UNIVERSIDAD DE ORIENTE

NÚCLEO DE MONAGAS

CENTRO DE POSTGRADO

COORDINACIÓN DE POSTGRADO EN CIENCIAS ADMINISTRATIVAS

MAESTRÍA EN GERENCIA GENERAL

LA GESTIÓN DEL CONOCIMIENTO EN LAS

EMPRESAS

Asesor: Realizado por:

Profesora: Yamila Gazcón Nancys González

Diana Yazzan

Mairim Rosales

Briceira González

Ibrahim Rodríguez

Maturín, Agosto del 2015.

LA GESTION DEL CONOCIMIENTO EN LAS EMPRESAS

Las condiciones del entorno empresarial de hoy, donde la alta complejidad y la

fuerte competitividad se imponen, están convirtiendo a la gestión del conocimiento en la

empresa, en un elemento protagonista de vital importancia para asegurar la sostenibilidad

en el tiempo de los negocios y empresas del mundo.

De hecho, la globalización de las relaciones comerciales, la crisis mundial, el

desarrollo tecnológico y la aparición de sectores de rápido crecimiento, están haciendo

que la habilidad para obtener información y transformarla en un conocimiento

útil que pueda ser rápidamente incorporado en la organización para después, ponerlo en

práctica, sea la mejor ventaja con la que jugar frente a la competencia y el reto de atender

mejor a los clientes.

Es por esto que la gestión del conocimiento en la empresa se está alzando hoy día en

un elemento de gran importancia para quienes saben manejarla. Existe una correlación

importante entre la gestión del conocimiento en la empresa y su éxito.

Los motivos que explican esta correlación se deben a que una correcta gestión del

conocimiento en la empresa facilita una gestión más eficiente de elementos clave como:

• La información interna y externa en la organización.

• La innovación empresarial.

• La creación de rutinas organizativas más eficaces.

• La coordinación entre los distintos niveles organizativos.

• La rápida incorporación y asimilación de nuevas capacidades a los equipos.

Todo esto contribuye a crear procesos, productos y modelos de negocio más

exitosos, estableciendo rutinas en la organización que permiten:

• Mejorar los canales de distribución

• Mejores equipos de trabajo

• Mejores relaciones con clientes, proveedores, empleados etc.

La gestión del conocimiento es fundamental en las organizaciones ya que genera

beneficios importantes como una mayor comunicación entre los colaboradores, incremento

de la competitividad y liderazgo así como también la empresa vislumbra nuevas

oportunidades de negocio.

Pero sobre todo y lo más importante de la gestión del conocimiento es que nos

permite contar con una organización adaptativa a las circunstancias cambiantes del entorno.

Introducir la gestión del conocimiento en la empresa, tiene la virtud de transformar

poco a poco nuestras estructuras rígidas en elementos más flexibles, capaces de dotar a la

empresa de las herramientas necesaria para trasformar amenazas en oportunidades.

FACTORES QUE INVOLUCRA LA GESTIÓN DEL CONOCIMIENTO

La gestión de conocimiento involucra varios factores como: activos intangibles,

aprendizaje organizacional, capital humano, capital intelectual y relacional.

Activos intangibles

Son todos aquellos activos de una empresa que no existen físicamente, pero generan

valor y forman parte de la contabilidad; ejemplo: la marca de una empresa, ya que de esta

depende la confiabilidad y reconocimiento que genera ante los mercados determinando su

valor.

Aprendizaje organizacional

Es un proceso por el cual la empresa adquiere información y la transforma en

conocimiento obteniendo grandes beneficios para la organización con la finalidad de

administrarlo adecuadamente para el mejoramiento de la organización.

Capital humano

Es la mejora de la capacidad de los colaboradores dando como resultado el

incremento de la capacidad de producción.

Capital intelectual:

Es el conjunto de bienes intangibles como el conocimiento del recurso humano,

aprendizaje, las relaciones interpersonales de la cadena de suministros, marcas, entre otras,

que generan un valor a la empresa y como resultado una ventaja competitiva.

Algunas personas pueden pensar que la gestión del conocimiento es algo nuevo pero

en realidad se viene dando desde hace miles de años y se puede clasificar según el tiempo

en que se desarrolló, de esta manera la era Agraria que se dio del año 8000 a.c. 1750 y se

ejecutó en los asentamientos humanos, domesticación animales, cultivos, Tribus y primeras

ciudades.

La gestión del conocimiento surgió como una respuesta a necesidades de la

economía y de la sociedad: la globalización, las tecnologías de la comunicación y la

perspectiva cognitiva de la empresa u organización. La competencia de la empresa y la

manutención de sus activos cognitivos.

¿Por qué ahora, la gestión del conocimiento?

1. Por la denominada “economía del conocimiento o economía de la información”

Debido a ella el conocimiento y la información son progresivamente más importantes,

como recurso y también como producto. A raíz de esto las empresas se preocupan cada

vez por cómo utilizan estos recursos, y por lo que sucede cuando alguien abandona la

organización, como resultado de programas de reingeniería o de reducción de personal.

2. Por el proceso de globalización: Esto hace que este conocimiento deba ponerse en

manos de la organización y que este proceso se tenga que gestionar de algún modo.

Este ha hecho que muchas grandes empresas vean claramente la necesidad de que el

conocimiento que poseen en una parte del mundo sea aplicable fácilmente en otras

partes del mundo donde también tienen intereses.

3. Las nuevas Tecnologías.

En cierta medida, la tecnología ha dado la clave para realizar toda una serie de procesos

que ahora pueden automatizarse o estructurarse y que, por lo tanto, permiten gestionar algo

más eso que denominamos conocimiento.

Estas han aportado toda una serie de herramientas y metodologías que permiten hacer

muchas cosas relacionadas con el conocimiento que antes no podían llevarse a cabo.

FASES DE CICLO DE LA GESTIÓN DEL CONOCIMIENTO:

De conformidad con lo planteado por los autores Nonaka y Takuchi, existen seis fases

en el ciclo permanente que permita la incorporación de la Gestión del Conocimiento dentro

de una organización que administra el conocimiento organizacional como un recurso

estratégico. Estas etapas son:

1. Diagnóstico inicial de la Gestión del Conocimiento.

En esta primera fase los responsables deben medir el estado en que se encuentra el

sistema de Gestión de Conocimiento dentro de la organización. Es decir, definir las

necesidades de conocimiento y su gestión (tecnología, en procesos, personas y valores).

Dentro de los tipos de diagnósticos se pueden hacer mención a los siguientes métodos:

Mapa de Conocimiento Organizacional, Diagnóstico de Prácticas Habituales y Evaluación

de las Capacidades Dinámicas de la organización.

2. Definición de los objetivos de conocimiento.

Proporcionan una dirección a la Gestión de Conocimiento en relación con la creación

de conocimientos y de competencias claves para fortalecer el desarrollo de sus estrategias.

Existen tres tipos de objetivos de conocimientos:

(a) Objetivos normativos, se relacionan u orientan a la concientización del valor del

conocimiento por parte de la organización;

(b) objetivos estratégicos; definen el conocimiento clave para la organización y las

necesidades de conocimiento nuevo;

(c) objetivos operativos, se relacionan con la implementación de la administración del

conocimiento, transformando los dos anteriores en metas concretas.

3. Producción de Conocimiento Organizacional.

Esta fase representa la base de sustentación de los procesos de aprendizaje

organizacional que a su vez permiten el desarrollo de las capacidades de adaptación que

requieren las organizaciones frente a los cambios en los entornos en los cuales se

desenvuelven.

4. Almacenaje y Actualización

Consiste en el almacenamiento de los conocimientos previamente codificados

ubicándolos en repositorios desde los cuales los usuarios pueden acceder fácilmente.\

Uno de los factores determinantes de éxito de la función de almacenamiento es la

capacidad de navegabilidad que tiene dicho usuario en sus necesidades de estructurar

conocimientos de cierta complejidad en tiempos más reducidos. Es clave la participación de

especialistas de contenidos que aseguran la calidad y pertinencia de los mismos en relación

con las necesidades y el lenguaje del usuario, y de la seguridad del sistema.

5. Circulación y utilización de conocimientos: los usuarios.

Consiste en la creación de los espacios de conversación e intercambio adecuados para

que se produzca la circulación del conocimiento tácito y explícito de la organización. Estos

ambientes son los propicios para que los conocimientos puedan fluir de forma

ininterrumpida.

Básicamente lo que se pretende es que se logre el objetivo de la distribución y el uso de

tal conocimiento.

Los usuarios pueden participar de una manera pasiva o activa, sin embargo se fomenta

la interacción para perfeccionar los servicios que se brindan. Dentro de los medios se

mencionan: Internet, las Intranets y Extranet, foros, chat, el video-conferencia, las

reuniones virtuales.

6. Medición del Desempeño

Esta es una fase que está presente periódicamente y cuyo objetivo es determinar en cada

uno de los ciclos en que se produce la medición misma, la tendencia en los indicadores que

se han seleccionado para visualizar de qué forma la Gestion de Conocimiento, está

produciendo impactos en los resultados esperados de la organización.

En líneas generales, los indicadores deben apuntar a medir la eficiencia y efectividad

que se logra en los procesos principales de Generar, Compartir y Utilizar conocimiento.

Tales indicadores permiten conocer: ¿(a) Qué capacidad de generación de conocimiento

ha desarrollado la organización a partir de la instalación de las prácticas de Gestión de

Conocimiento?, (b) ¿Cómo se están compartiendo los conocimientos tácitos y explícitos

existentes? y (c) ¿Cuál es la tasa de utilización del conocimiento que está disponible en la

organización?

En el mismo orden se determina la fuente de información a partir de la cual se obtendrá

la retroalimentación necesaria para los procesos de medición y se construyen las

herramientas tecnológicas que apoyarán cada etapa.

WEB SEMÁNTICA

La web semántica es un área prolífera, situada en la confluencia de la inteligencia

artificial y las tecnologías web, que propone nuevas técnicas y paradigmas para la

representación de la información y el conocimiento; para facilitar, tanto localizar como el

compartir, integrar y recuperar recursos. (Castells, 2005).

Actualmente, los sitios web emplean el HTML (Hypertext Markup Language) como

lenguaje estándar para la representación de la información. “La evolución experimentada

por el HTML desde sus inicios no sólo permite mostrar información textual sino que puede

incluir también imágenes, y presentarla en un formato particular”. (Maller & Dahaes).

Dicho enfoque propone enriquecer la estructura de la información y agregar

componentes semánticos que puedan procesarse de forma automática. La nueva generación

de formatos está encabezada por XML (Extensible Markup Language) y RDF (Resource

Description Framework), los cuales incluirán ontologías -taxonomía de conceptos con

atributos y relaciones que proporcionan un vocabulario consensuado para definir redes

semánticas de unidades de información interrelacionadas- que especificarán las reglas

lógicas para que los agentes de software reconozcan y clasifiquen cada concepto. (Castells,

2005).

La evolución del web, en opinión de Pablo Castells, durante los últimos 15 años, no

puede pasar por alto los siguientes acontecimientos:

1989: Tim Berners Lee presenta su proyecto WWW en el CERN (Conseil Européen

pour la Recherche Nucléaire ).

1993: Creación de los primeros servidores Web y el navegador Mosaic .

1994: Creación del Consorcio Web (World Wide Web Consortium o W3C).

1997: Creación de SHOE (Simple HTML Ontology Extensions), primer

antecedente de la web semántica, basado en HTML.

Son numerosos los proyectos desarrollados en Internet con lenguajes de

codificación de ontologías. El servidor Ontolingua, resultado del KSE (Knowledge Sharing

Effort), ofrece herramientas para crear ontologías, integrarlas con otras existentes e

incorporarlas a nuevos productos de software. Otro enfoque es el aportado por Luke,

Spector y Rager con el desarrollo de SHOE (Simple HTML Ontology Extensions) como

complemento semántico de HTML, que refleja el contenido de la página web y que puede

utilizarse por agentes de software para el descubrimiento de información. Posteriormente

SHOE ha evolucionado hacia RDF, y es OWL (Web Ontology Language), la más reciente

especificación, mantenida por el Consorcio del Web y que intenta proveer de un lenguaje

que pueda utilizarse para describir clases y relaciones entre ellas inherentes a documentos y

aplicaciones web. (Castells, 2005)

La utilización de ontologías también está presente en el proyecto FERMI

(Formalization and Experimentation on the Retrieval Multimedia Information), bajo la

supervisión de C. J “Keith ” van Rijsbergen, en el que se incluyen herramientas de

planificación, descubrimiento y selección de recursos de información multimedia. El

proyecto IMP ( Information Manifold Project ) desarrollado en el ámbito de Bell Labs, en

el que se hace uso de las ontologías para identificar las fuentes de información pertinentes a

una búsqueda, acceder a ellas, obtener documentos relevantes, compararlos, seleccionar los

más adecuados y ofrecer un resumen previo al usuario. En el ámbito de la medicina, se

destaca el proyecto UMLS (Unified Medical Language System), desarrollado por la

National Library of Medicine de los Estados Unidos, que utiliza las ontologías como una

herramienta más para el acceso, integración y recuperación de información biomédica.

(Castells, 2005)

En este sentido, el grupo de trabajo SWAD Europe (Semantic Web Advanced

Development ), “tiene como objetivo poner de manifiesto, mediante ejemplos prácticos,

cómo este conjunto de tecnologías suponen una ventaja real para la actual web, y resuelven

problemas en áreas como: tesauros, clasificaciones, agendas, búsqueda de recursos

etcétera”. (Matthews, Wilson , & Brickley , 2002)

A partir de la integración de toda una infraestructura tecnológica, “que permita el

intercambio global de conocimiento asistido por máquina”, 4 y la codificación del

significado de la información mediante lenguajes de marcado, toma forma el concepto de la

web semántica como “una extensión del web actual en el que el significado de la

información esté bien definido, y permita al hombre y las máquinas trabajar en estrecha

cooperación”. (Berners Lee, Handler , & Lassila, 2001)

La web semántica es una extensión del web cuya idea básica es tener los datos

definidos y relacionados para que su uso sea más efectivo y sea posible su automatización,

integración y re-utilización por medio de diferentes aplicaciones, es decir, pretende

proporcionar una infraestructura que permita que las páginas web, las bases de datos, los

programas y aplicaciones, los dispositivos, tanto personales como los empleados en el

hogar, puedan consumir y producir datos, sin los problemas causados por los diferentes

protocolos de acceso a la información que hacen de la transferencia de contenidos una tarea

ardua y difícil. El soporte principal para la organización, almacenamiento y distribución de

la información siguen siendo los sistemas taxonómicos, es decir, sistemas de clasificación

que respondan a necesidades concretas de las empresas, bibliotecas y centros de

información en favor no sólo de los usuarios humanos, sino de las máquinas también.

REPRESENTACIÓN GRÁFICA DEL CONOCIMIENTO

Taxonomías: concepto y aplicación

Cuando se busca información en las páginas amarillas de un directorio telefónico,

específicamente en el índice de categorías, encontramos en los encabezamientos de

Automóviles otras subcategorías:

- Automóviles, agencias de.

- Automóviles, alquiler de.

- Automóviles, reparaciones.

Ello representa un ejemplo de taxonomía; el conjunto de páginas es una gran

taxonomía ordenada alfabéticamente con la finalidad adicional de asistir al usuario en la

búsqueda de información. “El primer acercamiento hacia la web semántica y el uso de

servicios web (Web Servicies) es la expresión de taxonomías legibles por máquina“. 6 Las

taxonomías constituyen formas de clasificar y categorizar un grupo de elementos en forma

de jerarquías; es simplemente una estructura en forma de árbol con ramificaciones y cada

punto de estas constituye un nodo. De forma general, para la Biología una taxonomía

propone “el estudio de los principios generales de la clasificación científica: en particular,

la clasificación sistemática, es la clasificación ordenada de plantas y animales acorde con

sus relaciones naturales”. (Merriam- Webster Online).

La evolución acelerada de las tecnologías de información ha provocado que el

concepto de taxonomía -que hasta hace pocos años se manejaba sólo en el campo

biológico- atienda no solamente a construcciones abstractas del lenguaje natural, sino

también a la clasificación de entidades de información en forma de jerarquías, según las

relaciones que en el mundo real ellas representan.

Así cada nodo de la taxonomía constituye una entidad de información que tiene

lugar en mundo real y cada enlace entre nodos representa una relación entre clases, donde

estas relaciones, a su vez, representan clases de objetos, cuya terminología se le atribuye a

la programación orientada a objetos en Informática.

En la medida que se asciende o desciende en determinada jerarquía, las taxonomías

adquieren un grado mayor o menor de generalización o especificación. En la clasificación

de información, permiten establecer relaciones simples o compuestas para un espacio de

información -esquemas de meta-datos, tesauros, modelos conceptuales, Topic Maps y

ontologías.

Desde este punto de vista, una taxonomía es una jerarquía semántica en la que las

entidades de información se relacionan mediante clases y subclases; la primera es

semánticamente más fuerte que la segunda, y por ello se enfatiza en las taxonomías

semánticamente débiles y semánticamente fuertes. Las taxonomías del primer orden

carecen de complejidad para expresar agudeza o riqueza en el significado, pero las del

segundo orden tratan de utilizar la noción de propiedades o atributos para diferenciar una

subclase de la clase superior.

El ciclo de vida de un agente depende de sus características, de las tareas que realice

y de los deseos de su usuario en cuanto al tiempo durante el cual debe ejecutarse. De ahí, la

movilidad como capacidad del agente para viajar por toda la red, nodo a nodo, en busca de

recursos que cumplan con su estrategia de búsqueda. La movilidad no es una propiedad

indispensable para un agente, sino que modifica la forma en que cumple con sus objetivos;

en este caso, puede recurrir a los recursos que ofrece una red de computadoras, y aportar

una nueva forma de computación distribuida. Según esto, Berney propone una clasificación

de agentes de acuerdo con sus líneas de investigación y desarrollo:

- Agentes de interfaz: Un agente de interfaz es un software cuasi-inteligente que asiste a

un usuario cuando interactúa con una o más aplicaciones. La motivación es que se les

pueda delegar tareas complejas y laboriosas. Son asistentes personales que reducen el

trabajo ante la sobrecarga de información, por ejemplo, el filtrado de los mensajes de correo

electrónico o la recuperación de archivos en Internet.

- Agentes de colaboración: Constituyen sistemas multiagentes, es decir, existe más de un

agente dedicado a satisfacer los requerimientos de sus usuarios. Para ello, es necesario

contar con esquemas de comunicación entre agentes que posibiliten la cooperación y el

intercambio de conocimiento.

- Agentes móviles: Los agentes móviles son aplicaciones capaces de viajar por una red de

computadoras, interactuando con servidores externos y recolectar información en nombre

de su dueño y retornar luego de completar las tareas establecidas previamente.

- Agentes de recuperación de información: El objetivo principal de los agentes dedicados

específicamente a la recuperación de información es obtener información para el usuario.

La motivación para su construcción es que con el crecimiento vertiginoso de Internet, la

cantidad de información accesible supera el tiempo de disponible para analizarla.

“El papel del agente inteligente en el proceso de recuperación semántica de información no

debe confundirse con la de un buscador inteligente". 40 Un buscador inteligente se

aprovechará del enriquecimiento semántico de los recursos web para mejorar,

principalmente, en la precisión y la recuperación de información. , aunque su

funcionamiento se basará, como los actuales buscadores, en la previa indización de todos

aquellos recursos susceptibles de recuperarse. Por otra parte, el agente inteligente recorrerá

el web por medio de enlaces entre recursos (taxonomías, tesauros, ontologías) en busca de

aquella información que le sea solicitada y puede además interactuar con el entorno para el

cumplimiento de tareas encomendadas mediante la utilización de esquemas de metadatos

codificados en esquemas RDF ( RDF Schema ) que pudiesen procesar y reutilizar

ontologías.

La web semántica proyecta como uno de sus fundamentos el desarrollo de sistemas

de información basados en el conocimiento de agentes inteligentes para lograr la

interoperabilidad, no sólo sintáctica y semántica, sino entre aplicaciones

independientemente de la acción de los usuarios de la red. Sustentados sobre la base de la

heterogeneidad, constituyen nuevos métodos para la organización y la recuperación de

información en entornos distribuidos.

SISTEMA EXPERTO

Es una rama de la Inteligencia artificial; son sistemas informáticos que simulan el

proceso de aprendizaje, de memorización, de razonamiento, de comunicación y de acción

en consecuencia de un experto humano en cualquier rama de la ciencia.

CARACTERÍSTICAS

Para que un sistema actúe como un verdadero experto, es deseable que reúna, en lo

posible, lo más importante de las características de un experto humano, esto es:

Habilidad para adquirir conocimiento.

Fiabilidad, para poder confiar en sus resultados o apreciaciones.

Solidez en el dominio de su conocimiento.

Capacidad para resolver problemas.

Dada la complejidad de los problemas que usualmente tiene que resolver un sistema

experto, puede existir cierta duda en el usuario sobre la validez de respuesta obtenida. Por

este motivo, es una condición indispensable que un sistema experto sea capaz de explicar

su proceso de razonamiento o dar razón del por qué solicita tal o cual información o dato.

Estas características le permiten almacenar datos y conocimiento, sacar conclusiones

lógicos, tomar decisiones, aprender de la experiencia y los datos existentes, comunicarse

con expertos humanos, explicar por qué con expertos humanos, explicar el porqué de las

decisiones tomadas y realizar acciones como consecuencia de todo lo anterior.

Técnicamente un sistema experto, contiene una base de conocimientos que incluye la

experiencia acumulada de expertos humanos y un conjunto de reglas para aplicar ésta base

de conocimientos en una situación particular que se le indica al programa. Cada vez el

sistema se mejora con adiciones a la base de conocimientos o al conjunto de reglas.

COMPONENTES DE UN SISTEMA EXPERTO

Separan conocimientos (reglas y hechos) y el procesamiento; se le añade una

interfase de usuario y un componente explicativo; los siguientes componentes

pueden estar estructurados de formas muy variadas.

Base de conocimientos: Contiene el conocimiento de los hechos y las experiencias

de los expertos en un dominio determinado

Mecanismo de inferencia: Puede simular la estrategia de solución de un experto

Componente explicativo: Explica al usuario la estrategia de solución encontrada y el

porqué de las decisiones tomadas.

Interfase de usuario: Sirve para que este pueda realizar una consulta en un lenguaje

lo más natural posible

Componente de adquisición: Ofrece ayuda a la estructuración e implementación del

conocimiento en la base de conocimientos.

TIPOS DE SISTEMAS EXPERTOS

Existen tres tipos de sistemas expertos:

Basados en reglas: Aplicando reglas heurísticas apoyadas generalmente en lógica

difusa para su evaluación y aplicación.

Basados en casos CBR (Case Based Reasoning): Aplicando el razonamiento basado

en casos, donde la solución a un problema similar planteado con anterioridad se

adapta al nuevo problema.

Basados en redes: Aplicando redes bayesianas, basadas en estadística y el teorema

de Bayes.

¿POR QUÉ UTILIZAR UN SISTEMA EXPERTO?

Con su ayuda, personas con poca experiencia pueden resolver problemas que

requieren un "conocimiento formal especializado". Se pueden obtener conclusiones y

resolver problemas de forma más rápida que los expertos humanos. Estos sistemas razonan

pero en base a un conocimiento adquirido y no tienen sitio para la subjetividad. Se ha

comprobado que tienen al menos, la misma competencia que un especialista humano.

Su uso es especialmente recomendado en las siguientes situaciones:

Cuando los expertos humanos en una determinada materia son escasos.

En situaciones complejas, donde la subjetividad humana puede llevar a

conclusiones erróneas.

Cuando es muy elevado el volumen de datos que ha de considerarse para obtener

una conclusión.

Diferencias entre sistemas expertos y los tradicionales

Sistemas expertos:

Toman Decisiones

Calculan Resultados

Basados en Heurísticas

Dan Explicaciones de los Resultados

Usan Reglas de Inferencia

Accedan Bases de Conocimientos (Deductivas)

Centrados en el Experto y el Usuario

Manejan Conocimiento Impreciso, Contradictorio o Incompleto

Usan Datos y Lenguajes Simbólicos

Sistemas tradicionales:

Calculan resultados

Basados en Algoritmos

Dan Resultados sin Explicaciones

Usan Secuenciación, Ciclos y Condicionales

Acceden a Bases de Datos

Centrados en el Analista y el Programador

Conocimientos Precisos, Completos y Exactos

Usan Datos Numéricos y Lenguajes Procedurales.

VENTAJAS

Producción y productividad mayores. Pueden trabajar más rápido que lo humanos.

Están disponibles ininterrumpidamente de día y noche, ofreciendo siempre su

máximo desempeño. Pueden duplicarse ilimitadamente, i.e. tener tantos de ellos

como se requieran.

Mayor calidad: Dan la probabilidad de aumentar la calidad proporcionando asesoría

consistente y reduciendo las tasas de error.

Operación en entornos peligrosos. Muchas tareas requieren que los seres humanos

operen en entornos hostiles y peligrosos.

Captación de experiencia escasa y su dimensión. Uno de los principales beneficios

de los sistemas expertos es su facilidad de trasmitir experiencia a través de fronteras

internacionales.

Siempre se ajustan a las normas establecidas y son consistentes en su desempeño,

i.e. no desarrollan apreciaciones subjetivas, tendenciosas, irracionales o

emocionales.

Confiabilidad. Los sistemas expertos son confiables. No padece de olvido, fatiga,

dolor o comete errores de cálculo.

No requiere un sueldo, promociones, seguros médicos, incapacidades.

Accesibilidad al conocimiento y escritorios de vida. Hacen accesible el

conocimiento (y la información) a mucha gente en diversos lugares. Siempre están

dispuestos a dar explicaciones, asistir o enseñar a la gente, así como a aprender.

Pueden tener una vida de servicio ilimitada. Funciones incrementadas de otros

sistemas expertos. La integración de un sistema experto con otros sistemas expertos

hacen que estos últimos se vuelvan más eficientes, los sistemas integrados abarcan

más aplicaciones, trabajan más rápido y producen resultados de mayor calidad.

Capacidad para trabajar con información incompleta o inconcreta. En contraste con

los sistemas de cómputo convencionales, un sistema experto puede trabajar con

información incompleta al igual que los expertos humanos.

Impartición de capacitación. Es factible que un sistema experto facilite la

capacitación. El personal nuevo que trabaja con un sistema experto se vuelve más

experimentado. La fusión de explicación puede servir como un dispositivo de de

enseñanza y de ese modo puede efectuar apuntes que tal vez se inserten en la base

de conocimiento.

Mejoramiento de las funciones para resolver problemas. Un sistema experto mejora

la solución de problemas permitiendo la integración de juicios de expertos de

primera línea en el análisis. De este modo, un sistema experto tiene la posibilidades

resolver problemas cuyo enlace y conocimiento supera a los de cualquier individuo.

Reducción del tiempo para la toma de decisiones. Con el empleo de la

recomendación del sistema, un ser humano puede tomar decisiones mucho más

rápido.

Reducción del tiempo fuera de servicio. Muchos sistemas expertos operacionales se

emplean para diagnosticar malos funcionamientos y prescribir reparaciones.

DESVENTAJAS

Tienen una noción muy limitada acerca del contexto de problema, i.e. no pueden

percibir todas las cosas que un experto humano puede apreciar de un situación.

Pueden existir decisiones que sólo son de competencia para un ser humano y no una

máquina.

No saben cómo subsanar sus limitaciones, e.g. no son capaces de trabajar en equipo

o investigar algo nuevo.

Son muy costosos de desarrollar y mantener.

Tareas que realiza un Sistema Experto Monitorización.

La monitorización es un caso particular de la interpretación, y consiste en la

comparación continua de los valores de las señales o datos de entrada y unos valores

que actúan como criterios de normalidad o estándares. Se trata de que el programa

pueda determinar en cada momento el estado de funcionamiento de sistemas

complejos, anticipándose a los posibles incidentes que pudieran acontecer.

INTEGRACIÓN Y MIGRACIÓN DE LOS SISTEMAS EXPERTOS.

Los sistemas expertos, salvo excepciones, no están aislados sino que forman parte

de otros sistemas, expertos o convencionales. Existen dos tipos básicos de arquitectura de

integración. En la primera, el sistema basado en el conocimiento forma parte de otro

sistema principal. Así, si el sistema necesita comunicarse con el sistema basado en el

conocimiento, entablará una comunicación directamente o a través de una red.

En la segunda el sistema basado en el conocimiento es el sistema principal y está

conectado a otros sistemas basados en el conocimiento o convencionales, que le ayudan en

su operación. Como ejemplo están los subsistemas que realizan complejos cálculos

matemáticos necesarios durante el proceso de razonamiento.

En ambos casos debe garantizarse una comunicación fluida de todos los sistemas,

aunque estén funcionando en plataformas diferentes, ya sea directamente o a través de una

red local. Este aspecto es crítico en sistemas basados en el conocimiento en tiempo real, los

cuales requieren un rápido acceso a la información relevante y a las bases de datos para

poder ofrecer una solución inmediata y satisfactoria.

Por tanto, habrá que fijarse en las posibilidades de conexión a las bases de datos

más conocidas y, en especial, a aquélla que se esté utilizando como estándar en la

organización así como la posibilidad de llamar a rutinas externas en diferentes lenguajes y

viceversa, o la invocación del sistema basado en el conocimiento desde otros sistemas.

Un aspecto fundamental a tener en cuenta es la portabilidad de la herramienta

(herramientas multiplataforma). En este aspecto hay que valorar no sólo si la herramienta es

susceptible de funcionar en diferentes plataformas sino también el coste del cambio de

plataforma. Existen herramientas que permiten pasar de una plataforma a otra sin apenas

esfuerzo, lo que facilitará la comercialización y el uso de los sistemas que se desarrollen.

TENDENCIAS FUTURAS

El mercado de herramientas para el desarrollo de sistema experto está sufriendo una

profunda transformación debido a una reorganización en el mercado informático y al

cambio de estrategia de las compañías dedicadas al desarrollo de estas herramientas. Son

cada vez más las compañías que antaño se dedicaban exclusivamente a la Inteligencia

artificial y que han decidido introducirse en otros mercados más amplios. Esto ha

provocado una confusión que irá en aumento a medida que las empresas que integraban el

grupo del mercado de la inteligencia artificial pasen a comercializar otro tipo de productos.

El mercado se ha ido reconfigurando aprovechando las experiencias del pasado y el avance

tecnológico. Así se ha pasado de utilizar máquinas específicas (por ejemplo máquinas

LISP) a usar ordenadores comunes (estaciones de trabajo, ordenadores personales, etc.).

Las aplicaciones eran muy específicas y ahora el ámbito es mucho más amplio. Los

sistemas basados en el conocimiento estaban pensados para trabajar de forma aislada y

ahora se conciben integrados con otros sistemas. Y, finalmente, el número de personas

formadas en estas técnicas es mucho mayor que las existentes hace unos años. Un análisis

del mercado actual lleva a distinguir seis categorías de herramientas en función de la

plataforma de desarrollo y de operación que lo estructuran:

Se clasifican en:

Según plataformas

Según herramientas de desarrollo:

Lenguajes (LISP, PROLOG, C++,...)

"Shell" (utilizando esos entornos)

CBR

Otra clasificación:

Herramientas de propósito general

Herramientas de dominio.

Las herramientas de desarrollo de sistemas basados en el conocimiento se pueden

clasificar de varias formas.

Según la plataforma de desarrollo y de operación que lo estructuran podemos distinguir

cuatro tipos:

Herramientas para PCs y Macintosh: Hasta hace poco, las herramientas que

existían para estos entornos estaban orientadas al desarrollo de sistemas pequeños y

prototipos. Actualmente, y dado el aumento de la potencia de los PCs, hay

herramientas que antes sólo funcionaban en estaciones de trabajo y ahora tienen

versiones para PC.

Herramientas para estaciones de trabajo: Aunque el número de herramientas en

este sector no ha sufrido grandes variaciones, la aparición de nuevas herramientas

catalogadas como herramientas orientadas a dominios específicos podrían incluirse

en esta categoría. Este mercado presenta el mayor volumen de ventas, y puede ser

considerado sin duda, junto con el de los PCs, el que tiene más proyección de

futuro. De hecho, aquellas compañías que no ofrecen una buena herramienta para

estaciones de trabajo están realizando esfuerzos para colocar en el mercado un

producto capaz de competir en este entorno.

Herramientas para mainframes: El número de herramientas en este mercado es

pequeño y se prevé que en los próximos años descienda lenta pero continuamente

hasta desaparecer, ya que las compañías que los comercializan se están desplazando

hacia las herramientas para estaciones de trabajo y PCs.

Herramientas Lisp: Son ordenadores con arquitecturas especiales para ejecutar

programas Lisp. El interés por herramientas Lisp continúa descendiendo así como el

número de productos en el mercado. Se prevé un descenso continuo en los próximos

años.

Según el alcance de la herramienta podemos dividirlas en:

Herramientas de Propósito General. No están especialmente concebidas para

tratar problemas específicos. Tienen como ventaja su capacidad para ser empleadas

en gran variedad de problemas.

Orientadas a dominios y problemas específicos. Esta última categoría representa el

mayor grupo de herramientas en el mercado. Se trata de herramientas que abordan

problemas o áreas específicos. Ahorran mucho tiempo de desarrollo en el caso de ser

aplicadas en los dominios para los que se diseñaron. El número permanece estable aunque

con perspectivas de crecimiento en los años venideros debido al gran interés existente en

este tipo de herramientas.

Por último podemos realizar una última división atendiendo al lenguaje o técnica para

el que sirve la herramienta y así podemos distinguir entre:

Herramientas CBR (Case-Based Reasoning): La demanda de herramientas de este

tipo se está consolidando mediante la mejora de la calidad de sus productos con más

utilidades y nuevos componentes. Son herramientas de razonamiento basadas en

casos, para a partir de ellos inducir las reglas y criterios por similitud.

Herramientas para lenguajes Lisp, Prolog, C++. Son entornos de desarrollo;

proporcionan las utilidades necesarias (editores, compiladores, depuradores) para

poder programar de forma cómoda en estos lenguajes. (Se incluye el C++ porque

cada vez hay más programas basados en el conocimiento que se desarrollan en él).

Shells. Son entornos de desarrollo completo y particular. Contienen un motor de

inferencia y utilizan métodos propios de representación del conocimiento que

pueden ser más o menos parecidos al Lisp o al Prolog. Sirven principalmente para el

desarrollo de prototipos aunque también pueden utilizarse como herramientas

finales. Algunos ejemplos son CLIPS, ART, G2.

ESTRATEGIAS PARA CAPITALIZAR EL CONOCIMIENTO

El modelo propuesto por Alejandro Pavez (2000) cuenta con cinco etapas, que muestran

el curso de acción para la implantación de la Gestión del conocimiento dentro de la

Organización.

A continuación se presenta resumidamente las características de cada etapa del ciclo.

ANALISIS DE LA SITUACION ACTUAL

Analizar la situación actual y la proyección futura de los recursos y capacidades de la

organización. Establecer las ventajas competitivas y una visión del potencial actual y futuro

sobre el cual se basará el desarrollo estratégico de la organización. Establecer equipo de

trabajo que tendrá como tarea desarrollar el análisis:

Establecer definiciones prácticas: Sobre lo que la organización entiende por

'conocimiento‘. Debe estar enraizada en el concepto de 'valor', propio de la

organización.

Establecer posición estratégica actual: permitirá establecer la situación actual y

futura deseada, la cual orientará los planes de acción. Analizando la competencia y

la posición en el mercado.

Análisis de capacidades: deben abarcarse tanto las capacidades que la empresa

posee actualmente como las que requiere para dominar el sector al cual pertenece.

Análisis de conocimiento: Esta catalogación deberá generar lo que podríamos

identificar como un mapa de conocimiento.

DISEÑO DE ESTRATEGIA

Importancia del conocimiento a nivel estratégico dentro de la organización. Base para el

éxito de los diferentes proyectos Gestión del Conocimiento que se establezcan en la

organización.

Evaluación de competencias centrales

Análisis de capacidades secundarias

Análisis de brechas de conocimiento

Análisis de recursos (financieros, físicos, humanos, tecnológicos, organizacionales y

reputación

Definición de una meta estratégica, objetivos estratégicos; desarrollo, evaluación y

selección de alternativas.

Desarrollo de planes de corto/mediano/largo plazo/contingencia

DISEÑO DE ARQUITECTURA

Comprende el contexto de las necesidades y proyecciones establecidas. Reconoce el

grado de adaptabilidad tecnológica. Establece criterios de diseño e integración a largo

plazo.

Inversiones

Necesidades de Software

Necesidades de Hardware

Alineación de otros sistemas con los requerimientos futuros.

IMPLEMENTACIÓN

Se debe coordinar todos los esfuerzos necesarios para el desarrollo del proyecto.

Establecer las directrices básicas de implementación en torno a las condiciones propias del

desarrollo estratégico. Ejecutar los planes, creación del clima organizacional entre otros.

MEDICIÓN Y EVALUACIÓN

Visualizar los resultados obtenidos desde el punto de vista valorativo (factores de

rendimiento), desde el punto de vista ambientalista (percepción de los resultados).

BIBLIOGRAFÍA

1. Maller P, Dahaes V. Web Semántica: el salto evolutivo de la Web. Disponible en:

http://www.proyectoweb.org/boletines/034-marz03.html [Consultado: 20 de

septiembre.

2. Castells P. Aplicación de técnicas de la web semántica. Disponible en:

http://giig.ugr.es/~mgea/coline02/Articulos/pcastells.pdf [Consultado: 01 de Agosto

del 2005].

3. Matthews B, Wilson M, Brickley D. Semantic Web Advanced Development in

Europe. ERCIM News 2002;(51):15-6.

4. Berners Lee T, Handler J, Lassila O. The Semantic Web. Scientific American 2001;

284(5).

5. Daconta MC, Obrst Leo J, Smith KT. The Semantic Web: A guide to the future of

XML, Web Services and Knowledge Management. New York: Wiley, 2003 p. 145.

6. Merriam- Webster Online. Disponible en: www.m-w.com [Consultado: 01 de

Agosto del 2015].

7. Berney B. Software Agents. A Review. Manchester: Manchester Metropolitan

University, 1996.

8. Cuena, J. Notas sobre modelos de razonamiento. Dpto. de I.A., Facultad de

Informática, UPM, 1995.

9. Jackson, P. Introduction to Expert Systems Addison-Wesley, 1990.

10. Sterling, L. y Shapiro, E. The Art of Prolog (Segunda edicion) MIT Press, 1993.

11. Bratko, I. Prolog Programming for Artificial Intelligence, Addison-Wesley Ltd.

1986.

12. Clocksin y Mellish. Programming in Prolog, Springer-Verlag, 1981.

13. Shoham, Yoav Artificial Intelligence Techniques in Prolog, Morgan Kaufmann,

1993.

14. Bowen, Kenneth A. Prolog and Expert Systems, McGraw-Hill, 1991.

15. Castillo, E., Gutiérrez, J.M. and Hadi, A.S. (1997) Expert Systems and probabilistic

Network Models. Springer Verlag, New York. Versión castellana publicada por la

Academia de Ingeniería (1998).

16. Pavez, Alejandro. Modelo de implantación de Gestión del Conocimiento y

tecnologías de información para la generación de ventajas competitivas. Valparaiso

2000. Tesis

17. Casanova C. El rol de los sistemas de información en la gestión del conocimiento en

las empresas. Revista Petrotecnia, junio 2009.

18. Portela L. Los sistemas de gestión de información, piedra angular de la estrategia

integral de gerencia. 1998. Disponible en:

http://www.bibliociencias.cu/gsdl/collect/eventos/index/assoc/HASH01f2.dir/doc.p

df [Consultado: 01 de agosto de 2015].