Un sistema experto es un programa que intenta capturar el saber de un especialista en una colección de reglas explícitas del tipo «si… entonces…» (reglas de producción) y un motor que las encadena. MYCIN, desarrollado en Stanford en la primera mitad de los años setenta, es el ejemplar de laboratorio: aconsejaba qué antibióticos dar a pacientes con infecciones bacterianas graves (primero de la sangre, luego meningitis). Según M. Mitchell (2019) tenía unas seiscientas reglas (el balance final de sus autores habla de 450, más unos mil hechos en tablas) y fue «un ejemplo paradigmático» de IA simbólica (2019, ch. 2). Su nombre es el sufijo de muchos antibióticos.
Cómo funciona
Tiene tres piezas: una base de conocimiento, un motor de inferencia y un módulo de explicación (Shortliffe, 1976). Una regla típica, traducida de su representación interna en Lisp, dice: si la identidad del organismo no se conoce con certeza, la tinción es gramnegativa, la morfología es de bacilo y el organismo es aerobio, entonces hay evidencia fuertemente sugestiva (0,8) de que pertenece a las enterobacterias (Buchanan y Shortliffe, 1984). Ese 0,8 es un factor de certeza: un número entre −1 y +1 que resta grados de descreencia a grados de creencia y que sus autores presentaron como un artificio de cálculo, no como una probabilidad.
MYCIN razona hacia atrás. Parte de la meta (qué organismo hay que cubrir, qué terapia conviene), busca reglas cuya conclusión la establezca, y las premisas de esas reglas se vuelven nuevas submetas; cuando ninguna regla puede establecer un dato, se lo pregunta al médico. El resultado es un diálogo. En cualquier momento el usuario puede escribir WHY («¿por qué me pregunta esto?») o HOW («¿cómo llegó a eso?»), y el sistema muestra la cadena de reglas: la explicación es la traza misma de la inferencia. La elección de Lisp no era un detalle técnico, porque permitía tratar las reglas como datos que el programa podía leer, mostrar y editar. Vaciado de medicina, el motor se volvió EMYCIN, un cascarón para construir sistemas expertos en otros dominios.
Qué cambió
Logic Theorist buscaba demostraciones con heurísticas generales; los sistemas expertos apostaron a lo contrario: poco método general y mucho conocimiento específico. Su antecedente directo fue DENDRAL, en química orgánica, y al oficio de traducir el saber de un experto a reglas se lo llamó ingeniería del conocimiento. Buckner (2024) ubica este enfoque en el punto del péndulo en que la IA programaba a mano la mayor cantidad posible de estructura, lo que Haugeland (1985) bautizó GOFAI (2024, p. 26).
Y funcionó. En una evaluación a ciegas publicada en 1979, ocho especialistas juzgaron recetas para diez casos de meningitis sin saber quién las había escrito: las de MYCIN fueron aceptables en el 65 % de los juicios, contra un 42,5 a 62,5 % para las de cinco profesores de Stanford (Yu et al., 1979). Aun así, MYCIN nunca se probó en las salas del hospital, y su base de conocimiento sobre infecciones se archivó en 1978 (Buchanan y Shortliffe, 1984). Sus sucesores comerciales sí prosperaron: R1/XCON configuraba pedidos de computadoras VAX en Digital Equipment (McDermott, 1982), y hacia 1985 las empresas gastaban más de mil millones de dólares por año en sistemas expertos (Chollet, 2021, sec. 1.1.7).
Límites
A comienzos de los noventa esos sistemas resultaron caros de mantener, difíciles de escalar y de alcance limitado, y llegó el segundo «invierno de la IA» (Chollet, 2021, sec. 1.1.7).
- El cuello de botella. Los autores de MYCIN concluyeron que la adquisición de conocimiento era «the critical bottleneck in building expert systems» (Buchanan y Shortliffe, 1984). Witten et al. (2017) muestran la alternativa: en el diagnóstico de enfermedades de la soja, reglas inducidas a partir de unos 300 ejemplos acertaron el 97,5 % de los casos de prueba, contra el 72 % de las reglas obtenidas del propio experto (2017, pp. 19–21). Es el nicho que ocupará el árbol de decisión.
- Fragilidad. Hacia mediados de los ochenta quedó claro que estos sistemas fallaban ante situaciones nuevas, porque los expertos dependían de un sentido común que nunca ponían en las reglas (M. Mitchell, 2019, ch. 2).
- Precisión aparente. Los factores de certeza funcionaban bien en la práctica, pero qué significa exactamente un 0,8 es mucho menos claro de lo que sugiere el decimal.