Como puede evidenciarse, las actividades manuales se han reducido notablemente en las empresas y aunque se ha sostenido que estas no son la función del contador, se puede afirmar que eran las que mayor tiempo les quitaban. Estas reducciones de tiempo se pueden apreciar en los negocios donde se aplica la Inteligencia Artificial en las actividades contables, con la implantación de programas capaces de realizar tareas que eran llevadas a cabo por los contadores.
Inteligencia Artificial. Surgimiento y evolución histórica.
La Inteligencia Artificial aparece 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. 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, propician el surgimiento del término Inteligencia Artificial.
Las primeras investigaciones en Inteligencia Artificial comenzaron a mediados de los años 1950 con el trabajo de Alan Turing, cuando planteó que existirá Inteligencia Artificial cuando no seamos capaces de distinguir entre un ser humano y un programa de computadora en una conversación a ciegas. En 1956 John McCarthy, Marvin Minsky y Claude Shannon en la Conferencia de Darmouth, un congreso en el que se hicieron previsiones triunfalistas a diez años que jamás se cumplieron, lo que provocó el abandono casi total de las investigaciones durante quince años, acuñan formalmente el término de Inteligencia Artificial. Fue en los años sesenta, cuando lo investigadores Alan Newel y Herbert Simon trabajaban en la demostración de teoremas y el ajedrez por ordenador, lograron crear un programa llamado General Problem Solver (Solucionador General de Problemas).En 1970 se comienza a elaborar un proyecto, elaborado por un grupo de investigadores dirigidos por Edward Feigenbaum, para resolver problemas de la vida cotidiana o que se centrara en problemas más concretos. Es así como nace el primer sistema de experto. En 1980 la historia se repitió con el desafío japonés de la quinta generación de computadoras, que dio lugar al auge de los sistemas expertos pero que no alcanzó muchos de sus objetivos, por lo que este campo sufrió una nueva interrupción en los años noventa.
En 1987 Martin Fischles y Oscar Firschein describieron los atributos de un agente inteligente. Al intentar describir con un mayor ámbito (no solo la comunicación) los atributos de un agente inteligente, la Inteligencia Artificial se ha extendido a muchas áreas que han creado ramas de investigaciones enormes y diferenciadas. Dichos atributos del agente inteligente son:
1. Tiene actitudes mentales tales como creencias e intenciones 2. Tiene la capacidad de obtener conocimiento, es decir, aprender. 3. Puede resolver problemas, incluso desglosando problemas complejos en otros más simples. 4. Entiende. Posee la capacidad de crearle sentido, si es posible, a ideas ambiguas o contradictorias. 5. Planifica, predice consecuencias, evalúa alternativas (como en los juegos de ajedrez) 6. Conoce los límites de sus propias habilidades y conocimientos. 7. Puede distinguir a pesar de las similitudes de las situaciones.8. Puede ser original, creando incluso nuevos conceptos o ideas, y hasta utilizando analogías. 9. Puede generalizar.10. Puede percibir y modelar el mundo exterior.11. Puede entender y utilizar el lenguaje y sus símbolos.
Es a partir de esta etapa en que se desarrollan sistemas de expertos aplicables a la contabilidad. En 1987 se crea el sistema de experto AUDITPLANNER, aplicable a la auditoria. Este sistema ayuda a los auditores sobre los juicios de la materialidad en las etapas de la planificación de la auditoria. El objetivo principal de este sistema era investigar la forma en que la información cualitativa y cuantitativa influye en los juicios de materialidad de los auditores.
En 1990 se crea sistema de experto ANALYSIS, el cual clasifica funcionalmente el balance y la cuenta de pérdida y ganancia, el cálculo de los flujos económicos, la rentabilidad, la gestión del activo económico y la solvencia. En el año 1992 surge el sistema de experto COMPAS (Sistema Computarizado de Planificación de Auditoría), aplicable en la auditoria en el proceso de planificación. Este sistema ayuda a seleccionar los procedimientos de auditoria.
La base de conocimiento del sistema contiene información sobre los posibles procedimientos de detección de los componentes importantes de los estados financieros. También en este año se creó el SECOCET (Sistema Soporte de Decisión Experto Aplicado al Control de Costos de Empresas de Transformación). Este sistema ayuda en el control de costos y análisis de las desviaciones de los costos de una sección. Son muchos los sistemas de expertos que se han creado a lo largo de estos años para facilitar el trabajo de los contadores y ahorrar tiempo en las actividades de estos. En la actualidad la Inteligencia artificial vive un intenso período en el que se desarrollan y comercializan las aplicaciones de esta ciencia en todos los campos. Cada vez más, las técnicas de Inteligencia Artificial, están dejando de ser curiosidades académicas con mucho futuro pero poca aplicación en el presente, para pasar a ser uno de los motores que impulsan la industria de la computación, con inversiones crecientes año tras año. Las posibilidades desde luego son asombrosas, pero no hay que dejar volar la imaginación más de lo necesario. La Inteligencia Artificial es una ciencia nueva que debe andar mucho camino todavía y sus primeros pasos están siendo prometedores.
Definiciones y características de la Inteligencia Artificial
La Inteligencia Artificial, a lo largo de la historia ha sido un tema muy polémico, por lo que existen varias definiciones de esta. Según Farid Fleifel Tapia, la Inteligencia Artificial es "la rama de la ciencia de la computación que estudia la resolución de problemas no algorítmicos mediante el uso de cualquier técnica de computación disponible, sin tener en cuenta la forma de razonamiento subyacente a los métodos que se apliquen para lograr esa resolución" ([2])
No es este el único concepto de Inteligencia artificial que existe, otros investigadores sostienen que la inteligencia Artificial es el arte de crear máquinas con capacidad de realizar funciones que realizadas por personas requieren de inteligencia. En 1991 se entendía por Inteligencia Artificial como "el estudio de lograr que las computadoras realizaran las tareas que los humanos realizan mejor" ([3]). En 1993 Luger y Stubblefield, definieron la Inteligencia Artificial como "la rama de la ciencia de la computación que se ocupa de la automatización de la conducta inteligente" ([4]).
En la mayoría de los casos se sostiene que la Inteligencia Artificial es la rama de la ciencia del computador, sin embargo se puede agregar que también intente la creación de programas para máquinas que imiten el comportamiento y la comprensión humana. Algunos ejemplos se encuentran en el área de control de sistemas, planificación, automática, la habilidad de responder a diagnósticos y a consultas de los consumidores de escritura, reconocimiento del habla y reconocimiento de patrones. De este modo, se ha convertido en una disciplina científica, enfocada en proveer soluciones a problemas de la vida diaria.
El concepto de Inteligencia Artificial es aún demasiado difuso. Contextualizando y teniendo en cuenta un punto de vista científico, podríamos englobar a esta ciencia como la encargada de imitar a una persona y no por fuera, sino su cerebro, en todas las funciones posibles.
Los sistemas de Inteligencia Artificial, actualmente son parte de la rutina en los campos como la economía, ingeniería y la milicia, y se han usado en gran variedad de aplicaciones de software, juegos de estrategia como ajedrez de computador y otros videojuegos.
Importancia de la Inteligencia Artificial
A medida que el mundo se vuelve más complejo, debemos usar nuestros recursos materiales y humanos con más eficiencia, y para lograrlo, se necesita la ayuda que nos ofrecen los computadores. Existe la falsa impresión de que uno de los objetivos de la inteligencia artificial es sustituir a los trabajadores humanos y ahorrar dinero. Pero en el mundo de los negocios, la mayoría de personas está más entusiasmada ante las nuevas oportunidades que ante el abatimiento de costos. Además, la tarea de reemplazar totalmente a un trabajador humano abarca de lo difícil a lo imposible, ya que no se sabe cómo dotar a los sistemas de Inteligencia Artificial de toda esa capacidad de percibir, razonar y actuar que tienen las personas. Sin embargo, debido a que los humanos y los sistemas inteligentes tienen habilidades que se complementan, podrían apoyarse y ejecutar acciones conjuntas:
En la agricultura, controlar plagas y manejar cultivos en forma más eficiente.
En las fábricas, realizar montajes peligrosos y actividades tediosas (labores de inspección y mantenimiento).
En la medicina, ayudar a los médicos a hacer diagnósticos, supervisar la condición de los pacientes, administrar tratamientos y preparar estudios estadísticos.
En el trabajo doméstico, brindar asesoría acerca de dietas, compras, supervisión y gestión de consumo energético y seguridad del hogar.
En las escuelas, apoyar la formación de los estudiantes, especialmente en aquellas materias consideradas complejas.
Ayudar a los expertos a resolver difíciles problemas de análisis o a diseñar nuevos dispositivos.
Aprender de los ejemplos para explorar bases de datos en busca de regularidades explotables.
Proporcionar respuestas a preguntas en lenguaje natural usando datos estructurados y texto libre.
La inteligencia artificial aplicada es la contraparte de ingeniería de la ciencia cognoscitiva y complementa sus perspectivas tradicionales. La ciencia cognoscitiva es una mezcla de psicología, lingüística y filosofía.
Características de la Inteligencia Artificial
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.
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).
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.
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.
Alcance de la Inteligencia Artificial
Se puede dar una lista de los procesos que generalmente pueden ser llamados inteligencia artificial si son programados en una computadora.
Solución de problemas en general
Percepción
Comprensión del lenguaje natural
Aprendizaje, demostración de teoremas, juegos
Sistemas Expertos
Lenguaje de la Inteligencia Artificial
Hardware para la Inteligencia Artificial
Robótica
Enfoques de la inteligencia Artificial
La Inteligencia Artificial se divide en dos enfoques o escuelas del pensamiento la Inteligencia Artificial Convencional y la Inteligencia Artificial Computacional. La concepción de la Inteligencia Artificial como el intento de desarrollar una tecnología capaz de suministrar al ordenador capacidades de razonamiento o discernimiento similares o aparentemente similares a las de la inteligencia humana, es llamado Inteligencia Artificial Convencional que tiene que ver con métodos que actualmente se conocen como máquinas de aprendizaje, algunos métodos de esta rama incluyen los sistemas de expertos y razonamiento basado en casos. Los sistemas de expertos son la técnica de Inteligencia Artificial que primero se utilizó en los sistemas de análisis del riesgo de crédito. No obstante, muchos sistemas expertos están plenamente vigentes y en servicio en diversas instituciones. El razonamiento basado en casos intenta dar solución a los problemas de forma similar a la de los seres humanos, es decir intenta solucionar un problema determinado, basándose en casos anteriores que presenten similitudes, para así llegar al resultado, la solución del problema.
La concepción de la Inteligencia Artificial como investigación relativa a los mecanismos de inteligencia humana, que emplea el ordenador como herramienta de simulación para la validación de teorías, se conoce como la Inteligencia Computacional.
La inteligencia computacional implica desarrollo o aprendizaje, el cual se realiza basándose en datos empíricos. Algunos métodos de esta rama incluyen:
Redes neuronales: sistemas con grandes capacidades de reconocimiento de patrones.
Sistemas difusos: técnicas para lograr el razonamiento bajo incertidumbre. Ha sido ampliamente usada en la industria moderna y en productos de consumo masivo, como las lavadoras.
Computación evolutiva: aplica conceptos inspirados en la biología, tales como población, mutación y supervivencia del más apto para generar soluciones sucesivamente mejores para un problema. Estos métodos a su vez se dividen en algoritmos evolutivos (algoritmos genéticos) e inteligencia colectiva. (algoritmos hormiga)
El primer enfoque es por lo general el más práctico, este se centra en los resultados obtenidos, en la utilidad y no tanto en el método. El segundo está orientado a la creación de un sistema artificial que sea capaz de realizar los procesos cognitivos humanos.
Aplicaciones de la Inteligencia Artificial
En la actualidad son muchas las áreas de la Inteligencia Artificial en que se investiga.. La representación del conocimiento, que busca en el descubrimiento de métodos expresivos y eficientes, describir información sobre aspectos del mundo.
. Los métodos de aprendizaje automático, que extienden las técnicas estadísticas con el fin de posibilitar la identificación de un amplio rango de tendencias generales a partir de un conjunto de datos de entrenamiento.
. El campo de la planificación, que enfrenta el desarrollo de algoritmos que construyen y ejecutan automáticamente secuencias de comandos primitivos con el fin de alcanzar ciertas metas de alto nivel.
. Los trabajos en el área de razonamiento posible, que hacen uso de principios estadísticos para desarrollar codificaciones de información incierta. . El estudio de las arquitecturas de agentes, que busca la integración de otras áreas de la Inteligencia Artificial con el objeto de crear agentes inteligentes, entidades robustas capaces de comportamiento autónomo y en tiempo real. . La coordinación y colaboración multiagentes, que ha permitido el desarrollo de técnicas para la representación de las capacidades de otros agentes y la especificación del conocimiento necesario para la colaboración entre ellos. . Los campos de procesamiento de voz y lenguaje, que buscan la creación de sistemas que se comunican con la gente en su lenguaje.
. La síntesis y comprensión de imágenes, que conduce a la producción de algoritmos para el análisis de fotografías, diagramas y videos, así como también de técnicas para el despliegue visual de información cuantitativa y estructurada.
Pero también hay áreas de aplicación. La inteligencia Artificial se aplica en los sistemas reales en una gran variedad de rama y problemas; la gestión y control con la aplicación en el análisis inteligente y la fijación de objetivos; en la fabricación (diseño, planificación, programación); en la educación con la aplicación en el adiestramiento práctico, exámenes y diagnóstico, en la ingeniería con el diseño, control y análisis; en el equipamiento, se aplica la Inteligencia Artificial en el diagnóstico, adiestramiento, mantenimiento, configuración, monitorización y ventas; en la cartografía mediante la interpretación de fotografías, diseño, resolución de problemas cartográficos; en sistemas de armamento se aplica la Inteligencia Artificial en la guerra electrónica, identificación de objetivos, control adaptativo, proceso de imágenes, proceso de señales; en el procesamiento de datos se aplica en la educación, interfase en lenguaje natural, acceso inteligente a datos y gestores de bases de datos y en el análisis inteligente de datos; en las finanzas se aplica la Inteligencia artificial en la planificación y en el análisis e interpretación de los estados financieros de las empresas u organizaciones.
Existen varias aplicaciones comerciales de la Inteligencia Artificial, una de ellas es en la configuración de componentes de un sistema de computación, en el diagnóstico de hardware informáticos, de redes de ordenadores y en diagnósticos médicos. También se aplica la Inteligencia Artificial en la interpretación y análisis de datos geológicos, en problemas matemáticos complejos, en la evaluación de amenazas militares, en la motorización de equipos, en la fabricación y gestión de procesos científicos, en la planificación y gestión de activo y pasivo, en la gestión de carteras y en le análisis de créditos y préstamos. Son muchas las aplicaciones que tiene la Inteligencia Artificial hoy en día, pero queda mucho por investigar y con el tiempo seguirán apareciendo nuevos adelantos en esta ciencia, de los cuales se beneficiará en gran medida el hombre.
Técnicas de Inteligencia Artificial
En los últimos años del siglo pasado y los primeros del presente, se han apreciado cambios en el mundo empresarial, debido al avance de las tecnologías de la información y junto a esto la necesidad de obtener información veraz y en el menor tiempo posible, la globalización de los mercados y la incertidumbre en la toma de decisiones. Todo esto ha propiciado el desarrollo de las nuevas técnicas de Inteligencia Artificial.
Técnicas de Inteligencia Artificial
Razonamiento basado en casos
Sistemas expertos.
Redes neuronales artificiales
Vida artificial.
Computación evolutiva.
Algoritmos genéticos
Estrategias evolutivas.
Lógica difusa.
Aprendizaje Automático.
Ingeniería del conocimiento.
Sistemas reactivos.
Sistemas multi-agente.
Sistemas basados en reglas.
Redes Bayesianas.
Técnicas de Representación de Conocimiento
Redes semánticas.
Frames.
Visión artificial.
Audición artificial.
Lingüística computacional.
Procesamiento del lenguaje natural.
Minería de datos.
En la actualidad, la Inteligencia artificial se está aplicando a numerosas actividades realizadas por los seres humanos y entre las técnicas de investigación más destacadas de la Inteligencia Artificial aplicadas al campo de la Contabilidad tenemos : el razonamiento basado en casos, los sistemas expertos, las redes neuronales, los algoritmos genéticos y la lógica difusa. Estas técnicas pueden combinarse para obtener una solución más adecuada del problema en estudio.
Razonamiento basado en casos
Esta técnica de inteligencia artificial intenta llegar a la solución de nuevos problemas, de forma similar a como lo hacen los seres humanos. Es una tecnología de la inteligencia artificial que representa el conocimiento como una base de datos de casos y soluciones.
Cuando un individuo se enfrenta a un nuevo problema comienza por buscar en su memoria experiencias anteriores similares a la actual y a partir de ese momento establece semejanzas y diferencias y combina las soluciones dadas con anterioridad para obtener una nueva solución. Este proceso es intuitivo y la persona lo realiza prácticamente sin darse cuenta. Una vez que la persona tiene situadas un grupo de situaciones anteriores similares a la actual, analiza las variantes que se presentan en la nueva situación y cómo puede dar respuesta a estos cambios. De manera resumida el proceso ocurre como sigue:
El individuo buscó en su memoria casos similares.
Intenta inferir una respuesta a partir del caso mas similar que encontró.
Tuvo que realizar algunas concesiones y ajustes para adaptar el caso anterior a la situación actual.
Finalmente la solución obtenida no es igual a la anterior, pero cumple dos aspectos muy importantes, el primero da respuesta al nuevo problema y el segundo, ha enriquecido su experiencia anterior con la nueva solución. El funcionamiento del RBC parte de estos principios y para ello comprende cuatro actividades principales:
Recuperar los casos más parecidos.
Reutilizar el o los casos para tratar de resolver el nuevo problema.
Revisar y adaptar la solución propuesta, en caso de ser necesario.
Almacenar la nueva solución como parte de un nuevo caso.
Un nuevo problema se compara con los casos almacenados previamente en la base de casos y se recuperan uno o varios casos. Luego se utiliza y evalúa una solución, sugerida por los casos que han sido seleccionados con anterioridad, para ver si se aplica al problema actual. A menos que el caso recuperado sea igual al actual, la solución probablemente tendrá que ser revisada y adaptada, produciéndose un nuevo caso que será almacenado. La elaboración de un sistema que emplea el RBC presenta dos problemas principales: el primero saber cómo almacenar la experiencia de tal forma que ésta pueda ser recuperada en forma adecuada y el segundo conseguir utilizar la experiencia previa en un problema actual.
La forma de representar y almacenar estas experiencias se realiza a través de casos. Un caso mantiene todos los atributos y características relevantes de un evento pasado. Estas características servirán como índices para la recuperación del caso futuro. De acuerdo a la naturaleza del problema tratado se define la representación del caso, es decir, cuáles son los atributos importantes, qué problemas serán tratados, cuál es la solución propuesta, etc. Además es necesario definir el o los mecanismos de recuperación de casos.
Sistemas Expertos
Los sistemas expertos son la rama de la Inteligencia Artificial más empleada en la gestión empresarial. Su origen se sitúa a mediados de los años setenta, sin embargo, es a partir de la década de los ochenta cuando se desarrollan aplicaciones en toda su plenitud. Un sistema experto recopila en un programa informático el conocimiento de especialistas en una materia. Sus dos componentes principales son la base de conocimientos y un programa de inferencia. El saber de un experto se representa mediante el uso de símbolos, creando una base de conocimiento, posteriormente se diseña un programa de inferencia que manipula la información simbólica almacenada en dicha base de conocimiento mediante procesos de búsqueda.
La tarea de adquisición del conocimiento es una tarea compleja que precisa de varios actores. El ingeniero del conocimiento, especialista informático que extrae el conocimiento del especialista humano y lo plasma en el programa informático. El especialista humano, que es quien posee el conocimiento, la experiencia. El usuario del sistema, encargado de utilizar el sistema experto.
Los sistemas expertos o inteligentes recogen una serie de características fundamentales para cumplir con el objetivo de ofrecer asesoramiento inteligente o tomar una decisión inteligente sobre una función de un proceso determinado:
Los sistemas expertos pueden resolver problemas muy difíciles.
Pueden funcionar con datos que contienen errores, usando reglas inciertas de enjuiciamiento.
Pueden contemplar múltiples hipótesis en competición simultáneamente.
Pueden explicar su proceso de razonamiento y justificar sus conclusiones.
Estos sistemas están diseñados para servir de soporte a los complejos análisis que se requieren en el descubrimiento de las tendencias del negocio, con el fin de tomar decisiones eficientes y oportunas. Esto le permite a quienes toman decisiones afrontar los retos del nuevo mundo empresarial en el cual el conocimiento aparece como el factor esencial para el desarrollo de las organizaciones. Algunas de las áreas de aplicación de los sistemas expertos en el mundo empresarial son las siguientes:
. Planeación corporativa financiera. Análisis de inversiones. Concesión de créditos . Análisis de estados financieros. Interpretación de índices. Análisis de tendencias . Recuperación y revisión analítica de registros. Cálculo y asignación de costos. Asignación de recursos escasos . Control y análisis de desviaciones. Diseño de sistemas de información y de gestión. Análisis de riesgos . Evaluación del control interno de una empresa . Opinión de un auditor.
Los Sistemas de Expertos son sistemas basados en reglas por lo que pueden superar la capacidad de síntesis humana, por ejemplo, cuando se requiere analizar un gran volumen de datos en un corto espacio de tiempo. El experto humano se verá obligado a despreciar parte de la información desechando la que no considere relevante; sin embargo, el sistema experto, dada su mayor velocidad de proceso, puede analizar toda la información, sin que aparezca fatiga u otros efectos propios del ser humano que empeoran los resultados. Estos sistemas, convenientemente construidos, pueden también superar al experto humano cuando la decisión exige aplicar conocimientos de varios campos.
Pese a su innegable potencia y utilidad, los sistemas expertos presentan una serie de inconvenientes como son su programación y mantenimiento, la dificultad y el elevado costo en tiempo y dinero para extraer el conocimiento de los especialistas humanos, la poca flexibilidad a cambios o la dificultad que presenta la manipulación de información incompleta, inconsistente o errónea. Otro hecho importante a tener en cuenta es la existencia de problemas que no son resolubles algorítmicamente, o cuya solución mediante un sistema experto u otro método convencional no es suficientemente buena.
Estructura de un sistema experto basado en reglas
Como señalan diversos autores, dada la gran diversidad de sistemas expertos basados en reglas no se puede hablar de una estructura única. Sin embargo, en la mayoría de ellos es posible identificar los siguientes componentes básicos:
Base de Conocimientos: Contiene la información sobre el dominio de conocimientos a que viene referido el sistema experto. Dentro de ella puede distinguirse entre conocimiento declarativo (hechos) y procedimental (reglas).
Base de Datos, Memoria de Trabajo o Modelo Situacional: Es una memoria auxiliar que contiene información sobre el problema a resolver (datos iniciales) y el estado del sistema a lo largo del proceso de inferencia (datos intermedios).
Motor de Inferencias: El motor de inferencias o estructura de control es la parte del sistema experto que se encarga de realizar los procesos de inferencia que relacionan la información contenida en la memoria de trabajo con la base de conocimientos, con el fin de llegar a unas conclusiones. En un sistema basado en reglas realiza tres operaciones: reconocer cuáles son las reglas aplicables, decidir cual se va a aplicar y aplicarla.
Interfaz del Usuario: El interfaz del usuario o subsistema de consulta es la parte del sistema que posibilita la comunicación entre el usuario y el motor de inferencias. Permite introducir la información que necesita el sistema y comunicar al usuario las respuestas del sistema experto.
Módulo de Justificación o Subsistema de Explicación: Es la parte del sistema que explica los pasos realizados por el motor de inferencias para llegar a las conclusiones, indica también por qué utiliza ciertas reglas y no otras, y por qué se planteó determinada pregunta durante el diálogo con el usuario.
Subsistema de Adquisición del conocimiento: Es un interfaz que facilita la introducción del conocimiento en la base y de los mecanismos de inferencia en el motor de inferencia, también comprueba la veracidad y coherencia de los hechos y reglas que se introducen en la base de conocimiento.
Redes Neuronales Artificiales.
La computación programada, basada en reglas de decisión y algoritmos codificados en programas que se ejecutan sobre ordenadores digitales, ha dominado el procesamiento de la información en las últimas décadas. El avance de la Electrónica y las Ciencias de la Computación ha permitido que hoy en día podamos disponer sobre nuestra mesa de trabajo de ordenadores de gran potencia. Pese a ello, existen tareas que ni las grandes supercomputadores son capaces de resolver, o lo hacen de un modo poco eficiente, mientras que el cerebro lo viene haciendo desde hace millones de años con suma facilidad y eficiencia.
Debido a esto, los científicos se centraron en el cerebro humano tratando de estudiarlo desde el punto de vista de la computación. Las diferencias que separan cerebro y ordenador son enormes. Un computador tradicional, es una máquina que ejecuta una serie de instrucciones de forma secuencial, siendo capaz de realizar complicadas operaciones lógicas y aritméticas de una forma muy rápida. La estructura del cerebro es radicalmente diferente. No está compuesto por un único microprocesador altamente complejo y eficiente, sino por miles de millones de ellos, las neuronas, que realizan de modo impreciso y relativamente lento un tipo de cálculo muy simple. Pese a ello, estos sistemas resuelven ciertas tareas como la visión o el control motor que manejan grandes cantidades de información redundante, defectuosa y cambiante como ninguna máquina que el hombre haya podido construir hasta la fecha.
En este proceso del pensamiento científico surgen los sistemas neuronales artificiales, con la idea de tomar las características esenciales de la estructura neuronal del cerebro para crear sistemas que lo minimicen en parte, mediante sistemas electrónicos o mediante simulación por ordenador, aprovechando sus propiedades de cálculo. Estos sistemas están compuestos por multitud de procesadores simples que operan sobre la base de reconocimiento de patrones, y que pueden adquirir, almacenar y utilizar conocimiento experimental, obtenido a partir de ejemplos. Esta forma de adquirir el conocimiento es una de sus características más destacables: no se programa de forma directa, es decir, se adquiere a partir de ejemplos, por ajuste de parámetros de las neuronas mediante un algoritmo de aprendizaje. En cuanto al modo interno de trabajo las redes neuronales recuerdan más a los modelos estadísticos multivariantes.
Sistemas expertos y redes neuronales se asemejan en cuanto al objetivo de modelizar el conocimiento, pero son radicalmente opuestos en cuanto a cómo aspiran a conseguirlo. Como vemos, los sistemas expertos se acercarían más al razonamiento deductivo y las redes neuronales al inductivo. La gestión empresarial utiliza frecuentemente ambos esquemas de razonamiento, por lo que ambas técnicas tienen cabida. Además, ambos modelos son perfectamente compatibles, de forma que se pueden integrar en un único sistema, que se suele conocer como red experta (es un sistema combinado de una red neuronal con un sistema experto). Probablemente este tipo de sistemas mixtos, si son capaces de recoger las ventajas de ambos modelos, conozcan un gran desarrollo en un futuro cercano.
Los elementos básicos de neurocomputación son las neuronas artificiales. Estas se agrupan en capas, constituyendo una red neuronal. Una o varias redes, más los interfaces con el entorno, conforman el sistema global. Un conjunto de capas constituyen una red neuronal, aunque también existen estructuras de una única capa. Una determinada red neuronal está confeccionada y entrenada para llevar a cabo una labor específica. Existen diferentes modelos de conexiones entre capas, en general se suelen distinguir dos básicos: las arquitecturas hacia adelante o feedforward y las realimentadas o feedback. En las arquitecturas feedforward, la información siempre se propaga hacia adelante. En las arquitecturas realimentadas, las señales pueden en ocasiones fluir hacia atrás a través de lazos de realimentación. Un sistema neuronal incluye una o varias redes neuronales, los interfaces de entrada y salida con el medio exterior, y puede incluir otros subsistemas no necesariamente de tipo neuronal.
Las primeras investigaciones sobre redes neuronales datan de principios del siglo XIX pero fue hasta la década de los 40 y 50, en el siglo XX, cuando el estudio de las redes neuronales cobró mayor fuerza, gracias al movimiento Conexionista. Este movimiento sostenía la premisa de que el secreto para el aprendizaje y el conocimiento se halla en axiomas o verdades incuestionables y que el conocimiento es independiente de la estructura que maneje los símbolos, y la representación del conocimiento se hace desde el estrato más básico de la inteligencia. Ya en los años 80 los nuevos avances en el campo tecnológico y en el conocimiento de la estructura del cerebro provocaron un resurgimiento del interés por las redes neuronales permitiendo hasta el día de hoy la creación de un número creciente de aplicaciones en distintos campos y con diversos propósitos. Las redes neuronales artificiales se constituyen en una técnica de procesamiento masivo y paralelo de la información que emula las características esenciales de la estructura neuronal del cerebro biológico.
Las Redes Neuronales Artificiales son el resultado de investigaciones académicas que utilizan fórmulas matemáticas para modelar operaciones del sistema nervioso, es decir, es un modelo de procesamiento de información que es inspirado por el modo de un sistema nervioso biológico, tal como el cerebro procesa información. El elemento clave de este paradigma es la estructura original del sistema de procesamiento de información. Este se compone de un gran número de elementos interconectados procesando y trabajando en armonía para resolver problemas específicos. Una Red Neuronal Artificial es configurada para una aplicación específica, tal como el reconocimiento de patrones o clasificación de datos, a través de un proceso de aprendizaje. Aprender en sistemas biológicos implica ajustes para las conexiones sinópticas que existen entre las neuronas. Esto lo hace una Red Neuronal Artificial.
También, las Redes Neuronales Artificiales se han aplicado a un gran número de problemas reales de complejidad considerable. Su ventaja más importante está en resolver problemas que son demasiado complejos para tecnologías convencionales, problemas que no tienen un algoritmo de solución o que su algoritmo de solución es muy difícil de encontrar. En general, a causa de su abstracción del cerebro biológico, las Redes Neuronales Artificiales están aptas para resolver problemas que la gente puede resolver, pero las computadoras no pueden. Estos problemas incluyen reconocimiento de patrones y pronósticos, los cuales requieren el reconocimiento de tendencias de datos.
Los sistemas neuronales presentan ciertos inconvenientes. Uno importante es que habitualmente realizan un complejo procesamiento que supone millones de operaciones, por lo que no es posible seguir paso a paso el razonamiento que les ha llevado a extraer sus conclusiones. Sin embargo, en redes pequeñas, mediante simulación o por el estudio de los pesos sinápticos sí es posible saber, al menos, qué variables de las introducidas han sido relevantes para tomar la decisión. Falta todavía mucho por estudiar en el modo de operación de las redes neuronales.
Otro problema es que al ser una herramienta novedosa y en pleno desarrollo, no se trata de una disciplina con un cuerpo formal, coherente y establecido, por lo que el investigador se encuentra con muchos problemas a los que todavía no se ha encontrado solución.
Algoritmos Genéticos
Los algoritmos genéticos son el resultado de los recientes avances de la computación evolutiva y la genética y se constituyen en una de las principales herramientas tecnológicas de la inteligencia artificial. Estos algoritmos simulan la mecánica de la selección natural y de la genética utilizando la información histórica para encontrar nuevos puntos de búsqueda de una solución óptima, permitiendo obtener soluciones a un problema que por su complejidad no tiene ningún método de solución de forma preciso. Dicha solución exige cálculos complejos que de manera normal tomarían demasiado tiempo.
La configuración básica de un algoritmo genético es la siguiente:
Una representación, en términos de "cromosoma", de las configuraciones de nuestro problema.
Una manera de crear las configuraciones de la población inicial.
Una función de evaluación que permite ordenar los cromosomas de acuerdo con la función objetivo.
Operadores genéticos que permiten alterar la composición de los nuevos cromosomas generados por los padres durante la reproducción.
Valores de los parámetros que el algoritmo genético usa (tamaño de la población, probabilidades asociadas con la aplicación de los operadores genéticos.
Las principales aplicaciones de los algoritmos genéticos en el campo de la gestión financiera empresarial son: la predicción de la bancarrota de una empresa; evaluación y predicción de la capacidad financiera de una empresa para absorber un préstamo y con el fin de decidir el otorgamiento del mismo, la inferencia de reglas que indiquen las mejores decisiones sobre la asignación de recursos con base en información histórica de varios años.
Generalmente, los algoritmos genéticos se emplean con bastante éxito en la investigación de operaciones para resolver problemas de optimización numérica y combinatoria.
Algoritmos genéticos aplicados al problema cuadrático de asignación de facilidades (QAP)
El QAP es un problema combinatorio, considerado por algunos autores como NP-completo. El objetivo del QAP es encontrar una asignación de facilidades a sitios, a fin de minimizar una función que expresa costos o distancias.
La localización y distribución de facilidades es uno de los tópicos más importantes en la formación de profesionales en el área de Ingeniería Industrial y de todos aquellos profesionales que se encargan de la planificación, organización y crecimiento sistemático de las ciudades. En la vida cotidiana y profesional de todo individuo, se presentan una gran variedad de problemas de localización de facilidades.
Los problemas de localización y distribución de facilidades son estratégicos para el éxito de cualquier operación de manufactura. La principal razón es que los costos de manejo de materiales comprenden entre el 30 y el 75% de los costos totales de manufactura. Una buena solución problema de asignación de facilidades contribuiría a la eficiencia total de las operaciones, una pobre distribución puede conducir a la acumulación de inventario de producto en proceso, sobrecarga de los sistemas de manejo de materiales, puestas a punto ineficientes y largas colas. Dentro de esta amplia clase de problemas que pueden ser catalogados como QAP se encuentra el problema de flujo en línea generalizado, que es una línea de flujo en la cual las operaciones fluyen hacia adelante y no se procesan necesariamente en todas las máquinas de la línea. Un trabajo en tal clase de línea puede comenzar a procesarse y completar su proceso en cualquier máquina, moviéndose siempre hacia delante por operaciones sucesivas de acuerdo con la secuencia de trabajo del proceso. Cuando la secuencia de operaciones para un trabajo no especifica una máquina colocada delante de su localización actual, el trabajo tiene que viajar en sentido contrario a fin de completar la operación requerida.
Lógica Difusa
La lógica difusa (lógica borrosa) es una de las disciplinas matemáticas que cuenta con mayor número de seguidores en la actualidad y un número creciente de aplicaciones entre las cuales podemos mencionar: la construcción de artefactos electrónicos de uso doméstico y de entretenimiento, el diseño de dispositivos artificiales de deducción automática y el diseño de sistemas de diagnóstico y de control de complejos procesos industriales. De esta manera la lógica difusa se constituye en una herramienta con un gran potencial para el desarrollo de nuevos métodos o técnicas de la Inteligencia Artificial.
La lógica difusa se funda en el concepto de que todo es cuestión de grado, lo cual permite manejar información vaga o de difícil especificación, importante para la resolución de un problema, por medio de una serie de reglas aprendidas con sistemas adaptativos que se nutren de la observación de las personas o de la formulación por parte del experto humano.
El aspecto central de las técnicas de lógica difusa es que, a diferencia de la lógica clásica, la lógica difusa tiene la capacidad de reproducir de manera aceptable y eficiente los modos usuales del razonamiento humano, al tener en cuenta que la certeza de una proposición es una cuestión de grado, por esta razón parte de la base del razonamiento aproximado y no del razonamiento preciso como lo hace la lógica clásica. De esta forma las características más importantes de la lógica difusa son: la flexibilidad, la tolerancia con la imprecisión, la capacidad para moldear problemas no-lineales y su fundamento en el lenguaje del sentido común.
En el campo de las empresas la teoría sobre la borrosidad se ha extendido en general a todas las áreas de decisión en las que se manejan estimaciones subjetivas basadas en la información disponible y en su propia experiencia tales como: modelos de decisión utilizados con criterios de optimización, modelo de producción, inventario, seguro de vida, localización de plantas industriales, selección de carteras, estrategia de entrada a mercados extranjeros, valoración de intangibles en empresas de Internet, etc. Asimismo, la utilización de las técnicas de lógica difusa es aconsejable para resolver procesos muy complejos, es decir, cuando se carece de un modelo matemático simple o para procesos altamente no lineales, o si el procesamiento del conocimiento experto puede ser desempeñado.
Son muchos los estudios y aplicaciones que se han logrado con el desarrollo de esta ciencia (Inteligencia Artificial), entre las cuales tenemos redes neuronales aplicadas al control de la calidad donde la red evalúa si determinado producto cumple o no con las especificaciones demandadas, control del proceso químico en el grado de acidez, algoritmos genéticos aplicados al problema cuadrático de asignación de facilidades que trata de la asignación de N trabajos en M máquinas, los autómatas programables que se usan para la optimización de sistemas de producción, en fin, todavía queda mucho por descubrir con respecto a las aplicaciones de esta ciencia.
Después de conocer las técnicas de Inteligencia Artificial más importantes hasta el momento, es necesario señalar que de entre todas las técnicas, actualmente dos tienen el mayor interés para las aplicaciones en las empresas: los sistemas de expertos y las redes neuronales artificiales. Estos sistemas se pueden combinar, por lo que una solución práctica es utilizar sistemas mixtos que incorporan un módulo de sistema experto con sus reglas junto a otros módulos neuronales y estadísticos.
Autora:
Lic. Fanny Molina Flores
Lic. Contabilidad y FinanzasUniversidad Central Marta Abreu de Las Villas. Cuba
UCLV – Dir. Economía – Departamento de Finanzas
[1] Horngren Charles, T. Contabilidad Financiera I: Introducción a la Contabilidad. Editorial Prentice-Hall Internacional, 1983.
[2] Fleifel Tapia, Farid. Inteligencia Artificial. Disponible en: http//www.redcientífica.com/gaia/ia/iac.htm.
[3] y (4) Introducción a la Inteligencia Artificial. Disponible en: http//es.wikipedia.org/wiki/Inteligencia_Artificial/Introducción.
| Página siguiente |