Abstract
El campo de la Ingeniería del Conocimiento ha sido uno de los
éxitos más visibles de la Inteligencia Artificial hasta el
momento. La adquisición de conocimiento constituye el
principal cuello de botella en las tareas a realizar por el
Ingeniero del Conocimiento (IC). En un intento de eliminar este
cuello de botella, se han conseguido progresos notables,
constituyendo las herramientas de aprendizaje automático por
inducción a partir de ejemplos, uno de ellos. Pero, ¿Cómo saber
si el campo está progresando en la actualidad?, ¿Cómo conocer
los progresos realizados en ciertos aspectos del mismo?, y, lo
que es más importante, ¿Cómo se podrá asegurar que ciertos
progresos han sido realmente tales y que se puede hacer uso
de ellos?.
La presente tesis propone un "benchmark" como método de
comparación, evaluación y selección de herramientas de
aprendizaje. El benchmark se ha enfocado bajo el punto de
vista del IC, cubriendo más del 90% de las características que
éste considera importante encontrar en una herramienta de
inducción. El modelo propuesto se ha aplicado a un conjunto de
herramientas, comparando los resultados obtenidos con los
esperados. La experimentación ha permitido la validación del
modelo, obteniéndose conclusiones interesantes.---ABSTRACT---The field of knowledge engineering has been one of the most
visible successes of artificial intelligence to date. Knowledge
acquisition is the main bottleneck in the knowledge engineer
(KE) work. Machine learning tools have contributed positively
to the process of trying to elimínate, or make broader, this
bottleneck. But how do we know whether the field is
progressing?, How do we realize of the progresses reached in
any of its branchs?, How can we be sure of an advance and
take advantage of it?.
This Ph.D. dissertation proposes a benchmark as a classifying,
comparative and metric criterion for Machine Learning tools.
The benchmark has been focalized on the KE point of view,
covering more than 90 percent of the useful characteristics the
KE wants on an induction tool. The model has been applied to a
set of Machine Learning tools, comparing expected and
obtained results. The experimentation has validated the model
and leaded to interesting conclusions.
