DEPARTAMENTO DE INTELIGENCIA ARTIFICIAL

Asignatura: Introduccin a la Inteligencia Artificial

>> Introduccin a la Inteligencia Artificial >> Bibliografa bsica >> Materia

MATERIA DE LA ASIGNATURA
1. Perspectiva histrica
o Etapa Neurociberntica
o Mdelos simblicos simples de propsito
general

o El conocimiento del dominio y su

parcelacin

o Aspectos metodolgicos y distribucin del

conocimiento

2. Concepto de Inteligencia Artificial

o La Inteligencia Artificial como Ciencia
o La Inteligencia Artificial como Tecnologa
3. Referencias

Presentacin [xi]
1. PERSPECTIVA HISTRICA Y CONCEPTUAL [1]
(J. Mira y A. E. Delgado)
1.1 Concepto de inteligencia artificial [2]
1.2 Idea intuitiva del comportamiento artificial [7]
1.3 Perspectiva histrica de la I.A. [16]
---1.3.1 Neurociberntica [18]
---1.3.2 Computacin: de Platn a Turing [23]
---1.3.3 Bsqueda heurstica y dominios formales [29]

---1.3.4 nfasis en el conocimiento (197x-198x) [32]

---1.3.5 Aprendizaje y renacimiento del conexionismo [46]
2. ASPECTOS METODOLGICOS EN I.A. [53]
(J. Mira y A. E. Delgado)
2.1 Niveles de computacin [54]
2.2 El nivel de conocimiento de Allen Newell [63]
2.3 El agente observador y los dos dominios de descripcin [69]
2.4 Estructura de tareas genricas para modelar conocimiento en el D.O. [75]
---2.4.1 La clasificacin como tarea genrica [78]
---2.4.2 La metodologa KADS [80]
2.5 I.A. simblica versus I.A. conexionista [84]
3. FUNDAMENTOS Y TCNICAS BSICAS DE BSQUEDA [89]
(J. G. Boticario)
3.1 Planteamiento del problema [90]
3.2 Espacios de representacin [94]
---3.2.1 Nociones bsicas sobre grafos [94]
---3.2.2 Representacin de los problemas de bsqueda [97]
---3.2.3 Cmo limitar el espacio de bsqueda [101]
3.3 Bsqueda en integracin simblica [102]
---3.3.1 Descripcin general del sistema [103]
---3.3.2 Lenguaje de descripciones [104]
---3.3.3 Lenguaje de operadores [106]
---3.3.4 Equiparacin de descripciones [107]
---3.3.5 Solucionador [108]
3.4 Bsqueda sin informacin del dominio [111]
---3.4.1 Bsqueda en amplitud [112]
---3.4.2 Bsqueda en profundidad [116]
---3.4.3 Bsqueda con retroceso [120]
---3.4.4 Otros mtodos derivados [124]
3.5 Reduccin del problema [128]
3.6 Algoritmo general de bsqueda en grafos [131]
3.7 Discusin [134]
4. BSQUEDA HEURSTICA [137]
(J. G. Boticario)

4.1 Elementos implicados [138]

---4.1.1 Conocimiento de control [140]
---4.1.2 Planteamiento del problema [144]
4.2 Una estrategia irrevocable [145]
4.3 Estrategias de exploracin de alternativas [148]
---4.3.1 Bsqueda primero el mejor [149]
---4.3.2 Algoritmo A* [152]
---4.3.3 Bsqueda heurstica en integracin simblica [158]
---4.3.4 Mtodo AO* [162]
4.4 Bsqueda con adversarios [165]
---4.4.1 Estrategia MINIMAX [167]
---4.4.2 Estrategia de poda alfa-beta [172]
4.5 Anlisis de medios-fines [176]
4.6 Comentario [178]
5. LGICA [179]
(J. G. Boticario)
5.1 El uso de la lgica en la representacin del conocimiento [180]
5.2 Lgica de proposiciones [181]
5.3 Lgica de predicados [188]
---5.3.1 Ampliaciones de la lgica de predicados [196]
5.4 Deduccin automtica: resolucin [198]
---5.4.1 Forma clausulada [199]
---5.4.2 Unificacin [204]
---5.4.3 Mtodo general de resolucin [207]
5.5 Extensiones de la lgica clsica [213]
---5.5.1 Lgica modal [214]
---5.5.2 Lgica difusa [217]
---5.5.3 Lgicas no montonas [224]
5.6 Conclusiones [229]
6. REGLAS [231]
(F. J. Dez)
6.1 Componentes bsicos de los S.B.R. [232]
6.2 Estructura de las reglas [234]
---6.2.1 Antecedente y consecuente [234]
---6.2.2 Uso de variables en las reglas [237]

---6.2.3 Comentarios [237]

6.3 Inferencia [239]
---6.3.1 Comparacin de patrones [239]
---6.3.2 Tipos de encadenamiento [240]
---6.3.3 Dependencia reversible e irreversible [243]
6.4 Control del razonamiento [244]
---6.4.1 Mecanismos sencillos [244]
---6.4.2 Control de las agendas [246]
---6.4.3 Metarreglas [247]
---6.4.4 Otros mecanismos [249]
6.5 Explicacin del razonamiento [250]
6.6 Tratamiento de la incertidumbre [252]
---6.6.1 Factores de certeza de MYCIN [253]
---6.6.2 Lgica difusa en S.B.R. [254]
6.7 Valoracin [256]
---6.7.1 Comparacin con los programas basados en comandos [256]
---6.7.2 Comparacin con la lgica de predicados [258]
---6.7.3 Crtica de los sistemas basados en reglas [259]
6.8 Apndice: expresividad y tratabilidad [260]
6.9 Bibliografa recomendada [261]
7. REDES ASOCIATIVAS [263]
(F. J. Dez)
7.1 Grafos relacionales [264]
---7.1.1 Modelo de memoria semntica, de Quillian [264]
---7.1.2 Sistema SCHOLAR, de Carbonell [268]
---7.1.3 Grafos de dependencia conceptual, de Schank [270]
---7.1.4 Problemas de los grafos relacionales [274]
7.2 Redes proposicionales [274]
---7.2.1 Redes de Shapiro [275]
---7.2.2 Representacin mediante grafos de Sowa [276]
---7.2.3 Inferencia en grafos de Sowa [281]
7.3 Redes de clasificacin [283]
---7.3.1 Extensin e intensin [283]
---7.3.2 Jerarqua de conceptos [284]
---7.3.3 Mecanismos de herencia [286]

---7.3.4 Sistemas taxonmicos / sistemas asertivos [287]

7.4 Redes causales [288]
---7.4.1 El sistema experto CASNET [289]
---7.4.2 Redes bayesianas [292]
---7.4.3 Ventajas y limitaciones de las redes causales [299]
7.5 Comentarios finales [301]
7.6 Bibliografa recomendada [302]
8. MARCOS Y GUIONES [305]
(F. J. Dez)
8.1 Concepto de marco [306]
---8.1.1 La propuesta de Minsky [306]
---8.1.2 El sistema experto PIP [308]
---8.1.3 El lenguaje KRL [311]
---8.1.4 Herramientas basadas en marcos [313]
8.2 Inferencia mediante marcos [314]
---8.2.1 Facetas [314]
---8.2.2 Demonios [315]
---8.2.3 Puntos de vista [316]
8.3 Guiones [317]
---8.3.1 Planteamiento del problema [317]
---8.3.2 Representacin del conocimiento [318]
---8.3.3 Inferencia mediante guiones [319]
---8.3.4 Ventajas, inconvenientes y extensiones [322]
8.4 Comentarios [325]
---8.4.1 Paradigmas en la utilizacin de los marcos [325]
---8.4.2 Valoracin [326]
8.5 Bibliografa recomendada [328]
9. SISTEMAS EXPERTOS [329]
(J. Mira, A. E. Delgado y otros)
9.1 Concepto de S.E.: estructura bsica, caractersticas, ventajas y limitaciones
[330]
---9.1.1 Estructura bsica [332]
---9.1.2 Caractersticas de un sistema experto [335]
---9.1.3 Ventajas y limitaciones [337]
9.2 Escenarios y funciones [340]

9.3 Tareas genricas: ejemplos de monitorizacin y diagnstico [346]

---9.3.1 Catlogo de tareas genricas [346]
---9.3.2 La monitorizacin como tarea genrica: el ejemplo de SUTIL [349]
---9.3.3 El diagnstico como tarea genrica [355]
9.4 Aspectos metodolgicos de ayuda al desarrollo de sistemas expertos [360]
---9.4.1 Identificacin y anlisis del problema (TG1) [363]
---9.4.2 Adquisicin y modelado del conocimiento (TG2) [365]
---9.4.3 Reduccin al nivel simblico (TG3) [369]
9.5 Ayudas a la implementacin (TG4) [371]
---9.5.1 Entornos de desarrollo [373]
---9.5.2 Herramientas para la adquisicin del conocimiento [393]
---9.5.3 Interfaz de usuario [400]
9.6 Validacin y evaluacin (TG5) [410]
---9.6.1 Razones para la evaluacin [411]
---9.6.2 Criterios y tcnicas de evaluacin [413]
9.7 Aspectos bsicos en la explicacin del razonamiento [418]
10. APRENDIZAJE [423]
(J. G. Boticario)
10.1 Introduccin [423]
---10.1.1 Anlisis de la situacin [423]
---10.1.2 Breve resea histrica [426]
10.2 Aprendizaje [427]
---10.2.1 Concepto [427]
---10.2.2 Objetivos y tarea [430]
10.3 Tipos de aprendizaje [435]
---10.3.1 Induccin basada en ejemplos [437]
---10.3.2 Induccin basada en el conocimiento del dominio [457]
---10.3.3 Aprendizaje deductivo [458]
---10.3.4 Aprendizaje por analoga [469]
---10.3.5 Aprendizaje multiestrategia [477]
10.4 Observaciones [482]
11. COMPUTACIN NEURONAL [485]
(J. Mira y A. E. Delgado)
11.1 Las redes neuronales como modelo de computacin distribuida y
autoprogramable [486]

11.2 Inspiracin en la neurologa [491]

---11.2.1 Distintos tipos de neuronas [493]
---11.2.2 Arquitecturas modulares [497]
---11.2.3 Posibles funciones de computacin local [499]
---11.2.4 Pistas sobre el aprendizaje [500]
11.3 Formalizacin de la computacin en una capa [508]
11.4 Modelo genrico de neurona artificial [511]
11.5 Funciones de computacin local [513]
---11.5.1 Modelos analgicos [514]
---11.5.2 Expansiones del modelo analgico: neuronas de orden superior [523]
---11.5.3 Modelos lgicos [524]
---11.5.4 Modelos inferenciales [527]
11.6 Aprendizaje en redes neuronales artificiales [532]
---11.6.1 Reglas correlacionales [534]
---11.6.2 Minimizacin de una funcin del error: retropropagacin del gradiente
[536]
---11.6.3 Ejemplos de retropropagacin del gradiente: XOR, prediccin de series
temporales y control [548]
---11.6.4 Funciones de refuerzo [557]
11.7 Simbiosis entre I.A. simblica y computacin neuronal: aspectos
metodolgicos [559]
Referencias [577]

Perspectiva histrica
La materia objeto del presente anlisis trata de la "Inteligencia Artificial", y
esto no slo se refiere a la forma actual de llevar a cabo la mecanizacin de los
procesos del pensamiento: los programas de computadores, sino a todos los
intentos de construir sistemas o autmatas inteligentes realizados a lo largo de
la historia. Analicemos por tanto en primer lugar sus antecedentes.
Como en cualquier otra rama del saber, existen multitud de circunstancias a lo
largo de la historia que han conducido a la situacin actual. Puede decirse que
desde siempre el ser humano ha tenido presente el "desafo del hombre que
fabrica al hombre". Como manifestaciones ms remotas de este deseo
podemos destacar: las figuras utilizadas en los ritos de magia del hombre
primitivo, las estatuas que servan de cobijo a los muertos en la cultura
egipcia; los artilugios diversos (p.ej. maquinarias escnicas) que se inventaron
en la poca alejandrina de la Grecia Clsica; y la que parece haber sido la
primera referencia a un androide, Talos, obra de Ddalo, gigantesco robot de
la mitologa que protega a Creta de sus enemigos.
Mucho ms cercano, en el siglo XIII podemos mencionar la existencia de una
leyenda en la que se describa la construccin de una "cabeza de bronce
pensante" que explicaba a fray Roger Bacon y a su colega fray Bungey como
defender Inglaterra con una gran muralla de bronce. Tambin existen historias
sobre la construccin de "cabezas parlantes" por Alberto Magno, Toms de
Aquino, el obispo Grosseteste, el papa Silvestre II, etc. Como siguiente
antecedente no debemos olvidar, el que para muchos es el verdadero
paradigma de la Inteligencia Artificial: El Glem (palabra talmdica que se
refiere a todo lo incompleto o sin forma) que el rabino Judah Loew construy
en 1580 y que consista en una estatuilla que cobr vida y sirvi para defender
a la comunidad juda de Praga, aunque luego tuvo que ser destruido cuando
ste perdi el control y se convirti en "un monstruo que amenazaba al
mundo". En el mismo siglo XVI, como un ejemplo ms del desarrollo de la
alquimia de la poca, el mdico medieval Paracelso lleg a elaborar la receta
para crear un "homnculo": un ser humano entero artificial.
Todos los ejemplos mencionados pertenecen al mundo de las leyendas y no
existen indicios de ningn medio tcnico para su creacin. Los primeros
hombres mecnicos fueron las figuras mviles de los campanarios de finales
de la Edad Media. Existen otros relatos que hablan de seres artificiales

construidos por Leonardo da Vinci y posteriormente Descartes.

Posteriormente, la mchina arithmetica de Pascal de 1645 era capaz de
realizar sumas y restas mediante un engranaje con ruedas dentadas. Leibniz
amplo en 1670 el rango de operaciones realizables (multiplicar y dividir). El
siguiente caso ms claro de mecanismos autnomos lo encontramos en los
relojes de gran precisin construidos en el siglo XVIII. De este mismo siglo
data la historia del jugador de ajedrez falso construido por Wolfgang von
Kempelen: la primera vez que se creaba la ilusin de no distinguir las
capacidades de un hombre frente a las de una mquina. Otro androide, en este
caso un msico, lo construy Jaquet-Droz (se encuentra en el Museo de Arte e
Historia Natural de Suiza). Ms recientemente, la Revolucin Industrial
potenci la creacin de mquinas herramientas, siendo en este contexto
cuando surgi la idea del computador digital llamado "Aparato Analtico" de
Charles Babbage, con una visin mucho ms cercana a lo que hoy
consideramos rasgos propios de esta rama del saber (por ejemplo, una
mquina que sea capaz de tomar sus propias decisiones) Despus, tal y como
ya analizamos en el apartado 1.5.1, se produce la sorprendente evolucin de la
informtica a lo largo del siglo XX. Una de las primeras contribuciones de
comienzos del siglo fue la mquina de jugar a la ajedrez de Leonardo Torres y
Quevedo en 1912, con capacidad de tomar decisiones y no slo de tratar la
informacin. Despus nos encontramos -estimulado por la segunda guerra
mundial- con los tiempos del florecimiento de los grandes computadores (el
Colussus de Turing, el Edvac de Von Neuman, el Eniac). En esta misma
poca se produjo un enorme impulso en el campo del control automtico
(mecanismos que se guan solos), que finalmente ha dado lugar a los robots
programables que hoy podemos ver en cualquier fbrica o taller industrial.
Una vez creadas estas mquinas era el turno de los que fueran capaces de
programarlas, y esta fue precisamente la poca en que comenz la historia ms
reciente de la Informtica en general y de la Inteligencia Artificial en
particular. Podemos destacar los trabajos de Shannon que, adems de otras
muchas aportaciones (diseo de circuitos, transmisin digital de seales, etc.),
escribi en 1950 el artculo "Una mquina para jugar al ajedrez" en el que
predeca que los computadores podran jugar bien a este juego, estudiando un
gran nmero de jugadas y sus consecuencias, para as luego escoger la ms
prometedora. Con este mismo enfoque, en 1959, Samuel realiz el primer
programa que aprenda a jugar a las damas. Los trabajos de Shannon fueron
tambin una importante contribucin para los nacientes campos de la teora de
la informacin y del control, que Norber Wiener llam ciberntica. Surgieron
paralelamente los primeros estudios formales sobre redes neuronales formales,

inspirados en el propio ser humano, entre los que destaca el primer modelo de
computacin analgico no lineal y distribuido diseado por W.S. McCulloch y
Walter Pitts (1943), que luego fue mejorado y ampliado en sucesivas
ocasiones, por Blum (1955), por Rosenblatt (1962), y por Widrow y Hoff
(1969). Bsicamente, la propuesta consista en que cualquier ley de entradasalida poda modelizarse con una red neuronal: redes de elementos de
procesamiento analgico no lineal (sumadores con pesos modificables
seguidos de una funcin de decisin no lineal de tipo umbral) inspirados en
algunos aspectos superficiales del funcionamiento de las neuronas.
El verdadero surgir del trmino "Inteligencia Artificial" (acuado por John
McCarthy) tuvo lugar en el estudio sobre el tema realizado - bajo el auspicio
de la Fundacin Rockefeller - por diez personas durante dos meses en el
"Darmouth College", en el verano de 1956. Entre los invitados destacan
personajes tan eminentes como: McCarthy, Samuel, Minsky, Newell, Shaw y,
el que sera ms tarde premio Nobel, Simon. La evolucin experimentada
desde los primeros modelos neuronales hasta la situacin actual puede
dividirse en una serie de etapas:

Etapa Neurociberntica
Como ya hemos sealado, la Inteligencia Artificial (IA) comenz siendo
computacin neuronal con los trabajos de McCulloch y Pitts, que introdujeron
la idea de circuito secuencial mnimo, formado por una funcin lgica seguida
de un retardo y en el que la programacin se sustituye por el aprendizaje.
Los trabajos de esta poca, a la que puede denominarse neurociberntica, se
basan en crear modelos formales que sigan los mismos principios de
funcionamiento que tienen las componentes conocidas de los organismos
biolgicos en los que descansa la facultad de pensar del ser humano. Por tanto,
tomando como ejemplo las neuronas del cerebro se crean modelos que sean
capaces de: crear una memoria asociativa, autoorganizarse y aprender de
forma autnoma.
En este perodo se busca la solucin de los problemas en un nivel fsico,
donde una funcin se realiza por una sola estructura (p.ej., un sumador
"suma"). As, la estructura de las neuronas formales de la primera poca
consista simplemente en una serie de entradas, que podan ser excitadoras o

inhibidoras, y en una funcin umbral (con un nivel de disparo) sobre la suma

de dichos estmulos. Estas unidades formaban una red que defina una u otra
funcin segn fueran los umbrales de disparo y la disposicin de las
conexiones entre ellas.
Podemos destacar tres ideas bsicas de la etapa neurociberntica: la nocin
de informacin como pura forma, separable de la seal fsica que la transporta,
apoyada por los trabajos de Rosemblueth, Wiener y Bigelow sobre "Conducta,
Propsito y Teologa", y los de Shannon; la Teora Neural del Conocimiento,
basada en redes de procesadores que sean capaces de: reconocer caracteres,
recordar, inferir de forma distribuida, cooperar, aprender por refuerzo o
autoorganizarse; y finalmente, la Representacin Interna del Medio, que
considera al sistema nervioso como un constructor de dicha representacin,
con el fin de definir operacionalmente conceptos tales como: causalidad,
significado, implicacin y consistencia. Con esta ltima idea como base, la
propuesta de un mecanismo de razonamiento por analoga de Craik es un claro
antecedente de los trabajos ms actuales sobre el razonamiento abductivo
(razonamiento en que se parte de la conclusin y se busca un hecho que la
explique).
El reconocimiento del valor limitado de los modelos aplicados produjo un
abandono generalizado de este enfoque (lo cual no excluye que investigadores
relevantes siguieran trabajando sobre el tema), hasta que en los aos ochenta
se produjo un resurgir que se ha mantenido hasta nuestros das.

Mdelos delos simblicos simples de propsito

general
Se considera que el punto de partida de este perodo es la citada reunin en el
verano de 1956, propuesta por McCarthy, Shannon y Marvin. Desde el punto
de vista de los objetivos que se intentaban resolver, en esta poca se segua
queriendo afrontar problemas muy complejos con formulaciones
relativamente simples. En lo que se refiere al enfoque prctico -cmo
resolverlos-, la principal caracterstica del modelo adoptado en este perodo es
la utilizacin del clculo simblico, frente al numrico que caracteriz la etapa
anterior. Por ello, puede ser clarificador repasar, aunque sea brevemente,
algunos antecedentes de este paradigma.

 Antecedentes del modelo computacional simblico: Podemos

remontarnos a la Grecia Clsica para mencionar el conjunto de reglas de
decisin que Scrates, de acuerdo con Platn, pregunta a Euthyphro. Se
supona que dicho conjunto debera ser tan preciso como para que en
cada momento pudiramos calcular la respuesta del sistema aplicando
las reglas a la entrada (antecedente del modelo computacional: dadas
unas entradas, realizar un proceso que derive en las salidas
correspondientes). La formulacin de estas leyes se realizaba en
lenguaje natural (silogismos de Aristteles). Surgen tambin entonces
las primeras reflexiones sobre la distincin entre signo y objeto.
Aristteles afirmaba: "Utilizamos los nombres como signos de las
cosas". Mucho despus, Hobbes (1588-1679) sostena que el
pensamiento consista en ejecutar operaciones simblicas siguiendo de
forma metdica un conjunto de reglas de decisin. Fue Descartes (15961650) quien plantea el carcter invariante de las matemticas para
representar el conocimiento. La idea bsica consista en representar
mediante smbolos los principios del razonamiento para luego
manipularlos de forma independiente. Posteriormente, Leibniz (16461716) introduce el concepto de programa como un formalismo con el
que se pueden representar numricamente ciertas relaciones, de forma
que luego stas se manipulan aparte de acuerdo con las reglas del
clculo numrico. Con este mismo propsito, George Boole (18151868) fue capaz, finalmente, de establecer un modelo lgico de
smbolos tratados como objetos de clculo; por tanto, sent las bases de
la lgica formal tal y como hoy la entendemos. Otras aportaciones
fundamentales son las que tienen que ver con la teora de la
computabilidad. As, en 1945, dentro del proyecto Edvac, Von Neumann
estableci la distincin entre el diseo lgico de la computacin
(arquitectura de computadores) y su realizacin fsica en una
determinada mquina. Subiendo un nivel ms, encontramos el Modelo
de Computacin Universal de Alan Turing de 1936, en el que se puede
distinguir la arquitectura del modelo lgico. La esencia de este
planteamiento consiste en poder representar cualquier problema que
tenga solucin algortmica mediante una mquina de Turing (un
autmata con un mecanismo de funcionamiento extremadamente
simple); por lo cual, todas las arquitecturas son equivalentes en el
sentido de Turing. Fue tambin Alan el que transform el viejo dilema
existente desde que fue planteado por Descartes: "pueden pensar las
mquinas?", por el de: "puede distinguirse la "inteligencia" de una
mquina (sera mejor decir "programa") comparando sus respuestas con

las de un ser humano?. En el caso de que la respuesta sea negativa, al

programa de IA en cuestin se le debe suponer el mismo nivel de
inteligencia que al operador humano que imita. El problema del test,
como muy bien seala Moor, es que no se preocupa del "qu" sino slo
del "cmo"; no es lo mismo imitar el pensamiento que pensar; ms bien,
debera considerarse el test de Turing como una medida de la capacidad
que tiene un programa para acumular evidencias que permitan resolver
un problema concreto, ya que si las preguntas tuvieran relacin con un
contexto muy amplio o con temas que requieran aplicar el llamado
"sentido comn", posiblemente, ms pronto que tarde, se descubrira al
"impostor". Este test mide realmente un conjunto de facultades que son
objeto de estudio de la IA: procesamiento del lenguaje natural (para
establecer la comunicacin en el lenguaje humano), representacin del
conocimiento (para almacenar la informacin durante el interrogatorio),
razonamiento automtico (para utilizar la informacin almacenada y
sacar nuevas conclusiones) y aprendizaje automtico (para adaptarse a
las nuevas circunstancias, y detectar y extrapolar patrones).
La existencia de modelos formales para representar el razonamiento, la
posibilidad de manipular dichos formalismos mediante un conjunto finito de
reglas de transformacin, y los avances en la teora de la computacin, fueron
las principales bazas que utilizaron Allen Newell y Herbert Simon para
desarrollar el sistema que se considera el origen del razonamiento automtico,
el Terico Lgico. Este programa, que poda demostrar los teoremas
del Principia Mathematica -la obra central de los fundamentos de las
matemticas escrita por Bertrand Russell y Alfred North Whitehead-, fue
capaz de sorprender a los propios Russell y Whitehead inventando una
demostracin ms breve para uno de los teoremas propuestos. Estos mismos
cientficos, junto con Cliff Shaw, construyeron el denominado "Solucionador
General de Problemas" (GPS), as denominado por ser capaz de plantear de
una forma genrica la solucin de problemas. La aportacin fundamental del
GPS es el esquema denominado anlisis de medios-fines, que consiste
bsicamente en saber donde se est, compararlo con aquello que se quiere
alcanzar, y buscar maneras de reducir las diferencias entre ambos. El
planteamiento es bastante intuitivo y responde a modelos de actuacin tratados
en el campo de la psicologa cognitiva. Una aportacin implcita, y muy
importante de este modelo, es la idea de que puede distinguirse el
conocimiento sobre un problema concreto del saber ms general sobre cmo
pueden resolverse un conjunto de problemas. En otras palabras, consiste en
separar el conocimiento de control del conocimiento del dominio.

Los problemas resueltos podran calificarse "de laboratorio": planteamientos

simplificados de problemas complejos o modelos de problemas perfectamente
definidos. Tales son los casos de los juegos (ajedrez, damas, puzzles, tic-tactoe, ocho reinas, etc.) y de la demostracin de teoremas del clculo
proposicional. Para resolverlos se adopt un esquema conocido como
"bsqueda en un espacio de estados", que consiste bsicamente en transformar
un problema o estado inicial en una meta o estado final a travs de la
aplicacin de una secuencia de operadores o reglas que describen las acciones
del dominio siguiendo una determinada estrategia de seleccin de dichos
operadores y de los estados generados en el proceso de bsqueda. En este
esquema la solucin consiste en una secuencia de operadores que permiten
pasar del estado inicial al estado final.
Un avance muy significativo del campo lo produjo el desarrollo de nuevos
lenguajes de programacin. De este perodo el ms destacado es el LISP (es el
segundo lenguaje ms antiguo, despus del FORTRAN, que sigue utilizndose
como lenguaje bsico para realizar investigacin en IA), diseado para
manipular los smbolos -elementos propios de una representacin del
conocimiento-. Este lenguaje se cre a mediados de los aos 50 en el
laboratorio de Inteligencia Artificial del MIT (Massachusetts Institute of
Technology), su creador principal fue John McCarthy. Era el primer lenguaje
de programacin que permita la definicin de funciones recursivas. De su
larga historia podemos destacar que, en esta primera poca (LISP 1.5),
consista en un lenguaje poco evolucionado con unas 100 primitivas. Su
diversificacin se produjo en los aos 70 y su divulgacin y estandarizacin
en los 80 (COMMON LISP).
En esta poca se establecen tambin las bases que permitiran crear algunos
aos despus (1972) otro de los lenguajes bsicos del campo, el PROLOG. En
los aos 60 varios "logicistas" y matemticos buscaban algn mtodo que
permitiera que los computadores llevaran a cabo la prueba de teoremas.
Algunos programas permitan ya realizar pruebas de teoremas sencillos
utilizando la instanciacin de Herbrand; pero fue el principio de resolucin el
que sentara definitivamente los pilares de la programacin lgica,
permitiendo deducir nuevos hechos y relaciones a partir de los enunciados
dados, en lugar de trabajar con instanciaciones triviales de aqullos.
Otro de los problemas complejos que se pretenda resolver fue el del
procesamiento del lenguaje natural (LN), cuyo objeto de estudio son los
mecanismos efectivos y computables para llevar a cabo procesos de

comunicacin basados en LN. Esta rama de la IA est ntimamente

relacionada con otras disciplinas: lingstica y psicologa cognitiva; la primera
estudia modelos generales que reflejen la estructura del LN sin preocuparse de
su realizacin en procesos computables (p.ej., el modelo ms conocido,
propuesto por Chomsky, no es apto para ser implementado); la segunda se
ocupa ms bien de modelos sobre el uso del lenguaje; por lo tanto, ms
cercanos a los propsitos de la IA sobre esta cuestin. Dentro de este campo
debemos distinguir dos reas de gran inters: la traduccin automtica (TA) y
la comprensin del lenguaje natural (CLN).
El antecedente ms inmediato de la TA lo encontramos en el desarrollo
espectacular de los mtodos criptogrficos a raz de la segunda guerra
mundial. El presidente de la fundacin Rockefeller, Warren Weaver, fue el
principal impulsor de la perspectiva criptogrfica, que se considera el origen
de este campo. Por otro lado, los estudios de la poca pusieron de manifiesto
las que siguen siendo, principales cuestiones por resolver: anlisis sintctico y
morfolgico, resolucin de homografas, representacin interlingua del
significado, estudios sobre vocabularios restringidos, bsqueda automtica en
diccionarios, etc. La primera conferencia sobre el tema tuvo lugar en el MIT
en 1952, y la primera demostracin pblica de un programa de traduccin
automtica tuvo lugar en 1954 en la Universidad de Georgetown. El
experimento consisti en traducir al ingls 50 sentencias en ruso seleccionadas
de textos de qumica. Supuso una demostracin de las posibilidades del campo
y fue un estmulo para el desarrollo de nuevas investigaciones sobre el tema.
No obstante, la subestimacin de los problemas existentes; por ejemplo, la
ambigedad lxica, termin produciendo un cierto desencanto, que en 1964 se
tradujo en la emisin del informe ALPAC por la Academia de las Ciencias
Americana, en el cual se aconsejaba una reduccin drstica en las
subvenciones previstas.
Dos razones fundamentales pueden aducirse para entender el inters en el
campo de la CLN. En primer lugar: las bases de datos, los paquetes de
software y las aplicaciones de IA, requieren interfaces cada vez ms flexibles
y adaptados a cualquier usuario. La segunda razn de peso es la trascendencia
que dicho proceso tiene en el comportamiento inteligente. Dado que la
solucin del problema de la CLN estaba muy lejos de poderse afrontar, se
opt, en algn caso, por "esquivar" el problema. Este es precisamente el
planteamiento de uno de los primeros programas lingsticos ms conocidos:
ELIZA (su nombre es el mismo que el de la protagonista deMy Fair Lady, que
tuvo que aprender a hablar correctamente el ingls), creado por Joseph

Weitzenbaum en 1966. Este programa, basado en la "equiparacin de

patrones" (pattern matching), simulaba una conversacin con el usuario
utilizando palabras que ste haba nombrado como base de las frases y
preguntas que l formulaba, o proponiendo frases poco comprometidas como:
"Cuntame ms sobre esto, por favor". Realmente, cualquiera que se haya
enfrentado al programa sin previo aviso puede llegar a pensar que est
manteniendo una conversacin con un interlocutor bastante "razonable", por
no decir "inteligente".
La CLN se afront desde mltiples perspectivas. Algunos de los trabajos ms
significativos se renen en el libro "Procesado de Informacin Semntica".
Esta recopilacin contiene algunos de los trabajos ms representativos de la
poca, que fueron el resultado de tesis doctorales dirigidas por el propio
Minsky en el MIT: SIR de Raphael, STUDENT de Bobrow, redes semnticas
de Quillian, ANALOGY de Evans, BLACK (sistema deductivo de contestar
preguntas), y programas sobre el problema del "sentido comn" de McCarthy.
Un sistema que alcanz unas prestaciones sorprendentes para esa poca fue
SHRDLU; estaba basado en el antiguo esquema consistente en separar el
anlisis sintctico del semntico; otra particularidad es que el conocimiento
del problema se representaba de forma procedimental. Una aportacin
especialmente significativa fueron las "Redes de Transicin Ampliadas"
(Augmented Transition Networks: ATN), cuya notacin grfica recuerda a la
de una mquina de estados finitos en la que se ha ampliado el tipo de etiquetas
que se pueden asociar a los arcos que definen las transiciones (cada una
supone realizar una comprobacin para poder atravesar el arco); estas redes,
basadas en el anlisis sintctico, tienen como principales inconvenientes: su
complejidad y su falta de modularidad -son muy sensibles ante pequeos
cambios-.
El problema de la CLN forma parte de un problema ms general, la
comprensin. No debe sorprendernos que muchas de las tcnicas aplicadas en
aqul sean tambin tiles en otro de los campos existentes, elReconocimiento
de Imgenes; al fin y al cabo, en ambos problemas se trata de transformar una
representacin en otra. En este rea se logr, por primera vez, estructurar los
diferentes componentes de un sistema de visin: extraer las caractersticas de
la imagen (en este caso, lneas), activar el modelo correspondiente a dichas
caractersticas, proyectar el modelo previsto en una imagen, y finalmente,
elegir el mejor modelo en funcin de su grado de semejanza con los datos. En
este esquema no se tena en cuenta la presencia del ruido, que s pudo tratarse
ms adelante en INTERPRET.

Por otro lado, una vez se crea superado el enfoque neurociberntico del
problema del aprendizaje, se crearon los primeros sistemas que lo afrontaban
desde una perspectiva simblica. El hecho ms destacado fue el desarrollo de
un programa que era capaz de aprender a jugar a las damas lo suficientemente
bien como para batir a su creador. Este sistema utilizaba dos clases de
aprendizaje: memorstico (almacenar valores calculados de informacin para
que no sea necesario volver a calcularlos ms tarde) y ajuste de parmetros o
de coeficientes. Este ltimo consiste en combinar la informacin recibida de
diferentes fuentes para formar un nico resumen estadstico, en este contexto
denominado funcin de evaluacin: cuyo valor es una combinacin lineal de
16 factores (p.ej., movilidad de las piezas) con sus respectivos coeficientes o
pesos. El aprendizaje se traduce en el incremento o disminucin de los pesos
dependiendo de que el factor correspondiente afecte a la variacin
experimentada en el valor de la funcin a lo largo del juego. Como puede
apreciarse, este tipo de anlisis es bastante limitado ya que no se tiene en
cuenta el conocimiento implicado ni la estructura y las relaciones del mismo
en el dominio. En cierto sentido, este aprendizaje sigue siendo ms numrico
que simblico.

El conocimiento del dominio y su parcelacin

Con la intencin de mejorar los resultados, se empezaron a incorporar en los
esquemas generales de la etapa previa los conocimientos que dependan del
problema. Consecuentemente, dado que el problema afrontado era ya de un
tipo concreto, se lleg a generalizar el uso de tcnicas que tuvieran en cuenta
el conocimiento especfico de cada uno de ellos.
Una de las primeras aportaciones de este perodo es la clarificacin sobre la
naturaleza de las tcnicas de representacin del conocimiento. El dilema es el
siguiente: Ante cualquier problema se presentan dos situaciones posibles:
saber de antemano el conocimiento sobre lo que hay que hacer o tener que
indagar qu podra hacerse para resolverlo. Las tcnicas de representacin que
permiten describir los aspectos conocidos del problema se
denominan declarativas (p.ej., programacin lgica, redes asociativas y
reglas). Las que se centran en especificar el proceso que hay que realizar para
encontrar las soluciones buscadas se denominan procedimentales(p.ej.,
funciones LISP). La conclusin de esta etapa es que lo adecuado en problemas
complejos consiste en combinar tcnicas (lgica, reglas, marcos, redes

asociativas, etc.) de ambas naturalezas; adems, en sentido estricto, no existen

tcnicas puramente procedimentales o declarativas (p.ej., en PROLOG es
importante el orden de declaracin de los enunciados).
Otro rasgo distintivo de la poca es la utilizacin de mtodos heursticos. En
principio, la IA tiene por objeto el estudio de los problemas que no tienen una
solucin analtica o que, aun existiendo sta, no puede calcularse con los
recursos computacionales disponibles. La heurstica sera el conjunto de
procedimientos basados en conocimiento del dominio que permiten solucionar
el problema con los recursos disponibles pero con una reduccin asumible en
la calidad de las respuestas. Por tanto, la clave estriba en encontrar un
equilibrio entre el conocimiento del dominio, el coste de clculo, y la bondad
del resultado. Inicialmente, las heursticas se aplicaban en forma de funciones
numricas que guiaban procesos de bsqueda. Lenat ampli su significado al
contexto de las reglas de produccin (explicadas un poco ms adelante)
desarrollando un sistema, Eurisco, capaz de aprender reglas que establecen la
relacin de oportunidad o adecuacin entre situaciones y acciones.
Un hecho destacable en los comienzos de este perodo fue el desarrollo de los
mtodos tericos que finalmente permitieron llevar a cabo de forma efectiva
la programacin lgica; entendida como el uso de lgica para representar
problemas y mtodos de solucionarlos, junto con la utilizacin de
procedimientos apropiados de prueba para la solucin real de dichos
problemas. Lo que hizo posible el desarrollo de este campo fueron las tcnicas
de extraccin de respuestas de los procesos de resolucin y su realizacin
computacional (para finales del verano del 72 ya estaba disponible la primera
versin del PROLOG, Programmation en Logique. La importancia de este
campo se refleja en su adopcin como base del proyecto Sistemas de
Computadores de Quinta Generacin.
Esta poca se caracteriz por la exploracin, sobre todo al principio, de
diferentes formas de representacin del conocimiento e inferencia: sistemas de
produccin, redes asociativas (semnticas, de clasificacin, causales (p.ej.,
CASNET), bayesianas, grafos proposicionales), marcos (creados
inicialmente para afrontar el "razonamiento basado en el sentido comn"),
programacin declarativa (p.ej., PROLOG), programacin funcional (p.ej.,
MIRANDA), multitud de versiones de LISP (p.ej., SCHEME, INTERLISP)
que incorporaban estas y otras ideas (p.ej. FLAVORS), programacin
orientada a objetos (p.ej., SMALLTALK, LOOPS, CLOS), etc.

El modelo imperante en esta poca eran los Sistemas Basados en Reglas

(SBR). stos se enmarcan dentro de los Sistemas Basados en el Conocimiento
(SBC), tambin llamados Sistemas Expertos, por compendiar el conocimiento
sobre un tema concreto o por emular el comportamiento de un experto en un
dominio. Esta nomenclatura es claramente imprecisa, ya que hay otras muchas
formas de representar el conocimiento o de sintetizar el conocimiento de un
experto. La esencia de este modelo consiste en suponer que el conocimiento es
algo "parcelable", formado por relaciones sencillas de causalidad o de
secuencialidad:
"Si tal Entonces cual"
(o
si
se
prefiere,
"Cuando situacin Entonces accin"), que pueden recuperarse cuando son
necesarias cuando se pregunta por tal o por cual. El razonamiento realizado
consiste en enlazar los fragmentos que tengan tales ("encadenamiento hacia
adelante") o cuales ("encadenamiento hacia atrs") coincidentes (en realidad
la coincidencia puede ser parcial; por ejemplo, que ambos pertenezcan a la
misma categora). Sobre este esquema bsico y para que el sistema sea
eficiente, se agrupan dichos fragmentos por temas (conjuntos de reglas); se
ordenan los fragmentos aplicables por diferentes criterios (p.ej.
los patrocinadores en GoldWorks); se crean redes que permiten apuntar casi
instantneamente a los tales que dependen de los cuales o viceversa (p.ej.
RETE en OPS5), para as evitar tener que recorrer numerosas veces el
almacn de todos los fragmentos; se crean fragmentos que hacen referencia a
otros fragmentos (metarreglas en TEIRESIAS), en lugar de apuntar al
conocimiento del dominio; se escogen los fragmentos que tengan que ver con
los ltimos taleso cuales generados (p.ej., mecanismos de "actualidad" en
OPS5); se prefieren los fragmentos que tengan un mayor nmero
de tales o cuales semejantes a los tales y cuales de la pregunta formulada
(p.ej., mecanismos de "especificidad" en OPS5); etc. En los sistemas que
utilizan este modelo se distinguen una serie de componentes: a la parte del
sistema encargada de gestionar y enlazar todos estos fragmentos se le
denomina Motor de Inferencias; al conjunto de fragmentos se le
denomina Base de Conocimientos; y a los procesos que hacen posible la
interaccin entre el usuario y el sistema se le conoce por Interfaz de Usuario.
El esquema de funcionamiento de la mayora de los SBR de la poca era el
denominado Sistema de Produccin, caracterizados por que la "comunicacin"
entre las reglas se realiza a travs de una base de datos, tambin
llamada memoria de trabajo, en la que se guardan los elementos de
informacin que constituyen los datos iniciales y los elementos que se van
paulatinamente referenciando en las reglas utilizadas a partir de dichos datos.
Esta base puede ser tan simple como una lista o tan compleja como una red de

marcos (p.ej., Hersay-II). Cuando hay ms de una regla aplicable

("equiparable" con los datos de la base) se produce un "conflicto" que puede
resolverse siguiendo diferentes criterios: el sistema MYCIN simplemente
ejecuta todas las reglas; otros, como el mencionado OPS-5, tienen un amplio
conjunto de heursticas que prefieren las reglas ms recientes y ms complejas
(o especficas).
Otro de los esquemas imperantes fueron los marcos mencionados
previamente. Aunque a primera vista pueda parecer que los marcos, y tambin
los guiones, rompen el esquema bsico de parcelacin del conocimiento de los
SBR, una reflexin ms pausada nos indica que siguen siendo estructuras que
aglutinan el conocimiento en fragmentos con una estructura esttica y con
unas posibilidades de relacin entre sus partes tambin prefijadas. Siguen por
tanto siendo parcelas de conocimiento, aunque de mayor tamao y con nuevos
matices. El objetivo de estos mecanismos de representacin es poder plasmar
situaciones estereotipadas, estructurando cada fragmento en una serie
de campos (o escenas, en el caso de los guiones), de tal forma que son tiles
en dominios tan diversos como: razonamiento basado en el sentido comn,
reconocimiento de formas, comprensin del lenguaje natural, diagnstico
mdico, etc. El mecanismo de inferencia en este caso es la propia red de
marcos, denominada red de activacin. Por ejemplo, en el sistema experto PIP
(comentado ms adelante) cada enfermedad viene representada por un marco,
la tarea de diagnstico consiste bsicamente en activar los marcos que
representan los diagnsticos que incluyen algunos de los sntomas o signos
observados en el paciente. Los marcos vecinos de un marco activado pasan a
estar semiactivos, por lo que posteriormente podrn ser evaluados cuando se
reciba nueva informacin. limitando as el espacio de bsqueda considerado.
Una vez superada la fase de recogida de informacin, el sistema procede a
evaluar los posibles diagnsticos (hiptesis generadas), con el objetivo de
encontrar el que explique mejor la evidencia disponible. Por lo tanto, estamos
ante un proceso de reconocimiento similar a los que pudieran darse en visin
artificial o en la comprensin del lenguaje natural.
La capacidad de las reglas para representar los hechos del conocimiento del
dominio, y la de los marcos para estructurar los objetos, sus relaciones, y las
inferencias que dependan de stas, terminaron por imponer un enfoque de
construccin de los SBC basado en la combinacin de ambas tcnicas. A este
modelo bsico se le aplicaron mejoras tendentes a soslayar las dificultades en
el tratamiento de la incertidumbre.

Dejando un poco de lado las cuestiones metodolgicas y bajando al campo de

las realizaciones prcticas, sera interminable dar una visin razonable del
nmero y el rango de sistemas expertos (SE) construidos (no necesariamente
SBR) o de las herramientas (en algunos casos, otros SE) utilizadas en su
desarrollo (p.ej., EMYCIN, TEIRESIAS, S.1, M.1, HEARSAY-III, BB1,
OPS5, OPS7, OPS83, ART, KEE, KNOWLEDGE CRAFT, UNITS,
NEXPERT, etc.). No obstante, tambin sera imperdonable en este breve
repaso histrico no mencionar algunos de los ms significativos: PIP (present
illness program), diseado en base a una red de marcos para el diagnstico de
enfermedades renales; DENDRAL (y su ampliacin Meta-DENDRAL),
conocido como el primer SBR, sus reglas de produccin se utilizaban para
generar estructuras qumicas que explicaran los resultados espectogrficos;
MYCIN fue uno de los primeros sistemas que eran capaces de explicar el
razonamiento, lo cual es especialmente til en su campo de aplicacin, la
medicina (ms concretamente, el del diagnstico y tratamiento de
enfermedades infecciosas), su importancia la acredita la serie de sistemas
construidos a partir de l (GUIDON -usa la base de conocimientos de MYCIN
para construir un sistema tutor para instruir a los alumnos sobre enfermedades
infecciosas-; EMYCIN -realizado a partir de los mecanismos de inferencia de
MYCIN-; NEOMYCIN -separa el conocimiento estratgico en un conjunto
de metarreglas-); CASNET, primer SE basado en una red causal, su nombre
procede de Causal Associatonial Network, pretenda ayudar a los mdicos en
el tratamiento del glaucoma (enfermedad ocular); PROSPECTOR destinado
a la exploracin geolgica, tuvo un gran xito comercial al igual que XCON
(uno de los primeros sistemas de diseo), utilizado por Digital Equipment
Corporation para configurar sus estaciones de trabajo; ONCOCIN (tambin
denominado R1), es el primer consejero de terapia en oncologa y es una
referencia obligada del razonamiento temporal; TAXMAN II sistema para el
anlisis de casos legales; ROSS, una herramienta orientada a objetos para el
desarrollo de simulaciones basadas en el conocimiento; TWIRL, simulacin
de combate areo estratgico; ECAT, diseado para ayudar a los qumicos en
el desarrollo de mtodos de cromatografa para lquidos; INFERNO y AL/X,
herramientas para el desarrollo de SE que realicen razonamiento en presencia
de incertidumbre; y un largo etctera. Un dato tambin significativo, que
refleja los avances experimentados en las tcnicas de representacin, es que la
mayora de los sistemas expertos construidos hasta mediados de los aos 80
realizaban tareas de diagnstico; por tanto, de anlisis. A partir de entonces se
abordaron igualmente tareas de diseo, que generalmente, por ser una labor
de sntesis, necesitan considerar mayores volmenes de conocimiento.

Pero en esta poca avanzaron otras muchas ramas de la IA, no solo los SBC.
Uno de los problemas que tuvieron mayor atencin sigui siendo el del
procesamiento del lenguaje natural (PLN). Las investigaciones realizadas se
dividieron en: mtodos para hacer computables los modelos cognitivos
utilizados por los humanos, denominado PLN General; y procedimientos
efectivos para entablar procesos de comunicacin entre el hombre y la
mquina -sin considerar su plausibilidad psicolgica-, denominado PLN
Aplicado. Adems de la equiparacin de patrones y el anlisis sintctico,
surgen los mtodos basados en la utilizacin de gramticas semnticas;
aplicados en los sistemas: LIFER y SOPHIE. En este enfoque las categoras
gramaticales son sintcticas y semnticas. Existe tambin la posibilidad de
combinar las ventajas de las gramticas semnticas, las transformaciones
sintcticas, y la equiparacin de patrones en un mismo sistema. Este esquema,
denominado multiestratgico, se ha implementado en el sistema DYPAR.
A finales de los aos ochenta se divulg el uso de los interfaces de lenguaje
natural, fundamentalmente para el acceso a grandes bases de datos, aunque
tambin se han utilizado como intrprete de comandos, y en la consulta y
ejecucin de sistemas expertos sencillos. Estos sistemas tratan de solventar las
diferencias que existen entre los dos tipos de lenguajes -el lenguaje natural y
el propio de la base de datos (p.ej., SQL)- y de esta manera ofrecer al usuario
una herramienta mucho ms sencilla y flexible. Se trata de un tipo de interfaz
que pretende que el lenguaje de comunicacin con la mquina no sea ni tan
estricto como los lenguajes artificiales, ni tan ambiguo como los lenguajes
naturales. Estas aplicaciones son factibles porque no se trata de crear un
intrprete universal del lenguaje humano, sino uno restringido a las
expresiones ms frecuentes en un dominio concreto; por lo tanto, cada uno de
estos interfaces depende de la informacin contenida en la base de datos que
corresponda. Uno de los ms conocidos, DYPAR, se divide funcionalmente en
dos partes: la primera se encarga de leer y compilar las gramticas y la
segunda utiliza esa gramtica para entender las frases de los usuarios y
ejecutar las acciones asociadas con cada una de estas frases. DYPAR permite
construir gramticas semnticas, en las que la sintaxis del lenguaje est
implcita en los patrones semnticos. El fundamento de su funcionamiento es
la equiparacin de patrones, en concreto, la comparacin de la frase de entrada
con los patrones contenidos en las reglas de la gramtica.
Otra aportacin indudable en la CLN fue la instanciacin de marcos de casos.
Su origen se remonta a la propuesta del lingista Fillmore. Esta metodologa
es una de las principales tcnicas de anlisis que se sigue aplicando en la

actualidad. Su utilidad descansa en la utilizacin de un proceso de naturaleza

recursiva y en la capacidad de combinar reconocimiento ascendente a partir de
los elementos clave de la sentencia y descendente del resto de componentes
menos estructurados. La clave del reconocimiento es semntica: un mismo
caso engloba diferentes estructuras sintcticas con un mismo significado. Para
llevar a cabo esta correspondencia se parte de una representacin cannica del
significado mediante los Grafos de Dependencia Conceptual (un tipo de red
asociativa). El proceso consiste sencillamente en buscar los marcos adecuados
para interpretar la frase que se est analizando, y para ello se utiliza primero la
bsqueda de los marcos a partir de una serie de palabras clave que los
identifican; siendo stas verbos que corresponden con diferentes acciones
primitivas(p.ej. "comprar" supone realizar una transferencia de la relacin
abstracta de posesin, denominada en el modelo *ATRANS*, que tiene un
tipo de marco determinado con campos como: objeto, agente, receptor, etc.,
que permiten identificar los elementos significativos del enunciado en
cuestin). Una vez identificado el caso se intentan completar su estructura con
los elementos de la frase.
En el campo de la CLN, debe recibir una mencin especial el sistema
XCALIBUR, cuyo objetivo era proporcionar dilogo en lenguaje natural con
el sistema experto XSEL: un asistente de venta de Digital, cuya misin era
aconsejar y seleccionar los componentes apropiados que deban formar parte
de la configuracin de un computador VAX, que finalmente generaba el
sistema experto R1. El interfaz de lenguaje natural reciba frases como: Cul
es el disco duro 11780 ms grande por debajo de $40,000?, y responda con
sentencias del tipo: El rp07aa es un disco duro de 516MB que cuesta $38,000.
Hay que recordar que este sistema se ha utilizado en condiciones reales con un
indudable xito.
Dentro del campo de la traduccin automtica, despus de un perodo de
relativo abandono debido al informe ALPAC, se produjo un nuevo impulso
tanto en Europa como en Japn. Podemos destacar el proyecto Eurotra
(comenz en 1978), patrocinado por la Comunidad Europea, cuyo principal
objetivo es proporcionar herramientas que faciliten y automaticen, en la
medida de lo posible, las tareas de traduccin inherentes a dicha organizacin.
En la actualidad, este proyecto emplea a 160 investigadores de diferentes
grupos nacionales. Japn, por su parte, viene desarrollando desde 1980 un
esfuerzo considerable en el tema, como queda reflejado en el proyecto de la
Universidad de Kyoto, financiado por el ministerio de industria. Uno de los
principales problemas a los que se enfrentan estas investigaciones es el

tratamiento de la ambigedad del lenguaje. La principal conclusin de las

tcnicas aplicadas es la necesidad de utilizar informacin contextual del
dominio para afrontar dicho problema. En los casos en que el conocimiento
aplicado sea insuficiente, se establece una etapa denominada de "postedicin",
en la que se tiene opcin de ajustar los resultados obtenidos.
En lo que se refiere al reconocimiento de imgenes, se amplan y matizan las
fases del proceso propuestas en la primera etapa. El fundamento comn de
todos los modelos consiste en introducir conocimiento del dominio en la fase
de segmentacin de las imgenes de tal forma que se focalice la bsqueda de
las caractersticas ms relevantes en un contexto dado. As, el sistema IGS
(interpretation-guided segmentation) prob que, en la prctica, cuanto ms
conocimiento sea tenido en cuenta (proporcionado por el propio sistema o por
el usuario), ms eficiente y eficaz ser el proceso realizado. Por otro lado, se
crea el concepto de "ciclo de la percepcin", para expresar las fases que
atraviesa un proceso de interpretacin guiado por el conocimiento aplicable.
Otra aportacin importante sobre dicho ciclo consisti en distinguir lo que se
denomina "imagen del dominio", que se refiere a la imagen real en tres
dimensiones, de la "imagen de la escena", que determina su visin en dos
dimensiones. El objetivo de un sistema de visin es encontrar la descripcin
ms especfica y detallada, entre las que el sistema tenga disponibles, de la
imagen objeto. Para ello se realiza un complejo proceso de bsqueda y
refinamiento de las hiptesis utilizadas en la interpretacin de la imagen. En lo
que se refiere a los formalismos de representacin utilizados, aunque se han
construido aplicaciones con reglas, redes semnticas y heursticas, los ms
adecuados han sido los marcos (dos ejemplos representativos son: SIGMA y
ALVEN).
En lo que se refiere al aprendizaje, esta etapa supone, por fin, el desarrollo y la
divulgacin de las principales tcnicas efectivas del campo. Dentro de la
imperante formulacin simblica del problema, se asume, al igual que en el
resto de las reas, la necesidad del conocimiento del dominio. Es tambin la
poca en la que aparecen las primeras aplicaciones reales y se establecen los
ciclos de conferencias a nivel mundial sobre este tema (la primera celebrada
en la Universidad de Carnegie Mellon en 1980). En 1983, Carbonell,
Michalski y Mitchell realizaron un anlisis metodolgico muy clarificador
sobre el estado del arte. Los primeros esfuerzos con relativo xito siguieron
teniendo lugar dentro del aprendizaje inductivo, en concreto, dentro del campo
del aprendizaje basado en ejemplos. Las tcnicas de aprendizaje inductivo se
aplicaron fundamentalmente para resolver la tarea de clasificacin.

Generalmente estas formulaciones parten de una clasificacin de las

observaciones procesadas de acuerdo con alguna fuente externa (llamada
orculo), siendo su objetivo predecir la clasificacin correcta de instancias
todava no presentadas en base a la bsqueda de semejanzas en las
clasificaciones observadas (por esto se le conoce como aprendizaje basado en
la semejanza, SBL: similarity based learning). Una opcin muy extendida
para llevar a cabo la clasificacin es la utilizacin de rboles de decisin como
estructura de representacin bsica que establece la buscada correspondencia
entre el espacio de entradas y de salidas. Si analizamos estos sistemas en el
nivel de esta tarea, la clasificacin, podemos afirmar que este tipo de
aprendizaje produce una correccin del conocimiento del dominio. Un salto
cualitativo dentro del razonamiento inductivo est asociado a los mtodos que
carecen de una fuente explcita de clasificacin de ejemplos. En estos casos el
problema se centra en agrupar convenientemente los objetos y establecer una
descripcin de dichos grupos. Surge aqu el problema adicional de establecer
las bias adecuadas para generar conjuntos lo ms tiles posibles -normalmente
aquellos cuya facultad de predecir los atributos relevantes que los describen
sea mayor-. Aparece por lo tanto el problema de manipular descripciones
probabilsticas de conceptos. Otro ejemplo del enfoque inductivo son los
sistemas de descubrimiento. Su objetivo -inicialmente demasiado elevado- era
realizar descubrimientos de carcter cientfico, igual que lo hacen los
humanos. Su realizacin prctica ha logrado establecer heursticas que
permiten obtener leyes cientficas vlidas en el contexto seleccionado (p.ej.,
BACON). Todos estos paradigmas, al ser de naturaleza inductiva, tienen como
rasgo comn la no monotonocidad del conocimiento aprendido: la posibilidad
de que el nuevo conocimiento inferido desmienta las hiptesis previas.
Como resultado de la dependencia del nmero y el tipo de ejemplos
disponibles en la formulacin inductiva del aprendizaje, y como expresin de
la emergente tecnologa relativa al desarrollo de sistemas expertos, surgi a lo
largo de los aos 80 un enfoque ms centrado en la formulacin adecuada del
conocimiento disponible que en la bsqueda de mecanismos genricos de
generalizacin
inductiva.
Surgen
entonces
las
que
se
denominaronaproximaciones basadas en el conocimiento intensivo; o mtodos
de compilacin del conocimiento, ya que se aplicaron como una herramienta
para hacer ms operacional el conocimiento de una tarea, cuya definicin
inicial era demasiado abstracta como para resolver adecuadamente el
problema. En realidad son estrategias de aprendizaje analtico, ya que se
basan en el anlisis del conocimiento disponible; tienen, por tanto, naturaleza
deductiva; y cumplen la condicin bsica de este paradigma: la

monotonocidad del conocimiento aprendido. El objetivo deja de ser realizar

una tarea ms correctamente y se transforma en mejorar la eficiencia con la
que se ejecuta. El mecanismo de aprendizaje de estos mtodos se basa en
resumir en una sola regla el rbol de explicacin o prueba de un ejemplo con
una teora. Por esto son tambin llamados mtodos basados en la explicacin
(explanation based learning, EBL). La gran ventaja es que pueden aprender
conocimiento til a partir de un nico o un conjunto reducido de ejemplos
(p.ej., mltiple EBL). La principal desventaja son sus exigencias con respecto
a la formulacin de la teora del dominio, se requiere que sea completa,
consistente, y tratable (evaluable con unos recursos razonables) (p.ej., las
reglas bsicas del juego del ajedrez definen una teora de estas caractersticas,
pero el rango de decisiones es inabordable: 10120). Estas tcnicas analticas se
pueden aplicar en multitud de tareas, en tanto en cuanto la teora puede
describir conocimiento de control, de percepcin, de planificacin, etc.
Destaca su utilizacin en el paradigma denominado resolucin de
problemas (problem solving). En este caso se aprenden heursticas basadas en
el conocimiento del dominio que determinan qu estado o qu operador debe
elegirse en un momento dado. Con este mismo objetivo, pero con un
planteamiento diferente, inspirado en el campo de psicologa cognitiva,
encontramos un modelo que aprende heursticas de control cuando las ya
existentes no son capaces de resolver una determinada situacin. El
mecanismo de generalizacin se denomina chunking, algo as
comoencapsulamiento; ya que, al igual que el resto de los mtodos analticos,
realiza una compresin del proceso de bsqueda realizado, que en este caso
sirve para salvar un punto de indecisin.
Como una prolongacin del planteamiento general de los problemas de
bsqueda de la etapa anterior y dentro del planteamiento analtico y deductivo
del aprendizaje, debemos mencionar el aprendizaje de macro-operadores.
Aunque en otro contexto, sigue siendo un aprendizaje basado en una
explicacin, que en este caso no est formada por reglas que describen el
conocimiento del dominio, sino por operadores aplicados a lo largo de un
proceso de bsqueda de la solucin. De igual forma que en EBL, el
conocimiento aprendido es una regla que resume el proceso realizado: el
camino que conduce desde un determinado estado hasta un estado meta. La
nueva regla obtenida que produce el mismo efecto que una secuencia de
operadores se denomina macrooperador, y rene en su parte antecedente todas
las caractersticas del problema inicial que se necesitan para dicha solucin,
as como todas las acciones que no se han deshecho por la aplicacin de los

diferentes operadores durante el camino encontrado. Este mtodo se ha

aplicado principalmente en la planificacin de la tarea de un robot.
Una tercera aproximacin al problema del aprendizaje, que no puede
clasificarse como puramente deductiva ni inductiva, proviene
fundamentalmente de estudios sobre la plausibilidad psicolgica ms que
sobre la realizacin prctica. La dificultad intrnseca de una formulacin
correcta y completa de la teora del dominio asociada a los mtodos basados
en la explicacin (EBM), junto con la constatacin de los mecanismos de
razonamiento analgico en el ser humano, dio lugar al desarrollo
del aprendizaje por analoga. Este tipo de realizaciones exige tener
mecanismos de almacenamiento y acceso a datos muy eficientes, dado el
volumen creciente de informacin manipulada. Para llevar a cabo estos
sistemas se han conjugado mecanismos potentes de organizacin dinmica de
memoria, de indexacin de estructuras, de bsqueda de correspondencias entre
situaciones semejantes y de generalizacin. En estos procesos se realiza una
generalizacin inductiva sobre las relaciones (determinaciones que se cumplen
en un determinado dominio (el origen), suponiendo que tambin se cumplen
en otro dominio (el destino) relacionado con aqul.

Aspectos metodolgicos
conocimiento

distribucin

del

Despus
de
los
perodos
de
iniciacin
(secciones 1.2.1 y 1.2.2), y del de divulgacin y diversificacin
de las tcnicas bsicas aplicadas en diferentes dominios y
tareas (sec. 1.2.3), comenz a finales de los aos 80 una
poca de asentamiento y revisin de resultados caracterizada
por un cambio de conceptualizacin del conocimiento y por
una preocupacin por los aspectos metodolgicos en los
diferentes campos (SBC, aprendizaje, visin, CLN, etc.). En
cuanto al modelo del conocimiento adoptado tal y como
analizaremos a continuacin se observa un predominio de
los esquemas distribuidos con una capacidad intrnseca de
aprendizaje frente a la parcelacin, concentracin y
separacin de las tareas de aprendizaje que caracterizaba la
etapa anterior. Estos cambios se producen tanto en el campo

simblico (p.ej., razonamiento basado en casos) como en el

subsimblico (p.ej. redes conexionistas multicapa).
Las tcnicas de representacin ms extendidas de la poca
anterior (sec. 1.2.3) en el desarrollo de los sistemas expertos
(reglas, marcos o en una combinacin de ambos) adolecan de
una serie de desventajas que terminaron minando las
sobrealimentadas expectativas puestas en ellos animadas
muchas veces por meros intereses econmicos . Uno de los
principales problemas de estos sistemas era su relativa
fragilidad: a la vez que pretendan emular el comportamiento
de un experto, tenan verdaderas dificultades para
enfrentarse a un problema imprevisto. Para paliar esta
limitacin se intentaron aplicar tcnicas de aprendizaje (p.ej.,
induccin de nuevas reglas a partir de ejemplos en MetaDendral [Lindsay et al., 80], descubrimiento de nuevas
asociaciones
entre
pacientes
en
RX
[Blum,
82],
descubrimiento de nuevos conceptos y relaciones [Lenat, 82],
aprendizaje de modelos de adquisicin de reglas en TEIRESIAS
[Buchanan & Shortliffe, 84], etc.), pero resultaron ser
demasiado dependientes de la tarea y el dominio en concreto.
Adems, se detectaron diversos problemas en cada una de las
fases en las que se puede dividir su realizacin: adquisicin
del conocimiento, desarrollo, y mantenimiento.
Una de las deficiencias ms detectada era la falta de
metodologa, o si se prefiere, de ingeniera. Prcticamente, las
nicas tcnicas aplicadas eran el prototipado y el anlisis de
protocolos. La fase de adquisicin del conocimiento es la que
ms esfuerzo y tiempo requiere. Para su realizacin se
concertaban una serie de entrevistas con el experto, que se
desarrollaban de acuerdo con una estructura muy pobre
(anlisis de protocolos), y cuyo propsito era extraer todo el
conocimiento relevante para llevar a cabo la tarea
encomendada. Este proceso era largo y costoso, ya que los
humanos son poco aptos para describir su conocimiento
mediante reglas. Por otro lado, se parta del presupuesto de
que una modelizacin excesiva desde el principio supona
muchas veces un esfuerzo intil, dado que la configuracin

del sistema se iba perfilando segn avanzara el proceso de

entrevistas sucesivas, siendo muchas veces necesario
replantear el esquema inicial (prototipado). El modelo interno
del sistema, su arquitectura, se ajustaba tanto al que se
supona que era el modelo del experto: un conjunto de
fragmentos independientes de conocimiento que haba que
descifrar, que se trivializaba el proceso de abstraccin y
estructuracin propio de cualquier otro producto de la
ingeniera del software. Conviene recordar que el objetivo
primordial de dicha ingeniera es que el diseador del
programa no tenga que construir todo un programa completo,
sino slo ciertas partes del mismo, y ms que "construirlo", se
intenta que sea suficiente con especificar una descripcin que
se aplica a un programa ya creado. Se trata, por tanto, de
abstraer lo que el programa debe hacer, de tal forma que
pueda ser reutilizado y corregido fcilmente, siendo una
cuestin secundaria la sintaxis que permite llevarlo a cabo.
Sin embargo, en los SBC el problema consista en pasar de la
descripcin del conocimiento en lenguaje natural, a una
estructura de representacin concreta generalmente reglas
o marcos ; el salto entre ambas, desde luego, era muy
considerable.
Qu pasa con todos aquellos problemas que comparten una
cierta estructura?. Un intento de aprovechar en los SBC dicha
circunstancia fueron los llamados sistemas "concha" (shell),
que pretendan aportar la estructura de inferencia requerida
para solucionar un determinado tipo de problemas. De tal
forma, que para cada caso concreto bastara con actualizar el
conocimiento del dominio. Sin embargo, los mecanismos de
inferencia utilizados: encadenamiento hacia adelante, hacia
atrs o combinado, eran una aproximacin demasiado gruesa
en relacin a la estructura de las tareas que se queran
resolver: planificacin, control, diagnstico, clasificacin, etc.
La suposicin inherente a todos estos planteamientos era que
se poda separar el conocimiento de su uso en inferencia.
Recordemos que esta prctica tiene su origen (sec. 1.2.3) en
el sistema EMYCIN, que result de vaciar MYCIN de reglas de

enfermedades infecciosas, dejando las estrategias

razonamiento y las facilidades de explicacin.

de

Por otro lado, en lo que se refiere al planteamiento

metodolgico de las problemas, hoy en da prevalece la
postura de que para describir en abstracto los problemas es
necesario modelar claramente el conocimiento, de tal forma
que se puedan identificar la tarea y el mtodo para
resolverlos. Por ejemplo, la tarea de clasificacin puede
definirse como: "la bsqueda de una relacin de
correspondencia entre las observaciones y las clases a travs
de un conjunto de reglas de inferencia". Lo que caracteriza la
clasificacin frente a otras tareas es que las clases deben ser
previamente conocidas, pertenecientes a un conjunto, no son
el resultado de un proceso de construccin (si fuera un
proceso constructivo cualquier solucin de cualquier problema
sera un proceso de clasificacin, ya que a cada "entrada" le
corresponde una "salida"). La tarea de clasificacin puede
descomponerse en una sucesin de subtareas. Por ejemplo,
en el caso concreto de la clasificacin heurstica la inferencia
se realiza en tres etapas: abstraccin, equiparacin heurstica
y refinamiento [Clancey, 85]. A su vez, estas subtareas
pueden modelarse en base a otras tareas ms simples:
la abstraccin como un proceso de bsqueda dirigido por los
datos; la equiparacin heurstica como una bsqueda dirigida
por las hiptesis; y el refinamientocomo una combinacin de
los dos procesos de bsqueda anteriores. Esta tcnica de
modelar el conocimiento nos permite aislar el objetivo: la
tarea que quiere realizarse, la clasificacin, delmtodo con el
que se resuelve, heurstico. Siendo el mtodo el que
determina la descomposicin correspondiente. En realidad se
busca un nuevo nivel de abstraccin que permita combinar
mtodos y tareas en funcin de los objetivos. Los elementos
que definen este nivel se denominan tareas genricas
[Chandrasekaran et al., 92]. Apoyndose en estas ideas se ha
desarrollado una metodologa de construccin de SBC
orientada a modelos conocida como KADS (Knowledge-Based
Systems Analysis and Design) [Wielinga et al., 92]. En pocas
palabras, esta metodologa estructura las fases, etapas,
actividades y resultados que deben seguirse para obtener una

descripcin del sistema mediante modelos que deben

representar
conceptos
relevantes,
diseados
para
proporcionar el comportamiento deseado en el dominio.
Algunas de las ventajas que se buscan con esta metodologa
son: estructurar y sistematizar el desarrollo de los SBC,
distinguir las actividades tcnicas de las de gestin, facilitar el
mantenimiento y las ampliaciones, proporcionar un estndar
de desarrollo similar al de otros campos de la ingeniera del
software, soportar la adquisicin del conocimiento y generar
una
librera
de
modelos
reutilizables.
Actualmente,
CommonKADS es el estndar europeo para el desarrollo de
sistemas basados en el conocimiento. Esta metodologa es el
resultado del proyecto ESPRIT KADS-II (P5248) que es una
continuacin del proyecto KADS. Cubre todos los aspectos del
desarrollo de un SBC (conocimiento estratgico, gestin del
proyecto, integracin, adquisicin del conocimiento y
desarrollo del producto) enmarcados en un nico ciclo de vida
de carcter espiral, que llega incluso a la definicin del
programa que finalmente ser ejecutado KADS-I (ESPRIT-I
P1098) se quedaba en la definicin del modelo conceptual
[Van de Velde et al., 94]. Una de las principales contribuciones
de este proyecto es el introducir las ltimas tcnicas aplicadas
en la ingeniera del software en el campo de la IA.
La propia designacin de "sistemas expertos" ha llegado a
tener,
muchas
veces
injustamente,
connotaciones
negativas alguna vez hemos odo la expresin YAES ("yet
another expert system") . No es nuestro objetivo realizar un
anlisis profundo sobre este fenmeno, ya hemos sealado
que el modelo adoptado, la falta de metodologa y las
esperanzas puestas en la tecnologa entonces aplicada, junto
con el elevado coste de su desarrollo y mantenimiento, ha
producido un cierto rechazo sobre el tema. En realidad, el
objetivo en s: intentar que un producto de software se
comporte de modo parejo a como lo hara un experto en un
rea muy concreta, sigue siendo una meta que no debe
despreciarse. De hecho, sera una grave falta de juicio no
reconocer los xitos que estos sistemas han tenido (vanse
las numerosas aplicaciones citadas en la seccin 1.2.3). En

este sentido, queremos mencionar algunas de las aplicaciones

que han desarrollado personas cercanas a nuestro grupo de
trabajo: CAEMF [Marn, 86] (dedicado al diagnstico y
seguimiento anteparto del estado materno-fetal), SUTIL
[Barro, 87] (aborda el problema de la monitorizacin
inteligente en una unidad de cuidados coronarios y resuelve
algunos problemas importantes relacionados con los sistemas
expertos en tiempo real), MEEDTOL [Otero & Mira, 88; Otero,
91] (es una herramienta para el desarrollo de sistemas
expertos que incluye un procedimiento propio para la
representacin del conocimiento mediante "magnitudes
generalizadas", una especie de micromarcos), TAO [Mira et al.,
87; 91] (consejero de terapia oncolgica que incorpora el
conocimiento estratgico necesario para la inclusin de
enfermos en protocolos de quimioterapia y para el
seguimiento del efecto del protocolo), TAO-MEEDTOOL
[Barreiro, 91] y DIAVAL [Dez, 94] (sistema experto para
ecocardiografa basado en redes bayesianas).
Actualmente, parece haber consenso en superar las
limitaciones de las tcnicas aplicadas en pocas pasadas. Uno
de los paradigmas ms aceptados y utilizados es el
del razonamiento
basado
en
casos.
Presentamos
a
continuacin las manifestaciones de un investigador de
reconocido prestigio que seala:
Treinta aos de investigacin nos han enseado que
muchas de las ideas que la gente tiene de forma
intuitiva acerca de la inteligencia no son ciertas. Quizs
la ms daina de todas sea la creencia de que "ser
inteligente" proviene de saber una gran cantidad de
reglas La mayor parte del razonamiento humano est
basada en casos en lugar de en reglas. Cuando las
personas resuelven problemas, normalmente recuerdan
problemas previos. [Schank, 95]
Uno de los ejemplos aducidos por Schank es el de los
estudiantes de medicina en los Estados Unidos. Durante los
dos primeros aos stos se dedican, casi exclusivamente, a
aprender el contenido de los libros sobre el tema con vistas a

superar un test; sin embargo, "nadie querra ser operado por

un estudiante de segundo curso, con independencia de la
calificacin obtenida en dicha prueba". Realmente, el mundo
es muy complejo como para ser reducido a las reglas que
forman las teoras que construimos. Las generalizaciones que
realizamos son constantemente modificadas para acomodarse
a las sorpresas que nos depara la realidad circundante. "Tener
un amplio, y convenientemente indexado conjunto de casos,
es lo que diferencia al experto del estudiante primerizo
formado a partir del conocimiento reflejado en los libros".
Roger Schank pertenece a una corriente de opinin
dominante, que confa en que el Razonamiento Basado en
Casos (RBC) es un modelo adecuado para la resolucin de
problemas, lo cual implica una concepcin bastante alejada
de la mayora de los sistemas de IA construidos hasta ahora.
Los fundamentos en los que se apoya el RBC tienen su origen
en los modelos de representacin conceptual del campo de la
psicologa cognitiva [Schank, 80] y en el razonamiento
analgico aplicado a dominios de conocimiento restringido
[Carbonell, 86]. El objetivo consiste en conjugar de forma
efectiva
el
razonamiento
causal
con
tcnicas
de
almacenamiento y agrupacin eficiente de sucesos en
memoria. Desde el punto de vista estructural, el elemento
bsico de representacin en este paradigma son los MOPs
(Memory Organization Packets) [Schank, 82]: unidades
primarias de almacenamiento de una memoria dinmica que
sirven para identificar las partes comunes observadas en las
experiencias de diferentes episodios. A diferencia de los
guiones (secuencia estereotipada de acciones almacenada en
una sola estructura en la memoria), los MOPS renen,
mediante enlaces creados dinmicamente, las escenas y los
diferentes elementos de conocimiento que son relevantes
para interpretar una determinada situacin. Estos enlaces
cambian continuamente, en funcin del descubrimiento de
nuevas semejanzas o diferencias que se consideran ms
relevantes para la tarea en cuestin.
Los casos se organizan en una red en la que existen enlaces
de abstraccin y especializacin, formando una jerarqua de

abstracciones. Estos enlaces juegan un papel esencial ya que

determinan qu informacin
y cundo est
disponible.
Los casos estn formados por conocimientos acerca de las
experiencias con las que nos enfrentamos. El RBC tiene como
proceso bsico de actuacin la capacidad de recordar.
Consiste esencialmente en utilizar el conocimiento disponible
que tenga una mayor relacin con el problema planteado.
Aunque en este modelo no se parta de hechos de una teora
ms o menos formalizada (como en el caso de los SBR), se
accede a situaciones previas para guiar el proceso de
bsqueda de la solucin de los problemas nuevos planteados
[Hammond, 86]. La red de casos representa el conocimiento
del dominio. La idea clave que utiliza su esquema de
funcionamiento se apoya en que cuando escuchamos un
relato,
intentamos
entenderlo etiquetndolo en
nuestra
memoria [Schank, 82]. Cuantos ms detalles contenga el
relato ms fcil ser recordarlo, ya que podr ser accedido a
travs de un mayor nmero de etiquetas. Los casos pueden
ser: planes (DAEDALUS [Allen & Langley, 90]), diagnsticos
(CASEY [Koton, 88]), diseos (CYCLOPS [Navinchandra, 91]),
recetas culinarias (CHEF [Hammond, 86]), disputas laborales
(PERSUADER [Sycara, 87]), mens (JULIA [Hinrichs, 92]),
disputas legales sobre patentes (HYPO [Ashley, 90]),
soluciones de problemas construidas por analoga (PRODIGY
[Veloso & Carbonell, 94]), etc.
El razonador basado en casos resuelve nuevos problemas
adaptando los casos relevantes de su biblioteca. En concreto,
un sistema de este tipo debe: extraer de los datos de entrada
las caractersticas que mejor puedan utilizarse para indexar la
memoria de casos; recuperar los casos relevantes basndose
en la semejanza con la entrada; seleccionar el mejor caso(s);
adaptar los caso(s) para que cumplan las especificaciones del
problema; evaluar la solucin con vistas a determinar si debe
ser reparada o si puede ser directamente incorporada a la
memoria de casos; en el caso de que hubiera habido
reparacin, recordarla indexndola convenientemente; y,
finalmente; realizar las generalizaciones pertinentes en
funcin de los nuevos casos disponibles.

Un aspecto esencial del RBC es que su esquema de

funcionamiento bsico incorpora la capacidad de aprender. Es
por ello que tambin se ha considerado tradicionalmente
como un subcampo del aprendizaje. Abarca diversos tipos de
aprendizaje: aprender nuevos casos que ayuden a resolver
problemas [Veloso & Carbonell, 94], aprender caractersticas
que
predigan
problemas
[Hammond,
89],
aprender
reparaciones aplicables en diversas situaciones [Sycara, 87],
aprender nuevos ndices [Sycara & Navinchandra, 89], y
ampliar la jerarqua de casos describibles [Vilain et al., 90].
Para ello, se atiende a la explicacin de las causas que
determinaron las decisiones tomadas accesibles a travs de
un modelo causal creado al efecto [Sycara, 87] ; por
ejemplo, aplicando algn mtodo analtico de aprendizaje (del
tipo EBL, vase la seccin anterior). Por tanto, estos sistemas
pueden explicar el aprendizaje realizado en trminos
semnticos, relativos a los objetos del dominio.
Para comentar la importancia que ltimamente se le est
dando a otro de los formalismos de representacin en boga,
resumiremos algunas ideas escritas por Leslie Helm en el
peridicoLos Angeles Times en su edicin del 28 de octubre
de 1996 (home edition). Segn la columnista:
Bill Gates (presidente de Microsoft Corporation)
afirma que "la ventaja competitiva de la empresa es su
experiencia
en
Redes
Bayesianas":
diagramas
complejos que organizan el conocimiento de un tema
estableciendo las conexiones causa-efecto entre las
variables relevantes y cuya codificacin se basa en
introducir los nmeros que representen el grado
probable en que una variable afecta a otra. Estos
sistemas
pueden
generar
predicciones
ptimas
automticamente, as como decisiones, incluso cuando
se hayan omitido elementos de informacin claves.
Aunque esto no ha hecho nada ms que empezar,
actualmente se estn construyendo productos que
incorporan esta tecnologa, ya sea para predecir los
precios del petrleo y las acciones, para controlar un

transbordador espacial, o para diagnosticar una

enfermedad. El campo de la IA, que cay en descrdito
durante los aos 80, prometiendo una ola de programas
que podan "pensar", y que finalmente no fueron
capaces de producir, confa en un renacimiento del
campo con esta nueva sea de identidad. Microsoft es
la compaa que ha apostado con mayor energa en este
nuevo enfoque. La Compaa ofrece: un servicio Web
gratuito que ayuda en el diagnstico de los problemas
de impresin, otro servicio Web que ayuda a los padres a
diagnosticar los problemas de salud de sus hijos, la
ltima versin del "Office" proporciona una ayuda al
usuario basada en la experiencia previa (considerando
cmo se est moviendo el ratn y qu tarea se est
realizando). A Gates le gusta decir que los
computadores actuales son sordos, mudos, ciegos y
desorientados; y las Redes Bayesianas vienen a resolver
este ltimo problema.
Una vez ms, basndonos en el espritu de este artculo,
podemos predecir un nuevo descrdito si as se quiere
interpretar de esta nueva tecnologa. Como muchos
investigadores defienden, es muy improbable que un slo
formalismo sea la solucin de muchos problemas. Adems,
debemos recordar que estas redes necesitan gran cantidad de
probabilidades numricas, y normalmente no se dispone de
toda esta informacin mediante estudios objetivos, por lo que
se recurre a estimaciones subjetivas de expertos humanos. No
obstante, los avances en este campo (cuyo resurgir se debe
fundamentalmente a la introduccin de la propiedad
de separacin direccional en el modelo) estn demostrando
tener un campo de aplicacin muy prometedor (podemos
destacar un sistema bayesiano para el diagnstico de
valvulopatas, desarrollado por un miembro de nuestro
departamento [Dez, 94]). Actualmente, adems del inters
comercial, existen ciclos de conferencias y numerosas
publicaciones que reflejan la importancia cientfica de este
"renacimiento".

Otro elemento que caracteriza la situacin actual es el

resurgimiento
del
inters
en
los
llamados modelos
conexionistas (llamados as por estar formados por una red de
unidades altamente interconectadas), tambin conocidos
como redes neuronales (sec. 1.2.1). Junto al declive del
modelo de computacin aplicado en los sistemas expertos y a
las razones que siempre han motivado el inters por este
modelo de computacin: la constatacin de la versatilidad del
modelo neuronal en tareas como: percepcin, reconocimiento
de caracteres, memoria asociativa, aproximacin de funciones
lineales, prediccin de series temporales, optimizacin,
control adaptativo y aprendizaje; se produce a mediados de
los aos 80 despus de un largo perodo de relativa
inactividad (sec. 1.2.1) una nueva propuesta [Rumelhart et
al., 86] que permite superar las restricciones de los modelos
previos. Esta nueva aportacin mantiene el concepto de red
como una arquitectura modular repartida en un elevado
nmero de elementos que realizan una funcin analgica no
lineal y que estn conectados entre s segn lo disponga la
configuracin elegida. La gran diferencia del algoritmo
utilizado, backpropagation, estriba en que la funcin umbral
se sustituye por una funcin derivable (una sigmoide) que
permita la retropropagacin de la funcin de error que gua el
aprendizaje supervisado por el mtodo del gradiente. En este
tipo de aprendizaje, la relevancia encontrada en las
observaciones
presentadas
se
fundamenta implcitamente en un anlisis estadstico. Al
fin y al cabo, una red acta como un clasificador con
capacidad de prediccin. Por lo tanto, al igual que en los
mtodos SBL (sec. 1.2.3), se requiere un nmero elevado de
ejemplos para llegar a un punto de convergencia en el
modelo. Otras razones que tambin avalan el inters por las
redes neuronales son: la tolerancia a fallos, la inherente
velocidad computacional, el paralelismo y la posibilidad de
realizar directamente su implementacin hardware. Este tipo
de computacin pretende convertirse en una tecnologa
complementaria de la IA simblica para aquellos problemas
que tengan que ver con medios cambiantes y parcialmente

conocidos que aconsejen soluciones paralelas y en tiempo

real, que sean capaces de afrontar la variabilidad del medio.
El gran problema que debe afrontar el modelo conexionista,
tal y como se plante en su da en la formulacin simblica, es
la manipulacin del conocimiento y de la inferencia en la red.
El conocimiento explcito de la red se manifiesta en los pesos
de las conexiones y en la configuracin de los enlaces entre
las distintas unidades. El conocimiento implcito proviene de
los distintos tipos de neuronas, determinados por las clases de
funciones de computacin local aplicada sobre las entradas
(p.ej., en el caso del backpropagation, la efectividad de la red
viene determinada por la manipulacin de una serie de
parmetros como son el ratio de aprendizaje y el momentum).
La configuracin multicapa generalmente elegida es la de una
red con unidades dispuestas en tres grupos diferenciados
o capas. Las unidades de entrada reflejan la codificacin de
los patrones asociados a los ejemplos presentados,
las unidades intermedias(tambin llamadas unidades ocultas)
constituyen la estructura interna de la red, y las unidades de
salida representan las clases a las que pertenecen los
ejemplos presentados.
La aplicacin prctica de estos modelos refleja la importancia
que tiene la determinacin del conocimiento inicial para lograr
unos resultados satisfactorios. Algunas de las aplicaciones
ms conocidas son: el programa NETtalk [Sejnowski &
Rosenberg, 87] (fue una de las primeras demostraciones
sobre la utilidad de las redes neuronales; los resultados fueron
limitados, pero sent las bases del campo), aprende a
pronunciar texto escrito; reconocimiento de caracteres
escritos [Le Cun et al., 89] (se utilizaba para leer las
direcciones y apartados de las cartas de correo; con sus tres
capas ocultas de 768, 192, y 30 unidades respectivamente, es
una de las aplicaciones ms toscas hasta la fecha); ALVINN
(Autonomous Land Vehicle In a Neural Network) [Pomerleau,
93] (aprende a dirigir a un vehculo siguiendo una lnea de un
carril en una autopista imitando el comportamiento del
conductor a partir de pares imagen/direccin; es sorprendente

comprobar que el sistema ha permitido alcanzar velocidades

de 130 Km/h en autopistas cercanas a Pittsburgh).
Los resultados obtenidos (p.ej., [Mooney et al., 89]) indican
que el aprendizaje en las redes es largo, y aunque la
clasificacin generada de los ejemplos presentados sea
ligeramente mejor que en el enfoque simblico, stos
requieren de 100 a 1000 veces ms de tiempo de
entrenamiento. Dos de los principales inconvenientes de las
formulaciones conexionistas son: la necesidad de realizar una
codificacin arbitraria de las entradas y las salidas, y la
inaccesibilidad al conocimiento distribuido implcito en la red
(slo se accede a la respuesta de la red). Sin embargo, ya
hemos comentado la utilidad prctica de este planteamiento.
Luego el problema no es cul es mejor formulacin, si la
simblica o la conexionista; la cuestin es saber cundo debe
aplicarse una u otra, o la combinacin de ambas. Por ejemplo,
en el caso ya comentado del sistema ALVINN, el programa
slo era capaz de seguir una lnea y no poda circular en
situaciones reales con trfico. Actualmente se pretende
combinar las capacidades primarias del sistema con
conocimiento simblico de ms alto nivel con el fin de afrontar
situaciones ms reales. Esta es una constante en este tipo de
aplicaciones. Los sistemas hbridos son frecuentes cuando la
IA se aplica a situaciones palpables en el mundo real.
El enfoque conexionista ha estado tradicionalmente separado
del planteamiento simblico. Sin embargo, ltimamente se
estn realizando un gran nmero de aplicaciones tendentes a
aprovechar las ventajas respectivas de ambos tipos de
formulaciones (algunos ejemplos representativos son: [Shavlik
& Towell, 89; Towell et al., 90; Romaniuk & Hall, 91; Thrun &
Mitchell, 1993; Towell & Shavlik, 94]). Uno de los temas que
reciben un mayor inters es la extraccin de las reglas que
reflejan el conocimiento contenido en una red conexionista
[Omlin & Giles, 95] (existe un ciclo de conferencias y una lista
de correo electrnico sobre este tema). Estas formulaciones
mixtas de aprendizaje como la sealada simblicoconexionista se
conoce
ms
genricamente

como estrategias hbridas. Bajo este nombre se engloban

tambin el resto de los modelos simblico-subsimblicos,
como puedan ser los simblico-numricos [Zahng, 94] y los
simblico-genticas [Vafaie & De Jong, 94]. Bsicamente, lo
que hacen estos mtodos es utilizar el conocimiento del
dominio y un conjunto de ejemplos para desarrollar un modelo
que permita clasificar bien futuros ejemplos. La clave del
asunto est en aprovechar la informacin de cada una de las
dos fuentes para que ambas se complementen entre s.
En esta revisin que estamos realizando sobre la situacin
actual, queda patente la incorporacin de la capacidad de
aprender en las distintas formulaciones. Esto es una
consecuencia clara de la paulatina maduracin del campo. Al
fin y al cabo, el aprendizaje es una de las cualidades ms
definitorias de la inteligencia, adems de una exigencia
deseable en cualquier sistema que pretenda llevar el
distintivo de IA. Precisamente, en lo que se refiere a la
tendencia actual de las investigaciones sobre las tcnicas de
aprendizaje, se observa, al igual que se ha comentado sobre
los SBC, un intento de avance en los aspectos metodolgicos,
a la par que una preferencia por las formulaciones
mixtas ya introducidas . Uno de los avances ms
significativos se produjo cuando se realizaron los primeros
estudios sobre el significado de las transformaciones
realizadas en estos sistemas. Nos referimos al anlisis sobre
las denominadas bias: son el conjunto de todos los factores
internos (p.ej., un agente en interaccin con el medio),
generalmente ocultos a nivel consciente, que influyen en la
seleccin/interpretacin/modelizacin/etc.
de
aquello
(realizada
por
dicho
agente)
que
determina
el
comportamiento del sistema de aprendizaje [Mitchell, 80;
Michalski, 83; Utgoff, 84, 86; Rendell, 89; Subramanian, 89]. El
acceder a la descripcin del principio que gua el proceso de
aprendizaje abri las puertas a la interaccin entre modelos
que inicialmente se consideraban de forma aislada:
deductivos, inductivos, analgicos, abductivos; y, ms
adelante, tambin conexionistas y bayesianos. Hoy en da,
despus de un periodo en el que se establecieron las bases

que permitan llevar a cabo estas formulaciones de carcter

mixto [Cohen, 90; Falkenhainer, 90; Russell & Grosof, 90], se
ha producido una autntica eclosin de modelos y
aplicaciones [Lebowitz, 90; Qian & Irani, 91; Cox & Ram, 92;
Tecuci, 93; Veloso & Carbonell, 94] como lo demuestra el
ltimo nmero de la coleccin de libros sobre aprendizaje (el
volumen IV de Machine Learning se ha dedicado por entero a
ilustrar trabajos en el campo del aprendizaje multiestrategia,
incluyendo las concepciones hbridas [Michalski & Tecuci, 94]),
adems, se han establecido ciclos de conferencias dedicados
expresamente al tema. Existen varias formulaciones bsicas
sobre el tema. Una de las ms utilizadas, la deductivoinductiva, responde a una sugerencia realizada anteriormente
[Mitchell, 84], consiste en utilizar el conocimiento expresado
en una teora del dominio incompleta, incorporando a
continuacin el conocimiento proveniente del trato emprico
de ejemplos disponibles, cuyo objetivo es intentar rellenar los
vacos existentes en la descripcin inicial de la teora (algunos
ejemplos se pueden encontrar en [VanLehn, 87; Flann &
Dietterich, 89; Shavlik & Towell, 89; Hirsh, 90]). Por ejemplo,
en el desarrollo presentado en [Hirsh, 90] se aplica EBG (un
mtodo analtico de EBL) [Mitchell et al., 86] para obtener
generalizaciones vlidas a partir de una teora incompleta del
domino, luego se refinan las reglas aprendidas mediante el
uso de jerarquas de abstraccin de los valores de algunas de
las caractersticas que se utilizan en la descripcin de los
objetos del dominio, pero que no estaban directamente
disponibles en la teora aplicada. Cualquier otro modelo
multiestrategia que hubiramos analizado tendra como base
una misma concepcin del problema, que coincide con el
resto de las propuestas de otros campos de la IA en nuestro
das, y que consiste en concebir el conocimiento, no como un
elemento aislado que depende de una determinada
concepcin (en este caso: inductiva, deductiva o abductiva),
sino como algo que debe ser relacionado y confrontado con
otros elementos de conocimiento disponibles, para producir
nuevas entidades que superan el cierre lxico de las
conectadas. Por lo tanto, tambin en el campo del aprendizaje
se percibe la necesidad de considerar el conocimiento como

una red, siendo el principal problema el establecer modelos

que incorporen capas en las que formulaciones diferentes
puedan interactuar [Boticario & Mira, 96].
Adems de estas formulaciones de carcter mixto, existen
otros muchos estudios tericos y desarrollos de aplicaciones
del campo del aprendizaje: mejoras y ampliaciones de los
algoritmos existentes [Quinlan, 96]; reformulaciones de
algoritmos antiguos, como el espacio de versiones [Mitchell et
al., 83; Boticario, 88], con el fin de hacerlos ms eficientes
(formulacin en paralelo [Hong & Tseng, 94]), o ms verstiles
(en un formalismo lgico [Qian & Irani, 91]); arquitecturas
integradas que proporcionan un entorno genrico de
programacin en el cual pueden combinarse procedimientos
de bsqueda, inferencia, representacin, organizacin de
memoria y aprendizaje (PRODIGY [Carbonell et al., 90], SOAR
[Laird & Rosenbloom, 90], THEO [Mitchell et al., 91]);
estudios sobre la complejidad sintctica y la fiabilidad de los
resultados obtenidos conocido como teora del aprendizaje
computacional (este campo surgi hace algn tiempo
[Valiant, 84; Haussler, 88], hoy en da existe un ciclo de
conferencias y un gran inters sobre el tema); sistemas
aprendices que se adaptan a las necesidades de cada usuario
[Dent et al., 92a, 92b] (es el primer sistema aprendiz utilizado
regularmente por un usuario final en cuyo desarrollo ha
tenido la oportunidad de participar el autor del presente
proyecto ); aplicacin de muchas de las tcnicas afianzadas,
y consideracin de otras alternativas, en nuevos campos de
aplicacin,
como
el
denominadoDescubrimiento
del
Conocimiento en Bases de Datos (KDD: Knowledge Discovery
in Data Bases), cuyo ltimo objetivo todava lejano [Prez &
Ribeiro, 96] sera la creacin de un sistema de
descubrimiento de conocimiento de propsito general, que
engloba, primero, la aplicacin de un conjunto amplio de
herramientas desde el aprendizaje por descubrimiento,
tcnicas fuzzi, redes neuronales, mtodos estadsticos, etc.
para extraccin de patrones a partir de los datos conocido
como minera de datos (data mining) , y, segundo, la
interpretacin del conocimiento existente en dichos patrones

descubiertos [Fayyad et al., 96] (p.ej., el nmero 11 del mes

de noviembre de 1996 de Communications of the ACM est
dedicado por completo aData Mining and Knowledge
Discovery in Databases); y, un amplio etctera de otros
temas de investigacin que podramos mencionar. Para
concluir con este repaso sobre el aprendizaje, queremos
resaltar el inters creciente que tambin existe en este campo
por llevar a cabo nuevas propuestas de carcter
metodolgicos que clarifiquen el campo y abran vas
alternativas de investigacin [Anderson, 89; Chandrasekaran,
89; Buntine, 90; Clark, 93; Boticario, 94, Boticario & Mira, 94,
96].
Otra de las reas de mayor actividad sigue siendo el
procesamiento del lenguaje natural (PLN). Dentro de este
campo, actualmente recibe especial atencin la traduccin
automtica. Se puede apreciar un nuevo optimismo en las
sucesivas conferencias internacionales sobre el tema (las
primeras se celebraron en: Hakone, 1987; Munich, 1989; y
Washington, D.C., 1991), debido a: los numerosos grupos de
investigacin creados (el Centro de Traduccin Automtica de
la Universidad de Carnegie Mellon es uno de los ms
importantes), el apoyo de las instituciones oficiales (se
mantienen los proyectos financiados que surgieron en la
poca anterior, especialmente en Europa y en Japn vase
la sec. 1.2.3 ), las nuevas tcnicas desarrolladas en el
campo de la lingstica computacional (modelos para el
anlisis morfolgico y sintctico, y tambin para la sntesis de
los textos de lenguaje natural), la evolucin de los interfaces
hombre-mquina, y sobre todo, debido a los enormes avances
en la tecnologa de los computadores (mejoras en la velocidad
de proceso, en la arquitectura, en los lenguajes y entornos,
etc.). Los estudios realizados consideran que la informacin
del contexto de la frase en concreto y del texto en
general es una fuente esencial para aproximar la traduccin
correcta entre lenguajes que tienen estructuras gramaticales
tan dispares como el japons y el ingls [Kinsui & Takubo, 90].
En lo que se refiere a los nuevos modelos utilizados, las redes
conexionistas
aportan
una
tecnologa
especialmente

adecuada para el tratamiento del problema (p.ej. [Tebelskis &

Waibel 90]). Tambin se han utilizado mtodos que combinan
las redes con algoritmos genticos [Kitano, 92]. Otros trabajos
que han resultado ser muy prometedores se basan en la
aplicacin de la traduccin por analoga, en los que la
traduccin de una frase se hace en referencia a las
traducciones previas de ejemplos similares [Sumita et al., 90].
Un modelo alternativo son las gramticas de casos, utilizadas
originalmente en la comprensin del lenguaje (sec. 1.2.3); en
este paradigma se presupone que los casos sirven para
representar las sentencias de cualquier lenguaje [Nirenburg et
al., 87], siendo entonces innecesario considerar una
representacin intermedia distinta, que en otros modelos se
utiliza para hacer la traduccin entre los dos lenguajes.
Tambin debemos mencionar el avance que supuso la
derivacin de dependencias semnticas a partir de las
sintcticas, extradas al considerar los textos de los dos
lenguajes (un algoritmo universalmente utilizado al respecto
ha sido el de Tomita [Tomita et al., 88]). Un planteamiento
muy frecuente es el denominado orientado a la transferencia:
se basa en encontrar las correspondencias entre las unidades
lxicas y las estructuras sintcticas del lenguaje origen y
destino; para ello se retrasa el anlisis semntico y
pragmtico (resolucin de elipsis, anforas, etc.) del origen
con vistas a resolver posibles ambigedades en el destino
(p.ej., [Arnold & Sadler, 91]). Se introducen modificaciones en
el esquema de interacciones entre el usuario y el sistema.
Tradicionalmente la interaccin con el usuario slo se
realizaba
al
principio preedicin o
al
final
del
proceso postedicin . Actualmente se considera que es
conveniente la participacin del usuario en el propio proceso
de traduccin con el fin de resolver los mayores conflictos. En
este caso, segn el sistema vaya adquiriendo mayor prctica
se ir requiriendo menos ayuda del usuario, hasta una
eventual automatizacin del proceso. Del resto de las
tendencias que se observan en el campo podemos destacar:
el uso de sistemas de traduccin automtica como partes de
otros sistemas de mayor entidad, la utilizacin de fuentes
alternativas de conocimiento en el proceso incluido el

propio usuario , y la incorporacin de elementos

multimedia como lenguaje hablado, imgenes de apoyo, y
diagramas .
En lo relativo al reconocimiento de imgenes, un tema que
requiere especial atencin es la representacin espacial.
Segn se ha descrito [Bobick & Bolles, 89], el problema
consiste en intentar integrar la informacin visual a lo largo
del tiempo, segn se vaya adquiriendo. El espacio es un
proceso continuo de representaciones que van perfilndose
con los nuevos datos disponibles. La representacin basada
en marcos tenan un grave problema de indexacin para
afrontar este problema, dado que se necesitaba acceder a una
gran coleccin de aquellos. Por ello se opt por utilizar una
red de marcos organizada como una red semntica. Una vez
ms, tambin en el caso de la interpretacin de imgenes,
parece sentirse la necesidad de representar el conocimiento
mediante una red. A este respecto, cabra preguntarse hasta
qu punto un slo formalismo de representacin puede
satisfacer los requerimientos de la visin, considerando, por
otro lado, que el proceso biolgico de la misma parece ser no
lineal, variable en el tiempo, jerrquico, y paralelo con un
componente secuencial superpuesto [Chellappa & Kashyap,
92]. Un rea de mximo inters es cmo puede integrarse un
sistema de visin en agentes inteligentes que sean robots
mviles (ms adelante se analiza el tema de los agentes
inteligentes). En cuanto a las necesidades metodolgicas del
campo podemos destacar que, un rea, declarada como de
inters especial, es la necesidad de encontrar un marco
general en el que se pueda disear, describir, experimentar, y
documentar experiencias en el reconocimiento de imgenes.
Un rea realmente nueva en nuestros das es el de los
modelos basados en la computacin paralela en gran escala.
El origen de las tendencias actuales en este campo fue la
llamadamquina conexionista [Hillis, 85]. Es un hecho que los
mtodos de IA desarrollados hasta ahora dependen en gran
medida de los recursos de clculo disponibles. Parece
razonable pensar que el desarrollo de aplicaciones sobre

dispositivos de capacidades muy superiores, tendr

consecuencias muy positivas sobre los modelos y sobre el
rendimiento de las aplicaciones de IA [Kitano, 93], como lo
demuestra los sistemas que ya se estn construyendo con
estas arquitecturas (p.ej., [Adeli & Park, 96]).
Otro de los principales por no decir, el principal focos de
inters de las investigaciones actuales son los agentes. Podra
decirse que si la poca anterior era la de los sistemas
expertos est es la de los agentes: sistemas de software
inteligentes que combinan muchas de las capacidades
anteriormente enunciadas: razonar basndose en casos
previos, aprender del propio comportamiento y del entorno,
entender las intenciones del usuario y adaptarse a sus
preferencias, interactuar en un espacio fsico concreto,
gestionar espacios virtuales de recursos, etc. Realmente, este
objetivo es la razn de ser de la IA. La parcelacin de este
objetivo ha respondido a un principio estratgico bsico para
enfrentarse a los problemas complejos: "divide y vencers".
En su libro sobre las Teoras Unificadas de la Cognicin, Newell
[Newell, 90] insisti en la necesidad de redirigir el esfuerzo de
investigacin en parcelas concretas de la IA hacia
concepciones que integraran armonizadamente las soluciones
encontradas. Este mismo sentir lo comparten otros
investigadores de reconocido prestigio [Hayes-Roth, 93].
Muchas veces las formulaciones de problemas dispares son
difcilmente conjugables, llegando a ser, en algunas
ocasiones, hasta contradictorias. Por lo tanto, una de las reas
de inters prioritaria debera ser la elaboracin de los
principios y el diseo de las arquitecturas que sirvan de
soporte
a
esta
concepcin
integrada
de
la
IA.
Afortunadamente, se han realizado un nmero considerable
de investigaciones y de aplicaciones comerciales: agentes que
solucionan problemas [Hayes-Roth, 85; Newell, 90], sistemas
aprendices de ayuda personalizados [Dent et al., 92a, 92b;
Etzioni & Weld, 94; Maes, 94], agentes robot [Vere &
Bickmore, 90; Firby, 92; Hayes-Roth et al., 95], agentes de
problemas de laboratorio [Bresina & Drummond, 90; Pollack,
91], etc. A la vez, se estn realizando trabajos paralelos sobre
las principales cuestiones que deben resolverse: arquitecturas

de agentes [Laird et al., 86; Nilsson, 89; Firby, 92; HayesRoth et al., 94], integracin de percepcin, accin e inferencia
[Washington & Hayes-Roth, 89; Chrisman & Simmons, 91],
seguimiento de instrucciones [Gans et al., 90; Webber et al.,
93], cooperacin de mltiples agentes [Sycara, 89; Durfee, 91,
Charib-draa et al., 92], etc. La cantidad de estudios que se
estn realizando refleja el inters que actualmente disfruta
este tema. Incluso podemos ya citar agentes cuyo propsito
es provocar reacciones en aquellos que forman parte de una
audiencia determinada [Bates et al., 95]. Por otro lado, la
propia concepcin de estos agentes los hace especialmente
adecuados para cubrir otra de las reas de investigacin de la
IA, la interaccin hombre-mquina [Shneiderman, 87].
Finalmente, otro dominio en el que estn surgiendo
numerosas aplicaciones de estos agentes es la gestin de
informacin y recursos disponibles a travs de la red Internet
(como queda reflejado en un libro que analiza el elevado
nmero de aplicaciones que ya estn operativas en la
actualidad [Fah-Chun, 96]).

Concepto de Inteligencia Artificial

La definicin de cualquier trmino depende tanto del objetivo
que se pretende alcanzar como de los medios que se suponen
ms adecuados para lograrlo. Por ejemplo, en la seccin
anterior hemos reinterpretado la historia para encontrar
antecedentes de la IA; entre ellos mencionamos un relato
sobre el mdico Paracelso, que en el siglo XVI elabor una
receta para crear un "homnculo": un ser humano artificial.
Muy posiblemente, para los contemporneos de Paracelso, la
IA sera la rama de la alquimia dedicada a identificar las
materias primas y la receta para crear un ser humano.
Dado el contexto del presente anlisis, nuestro propsito debe
ser analizar el trmino y sus definiciones dentro del campo de
la ciencia de los computadores. Sin lugar a duda, la
concepcin actual del computador, entendido como medio

para alcanzar el objetivo deseado (cuya primera aproximacin

acadmica podra ser "creacin de inteligencia a partir de
mtodos realizados por el propio hombre"), condiciona el
contenido de las definiciones que aqu vamos a exponer. Otro
factor de limitacin es el desconocimiento de la esencia de la
inteligencia, o si se prefiere, de su estructura. Slo somos
capaces de definirla funcionalmente, por sus capacidades,
manifestadas a travs del comportamiento del ser humano. El
siguiente juego de palabras nos enfrenta a la parte del dilema
que tiene que ver con la que consideramos la cualidad
esencial de la inteligencia, la capacidad de pensar:
No puedes pensar sobre el pensar, sin pensar acerca
del pensar sobre algo Seymour Papert [Minsky, 86]
Como tambin comenta Minsky en otro libro [Minsky, 85], "el
problema de la Inteligencia Artificial es la naturaleza de la
misma inteligencia, un tema que nadie comprende muy bien.
Por qu no? Quizs en parte porque nadie ha tenido la
oportunidad de estudiar otros tipos de inteligencia distintos de
la humana".
En cualquier caso, el propio proceso de definir siempre es
positivo; como dijo el premio Nobel Lwoff: "Definir es uno de
los mtodos para descubrir". Por tanto, vamos a comprobar,
sin ms dilacin, estos supuestos transcribiendo algunas
definiciones de IA:
a. "La automatizacin de actividades que asociamos con el
pensamiento humano, actividades como la toma de
decisiones, la resolucin de problemas, el aprendizaje "
[Bellman, 78].
b. "La disciplina cuyo objetivo cientfico es construir una
teora de la inteligencia en base al proceso informtico."
[Nilsson, 80]
c. "El estudio de las facultades mentales a travs del uso
de los modelos computacionales." [Charniak &
McDermott, 85]

d. "El estudio de cmo lograr que los computadores

realicen tareas que, por ahora, son realizadas mejor por
los seres humanos." [Rich & Knight, 91]
e. "El estudio de las computaciones que permiten percibir,
razonar y actuar." [Winston, 92]
f. "El campo de la ciencia y la ingeniera dedicado a la
comprensin de los procesos computables propios de lo
que vulgarmente se identifica por comportamiento
inteligente, y a la creacin de artilugios que manifiesten
dicho comportamiento." [Shapiro, 92]
g. "El proyecto de construccin de un artefacto inteligente."
[Ginsberg, 93]
h. "Hacer computacional el conocimiento humano no
analtico por procedimientos simblicos, conexionistas o
hbridos." [Mira et al., 95]
La mayora de las definiciones coinciden en que el objetivo de
la IA es duplicar las facultades del comportamiento que
atribuimos al ser humano (aprender, tomar decisiones,
percibir, razonar y actuar en consecuencia ), entendido como
ser con capacidad de pensar. Otra definicin califica el
comportamiento por su complejidad y no por sus facultades
(d). Finalmente, en el resto se omite la mencin de
comportamiento alguno (b, g y h). De stas, la ltima realiza
un precisin adicional: el objetivo son las cuestiones de
solucin desconocida. En lo que s coinciden todas es en
mencionar, implcita o explcitamente, el computador como
medio para lograr dichos objetivos.

La Inteligencia Artificial como Ciencia

Las definiciones de IA responden al carcter cientfico de esta
materia. Como en cualquier otra ciencia (vase la
seccin 1.3.2), para averiguar las ltimas causas, la verdad

subyacente, se parte del conocimiento de los fenmenos, en

este caso, el comportamiento humano; ms exactamente, la
capacidad de resolver problemas que requieren inteligencia.
Otras ciencias versan sobre la misma materia, la inteligencia,
pero bajo distinta fenomenologa. La neurologa estudia los
principios
organizacionales
y
estructurales
de
los
componentes biolgicos en los que se genera dicho
comportamiento. La ciencia cognitiva se preocupa de los
mismos fenmenos desde la perspectiva de los procesos
mentales que los producen. En realidad, ambas reflejan dos
caminos con un mismo objetivo [Pylshyn, 80]. En el caso de la
ciencia cognitiva, la metodologa y los modelos son diferentes,
ya que en lugar de preocuparse por resolver los problemas
mediante modelos computables, se centra en imitar
exactamente la forma en que son resueltos por el ser
humano.
Considerando lo expuesto, podemos distinguir la doble
perspectiva de la IA. Por una lado se considera el objeto de
anlisis, el comportamiento humano inteligente, y, por otro, el
elemento de sntesis, los procesos computables. Por tanto, la
IA tiene una componente ciencia de lo natural y otra de
ciencia de lo artificial.
1. Como ciencia de lo natural pretende entender la
inteligencia humana. Es una ciencia de anlisis y
modelado de la naturaleza de los sistemas inteligentes.
Los objetos de estudio son los comportamientos
humanos tachados de inteligentes: razonar, aprender,
abstraer, generalizar
2. Como ciencia de lo artificial busca la creacin de
sistemas inteligentes con tcnicas computacionales. Es
una ciencia de sntesis de formulaciones matemticas y
modelos que puedan llevarse a cabo con un soporte
fsico concreto, los computadores. Por tanto, est
condicionada por la arquitectura y las capacidades que
en cada momento tengan estas mquinas.

Por otro lado, la IA como ciencia debe ser capaz

de predecir, describir y controlar los fenmenos que trata; y
para ello, debe valerse de los tres elementos bsicos propios
de
cualquier
otra
rama
de
la
ciencia:
las teoras, las tcnicas o modelos,
y
las herramientas o instrumentos. Estos elementos configuran
dos ejes de interrelaciones que a su vez estn conectados
entre s.

Figura .1: Interrelaciones propias de cualquier rama de la

ciencia
Los mtodos y tcnicas de esta ciencia deben ser traducidos
en forma de programas de computador, ya que estos son las
mquinas de las que se vale el ser humano actualmente para
alcanzar los objetivos sealados. Dada la diversidad de tareas
modeladas en este campo, el origen de los mtodos utilizados
es especialmente variado. Ya hemos sealado como a lo largo
de su historia (sec. 1.2) se han utilizado tcnicas que
provienen de campos como: teora de la informacin (p.ej.,
construccin de rboles de decisin), psicologa cognitiva
(p.ej., razonamiento basado en casos), investigacin operativa
(p.ej., mtodos de bsqueda como la poda alfa-beta),
probabilidad y estadstica (p.ej., redes bayesianas), lingstica
(p.ej., gramticas de contexto libre aplicadas en interfaces de
lenguaje natural), etc.

Pero todos estos mtodos no tendran sentido si no se supiera

cuales son los objetivos. La evolucin de las metas, tal y como
hemos podido comprobar en el repaso histrico, reflejan un
claro proceso de maduracin. Utilizando la metfora de la
construccin, podramos decir que en un principio se
pretendi empezar a construir la casa por el tejado. No se
tena consciencia de la complejidad de los pilares de esta
ciencia, que requiere solucionar problemas tan diferentes
como el reconocimiento de una situacin conocida, la
coordinacin de mltiples tareas y objetivos, el seguimiento
de instrucciones, el aprendizaje basado en la observacin, etc.
En su lugar, se intentaron definir modelos bsicos de
computacin para resolver cualquier tipo de problemas. Ms
adelante, se tuvo consciencia de la necesidad de utilizar el
conocimiento del dominio, y se desarrollaron numerosas
tcnicas de representacin y distintas formas de inferencia. El
relativo xito de estos modelos dispar las expectativas y, por
tanto, se incrementaron las inversiones y se promocion su
ingeniera. El tambin relativo fracaso de estas previsiones ha
permitido afrontar uno de los requerimientos bsicos de
cualquier ciencia aplicada, el establecimiento de una
metodologa y la clarificacin de los objetivos. Era necesario
confrontar la diversidad de tcnicas desarrolladas y establecer
los fundamentos que permitan distinguir su utilidad y sus
limitaciones. Actualmente retomando la metfora de la
construccin , a la vez que se intentan afianzar los pilares
de esta hipottica casa, se estn empezando a levantar los
primeros pisos, los estratos que sirvan para combinar esos
cimientos de forma armonizada. Los agentes actuales, los
modelos hbridos y multiestrategia del aprendizaje, la
cantidad de conferencias de carcter interdisciplinario, la
profundizacin terica de los modelos utilizados, la utilizacin
y adaptacin de mtodos de ingeniera del software, son
algunas de las manifestaciones de esta nueva realidad que
pretende conjugar y asentar las funciones ya modeladas. Por
otro lado, la IA sigue siendo la ciencia en la que a todo el
mundo le gustara estar. El objetivo es apasionante y es una
ciencia muy viva como lo demuestra su rpida evolucin en
el tiempo en la que se deben producir grandes avances. Al

fin y al cabo todava estamos esperando los Newton y Einstein

de este campo.
Precisamente, esta rpida evolucin determina el estado
actual de las teoras que dan sentido y explican la utilizacin
de los mtodos aplicados. Cualquier ciencia pasa
tradicionalmente por una serie de estadios que reflejan su
grado de maduracin. Hasta ahora hemos estado inmersos en
la poca de "los casos de estudio" o de la experimentacin. En
esta fase slo se confirma una hiptesis de trabajo; por
ejemplo, un nuevo mtodo de generalizacin. La cantidad de
experimentos realizados empieza a permitir dar un nuevo
paso, la etapa de los principios arquitectnicos. En esta nueva
fase se busca dar sentido a esa extensin observada para
llegar a ordenar, correlacionar, y construir modelos que la
expliquen, pudiendo entonces plantearse cuestiones como
qu mtodos deben aplicarse para qu tipo de problemas?.

La Inteligencia Artificial como Tecnologa

Tendramos una visin limitada de la realidad si no
realizramos un repaso, aunque sea muy conciso, de algunas
cuestiones que perfilan la IA como una tecnologa a veces
denominada "ingeniera del conocimiento" dentro de la
ciencia de los computadores. El presente anlisis hace
hincapi y ampla algunas de las cuestiones introducidas
previamente (sec. 1.2.4).
En la perspectiva aplicada de la IA, la resolucin de los
problemas consiste en la determinacin del mtodo que
permite convertir un conjunto de especificaciones funcionales
en este caso referidas al conocimiento en un sistema
computable eficaz y eficiente. Como se ha insistido
frecuentemente por algunos autores [Mira et al., 95], no
debemos olvidar que toda computacin termina, por ahora, en
el nivel de la electrnica digital. Esto implica que los modelos
propios de la IA deben apoyarse en las sucesivas capas que se
han definido sobre dicha electrnica (dispositivo, circuito,

lgica
de
circuitos,
transferencia-registro,
programa,
aplicacin) con el fin de afrontar la solucin de los problemas
en un nivel de complejidad cada vez ms cercano a la tarea
que se quiere resolver. En un principio, las especificaciones de
los problemas de IA se realizaban en lenguaje natural. Para
intentar simplificar el salto cualitativo que supone convertir
dichos requerimientos en un conjunto de procesos descritos
mediante un soporte software y hardware concretos, se han
establecido niveles genricos de descripcin adicionales que
pretenden simplificar las etapas de anlisis y diseo propias
de cualquier producto de ingeniera.
En primer lugar, debemos mencionar, por importancia y por
antigedad, el nivel del conocimiento [Newell, 81]. En el
modelo propuesto por Allen el problema se analiza en dos
niveles, uno dependiente del formalismo de representacin,
nivel simblico, y otro idealizado, ajeno a cualquier detalle de
realizacin, nivel del conocimiento. La ventaja de este
planteamiento es que permite especificar "el qu", cules son
los objetivos de la tarea, su descripcin funcional. Su principal
deficiencia es que no sirve para determinar "el cmo", de tal
forma que el modelo falla a la hora de predecir el
comportamiento del sistema. Slo los procesos de inferencia
que puedan declararse completamente mediante una
descripcin lgica son los que se pueden precisar en el nivel
del conocimiento, en el resto de los sistemas es necesario
descender al nivel simblico para explicar su comportamiento
(como se ha podido comprobar en procesos de aprendizaje
inductivo [Dietterich, 86]).
Por otro lado, Davis Marr [Marr, 82] introduce, en el contexto
de la bsqueda de una teora computacional de la percepcin
visual, tres niveles de computacin: teora, algoritmo e
implementacin. El primer nivel requiere que el problema
pueda ser descrito mediante el objetivo de la tarea y la lgica
de la estrategia para alcanzarlo; por tanto, coincide con el
nivel del conocimiento de Newell. Desgraciadamente, en
muchos casos de estudio slo se dispone de un conjunto
impreciso e incompleto de especificaciones funcionales. El
segundo nivel, que corresponde al nivel simblico de Allen,

comprende la definicin de los espacios simblicos de

representacin de las entradas y las salidas y los algoritmos
que las enlazan. El tercer nivel se refiere a la especificacin
del problema en un soporte software que sea traducido
automticamente hasta conectar con el nivel fsico. Por tanto,
el gran salto sigue encontrndose entre el primero y el
segundo nivel.
Los problemas detectados en el proceso de ingeniera de los
productos realizados en la primera mitad de los aos ochenta
(sec. 1.2.3), animaron la bsqueda de nuevos mtodos de
anlisis, diseo, especificacin y mantenimiento de sistemas
basados en el conocimiento (SBC). La propuesta surgi de dos
campos tan interrelacionados como la teora de modelos y la
ingeniera del software. Su principal aportacin fue rechazar la
idea de que la modelizacin del conocimiento deba realizarse
directamente sobre marcos, reglas, lgica de predicados o
cualquiera otra de las tcnicas de representacin entonces
existentes,
mucho
ms
cercanas
a
los
modelos
computacionales directamente traducibles en cdigo mquina
que a los problemas que queran resolverse. En estos casos,
muchas descripciones se quedan enfrascadas en resolver
problemas relativos al esquema de representacin adoptado
En su lugar, se propone realizar primero una modelizacin en
la que se distinga claramente el objetivo: la tarea a realizar, y
el mtodo: la forma de llevarla a cabo [Chandrasekaran, et al.,
92]. Siguiendo esta tcnica, a la que se denomina modelo de
tareas genricas, la tarea se estructura en subtareas cada vez
ms concretas en funcin del mtodo aplicado en resolverlas.
Esto permite, por un lado, estructurar el problema y
simplificar su desarrollo y, por otro, compartir, a travs del
acceso a una librera, tareas y mtodos entre diferentes
problemas. Adems de introducir este nuevo nivel de
descripcin era necesario estructurar su utilidad en un
esquema ms general que permitiera integrar el desarrollo del
sistema con el resto de los productos realizados con tcnicas
propias de la ingeniera del software. Esta ha sido
precisamente la aportacin de KADS [Wielinga et al., 92], una
metodologa que, estructura el desarrollo de los SBC en dos
fases: anlisis y diseo, y utiliza el concepto de tarea

genrica; pero bajo un enfoque de estructuracin del

problema invertido, ya que parte de lo ms concreto, el
modelo del conocimiento del dominio, y va ascendiendo, a
travs de los modelos de inferencia y tarea genrica, hasta
alcanzar el nivel de descripcin superior, el de estrategia,
cuya funcin es controlar que se realicen con xito las tareas
necesarias para alcanzar los objetivos seleccionados. Con tal
fin se ordenan, planifican o reparan en caso de fallo , las
estructuras
de
tareas
utilizadas.
Actualmente,
esta
metodologa incluye, adems de la definicin del modelo
conceptual correspondiente al diseo del sistema, la
definicin del programa que finalmente ser ejecutado [Van
de Veldeet al., 94].
Hoy en da, la corriente que impera desde el punto de vista
metodolgico (recordemos que el razonamiento basado en
casos parte del mismo supuesto, vase el apartado 1.2.3),
sostiene que el conocimiento no puede separarse de su uso
[OHara & Shadbolt, 93]. Cuando un ingeniero se plantea
desarrollar una aplicacin basada en el conocimiento, la
modelizacin realizada debe estar orientada al mtodo
empleado en su realizacin. No debe por tanto buscarse un
modelo abstracto dependiente de la psicologa del experto. El
objetivo debe ser establecer los estndares que permitan
predecir y controlar las inferencias requeridas. De esta forma,
las tareas genricas son vlidas en tanto que facilitan la labor
de desarrollo de los SBC, siendo su principal virtud el
incrementar la capacidad de describir el problema en el nivel
del conocimiento. Para ello se defiende una labor de
modelado, ya que mediante este procedimiento se pueden
segmentar las partes comunes, identificar procesos de
inferencia y predecir resultados a la vez que clarificar
interacciones.
Desde el punto de vista metodolgico, la IA pretende separar
los aspectos estructurales comunes al procedimiento de
solucin de una clase general de problemas del conocimiento
especfico de una tarea particular. Este intento no slo se
manifiesta a travs de las metodologas basadas en la
estructura de tareas genricas como KADS, sino que tambin

es uno de los objetivos bsicos de los nuevos paradigmas

hbridos y multiestrategia en el campo del aprendizaje (vase
el apartado 1.2.4) y de las llamadas arquitecturas integradas.
Las arquitecturas integradas surgieron para afrontar diversas
cuestiones de carcter metodolgico. A lo largo del presente
anlisis hemos mencionado trminos como bsqueda,
inferencia, representacin, organizacin de memoria y
aprendizaje. Pero, cmo podramos integrar todos estos
elementos en un sistema inteligente? El objetivo es el
desarrollo de la arquitectura de un agente, capaz de
proporcionar un entorno genrico de desarrollo en el cual
puedan combinarse dichos elementos. La integracin y el
diseo de estos macrosistemas tiene sus propios problemas,
entre los que destacan: qu mtodos de representacin,
inferencia, etc., deben elegirse?, cules son los elementos
del diseo que deben representarse explcitamente?, cules
son los partes ms difciles de solventar y cuales no son
abordables?, cundo y qu debe aprenderse?, qu
decisiones de compromiso deben adaptarse?, etc. En realidad,
parece claro que hay un espacio propio para la investigacin
de los problemas de diseo de arquitecturas, sobre el cual
todava quedan muchas cuestiones por resolver. Entre las
arquitecturas ms conocidas estn: SOAR [Laird &
Rosenbloom, 90] (posee un mecanismo de generalizacin
implcito), PRODIGY [Carbonell et al., 90] (destaca su
capacidad de resolver problemas por analoga), y THEO
[Mitchell et al., 91] (utiliza un representacin uniforme en la
que se confunden tareas de bsqueda, aprendizaje simblico
y conexionista, inferencia lgica, etc.)
Para terminar con este breve repaso sobre los aspectos
metodolgicos, dada la importancia que hoy en da tienen los
modelos conexionistas, queremos aadir a lo ya expuesto
(sec. 1.2.4) el anlisis de una diferencia clave existente entre
el planteamiento simblico y conexionista. Cuando la solucin
de un problema se plantea desde la perspectiva simblica, se
lleva a cabo un proceso de reducciones sucesivas que
depende de la metodologa aplicada. Pensemos en las
diversas fases y etapas por las que pasa el desarrollo de un

SBC utilizando la metodologa KADS. Sin embargo, cuando la

formulacin del problema se modela a travs de las llamadas
redes neuronales se realiza un salto directo desde la
descripcin de la tarea en el nivel del conocimiento hasta un
nivel de procesamiento formado por redes de procesadores
cuya funcin local no puede ser excesivamente compleja
(procesador analgico no lineal seguido de una funcin no
lineal de tipo sigmoide para limitar las salidas). Frente a esta
limitada capacidad de computacin de cada procesador estn
las ventajas de utilizar una arquitectura de computacin
distribuida y de incorporar en el modelo la capacidad de
autoprogramacin. La computacin neuronal se est
convirtiendo en una alternativa para aquellos problemas que
tengan que ver con medios cambiantes y parcialmente
conocidos que aconsejen soluciones paralelas y en tiempo
real [Mira et al., 95]. El principal problema es que, dado que
no existen modelos intermedios que faciliten la introduccin
del conocimiento del dominio ni la extraccin del
conocimiento contenido en la red, su aplicacin se ve limitada
a aquellas tareas que permiten realizar el salto requerido,
como por ejemplo: la clasificacin. No obstante debemos
recordar (vase el apartado 1.2.4) que esta deficiencia est
dando lugar a numerosas propuestas basadas en la
combinacin de modelos simblicos y conexionistas.

REFERENCIAS
[Adeli & Park, 96] Adeli, H., and Park, H.S., "Fully automated design of
super-high-rise building structures by a hybrid AI model on a massive parallel
machine", AI Magazine 17, 3 (1996) 87-93.
[Allen & Langley, 90] Allen, J., "The acquisition, organization, and use of plan
memory". Technical Report CS-90-07. Nashville, TN: Vanderbilt University,
Department of Computer Science, 1990.
[Anderson, 89] Anderson, J.R. "A theory of the origins of human knowledge".
Artificial Intelligence, 40 (1989) 313-351.

[Aranda et al., 93] Aranda, J., Fdez. Marrn, J.L. y Morilla, F. "Lgica
Matemtica". Sanz y Torres, 1993.
[Arnold & Sadler, 91] Arnold, D., and Sadler, L. "Some formal issues in
transfer". Machine Translation 6 (1991) 193-200.
[Ashley, 90] Ashley, K.D., "Modeling legal argument: Reasoning with cases and
hypotheticals". MIT Press, Cambridge, 1990. Based on Ashelys 1987 PhD.
Dissertation, University of Massachusetts, COINS Technical Report No. 88-01.
[Barlett, 32] Barlett, F.C., "Remembering". Cambridge University Press,
Cambridge, UK, 1932.
[Barr & Feigenbaum, 81] Barr, A., and Feigenbaum, E.A., "The Handbook of
Artificial Intelligence", Vol. I. William Kaufmann, Los Altos, Calif., 1981.
[Barr et al., 82] Barr, A., Cohen, P.R., and Feigenbaum, E.A., "The Handbook of
Artificial Intelligence", Vol II. William Kaufmann, 1982.
[Barr et al., 89] Barr, A., Cohen, P.R., and Feigenbaum, E.A., "The
Handbook of Artificial Intelligence", Vol III. Pitman Books Limited.
CA, 1989.
[Barreiro, 91] Barreiro, A., "TAO/Medtool: Un sistema consejero en
oncologa", Tesis doctoral, Universidad de Santiago, Santiago de
Compostela, 1991.
[Barro, 87] Barro, S., "SUTIL: Sistema Cuasi-Integral de Monitorizacin
Inteligente en UCC". Tesis Doctoral, Universidad de Santiago de
Compostela, 1987.
[Bates et al., 95] Bates, J., Hayes-Roth, B., and Maes, P. "Interactive
story systems". Working Notes of the AAAI Symposium, Menlo Park, CA,
1994.
[Bellman, 78] Bellman, R.E. "An introduction to Artificial Intelligence:
Can Computers Think?" Boyd & Fraser Publishing Company, San
Francisco, 1978.
[Blum, 82] Blum, R.L., "Discovery and representation of causal
relationships from a large time-oriented clinical database: The RX
project". Ph.D. dissertation. Stanford University. (Tambin en: Computers
and Biomedical Research 15, pp. 164-187).

[Bobick & Bolles, 89] Bobick, A., and Bolles, R. "Representation space:
An approach to integration of visual information". Proceeding of the IEEE
Conference on Computer Vision and Pattern Recognition, San Diego,
Calif., 1989, pp. 492-499.
[Bobrow & Winograd, 77] Bobrow, D.G., and Winograd, T., "An
overview of KRL, a knowledge representation language", Cognitive
Science, 1 (1977) 3-46.
[Borrajo et al., 93] Borrajo D., Juristo N., Martnez V, y Pazos J.
"Inteligencia Artificial: Mtodos y Tcnicas". Centro de Estudios Ramn
Areces. Madrid, 1993.
[Boticario, 88] Boticario, J.G., "SAM: Construccin de un sistema de
aprendizaje automtico para integracin simblica basado en la
induccin". Trabajo fin de carrera No. 87/88-052. Facultad de Informtica,
Universidad Politcnica de Madrid, 1988.
[Boticario, 94] Boticario, J.G. "Contribuciones a la teora computacional
del aprendizaje: ejemplos de aplicacin". Tesis doctoral, Dpto.
Informtica y Automtica, UNED, 1994.
[Boticario & Mira, 94] Boticario, J.G., and Mira J., "Some
methodological aspects of machine learning". Cybernetics and
Systems, 25 (1994), pp. 233-258.
[Boticario & Mira, 96] Boticario, J.G., and Mira J., "Basic computational
processes in machine learning". In: Proceedings of The First International
Workshop on Machine Learning, Forecasting, and Optimization (MALFO
96). Editorial: Universidad Carlos III de Madrid (Escuela Politcnica
Superior). Madrid (Legans), julio 1996, pp. 13-27.
[Brachman, 79] Brachman, R.J., "On the epistemological status of
semantic networks". In: [Findler, 1979 , pp.3-50.
[Brachman & Levesque, 85] Brachman, R.J., and Levesque,
H.J., "Readings in Knowledge Representation". Morgan Kaufmann, San
Mateo, CA, 1985.
[Brachman et al., 83] Brachman, R.J., Fikes, R.E., and Levesque,
H.J., "KRYPTON: A functional approah to knowledge representation".
Computer, 16 (1983) 67-73.
[Bresina & Drummond, 90] Bresina, J., and Drummond,
M. "Integrating planning and reaction: a preliminary report". In J. Hendler

(ed.), SRC TR 90-45, Systems Research Center, University of Maryland,

1990.
[Brewka, 91] Brewka, G.,"Nonmonotonic reasoning: Logical
foundations of commonsense". Cambridge University Press, NY, 1991.
[Brown & Burton, 75] Brow J.S. and Burton R.R., "Multiple
representation of knowledge for tutorial reasoning". In D.G. Bobrow and
A. Collins, eds., Representation and Understanding. Academic Press. New
York. 1975, pp. 311-349.
[Brownston et al., 85] Brownston, L., Farrel, R., Kant, E., and Martin,
N., "Programming Expert Systems in OPS5". Addison-Wesley, Reading,
MA, 1985.
[Buchanan & Feigenbaum, 78] Buchanan, B.G., and Feigenbaum,
E.A., "DENDRAL and Meta-DENDRAL". Artificial Intelligence, 11 (1978) 524.
[Buchanan & Shortliffe, 1984] Buchanan, B.G., and Shorliffe,
E.H., "Rule-Based Expert Systems: The MYCIN Experiments of the
Stanford Heuristic Programming Project". Addison-Wesley, Reading, MA,
1984
[Carbonell, 79] Carbonell, J.G., "Subjective understanding: computer
models of belief systems", Ph.D. dissertation. Yale University, New
Haven, Conn., 1979.
[Carbonell, 85] Carbonell, J.G., "Robust man-machine communication,
user modelling and natural language interface design", In S. Andriole,
ed., Applications of Artificial Intelligence, Petrocelli, Boston, 1985.
[Carbonell, 86] Carbonell, J.G., "Derivational analogy: A theory of
reconstructive Problem Solving and expertise acquisition". In: Michalski,
R.S., Carbonell, J.G., and Mitchell, T.M. (Eds.), Machine Learning: An
artificial intelligence approach. Morgan Kaufmann, San Mateo, CA, 1986,
pp. 371-392.
[Carbonell et al., 83] Carbonell, J.G., Michalski, R.S., and Mitchell,
T.M., "Machine learning: A historical and methodological analysis". AI
Magazine, Fall (1983) 69-79.
[Carbonell et al., 85] Carbonell, J.G., Boggs, M., Mauldin, M., and
Anick, P., "The Xcalibur project: A natural language interface to expert
systems and data bases". In S. Andriole (ed.), Applications in Artificial
Intelligence. Princenton, N.J.: Petrocelli Books, 1985.

[Carbonell et al., 90] Carbonell, J.G., Knoblock, C., and Minton,

S., "PRODIGY: An integrated architecture for planning and learning". In:
VanLehn, K. (Ed.), Architectures for intelligence. Earlbaum, Hillsdale, NJ,
1990.
[Chandrasekaran, 89] Chandrasekaran, B., "Task-structures,
knowledge acquisition and learning". Machine Learning Vol. 4, pp. 339345, 1989.
[Chandrasekaran et al., 92] Chandrasekaran, B., Johnson, T.R., and
Smith, J.W., "Task-structure analysis for knowledge modeling".
Communications of the ACM, 35 (1992) 124-137.
[Chang & Lee, 73] Chang, C-L., and Lee, R.C-T., "Symbolic logic and
mechanical theorem proving", Academic Press, 1973.
[Charib-draa et al., 92] Charib-draa, B., Mandiau, R., and Millot,
P. "Distributed artificial intelligence: An annotated bibliography", SigArt
Bulletin, 3 (1992) 20-37.
[Charniak, 72] Charniak, E.C. "Toward a model of childrens story
comprehension", TR-266, MIT AI, Cambridge, Mass., 1972.
[Charniak & McDermott, 85] Charniak, E.C. and McDermott, D.
"Introduction to Artificial Intelligence" Addison-Wesley. Reading,
Massachusetts. 1985.
[Chrellappa & Kashyap, 92] Chellappa, R., and Kashyap, R.L., "Image
understanding", Encyclopedia of Artificial Intelligence. John Wiley &
Sons, New York, 1992, 2nd edition.
[Chrisman & Simmons, 91] Chrisman, L., and Simmons, R. "Sensible
planning: focusing perceptual attention", In Proceedings of the National
Conference on Artificial Intelligence, San Mateo, CA. Morgan Kaufmann,
1991.
[Clancey, 81] Clancey, W.J. "Neomycin: reconfiguring a rule-based
expert system for application to teaching", in Proceedings of the Seventh
IJCAI, Vancouver, B.C., Canada, Morgan-Kaufmann, San Mateo, California,
1981.
[Clancey, 85] Clancey, W.J., "Heuristic Classification". Artificial
Intelligence, 27(1985) 289-350.
[Clancey, 87] Clancey, W.J. "Knowledge-based tutoring", MIT Press,
Cambridge, Mass., 1987.

[Clark, 93] Clark, A. "Superpositional connectionism: a reply to

Marinov", Minds and Machines, Kluwer Academic Publishers, 1993, pp.
271-281.
[Cohen, 88] William W. Cohen. "Generalizing number and learning from
multiple examples in explanation based learning". Proceedings of the
Fifth International Conference on Machine Learning. Ann Arbor, Mich.
Morgan Kaufmann. pp. 256-269, 1988.
[Cohen, 90] Cohen, W.W., "An analysis of representation shift in
concept learning". In: Proceedings of the 7th International Conference on
Machine Learning, Morgan Kaufmann. Austin, Texas, 1990, pp. 104-112.
[Colmerauer, 73] Colmerauer, A., and co-workers, "Un systeme de
communication homme-machine en francais", Research report, Group
Intelligence Artificielle, Universit dAix Marseille, Luminy, 1973.
[Colmerauer, 84] Colmerauer, A., "Equations and inequations on finite
and infinite trees", Proceedings of International Conference on Fifth
Generation Computer Systems, Tokyo, Japan, 1984, pp. 85-102.
[Collins & Quillian, 69] Collins, A.M., and Quillian, M.R., "Retrieval time
from semantic memory". Journal of Verbal Learning and Verbal
Behavior, 8 (1969) 240-247.
[Cox & Ram, 92] Cox M.T. and Ram A. "Multiestrategy learning with
introspective meta-explanations". Machine Learning, Proceedings of the
Ninth International Workshop, Aberdeen, Scotland, 1992.
[Craik, 43] Craik, K. "The Nature of Explanation". Cambridge University
Press, Cambridge, 1943.
[Cuena, 85] Cuena, J. "Lgica Informtica". Alianza Editorial, 1985.
[Davies & Russell, 87] Davies, T.R., and Russell, S.J., "A logical
approach to reasoning by analogy". In Proceedings of the International
Joint Conference on Artificial Intelligence, pp. 264-270. Milan, Italy, 1987.
[Davis, 80] Davis, R., "Meta-rules: Reasoning about control". Artificial
Intelligence, 15 (1980) 179-222.
[Davis et al., 77] Davis, R., Buchanan, B., and Shortliffe,
E., "Production rules as a representation for a knowledge-based
consultation program". Artificial Intelligence, 8 (1977) 15-45.

[DeJong & Mooney, 86] DeJong, G.F., and Mooney, R., "ExplanationBased learning: An alternative view". Machine Learning, 1 (1986) 145176.
[Dent et al., 92a] Dent, L., Boticario, J.G., McDermott, J., Mitchell T.,
and Zabowski, D., "A personal learning apprentice". 1992 AAAI Spring
Simposium, March 25-27, Stanford University.
[Dent et al., 92b] Dent, L., Boticario, J.G., McDermott, J., Mitchell T.,
and Zabowski, D., "A personal learning apprentice". In: Proceeding of the
National Conference on Artificial Intelligence. AAAI Press/MIT Press, San
Jose, CA, 1992, pp. 96-103.
[Dez, 94] Dez Vegas, F.J., "Sistema Experto Bayesiano para
Ecocardiografa". Tesis doctoral, Dpto. Informtica y Automtica, UNED,
1994.
[Dietterich, 86] Dietterich, T.G., "Learning at the knowledge
level". Machine Learning, 1 (1986) 287-316.
[Duda et al., 79] Duda, R.O., Gaschnig, J., and Hart, P.E., "Model design
in the PROSPECTOR consultant program for mineral exploration". In:
Michie, D. (Ed.), Expert Systems in the Microelectronic Age, Edinburgh
University Press, Edinburgh, 1979, pp. 153-167.
[Durfee, 91] Durfee, E., "The DAI melting pot". IEEE Transactions on
Systems, Man, and Cybernetics, 1991.
[Erman et al., 80] Erman, L.D., Hayes-Roth, F., Lesser, V.R., and Reddy,
D.R., "The HEARSAY-II Speech-Understanding System: Integrating
knowledge to resolve uncertainty", ACM Computing Survey 12(2), 213253, 1980.
[Etzioni & Weld, 94] Etzioni, O., and Weld, D., "A softbot-based
interface to the internet", Comm. of the ACM, 37, 72-79, 1994.
[Fah-Chun, 96] Fah-Chun, C., "Internet agents: spiders, wanderers,
brokers, and bots". New Riders Publishing, Indianapolis, IN, 1996.
[Falk, 72] Falk, G., "Interpretation of imperfect line data as a threedimensional scene". Artificial Intelligence 3(2), pp. 101-144, 1972.
[Falkenhainer, 90] Falkenhainer, B.C., "A unified approach to
explanation and theory formation". In: Shrager J., and Langley, P. (Eds.),
Computational models of scientific discovery and theory formation.
Morgan Kaufmann, San Mateo, CA, 1990.

[Fayyad et al., 96] Fayyad, U., Piatetsky-Shapiro, G., and Smyth,

P.,"From data mining to knowledge discovery in databases", AI
Magazine 17, 3 (1996) 37-53.
[Flann & Dietterich, 89] Dietterich, T.G., and Flann, N.S., "A study of
explanation-based methods for inductive learning". Machine
Learning, 4 (1989) 187-226.
[Fernndez & Sez, 87] Fernndez, G. y Sez, F., "Fundamentos de
Informtica". Alianza Informtica. Alianza Editorial, 1987.
[Fikes & Nilsson, 72] Fikes, R., Hart, P., and Nilsson, N., "Learning and
executing generalized robot plans". Artificial Intelligence, 3(1972) 251288.
[Fillmore, 68] Fillmore, C., "The case for case". In E. Bach and R.
Harms, eds., Universals in Linguistic Therory, Holt, Rinehart, and
Winston, New York, 1968, pp. 1-90.
[Findler, 79] Findler, N.V. (Ed.), "Associative Networks: Representation
and Use of Knowledge by Computers". Academic Press, New York, 1979.
[Firby, 92] Firby, J., "Building symbolic primitives with continuous
control routines". In Proceedings of the First International Conference on
AI Planning Systems, College Park, MA, pp. 62-69, June 1992.
[Fisher, 87] Fisher D.H., "Knowledge acquisition via incremental
conceptual clustering". Machine Learning 2, Kluwer Academic Publishers,
Boston, 1987, pp. 139-172.
[Gans et al., 90] Gans, A., Confrey, T., Harvey, J., and Hayes-Roth,
B. "How WATCH works". Stanford University, Knowledge Systems
Laboratory, Report KSL 90-03, 1990.
[Garrido, 92] Garrido, M., "Lgica simblica". (2 Edicin). Tecnos,
1992.
[Gentner, 83] Gentner, D. "Structure-mapping: a theoretical framework
for analogy". Cognitive Science 7, 2, pp. 155-170. 1983.
[Gilmore, 60] Gilmore, P., "A proof method for quantification theory: Its
justification and realization". IBM Journal of Research and
Development. 4, 28-35 (1960).
[Ginsberg, 93] Ginsberg, M., "Essentials of artificial intelligence".
Morgan Kaufmann Publishers, 1993.

[Grosz, 83] Grosz, J., "TEAM: a transportable natural language interface

system". In Proceedings of the Conference on Applied Natural Language
Processing. Santa Monica, Calif., 1983, pp. 1067-1076.
[Grosz & Sidner, 88] Grosz, B.J., and Sidner, C.L., "Plans for discourse".
In P.R. Cohen, J. Morgan, and M.E. Pollack (eds.), Intentions in
Communications, 1988.
[Hammond, 86] Hammond, K., "CHEF: a model of case-based
planning". In: Proceedings of the National Conference on Artificial
Intelligence, Philadelphia, PA, 1986.
[Hammond, 89] Hammond, K. "CHEF". In C.K. Riesbeck & R.C. Schank
(Eds.). Inside case-based reasoning. Hillsdale, NJ: Erlbaum.
[Haussler, 88] Haussler, D., "Quantifying inductive bias: AI learning
algorithms and Valiants learning framework". Artificial
Intelligence, 36 (1988) 177-221.
[Hayes, 79] Hayes, P.J., "The logic of frames". In: Metzing, D. (Ed.),
Frame Conceptions and Text Understanding. Walter de Gruyter and Co.,
Berlin, 1979, pp. 46-61.
[Hayes, 89] Hayes, J.R., "The complete problem solver". Second edition,
Lawrence Erlbaum Associates, 1989.
[Hayes-Roth, 85] Hayes-Roth, B., "A blackboard architecture for
control". Artificial Intelligence, 26 (1985) 251-321.
[Hayes-Roth, 93] Hayes-Roth, B., "On building integrated cognitive
agents: A review of Newells Unified Theory of Cognition". Artificial
Intelligence, 59 (1993) 329-341. Reprinted in W. Clancey, S. Smoliar, M.
Stefik (Eds.), Contemplating Mind, MIT Press, 1994.
[Hayes-Roth et al., 94] Hayes-Roth, B., Brownston, L., and van Gent,
R., "Multiagent collaboration in directed improvisation". Stanford
University Report KSL-94-69, 1994
[Hayes-Roth et al., 95] Hayes-Roth, B., Pfleger, K., Lalanda, P.,
Morignot, P., and Balabanovic, M. "A domain-specific software
architecture for adaptive intelligent systems". IEEE Transactions on
Software Engineering, 1995.
[Hendrix, 77] Hendrix, G.G., "Human engineering for applied natural
language processing". In Proceedings of the Fifth IJCAI, 1977, pp. 183191.

[Hendrix, 79] Hendrix, G.G., "Encoding knowledge in particioned

networks". In: [Findler, 1979 , pp.51-92.
[Hillis, 85] Hillis, D., "The connection machine". The MIT Press, 1985.
[Hinrichs, 88] Hinrichs, T. R., "Towards an architecture for open world
problem solving". Proceedings of the Workshop on Case-Based
Reasoning (DARPA). Morgan-Kaufmann Publishers, Inc., San Mateo, CA.
1988.
[Hinrichs, 92] Hinrichs, T.R., "Problem solving in open worlds".
Lawrence Erlbaum Associates, 1992.
[Hirsh, 90] Hirsh, H., "Incremental version space merging: A general
framework for concept learning". In: Proceedings of the 7th International
Conference on Machine Learning, Austin, TX. Morgan Kaufmann, 1990,
pp. 330-338.
[Hong & Tseng, 94] Hong, T-P., and Tseng, S-S., "Learning concepts in
parallel based upon strategy of version space". IEEE Transactions on
Knowledge and Data Engineering, Vol 6, No. 6, December 1994.
[Jackson et al., 89] Jackson, P., Reichgelt, H., and Harmelen, F., "Logicbased knowledge representation". MIT Press, Cambridge, MA, 1989.
[Kanade, 80] Kanade, T., "Survey: region segmentation: signal vs
semantics", Comput. Vis. Graph. Img. Process. 13, pp. 279-297, 1980.
[Kinsui & Takubo, 90] Kinsui, S., and Takubo, Y. "A discourse
management analysis of the japonese demostrative expressions". In
Advances in Japonese Cognitive Science, Vol. 3, Kodan-sha Publishers,
1990.
[Kitano, 92] Kitano, H., "Neurogenetic Learning: An Integrated Method
of Designing and Training Neural Networks using Genetic Algorithms",
Tec. Report CMU-CMT-92-134, 1992.
[Kitano, 93] Kitano, H., "Challenges of massive parallelism". In
Proceedings of the13th International Joint Conference of Artificial
Intelligence. Morgan Kaufmann Publishers. Chambry, France, 1993.
[Klahr & Waterman, 86] Klahr, P., and Waterman, D.A., "Expert
Systems: techniques, tools and applications", Addison-Wesley, 1986.

[Klahr et al., 86] Klahr, P., Ellis, J.W., Giarla, D.W., Sanjai, N., Cesar,
M.E., and Turner, S.R., "TWIRL: Tactical warfare in the ROSS language",
In: [Klahr & Waterman, 86 , pp. 224-268.
[Kolodner, 84] Kolodner, J. L. "Retrieval and organizational strategies in
conceptual memory". Lawrence Erlbaum Associates. Hillsdale, N.J., 1984.
[Kolodner, 93] Kolodner, J. L. "Case-based reasoning". Morgan
Kaufmann, 1993.
[Koton, 88] Koton, P., "Reasoning about evidence in causal
explanation". In: Proceedings of AAAI-88, Minnesota, MN. Morgan
Kaufmann, Los Altos, CA, 1988, pp. 256-261.
[Kulikowski & Weiss, 82] Kulikowski, C.A., and Weiss,
S.M., "Representation of expert knowledge for consultation: The CASNET
and EXPERT projects". In: Szolovits, P. (Ed.), Artificial Intelligence in
Medicine. Westview Press, Boulder, CO, 1982, pp. 21-55.
[Laird & Rosenbloom, 90] Laird, J.E., and Rosenbloom,
P.S., "Integrating planning, execution, and learning in SOAR for external
environments". In: Proceedings of the Eighth National Conference on
Artificial Intelligence, Vol 2. AAAI Press, 1990, pp. 1022-1029.
[Laird et al., 86] Laird J.E., Rosenbloom, P.S., & Newell, A. "Chunking in
Soar: The anatomy of a general learning mechanism". Machine Learning,
1, 1986, pp. 11-46.
[Langley et al., 87] Langley, P. Simon, H. A., and Bradshaw,
G.L. "Heuristics for empirical discovery". Computational models of
learning. Springer-Verlag, Berlin Heidelberg, L. Bolc (Ed.), pp. 21-54,
1987.
[Le Cun, et al., 89] Le Cung, Y., Jackel, L.D., Boser, B., and Denker,
J.S. "Hadnwritten digit recognition: applications of neural network chips
and automatic learning". IEEE Commnunications Magazine, 27(11),
1989, pp. 41-46.
[Lebowitz, 90] Lebowitz, M. "The utility of similarity-based learning in a
world needing explanation". In Y. Krodatoff & R. Michalski (Eds.), Machine
Learning: An Artificial Intelligence Approach, Vol. 3. San Mateo, CA:
Morgan Kaufmann, pp. 399-422. 1990.
[Lenat, 82] Lenat, D.B., "The nature of heuristics", Artificial
Intelligence. 19(2), pp. 189-249. 1982.

[Lindsay et al., 80] Lindsay, R.K., Buchanan, B.G., Feigenbaum, E.A.

and Lederberg, J., "Applications of artificial intelligence for organic
chemistry: The DENDRAL project". New York. McGraw-Hill. 1980.
[Mackworth, 78] Mackworth, A., "Vision research strategy: black
magic, metaphors, mechanisms, miniworlds, and maps", in a Hanson
and E. Riseman, eds., Computer Vision Systems, Academic Press, New
York, 1978, pp. 53-60.
[Maes, 94] Maes, P. "Agents that reduce work and information
overload", Comm. of the ACM, 37, 30-40, 1994.
[Marn, 86] Marn, R., "Sistema Experto para el Diagnstico y
Tratamiento Anteparto". Tesis Doctoral, Universidad de Santiago de
Compostela, 1986.
[Marn & Mira, 87] Marn, R., and Mira, J., "An expert system for
antepartum diagnostic evaluation". Proceedings of the Seventh
International Congress of Cybernetics and Systems, Vol. 2. London, 1987,
pp. 902-907.
[Marr, 82] Marr, D., "Vision", Freeman, New York, 1982.
[Matsuyana & Hwang, 85] Matsuyama, T., and Hwang, V., "SIGMA: A
framework for image understanding: Integration of bottom-up and topdown analyses". Proceedings of the Ninth IJCAI, Los Angeles, Calif.,
Morgan Kaufmann, San Mateo, Calif., 1985, pp. 908-915.
[McArthur et al., 86] McArthur, D., Klahr, P., Narain, S., "ROSS: An
object-oriented language for constructing simulations", In: [Klahr &
Waterman, 86 , pp. 70-91.
[McCarthy, 80] McCarthy, J., "Circumscription A form of nonmonotonic reasoning". Artificial Intelligence, 13 (1980) 27-40.
[McCarthy & Sridharan, 81] McCarthy L.T., and Sridharan, N.S., "A
computational theory of legal argument", LPR-TR-2, Laboratory for
Computer Science Research, Rutgers University, 1981.
[McCulloch & Pitts, 43] McCulloch, W.S., and Pitts, W., "A logical
calculus of the ideas immanent in nervous activity", Bulletin of
Mathematical Biophysics, 5 (1943) 115-133.
[McDermott, 82] McDermott, J., "R1: A rule-base configurer of
computer systems". Artificial Intelligence, 19 (1982) 39-88.

[McDermott, 82b] McDermott, J., "XSEL: A computer salespersons

assistant". In J. Hayes, D. Michie, and Y-H. Pao, eds., Machine
Intelligence, Vol. 10, John Wiley & Sons, Inc., New York, 1982, pp. 325337.
[McDermott & Doyle, 80] McDermott D., and Doyle, J., "Nonmonotonic logic I" Artificial Intelligence, 13 (1980) pp. 41-72.
[McDermott & Forgy, 78] McDermott, J., and Forgy, C., "Production
system conflict resolution strategies", in Waterman and Hayes-Roth,
eds., 1978, pp. 177-199.
[Michalski, 83] Michalski, R.S., "A theory and methodology of inductive
learning". Artificial Intelligence, 20 (1983) pp. 111-116.
[Michalski & Larson, 78] Michalski, R.S. and Larson, J.B. "Selection of
most representative training examples and incremental generation of
VL1 hypotheses: the underlying methodology and the Description of
Program ESEL and AQ11". Rep. No. 78-867, Dept. of Computer Science,
Univ. of Illinois at Urbana-Champaign, 1978.
[Michalski & Tecuci, 94] Michlski, R.S., and Tecuci, G. (Eds.), Machine
Learning: A Multiestrategy Approach, Vol 4. Morgan Kaufmann, San
Francisco, CA, 1994.
[Minsky, 68] Minsky, M., "Semantic Information Processing". MIT Press,
Cambridge, MA, 1968
[Minsky, 75] Minsky, M.L. "A framework for representing Knowledge".
In: Winston, P. (Ed.), The Psychology of Computer Vision, McGraw-Hill,
New York, 1975.
[Minsky, 85] Minsky M. "Robotics". Omni Publications International.
New York, 1985. Traduccin espaola: Robtica. Editorial Planeta, 1986.
[Minsky, 86] Minsky M. "The society of mind". Simon and Schuster Inc.,
New York, YN, 1986.
[Minsky & Papert, 69] Minsky, M.L., and Papert, S., "Perceptrons: An
introduction to computational geometry". MIT Press, Cambridge, MA,
1969. (Una versin con anotaciones manuscritas se public en 1972 y
tambin se ha realizado una edicin ampliada en 1988.)
[Minton, 88] Minton, S. "Learning search control knowledge: An
explanation based approach". 1988 Kluwer Academic Publishers, Boston,
MA.

[Mira et al., 87] Mira, J., Marn, R., Yez, A., Delgado, A.E., Prez, R.,
Jacquet, M., Barro, S., Barreiro, A., y Couselo, J.M., "Sistemas expertos y
consejeros de terapia en medicina: Ejemplos en cardiologa, oncologa
pediatra y medicina perinatal". Actas del III Simposium Internacional de
Ingeniera Biomdica, Madrid, 1987, pp. 355-358.
[Mira et al., 91] Mira, J., Otero, R.P., Barro, S., Barreiro, A., Ruiz, R.,
Delgado, A.E., Marn, R., Amaro, A., and Jacket, M., "On knowledgebased systems in Ccu's: Monitoring and patients follow-up". In:
Talmon, J., and Fox, J. (Eds.), Knowledge Based Systems in Medicine:
Methods, Applications and Evaluation. Springer-Verlag, Berlin, 1991, pp.
174-192.
[Mira et al., 95] Mira J., Delgado A.E., Boticario J.G. y Dez J. "Aspectos
Bsicos de la Inteligencia Artificial". Sanz y Torres. Madrid, 1995.
[Mitchell, 78] Mitchell, T. M., "Version spaces: An approach to concept
learning". Tech. Report STAN-CS-78-711, HPP-79-2. Stanford, CA:
Stanford University. Department of Computer Science, 1978.
[Mitchell, 80] Mitchell, T.M., "The need for biases in learning
generalizations". Tech. Rep. CBM-TR-117. Dept. of Computer Science,
Rutgers University, NJ, 1980.
[Mitchell, 82] Mitchell, T.M., "Generalization as Search", Artificial
Intelligence, Vol. 18, No. 2, March 1982, pp. 202-226.
[Mitchell, 84] Mitchell, T.M., "Toward combining empirical and analytic
methods for learning heuristics". In: Elithorn, A., and Banerji, R. (Eds.),
Human and Artificial Intelligence. Earlbaum, 1984.
[Mitchell et al., 83] Mitchell, T. M., Utgoff, P. E., and Banerji, R.
B., "Learning by Experimentation: Acquiring and Refining ProblemSolving Heuristics". Machine Learning: an Artificial Intelligence Approach.
Michalski, R. S., Carbonell, J. G. & Mitchell, T. M. (Eds.), Tioga, 1983, pp.
163-190.
[Mitchell et al., 86] Mitchell, T.M., Keller, R.M., and Kedar-Cabelli,
S.T., "Explanation-based Learning: A unified view". Machine
Learning, 1 (1986), pp. 47-80.
[Mitchell et al., 91] Mitchell, T.M., Allen, J., Chalasani, P., Cheng, J.,
Etzioni, O., Ringuette, M., and Schlimmer, J., "THEO: A framework for
self-improving systems". In: VanLehn, K. (Ed.),Architectures for
Intelligence, Erlbaum, Hillsdale, NJ, 1991.

[Mitchell et al., 94] Mitchell, T.M., Caruana, R., Freigat, D., McDermott,
J., and Zabowski, D., "Experience with a learning personal assistant".
Communications of the ACM 37, 80-91, 1994.
[Mooney et al., 89] R.J. Mooney, Shavlik, J.W., Towell, G.G., and A.
Gove, "An experimental comparison of simbolic and connectionist
learning algorithms". In Proceedings of the Eleventh International Joint
Conference on Artificial Intelligence, pp. 775-780, Morgan Kaufmann,
August, 1989.
[Moor, 87 Moor, J.H., "Turing Test", In: Shapiro, S.C. (Ed.), Encyclopedia
of Artificial Intelligence, Vol II. J. Wiley & Sons, New York, 1987, pp. 11261130.
[Moore, 82] Moore, R.C., "The role of logic in knowledge representation
and commonsense reasoning". In: Proceedings of the AAAI-82 (American
Association for Artificial Intelligence), Pittsburgh, PA, pp. 428-433, 1982.
[Moore, 94] Moore, J., Invited Lecture, National Conference of the AAAI,
1994.
[Nagao et al., 85] Nagao M., Tsujii, J., and Nakamura, J., "The japonese
government project for machine translation". In J. Slocum, ed., Machine
Translation Systems, Cambridge University Press, UK, 1985.
[Navinchandra, 91] Navinchandra, D., "A design scenario". Exploration
and Innovation in Design: Towards a Computational Model, SpringerVerlag, New York, NY, 1991.
[Neapolitan, 90] Neapolitan, R.E., "Probabilistic Reasoning in Expert
Systems: Theory and Algorithms". Wiley-Interscience, New York, 1990.
[Newell, 73] Newell, A., "Production systems: models of control
structure". in W. Chase, ed., Visual Information Processing, Academic
Press, Inc., New York, 1973.
[Newell, 81] Newell, A., "The Knowledge Level". AI Magazine, summer
(1981) 1-20.
[Newell, 90] Newell, A., "Unified Theories of Cognition". Cambridge,
MA: Harvard University Press, 1990.
[Newell & Simon, 56] Newell, A., and Simon, H.A., "The Logic Theory
Machine". IRE Trans. Information Theory, 2 (1956) 61-79.

[Newell & Simon, 72] Newell, A., and Simon, H.A., "Human Problem
Solving". Prentice-Hall, Englewood Cliffs, NJ, 1972.
[Newell et al., 60] Newell, A., Shaw, J.C., and Simon, H.A., "Report on a
General Problem-Solving Program". In: Proceedings of the International
Conference on Information Processing, UNESCO House, Paris, 1960, pp.
256-264.
[Nilsson, 80] Nilsson, N.J., "Principles of Artificial Intelligence". Tioga,
Palo Alto, CA, 1980. Traduccin espaola: Principios de Inteligencia
Artificial. Daz de Santos, Madrid, 1987.
[Nilsson, 89] Nilsson, N.J., "Action networks". In Proceedings of the
Rochester planning workshop: From formal systems to practical systems.
Rochester, N.Y., University of Rochester, 1989.
[Nirenburg et al., 87] Nirenburg, S., Raskin, V., and Tucker, A., "The
structure of interlingua in TRANSLATOR". In S. Nirenburg, ed., Machine
Translation, Cambridge University Press, UK, 1987.
[OHara & Shadbolt, 93] OHara, K., and Shadbolt, N.,, "AI models
as a variety of psychological explanation". In Proceedings of the IJCAI-93,
Chambery, France, 1993.
[Omlin & Giles, 95] Omnis, C.W., and Giles, C.L., "Extraction of rules
from discrete-time recurrent neural networks". Technical Report CS-TR3465 and UMIACS-TR-95-54, University of Maryland, College Park, MD
20742 (Aso published in Neural Networks), 1995.
[Otero, 91] Otero, R.P., "MEDTOOL. Una Herramienta para el Desarrollo
de Sistemas Expertos". Tesis Doctoral, Universidad de Santiago, 1991.
[Otero & Mira, 88] Otero, R.P., and Mira, J., "MEDTOOL: A teachable
medical expert system development tool". Proceedings of Third
International Symposium on Knowledge Engineering, Madrid, 1988, pp.
191-200.
[Pauker et al., 76] Pauker, S.G., Gorry, G.A., Kassirer, J.P., and
Schwartz, W.B., "Towards the simulation of clinical condition. Taking a
present illness by computer". American Journal of Medicine,60 (1976)
981-996.
[Pazos, 87] Pazos J. "Inteligencia Artificial". Paraninfo, Madrid, 1987.
[Pearl, 84] Pearl, J., "Heuristics: Intelligent search strategies for
computer problem solving". Addison-Wesley Publishing, 1984.

[Pearl, 86] Pearl, J., "Fusion, porpagation and structuring in belief

networks". Atificial Intelligence 29(3), pp. 241-288, 1986.
[Pearl, 88] Pearl, J., "Probabilistic reasoning in iIntelligent systems:
networks of plausible inference". Morgan Kaufmann, San Mateo, CA,
1988. Reprinted with corrections in 1991.
[Prez & Ribeiro, 96] Prez, A., and Ribeiro, A., "An approximation to
generic knowledge discovery in database system". In: Proceedings of
The First International Workshop on Machine Learning, Forecasting, and
Optimization (MALFO96). Editorial: Universidad Carlos III de Madrid
(Escuela Politcnica Superior). Madrid (Legans), julio 1996, pp. 129-139.
[Pollack, 91] Pollack, M., "Computers and thought address".
International Joint Conference of Artificial Intelligence, 1991.
[Pomerleau, 93] Pomerleau, D.A., "Neural network perception for
mobile robot guidance". Kluwer, Dordrecht, The Netherlands, 1993.
[Pylshyn, 80] Pylshyn, Z., "Information science: Its roots and relations
as viewed from the perspective for cognitive science". In F. Machlup and
U. Mansfield (eds.), The Study for Information: Interdisciplinary
Messages, Wiley, New York, 1983, pp. 63-80.
[Qian & Irani, 91] Qian, Z., and Irani, B.K., "The consistent concept
axiom". In: Proceedings of the 8th International Workshop on Machine
Learning. Morgan Kaufmann, 1991, pp. 437-441.
[Quillian, 68] Quillian, M.R., "Semantic memory". In: [Minsky, 1968 ,
pp. 227-270.
[Quinlan, 86a] Quinlan, J.R. "INFERNO: A cautious approach to
uncertein inference". In: [Klahr & Waterman, 86 , pp. 350-381.
[Quinlan, 86b] Quinlan J.R., "Induction of Decision Trees". Machine
Learning Vol. I, pp. 81-106, 1986.
[Quinlan, 96] Quinlan J.R., "Improved use of continuous attributes in
C4.5". Journal of Artificial Intelligence Research 4 (1996), pp. 77-90.
[Reiter, 80] Reiter, R., "A logic for default reasoning". Artificial
Intelligence, 13 (1980) 81-132.
[Reiter, 81] Reiter, J., "AL/X: An inference system for probabilistic
reasoning". M.Sc. Thesis, Department of Computer Science, University of
Illinois at Urbana-Champaign, 1981.

[Rendell, 89] Rendell, L., "Comparing systems and analyzing functions

to improve constructive induction". In: Proceedings of the 6th
International Workshop on Machine Learning. Cornell University, Ithaca,
NY, 1989, pp. 461-464.
[Rich & Knight, 91] Rich, E., and Knight, K., Artificial Intelligence.
McGraw Hill, 1991. Traduccin espaola: Inteligencia Artificial. Segunda
Edicin. McGraw-Hill, 1994.
[Riesbeck & Schank, 89]. Riesbeck, K.C., and Schank, R.C., "Inside
Case-Based Reasoning". Lawrence Erlbaum Associates, Hillsdale, NJ,
1989.
[Roberts, 65] Roberts, L., "Machine perception of three-dimensional
solids", in J. Tippett and co-workers, eds., Optical and Electro-optical
Information Processing. MIT Press, Cambridge, Mass., 1965, pp. 159-197.
[Robinson, 65] Robinson, J.A., "A machine oriented logic based on the
resolution principles". Journal of the ACM, 12 (1965) 23-41.
[Romaniuk & Hall, 91] Romaniuk, S.G., and Hall, L.O., "Injecting
symbol processing into a connectionist model". In Branko Socek and the
IRIS Group (eds.). Neural and Intelligence Systems Integration. John
Wiley & Sons, 1991.
[Rosenblueth et al., 43] Rosenblueth, A., Wiener, N., and Bigelow,
J., "Behavior, Purpose and Teleology", Philosophy of Science 10 (1943).
[Rumelhart et al., 1986] Rumelhart, D.E., Hinton, G.E., and Williams,
R.J., "Learning internal representations by error propagation". In
Rumelhart, D.E., and McClelland, J.L. (Eds.), Parallel Distributed
Processing: Explorations in the Microstucture of Cognition, Vol. 1:
Foundations. MIT Press, Cambridge, MA, pp. 318-362, 1986.
[Russell & Grosof, 90] Russell, S., and Grosof, B.N., "Declarative bias:
An overview". In: Benjamin, D.P. (Ed.), Change of Representation and
Inductive Bias, Kluwer Academic Publishers, 1990, pp. 267-308.
[Russell & Norvig, 95] Russell, S., and Norvig, P., "Artificial
intelligence: A modern approach". Prentice-Hall International, Inc., 1995.
[Samuel, 59] Samuel, A. L., "Some studies in machine learning using
the game of checkers", IBM Journal of Research and
Development, 3 (1959) 211-229. Reprinted in: Feigenbaum, E.A., and
Feldman, J. (Eds.), Computers and Thought. McGraw-Hill, New York, pp.
71-105. 1959.

[Schank, 72] Schank, R.C., "Conceptual dependency: A theory of

natural language understanding". Cognitive Psychology, 3 (1972) 552631.
[Schank, 75] Schank, R.C., "Conceptual information processing". North
Holland, Amsterdam, The Netherlands, 1975.
[Schank, 80] Schank, R. C., "Language and Memory". Cognitive
Science 4(1980), pp. 243-284.
[Schank, 82] Schank, R.C., "Dynamic Memory: a theory of learning in
computers and people". Cambridge University Press, Cambridge, 1982.
[Schank, 95] Schank, R.C., "Engines for education". Lawrence Erlbaum
Associates, 1995.
[Schank & Abelson, 77] Schank, R.C., and Abelson, R.P., "Scripts,
Plans, Goals and Understanding". Erlbaum, Hilsdale, NJ, 1977.
[Schank & Carbonell, 79] Schank, R.C., and Carbonell, J.R., "Re: The
Gettysburg Address". In: [Findler, 1979 , pp.327-362.
[Schank & Rieger, 74] Schank, R.C., and Rieger, C.J., III, "Inference and
the conceptual understanding of natural language", Artificial
Intelligence, 5 (1974) 373-412.
[Sejnowski & Rosenberg, 87] Sejnowski, T. J., and Rosenberg, C. R.
"Parallel network that learn to pronounce English text". Complex
Systems, 1, pp. 145-168, 1987.
[Shannon, 50] Shannon, C.E., "Programming a computer for playing
chess". Philosophical Magazine, 41 (1950) 256-275.
[Shapiro, 79] Shapiro, S.C., "The SNePS semantic network processing
system". In: [Findler, 1979 , pp. 179-203.
[Shapiro, 92] Shapiro, S.C. (Ed.), "Encyclopedia of Artificial
Intelligence". John Wiley & Sons, New York, 1992, 2nd edition.
[Shavlik & Towell, 89] Shavlik, J.W., and Towell, G.G., "An approach to
combining explanation-based and neural learning algorithms".
Connection Science, 1 (1989) 233-255.
[Shneiderman, 87] Shneiderman, B. "Designing the user interface:
Strategies for effective human-computer interaction" Addison-Wesley
Publishing Company, 1987.

[Simon, 83] Simon H. A. "Why should machines learn?." In R. S.

Michalski, J. G. Carbonell, & T. M. Mitchell Eds., Machine Learning: An
artificial intelligence approach. Los Altos, CA: Morgan Kaufmann, pp. 2537. 1983.
[Simon, 83b] Simon H. A. "Search and reasoning in problem
solving" Artificial Intelligence 6 (3) 235-47, 1983.
[Sowa, 84] Sowa, J.F. "Conceptual Structures: Information Processing in
Mind and Machine". Addison-Wesley, Reading, MA, 1984.
[Sowa, 91] Sowa, J.F. (Ed.), "Principles of Semantic Networks:
Explorations in the Representation of Knowledge", Morgan Kaufmann,
San Mateo, CA, 1991.
[Steele, 84; 90] Guy L. Steele Jr. "Common Lisp: the language". Digital
Press, Massachusetts (MA). (1984). Second Edition (1990).
[Subramanian, 89] Subramanian, D., "Representational issues in
machine learning". In: Proceedings of the 6th International Workshop on
Machine Learning. Ithaca, NY, 1989, pp. 426-429.
[Sumita et al., 90] Sumita, E., Iida, H., and Kohyama, H., "Translating
with examples: A new approach to machine translation". In Proceedings
of the Third International Conference on Theoretical and Methodological
Issues in Machine Translation of Natural Languages, Austin, Tex. June 1113, 1990.
[Sycara, 87] Sycara, K.P. "Resolving adversarial conflicts: an approach
to integrating case-based and analytic methods". Technical Report GITICS-87/26. Georgia Institute of Technology, School of Information and
Computer Science. Atlanta GA., 1987.
[Sycara, 89] Sycara, K.P. "Multi-agent compromise via negotiation". In
L. Gasser and M.N. Hunds (eds.). Distributed Artificial Intelligence, Vol. 2,
London: Pitman, 1989.
[Sycara & Navinchandra, 89] Sycara, K.P., and Navinchandra,
D. "Representing and indexing design cases". In Proceeding of the
Second Intenational Conference on Industrial and Engineering
Applications of AI and Expert Systems, Tullahoma, TN., 1989.
[Tansley & Hayball, 93] Tansley, D.S.W., and Hayball,
C.C., "Knowledge-Based Systems Analysis and Design: A KADS
Developers Handbook". Prentice-Hall, 1993.

[Tebelskis & Waibel, 90] Tebelskis, J., and Waibel, A. "Large

vocabulary recognition using linked predictive neural networks". In
Proceedings of IEEE International Conference on Acoustics, Speech and
Signal Processing (ICASSP-90), Albuquerque, N. Mex., 1990, pp. 437-440.
[Tecuci, 93] Tecuci, G., "An inference-based framework for
multiestrategy learning". In: Michalski, R.S., and Tecuci, G. (Eds.),
Machine Learning: A Multistrategy Approach, Vol. IV. Morgan Kaufmann,
San Mateo, CA, 1993.
[Tenenbaum & Barrow, 77] Tenenbaum J. and Barrow,
H., "Experiments in interpretation guided segmentation". Artificial
Intelligence 8(3), pp. 241-274, 1977.
[Thrun & Mitchell, 93] Thrun, S., and Mitchell, T.M. "Explanation based
learning: A comparison of symbolic and neural network approaches". In
Proceedings of the Tenth International Conference on Machine Learning,
197-204, Amherst, MA. 1993
[Tomita et al., 88] Tomita, M., Mitamura, T., Musha, H., and Kee,
M., "The generalized LR parser/compiler, Version 8.1: Users Guide".
Technical Memo, Center of Machine Translation, Carnegie Mellon
University, Pittsburgh, PA, 1988.
[Towell & Shavlik, 94] Towel, and G., Shavlik, J., "Knowledge-based
artificial neural networks". Artificial Intelligence 70, 1994.
[Towell et al., 90] Towel, G., Shavlik, J., Noordewier, M., "Refinement of
approximate domain theories by knowledge-based neural networks".
Proceeding of the Eighth National Conference on Artificial Intelligence,
pp. 762- 769, Boston, MA. 1990. The MIT Press.
[Tsotsos, 85] Tsotsos, J., "Knowledge organization and its role in the
interpretation of time-varying data: The ALVEN system". Computational
Intelligence 1 (1), 16-32, 1985.
[Tu et al., 89] Tu, S.W., Kahn, M.G., Musen, M.A., Fergusson, J.C.,
Shortliffe, E.H., and Fagan, L.M., "Episodic skeletal plan refinement
based on temporal data". Communications of the ACM, 32(1989) 14391455.
[Utgoff, 84] Utgoff, P. E., "Shift of bias for inductive concept learning",
PhD thesis, Dept. of Computer Science, Rutgers University, 1984.
[Utgoff, 86] Utgoff, P.E., "Shift of bias for inductive learning". In:
Michalski, R.S., Carbonell, J.G., and Mitchell, T.M. (Eds.), Machine

Learning: An Artificial Intelligence Approach. Volume II. Morgan

Kaufmann, San Mateo, CA, 1986, pp. 107-148.
[Vafaie & De Jong, 94] Vafaie, H., and De Jong, K., "Improving a rule
induction system using genetic algorithms". In Michlski, R.S., and Tecuci,
G. (Eds.), Machine Learning: A Multiestrategy Approach, Vol 4. Morgan
Kaufmann, San Francisco, CA, 1994.
[Valiant, 84] Valiant, L.G. "A theory of the learnable". Communications
of the ACM, 27, pp. 1134-1142.
[Van de Velde et al., 94] Van de Velde, W., Duursma, C., Schreiber, G.,
Terpstra, P., Schrooten, R., Golinopulos, V., Olsson, O., Sundin, U., and
Gustavsson, M. "Design model and process". KADS-II: Deliverable D.M.7,
version 2.1, October 1994.
[Van Melle, 80] Van Melle, W. "System aids in constructing consultation
programs". UMI Research Press, Ann Arbor, Mich., 1980.
[VanLehn, 87] VanLehn, K., "Learning one subprocedure per lesson".
Artificial Intelligence, 31 (1987) 1-40.
[VanLehn, 91] VanLehn, K. (Ed.), "Architectures for Intelligence",
Erlbaum, Hillsdale, NJ, 1991.
[Veloso & Carbonell, 94] Veloso, M., and Carbonell, J.G., "Cased-Based
reasoning in PRODIGY". In Michalski, R.S. & Tecuci, G. (eds) Machine
Learning: A Multistrategy Approach Volume IV, 523-548. Morgan
Kaufmann: San Francisco, CA. 1994.
[Vere & Bickmore, 90] Vere, S., and Bickmore, T. "A basic agent".
Computational Intelligence 6, 41-60, 1990.
[Vilain et al., 90] Vilain, M., Koton, P., and Chase, M.P., "On analytical
and similarity-based classification". In: Proceedings of AAAI-90 (American
Association for Artificial Intelligence). AAAI Press / MIT Press, 1990, pp.
736-742.
[Wang, 94] Wang P. "From Inheritance Relation to Non-Axiomatic
Logic". International Journal of Approximate Reasoning 11(4): 281-319.
1994.
[Washington & Hayes-Roth, 89] Washington, R., and Hayes-Roth,
B. "Input data management in real-life AI systems". In Proceedings of the
International Joint Conference on Artificial Intelligence, Detroit, MI, 1989.

[Wasserman, 89] Wasserman, P.D., "Neural Computing: Theory and

Practice", Van Nostrand Reinhold, New York, 1989.
[Waterman, 86] Waterman, D.A., "A Guide to Expert Systems".
Addison-Wesley. Reading, MA, 1986.
[Waterman & Lenat, 83] Waterman, D.A., Lenat, D.B. and Hayes-Roth,
B. "Building Expert Systems". Addison-Wesley. Reading, MA, 1983.
[Weaver, 55] Weaver, W., "Machine translation of languages". In W.
Locke and A. Booth (eds.). Cambridge, Mass.: MIT Press, pp. 15-23, 1955.
[Webber et al., 93] Webber, B., Badler, N., Di Eugenio, B., Greib, C.,
Levinson, L., and Moore, M. "Instructions, intentions, and expectations".
Report MS-CIS-93-61, University of Pennsylvania, 1993.
[Weiss et al., 78] Weiss, S.M., Kulikowski, C.A., Amarel, S., and Safir,
A., "A model-based method for computer-aided medical decisionmaking". Artificial Intelligence, 11 (1978) 145-172.
[Weitzenbaum, 66] Weitzenbaum, , "ELIZA A computer program for
the study of natural language communication between man and
machine". CACM 9(1), pp. 36-45, 1966.
[Wielinga et al., 92] Wielinga, B.J., Schreiber A.Th., and Breuker
J.A., "KADS: a modelling approach to knowledge engineering".
Knowledge Acquisition, 4 (1992) 5-53.
[Winograd, 72] Winograd, T., "Understanding Natural Language".
Academic Press, New York, 1972.
[Winston, 92] Winston, P., "Artificial intelligence". Addison-Wesley
Publishing, 1992. (Versin traducida en Addison-Wesley Iberoamericana,
1994)
[Woods, 70] Woods W.A., "Transition Network Grammars for Natural
Language Analysis". CACM 13 (10), 591-606. (1970).
[Zadeh, 65] Zadeh, L. A., "Fuzzy sets". Information and
Control, 8 (1965) 338-ss.
[Zadeh, 75] Zadeh, L.A., "Calculus of fuzzy restrictions". In: Zadeh, L.A.,
Fu, K.S., Tanaka, K., and Shimura, M. (Eds), Fuzzy Sets and their
Applications to Cognitive and Decision Processes. Academic Press, New
York, 1975.

[Zhang, 94] Zhang, J., "Learning graded concept descriptions by

integrating symbolic and subsymbolic strategies". In Michlski, R.S., and
Tecuci, G. (Eds.), Machine Learning: A Multiestrategy Approach, Vol 4.
Morgan Kaufmann, San Francisco, CA, 1994.