Dieses Projekt baut auf einer Seminararbeit der Autorin von 1997 im Studienfach Wirtschaftswissenschaften für den Fachbereich Betriebsinformatik auf.
Das Hauptseminar trug den Titel Betriebliche Informationssysteme.
Die Seminararbeit wurde für die jetzige Veröffentlichung überarbeitet und auf den neuesten Stand gebracht.
Informationssysteme werden inzwischen vielfältig eingesetzt. Bei Management und Verwal-tung hat beispielsweise eine totale Umstrukturierung der öffentlichen und kommerziellen Dienstleistungen stattgefunden, von der kaum ein Bereich des täglichen Lebens verschon blieb. Ein Nutzungsbeispiel sind die Expertensysteme. Sie stellen im Vergleich z.B. zu Datenbanken, wesentlich komplexere Informationssysteme dar. Sie sind in der Lage „mitzudenken“ und selbständig zu einer Problemlösung zu finden.
Ziel der vorliegenden Arbeit ist es, dem interessierten Leser zu vermitteln, was ein Expertensystem ist, wie es arbeitet und auf welche Weise es in Forschung und Industrie Anwendung gefunden hat.
Die Arbeit orientiert sich in erster Linie an dem Buch „Einführung in Expertensysteme“ von Frank Puppe. Nach dem Literaturstudium von zwölf verschiedenen Einführungsbänden über Expertensysteme hat sich dieses Buch als das verständlichste und am besten strukturierte Werk herausgestellt. Auch andere Autoren greifen gern auf dieses Buch zurück.
Neure Literatur wurde als Ergänzung herangezogen.
Inhaltverzeichnis
Vorwort
Abbildungsverzeicnis
1. Charakterisierung von Expertensystemen
1.1. Wissensbasierte Systeme
1.2. History
2. Aufbau von Expertensystemen
2.1. Grundidee
2.2. Architektur
2.1.1. Wissensbasis
2.2.2. Steuersystem
3. Grundtechniken der Wissensrepräsentation
3.1. Logik als Grundlage
3.1.1. Prädikatenlogik
3.1.2. Kalküle
3.2.2. PROLOG
3.2. Regelbasierte Wissensrepräsentation
3.2.1. Allgemeines
3.2.2. Vorwärtsverkettung (Forward-Reasoning)
3.2.3. Rückwärtsverkettung (Backward-Reasoning)
3.2.4. Strukturierung
3.3. Objektorientierte Wissensrepräsentation
3.3.1. Vererbungshierarchie, zugeordnete Prozeduren, Erwartungswerte
3.3.2. Beispiel: FRL
3.4. Wissensrepräsentation durch Constraints
3.5. Repräsentation von unsicherem Wissen
3.5.1. Probabilistisches Schließen
3.5.2. Nicht-monotones Schließen
3.5.2. Temporales Schließen
4. Problemlösungstypen
4.1. Klassifikation (Diagnostik)
4.1.1. Beschreibung
4.1.2. Methoden
4.1.3. Einteilung nach Problemtypen
4.2. Konstruktion (Synthese)
4.2.1. Beschreibung
4.2.2. Methoden
4.2.3. Einteilung nach Problemtypen
4.3. Simulation
4.3.1. Beschreibung
4.3.2. Methode
4.3.3. Einteilung nach Problemtypen
5. Entwicklung von Expertensystemen
5.1. Wissenserwerb
5.1.1. Grundarten
5.1.2. Phasen
5.2. Erklärungsfähigkeit
5.3. Werkzeuge
6. Betrieblicher Einsatz
6.1. Anwendungsgebiet
6.2. Einsatzumgebung
7. Kritik und Ausblick
7.1. Enttäuschte Erwartungen
7.2. Neure Ansätze
Literaturverzeichnis
Abbildungsverzeichnis
Abbildung 1: Hauptmodule des Expertensystems
Abbildung 2: Backward-Reasoning
Abbildung 3: Einfaches Constraint Netz mit drei Variablen und ihren Beziehungen
Abbildung 4: Rücknahme von Ableitungen beim Nicht-Monotonen Schließen
Abbildung 5: Problemlösungstypen
Abbildung 6: Inferenzdiagramm der Hypothesize-and-Test-Strategie
Abbildung 7: Einphasensimulation und Mehrphasensimulation
Abbildung 8: Phasen des Wissenserwerbs
1. Charakterisierung von Expertensystemen
1.1. Wissensbasierte Systeme
Expertensysteme (XPS) werden auch wissensbasierte Systeme genannt. Es handelt sich dabei um Programme, die das Fachwissen und die Entscheidungsfindung von menschlichen Experten nachbilden sollen.[1] Charakteristisch ist die Trennung zwischen einer Wissensbasis und einer Problemlösungsstrategie, so dass der Weg der Lösungsfindung nachvollzogen werden kann.[2]
Ursprünglich war es das Ziel, die Experten als eine der teuersten Berufsgruppen unserer Gesellschaft (lange Ausbildungszeit) vollständig zu ersetzen. Zu diesem Zweck versuchte man den Expertensystemen beizubringen, selbständig Schlüsse zu ziehen und Lösungen für Problemstellungen zu entwickeln.[3]
1.2. History
Die ersten Ansätze für Expertensysteme lassen sich bereits in den Spielprogrammen der 60er Jahre erkennen. Damals ging es in erster Linie um die Problemlösungs- bzw. Inferenzstrategie. Die Probleme waren klar formuliert und vorgegeben (z.B. eine mathematische Formel oder ein Schachproblem).[4]
In den 70er Jahren trat ein Paradigmenwechsel ein. Nun konzentrierte man sich stärker auf die Wissenskoordination. 1975 wurde der Begriff „Expertensystem“ geprägt. Er galt zunächst für Softwaresysteme, die mit ihrer Leistungsfähigkeit über das hinausgingen, was Informationssysteme zu dieser Zeit konnten.[5]
In den 80er Jahren befanden sich über hundert verschiedene Expertensysteme aller Preisklassen auf dem Markt und im Einsatz von Industrie und Forschung.[6]
Anfang der 90er Jahre wurden viele Projekte aus Enttäuschung über nicht erfüllte Erwartungen eingestellt. Vor allem in den USA und Japan[7] läuft die Forschung weiter.
2. Aufbau von Expertensystemen
2.1. Grundidee
Die Idee hinter den Expertensystemen basiert auf der Annahme, dass sich bei den bearbeiteten Problemen zwar die jeweilige Wissensbasis unterscheidet, aber die Problemlösungsstrategien große Ähnlichkeit haben. Deshalb müsste es möglich sein, mit der gleichen Strategie mehrere Problembereiche zu lösen. Dazu müssen zunächst die Problembereiche klassifiziert und ihrem Problemlösungstyp zugeordnet werden.[8]
2.2. Architektur
Ein Expertensystem basiert auf der Trennung von Wissen und Problemlösungsstrategie.[9] Dem entspricht die funktionale Trennung in die zwei Hauptmodule Wissensbasis und Steuersystem (siehe Abb. 1).[10]
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Hauptmodule des Expertensystems
2.1.1. Wissensbasis
Die Wissensbasis kann nach der Art des Wissens in unterschiedliche Kategorien eingeteilt werden:[11]
a) statistische Wissen
Dieses beruht auf der Auswertung von Datenbanken
b) heuristisches Wissen
Dieses wird von Experten direkt in das System eingegeben und wird aus seinen Erfahrungswerten gebildet.
c) kausales (modellbasiertes) Wissen
Ein solches Wissen wird aus der Struktur des Problems abgeleitet.
d) fallvergleichendes Wissen
Es wird durch die Auswertung von verschiedenen Fällen bzw. Fallbeispielen gewonnen. Zum Teil auch im interaktiven Dialog mit dem Benutzer.
2.2.2. Steuersystem
Das Steuersystem bzw. Expertensystem-Shell enthält den Programmcode für die Problemlösungsstrategien und die Benutzerschnittstelle. Sie lässt sich in folgende Untermodule aufteilen:[12]
a) Problemlösungskomponente
Sie interpretiert das Expertenwissen, um zu einer Problemlösung zu kommen
b) Interviewkomponente
Über sie wird ein Dialog mit dem Benutzer geführt (interaktives System) oder automatisch erhobene Messdaten eingelesen (eingebettetes System).
c) Erklärungskomponente
Sie macht den Problemlösungsweg transparent. Das hilft dem Benutzer beim Verständnis der Lösung und dem Experten bei der Fehlersuche.[13]
d) Wissenserwerbskomponente
Über sie kann der Experte sein Wissen dem System zuführen und bei Bedarf ändern. Es können aber auch Datenbanken ausgewertet werden, um den Experten zu entlasten.
Das Ziel dieser Strategie liegt darin, den Experten in die Lage zu versetzen sein Wissen selbst einzugeben und somit eine eigene Wissensbasis zu schaffen und selbst zu ändern.[14] Damit braucht der Programmentwickler eines Expertensystems sich weniger um die konkrete Ausführung des Programms zu kümmern.
3. Grundtechniken der Wissensrepräsentation
Die Wissensrepräsentation dient zur Formalisierung des Wissens für das Expertensystem. Mit den verschiedenen Verfahren der Wissensrepräsentation werden Methoden zur Problemlösung assoziiert. Hier werden die grundlegenden Wissensrepräsentationen dargestellt.
3.1. Logik als Grundlage
Um das Fachwissen und die Schlussfolgerungen von Experten nachzubilden, muss der intuitive Begriff der Schlussfolgerung formalisiert werden, d.h. das relevante Wissen muss explizit formuliert werden. Dieses ist Gegenstand der Logik.[15]
3.1.1. Prädikatenlogik
Die Prädikatenlogik erster Ordnung ist die meistbenutzte Methode der Wissensrepräsentation.[16]
Die Prädikatenlogik basiert auf der Aussagenlogik. Diese beruht auf vorgegebenen Aussagen (Axiomen, Fakten, Annahmen). Abgeleitete Aussagen heißen Schlussfolgerungen. Als Verknüpfung benutzt man „und“ ([Abbildung in dieser Leseprobe nicht enthalten]).[17] Mit der Aussagenlogik lassen sich keine Allgemein-Aussagen formulieren. Deshalb wurde sie zur Prädikatenlogik erweitert.[18]
Diese verwendet anstatt einfacher Aussagen Prädikate, denen sie Objekte zuordnet. Z.B. ist die Referenz zu der Funktion (+ 3 4) das Objekt 7. Existenz- und Allaussagen über Individuen werden durch sog. Quantoren „es gibt“ ([Abbildung in dieser Leseprobe nicht enthalten]) beschrieben. So wird aus „Alle Menschen sind sterblich“ und „Sokrates ist ein Mensch“ abgeleitet „Sokrates ist sterblich. Formal wird das Individuum als x ausgedrückt: ([Abbildung in dieser Leseprobe nicht enthalten]).[19]
In der Prädikatenlogik erster Ordnung sind Strukturierungsmittel, wie Hierarchien oder Kontexte, nicht vorhanden. Daher ist sie nicht zur Repräsentation großer Wissensbasen, wie bei Expertensystemen geeignet.[20]
3.1.2. Kalküle
Alle Formalismen zur Wissensrepräsentation kann man als Kalküle auffassen. In einem Kalkül werden Objekte oder Zustände der realen Welt durch Aussagen des Kalküls beschreiben und über Ableitungsregeln neue Aussagen hergeleitet.
Die Ausdrucksstärke („Mächtigkeit29 EINES Kalküls resultiert daraus, welche Aussagen über den Problembereich repräsentierbar sind. Es ist korrekt, wenn alle syntaktisch herleitbaren Schlussfolgerungen auch semantisch (in der tatsächlichen Welt) erfolgen. Für Expertensysteme ist in diesem Zusammenhang entscheidend, wie realistisch ein Problembereich beschrieben werden kann (Adäquanz) und wie effizient sich Problemlösungen herleiten lassen.[21]
3.2.2. PROLOG
Die Programmiersprache PROLOG[22] („PROgrammieren mit LOGik“) beruht auf dem Hornklauselkalkül.[23] Eine Hornklausel enthält genau einen nicht-negierten Literal.[24]
Abbildung in dieser Leseprobe nicht enthalten
In PROLOG stellt sich das Ganze dar als (X [Abbildung in dieser Leseprobe nicht enthalten] A,B,C), d.h. zur Herleitung von X müssen die Literale A, B und C hergeleitet werden. Dieser Abarbeitungsmechanismus entspricht der Rückwärtsverkettung von Regeln (siehe Abschnitt 3.2.).
Wenn es mehrere Möglichkeiten für die Hornklausel gibt, probiert PROLOG alle Subsumtionen aus.[25] So können alle Lösungen für ein Problem gefunden und Sackgassen (Sackgasse bedeutet, eine Subsumtion ist mit den nachfolgenden nicht kompatibel) durch „Back-tracking“ überwunden werden. Dieser Vorgang nennt sich Unifizieren. Für große Expertensysteme hat PROLOG ein zu niedriges Abstraktionsniveau. Für kleine ist es jedoch populär geworden, durch die Vorteile eines installierten Regelinterpretierers mit Rückverkettung und Unifikation.[26]
3.2. Regelbasierte Wissensrepräsentation
3.2.1. Allgemeines
Experten formulieren ihr Wissen gewöhnlich in Regeln. Sie sind die am meisten verbreiteten Wissensrepräsentationen in Expertensystemen.[27]
Durch die Aufteilung des Wissens in kleinere Einheiten wird die Wissensbasis modular und somit leicht veränderbar. Besonders der Grundformalismus ist leicht zu variieren. Regelbasierte Systeme bestehen aus einer Datenbasis, welche die gültigen Fakten enthält, Regeln zur Herleitung neuer Fakten und einem Regelinterpretierer zur Steuerung des Herleitungsprozesses.[28]
Für die Abarbeitung von Regeln bietet der Regelimplementierer zwei grundlegende Alternativen: Vorwärts- und Rückwärtsverkettung.
3.2.2. Vorwärtsverkettung (Forward-Reasoning)
Jede Regel besteht aus einer Vorbedingung und einem Aktionsteil. Die Vorbedingung beschreibt, wann die Aktion auszuführen ist.
Bei der Vorwärtsverkettung wird zunächst eine Regel nach einer Trivialstrategie, der syntaktischen Struktur oder Zusatzwissen (Meta-Regeln steuern Auswahlprozess) ausgesucht.
Die Regeln werden entsprechend der Konfliktlösungsstrategie in einer Agenda[29] (geordnete Liste) sortiert. Wenn die vorhandene Datenbasis die Vorbedingung der Regel erfüllt, wird der Aktionsteil der Regel ausgeführt, d.h. die Regel „feuert“. Mit dieser Aktion wird die Datenbasis geändert und eine neue Agenda muss erstellt werden. Das wird so lange wiederholt, bis keine anwendbare Regel mehr zu finden ist („brute-force“-Algorithmus).[30]
Eine Verbesserung wird erreicht, indem man alle Regeln mit identischen Vorbedingungen gleichzeitig ausschließt. Dazu werden die Regeln hierarchisch als ein Netzwerk ineinander verschachtelter Bäume aufgebaut.
[...]
[1] Vgl. Savory, S.: Expertensysteme: Nutzen für Ihr Unternehmen, München 1987, S. 35.
[2] Vgl. Puppe, F.: Einführung in Expertensysteme, Berlin 1988, S. 2ff.
[3] Vgl. Grimm, F.: Expertensysteme für den Einsatz von Subroutinenpaketen, Wiesbaden 1990, S. 17.
[4] Vgl. Puppe (1988), S. 7 ff.
[5] Vgl. Karbach, W./Linster, M.: Wissensacquisition für Expertensysteme, München 1990, S. 5 ff, 169 ff.
[6] Vgl. Jackson, P.: Expertensysteme, Bonn 1987, S. 9.
[7] Vgl. Katzan, H.: Artificial Intelligence: State of the Art, in: Savory, S. (1987), S. 107.
[8] Vgl. Puppe, F. (1988), S. 9 ff.
[9] Vgl. Grimm (1990), S. 18 und Puppe (1988), S. 12 ff.
[10] Vgl. auch zu diesem Thema: Schult, Th.: Orientierung am Konkreten, in c´t 4/1992, S. 85.
[11] Vgl. Grimm (1990), S. 35.
[12] Vgl. Puppe (1988), S. 12 ff.
[13] Vgl. Jackson (1987), S. 12.
[14] Vgl. Haugg, F./Omlor, S.: Expertensysteme auf PCs, München 1988, S. 2.
[15] Vgl. Puppe (1988), S. 15 ff.
[16] Vgl. Jackson (1987), S. 81 ff.
[17] Vgl. Eine der wichtigsten Ableitungen ist der modus ponens: aus den Aussagen A und B wird hergeleitet AB.
[18] Vgl. Richter, M: Prinzipien der Künstlichen Intelligenz, Stuttgart 1992, S. 11 f.
[19] Vgl. Haugg (1987), S. 12.
[20] In der Prädikatenlogik zweiter Ordnung können Existenz- und Allaussagen auch über Mengen und Eigenschaften von Individuen getroffen werden. Sie ist jedoch schwer zu implementieren.
[21] Vgl Puppe (1988), S. 18 ff.
[22] Vgl. Haugg (1987), S. 12 f.
[23] Vgl. Jakson (1987), S. 89 f.
[24] Vgl. Richter (1992), S. 74 ff.
[25] Vgl. Hammond, P.: Success and failures in transferring AI Technology, in: Savory (1987), S. 205.
[26] Vgl. Puppe (1988), S. 19.
[27] Vgl. Puppe (1988), S. 21.
[28] Vgl. Ong, K. / Wang, Q.: A generalised fuzzy reasoning algorithm for an object oriented expert system tool, in: Expert Systems, 3/1995, S. 199.
[29] Vgl. Busch, B., u.a.: Systeme für Experten statt Expertensysteme, Köln 1994, S. 63 ff.
[30] Vgl. Puppe (1988), S. 22.
- Quote paper
- Dipl.-Kff. Susanna Mandorf (Author), 2008, Einführung in Expertensysteme, Munich, GRIN Verlag, https://www.grin.com/document/115039
-
-
-
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X. -
-
Upload your own papers! Earn money and win an iPhone X.