation".
 
1984. Steele publica "Common Lisp the Language". 

1984. La comunidad europea comienza el programa ESPRIT. 

1984. Gold Hill crea el Golden Commom Lisp. 

1985. General Motors y Campbell's Soup dejan de usar Lisp para sus Sistemas 
Expertos. 

1985. Se funda el Media Lab en el MIT. 

1985. Minsky publica "The Society of Mind". 

1985.   Teknowledge,   una   compañía   dedicada   al   desarrollo   de   sistemas   en 

Inteligencia Artificial, abandona Lisp y Prolog por el lenguaje C. 

1986. Primera conferencia de la OOPSLA sobre programación orientada a objetos, 
en   la   cual   se   presenta   CLOS,   Lisp   Orientado   a   Objetos,   como   lenguaje 
independiente de la comunidad de Lisp e IA. 

57
1986. IBM desarrolla shells para Lisp, Prolog y Sistemas expertos y entra a la 
AAAI. 

1986. McClelland y Rumelhart's publican "Parallel Distributed Processing" (Redes 
Neuronales). 

1986. Aparecen compañías dedicadas al desarrollo de Redes Neuronales. 

1987. Existen alrededor de 1900 Sistemas Expertos en el mundo. 

1987. Sistema experto XCON de DEC capaz de configurar ordenadores realizando 
el trabajo de 300 personas, basándose para esto en 10.000 reglas. 

1987.   Japón   establece   su   sistema   AFIS   para   la   identificación   automática   de 

huellas digitales. 

1988. El chip del 386 ofrece una velocidad a los PC’s comparable a la de las 
máquinas Lisp. 

1988. Minsky y Papert publican una revisión de "Perceptrons". 

1988. Se establecen los lenguajes Orientados a Objetos. 

1988. La compañía TI anuncia microExplorer una máquina Lisp con tecnología 
Macintosh. 

1990. Steele publica la segunda edición de "Common lisp the Language". 

1992. Apple Computer introduce el lenguaje Dylan, de la familia Lisp, como su 
visión del futuro en la programación. 

1992. X3J13 crea una propuesta para la Sociedad Americana de Common Lisp.
 
1994.   La   versión   para   tiempo   real   del   lenguaje   CLOS,   Lisp   con   Objetos,   de 
Harlequin se utiliza en sistema de intercambio de AT&T. 

58
59
II.4. Aplicaciones.

Agentes Autónomos

Un  agente autónomo  es un sistema situado en un entorno y es parte de ese 
entorno que siente, actúa sobre él, a través del tiempo, persiguiendo sus propios 
objetivos de forma que afecte lo que siente en el futuro. Su autonomía se puede 
definir por dos características:

• primero, que son  proactivos, no sólo actúan respondiendo a una acción del 
usuario, sino que también actúan siguiendo sus propios objetivos.

• segundo, que son  persistentes, no se pueden apagar; aun cuando el usuario 
no   está   interaccionando   con   ellos,   los   agentes   siguen   funcionando, 
recolectando información, aprendiendo y comunicándose con otros agentes.
 
Esta autonomía implica que sean agentes situados, es decir, que haya una clara 
diferencia   entre   el   agente   y   su   entorno.   Y   la   persistencia   e   independencia   del 
entorno   permite   que   algunos   agentes   sean   móviles,   llevando   su   bagaje   de 
información allí donde van, y siguiendo quizás a su usuario .

 Algunas aplicaciones.

Un agente, tal como se ha definido anteriormente, puede ser usado de múltiples 
maneras en el entorno empresarial actual, por ejemplo:

Newstracker. Este programa recupera datos específicos. 

Cuando   el   usuario   indica   el   tipo   de   información   que   le   interesa,   Newstracker 

comprende el mensaje y, después de revisar durante horas miles de artículos en 
periódicos, agencias de noticias o revistas conectadas a Internet, cada mañana 
"edita" un periódico personalizado. 

Si la selección de noticias no satisface por completo al lector, Newstracker toma 
nota, rectifica y es capaz de aprender de sus errores. Una vez que haya estudiado 
durante cierto tiempo los hábitos de lectura del usuario, le proporciona información 
a su medida. 

Los expertos definen a este sofisticado programa como un "asistente polivalente" 
de la primera generación.

Mind­it. Este servicio gratuito de Internet envía un mensaje por correo electrónico 
cada vez que una página web (u otro documento) ha sido actualizado. 

60
Permite seleccionar una parte de la página web para saber si ha sido actualizada. 

Notifica al usuario, de forma automática, cuándo un documento ha sido trasladado 
a otra dirección. Otro servicio parecido es Informant.

Eliza.   En   1966,   Joseph   Weizenbaum,   del   Instituto   de   Tecnología   de 

Massachusetts, creó un programa para estudiar el lenguaje de comunicación entre 
el hombre y el computador. Fue programado para simular a un psicoterapeuta y 
contestar preguntas. 

El   sistema   Eliza   es   muy   simple:   analiza   cada   pregunta   y   proporciona   una 

respuesta adecuada al contexto solicitado.

Express.   Este   programa   permite   realizar   múltiples   búsquedas   simultáneas   en 

diferentes buscadores, y localizar información en Internet de manera fácil y rápida 
a través de una interfaz sencilla.

BargainFinder, representado en la red como una esfera amarilla con un casco de 
minero, se dedica a buscar Compact Disc baratos en Internet. 

Pero   si   el   vendedor   descubre   que   se   trata   de   un   agente   en   lugar   de   un   ser 

humano, puede burlarlo. Está además, Shopbot  que es más inteligente, aprende 
de su errores para burlar al vendedor.

Mención aparte merece  Letizia, un knowbot más sofisticado desarrollado por el 
investigador Henry Lieberman. 

Leticia, bautizada así en homenaje a un texto de Jorge Luis Borges, está dotada 
de   un   talento   especial:   dispone   del   suficiente   grado   de   autonomía   como   para 
introducir en sus acciones una cierta dosis de azar e improvisación. 

61
62
III.Robótica.

Los   robots   son   dispositivos   compuestos   de   censores   que   reciben   datos   de 
entrada, una computadora que al recibir la información de entrada, ordena al robot 
que efectúe una determinada acción.

Hoy en día una de las finalidades de la construcción de robots es su intervención 
en los procesos de fabricación, encargados de realizar trabajos repetitivos en las 
cadenas de proceso de fabricación, como por ejemplo: pintar al spray, moldear a 
inyección, soldar carrocerías de automóvil, trasladar materiales, etc, entregando 
rapidez, calidad y precisión.

III.1. Nociones y Antecedentes Históricos.

La investigación en esta área nació en la década de 1950 asegurando rápidos 
avances, pero se estancó por problemas aparentemente sencillos:

En 1960 se construyó un robot que podía mirar una torre de cubos y copiarla, pero 
la   falta   de   sentido   común   lo   llevó   a   hacer   la   torre   desde   arriba   hacia   abajo, 
soltando   los   bloques   en   el   aire.   Hoy,   los   intentos   por   construir   máquinas 
inteligentes continúan... y prometen maravillas. 

Hans Moravec, director de Moville Robot Laboratory de la Universidad Carnegie 
Mellon clasifica la evolución de los robots como sigue:
­ Primera generación (2000­2010): Robot con cerebro de lagarto. Requerirán un 
poder de cálculo de 1000 MIPs y serán los robots "mayordomo", experto en 
desenvolverse en el hogar. 
­ Segunda   generación   (2010­2020):   Robots   con   cerebro   de   mamífero. 
Capacidad de cálculo de 30.000 MIPs. Su característica más notoria será el 
aprendizaje, a diferencia de los rígidos programas de la primera generación. 
­ Tercera generación (2020­2030): Robots con cerebro de mono. Capacidad de 
cálculo   de   1.000.000   MIPs   (un   billón   de   operaciones   por   segundo).   Serán 
robots capaces de simular las acciones de forma abstracta antes de realizarlas 
en su propia mente. 
­ Cuarta   generación   (2030­2040):   Robots   con   mente   humana.   Capacidad   de 
cálculo de 30.000.000 MIPs. Podrán extraer simulaciones del mundo y razonar 
sobre ellas simultáneamente, gracias a su mayor poder de computación, un 
gigantesco banco de datos y programas de razonamiento. 

Las   tres   leyes   básicas   de   la   robótica   enunciadas   por   Asimov,   padre   de   esta 
ciencia, en 1950, son:

63
­ un robot no puede hacer daño a un ser humano, ni permitir, con su actitud 
pasiva, que lo sufra 
­ un robot debe obedecer las órdenes que le den los seres humanos excepto 
cuando entren en conflicto con la primera ley 
­ un   robot   debe   proteger   su   propia   existencia   siempre   que   ello   no   entre   en 
conflicto con las dos leyes anteriores. 

Breve Historia de la Robótica.

• A   mediados   del   siglo   XVIII:   J.   de   Vaucanson   construyó   varias   muñecas 

mecánicas de tamaño humano que ejecutaban piezas de música. 
• J.   Jacquard   inventó   su   telar,   que   era   una   máquina   programable   para   la 
urdimbre. 
• 1805   H.   Maillardet   construyó   una   muñeca   mecánica   capaz   de   hacer 
dibujos. 
• 1946   El   inventor   americano   O.   C.   Devol   desarrolló   un   dispositivo 
controlador que podía registrar señales eléctricas por medios magnéticos y 
reproducirlas para accionar una máquina mecánica. 
• 1951 Trabajo de desarrollo con teleoperadores (manipuladores de control 
remoto) para manejar materiales radioactivos. 
• 1952   Una   máquina   prototipo   de   control   numérico   fue   objeto   de 
demostración en el Instituto de Tecnología de Massachusetts después de 
varios   años   de   desarrollo.   Un   lenguaje   de   programación   de   piezas 
denominado   APT   (Automatically   Programmed   Tooling   ­Herramental 
Automáticamente Programado) se desarrolló posteriormente y se publicó en 
1961. 
• 1954 El inventor británico C. W. Kenward solicitó una patente para diseño 
de robot. 
• 1954   O.   C.   Devol   desarrolla   diseños   para   «transferencia   de   artículos 
programada». 
• 1959 Se introdujo el primer robot comercial por Planet Corporation. Estaba 
controlado por interruptores de fin de carrera y levas. 
• 1960 Se introdujo el primer robot «Unimate», basado en la «transferencia 
de   artículos   programada»   de   Devol.   Utilizaba   los   principios   del   control 
numérico   para   el   control   del   manipulador   y   era   un   robot   de   transmisión 
hidráulica. 
• 1961 Un robot Unímate se instaló en la Ford Motor Company para atender 
una máquina de fundición en troquel. 
• 1966 Tralífa, una firma noruega, construyó e instaló un robot de pintura por 
pulverización. 
• 1968   Un   robot   móvil   llamado   «Shakey»   se   desarrolló   en   SRI   (Stanford 
Research   Institute).   Estaba   provisto   de   una   diversidad   de   censores, 

64
 incluyendo una cámara de visión y censores táctiles, y podía desplazarse 
por el suelo. 
• 1971   El   «Stanford   Arm»,   un   pequeño   brazo   de   robot   de   accionamiento 
eléctrico, se desarrolló en Stanford University. 
• 1973 Se desarrolló en SRI el primer lenguaje de programación de robot del 
tipo de computadora para la investigación con la denominación WAVE. Fue 
seguido por el lenguaje AL en 1974. Los dos lenguajes se desarrollaron 
posteriormente   en   el   lenguaje   VAL   comercial   para   Unimation   por   Victor 
Scheinman y Bruce Simano. 
• 1974   ASEA   introdujo   el   robot   IRb6   de   accionamiento   completamente 
eléctrico. 
• 1974 Kawasaki, bajo licencia de Unimation, instaló un robot para soldadura 
por arco para estructuras de motocicletas. 
• 1974 Cincinnati Milacron introdujo el robot T3 con control por computadora. 
• 1975 El robot «Sigma» de Olivetti se utilizó en operaciones de montaje, una 
de las primitivas aplicaciones de la robótica al montaje. 
• 1976 Un dispositivo de Remote Center Compliance (RCC) para la inserción 
de piezas en la línea de montaje se desarrolló en los laboratorios Charles 
Stark Draper Labs en Estados Unidos. 
• 1978   Se   introdujo   el   robot   PUMA   (Programmable   Universal   Machine   for 
Assembly) para tareas de montaje por Unimation, basándose en diseños 
obtenidos en un estudio de la General Motors. 
• 1978 El robot T3 de Cincinnati Milacron se adaptó y programó para realizar 
operaciones de taladrado y circulación de materiales en componentes de 
aviones, bajo el patrocinio de Air Force ICAM (Integrated Computer­Aided 
Manufacturing). 
• 1979 Desarrollo del robot del tipo SCARA (Selective Compliance Arm for 
Robotic Assembly) en la Universidad de Yamanashi en Japón para montaje. 
Varios robots SCARA comerciales se introdujeron hacia 1981. 
• 1980   Un   sistema   robótico   de   captación   de   recipientes   fue   objeto   de 
demostración   en   la   Universidad   de   Rhode   Island.   Con   el   empleo   de   la 
visión de máquina, el sistema era capaz de captar piezas en orientaciones 
aleatorias y posiciones fuera de un recipiente. 
• 1981   Se   desarrolló   en   la   Universidad   Carnegie­Mellon   un   robot   de 
impulsión directa. Utilizaba motores eléctricos situados en las articulaciones 
del manipulador sin las transmisiones mecánicas habituales empleadas en 
la mayoría de los robots. 
• 1982 IBM introduce el robot RS­l para montaje, basado en varios años de 
desarrollo interno. Se trata de un robot de estructura de caja que utiliza un 
brazo   constituido   por   tres   dispositivos   de   deslizamiento   ortogonales.   El 
lenguaje   de   robot   AML,   desarrollado   por  IBM,   se   introdujo   también   para 
programar el robot RS­1. 

65
 • 1983 Informe emitido sobre la investigación en Westinghouse Corp. bajo el 
patrocinio de National Science Foundation sobre un «sistema de montaje 
programable­adaptable»   (APAS),   un   proyecto   piloto   para   una   línea   de 
montaje automatizada flexible con el empleo de robots. 
• 1984 Varios sistemas de programación fuera de línea se demostraron en la 
exposición Robots 8. La operación típica de estos sistemas permitía que se 
desarrollaran programas de robot utilizando gráficos. 
• 1985. Un robot de la Kawasaki mata a un mecánico japonés en un mal 
funcionamiento. 
• 1986. El  robot jugador de tenis de  mesa  de Anderson  le gana  a  un  ser 
humano. 
• 1986. La máquina de ajedrez HiTech de CMU compite en un torneo de nivel 
master. 
• 1986. La policía de Dallas usa un robot para entrar en las casas. 

 
Robots Impulsados  Neumáticamente.

La programación de estos robots consiste en la conexión de tubos de plástico a 
unos   manguitos   de   unión   de   la   unidad   de   control   neumático.   Modificando   las 
conexiones de los manguitos de unión se podrán programar secuencias de pasos 
distintas. 

Por   su   simpleza   hay   quienes   opinan   que   a   este   tipo   de   máquinas   no   se   les 
debería llamar robots; sin embargo, en ellas se encuentran todos los elementos 
básicos   de   un   robot:   son   programables,   automáticas   y   pueden   realizar   gran 
variedad de movimientos.

Robots Equipados con Servomecanismos.

Otro tipo de robots más sofisticados son los que llevan servomecanismos, el uso 
de servomecanismos va ligado al uso de censores, como los potenciómetros, que 
informan  de  la  posición del brazo o  la pieza  que  se  ha  movido  del  robot para 
asegurar su correcta posición.

Robots Punto a Punto.

Añadiendo a los servomecanismos una memoria electrónica capaz de almacenar 
programas y un conjunto de circuitos de control digital, se obtienen robots más 
potentes y de más fácil manejo.

La programación de este tercer tipo de robots se efectúa mediante una caja de 
control que posee un botón de control de velocidad, mediante el cual se puede 
ordenar al robot la ejecución de los movimientos paso a paso. Se clasifican, por 

66
orden de ejecución, los pasos que el robot debe seguir, al mismo tiempo que se 
puede ir grabando en la memoria la posición de cada paso. Este será el programa 
que   el   robot   ejecutará.   Una   vez   terminada   la   programación,   el   robot   inicia   su 
trabajo según las instrucciones del programa. A este tipo de robots se les llama 
punto a punto, porque el camino trazado para la realización de su trabajo está 
definido por pocos puntos.

Algunas aplicaciones para estos robots: su uso en las cadenas de soldadura de 
carrocerías   de   automóviles.   Los   robots   están   programados   para   soldar 
automóviles de varios modelos distintos. El programador, o un censor, reconoce el 
tipo de automóvil y decide el programa que se ha de aplicar en cada caso.

Robots Controlados por Computadora.

Un cuarto tipo de robots comprende aquellos que se pueden controlar mediante 
computadora. Con ella es posible programar el robot para que mueva sus brazos 
describiendo   cualquier   figura   geométrica   entre   puntos   preestablecidos.   El 
movimiento de sus brazos se especifica mediante varios sistemas de coordenadas 
según la referencia que se tome.

Robots con Capacidades Sensoriales.

Aún se pueden añadir a este tipo de robots capacidades sensoriales: sensores 
ópticos, codificadores,  etc.  Los que  no  poseen  estas  capacidades  sólo  pueden 
trabajar en ambientes donde los objetos que se manipulan se mantienen siempre 
en la misma posición. 

En   el   caso   de   la   cadena   de   soldadura   de   carrocerías   de   automóviles,   las 

carrocerías están en movimiento hasta que llegan delante del robot, donde quedan 
inmóviles hasta que éste termina su trabajo; en este momento la cadena se vuelve 
a poner en movimiento hasta que vuelve a detenerse cuando otra carrocería está 
delante   del   robot.   Si   estos   robots   tuvieran   capacidades   sensoriales,   podrían 
suprimirse las paradas en la cadena.

Los robots con capacidades sensoriales constituyen la última generación de este 
tipo de máquinas. El uso de estos robots en los ambientes industriales es muy 
escaso debido a su elevado coste. A pesar de todo, la investigación sobre los 
aparatos sensoriales está en pleno apogeo, lo que conducirá seguramente a un 
abaratamiento de éstos y a un aumento de su potencia y de sus capacidades. Se 
usan en cadenas de embotellado para comprobar si las botellas están llenas o si 
la etiqueta está bien colocada. 

67
68
III.2. Aplicaciones Tecnológicas.

Un   problema   básico   en   robótica   es   la   planificación   de   los   movimientos   para 

resolver alguna tarea ya especificada, y el control del robot mientras ejecuta las 
ordenes necesarias para lograr unos objetivos. Aquí, planificar significa decidir en 
el transcurso de una acción antes de actuar. Esta parte de la síntesis de acción del 
robot   constituye   un   problema   que   puede   ser   solucionado   por   un   sistema   de 
resolución de problemas que alcanzará cualquier fin establecido cuando se le dé 
alguna situación inicial.

En   la   formulación   típica   de   un   problema   relacionado   con   robot   nos 

encontramos con uno que esta equipado con censores y un conjunto de acciones 
básicas que pueden ser llevadas a cabo en un mundo sencillo de entender. Las 
acciones de los robot modifican el estado o la configuración de este mundo. 

Robots Mosquitos. 

Descritos como una "cucaracha metálica" que se arrastra con gran destreza por la 
arena, un verdadero insecto, Atila avanza a 2 km/h, tratando de no tropezar con 
las cosas, es «gramo por gramo el robot más complejo del mundo», según su 
creador, Rodney Brooks. En su estructura de 1,6 kg y 6 patas, lleva 24 motores, 
10 computadores y 150 censores, incluida una cámara de video en miniatura. 

Los descendientes de Atila, que Brooks comienza a diseñar en el Laboratorio de 
Inteligencia Artificial del Massachusetts Institute of Technology (MIT), tendrán la 
forma de  «robots mosquitos»  mecanismos semiinteligentes de  1 mm de  ancho 
tallados   en   un   único   pedazo   de   silicio   ­cerebro,   motor   y   todo­,   a   un   costo   de 
centavos de dólar por unidad. 

Provistos de minúsculos escalpelos, podrán arrastrarse por el ojo o las arterias del 
corazón para realizar cirugía. Vivirán en las alfombras, sacando continuamente el 
polvo partícula a partícula. Infinidad de ellos cubrirán las casas en vez de capas de 
pintura, obedeciendo la orden de cambiar cada vez que se quiera el color. 

Atila representa un quiebre con la rama tradicional de la Inteligencia Artificial, que 
por   años   buscó   un   sistema   computacional   que   razone   de   una   manera 
matemáticamente ordenada, paso a paso. Brooks incorporó la «arquitectura de 
substitución» que utiliza un método de programación «de abajo hacia arriba» en el 
que   la   inteligencia   surge   por   sí   sola   a   través   de   la   interacción   de   elementos 
independientes relativamente simples, tal como sucede en la naturaleza. 

69
A  la  década de  los ochenta  pertenecen progresos en  robótica  verdaderamente 
notables. Una tarea tan simple como la de quitar el polvo con una aspiradora y 
esquivar   convenientemente   los   obstáculos   que   haya,   no   se   programa   tan 
fácilmente en un robot. 

El punto importante es la detección de los obstáculos (que no siempre son los 
mismos ni están en el mismo sitio) y la maniobra para eludirlos y seguir trabajando 
con la aspiradora. 

En comparación, los robots industriales, que realizan operaciones muy precisas y 
a   veces  complejas,   no   plantean   tanta   dificultad   en   su   diseño   y  fabricación.   La 
razón de ello estriba en la repetición de sus respectivas tareas: limpiar el polvo del 
suelo de un salón es más difícil que ajustar piezas en una cadena de montaje de 
automóviles.

La experimentación en operaciones quirúrgicas con robots abre nuevos campos 
tan   positivos   como   esperanzadores.   La   cirugía   requiere   de   los   médicos   una 
habilidad   y   precisión   muy   calificadas.   La   asistencia   de   ingenios   puede 
complementar algunas de las condiciones que el trabajo exige. En operaciones 
delicadísimas, como las de cerebro, el robot puede aportar mayor fiabilidad.

 Últimamente, se ha logrado utilizar estas máquinas para realizar el cálculo de los 
ángulos de incisión de los instrumentos de corte y reconocimiento en operaciones 
cerebrales; así mismo, su operatividad se extiende a la dirección y el manejo del 
trepanador quirúrgico para penetrar el cráneo y de la aguja de biopsia para tomar 
muestras del cerebro. 

Estos   instrumentos   se   utilizan   para   obtener   muestras   de   tejidos   de   lo   que   se 

suponen tumores que presentan un difícil acceso, para lo que resulta esencial la 
intervención del robot, disminuyendo el riesgo.

Una   de   las   aplicaciones   muchos   más   aprovechadas   de   la   robótica,   y   que   ha 

seguido maravillando al hombre, es la telerobótica en el espacio extraterrestre. 

La organización más importante dentro de este aspecto, y que ha marcado un 
rumbo   muy   avanzado   en   cuanto   a   tecnologías   e   investigaciones,   es   la   NASA 
(National Aeronautics and Space Administration). 

El Programa de Telerobótica Espacial de la NASA, esta diseñado para desarrollar 
capacidades en telerobótica para la movilidad y manipulación a distancia, uniendo 
la robótica y las teleoperaciones y creando nuevas tecnologías. 

Los   requerimientos   de   tecnología   de   la   robótica   espacial   pueden   ser 

caracterizados   por   la   necesidad   del   control   manual   y   automático,   tareas   no 
repetitivas, tiempo de espera entre el operador y el manipulador, manipuladores 

70
flexibles con dinámicas complejas, nueva locomoción, operaciones en el espacio, 
y la habilidad para recuperarse de eventos imprevistos. 

La robótica ha invadido la mayoría de las actividades cotidianas, muestra de ello, 
es la robótica en los medios de esparcimiento, y como ejemplo está el fabuloso 
parque de diversiones Disneylandia. 

En   este   parque   de   diversiones   se   pueden   encontrar   una   gran   variedad   de 

aplicaciones   de   la   robótica,   desde   pájaros   cantores,   elefantes   en   movimiento, 
cocodrilos, osos, hasta simuladores de vuelo, androides, submarinos, etc. 

71
72
IV. Perspectivas Futuras.

Con poco más de diez años de antigüedad, la Vida Artificial se ha convertido en un 
punto de referencia sólido de la ciencia actual.

En   septiembre   de   1987,   160   científicos   en   informática,   física,   biología   y   otras 

disciplinas se reunieron en el Laboratorio Nacional de Los Álamos para la primera 
conferencia internacional sobre Vida Artificial. En aquella conferencia se definieron 
los   principios   básicos   que   han   marcado   la   pauta   desde   entonces   en   la 
investigación de esta disciplina.

Un concepto básico dentro de este campo es el de comportamiento emergente. El 
comportamiento   emergente   aparece   cuando   se   puede   generar   un   sistema 
complejo   a   partir   de   reglas   sencillas.   Para   que   se   dé   este   comportamiento   se 
requiere que el sistema en cuestión sea iterativo, es decir, que el mismo proceso 
se   repita   de   forma   continua   y   además   que   las   ecuaciones   matemáticas   que 
definen el comportamiento de cada paso sean no lineales.

Por otra parte, un autómata celular consiste en un espacio n­dimensional dividido 
en un conjunto de celdas, de forma que cada celda puede encontrarse en dos o 
más estados, dependiendo de un conjunto de reglas que especifican el estado 
futuro de cada celda en función del estado de las celdas que le rodean.

Hay dos posturas dentro de la Vida Artificial: la fuerte y la débil. 

Para   los   que   apoyan   la   postura   débil,   sus   modelos   son   solamente 
representaciones   simbólicas   de   los   síntomas   biológicos   naturales,   modelos 
ciertamente   muy   útiles   para   conocer   dichos   sistemas,   pero   sin   mayores 
pretensiones. 

Para los que defienden la versión fuerte, dicen que se puede crear vida auténtica a 
partir de un programa de ordenador que reproduzca las características básicas de 
los seres vivos.

Desde este punto de vista, la vida se divide en vida húmeda, que es lo que todo 
el   mundo   conoce   como   vida,  vida   seca,   formada   por   autómatas   físicamente 
tangibles, y vida virtual, formada por programas de computador. Las dos últimas 
categorías   son   las   que   integran   lo   que   genéricamente   se   conoce   como   Vida 
Artificial.

Para defender un punto de vista tan radical, los defensores de la postura fuerte, 
aluden a un conjunto de reglas que comparten las tres categorías anteriores:

73
­ La biología de lo posible. 
La Vida Artificial no se restringe a la vida húmeda tal como la conocemos, sino que 
"se ocupa de la vida tal como podría ser". La biología ha de convertirse en la 
ciencia de todas las formas de vida posibles.

­ Método sintético.
La actitud de la Vida Artificial es típicamente sintética, a diferencia de la biología 
clásica,  que   ha   sido   mayoritariamente   analítica.  Desde   este   punto   de  vista,   se 
entiende la vida como un todo integrado, en lugar de desmenuzarlo en sus más 
mínimas partes.

­ Vida real (artificial).
La Vida Artificial es tal porque son artificiales sus componentes y son artificiales 
porque están construidos por el hombre. Sin embargo, el comportamiento de tales 
sistemas depende de sus propias reglas y en ese sentido es tan genuino como el 
comportamiento de cualquier sistema biológico natural.

­ Toda la vida es forma.
La   vida   es   un   proceso,   y   es   la   forma   de   este   proceso,   no   la   materia,   lo   que 
constituye la esencia de la vida. Es absurdo pretender que sólo es vida genuina 
aquella que está basada en la química del carbono, como es el caso de la vida 
húmeda.

­ Construcción de abajo hacia arriba.
La   síntesis   de   la   Vida   Artificial   tiene   lugar   mejor   por   medio   de   un   proceso   de 
información por computador llamado programación de abajo hacia arriba. Consiste 
en partir de unos pocos elementos constitutivos y unas reglas básicas, dejar que el 
sistema   evolucione   por   sí   mismo   y   que   el   comportamiento   emergente   haga   el 
resto. Poco a poco el sistema se organiza espontáneamente y empieza a surgir 
orden donde antes sólo había caos. 

Esta   clase   de   programación   contrasta   con   el   principio   de   programación   en   la 

Inteligencia   Artificial.   En   ella   se   intenta   construir   máquinas   inteligentes   hechos 
desde arriba hacia abajo, es decir, desde el principio se intenta abarcar todas las 
posibilidades, sin dejar opción a que el sistema improvise.

El principio de procesamiento de información en la Vida Artificial se basa en el 
paralelismo masivo que ocurre en la vida real. A diferencia de los modelos de 
Inteligencia Artificial en los que el procesamiento es secuencial, en la Vida Artificial 
es de tipo paralelo, tal y como ocurre en la mayoría de fenómenos biológicos.

74
Granja de Evolución. 

La   evolución   en   la   naturaleza   fue   la   clave   para   mejorar   los   organismos   y 

desarrollar la inteligencia. Michael Dyer, investigador de Inteligencia Artificial de la 
Universidad   de   California,   apostó   a   las   características   evolutivas   de   las   redes 
neuronales   (redes   de   neuronas   artificiales   que   imitan   el   funcionamiento   del 
cerebro) y diseñó Bio­Land. 

Bio­Land es una granja virtual donde vive una población de criaturas basadas en 
redes neuronales. 

Los biots pueden usar sus sentidos de la vista, el oído e incluso el olfato y tacto 
para   encontrar   comida   y   localizar   parejas.   Los   biots   cazan   en   manadas,   traen 
comida a su prole y se apiñan buscando calor. 

Lo que su creador quiere que hagan es hablar entre ellos, con la esperanza de 
que desarrollen evolutivamente un lenguaje primitivo. 

A   partir   de   ese   lenguaje,   con   el   tiempo   podrían   surgir   niveles   más   altos   de 
pensamiento. 

75
76
V. Conclusiones. 

Dentro del ámbito de las Ciencias de la Computación la Inteligencia Artificial es una de las áreas 
que causa mayor expectación, incluso dentro de la sociedad en general, debido a que la búsqueda 
para   comprender   los   mecanismos   de   la   inteligencia,   ha   sido   la   piedra   filosofal   del   trabajo   de 
muchos científicos por muchos años y lo sigue siendo.

Dentro   de   las   áreas  de   la  Inteligencia   Artificial  lo   que   más  ha   atraído,   es  el  aprendizaje   de 
máquinas, resultando vital el proceso de emular comportamientos inteligentes. 

Que un sistema pueda mejorar su comportamiento sobre la base de la experiencia que recoge al 
efectuar una tarea repetitiva y que además, tenga una noción de lo que es un error y que pueda 
evitarlo, resulta apasionante.

¿Pueden los computadores aprender a resolver problemas a partir de ejemplos?
No hace tanto tiempo esta pregunta bordeaba la ciencia ficción, pero ahora es objeto de profundos 
y prometedores estudios.

Las redes de neuronas formales son máquinas que poseen esta capacidad de aprendizaje. Son 
máquinas propuestas como modelos extremadamente simplificados del funcionamiento del cerebro 
que   sienta   las   bases   de   un   modelo   colectivo,   donde   el   sistema   global   presenta   propiedades 
complejas que no pueden predecirse a partir del estudio individual de sus componentes. 

Los estudios teóricos de redes de neuronas reflejan estos dos aspectos: el de la modelización  de 
fenómenos cognitivos y el del desarrollo de aplicaciones.

Por ejemplo  para  una  máquina,  la  clasificación  de  rostros,  datos  médicos  o reconocimiento  de 
letras son tareas difíciles, más que para un ser humano. La máquina necesita del aprendizaje, 
donde el asunto consiste en adaptar los parámetros de un sistema, en este caso artificial, para 
obtener la respuesta deseada.

Los métodos tradicionales en Inteligencia Artificial que permitieron el desarrollo de los primeros 
sistemas   expertos   y   otras   aplicaciones,   ha   ido   de   la   mano   de   los   avances   tecnológicos   y   las 
fronteras se han ido expandiendo constantemente cada vez que un logro, considerado imposible 
en su momento, se vuelve posible gracias a los avances en todo el mundo, generando incluso una 
nueva mentalidad de trabajo que no reconoce fronteras físicas ni políticas. Se entiende como un 
esfuerzo común.

La   comprensión   de   los   mecanismos   del   intelecto,   la   cognición   y   la   creación   de   artefactos 

inteligentes, se vuelve cada vez más una meta que sueño, a la luz de los enormes logros, tan solo 
en alrededor de medio siglo de desarrollo de las ciencias de la computación y de poner la lógica al 
servicio de la construcción de sistemas.

77
78
Bibliografía.

1) MIKELL P. Groover, Robótica Industrial.  Mc Graw Hill. 199?.
2) WINSTON, Patrick H., Inteligencia Artificial. Addison­Wesley Iberoamericana, 
3ª ed.,1994.
3) WINOGRAD,   T.A.,   FLORES,   F.   Understanding   Computers   and   Cognition. 
Norwood, N.J. 1986.
4) La Computación Evolutiva en el Contexto de la Inteligencia Artificial. Coello, 
Carlos. LANIA, A.C., México.
5) ¿Por Qué Necesitamos Algoritmos Eficientes? Estivill­Castro, Vladimir. LANIA, 
A.C., México.
6) La   Programación   Lógica   y   el   Prolog.   Loyo,   Cristina   y   Olga   Padrón.   LANIA, 
A.C., México.
7) Redes de Neuronas y Clasificación. Torres, Juan Manuel. LANIA, A.C., México.
8) Principales Direcciones consultadas en WWW:

79