El contexto de descubrimiento en un modelo de proceso software de un sistema inteligente simbólico. Adaptación a la identificación botánica
Resumen
Tradicionalmente en la Ciencia se distinguen dos contextos asociados al proceso de investigación: descubrimiento y justificación. En Ciencias de la Computación, se abordan modelos de procesos orientados al diseño y desarrollo de software para su posterior utilización. Se presenta una propuesta de abordaje del contexto de descubrimiento asociado a un modelo de proceso software para generar un Sistema Cognitivo Artificial simbólico aplicado al proceso de identificación botánica. El modelo de proceso software adaptado se basó en la metodología IDEAL, incorporándose determinados aspectos de la Ingeniería de Requerimientos. En este artículo, se describe su adaptación al dominio botánico. Se sintetizan los componentes del Sistema Cognitivo Artificial que implementa como modelo inferencial un sistema experto de apoyo a la toma de decisiones. Para finalizar, se establecen reflexiones preliminares referentes a las fases del modelo de proceso y los ciclos de un espiral de conocimiento atendiendo a los per- files de sujetos intervinientes. Dado que el diseño, desarrollo e implementación de un Sistema Cognitivo Artificial responde a un modelo dinámico de la mente de los sujetos cognoscentes que intervienen en su definición, la propuesta elaborada podrá ser modificada como producto de su uso.
Descargas
Citas
AGUILAR VERA, Raúl A; DÍAZ Mendoza, Julio C; GÓMEZ CRUZ, Gerzon E; BOJÓRQUEZ, Edwin León (eds.) (2010). Ingeniería de Software e Ingeniería del Conocimiento: Tendencias de Investigación e Innovación Tec- nológica en Iberoamérica. Alfaomega Grupo Editor, S. A ANG Jac Ky; LEONG Sook Bing; LEE Chin Fei; YUSOF Umi Kalsom (2011). Requirement Engineering Techniques in Developing Expert Systems, 2011 IEEE Symposium on Computers & Informatics p.p. 640-645.
BÁRCENAS, Ramón (2002). Contexto de descubrimiento y contexto de justificación: un problema filosófico en la investigación científica, Acta Universitaria, Vol. 12, núm. 2, mayo-agosto, 2002, p.p. 48-57.
BRITOS, Paola V; GARCÍA Martínez, Ramón (2004). Ingeniería de Sistemas Expertos. Ed. Nueva Librería, p.p. 649.
CASTILLO, Enrique; GUTIÉRREZ, José M; HADI, A. S (1997). Sistemas Expertos y modelos de redes probabilísticas. Monografías de la Academia de Ingeniería. Academia de Ingeniería. España.
GIARRATANO, Joseph; RILEY, Gary (2001). Sistemas Expertos. Principios y Programación. Ed. Paraninfo, p.p. 596. GÓMEZ, Asunción; JURISTO, Natalia; MONTES, César; PAZOS, Juan (1997). Ingeniería del Conocimiento, Ed. CEURA.
MARIÑO, Sonia I (2001). Construcción de un generador de sistemas expertos probabilísticos. Una aplicación a la identificación de especies vegetales. Tesis de Maestría, Universidad Nacional del Nordeste. Argentina.
MORET BONILLO, Vicente (2014). Representación del Conocimiento y Razonamiento Automático. Departamento de Computación. Facultad de Informática. Universidad de A Coruña.
NILSSON, Nils (2001). Inteligencia Artificial. Una nueva síntesis. MCGRAW-HILL / INTERAMERICANA DE ESPAÑA Companies, p.p. 544.
PRESSMAN, Roger (2010). Ingeniería del Software. Ed. Prentice Hall.
QUESADA Sánchez, Francisco J (2004). Aproximación a la Metodología de la Ciencia. La Ciencias Sociales y la Contabilidad. Ediciones de la Universidad de Castilla-La Mancha, p.p. 355.
RUSSELL, Stuart J; NORVING, Peter (2004). Artificial Intelligence. A Modern Approach. Ed. Prentice- Hall Inc.
SAMAJA, Juan (2002). Subjetividad y metodología, Buenos Aires.
SAMAJA, Juan (2003). Epistemología y Metodología. Elementos para una teoría de la Investiga- ción Científica. Ed. EUDEBA.
TANG Yan; FENG Kunwu; COOPER Kendra; CANGUSSU
João (2009) Requirement Engineering Techniques Selection and Modeling – An Expert System Based Approach, International Conference on Machine Learning and Applications, p.p. 705-709.
