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 if-then en lugar de a través del código de programación procedimental convencional. [2] Los sistemas expertos estuvieron entre las primeras formas verdaderamente exitosas de software de IA. [3] [4] [5] [6] [7] Fueron creados en la década de 1970 y luego proliferaron en la década de 1980, [8] siendo ampliamente considerados como el futuro de la IA, antes del advenimiento de las exitosas redes neuronales artificiales . [9] 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 nuevos hechos, y puede incluir habilidades de explicación y depuración.
Poco después de la aparición de las computadoras modernas, a fines de la década de 1940 y principios de la de 1950, los investigadores comenzaron a darse cuenta del inmenso potencial que estas máquinas tenían para la sociedad moderna. Uno de los primeros desafíos fue lograr que estas máquinas fueran capaces de “pensar” como los humanos; en particular, lograr que estas máquinas fueran capaces de tomar decisiones importantes como lo hacen los humanos. El campo médico-sanitario presentó el tentador desafío de lograr que estas máquinas tomaran decisiones de diagnóstico médico. [10]
Así, a finales de los años 50, 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 ordenador para aplicaciones de diagnóstico en medicina y biología. Estos primeros sistemas de diagnóstico utilizaban los síntomas de los pacientes y los resultados de las pruebas de laboratorio como datos de entrada para generar un resultado de diagnóstico. [11] [12] Estos sistemas se describían a menudo como las primeras formas de sistemas expertos. Sin embargo, los investigadores se dieron cuenta de que existían límites significativos al utilizar métodos tradicionales como los diagramas de flujo, [13] [14] la comparación de patrones estadísticos [15] o la teoría de la probabilidad. [16] [17]
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 , [18] el sistema experto Internist-I [19] y más tarde, a mediados de la década de 1980, el sistema experto CADUCEUS [20] .
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"; [21] otros contribuyentes tempranos clave fueron Bruce Buchanan y Randall Davis. Los investigadores de Stanford intentaron identificar dominios donde la experiencia era altamente valorada y compleja, como el diagnóstico de enfermedades infecciosas ( Mycin ) y la identificación de moléculas orgánicas desconocidas ( Dendral ). [22] La idea de que "los sistemas inteligentes derivan su poder del conocimiento que poseen en lugar de los formalismos específicos y esquemas de inferencia que utilizan" [23] - como dijo Feigenbaum - fue en ese momento un avance significativo, ya que la investigación anterior 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 ). [24] Los sistemas expertos se convirtieron en algunas de las primeras formas verdaderamente exitosas de software de inteligencia artificial (IA). [3] [4] [5] [6] [7]
La investigación sobre sistemas expertos también fue activa en Europa. En los EE. UU., el enfoque tendió a estar 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 . [25] [26]
Uno de esos primeros sistemas expertos basados en Prolog fue APES. [27] Uno de los primeros casos de uso de Prolog y APES fue en el área legal, concretamente 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 un medio para demostrar la eficacia del uso de técnicas y tecnologías de Inteligencia Artificial (IA), haciéndolo para explorar cómo la ley estatutaria recién promulgada en ese momento podría codificarse en una formalización basada en lógica computarizada. Un artículo de investigación ahora citado con frecuencia titulado "La Ley de Nacionalidad Británica como un Programa Lógico" se publicó en 1986 y posteriormente se convirtió en un hito para el trabajo posterior en IA y la ley". [28] [29]
En la década de 1980, los sistemas expertos proliferaron. Las universidades ofrecieron cursos sobre sistemas expertos y dos tercios de las empresas de Fortune 500 aplicaron la tecnología en sus actividades comerciales diarias. [8] [30] El interés se internacionalizó 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 IBM PC , con el sistema operativo PC DOS . [31] El desequilibrio entre la alta asequibilidad de los chips relativamente potentes en el 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, denominada el modelo cliente-servidor . [32] Los cálculos y el razonamiento se podían realizar a una fracción del precio de un mainframe utilizando un PC. Este modelo también permitió a las unidades de negocio pasar por alto los departamentos de TI corporativos y construir directamente sus propias aplicaciones. Como resultado, el cliente-servidor tuvo un tremendo impacto en el mercado de sistemas expertos. Los sistemas expertos ya eran atípicos en gran parte del mundo empresarial, requiriendo nuevas habilidades que muchos departamentos de TI no tenían y no estaban ansiosos por desarrollar. Eran una adaptación natural a los nuevos shells basados en PC que prometían poner el desarrollo de aplicaciones en manos de los usuarios finales y los expertos. Hasta entonces, el principal entorno de desarrollo para sistemas expertos habían sido las máquinas Lisp de gama alta de Xerox , Symbolics y Texas Instruments . Con el auge de la PC y la informática cliente-servidor, proveedores como Intellicorp e Inference Corporation cambiaron sus prioridades al desarrollo de herramientas basadas en PC. Además, nuevos proveedores, a menudo financiados por capital de riesgo (como Aion Corporation, Neuron Data , Exsys y muchos otros [33] [34] ), comenzaron a aparecer regularmente.
El primer sistema experto que se utilizó en una capacidad de diseño para un producto a gran escala fue el programa de software Synthesis of Integral Design (SID), desarrollado en 1982. Escrito en Lisp , SID generó el 93% de las puertas lógicas de la CPU VAX 9000. [35] La entrada al software fue un conjunto de reglas creadas por varios diseñadores lógicos expertos. SID expandió las reglas y generó rutinas de síntesis lógica de software muchas veces el tamaño de las propias reglas. 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 nivel superior para velocidad y área proporcionaron el desempate. El programa fue muy controvertido pero se usó de todos modos debido a las restricciones presupuestarias del proyecto. Los diseñadores lógicos lo terminaron después de la finalización del proyecto VAX 9000.
Durante los años anteriores a mediados de la década de 1970, las expectativas de lo que los sistemas expertos pueden 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 informatizados). Las expectativas de la gente sobre lo que pueden hacer las computadoras eran con frecuencia demasiado idealistas. Esta situación cambió radicalmente después de que Richard M. Karp publicara su artículo innovador: “Reducibility among Combinatorial Problems” a principios de la década de 1970. [36] Gracias al trabajo de Karp, junto con otros académicos, como Hubert L. Dreyfus, [37] 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 llevaron a los siguientes desarrollos en el campo. [10]
En la década de 1990 y después, el término sistema experto y la idea de un sistema de IA independiente prácticamente desaparecieron del léxico de TI. Hay dos interpretaciones de esto. Una es que "los sistemas expertos fracasaron": el mundo de TI siguió adelante porque los sistemas expertos no cumplieron con su promesa exagerada. [38] [39] La otra es lo opuesto, que los sistemas expertos simplemente fueron víctimas de su éxito: a medida que los profesionales de TI comprendieron conceptos como los motores de reglas, dichas herramientas migraron de ser herramientas independientes para desarrollar sistemas expertos de propósito especial a ser una de las muchas herramientas estándar. [40] 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 de conocimiento. [41]
En la primera década del 2000, hubo una "resurrección" de la tecnología, mientras se utilizaba el término sistemas basados en reglas , con importantes historias de éxito y adopción. [42] Muchos de los principales proveedores de suites de aplicaciones empresariales (como SAP , Siebel y Oracle ) integraron capacidades de sistemas expertos en su suite 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 la automatización de procesos empresariales y los entornos de integración. [43] [44] [45]
Los límites de los sistemas expertos de tipo anterior impulsaron a los investigadores a desarrollar nuevos tipos de enfoques. Se 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. [46] [ verificación fallida ] Las redes neuronales recurrentes a menudo aprovechan dichos mecanismos. Relacionada con esto se encuentra la discusión sobre la sección de desventajas.
Los sistemas modernos pueden incorporar nuevos conocimientos con mayor facilidad y, por lo tanto, actualizarse con mayor facilidad. Estos sistemas pueden generalizar mejor a partir de los conocimientos existentes y manejar grandes cantidades de datos complejos. El tema de los macrodatos está relacionado con esto. A veces, a este tipo de sistemas expertos se los denomina "sistemas inteligentes". [10]
Más recientemente, se puede argumentar que los sistemas expertos se han trasladado al área de las reglas de negocio y los sistemas de gestión de reglas de negocio .
Un sistema experto es un ejemplo de un 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 conocimiento , un motor de inferencia , una herramienta de explicación, una herramienta de adquisición de conocimiento y una interfaz de usuario. [48] [49]
La base de conocimiento representa hechos sobre el mundo. En los primeros sistemas expertos como Mycin y Dendral, estos hechos se representaban principalmente como afirmaciones simples sobre variables. En sistemas expertos posteriores desarrollados con shells comerciales, la base de conocimiento adquirió más estructura y utilizó conceptos de la programación orientada a objetos . El mundo se representaba como clases, subclases e instancias y las afirmaciones se reemplazaban 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 incorpora nuevos conocimientos a 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 la activación de las reglas que dieron como resultado la afirmación. [50]
Existen principalmente dos modos para un motor de inferencia: encadenamiento hacia adelante y encadenamiento hacia atrás . Los diferentes enfoques están determinados 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 hacia adelante, un antecedente se activa y afirma el consecuente. Por ejemplo, considere la siguiente regla:
Un ejemplo simple de encadenamiento hacia adelante sería incluir a Man(Socrates) en el sistema y luego activar el motor de inferencia. Este coincidiría con R1 y incluiría a Mortal(Socrates) en la base de conocimiento.
El encadenamiento hacia atrás es un poco menos sencillo. En el encadenamiento hacia atrás, el sistema analiza las posibles conclusiones y trabaja hacia atrás para ver si pueden ser verdaderas. Por lo tanto, si el sistema estuviera tratando de determinar si Mortal(Sócrates) es verdadero, buscaría R1 y consultaría la base de conocimientos para ver si Man(Sócrates) es verdadero. Una de las primeras innovaciones de los 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 saber un hecho en particular pero no lo sabe, entonces puede simplemente generar una pantalla de entrada y preguntar al usuario si se conoce la información. Entonces, en este ejemplo, podría usar R1 para preguntar 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 la capacidad de explicar. En el ejemplo simple anterior, si el sistema hubiera utilizado R1 para afirmar que Sócrates era mortal y un usuario deseaba entender por qué Sócrates era mortal, podría consultar al sistema y el sistema miraría hacia atrás a las reglas que se activaron para causar la afirmación y presentaría esas reglas al usuario como una explicación. En inglés, si el usuario preguntara "¿Por qué Sócrates es mortal?", el sistema respondería "Porque todos los hombres son mortales y Sócrates es un hombre". Un área importante para la investigación fue la generación de explicaciones a partir de la base de conocimiento en inglés natural en lugar de simplemente mostrar las reglas más formales pero menos intuitivas. [51]
A medida que evolucionaron los sistemas expertos, se incorporaron muchas técnicas nuevas a varios tipos de motores de inferencia. [52] Algunas de las 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. [55] En un programa informático tradicional, la lógica está incorporada en un código que normalmente solo 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 un desarrollo rápido y facilidad de mantenimiento.
La facilidad de mantenimiento es el beneficio más obvio. Esto se logró de dos maneras. Primero, al eliminar la necesidad de escribir código convencional, muchos de los problemas normales que pueden ser causados por incluso 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 algo dado para el sistema, simplemente invocando el motor de inferencia. Esto también fue una razón para el segundo beneficio: prototipado rápido . Con un shell de sistema experto era posible ingresar algunas reglas y tener un prototipo desarrollado en días en lugar de los meses o años típicamente asociados con proyectos complejos de TI.
Una afirmación que se hacía con frecuencia sobre los sistemas expertos era que eliminaban la necesidad de programadores capacitados y que los expertos podían desarrollar sistemas por sí mismos. En realidad, esto rara vez era cierto, o nunca. Si bien las reglas de un sistema experto eran más comprensibles que el código informático típico, todavía tenían una sintaxis formal en la que una coma u otro carácter mal colocado podía causar estragos, como con cualquier otro lenguaje informático. Además, a medida que los sistemas expertos pasaban de los prototipos en el laboratorio a la implementación en el mundo empresarial, los problemas de integración y mantenimiento se volvieron mucho más críticos. Inevitablemente surgieron demandas de integración con grandes bases de datos y sistemas heredados y de aprovechamiento de ellos. Para lograr esto, la integración requería las mismas habilidades que cualquier otro tipo de sistema. [56]
Resumiendo los beneficios del uso de sistemas expertos se pueden destacar los siguientes: [48]
La desventaja más común que se cita para los sistemas expertos en la literatura académica es el problema de adquisición de conocimiento . Obtener el tiempo de los expertos del 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 observa 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. [57] [58]
El rendimiento podía ser especialmente problemático porque los primeros sistemas expertos se construyeron utilizando herramientas (como las versiones anteriores de Lisp) que interpretaban expresiones de código sin compilarlas primero. Esto proporcionó un entorno de desarrollo potente, pero con el inconveniente de que era virtualmente 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 etapas posteriores 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 portabilidad a plataformas más estándar. Estos problemas se resolvieron principalmente con el cambio de paradigma cliente-servidor, ya que las PC fueron aceptadas gradualmente en el entorno de TI como una plataforma legítima para el desarrollo de sistemas comerciales serios y los servidores de minicomputadoras asequibles proporcionaban la potencia de procesamiento necesaria para las aplicaciones de IA. [56]
Otro gran desafío de los sistemas expertos surge cuando aumenta el tamaño de la base de conocimiento, lo que hace que aumente la complejidad del procesamiento. Por ejemplo, cuando se concibió un sistema experto con 100 millones de reglas como el sistema experto definitivo, se hizo evidente que dicho sistema sería demasiado complejo y se enfrentaría a demasiados problemas computacionales. [59] Un motor de inferencia tendría que ser capaz de procesar una enorme cantidad 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. Por lo general, este problema conduce a una formulación de satisfacibilidad (SAT). [60] Este es un problema NP-completo bien conocido Problema de satisfacibilidad booleana . Si asumimos solo variables binarias , digamos n de ellas, y luego el espacio de búsqueda correspondiente es de tamaño 2. Por lo tanto, el espacio de búsqueda puede crecer exponencialmente.
También hay preguntas sobre cómo priorizar el uso de las reglas para operar más eficientemente, o cómo resolver ambigüedades (por ejemplo, si hay demasiadas subestructuras else-if dentro de una regla), etcétera. [61]
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. Tales problemas también existen con los métodos que emplean enfoques de aprendizaje automático. [62] [63]
Otro problema relacionado con la base de conocimiento es cómo actualizar su conocimiento de manera rápida y efectiva. [64] [65] [66] También es un desafío cómo agregar un nuevo fragmento de conocimiento (es decir, dónde agregarlo entre muchas reglas). Los enfoques modernos que se basan en métodos de aprendizaje automático son más fáciles en este sentido. [ cita requerida ]
Debido a los desafíos antes mencionados, se hizo evidente 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. [10]
Los desafíos clave que enfrentan los sistemas expertos en medicina (si se consideran los sistemas de diagnóstico asistidos 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, varias cuestiones algorítmicas y evaluación del sistema. [67]
Finalmente, se pueden resumir las siguientes desventajas del uso de sistemas expertos: [48]
Hayes-Roth divide las aplicaciones de los sistemas expertos en 10 categorías, ilustradas en la siguiente tabla. Las aplicaciones de ejemplo no estaban en la tabla original de Hayes-Roth, y algunas de ellas surgieron mucho después. Cualquier aplicación que no esté en notas a pie de página se describe en el libro de Hayes-Roth. [50] Además, si bien estas categorías proporcionan un marco intuitivo para describir el espacio de las aplicaciones de los sistemas expertos, no son categorías rígidas y, en algunos casos, una aplicación puede mostrar rasgos de más de una categoría.
Hearsay fue uno de los primeros intentos de resolver el reconocimiento de voz mediante un enfoque de sistemas expertos. En su mayor parte, esta categoría de sistemas expertos no tuvo demasiado éxito. Hearsay y todos los sistemas de interpretación son esencialmente sistemas de reconocimiento de patrones: buscan patrones en datos ruidosos. En el caso de Hearsay, se reconocen fonemas en una transmisión de audio. Otros ejemplos tempranos fueron el análisis de datos de sonar para detectar submarinos rusos. Este tipo de sistemas demostraron ser mucho más aptos para una solución de IA de red neuronal que 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 le devuelve un diagnóstico médico.
Dendral era una herramienta para estudiar la formación de hipótesis en la identificación de moléculas orgánicas. El problema general que resolvía (diseñar una solución dada una serie de restricciones) fue una de las áreas más exitosas para los primeros sistemas expertos aplicados a dominios empresariales, como la configuración de computadoras VAX de Digital Equipment Corporation (DEC) por parte de vendedores y el desarrollo de aplicaciones para préstamos hipotecarios.
SMH.PAL es un sistema experto para la evaluación de estudiantes con discapacidades múltiples. [77]
GARVAN-ES1 fue un sistema experto médico, 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 en entrar en uso clínico rutinario a nivel internacional [73] y el primer sistema experto en ser utilizado para diagnóstico diario en Australia. [83] El sistema fue escrito en "C" y se ejecutó en un PDP-11 en 64K de memoria. Tenía 661 reglas que fueron compiladas; no interpretadas.
Mistral [69] es un sistema experto para monitorizar la seguridad de presas, desarrollado en los años 1990 por Ismes (Italia). Obtiene datos de un sistema de monitorización automático y realiza un diagnóstico del estado de la presa. Su primera copia, instalada en 1992 en la presa de Ridracoli (Italia), sigue operativa 24 horas al día, 7 días a la semana, 365 días al año. Se ha instalado en varias presas en Italia y en el extranjero (por ejemplo, la presa de Itaipú en Brasil), y en sitios de deslizamientos de tierra bajo el nombre de Eydenet, [70] y en monumentos bajo el nombre de Kaleidos. [71] Mistral es una marca registrada de CESI .
