MYCIN fue un programa temprano de inteligencia artificial desarrollado a principios de la década de 1970 en la Universidad de Stanford para ayudar a los médicos en el diagnóstico y tratamiento de infecciones bacterianas graves, como la bacteriemia y la meningitis. Utilizaba un motor de inferencia de encadenamiento hacia atrás y una base de conocimiento de aproximadamente 600 reglas de producción para razonar sobre los datos del paciente y recomendar antibióticos, con dosis ajustadas según el peso corporal. El nombre derivaba del sufijo "-mycin", común en muchos antibióticos. MYCIN es ampliamente considerado un sistema experto fundacional, y el informático Allen Newell lo llamó "el abuelo de todos ellos - el que lanzó el campo".
MYCIN fue escrito en Lisp como tesis doctoral de Edward Shortliffe, bajo la dirección de Bruce G. Buchanan, Stanley N. Cohen y otros. Surgió del Proyecto de Programación Heurística de Stanford, que también contribuyó a otros sistemas tempranos de IA. El programa demostró que el conocimiento específico del dominio, claramente separado de los procedimientos de inferencia, podía producir un razonamiento de alto rendimiento en un contexto médico.
Método
MYCIN operaba consultando al médico a través de una serie de preguntas simples de sí/no o textuales. Al final de la sesión, proporcionaba una lista clasificada de posibles bacterias causantes, cada una con un nivel de confianza, el razonamiento detrás de cada diagnóstico y un tratamiento farmacológico recomendado. El sistema también podía responder preguntas de seguimiento de los médicos, como por qué hacía una pregunta particular, cómo llegaba a una conclusión o por qué no consideraba ciertos factores.
La base de conocimiento consistía en reglas codificadas por expertos, cada una representando un hecho inferencial individual. En ese momento, ningún otro programa de IA contenía tanto conocimiento específico del dominio claramente separado de su motor de inferencia. El motor de inferencia utilizaba encadenamiento hacia atrás, comenzando desde una hipótesis objetivo y trabajando hacia atrás a través de reglas para encontrar evidencia de apoyo.
Los desarrolladores realizaron estudios que mostraban que el rendimiento de MYCIN se veía mínimamente afectado por perturbaciones en las métricas de incertidumbre asociadas con reglas individuales. Esto sugería que el poder del sistema provenía más de su representación del conocimiento y su esquema de razonamiento que de los detalles de su modelo numérico de incertidumbre. Algunos observadores argumentaron que se deberían haber utilizado estadísticas bayesianas clásicas, pero los desarrolladores contrarrestaron que esto requeriría supuestos poco realistas de independencia probabilística o un número inviablemente grande de estimaciones de probabilidad condicional de los expertos.
Factores de Certeza
MYCIN utilizaba un modelo de factores de certeza para combinar evidencia de múltiples reglas. Cada regla podía concluir una hipótesis con un peso entre -1 y +1, donde -1 representaba "falso", +1 representaba "verdadero" y 0 representaba "incierto". Cuando dos o más reglas extraían conclusiones sobre el mismo parámetro, MYCIN combinaba sus factores de certeza usando una fórmula específica.
La fórmula de combinación fue diseñada para tener varias propiedades deseables. Combinar un valor desconocido con cualquier cosa lo dejaba sin cambios. Combinar verdadero con cualquier cosa excepto falso daba verdadero, y de manera similar para falso. Combinar verdadero y falso resultaba en un error de división por cero. Combinar +x y -x daba desconocido. Combinar dos positivos daba un positivo mayor, y combinar un positivo y un negativo daba un valor intermedio.
Estudios posteriores mostraron que el modelo de factores de certeza podía interpretarse en un sentido probabilístico, aunque también destacaron problemas con los supuestos implícitos. Sin embargo, la estructura modular del sistema resultó influyente, llevando al desarrollo de modelos gráficos como las redes bayesianas.
Contextos
Un contexto en MYCIN determinaba qué tipos de objetos podían ser razonados. Los contextos eran similares a las variables en Prolog o a las variables de entorno en los sistemas operativos. Permitían al sistema organizar el conocimiento sobre diferentes aspectos de un caso médico, como el paciente, el cultivo o el organismo que se estaba identificando.
Legado
MYCIN llevó al desarrollo de EMYCIN ("MYCIN esencial"), un shell de sistema experto que podía adquirir conocimiento, razonar con él y explicar resultados sin el conocimiento médico específico. EMYCIN fue descrito como "EMYCIN = Prolog + incertidumbre + caché + preguntas + explicaciones + contextos - variables". Permitía a los desarrolladores construir sistemas expertos en otros dominios reemplazando la base de conocimiento médico.
La influencia de MYCIN se extendió más allá de su aplicación inmediata. Demostró el potencial de los sistemas basados en reglas para el aprendizaje automático y el razonamiento, y su enfoque de la representación del conocimiento influyó en trabajos posteriores en IA y sistemas expertos. Una introducción a MYCIN aparece en el Capítulo 16 del libro Paradigms of Artificial Intelligence Programming (PAIP).
A pesar de su éxito técnico, MYCIN nunca fue ampliamente desplegado en la práctica clínica, en parte debido a preocupaciones legales y éticas sobre el consejo médico generado por computadora. No obstante, sigue siendo un hito en la historia de la IA, ilustrando tanto las fortalezas como las limitaciones de los primeros sistemas expertos.