IA Modelo experto (II)
Estrategias de razonamiento: encadenamiento hacia adelante y encadenamiento hacia atras
Al hablar del modelo experto, dijimos que constaba de tres componentes, la base de conocimiento, el motor de inferencias y el interfaz de usuario. Mientras que el primero y tercer componente no parecen ofrecer dificultades para su comprensión e identificación en una aplicación real, el segundo requiere una explicación más detallada. Este será el objetivo de esta segunda entrada sobre los modelos expertos de IA.
Aunque sin duda no es el único ejemplo, sí me parece que los informes automarizados de pruebas que ofrecen los sistemas de corrección on-line se acercan mucho a la representación del paradigma modelo experto IA. Con esto no quiero decir que funcionen limitándose a este modelo, pero sí que podrían hacerlo perfectamente. Es por ello que considero a estas aplicaciones o servicios una buena ejemplifición de los componentes de que están dotados estos modelos. Al menos en su parte visible e "intuible" así podrían considerarse.
Empezando por el final, el interfaz se muestra, generalmente, de modo generalmente tosco (tambiém hay que decirlo) como sistema de entrada de datos basado en un formulario simple. La base de conocimientos que sustenta el sistema está oculta, especialmente en lo que hace a los datos sensibles, aquellos sobre los que opera el sistema de reglas del motor de inferencias, aunque algunas de sus partes resultan evidentes en los informes resultantes (1).
Y aquí es cuando llegamos a la cuestión que llama ahora nuestra atención: ¿en que´consiste en la práctica eso que llaman motor de inferencias?, ¿qué es el encadenamiento hacia adelante y el encadenamiento hacia atrás?. Conocer estas cuestiones nos ayuda a implementar este tipo de soluciones en nuestras propuestas; especialmente ahí donde la automatización se puede beneficiar de una aplicación fundamentada del modelo experto IA (2)
Entendemos por encadenamiento hacia adelante (Forward Chaining) es un mecanismo de inferencia dirigido por los datos (data-driven), conceptos que vienen a ser sinónimos. El sistema comienza con los hechos conocidos y aplica las reglas si-entonces para generar nuevos hechos. Este proceso se repite hasta que no se pueden extraer más conclusiones. Se basa en la regla lógica Modus Ponens: Sabemos que P implica Q; si tenemos P, entonces se producirá Q.
Un ejemplo muy simple: sabemos que la regla "Si llueve, el suelo se moja" es cierta (P→Q); contatamos que "Está lloviendo" (P), así que el sistema deduce automáticamente que "El suelo está mojado" (Q).
En el encadenamiento hacia atrás (backward chaining) el motor de inferencias empieza con una meta o hipótesis y trabaja a la inversa para ver si los hechos la sustentan.
En este caso el modelo se guía por objetivos ((goal-driven)) e intenta demostrar una conclusión examinando las cláusulas ENTONCES (consecuentes) de las reglas. Si encuentra una regla cuya conclusión coincide con el objetivo, se mueve al SI (antecedente) y convierte esa condición en un nuevo objetivo a demostrar. Esto es, se basa en la búsqueda de evidencia para la implicación. Para demostrar que Q es cierto, el sistema busca si P lo es en la base de hechos o si existe otra regla que tenga a P como conclusión.
Para ejmplificar ambos procedimientos vamos a exponerlos en un contexto de evaluación clínica. Este contexto, además de no ser extraño para el SEO (al que con mucha frecuencia se le acusa de reproducir indebidamente el modelo clínico), resulta pertinente por ser uno de los contextos en que se han desarrollado soportes IA basados en el modelo experto.
Pondremos como ejemplo la atención médica a un paciente que llega a urgencias con dolor torácico. En este contexto, el procesamiento hacia adelante actúa como el triaje inicial qué sugieren los síntomas y el procesamiento hacia atrás actúa como el especialista que busca confirmar una sospecha específica (en este caso reponder a la pregunta: "¿es un infarto?"). Ambos procedimientos, más que antagónicos, resultan complementarios.
Concretando, llamemos escenario A a la aplicación del procesamiento hacia adelante (triaje) e identifiquemos sus pasos:
- Hecho 1: Dolor torácico opresivo.
- Hecho 2: Sudoración profusa.
- Regla: SI "Dolor opresivo" Y "Sudoración" (datos) ENTONCES (inferir) "Posible Isquemia".
- Resultado: El sistema alerta al médico para que priorice al paciente porque los datos indican posible riesgo coronario.
El escenario B se plantea como procedimiento hacia Atrás (cardiólogo)
- Meta: Confirmar Infarto (IAM).
- Regla necesaria: Para confirmar IAM necesito "Elevación del segmento ST en ECG" O "Troponinas altas en sangre".
- Acción del sistema: El sistema pregunta: "¿Tiene el resultado del ECG?".
- Hecho: El usuario sube el ECG con elevación ST.
- Resultado: La meta "Infarto" se marca como Verdadera.
RESUMEN COMPARATIVO
| Característica | Encadenamiento Hacia Adelante (Data-driven) | Encadenamiento Hacia Atrás (Goal-driven) |
|---|---|---|
| Punto de Partida | Los Síntomas: El paciente dice que tiene dolor opresivo y sudoración fría. | La Hipótesis: El cardiólogo sospecha de un "Infarto Agudo de Miocardio" (IAM) |
| Pregunta Guía | ¿A qué diagnóstico nos llevan estos síntomas? | ¿Qué pruebas necesito para confirmar que es un infarto? |
| Flujo de Trabajo | Se introducen los datos ---> Se activan reglas ---> Se llega a una conclusión | Se fija el objetivo ---> Se buscan las condiciones necesarias ---> Se solicitan los datos. |
| Resultado intermedio | Genera todas las conclusiones posibles | Solo genera las necesarias para probar la meta |
| Comportamiento | Exploratorio: Puede concluir varias cosas a la vez: ENTONCES ---> angina | ansiedad | reflujo | Confirmatorio: Se enfoca exclusivamente en evidencias que apoyen o descarten el IAM |
| Interacción Sistema-Sanitario | El sistema procesa la información ya disponible en la ficha médica | El sistema solicita activamente: "Realice un ECG" o "¿El dolor se irradia al brazo izquierdo?" |
| Control de búsqueda | Puede generar inferencias no solicitadas | Búsqueda dirigida y selectiva |
| Costo computacional | Alto si la base de reglas es grande | Más eficiente si la meta está bien definida |
| Naturaleza | Exploratoria | Confirmatoria |
| Eficiencia | Alta cuando hay muchos síntomas y no se sabe qué pasa | Alta cuando se precisa diagnóstico urgente y hay que descartar riesgos vitales |
| Ejemplo histórico | Sistemas tipo CLIPS | Sistemas tipo MYCIN |
Consultas. Texto elaborado a partir de consultas a IA Gemini - IA ChatGPT (ambas versión gratuita, los mismos prompt)
Notas2Como dije, la automatización de informes de pruebas parece ser un campo de trabajo especialmente apropiado. Lo que no implica que no presente limitaciones ni que otros modelos no sean pertinentes.
