En inteligencia artificial (IA), un sistema experto es un sistema informático que emula la capacidad de toma de decisiones de un experto humano . [1] Los sistemas expertos están diseñados para resolver problemas complejos razonando a través de cuerpos de conocimiento, representados principalmente como reglas si-entonces en lugar de a través de códigos de programación de procedimientos convencionales . [2] Los sistemas expertos se crearon por primera vez en la década de 1970 y luego proliferaron en la década de 1980. [3] Los sistemas expertos estuvieron entre las primeras formas verdaderamente exitosas de software de IA. [4] [5] [6] [7] [8] Un sistema experto se divide en dos subsistemas: 1) una base de conocimiento , que representa hechos y reglas; y 2) un motor de inferencia , que aplica las reglas a los hechos conocidos para deducir hechos nuevos y puede incluir capacidades de explicación y depuración.
Poco después de la aparición de las computadoras modernas a finales de los años 1940 y principios de los 1950, los investigadores comenzaron a darse cuenta del inmenso potencial que estas máquinas tenían para la sociedad moderna. Uno de los primeros desafíos fue hacer que estas máquinas fueran capaces de “pensar” como los humanos; en particular, hacer que estas máquinas fueran capaces de tomar decisiones importantes de la misma manera que lo hacen los humanos. El campo médico-sanitario presentó el tentador desafío de permitir que estas máquinas tomaran decisiones de diagnóstico médico. [9]
Así, a finales de la década de 1950, justo después de que la era de la información hubiera llegado por completo, los investigadores comenzaron a experimentar con la posibilidad de utilizar la tecnología informática para emular la toma de decisiones humana. Por ejemplo, los investigadores biomédicos comenzaron a crear sistemas asistidos por computadora para aplicaciones de diagnóstico en medicina y biología. Estos sistemas de diagnóstico temprano utilizaron los síntomas de los pacientes y los resultados de las pruebas de laboratorio como datos de entrada para generar un resultado de diagnóstico. [10] [11] Estos sistemas se describieron a menudo como las primeras formas de sistemas expertos. Sin embargo, los investigadores se dieron cuenta de que existían limitaciones significativas al utilizar métodos tradicionales como diagramas de flujo, [12] [13] coincidencia de patrones estadísticos, [14] o teoría de probabilidad. [15] [16]
Esta situación previa condujo paulatinamente al desarrollo de sistemas expertos, que utilizaban enfoques basados en el conocimiento. Estos sistemas expertos en medicina fueron el sistema experto MYCIN , [17] el sistema experto Internist-I [18] y posteriormente, a mediados de los años 1980, el CADUCEUS . [19]
Los sistemas expertos fueron introducidos formalmente alrededor de 1965 por el Proyecto de Programación Heurística de Stanford dirigido por Edward Feigenbaum , a quien a veces se le denomina el "padre de los sistemas expertos"; [20] Otros contribuyentes tempranos clave fueron Bruce Buchanan y Randall Davis. Los investigadores de Stanford intentaron identificar ámbitos en los que la experiencia era muy valorada y compleja, como el diagnóstico de enfermedades infecciosas ( Mycin ) y la identificación de moléculas orgánicas desconocidas ( Dendral ). [21] La idea de que "los sistemas inteligentes derivan su poder del conocimiento que poseen más que de los formalismos y esquemas de inferencia específicos que utilizan" [22] – como dijo Feigenbaum – fue en ese momento un importante paso adelante, desde las investigaciones anteriores. Se había centrado en métodos computacionales heurísticos, culminando en intentos de desarrollar solucionadores de problemas de propósito muy general (principalmente el trabajo conjunto de Allen Newell y Herbert Simon ). [23] Los sistemas expertos se convirtieron en algunas de las primeras formas verdaderamente exitosas de software de inteligencia artificial (IA). [4] [5] [6] [7] [8]
La investigación sobre sistemas expertos también estuvo activa en Europa. En Estados Unidos, la atención se centró en el uso de sistemas de reglas de producción , primero en sistemas codificados sobre entornos de programación Lisp y luego en shells de sistemas expertos desarrollados por proveedores como Intellicorp . En Europa, la investigación se centró más en sistemas y shells de sistemas expertos desarrollados en Prolog . La ventaja de los sistemas Prolog era que empleaban una forma de programación basada en reglas que se basaba en la lógica formal . [24] [25]
Uno de esos primeros shells de sistemas expertos basados en Prolog fue APES. [26] Uno de los primeros casos de uso de Prolog y APES fue en el área legal, es decir, la codificación de una gran parte de la Ley de Nacionalidad Británica. Lance Elliot escribió: "La Ley de Nacionalidad Británica se aprobó en 1981 y poco después se utilizó como medio para mostrar la eficacia del uso de técnicas y tecnologías de Inteligencia Artificial (IA), con el fin de explorar cómo las leyes recientemente promulgadas en ese momento La ley podría codificarse en una formalización computarizada basada en la lógica. Un artículo de investigación ahora citado con frecuencia titulado "La Ley de Nacionalidad Británica como programa lógico" se publicó en 1986 y posteriormente se convirtió en un sello distintivo para el trabajo posterior en IA y la ley. [27] [28]
En la década de 1980 proliferaron los sistemas expertos. Las universidades ofrecieron cursos de sistemas expertos y dos tercios de las empresas Fortune 500 aplicaron la tecnología en las actividades comerciales diarias. [3] [29] El interés fue internacional con el proyecto de sistemas informáticos de quinta generación en Japón y el aumento de la financiación de la investigación en Europa.
En 1981 se presentó el primer PC IBM , con el sistema operativo PC DOS . [30] El desequilibrio entre la alta asequibilidad de los chips relativamente potentes de las PC, en comparación con el costo mucho más caro de la potencia de procesamiento en los mainframes que dominaban el mundo de TI corporativo en ese momento, creó un nuevo tipo de arquitectura para la informática corporativa. , denominado modelo cliente-servidor . [31] Los cálculos y razonamientos podrían realizarse a una fracción del precio de una computadora central usando una PC. Este modelo también permitió a las unidades de negocio pasar por alto los departamentos de TI corporativos y crear directamente sus propias aplicaciones. Como resultado, cliente-servidor tuvo un tremendo impacto en el mercado de sistemas expertos. Los sistemas expertos ya eran casos atípicos en gran parte del mundo empresarial y requerían nuevas habilidades que muchos departamentos de TI no tenían y no estaban ansiosos por desarrollar. Eran una opción natural para los nuevos shells basados en PC que prometían poner el desarrollo de aplicaciones en manos de usuarios finales y expertos. Hasta entonces, el principal entorno de desarrollo para sistemas expertos habían sido las máquinas Lisp de alta gama de Xerox , Symbolics y Texas Instruments . Con el auge de las PC y la informática cliente-servidor, proveedores como Intellicorp e Inference Corporation cambiaron sus prioridades al desarrollo de herramientas basadas en PC. Además, comenzaron a aparecer regularmente nuevos proveedores, a menudo financiados con capital de riesgo (como Aion Corporation, Neuron Data , Exsys y muchos otros [32] [33] ).
El primer sistema experto que se utilizó en una capacidad de diseño para un producto a gran escala fue el programa de software Síntesis de Diseño Integral (SID), desarrollado en 1982. Escrito en Lisp , SID generó el 93% de las puertas lógicas de la CPU VAX 9000 . [34] La entrada al software era un conjunto de reglas creadas por varios diseñadores lógicos expertos. SID amplió las reglas y generó rutinas de síntesis lógica de software muchas veces más grandes que las reglas mismas. Sorprendentemente, la combinación de estas reglas dio como resultado un diseño general que excedió las capacidades de los propios expertos y, en muchos casos, superó a las contrapartes humanas. Si bien algunas reglas contradecían a otras, los parámetros de control de alto nivel para la velocidad y el área proporcionaron el desempate. El programa fue muy controvertido pero, no obstante, se utilizó debido a limitaciones presupuestarias del proyecto. Los diseñadores de lógica lo cancelaron después de la finalización del proyecto VAX 9000.
Durante los años previos a mediados de la década de 1970, las expectativas sobre lo que los sistemas expertos podían lograr en muchos campos tendían a ser extremadamente optimistas. Al comienzo de estos primeros estudios, los investigadores esperaban desarrollar sistemas expertos completamente automáticos (es decir, completamente computarizados). Las expectativas de la gente sobre lo que pueden hacer las computadoras eran frecuentemente demasiado idealistas. Esta situación cambió radicalmente después de que Richard M. Karp publicara su revolucionario artículo: “Reducibilidad entre problemas combinatorios” a principios de los años setenta. [35] Gracias al trabajo de Karp, junto con el de otros estudiosos, como Hubert L. Dreyfus, [36] quedó claro que existen ciertos límites y posibilidades cuando se diseñan algoritmos informáticos. Sus hallazgos describen lo que las computadoras pueden hacer y lo que no pueden hacer. Muchos de los problemas computacionales relacionados con este tipo de sistemas expertos tienen ciertos límites pragmáticos. Estos hallazgos sentaron las bases que condujeron a los siguientes desarrollos en este campo. [9]
En la década de 1990 y más allá, el término sistema experto y la idea de un sistema de IA independiente desaparecieron en gran medida del léxico de TI. Hay dos interpretaciones de esto. Una es que "los sistemas expertos fallaron": el mundo de las tecnologías de la información avanzó porque los sistemas expertos no cumplieron su tan publicitada promesa. [37] [38] La otra es el espejo opuesto, que los sistemas expertos fueron simplemente víctimas de su éxito: a medida que los profesionales de TI captaron conceptos como motores de reglas, dichas herramientas migraron de ser herramientas independientes para desarrollar sistemas expertos con fines especiales a ser una sola. de muchas herramientas estándar. [39] Otros investigadores sugieren que los sistemas expertos causaron luchas de poder entre empresas cuando la organización de TI perdió su exclusividad en las modificaciones de software para los usuarios o los ingenieros del conocimiento. [40]
En la primera década de la década de 2000, hubo una "resurrección" de la tecnología, aunque se utilizaba el término sistemas basados en reglas , con importantes historias de éxito y adopción. [41] Muchos de los principales proveedores de conjuntos de aplicaciones empresariales (como SAP , Siebel y Oracle ) integraron capacidades de sistemas expertos en su conjunto de productos como una forma de especificar la lógica empresarial. Los motores de reglas ya no sirven simplemente para definir las reglas que usaría un experto, sino para cualquier tipo de lógica empresarial compleja, volátil y crítica; a menudo van de la mano con entornos de integración y automatización de procesos de negocio. [42] [43] [44]
Los límites de los tipos anteriores de sistemas expertos llevaron a los investigadores a desarrollar nuevos tipos de enfoques. Han desarrollado métodos más eficientes, flexibles y potentes para simular el proceso de toma de decisiones humanas. Algunos de los enfoques que los investigadores han desarrollado se basan en nuevos métodos de inteligencia artificial (IA) y, en particular, en enfoques de aprendizaje automático y minería de datos con un mecanismo de retroalimentación. [45] [ verificación fallida ] Las redes neuronales recurrentes a menudo aprovechan tales mecanismos. Relacionada está la discusión sobre la sección de desventajas.
Los sistemas modernos pueden incorporar nuevos conocimientos más fácilmente y así actualizarse fácilmente. Estos sistemas pueden generalizar mejor los conocimientos existentes y manejar grandes cantidades de datos complejos. Relacionado está el tema del big data aquí. A veces, este tipo de sistemas expertos se denominan "sistemas inteligentes". [9]
Más recientemente, se puede argumentar que los sistemas expertos se han trasladado al área de las reglas comerciales y los sistemas de gestión de reglas comerciales .
Un sistema experto es un ejemplo de sistema basado en el conocimiento . Los sistemas expertos fueron los primeros sistemas comerciales en utilizar una arquitectura basada en el conocimiento. En términos generales, un sistema experto incluye los siguientes componentes: una base de conocimientos , un motor de inferencia , una función de explicación, una función de adquisición de conocimientos y una interfaz de usuario. [47] [48]
La base de conocimientos representa hechos sobre el mundo. En los primeros sistemas expertos como Mycin y Dendral, estos hechos se representaban principalmente como afirmaciones planas sobre variables. En sistemas expertos posteriores desarrollados con shells comerciales, la base de conocimientos adquirió más estructura y utilizó conceptos de programación orientada a objetos . El mundo se representó como clases, subclases e instancias y afirmaciones fueron reemplazadas por valores de instancias de objetos. Las reglas funcionaban consultando y afirmando valores de los objetos.
El motor de inferencia es un sistema de razonamiento automatizado que evalúa el estado actual de la base de conocimientos, aplica reglas relevantes y luego afirma nuevos conocimientos en la base de conocimientos. El motor de inferencia también puede incluir capacidades de explicación, de modo que pueda explicarle a un usuario la cadena de razonamiento utilizada para llegar a una conclusión particular rastreando el funcionamiento de las reglas que dieron como resultado la afirmación. [49]
Hay principalmente dos modos para un motor de inferencia: encadenamiento hacia adelante y encadenamiento hacia atrás . Los diferentes enfoques están dictados por si el motor de inferencia está siendo impulsado por el antecedente (lado izquierdo) o el consecuente (lado derecho) de la regla. En el encadenamiento directo, un antecedente activa y afirma el consecuente. Por ejemplo, considere la siguiente regla:
Un ejemplo simple de encadenamiento directo sería afirmar Man (Sócrates) en el sistema y luego activar el motor de inferencia. Coincidiría con R1 y afirmaría a Mortal (Sócrates) en la base de conocimientos.
El encadenamiento hacia atrás es un poco menos sencillo. En el encadenamiento hacia atrás, el sistema analiza posibles conclusiones y trabaja hacia atrás para ver si podrían ser ciertas. Entonces, si el sistema estuviera tratando de determinar si Mortal (Sócrates) es verdadero, encontraría R1 y consultaría la base de conocimientos para ver si Hombre (Sócrates) es verdadero. Una de las primeras innovaciones de los shells de sistemas expertos fue integrar motores de inferencia con una interfaz de usuario. Esto podría ser especialmente poderoso con el encadenamiento hacia atrás. Si el sistema necesita conocer un hecho en particular pero no lo hace, simplemente puede generar una pantalla de entrada y preguntar al usuario si conoce la información. Entonces, en este ejemplo, podría usar R1 para preguntarle al usuario si Sócrates era un hombre y luego usar esa nueva información en consecuencia.
El uso de reglas para representar explícitamente el conocimiento también permitió capacidades de explicación. En el ejemplo simple anterior, si el sistema hubiera usado R1 para afirmar que Sócrates era mortal y un usuario deseaba comprender por qué Sócrates era mortal, podía consultar el sistema y el sistema volvería a mirar las reglas que activaron la afirmación y las presentaría. reglas al usuario como explicación. En inglés, si el usuario pregunta "¿Por qué Sócrates es mortal?" el sistema respondería "Porque todos los hombres son mortales y Sócrates es un hombre". Un área importante de investigación fue la generación de explicaciones a partir de la base de conocimientos en inglés natural, en lugar de simplemente mostrar reglas más formales pero menos intuitivas. [50]
A medida que evolucionaron los sistemas expertos, se incorporaron muchas técnicas nuevas en varios tipos de motores de inferencia. [51] Algunos de los más importantes fueron:
El objetivo de los sistemas basados en el conocimiento es hacer que la información crítica necesaria para que el sistema funcione sea explícita en lugar de implícita. [54] En un programa informático tradicional, la lógica está integrada en un código que normalmente sólo puede ser revisado por un especialista en TI. Con un sistema experto, el objetivo era especificar las reglas en un formato que fuera intuitivo y fácil de entender, revisar e incluso editar por expertos en el dominio en lugar de expertos en TI. Los beneficios de esta representación explícita del conocimiento fueron el rápido desarrollo y la facilidad de mantenimiento.
La facilidad de mantenimiento es el beneficio más obvio. Esto se logró de dos maneras. En primer lugar, al eliminar la necesidad de escribir código convencional, muchos de los problemas normales que pueden ser causados incluso por pequeños cambios en un sistema podrían evitarse con sistemas expertos. Esencialmente, el flujo lógico del programa (al menos en el nivel más alto) era simplemente un hecho para el sistema, bastaba con invocar el motor de inferencia. Esta también fue una razón para el segundo beneficio: la creación rápida de prototipos . Con un shell de sistema experto fue posible ingresar algunas reglas y desarrollar un prototipo en días en lugar de los meses o años típicamente asociados con proyectos de TI complejos.
Una afirmación que se hacía a menudo sobre los shells de sistemas expertos era que eliminaban la necesidad de programadores capacitados y que los expertos podían desarrollar sistemas ellos mismos. En realidad, esto rara vez fue cierto. Si bien las reglas de un sistema experto eran más comprensibles que el código informático típico, aún tenían una sintaxis formal en la que una coma u otro carácter mal colocado podía causar estragos como ocurre con cualquier otro lenguaje informático. Además, a medida que los sistemas expertos pasaron de ser prototipos en el laboratorio a implementarse en el mundo empresarial, las cuestiones de integración y mantenimiento se volvieron mucho más críticas. Inevitablemente surgieron demandas de integrarse y aprovechar grandes bases de datos y sistemas heredados. Para lograr esto, la integración requería las mismas habilidades que cualquier otro tipo de sistema. [55]
Resumiendo los beneficios del uso de sistemas expertos, se pueden destacar los siguientes: [47]
La desventaja más común citada para los sistemas expertos en la literatura académica es el problema de adquisición de conocimiento . Obtener el tiempo de los expertos en el dominio para cualquier aplicación de software siempre es difícil, pero para los sistemas expertos era especialmente difícil porque los expertos eran, por definición, muy valorados y estaban en constante demanda por parte de la organización. Como resultado de este problema, gran parte de la investigación en los últimos años de los sistemas expertos se centró en herramientas para la adquisición de conocimiento, para ayudar a automatizar el proceso de diseño, depuración y mantenimiento de reglas definidas por expertos. Sin embargo, cuando se analiza el ciclo de vida de los sistemas expertos en uso real, otros problemas –esencialmente los mismos problemas que los de cualquier otro sistema grande– parecen al menos tan críticos como la adquisición de conocimiento: integración, acceso a grandes bases de datos y rendimiento. [56] [57]
El rendimiento podría ser especialmente problemático porque los primeros sistemas expertos se construyeron utilizando herramientas (como versiones anteriores de Lisp) que interpretaban expresiones de código sin compilarlas primero. Esto proporcionó un potente entorno de desarrollo, pero con el inconveniente de que era prácticamente imposible igualar la eficiencia de los lenguajes compilados más rápidos (como C ). La integración de sistemas y bases de datos era difícil para los primeros sistemas expertos porque las herramientas estaban en su mayoría en lenguajes y plataformas que no eran familiares ni bienvenidos en la mayoría de los entornos de TI corporativos: lenguajes de programación como Lisp y Prolog, y plataformas de hardware como máquinas Lisp y computadoras personales. . Como resultado, gran parte del esfuerzo en las últimas etapas del desarrollo de herramientas de sistemas expertos se centró en la integración con entornos heredados como COBOL y grandes sistemas de bases de datos, y en la migración a plataformas más estándar. Estos problemas se resolvieron principalmente mediante el cambio de paradigma cliente-servidor, a medida que las PC fueron aceptadas gradualmente en el entorno de TI como una plataforma legítima para el desarrollo serio de sistemas empresariales y los servidores de minicomputadoras asequibles proporcionaban la potencia de procesamiento necesaria para las aplicaciones de IA. [55]
Otro desafío importante de los sistemas expertos surge cuando aumenta el tamaño de la base de conocimientos. Esto hace que la complejidad del procesamiento aumente. Por ejemplo, cuando se concibió un sistema experto con 100 millones de reglas como sistema experto definitivo, resultó obvio que dicho sistema sería demasiado complejo y enfrentaría demasiados problemas computacionales. [58] Un motor de inferencia tendría que ser capaz de procesar un gran número de reglas para llegar a una decisión.
Cómo verificar que las reglas de decisión sean consistentes entre sí también es un desafío cuando hay demasiadas reglas. Generalmente este problema conduce a una formulación de satisfacibilidad (SAT). [59] Este es un conocido problema de satisfacibilidad booleana de problema NP-completo . Si asumimos solo variables binarias , digamos n de ellas, entonces el espacio de búsqueda correspondiente es de tamaño 2 . Por tanto, el espacio de búsqueda puede crecer exponencialmente.
También hay preguntas sobre cómo priorizar el uso de las reglas para operar de manera más eficiente, o cómo resolver ambigüedades (por ejemplo, si hay demasiadas subestructuras else-if dentro de una regla), etc. [60]
Otros problemas están relacionados con los efectos de sobreajuste y sobregeneralización cuando se utilizan hechos conocidos y se intenta generalizar a otros casos no descritos explícitamente en la base de conocimientos. Estos problemas también existen con los métodos que emplean enfoques de aprendizaje automático. [61] [62]
Otro problema relacionado con la base de conocimientos es cómo realizar actualizaciones de sus conocimientos de forma rápida y eficaz. [63] [64] [65] Además, cómo agregar un nuevo conocimiento (es decir, dónde agregarlo entre muchas reglas) es un desafío. Los enfoques modernos que se basan en métodos de aprendizaje automático son más sencillos a este respecto. [ cita necesaria ]
Debido a los desafíos mencionados anteriormente, quedó claro que se necesitaban nuevos enfoques para la IA en lugar de tecnologías basadas en reglas. Estos nuevos enfoques se basan en el uso de técnicas de aprendizaje automático, junto con el uso de mecanismos de retroalimentación. [9]
Los desafíos clave que enfrentan los sistemas expertos en medicina (si se consideran los sistemas de diagnóstico asistido por computadora como sistemas expertos modernos), y quizás en otros dominios de aplicación, incluyen cuestiones relacionadas con aspectos tales como: big data, regulaciones existentes, práctica de atención médica, diversas cuestiones algorítmicas. y evaluación del sistema. [66]
Finalmente, se pueden resumir las siguientes desventajas del uso de sistemas expertos: [47]
Hayes-Roth divide las aplicaciones de sistemas expertos en 10 categorías ilustradas en la siguiente tabla. Las aplicaciones de ejemplo no estaban en la tabla Hayes-Roth original y algunas de ellas surgieron mucho tiempo después. Cualquier aplicación que no esté a pie de página se describe en el libro de Hayes-Roth. [49] Además, si bien estas categorías proporcionan un marco intuitivo para describir el espacio de las aplicaciones de sistemas expertos, no son categorías rígidas y, en algunos casos, una aplicación puede mostrar rasgos de más de una categoría.
Los rumores fueron uno de los primeros intentos de resolver el reconocimiento de voz a través de un enfoque de sistemas expertos. En su mayor parte, esta categoría de sistemas expertos no tuvo mucho éxito. Los rumores y todos los sistemas de interpretación son esencialmente sistemas de reconocimiento de patrones: buscan patrones en datos ruidosos. En el caso de Hearsay, reconoce fonemas en una secuencia de audio. Otros ejemplos tempranos fueron el análisis de datos de sonar para detectar submarinos rusos. Este tipo de sistemas demostraron ser mucho más susceptibles a una solución de inteligencia artificial de red neuronal que a un enfoque basado en reglas.
CADUCEUS y MYCIN eran sistemas de diagnóstico médico. El usuario describe sus síntomas a la computadora como lo haría con un médico y la computadora devuelve un diagnóstico médico.
Dendral fue una herramienta para estudiar la formación de hipótesis en la identificación de moléculas orgánicas. El problema general que resolvió (diseñar una solución dada un conjunto de restricciones) fue una de las áreas más exitosas para los primeros sistemas expertos aplicados a dominios comerciales como los vendedores que configuraban las computadoras VAX de Digital Equipment Corporation (DEC) y el desarrollo de aplicaciones de préstamos hipotecarios.
SMH.PAL es un sistema experto para la evaluación de estudiantes con pluridiscapacidad. [76]
GARVAN-ES1 era un sistema médico experto, desarrollado en el Instituto Garvan de Investigación Médica , que proporcionaba comentarios de diagnóstico clínico automatizados sobre informes endocrinos de un laboratorio de patología. Fue uno de los primeros sistemas expertos médicos que se utilizó clínicamente de forma rutinaria a nivel internacional [72] y el primer sistema experto que se utilizó para el diagnóstico diario en Australia. [82] El sistema fue escrito en "C" y se ejecutó en un PDP-11 con 64 KB de memoria. Contaba con 661 reglas que fueron recopiladas; no interpretado.
Mistral [68] es un sistema experto para monitorear la seguridad de presas, desarrollado en la década de 1990 por Ismes (Italia). Obtiene datos de un sistema de seguimiento automático y realiza un diagnóstico del estado de la presa. Su primer ejemplar, instalado en 1992 en la presa de Ridracoli (Italia), sigue operativo 24 horas al día, 7 días a la semana, 365 días al año. Se ha instalado en varias represas en Italia y en el extranjero (por ejemplo, la represa de Itaipú en Brasil), y en sitios de deslizamientos de tierra con el nombre de Eydenet, [69] y en monumentos con el nombre de Kaleidos. [70] Mistral es una marca registrada de CESI .