Evolución de sistemas expertos en entornos cloud: Tendencias y patrones 2020-2024
DOI:
https://doi.org/10.62451/rep.v3i3.135Palabras clave:
Sistemas expertos, computación en la nube, inteligencia artificial, aprendizaje automático, detección de anomalías, diagnóstico médico, cumplimiento normativoResumen
Esta investigación caracteriza sistemáticamente la evolución de sistemas expertos en entornos cloud durante 2020-2024 mediante un enfoque descriptivo-correlacional que analiza 22 implementaciones documentadas en literatura científica. Los hallazgos revelan tres categorías metodológicas principales: sistemas basados en reglas adaptativas (45.5%), sistemas híbridos con aprendizaje automático (36.4%), y sistemas distribuidos con inferencia contextual (18.1%). El análisis por dominios específicos identifica aplicaciones médicas como las más maduras (40.9%), seguidas por detección de anomalías (31.8%) y soporte a la decisión (27.3%), con precisiones promedio de 86.4%, 97.1% y 89.8% respectivamente. El análisis revela relaciones consistentes entre integración multimedia y adopción empresarial, así como entre consideraciones de seguridad y escalabilidad organizacional. Los desafíos de implementación se categorizan en regulatorios (37.1% de impacto), técnicos (34.2%) y organizacionales (28.7%). La evolución temporal evidencia tres fases distintivas: adaptación (2020-2021), consolidación (2022-2023) y especialización (2023-2024). Los sistemas que incorporan cumplimiento normativo desde el diseño muestran adopción sustancialmente superior, confirmando la importancia crítica de consideraciones regulatorias para escalabilidad en entornos cloud.
Citas
Anwar, M. R. (2023). Analysis of Expert System Implementation in Computer Damage Diagnosis with Forward Chaining Method. International Transactions on Artificial Intelligence (ITALIC), 1(2), 139–155. https://doi.org/10.33050/italic.v1i2.213
Astawa, I., Hariyanti, N. K., & Sutawinaya, I. P. (2020). Expert system on diagnosing children’s illness using Bayesian Method. Journal of Physics: Conference Series, 1450(1). https://doi.org/10.1088/1742-6596/1450/1/012063
Atika Sari, C., Sinta Sari, W., & Danang Krismawan, A. (2022). Expert System for Diagnosing Potential Diabetes Attacks Using the Fuzzy Tsukamoto. Journal of Applied Intelligent System, 7(2). https://publikasi.dinus.ac.id/index.php/jais/article/view/6796
Barati, M., & Rana, O. (2022). Tracking GDPR Compliance in Cloud-Based Service Delivery. IEEE Transactions on Services Computing, 15(3), 1498–1511. https://doi.org/10.1109/TSC.2020.2999559
Brézillon, P. (2011). From expert systems to context-based intelligent assistant systems: A testimony. Knowledge Engineering Review, 26(1), 19–24. https://doi.org/10.1017/S0269888910000366
Chirkov, O. N., Tsipina, N. V., Slinchuk, S. A., & Vorobyev, E. I. (2020). Automated expert support complex based on a machine learning semantic processor. Journal of Physics: Conference Series, 1691(1). https://doi.org/10.1088/1742-6596/1691/1/012062
Diamanti, A., Sánchez Vilchez, J. M., & Secci, S. (2022). An AI-Empowered Framework for Cross-Layer Softwarized Infrastructure State Assessment. IEEE Transactions on Network and Service Management, 19(4), 4434–4448. https://doi.org/10.1109/TNSM.2022.3161872
Ganzhur, M., Ganzhur, A., Dyachenko, N., Kobylko, A., & Melnikov, A. (2023). Data analysis using system modeling. E3S Web of Conferences, 389. https://doi.org/10.1051/e3sconf/202338907005
Hadi, A., & Hanifa, A. (2023). Aplikasi Sistem Pakar Mendiagnosa Penyakit Degenerasi Macula Menggunakan Metode Certainty Factor Berbasis Web. Jurnal Teknologi Dan Sistem Informasi Bisnis, 5(2), 155–163. https://jurnal.unidha.ac.id/index.php/jteksis/article/view/795
Lakshmi Revathi, K., Vara Lakshmi, T., & Shivani, G. (2024). Evaluating benefits and challenges of cloud computing adoption in IT industry. International Research Journal on Advanced Engineering and Management, 2(5). https://doi.org/10.47392/IRJAEM.2024.0213
Olateju, O. O., Okon, S. U., Igwenagu, U. T., Salami, A. A., Oladoyinbo, T. O., & Olaniyi, O. O. (2024). Combating the Challenges of False Positives in AI-Driven Anomaly Detection Systems and Enhancing Data Security in the Cloud. Asian Journal of Research in Computer Science, 17(6), 264–292. https://doi.org/10.9734/ajrcos/2024/v17i6472
Rani, S. (2014). Expert system of AI. International Journal of Current Engineering and Technology, 4(5), 3380–3386. https://inpressco.com/wp-content/uploads/2014/09/Paper533380-33861.pdf
Saleh, S. M., Mohammed, I., Madhavji, N., & Steinbacher, J. (2024). Advancing Software Security and Reliability in Cloud Platforms through AI-based Anomaly Detection. CCSW 2024 - Proceedings of the 2024 Cloud Computing Security Workshop, Co-Located with: CCS 2024, 43–52. https://doi.org/10.1145/3689938.3694779
Sari, K., & Eviyanti, A. (2021). Expert System for Diagnosing Human Skin Diseases Using Web-Based Naïve Bayes Method. Procedia of Engineering and Life Science, 1(2). https://doi.org/10.21070/pels.v1i2.1021
Savilla, I., Rianti, E., & Yenila, F. (2023). Certainty Factor Method for an Expert System for Orthopedic Disease Diagnosis. Journal of Computer Scine and Information Technology, 9(4), 199–204. https://doi.org/10.35134/jcsitech.v9i4.88
Schieseck, M., Topalis, P., Reinpold, L., Gehlhoff, F., & Fay, A. (2024). A Formal Model for Artificial Intelligence Applications in Automation Systems. http://arxiv.org/abs/2407.03183
Straub, J. (2021). Expert system gradient descent style training: Development of a defensible artificial intelligence technique. Knowledge-Based Systems, 228, 107275. https://doi.org/10.1016/j.knosys.2021.107275
Straub, J. (2024). Development of an Adaptive Multi-Domain Artificial Intelligence System Built using Machine Learning and Expert Systems Technologies. ArXiv.Org. https://doi.org/10.48550/arXiv.2406.11272
Vechet, S., Krejsa, J., & Chen, K. S. (2024). AI Based Assistive Maintenance of Machines via Querix Expert-System. (Ponencia). 30th International Conference ENGINEERING MECHANICS 2024 Milovy, Czech Republic.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Óscar Alfonso Obando-Cruz, Guillermo Antonio Chalco-Méndez, Ivette Auxiliadora Mateo-Washbrum, Lenin Homero Campoverde-Nevarez, Diana Carolina Decimavilla-Alarcón
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en Episteme & Praxis están de acuerdo con los siguientes términos:
1. Derechos de Autor
Los autores conservan los derechos de autor sobre sus trabajos sin restricciones. Los autores otorgan a la revista el derecho de primera publicación. Para ello, ceden a la revista, de forma no exclusiva, los derechos de explotación (reproducción, distribución, comunicación pública y transformación). Los autores pueden establecer otros acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, siempre que exista un reconocimiento de su publicación inicial en esta revista.
© Los autores.
2. Licencia
Los trabajos se publican en la revista bajo la licencia de Atribución-NoComercial-CompartirIgual 4.0 Internacional de Creative Commons (CC BY-NC-SA 4.0). Los términos se pueden consultar en: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
Esta licencia permite:
- Compartir: copiar y redistribuir el material en cualquier medio o formato.
- Adaptar: remezclar, transformar y crear a partir del material.
Bajo los siguientes términos:
- Atribución: ha de reconocer la autoría de manera apropiada, proporcionar un enlace a la licencia e indicar si se ha hecho algún cambio. Puede hacerlo de cualquier manera razonable, pero no de forma tal que sugiera que el licenciador le da soporte o patrocina el uso que se hace.
- NoComercial: no puede utilizar el material para finalidades comerciales.
- CompartirIgual: si remezcla, transforma o crea a partir del material, debe difundir su creación con la misma licencia que la obra original.
No hay restricciones adicionales. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer cualquier cosa que la licencia permita.
