I sistemi esperti in psicologia clinica

 4
da motivi di culto. Ne Ł conseguito che gli sviluppi teorici non sempre sono andati 
di pari passo con i progressi nel campo delle applicazioni pratiche e l introduzione 
di prodotti che avessero le caratteristiche di veri sistemi esperti Ł stata lenta. I 
rivenditori di software hanno sfruttato il fascino che accompagna il concetto di 
 intelligenza artificiale  per legittimare e promuo vere prodotti dalla portata e 
utilit  assai limitate. In effetti, il novero di si stemi esperti utili e incisivi rimane 
relativamente basso nell uso comune.  
Come anticipato gi  all inizio sono molte le profes sioni che fanno utilizzo di 
questi artefatti artificiali. Anche la psicologia clinica, nonostante i considerevoli 
vantaggi apportati dall utilizzo di questi programmi, si muove con molta cautela.  
Con lo svolgimento di questa tesi vorrei riuscire a portare un piccolo contributo a 
favore delle possibilit  concrete che tali software  possono dare allo psicologo 
clinico. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 5
Capitolo 1 
Struttura di un Sistema Esperto 
1.1  Che cos Ł un Sistema Esperto 
 
Uno dei settori piø evoluti dell Intelligenza Artificiale Ł quello dei sistemi esperti. 
Qui e nel seguito si utilizzer  il termine sistema esperto nell accezione meno 
comune ma piø esatta di  sistema basato sulla conos cenza . Per sistema basato 
sulla conoscenza si individuano quei programmi in cui la conoscenza necessaria al 
compito Ł esplicitamente rappresentata e manipolata (Iacono, 1991). In questo 
senso i sistemi esperti si basano sulla manipolazione della conoscenza dell esperto 
che si vuol  clonare , e che viene rappresentata al l interno del sistema logico in 
maniera esplicita.  
Diversi sono i benefici che un sistema esperto pu  fornire: 
• consente di moltiplicare il numero degli esperti di un dato campo, supplendo 
ad assenze temporanee (malattie) o definitive (dimissioni, pensionamento) 
degli esperti umani; 
• consente di standardizzare le prestazioni di un servizio in luoghi diversi e in 
ogni situazione; 
• consente di evitare agli esperti il trattamento dei casi semplici o standard, in 
modo che essi possano concentrarsi su quelli piø delicati e difficili; 
• consente di migliorare la prestazione nei casi di analisi di piø fattori 
determinanti, con la considerazione di un numero anche alto di variabili in 
gioco; 
• consente di formare il personale non esperto evitando il costo iniziale di 
inserimento e apprendimento, dovuto al fornimento di una prestazione 
qualitativamente bassa e strettamente legata al grado di competenza 
raggiunto. 
 
In altri termini, un sistema esperto consente di migliorare il servizio perchØ rende 
la conoscenza dei componenti nel settore disponibile a basso costo sia per altre 
 6
applicazioni sia per i meno competenti. Si pu  affe rmare cioŁ che uno dei 
maggiori vantaggi Ł la possibilit  di condividere e diffondere  conoscenza . 
Tipici mansioni svolti da codesti programmi sono quelli di analisi finanziaria, 
diagnosi, monitoraggio di apparecchiature, consulenza all investimento 
finanziario, configurazione di componenti elettronici, etc  
Schematizzando e riassumendo, i problemi che vengono solitamente affrontati 
tramite sistemi esperti sono quindi: 
• diagnosi; 
• configurazione; 
• interpretazione (di segnali, di eventi); 
• previsione (costruzione di situazioni future); 
• monitoraggio; 
• pianificazione; 
• controllo di processi; 
• modifica di situazioni; 
• training. 
 
 
I ruoli che pu  ricoprire un sistema esperto sono m olteplici e strettamente legati 
alla delicatezza del compito (e quindi all entit  d el rischio di un errore da parte del 
sistema) e ai requisiti sui tempi di risposta. Quasi sempre la risposta finale del 
sistema esperto non ha immediato effetto, ma viene mediata dall intervento 
dell operatore umano. Un sistema esperto pu  quindi  essere: 
• completamente autonomo: la risposta del sistema ha immediato effetto, e 
modifica la situazione osservata; 
• autonomo ma con controllo umano: vi Ł cioŁ un operatore che pu  rettificare 
il comportamento del sistema; 
• di supporto ad un attivit , con funzione di consule nza; 
• di supervisione ad una attivit , con funzione di tr aining. 
 
 
 7
1.2 Storia e applicazioni dei Sistemi Esperti 
 
Le prime applicazioni dell IA ai sistemi esperti possono essere fatte risalire agli 
anni 60. L ambiente di ricerca Ł quello delle universit  statunitensi. 
Il termine expertise (esperienza specifica) venne utilizzato per la prima volta nel 
1967 da Joel Moses nella sua tesi di laurea sull Intelligenza Artificiale discussa al 
MIT di Cambridge, ma gi  nel 1961 aveva visto la luce il programma 
MACSYMA, ancora basato su algoritmi tradizionali; seguito verso la met  degli 
anni 60 da DENDRAL, il primo classico esempio di generate and test, ovvero di 
procedura euristica, destinato alla ricerca nel settore chimico.  
I primi studi sulla comprensione e l elaborazione del linguaggio naturale 
portarono nel 1967 alla nascita di HEARSAY, un programma concepito da 
un equipe di ricercatori della Carnegie Mellon University per consentire il 
colloquio fra esperti tramite una lavagna astratta costituita appunto dal computer. 
Da DENDRAL in poi i Sistemi Esperti si orientarono in modo particolare alla 
soluzione di problemi medici ed in questo settore una vera e propria pietra miliare 
fu MYCIN che prese avvio come progetto nel 1972 all universit  di Stanford. 
EMYCIN fu nel 1979 il primo sistema inteso come strumento generale per lo 
sviluppo specialistico di ulteriori programmi. Sul suo modello presero forma 
programmi destinati a diagnosticare malattie polmonari (PUFF e CENTAUR), 
per il cancro (ONCOCIN) ed anche per la diagnosi dei guasti industriali 
(DART). Sempre per il settore medico fu realizzato, nei primi anni 70, CASNET, 
caratterizzato dalla presenza al suo interno di uno schema generale utilizzabile 
anche in sistemi con diversa specializzazione; mentre con ben diversa 
specializzazione furono PROSPECTOR, realizzato nel 1979 da Peter Hart e 
Richard Duda per la ricerca petrolifera; XCON poi divenuto R1, realizzato nel 
1980 dal John Mc Dermott per progettare la configurazione hardware dei grandi 
computer; e PLANT, realizzato nel 1981 da Ryszard Michalski dell Universit  
dell Illinois per diagnosticare le malattie nelle coltivazioni di soia. 
Attualmente, si pu  disporre di una vasta letteratu ra a proposito dei sistemi esperti 
e dei loro sviluppi. Vi sono anche, fortunatamente, un numero crescente di shell 
affidabili e di facile impiego, utilizzabili con i personal computer.  
 8
Il ruolo dei sistemi esperti nel campo dell intelligenza artificiale Ł stato preso in 
esame, a livello introduttivo, tra gli altri, da Garnham (1988) e Yazdani (1986). 
Una buona introduzione a tali sistemi logici Ł fornita da Forsyth (1989) (benchØ 
ve ne siano molte altre), mentre un testo piø tecnico Ł quello di Giarratano e Riley 
(1989). Chi desidera acquisire una conoscenza meno teorica dei sistemi esperti 
pu  rivolgersi al manuale di Sawyer e Foster (1986) , che consente, attraverso 
l uso di un insieme di procedure in linguaggio PASCAL, di realizzare 
gradualmente un sistema esperto funzionante. Chi programma solo in BASIC pu  
ottenere risultati analoghi servendosi del manuale di Naylor (1987). Un altro 
metodo consiste nell acquistare una shell e lavorare con quella. Ancora una volta, 
sono possibili numerose alternative ma Master Export (Thompson, Thompson, 
1986) costituisce uno strumento di apprendimento utile e poco costoso. 
 
 
1.3 Architettura generale di un Sistema Esperto 
 
Ogni sistema esperto include tre elementi fondamentali: una  base di conoscenza  
(knowledge base), un  motore inferenziale  ( inference engine) e un  sistema di 
dialogo  ( user interface). 
La base di conoscenza comprende le informazioni, essenzialmente sotto due 
forme: i fatti e le relazioni tra di essi. Piø semplicemente, la conoscenza includer  
elenchi di fatti o osservazioni   ci  che generalme nte chiamiamo  dati    che, 
nella terminologia dei sistemi esperti, sono chiamati  valori .  
La base di conoscenza includer  anche i valori asse gnati a quelle che, nel senso 
piø ampio del termine, sono dette  variabili  ma ch e, in questo contesto, sono 
chiamate  oggetti . Il risultato dell assegnazione di un particolare valore a una 
variabile (come, per esempio, l attribuire il valore di 107 al QI di un paziente), Ł 
una combinazione  oggetto-valore . ¨ anche possibil e, naturalmente associare un 
certo numero di valori (per esempio, l insieme delle registrazioni dell intensit  
dell ansia nel corso di una mattinata) a un singolo oggetto (ad esempio, mattinata-
ansia) ottenendo cos  una combinazione  oggetto-val ori multipli .  
 9
Oltre ai fatti, la base di conoscenza pu  includere  altri tipi di informazioni, quali i 
 valori legali , utilizzati per delimitare il  domi nio  (cioŁ l area di informazioni 
all interno della quale operer  il sistema) e le  d omande che possono essere 
utilizzate dal sistema per ottenere dall utente i valori da assegnare a oggetti 
particolari. Ma, ancora piø importante, la base di conoscenza contiene anche le 
 regole  che costituiscono una rappresentazione sim bolica delle relazioni tra le 
informazioni che rientrano nel dominio. Queste regole sono relazioni logiche e 
nella loro forma piø semplice    Se A allora B     assegnano un valore a un 
oggetto sulla base di un altra combinazione  oggett o-valore .  
Spesso Ł negativo che un sistema esperto diventi troppo meccanico e non riesca a 
cogliere la finezza del ragionamento umano sul quale, in definitiva, si basa. Un 
modo per evitare questo rischio consiste nell introdurre nella base di conoscenza 
alcuni elementi probabilistici. Si pu  procedere in  questo modo: includendo 
esplicitamente alcuni fattori che possono essere piø o meno precisi; inserendo una 
gerarchia di probabilit ; introducendo  implicazion i deboli  e altre tecniche 
logiche atte a gestire le informazioni probabilistiche. 
Il motore inferenziale Ł piø semplicemente un sistema logico in grado di 
interpretare le regole in relazione ai contenuti della base di conoscenza, al fine di 
pervenire a conclusioni valide (dal punto di vista logico). Indipendentemente dal 
contenuto delle regole e dei fatti compresi nella base di conoscenza, esso applica 
le proprie regole logiche per compiere tutte le inferenze possibili. Il motore 
inferenziale piø semplice opera per  concatenamento  in avanti  ( forward 
chaining): cioŁ, parte dalle prime regole e fatti della lista e quindi procede 
nell esame di quest ultima valutando la verit  o la  falsit  di alcune  mete  
prestabilite. La meta pu  consistere, per esempio, nel valutare se il paziente ha 
una demenza di tipo Alzheimer oppure no.  
Gran parte del ragionamento logico che caratterizza gli esseri umani procede nello 
stesso modo: parte, cioŁ, da assiomi e considerazioni e procede nella verifica delle 
diverse deduzioni. Ci  nonostante, questa strategia  pu  risultare decisamente 
inefficiente. ¨ possibile che, in un caso specifico , siano necessari solo uno o due 
fatti per arrivare alla meta ma che questi possano essere identificati solo molto 
avanti nella lista, man mano che il sistema procede. Questo problema pu  essere 
 10
risolto utilizzando un  concatenamento all indietro   ( backward chaining): cioŁ, 
dando per scontato il risultato (la validit  dell i potesi) e andando a cercare quelle 
condizioni che devono verificarsi per confermarla. A questo punto, pu  essere 
necessario procedere, attraverso il sistema, alla ricerca di ulteriori precondizioni 
che dimostrino la verit  del risultato del quale si  Ł postulata la validit . In pratica, 
i sistemi attuali piø sofisticati si avvalgono di una combinazione di procedimenti 
in avanti e all indietro, talvolta associati ad altri procedimenti euristici, al fine di 
migliorare l efficienza logica del sistema esperto.  
Il sistema di dialogo consente al sistema di comunicare con il programmatore 
(knowledge engineer: ingegnere della conoscenza) e l utente finale. Esso permette 
di creare e modificare la base di conoscenza tramite l introduzione e la modifica 
delle regole e dei fatti; di porre all utente le domande necessarie ad assegnare i 
valori agli oggetti; di comunicare le conclusioni ed esplicitare il procedimento 
seguito. Il ruolo di queste esplicitazioni Ł cruciale per due motivi. Se il sistema 
non Ł in grado di comunicare le inferenze logiche delle quali si Ł avvalso per 
raggiungere una meta particolare Ł quasi impossibile verificare e affinare il suo 
funzionamento. E   altrettanto importante   se il s istema non Ł in grado di 
esplicitare all utente il percorso logico seguito, Ł improbabile che le sue 
conclusioni vengano accettate. Il sistema deve essere capace di persuadere l utente 
della validit  delle proprie conclusioni se vuole e ssere considerato corretto. 
Spesso, le componenti fondamentali di un sistema esperto sono fornite sotto forma 
di shell. Quest ultima comprende un motore inferenziale e un sistema di dialogo 
ed Ł dotata di una struttura gi  predisposta per ricevere particolari regole e fatti. 
A tutt oggi, la maggior parte dei sistemi esperti, commerciali o meno, viene 
prodotta utilizzando una di queste shell.  
Una caratteristica cruciale di ogni sistema esperto Ł il tipo di rappresentazione 
della conoscenza che esso utilizza. I sistemi basati su un insieme di regole (rule-
based system) sono i piø comuni (soprattutto in campo medico), ma vi sono altre 
modalit  attraverso le quali Ł possibile rappresentare la conoscenza: script, frame, 
lavagne, specifiche procedurali e cos  via. Il fine Ł quello di fornire strutture 
 naturali  di rappresentazione della conoscenza, ch e permettano di archiviare 
l informazione secondo modalit  efficienti e valide  ecologicamente.