Methoden wissensbasierter Systeme

Mittlerweile sind weltweit unzählige wissensbasierte Systeme im Einsatz, und eine ebenso große Zahl von Systemen befindet sich wahrscheinlich zur Zeit in der Entwicklung — Computersysteme steuern und kontrollieren Prozesse, übernehmen Wartungsaufgaben und Fehlerdiagnosen, Roboter befördern Hauspost und kommunizieren dabei mit ihrer Umgebung, entscheidungsunterstützende Systeme helfen bei der Analyse komplexer Zusammenhänge (z.B. in der Wirtschaft und bei Banken), medizinische Diagnosesysteme beraten den behandelnden Arzt und unterbreiten Therapievorschläge, Expertensysteme nutzt man zu Konfigurations- und Planungsaufgaben, tutorielle Systeme werden zur Schulung insbesondere in mit hohem Risiko verbundenen Bereichen (z.B. Flugsimulation und Chirurgie) eingesetzt u.v.a.m. Die Menge der Programmierumgebungen, Tools und System-Shells, die bei der Entwicklung solcher wissensbasierter Systeme wertvolle Hilfestellung leisten können, scheint ebenso unüberschaubar, und die rasante Entwicklung im allgemeinen Soft- und Hardware-Bereich macht die Orientierung auf diesem Gebiet nicht einfacher.

Nach ersten Beispielen für wissensbasierte Systeme gehen wir auf die Unterscheidung zwischen Expertensystemen und wissensbasierten Systemen ein. Angaben zu der Geschichte des Gebietes werden ergänzt durch die Vorstellung des für die Geschichte so wichtigen medizinischen Expertensystems MYCIN. Danach beschreiben wir den generellen Aufbau eines wissensbasierten Systems; dieser generelle Aufbau lässt sich schon recht gut an dem MYCIN-System erkennen.

In diesem Kapitel werden wir auf die Grundlagen logikbasierter Ansätze zur Wissensrepräsentation und -inferenz eingehen. Neben einem allgemeinen Überblick werden wir dabei insbesondere die charakteristischen Eigenschaften klassisch-logischer Systeme herausarbeiten, die zum einen den Kern vieler Repräsentationssprachen bilden und zum anderen als Referenzobjekt zur Beurteilung von semantischer Fundierung, Ausdrucksstärke etc. solcher Sprachen dienen.

In Kapitel 2 haben wir bereits ein regelbasiertes System kennengelernt: Den Geldautomaten. Wir führten einige Regeln an, die die Bewilligung einer Auszahlung gestatten oder verweigern. Damit der Geldautomat korrekt arbeitet, muss ein Regelinterpreter die Anwendung der Regeln steuern.

Ähnlich wie es grundlegende Schwierigkeiten gibt, den Begriff der künstlichen Intelligenz exakt zu definieren, gilt dies auch für den Begriff des maschinellen Lernens. Beide Begriffe stehen nämlich in einem ähnlichen Verhältnis zueinander, wie dies auch die Begriffe der Intelligenz und des Lernens tun. Intelligentes Verhalten wird oft eng mit der Fähigkeit des Lernens verknüpft; in der Tat spielt bei der Entwicklung der Intelligenz beim Menschen die Lernfähigkeit eine ganz entscheidende Rolle.

Mit den regelbasierten Systemen haben wir eine wichtige Grundform wissensbasierter Systeme kennengelernt. Ihre Bedeutung verdanken sie nicht zuletzt dem Umstand, dass Regeln in besonderem Maße als Repräsentanten von Wissen akzeptiert und geschätzt werden. Regeln drücken generisches Wissen aus, also allgemeines, vom speziellen Kontext abstrahierendes Wissen.

Schon der Name “Nichtmonotone Logik(en)” mag Unbehagen einflößen. Man ist froh, endlich die formalen Hürden klassischer Logik genommen zu haben, hat ihre Formalismen verinnerlicht und weiß vielleicht sogar ihre Klarheit und verlässliche Stärke zu schätzen — wozu sich also nun mit einem Thema beschäftigen, das wie eine abstruse und höchst artifizielle Spielart der “normalen” Logik klingt?

Während bei Truth Maintenance Systemen die nichtmonotone Ableitung im Vordergrund steht und nichtmonotone Regeln hier — eher unscheinbar — als ein Mittel zum Zweck eingesetzt werden, rücken diese unsicheren Regeln (defeasible rules) in der Default-Logik in den Mittelpunkt des Geschehens. Sie bekommen einen eigenen Namen, Default-Regel oder einfach Default, und ein ganz spezielles Aussehen. Es handelt sich dabei um

Wie das Ziehen von Schlussfolgerungen und das Lernen ist das zielgerichtete Planen etwas, in dem sich intelligentes Verhalten in besonderer Weise manifestiert. Während es aber beim Schließen darum geht festzustellen, ob ein bestimmter Sachverhalt vorliegt oder nicht, ist das Ziel des Planens ein anderes. Gegeben sei ein vorliegender Zustand und die Beschreibung eines erwünschten Zielzustands. Die Planungsaktivität besteht dann darin, eine Folge von Aktionen zu erstellen, deren Ausführung den vorliegende Zustand in einen Zustand überführt, in der die Zielbeschreibung zutrifft.

Neben den symbolischen Methoden zur Repräsentation unsicheren Wissens verfolgte man von Anfang an auch quantitative Ansätze zur Repräsentation und Verarbeitung von Wissen. Ein wegweisendes Beispiel hierfür war MYCIN, eines der ersten namhaften Expertensysteme (s. Kapitel 4.7). Im allgemeinen werden dabei Aussagen bzw. Formeln numerische Größen zugeordnet, die den Grad ihrer Gewissheit, die Stärke ihrer Einflussnahme, ihren Zugehörigkeitsgrad zu einer gewissen Menge o.ä. ausdrücken. Außerdem müssen Verfahren zur Verfügung gestellt werden, die diese Größen verarbeiten, um neues — quantifiziertes — Wissen abzuleiten.

Ein Nachteil des üblichen probabilistischen Ansatzes ist die Erfordernis präziser Wahrscheinlichkeitswerte. Zum einen ist oft die Spezifikation solcher exakten Werte problematisch, zum anderen lässt sich probabilistische Unsicherheit nicht von der durch fehlendes Wissen bedingten Unsicherheit unterscheiden. Werfen wir eine Münze, so schätzen wir die Wahrscheinlichkeit, dass “Kopf” erscheint, in der Regel mit 0.5 ein, unabhängig davon, ob wir wissen, dass es sich um eine ideale Münze handelt. In diesem Fall erscheint tatsächlich — bei beliebig häufigen Versuchen — in 50% aller Würfe “Kopf”, d.h. der Wert 0.5 beruht auf einer gesicherten statistischen Erkenntnis. Doch selbst wenn wir unsicher sind, ob die Münze wirklich ideal ist, werden wir als Wahrscheinlichkeit 0.5 angeben und drücken damit unser vollkommenes Unwissen über den Ausgang des Münzwurfs aus. Wahrscheinlichkeitswerte können also ganz unterschiedliche kognitive Hintergründe haben, die sich durch eine Wahrscheinlichkeitsverteilung nicht mehr ausdrücken lassen. Wie leicht ein naiver Ansatz zur Modellierung von Nicht-Wissen mit den Gesetzen der Wahrscheinlichkeit sogar in Konflikt kommen kann, zeigt das folgende Beispiel: