Advertisement
Published in:
2013 | OriginalPaper | Chapter
10. Nichtmonotone Logik
Author : Prof. Dr. Dr. Michael Schenke
Published in: Logikkalküle in der Informatik
Publisher: Springer Fachmedien Wiesbaden
Activate our intelligent search to find suitable subject content or patents.
Select sections of text to find matching patents with Artificial Intelligence. powered by
Select sections of text to find additional relevant content using AI-assisted search. powered by
Zusammenfassung
Es geht bei der bei der nichtmonotonen Logik (NML)
um ein in der künstlichen Intelligenz häufig auftretendes Phänomen: Es sei schon eine Menge von Fakten gesichert. Jetzt kommt neues Wissen hinzu. Die Menge des bekannten Wissens wächst dadurch aber nicht, sondern einige der scheinbar altbekannten Fakten werden ungültig. Ein Musterbeispiel dafür ist „Tweety, der KI-Vogel“: Ist über Tweety nur bekannt, dass er ein Vogel ist, lässt sich aus der Tatsache, dass Vögel im Allgemeinen fliegen können, schließen, dass Tweety fliegen kann. Wird Tweety dagegen näher untersucht und als Pinguin identifiziert, der dann nicht fliegen kann, so muss der Schluss auf die Flugfähigkeit von Tweety revidiert werden. Dieses Phänomen möchte man formal exakt behandeln können.
Bei den vorgestellten Truth Maintenance-Systemen wird zwischen sicherem und unsicherem Wissen unterschieden. Ein zulässiges Modell für eine Menge (zum Teil unsicherer) Begründungen darf nur durch Schlüsse fundiertes Wissen enthalten und muss alle Konsequenzen gültiger Begründungen umfassen. Solche Modelle müssen nicht unbedingt existieren, und sie sind für gewöhnlich auch nicht eindeutig.
Der hier vorgestellte JTMS-Algorithmus zeigt, wie aus einem zulässigen Modell bei Gewinnung neuer Fakten ein auch für die neue Situation zulässiges Modell konstruiert werden kann, falls ein solches existiert.