Knowledge Driven DSS. Introducción

Knowledge Driven DSS

Introducción

Algunas personas afirman que "el conocimiento es poder". Aun cuando esa afirmación es verdadera, las compañías sólo ganan cuando el conocimiento es compartido entre los empleados y otras partes interesadas. Hoy en día el intercambio de conocimientos en la toma de decisiones es más importante de lo que la mayoría de la gente reconoce.

Una forma de compartir el conocimiento es la construcción de sistemas computarizados que pueden almacenar y recuperar los conocimientos codificados como probabilidades, reglas y relaciones. Este software especializado puede procesar este conocimiento y ayudar a los gerentes en la toma de decisiones. El apoyo a las decisiones especializadas y las herramientas de inteligencia artificial (IA) también pueden ayudar a crear conocimiento.

Un término general que describe estos sistemas es “Sistemas de Soporte a la toma de Decisiones basados en el conocimiento”. Estos DSS proporcionan sugerencias a los gerentes. Su componente dominante es una captura de "conocimiento" y el mecanismo de almacenamiento. Conocimiento y sugerencias son los dos temas principales que unen las diferentes tareas de conocimiento.

DSS basados en el conocimiento, DSS de sugerencias, DSS basados en reglas y DSS inteligentes son términos de sistemas de apoyo a la gestión creadas con tecnologías de inteligencia artificial. Utilizamos generalmente herramientas de desarrollo de sistemas expertos y herramientas de minería de datos para crear estos sistemas. Los analistas de negocio identifican relaciones en grandes bases de datos que utilizan la minería de datos o herramientas de descubrimiento de conocimientos. Cuando un gerente o un trabajador del conocimiento utilizan un DSS con una herramienta de minería de datos, los resultados del análisis pueden sugerir relaciones y nuevos conocimientos.

Los DSS basados en el conocimiento abarcan tanto las tecnologías de sistemas expertos así como las técnicas y herramientas de minería de datos.

Origen

Los sistemas expertos fueron presentados por los investigadores en el Proyecto de Programación Heurística Stanford siendo estos los sistemas DENDRAL y Mycin. Los contribuyentes principales a la tecnología fueron Bruce Buchanan, Edward Shortliffe, Randall Davis, William van Melle, Carli Scott, y otros en Stanford.

La investigación también estuvo muy activa en Francia, donde los investigadores se centraron en la automatización de los motores de razonamiento y la lógica. El lenguaje informático franceses Prolog, diseñado en 1972, marcó un avance real sobre los sistemas expertos como Dendral o Mycin: es un Shell, es decir, una estructura de software lista para recibir cualquier sistema experto y para ejecutarlo. Prolog tiene un motor de inferencia integrado que utiliza la lógica de primer orden, con reglas y hechos. Prolog es una herramienta para la producción masiva de sistemas expertos y fue el primer lenguaje declarativo operacional, después se convirtió en el mejor lenguaje de AI vendido en el mundo. Sin embargo Prolog no es muy fácil de usar.

En la década de 1980, los sistemas expertos proliferaron a medida que fueron reconocidos como instrumentos prácticos para la resolución de problemas del mundo real. Las universidades ofrecen cursos de sistemas expertos y dos tercios de empresas de la lista Fortune 1000 aplican esta tecnología en las actividades diarias del negocio. El interés se hizo internacional con el proyecto de Sistemas computacionales de quinta generación de Japón y el incremento en la financiación de la investigación en Europa. El crecimiento en el campo continuó en la década de 1990.

En 1981, la primera PC de IBM fue introducida, con el sistema operativo MS-DOS. Su bajo precio comenzó a multiplicar los usuarios y abrió un nuevo mercado para los sistemas de computación y expertos. En los años 80 la imagen de IA era muy buena y la gente creía que iba a tener éxito en un corto tiempo.

El desarrollo de sistemas expertos se vio favorecido por el desarrollo de los lenguajes de procesamiento simbólico Lisp y Prolog Se crearon los depósitos de sistemas expertos que tuvieron características más especializadas para la construcción de sistemas expertos de gran tamaño.

Muchas empresas comenzaron a comercializar shells de sistemas expertos, algunos desarrollos comerciales de las herramientas de las universidades, otros escritos por empresas de capital de riesgo. Estos afirmaban contar con reglas escritas en un lenguaje sencillo y por lo tanto, permitían en teoría escribir sistemas expertos sin conocimientos de lenguajes de programación.

Las mejores herramientas conocidas eran Guru (EE.UU. inspirado por Emycin), Consultor Personal Plus (EE.UU.), NexPert Object (desarrollado por Neurona Datos, empresa fundada en California por tres franceses), Genesia (desarrollado por la compañía francesa pública Electricité de France y comercializado por Steria), VP Expert (EE.UU.), Xi (desarrollado por Expertech, Reino Unido) y Crystal (desarrollado por Intelligent Environments, Reino Unido).

Algunas de estas herramientas de inducción de reglas, llamadas 'generadores', lo que permitió teóricamente la producción de reglas por no expertos basados en datos en bruto.

Características

Los DSS basados en el conocimiento pueden sugerir o recomendar acciones a los directivos. Estos DSS son sistemas con experiencia en resolver problemas especializados. La "experiencia" de estos sistemas consiste en el conocimiento acerca de un dominio en particular, la comprensión de los problemas dentro de ese dominio, y "habilidad" para resolver algunos de estos problemas. Un concepto relacionado es la minería de datos, el cual se refiere a una clase de aplicaciones analíticas que realizan búsquedas de patrones ocultos en una base de datos. La minería de datos es el proceso de tamizado a través de grandes cantidades de datos para obtener relaciones de contenido de datos. Las herramientas

...