Un sistema experto es un programa informático diseñado para emular la capacidad de toma de decisiones de un experto humano dentro de un dominio estrecho de inteligencia artificial, normalmente mediante la aplicación de una base de reglas codificadas a hechos proporcionados por un usuario a través de un motor de inferencia. Los sistemas expertos fueron la aplicación más significativa comercialmente de la IA simbólica y impulsaron una gran ola de inversión corporativa en IA durante finales de la década de 1970 y la de 1980.
Arquitectura
Un sistema experto típico separa una base de conocimiento, una colección de hechos del dominio y reglas si-entonces aportadas por especialistas humanos, de un motor de inferencia, que aplica razonamiento lógico, comúnmente encadenamiento hacia adelante o hacia atrás, para derivar conclusiones o recomendaciones. Los sistemas expertos se basaban en técnicas de razonamiento pioneras de Allen Newell y Herbert Simon en las décadas de 1950, adaptando métodos de resolución de problemas generales para codificar experiencia específica de dominio en lugar de ello. Muchos sistemas también incluían facilidades de explicación que podían mostrar a los usuarios la cadena de reglas utilizada para alcanzar una conclusión, una forma temprana de lo que hoy se discute como IA interpretable, y factores de confianza para manejar la incertidumbre que la lógica pura no podía expresar bien.
Ejemplos notables
Los primeros sistemas emblemáticos incluyeron a DENDRAL, desarrollado en esta universidad desde mediados de los años 60 para inferir estructuras moleculares a partir de datos de espectrometría de masas, y MYCIN, desarrollado en la década de 1970 para recomendar tratamientos antibióticos según síntomas del paciente y resultados de laboratorio; se informó que MYCIN superó a médicos novatos en algunas evaluaciones, aunque nunca se implementó clínicamente a causa de deudas de responsabilidad integridad. En la industria, el sistema XCON de Digital Equipment Corporation, usado desde 1980ñm configuró pedidos de computadoras y se le atribuyó el ahorro de decenas de millones de dólares anuales a la empresa, lo que se convitió en una prueba ampliamente citada del valor comercial.
El auge de la década de 1980
El éxito de XCON ayudó a desencadenar un auge más amplio de los sistemas expertos en la década de 1980, ya que las empresas invirtieron fuertemente en consultoras especializadas de "IA" y en hardware dedicado como las denominadas máquinas Lisp optimizadas para el procesamiento simbólico. El Proyecto de Sistemas de Quinta Generación de Japón, lanzado en 1982, buscaba construir máquinas de programación lógica masivamente paralelas en parte en torno al razonamiento estilo sistema experto, lo que fomentó una inversión competitiva por parte de Estados Unidos y Europa.
Decadencia y el segundo invierno de la IA
Los sistemas expertos resultaron caros de construir y, más críticamente, caros de mantener: las bases de reglas se volvieron difíciles de manejar a medida que los dominios escalaban, las interacciones entre reglas eran difíciles de predecir, y el sistema manejo situaciones novedosas fuera de su conocimiento codificado era pobre. El mercado de hardware especializado de máquinas Lisp colapsó cuando las estaciones de trabajo generales más baratas alcanzaron su rendimiento a fines de la década de 1980. Estos fallos contribuyeron al segundo invierno de la IA, un retroceso marcado en la financiación y el interés corte de la IA que duró hasta integrado a inicios de los 90, replicando el colapso financiero previo documentado en el informe Lighthill de 1973.
Legado
Los sistemas expertos establecieron prácticas que persisten en la IA moderna: codificación estructurada del conocimiento, explicación de las salidas del sistema y capas de validación basadas en reglas que aún se utilizan en algunas canalizaciones en producción. Sus descendientes conceptuales incluyen los sistemas modernos de grafo de conocimiento y guardarraíles basados en reglas que se incorporan alrededor de las salidas de modelos de lenguaje a gran escala, menos predecibles. A diferencia de los sistemas modernos de aprendizaje automático que aprenden patrones de datos, los sistemas expertos dependían por completo del conocimiento codificado manualmente, una limitación que, desde los 90s, motivó el cambio más brillante hacia los métodos estadísticos.