El conocimiento, en una u otra forma, es el núcleo central de toda la investigación en Al. Actualmente, en dicho contexto, es la inteligencia de un sistema informático que transforma datos e información en conocimiento. Tradicionalmente, los datos se han considerado como entrada elaborada. Por el contrario, la información se considera como datos avaluados situados en un contexto significativo. Hoy se ha añadido un nuevo parámetro, el conocimiento. Podemos decir que conocimiento es toda la información sobre la que el ordenador puede pensar. La utilización de la palabra “conocimiento” para significar los elementos de interés para el sistema de Al no es accidental. En este contexto “conocimiento” no es una metáfora: indica la nueva circunstancia de que la máquina puede considerarse que tiene estados mentales. Cuando decimos que un coche de una marca determinada “sabe correr” o “no le gusta arrancar por las mañanas”, estamos usando metáforas para denotar características de la máquina. Pero cuando en el contexto de sistemas expertos o sistemas de Al hablamos de aprendizaje, adquisición de conocimientos y pensamiento, estamos comenzando a usar estos conceptos en sentido literal. Pronto podremos decir con propiedad que los ordenadores son “conocedores” y “pensadores”.
Cualquier tarea inteligente efectuada por animal o máquina requiere los conocimientos adecuados. Cualquier problema digamos, la defensa de un mate de ajedrez requiere detallados conocimientos conceptuales o una amplia base de ideas relevantes. Esto sugiere de inmediato que diferentes tipos o niveles de conocimientos son importantes para determinados propósitos. En la demostración de teoremas geométricos, por ejemplo, el sistema necesita conocimientos sobre posiciones formas, relaciones; para problemas de genética el sistema necesita conocimientos de las leyes de Mendel y un método de computa: combinaciones; y en diagnóstico médico el sistema necesita saber cómo determinado grupo de síntomas se relaciona con ciertas enfermedades. Los temas de los diferentes dominios del saber están relacionados con diferentes cuerpos de conocimientos: el ser humano o el ordenador experto pueden procesar tales conocimientos y pensar sobre ellos a la hora de resolver un problema. También es importante estimar los conocimientos necesarios para resolver una tarea determinada. ¿Bastaría con conocer cuatro aspectos fundamentales o habría que conocer 4000? Winston, 1979, ha subrayado el fenómeno “uno dos tres infinitos”. Cuando percibimos que una tarea es ligeramente complicada, imaginamos que es inmensamente complicada. Evaluar los conocimientos necesarios para desarrollar una tarea es importante por varias razones entre otras cosas porque facilita la asignación adecuada de recursos a la adquisición de conocimientos, almacenamiento de conocimientos, etc. También ayuda a evaluar el grado de dificultad de una tarea: un problema puede resultar menos intimidante una vez que sabemos exactamente el grado de conocimientos que necesitamos para resolverlo.
El conocimiento se representa de modo diferente dependiendo del campo del saber a considerar, el problema a resolver, etc. Conocimientos simples relativos a hechos se pueden consignar en tablas o en configuraciones más complejas. Otros conocimientos se pueden especificar mediante reglas procedurales expresadas mediante relaciones simbólicas. Hay, de hecho, muchos modos diferentes de expresar conocimientos en un sistema inteligente. El ingeniero debe ser consciente de las diferentes posibilidades y seleccionar la más adecuada a la tarea que está desarrollando. Se ha señalado que, en informática, una buena solución a un problema depende a menudo de una buena representación. En inteligencia artificial existen muchas posibilidades de representación, y frecuentemente no está claro el criterio de selección en una circunstancia particular. Sin embargo, la elección de la representación es crítica para el sistema inteligente, porque de determinados aspectos de la representación y de los procedimientos eficaces de manejo dependerá el alcance de percepción, comprensión y conocimientos de tal sistema. Cuando se trata de diseñar una filosofía de representación para un fin determinado, surgen varias preguntas. Todas ella relacionadas con los problemas encontrados a la hora de desarrollar programas de ordenador que utilicen los conocimientos inteligentemente para efectuar tareas determina
La representación de conocimientos se ha visto siempre como el “engrudo” aglomerado de toda la Al. De hecho, en parte, la actividad en Al se define por los tipos de conocimientos en los sistemas inteligentes. Los sistemas tradicionales de proceso de datos tienden a procesar información de un tipo particular de estadística, o listados de datos cuantificados. Por el contrario, los sistemas de Al necesitan almacenar conocimientos de objetos, procesos, relaciones, etc.; y a menudo tales sistemas necesitan conocimientos de sentido común (normalmente parcial, difuso, y difícil de representar) sobre objetivos, motivaciones, tiempo, intenciones, acciones, etc. Surgen muchas dificultades a la hora de representar tan amplio espectro de conocimientos. Para comenzar está la tarea de estructurar los conocimientos explícitos de forma adecuada. A continuación, la necesidad de modificar las reglas para manipular los conocimientos, a fin de inferir otros nuevos a partir de los ya contenidos en la base de conocimientos. Las inferencias y los aspectos semánticos han de ser controlados. Y una vez más hay que hacer frente a los nuevos conocimientos y a los conocimientos Incompletos. Subyacente a todos estos requerimientos está la necesidad de desarrollar métodos de extracción de conocimientos del experto humano, para almacenarlos en la base de conocimientos. Esta es una de las primeras tereas de la ingeniería del conocimiento.
Belén Stettler, oriunda de Río Gallegos, Santa Cruz, Argentina, cuenta con 35 años y es Licenciada en Ciencias de la Comunicación Social por la Universidad de Buenos Aires (UBA). A lo largo de sus 13 años de trayectoria en comunicación política, ha trabajado como consultora en Buenos Aires, especializándose en estrategia, investigación y comunicación directa. Ha dirigido equipos de comunicación en diversas campañas. Su experiencia incluye roles importantes en la Obra Social del Personal de Seguridad Pública de Buenos Aires, la Vicejefatura de Gobierno de Buenos Aires, Claves Creativas, Ford Argentina y AkzoNobel, iniciando su carrera en Grupo Suessa Organización Empresaria.
