Razonamiento Basado en Reglas

El razonamiento basado en reglas es una técnica de inteligencia artificial simbólica que representa el conocimiento como reglas del tipo «si… entonces…» y usa un motor de inferencia para derivar conclusiones a partir de unos hechos. A diferencia de una red neuronal, el conocimiento es explícito y legible: lo escribe un experto, no se aprende de los datos. Es el paradigma que sustenta los sistemas expertos clásicos.

Cómo razona: el encadenamiento de reglas

El motor de inferencia encadena las reglas en una de dos direcciones. En el encadenamiento hacia delante, guiado por los datos, parte de los hechos conocidos, dispara las reglas cuyas condiciones se cumplen y añade sus conclusiones como hechos nuevos, hasta alcanzar un objetivo. En el encadenamiento hacia atrás, guiado por objetivos, parte de una hipótesis y retrocede por las reglas, descomponiéndola en submetas hasta encontrar hechos que la respalden; era el mecanismo del sistema experto médico MYCIN.

Qué no es

Conviene deshacer dos confusiones frecuentes. El encadenamiento hacia atrás no es la «retropropagación» (backpropagation): esta es el algoritmo que entrena redes neuronales ajustando pesos numéricos con el gradiente del error, no una inferencia sobre reglas. Y tampoco es la «vuelta atrás» (backtracking): esta es una estrategia de búsqueda que deshace asignaciones al chocar con una restricción, propia de los problemas de satisfacción de restricciones. Ambos términos pertenecen a otros campos.

Componentes, virtudes y límites

Un sistema de reglas se compone de una base de conocimiento (las reglas), una memoria de trabajo (los hechos del caso) y el motor de inferencia que los combina. Su gran virtud es la transparencia: cada conclusión es trazable hasta las reglas que la produjeron. Y conviene corregir una idea equivocada: estos sistemas no son «autoevolutivos»; son deterministas y sus reglas las mantiene un experto, no aprenden solos. Sus límites son la rigidez ante casos no previstos y el coste de mantener grandes bases de reglas. La línea actual son los sistemas neuro-simbólicos, que combinan reglas con redes neuronales; pero ahí la capacidad de aprender proviene del componente neuronal, no del paradigma de reglas.