Cuartas Jornadas "Investigaciones en la Facultad" de Ciencias Econmicas y Estadstica, octubre de 1999.

107
Albano, Sergio
Marchese, Alicia G.
Moratello, Mara C.
Picco, Alicia M.
Plss, Jorge J.
Scarabino, Juan Carlos
Instituto de Investigaciones y Asistencia Tecnolgica en Administracin, Escuela de
Administracin.
TRATAMIENTO DE LA INCERTIDUMBRE EN SISTEMAS DE
DIAGNSTICO PARA EMPRESAS
1. INTRODUCCIN
Los sistemas expertos constituyen hoy una herramienta vastamente probada entre las
nuevas tecnologas de informacin. Se trata de una rama de la Inteligencia Artificial, campo
de estudio de las Ciencias de la Computacin que pretende hacer razonar a las
computadoras de manera similar a los humanos. Un sistema experto es un programa de
computadora diseado para modelizar la habilidad para resolver un problema que posee un
experto humano"
1
.
Es nuestro objetivo el desarrollo de un sistema experto que logre diagnosticar y
asesorar a los entes econmicos (sus fortalezas y debilidades), poniendo nfasis en sus
aspectos financieros. Para ello hemos recopilado pautas de evaluacin cuantitativas
(partiendo de los distintos ratios de uso comn en el mbito administrativo) y cualitativas
(aspectos atinentes al aspecto social de la organizacin), as como tambin tratamos de
incorporar elementos provenientes del contexto en que la organizacin desarrolla sus
actividades.
Hemos recurrido al conocimiento de expertos en la materia, que estuvieron dispuestos a
exponer y explicar su metodologa de trabajo a la hora de diagnosticar acerca de la situacin
de las empresas.
A partir de esta experiencia, hemos detectado que a menudo los expertos no estn en
condiciones de expresar con exactitud una nica respuesta, razn por la cual nos
adentramos en el estudio de lo que se ha denominado Razonamiento Aproximado.
2. MODELAR LA ORGANIZACIN
Como ya dijramos, la radiografa completa de una empresa en marcha se basa en
tres cuestiones relacionadas entre s:
Anlisis de sector, que es analizar el al marco donde se desenvuelve.
Anlisis cualitativo interno, que se focaliza en los aspectos cualitativos.

1
DURKIN, John Expert Systems, Prentice Hall International Edition, 1996
Cuartas Jornadas "Investigaciones en la Facultad" de Ciencias Econmicas y Estadstica, octubre de 1999.
108
Anlisis cuantitativo interno, que apunta a las variables mensurables y que se lleva a
cabo en tres dimensiones: La financiera, la econmica y la patrimonial.-
Para que la evaluacin funcione, la secuencia de pasos a aplicar es la que sigue:
Hacer un profundo anlisis del sector y del mercado.
Analizar la empresa, desde un punto de vista cualitativo.
Analizar la empresa, desde un punto de vista cuantitativo.
Reunir y ordenar la informacin disponible.
Determinar las fortalezas y debilidades.
Una vez analizadas las variables constitutivas y sus interrelaciones, estaremos en
condiciones de prever el comportamiento del sistema modelado. Es decir, ste es el objetivo
propuesto para que el sistema ayude a la toma de decisiones, a travs de un razonamiento
del tipo qu pasara si.....
Estos escenarios posibles ayudarn a pensar el proyecto de empresa, a qu se quiere
llegar y cules sern los pasos a seguir para su logro.
3. HERRAMIENTAS DISPONIBLES. SISTEMAS EXPERTOS. RAZONAMIENTO
APROXIMADO.
Existe abundante bibliografa relativa al anlisis organizacional, tanto en sus aspectos
cualitativos como cuantitativos, la que est a nuestro alcance enuncia con mayor o menor
grado de detalle las pautas a tener en cuenta para lograr este objetivo. Es decir, enuncian
qu elementos debern ser tenidos en cuenta para el anlisis, pero no cmo interactan
dichos elementos entre s y consecuentemente, cules seran las medidas correctivas a
proponer.
El cmo se aplican en la prctica estos elementos fue aportado por los expertos. Ellos
nos proveyeron de pautas que permitieron relacionar los ratios entre s para obtener
conclusiones.
El equipo de investigadores abocados a la tarea de desarrollar un sistema experto de
diagnstico de empresas, tiene como primer objetivo la determinacin de los ratios o
cocientes, que conforme a su jerarqua - la que determinar el orden de prelacin para el
anlisis - conformarn el rbol que permitir arribar a una conclusin final sobre la situacin
de la empresa analizada.
Dicha conclusin final ser producto del anlisis de los aspectos cualitativos y
cuantitativos, previamente determinados, los que analizados en su conjunto permitirn
arribar a la pretendida conclusin.
Una vez lograda la calificacin, resultante del trabajo realizado, es decir lo que
llamamos la conclusin final, deber darse curso al estudio de las causas que ocasionan el
diagnstico obtenido, pudiendo de esta manera, ante el exhaustivo anlisis de los motivos
que condujeron a la empresa a la situacin comprobada y hoy cuestionada, tomar las
decisiones que correspondan - con un alto grado de acierto dado el diagnstico realizado - a
los efectos de llevar a buen puerto a la organizacin en su conjunto.
Por otra parte, entendemos que, tanto en el anlisis cualitativo y en lo que hace a
variables del entorno como en el anlisis cuantitativo, el procedimiento de etiquetar de
acuerdo a parmetros no es directamente aplicable. Optamos entonces por establecer un
sistema de conclusiones que abarquen respuestas lingsticas que se irn combinando en
funcin de las conclusiones parciales que surjan. Ya no alcanza con calificar como bueno,
Cuartas Jornadas "Investigaciones en la Facultad" de Ciencias Econmicas y Estadstica, octubre de 1999.
109
regular o malo sino que en adelante a este primer logro deber adicionarse un si bien
..., un condicionamiento adicional que se acerque ms a la realidad que buscamos modelar.
SEDAF (Sistema Experto de Diagnstico y Asesoramiento Financiero) es un programa
de computadora que obtiene datos de la empresa desde una fuente externa (base de datos
relacional), elabora ratios y los somete a un proceso de comparacin con valores deseados
que se encuentran en la base de conocimientos.
La idea sobre la que se basa este sistema es el conocimiento, que consiste en
almacenar en la base de datos del sistema de informacin, los estndares aceptados por
los expertos humanos para que el sistema realice un proceso de comparacin con los datos
de la empresa analizada y que es efectuado a travs de la accin de un conjunto de reglas
de produccin.
stas estn escritas de la manera: IF premisa THEN conclusin, significa que si la
premisa en verdadera la conclusin es cierta. Hasta aqu estaramos en condiciones de
etiquetar el resultado en alguno de los parmetros previstos.
Por ejemplo, dado el ratio Liquidez Seca (LS) = ActivoCte / PasivoCte
SI LS =1 ENTONCES PLS = Muy buena
SI LS =2 ENTONCES PLS = Buena
SI LS =3 ENTONCES PLS = Regular
SI LS =4 ENTONCES PLS = Mala
SI LS =5 ENTONCES PLS = Muy mala

En este caso, una vez estudiados los parmetros, la reglas seran aplicables. Pero a
menudo ocurre que los expertos no estn en condiciones de expresar su opinin de manera
tan precisa. Se recurre entonces a la utilizacin de coeficientes. El coeficiente es un factor
que se agrega para representar la incertidumbre y/o imprecisin que el experto asigna a
este conocimiento y que se denomina coeficiente de refinamiento. Generalmente este
coeficiente se mide en una escala de 0 a 100 y supone una modificacin al principio de
inferencia del Modus ponens (regla de inferencia utilizada por la lgica clsica) .-
La regla tomara entonces la forma:
IF <premisa> THEN <conclusin> <coeficiente>
Este coeficiente de refinamiento aparece como un modificador de la conclusin en las
reglas utilizadas para la representacin del conocimiento heurstico y es uno de los
componentes utilizados luego por el motor de inferencias del SEDAF para la gestin del
razonamiento aproximado.
Una funcin de pertenencia referida a la teora de los conjuntos borrosos (FUZZI SETS)
es una funcin que combina un valor de un parmetro que puede pertenecer al citado
conjunto con un nmero que indica su grado de pertenencia en la escala adoptada (COX-
1994 A), por lo que estamos definiendo un conjunto difuso cuya funcin de pertenencia
resulta a partir de la coleccin de valores proporcionados por el usuario final.
Las reglas individuales son los componentes de la base de conocimiento del sistema
experto y se pueden relacionar dando lugar a nuevos hechos, los que a su vez representan
la estructura dinmica del conocimiento con que est configurado el sistema. La relacin
entre las reglas posibilita una cadena de inferencias que es gestionada por una parte del
sistema experto y que se denomina motor de inferencia. La base de conocimientos y el
Cuartas Jornadas "Investigaciones en la Facultad" de Ciencias Econmicas y Estadstica, octubre de 1999.
110
motor de inferencias constituyen el ncleo de la arquitectura de los sistemas expertos (
Nebendahl, 1989 A).-
El motor de inferencias puede trabajar en las modalidades de encadenamiento hacia
adelante (dirigido por los datos) o encadenamiento hacia atrs (dirigido por los objetivos)
dependiendo del sentido en que se realiza la asociacin de sucesos. En el encadenamiento
hacia adelante, que es el utilizado en SEDAF, primero se requieren los datos para analizar
la premisa, es decir dentro del IF <condicin>, para luego decidir si corresponde continuar
con el THEN <conclusin>. La conclusin de esta regla puede ser la condicin de la premisa
necesaria para otra regla y as sucesivamente, configurando un encadenamiento de estas
pequeas porciones de conocimiento que contribuyen a establecer el resultado final del
proceso de inferencia (Nebendahl - 1989 B).
Aunque en la arquitectura de los sistemas expertos el conocimiento en la base de
conocimientos aparece aislado de la estructura de control, existe adems un tipo particular
de reglas, las meta-reglas gestionadas por el motor de inferencia y que gobiernan o indican
el modo y las circunstancias en que se aplican las reglas de produccin del sistema (Hayes,
1983 A).-
El motor de inferencia de la herramienta utilizada para la construccin del sistema
experto SEDAF, KAPPA PC v 2.4 , dispone de varias modalidades de funcionamiento en
encadenamientos hacia adelante y un modo por defecto. Este ltimo hace una bsqueda
que se interrumpe cuando encuentra por primera vez el objetivo que se le ha propuesto.



En el grfico anterior, dado un valor 2, entonces la etiqueta a asignar es buena, con
un coeficiente de certeza igual al 100%, pero si el valor es 2.15, entonces la etiqueta a
asignar sera buena, con un coeficiente 0.6 o regular con un coeficiente de 0.5. Entre estas
1,5 1,6 1,7 1,8 1,9 2 2,1 2,2 2,3 2,4 2,5
S1
S2
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
G
r
a
d
o
s

d
e

c
e
r
t
e
z
a
Valores
LIQUIDEZ Dominio = St y > St
LIQUIDEZ=2
LIQUIDEZ=2.15
Buena (CF=0.6)
Muy Buena(CF=0.5)
Cuartas Jornadas "Investigaciones en la Facultad" de Ciencias Econmicas y Estadstica, octubre de 1999.
111
dos opciones, debemos optar por una y elegimos la que lleva asociado un mayor coeficiente
de certeza.
4. LA INCERTIDUMBRE COMO PARTE DEL MODELO ORGANIZACIONAL
Cuando enunciamos una regla, solicitamos al experto que le asocie un grado de
certeza. Si ste es menor que 100 (seguro), tambin decrece la credibilidad de la inferencia
relacionada. En nuestro caso, estamos tratando de combinar reglas para arribar a un
diagnstico. Para ello nos tomamos pautas del sistema experto MYCIN, descripto por
Durkin
2
que se basa en la denominada
Lgica difusa: Una rama de la lgica que utiliza grados de pertenencia en grupos,
ms all de la estricta dicotoma verdadero/falso
3
que provee los medios para representar y
razonar con trminos vagos o ambiguos con la computadora.
Debemos partir de la identificacin de distintas variables lingsticas (trminos del
lenguaje natural que describen algunos conceptos que usualmente tienen valores vagos o
difusos), o variables difusas, mediante las cuales tratamos de emular el razonamiento del
experto.
Los valores (adjetivos) de las variables difusas se representan utilizando conjuntos
difusos, que agrupan elementos segn el grado de certeza de que el elemento pertenezca al
conjunto difuso.
Conjuntos difusos: Dado X como universo del discurso, con x elementos. Un conjunto
difuso A de X se caracteriza por la funcin de pertenencia que asocia cada elemento x con
un grado A de pertenencia.
En contraste con la teora de probabilidades, que asigna probabilidad a un elemento
dado sobre la base de las frecuencias del evento, la lgica difusa asigna valores al evento
sobre la base de la funcin de pertenencia al conjunto.
5. CONSTRUCCION DE UN SISTEMA EXPERTO DE LOGICA DIFUSA.
La construccin de un sistema experto de lgica difusa es un proceso interactivo, en
el cual un conjunto infinito de reglas difusas y conjuntos difusos es formado y luego
mejorado hasta encontrar las especificaciones proyectadas.
Partimos de un conjunto de reglas ya investigadas y procedimos a combinarlas.
Logramos una relacin entre las mismas que permite emitir un diagnstico a priori del
ANLISIS DE LA SITUACIN FINANCIERA DE CORTO PLAZO que toma la siguiente
forma:

2
DURKIN, J. op.cit.
3
DURKIN, op. Cit.

Cuartas Jornadas "Investigaciones en la Facultad" de Ciencias Econmicas y Estadstica, octubre de 1999.
112

Reglas para situacion financiera de corto plazo

IF Acidez mala and liquidez =mala and c pago < p realiz then sit.
mala
IF Acidez buena and liquidez =mala and c pago < p realiz then sit.
mala,pero mejora en act
no normales
IF Acidez MB and liquidez =mala and c pago < p realiz then sit.
mala,pero mejora en act
no normales


IF Acidez mala and liquidez =buena and c pago < p realiz then sit.
mala
IF Acidez buena and liquidez =buena and c pago < p realiz then sit.
mala,pero mejora en act
no normales
IF Acidez MB and liquidez =buena and c pago < p realiz then sit.
mala,pero mejora en act
no normales
IF Acidez mala and liquidez =MB and c pago < p realiz then sit.
estable, se agrav en act
no normales
IF Acidez buena and liquidez =MB and c pago < p realiz then sit.
Estable
IF Acidez MB and liquidez =MB and c pago < p realiz then sit.
estable, mejora en act no
normales
IF Acidez mala and liquidez =mala and c pago = p realiz then sit.
estable, baja liq agravada
por situaciones no
normales
IF Acidez buena and liquidez =mala and c pago = p realiz then sit.
estable, baja liq
IF Acidez MB and liquidez =mala and c pago = p realiz then sit.
estable, baja liq mejorada
por situaciones no
normales


IF Acidez Mala and liquidez =buena and c pago = p realiz then sit.
estable, baja liq
complicada por sit. no
normales
IF Acidez Buena and liquidez =buena and c pago = p realiz then sit.
estable, baja liq
IF Acidez MB and liquidez =buena and c pago = p realiz then sit.
estable, baja liq mejorada
por sit. no normales


IF Acidez Mala and liquidez =MB and c pago = p realiz then sit.
estable,mejora, salvo
situaciones no normales
IF Acidez Buena and liquidez =MB and c pago = p realiz then sit.
estable,mejora
IF Acidez MB and liquidez =MB and c pago = p realiz then sit.
estable,mejora, incluso
con situaciones no
normales
IF Acidez Mala and liquidez =mala and c pago > p realiz then sit.
desahogada, empeora
incluso en sit no normales
IF Acidez Buena and liquidez =mala and c pago > p realiz then sit.
desahogada, empeora
salvo en sit no normales
IF Acidez MB and liquidez =mala and c pago > p realiz then sit.
desahogada, empeora
pero mejora por sit no
normales


IF Acidez Mala and liquidez =buena and c pago > p realiz then sit.
desahogada, empeora
por sit no normales
IF Acidez Buena and liquidez =buena and c pago > p realiz then sit.
desahogada
IF Acidez MB and liquidez =buena and c pago > p realiz then sit.
desahogada, mejora por
sit no normales


IF Acidez Mala and liquidez =MB and c pago > p realiz then sit.
desahogada, pero
empeora por sit no
normales
IF Acidez Buena and liquidez =MB and c pago > p realiz then sit.
desahogada, queda igual
IF Acidez MB and liquidez =MB and c pago > p realiz then sit.
desahogada, pero mejora
con situaciones no
normales
Cuartas Jornadas "Investigaciones en la Facultad" de Ciencias Econmicas y Estadstica, octubre de 1999.
113
En los casos en que la situacin fuera etiquetada como mala......, se sugieren
distintas alternativas de solucin viables, tales como: realizar nuevos aportes de capital,
liquidar activos no corrientes u obtener pasivos no corrientes. Dichas opciones merecen
anlisis especficos que exceden el marco de este proyecto.
Hasta aqu habamos supuesto que en todos los casos el grado de certeza fuera 100,
es decir, esto implica una situacin en la que el experto enuncia con seguridad cada una de
las etiquetas.
El paso siguiente fue asignar a cada regla un coeficiente de certeza, con lo cual la
metodologa debi ser replanteada asumiendo las siguientes etapas:
1. Definir el problema. Lograr que el experto enfoque el aspecto bsico del
mismo, el nodo central a partir del cual surgirn las reglas.
Para ello partimos del conjunto de reglas analizadas anteriormente.
2. Definir las variables lingsticas. Se trata de escuchar cmo el experto se
refiere al problema, su terminologa, y las palabras claves que usualmente se repiten
en su discurso.
3. Definir los conjuntos difusos, detectando los adjetivos asociados a cada una
de las variables, tales como mala, buena, muy buena. En nuestro caso, ante la
pregunta: Qu considera Ud. como una liquidez muy buena? La respuesta fue:
Alrededor de 1, entre 0.80 y 1.20. Utilizando similares preguntas para todas las
etiquetas de las variables involucradas se establecen los coeficientes de certeza
asociados a cada una de las mismas para luego integrarlas en reglas.
4. Definir las reglas difusas. Una vez identificados los problemas primarios,
sugerir la asociacin con los adjetivos previamente definidos para proceder a su depuracin
(eliminar los que no se utilizan) o incorporacin de los nuevos que vayan surgiendo.
Por ejemplo, al tomar la regla integradora:
IF acidez = mala <coeficiente> AND liquidez = buena <coeficiente> AND
c.pago>p.realizacin <coeficiente> THEN SITUACIN = desahogada, pero empeora en
operaciones no normales <coeficiente>. Este ltimo coeficiente, asociado al estado de la
variable difusa situacin, surge por inferencia de los otros tres, de tal forma que, una vez
realizada la medicin y obtenidos los conjuntos difusos de cada regla, podemos asignar un
coeficiente (en este caso el menor) que quedar asociado a la situacin prevista como
resultante.

Grficamente:
Cuartas Jornadas "Investigaciones en la Facultad" de Ciencias Econmicas y Estadstica, octubre de 1999.
114


5. Construir el sistema. Codificar los conjuntos difusos, las reglas y las
funciones. Como ya dijimos, estamos trabajando con el shell KAPPA PC, que por ser
especfico para sistemas expertos permite que el diseador se ocupe slo de resolver y
codificar lo que hace al conocimiento del sistema, quedando los procedimientos
resueltos por el mismo lenguaje de programacin.
6. Testear el sistema. A travs de casos de prueba que contemplen todos los
valores posibles asignados. Pensamos alternativas, partiendo de datos de distintos
balances y an suponiendo combinaciones que no obtuvimos de los mismos casos de
prueba.
7. Armonizar el sistema. Atendiendo a la correccin del mismo, tanto en lo que
hace a las reglas como a los conjuntos enunciados.
6. CONCLUSIN:
En esta resumida exposicin hemos tratado de enunciar las tareas involucradas en el
desarrollo de sistemas expertos, cuando incluimos el tratamiento de la imprecisin y la
incertidumbre. Estos elementos han sido tomados en cuenta en funcin de su importancia
para el desarrollo del modelo de la organizacin en estudio. Partimos de acotar el modelo
para facilitar su estudio, tomando slo algunas reglas cuantitativas y la relacin entre las
mismas.
Este es el primer paso para luego extender la metodologa a las restantes reglas que
constituyen el modelo descriptivo de la organizacin. Los restantes aspectos cuantitativos y
los cualitativos sern sometidos a un procedimiento semejante, lo que completar la etapa
de diagnstico prevista.
Ante el problema de la imprecisin de datos, si debemos ubicar dos o ms parmetros,
tambin debemos establecer la jerarqua entre los mismos (est entre bueno y muy bueno,
con tal grado de certeza). Una flexibilizacin del conocimiento slo puede ser lograda
Inferencia para mltiples reglas
0
0,2
0,4
0,6
0,8
1
1,2
Liquidez = Mala
CF = 0.7
Acidez = Buena
CF = 0.5
C.Pago >P.Realizac.
CF = 0.7
0
0,2
0,4
0,6
0,8
1
1,2
1,8 1,9 2 2,1 2,2
Situacin desahogada,
empeora en op.no nor,
CF=0.5
Cuartas Jornadas "Investigaciones en la Facultad" de Ciencias Econmicas y Estadstica, octubre de 1999.
115
asociando valores a parmetros crticos, cada uno de ellos asociado a un factor de opinin
(CF; Certain Factor), resultando entonces un factor de multiplicacin del objeto observado.
Existen varias lneas de trabajo para la resolucin de estos problemas, de las cuales se
ha expresado lo ms elemental de los fundamentos tericos que estamos aplicando. Tanto
la representacin como la combinacin de conocimientos a travs de reglas como la
propagacin de la incertidumbre a travs de la inferencia, cuentan con el fundamento terico
correspondiente enunciado por los especialistas en la bibliografa citada.
Desde el modelo probabilstico tan difundido hasta los ltimos aportes en este sentido,
que se basan en la teora de certeza, realizados por el equipo que dise el sistema
experto MYCIN, constituyen valiosos elementos tericos que deben ser considerados a la
luz de la lgica de las organizaciones, cuyas particularidades estudiamos, aunque nos
resulte dificultosa su sistematizacin y modelizacin, ya que estamos tratando de interpretar
y dar respuesta a problemas organizacionales utilizando herramientas de las ciencias
positivistas.
El proceso busca, mediante la aproximacin sucesiva, definir los trminos lingsticos
que reflejen el concepto enunciado por el experto. Una primer etapa es lo que se ha
expuesto aqu. Si bien sabemos que el producto final ser la consecuencia de innumerables
operaciones de etiquetado y asignacin de nmeros difusos, hasta dar por bueno el
conjunto de trminos a aplicar y poder seguir adelante.
Quedan muchos aspectos an abiertos a la investigacin para generar las herramientas
aptas que la tecnologa prev y que favorecern el desarrollo de la nueva cultura para la
toma de decisiones.
7. BIBLIOGRAFIA
COX, E. (1994) The Fuzzy Systems Handbook, A.P. Profesional 1994, pg. 9-18
- (1994a) The Fuzzy Systems Handbook, A.P. Profesional 1994, pg 2-4.
DURKIN, John. Expert Systems, Prentice Hall International Edition, 1996. Pg. 332 398.
LPEZ DE MNTARAS, R. (1990). Approximate reasoning models; Ellis Hoerwood Limited,
1990.
MISHKOFF, H. (1986). Understanding Artificial Intelligence, Texas Instrumenst Learning
Center, 1986.
NEBENDAHL, D. (1988). Sistemas Expertos, Marcombo, 1989.
- (1989). Sistemas Expertos, Marcombo, 1988, pg. 57-58
- (1989b). Sistemas Expertos, Marcombo, 1988, pg. 71-82
STONEBRAKER, M. (1992). The integration of Rukle Systems and Database Systems, IEEE
Transactions on Knowledge and Data Engineering, Vol. 4, Nro. 5, October 1992. Pg.
415-