MYCIN fue un sistema experto de encadenamiento hacia atrás que utilizó inteligencia artificial para identificar bacterias que causan infecciones graves, como bacteriemia y meningitis , y para recomendar antibióticos , con la dosis ajustada al peso corporal del paciente, el nombre derivado de los mismos antibióticos, como muchos antibióticos. tienen el sufijo "-micina". El sistema Mycin también se utilizó para el diagnóstico de enfermedades de la coagulación sanguínea. MYCIN se desarrolló durante cinco o seis años a principios de la década de 1970 en la Universidad de Stanford . Fue escrito en Lisp como la tesis doctoral de Edward Shortliffebajo la dirección de Bruce G. Buchanan, Stanley N. Cohen y otros.
MYCIN operaba usando un motor de inferencia bastante simple y una base de conocimiento de ~ 600 reglas. Consultaría al médico que ejecuta el programa a través de una larga serie de preguntas simples de sí / no o textuales. Al final, proporcionó una lista de posibles bacterias culpables clasificadas de mayor a menor según la probabilidad de cada diagnóstico, su confianza en la probabilidad de cada diagnóstico , el razonamiento detrás de cada diagnóstico (es decir, MYCIN también enumeraría las preguntas y reglas lo que lo llevó a clasificar un diagnóstico de una manera particular), y su curso recomendado de tratamiento farmacológico.
MYCIN provocó un debate sobre el uso de su marco de incertidumbre ad hoc , pero basado en principios, conocido como " factores de certeza ". Los desarrolladores realizaron estudios que muestran que el desempeño de MYCIN se vio mínimamente afectado por perturbaciones en las métricas de incertidumbre asociadas con reglas individuales, lo que sugiere que el poder en el sistema estaba relacionado más con su representación de conocimiento y esquema de razonamiento que con los detalles de su modelo de incertidumbre numérica. Algunos observadores opinaron que debería haber sido posible utilizar la estadística bayesiana clásica . Los desarrolladores de MYCIN argumentaron que esto requeriría suposiciones poco realistas de independencia probabilística , o requeriría que los expertos proporcionen estimaciones para un número inviablemente grande deprobabilidades condicionales . [1] [2]
Estudios posteriores demostraron más tarde que el modelo del factor de certeza podría interpretarse en un sentido probabilístico y destacaron los problemas con los supuestos implícitos de dicho modelo. Sin embargo, la estructura modular del sistema resultaría muy satisfactoria, lo que conduciría al desarrollo de modelos gráficos como las redes bayesianas . [3]
En MYCIN era posible que dos o más reglas pudieran sacar conclusiones sobre un parámetro con diferentes pesos de evidencia. Por ejemplo, una regla puede concluir que el organismo en cuestión es E. Coli con una certeza de 0.8 mientras que otra concluye que es E. Coli con una certeza de 0.5 o incluso -0.8. En el caso de que la certeza sea menor que cero, la evidencia está realmente en contra de la hipótesis. Para calcular el factor de certeza, MYCIN combinó estos pesos utilizando la fórmula siguiente para obtener un único factor de certeza:
Donde X e Y son los factores de certeza. [4] Esta fórmula se puede aplicar más de una vez si más de dos reglas extraen conclusiones sobre el mismo parámetro. Es conmutativo , por lo que no importa en qué orden se combinaron los pesos.