8

Kapitel 2. Einführung zu Expertensystemen

2.1 Künstliche Intelligenz

Seit der Mitte des 20. Jahrhunderts, mit zunehmender Verbesserung der Computersysteme, haben Wissenschaftler versucht, menschliche Fähigkeiten mit Hilfe von EDV-Anlagen nachzuahmen. Unter dem Schlagwort der „Künstlichen Intelligenz“ wurden diese Bemühungen zusammengefaßt.

Die Künstliche Intelligenz, als ein interdisziplinäres Teilgebiet der Informatik, integriert Erkenntnisse aus den unterschiedlichsten Gebieten wie z.B. der kognitiven Psychologie, der Philosophie, der Linguistik oder der Elektrotechnik. Sie kann in verschiedene Bereiche untergliedert werden. Diese spiegeln die unterschiedlichen Richtungen bei der Suche nach Möglichkeiten zur Umsetzung menschlicher Fähigkeiten mit Hilfe von Computern wider. Die wissenschaftlichen Forschungen erstrecken sich auf Teilgebiete wie Verstehen und Verarbeitung natürlicher Sprache, Bilderkennung, Robotik, Spielprogrammierung, automatisches Beweisen und Programmieren, Neuronale Netzwerke und auch Wissensbasierte Systeme bzw. Expertensysteme.

In der Literatur findet sich eine Vielzahl von Definitionen zur Künstlichen Intelligenz (vgl. Barr und Feigenbaum, 1981 in Morris, 1992, S. 1; Neumann, 1990, S. 339; Patterson, 1990 in Morris, 1996, S. 18; Helbig, 1991, S. 11). Diese Arbeit bezieht sich auf eine Definition von Minsky, einem Pionier auf diesem Gebiet. Dabei nähert er sich der Thematik auf einer rein funktionalen Ebene, ohne notwendige Kriterien für die Umsetzung festzulegen. Dies scheint auch aus heutiger Sicht ein sehr produktiver Ansatz für die Lösung der anstehenden Probleme zu sein.

Minsky definiert Künstliche Intelligenz als „die Beschäftigung mit Methoden, die es den Computern ermöglicht, Aufgaben zu lösen, zu deren Lösung Intelligenz notwendig ist, wenn sie vom Menschen durchgeführt werden“ (in Semantic information processing, 1968, zitiert nach Jüttner und Güntzer, 1988, S. 19).

Die Möglichkeiten der Umsetzung dieser Bestrebungen wurden bereits in der Zeit der ersten Entwicklungen auf diesem Gebiet kontrovers diskutiert.

1950 veröffentlichte Turing (vgl. Alberico und Micco, 1990, S. 24) einen Artikel “Computing Machinery and Intelligence“, in dem er die Hypothese aufstellte, man könne Computer so programmieren, daß sie intelligentes Verhalten zeigen. In diesem

9

Im Gegensatz zu Turing war Dreyfus (vgl. Vedder, 1990, S. 1), ein anderer herausragender Vertreter dieses Gebietes, in diesem Punkt weniger euphorisch. Er vertrat sehr energisch die Meinung, daß es einem Computer absolut unmöglich wäre, je wirklich menschliches Verhalten zu zeigen. Das emotionale, kreative und spirituelle Wesen eines Menschen könne nie in einem Computer umgesetzt werden, und ohne diese Merkmale könne die Bezeichnung „menschlich“ nicht verwendet werden.

2.2 Geschichte von Expertensystemen

Ein zentraler Forschungsgegenstand auf dem Gebiet der Künstlichen Intelligenz ist der Bereich des Problemlösens (engl.: problem solving). Viele Arbeiten der Anfangszeit beschäftigten sich mit der Auffindung allgemeiner Problemlösungstechniken, die sich auf unterschiedliche Probleme in sehr verschiedenen Bereichen anwenden lassen. Ein sehr bekanntes Beispiel aus dieser Zeit ist der General Problem Solver, ein System, das in den sechziger Jahren von Newell und seinem Team entwickelt wurde (vgl. Alberico und Micco, 1990, S. 25). Ursprünglich für Problemlösungen auf dem Gebiet der Mathematik konzipiert, versuchte man das System zu einem universellen Problemlöser weiterzuentwickeln. Man verwendete den Ansatz der Problemreduzierung, bei dem ein Problem in immer kleinere und damit lösbare Teilprobleme aufgegliedert wird. Das Projekt scheiterte, da bei diesem Vorgehen die Bearbeitung komplexer Aufgaben zu einer kombinatorischen Explosion führt. Der Ansatz war somit für derartige Fragestellungen ungeeignet. Von dieser Erkenntnis profitierend, folgte eine Neuorientierung zur Neurobiologie bzw. Psychologie. Die Analyse der menschlichen Strategien führte zu einem neuen Ansatz.

Menschen konzentrieren sich nur auf einen kleinen Teil der möglichen Lösungen. Erst diese Begrenzung auf das Wahrscheinliche ermöglicht es den Menschen, auch bei komplexeren Problemen Entscheidungen zu treffen. Dabei ist das heuristische Wissen von

10

Aus diesem Grund trennte man sich von der Idee eines universellen Problemlösers. Die Tendenz zu bereichsspezifischeren Problemlösern wurde zusätzlich durch den Anspruch verstärkt, intelligente Systeme zur Lösung von Aufgaben aus der Realität zu entwickeln. Man hoffte, daß diese Systeme das Potential für den Einsatz in der Industrie und anderen Institutionen haben würden. Dies entsprach dem gewachsenen Bedürfnis zu demonstrieren, daß die Künstliche Intelligenz nicht nur eine “theoretisch-akademische Übung“ war. Es folgte eine dementsprechende Verlagerung des Schwerpunktes der wissenschaftlichen Arbeit.

Das Einbringen des gesamten Weltwissens in ein System wurde in absehbarer Zeit als nicht realisierbar erkannt. Man beschränkte sich darum auf Wissen aus spezielleren Bereichen. Dies läßt sich leichter als allgemeines Wissen extrahieren und repräsentieren.

Vor diesem Hintergrund begannen Ende der sechziger Jahre verschiedene Forschergruppen aus dem Bereich der Künstlichen Intelligenz die Arbeit an intelligenten wissensbasierten Systemen. Die Anzahl der von diesen Systemen zu bearbeitenden Probleme war eng begrenzt, und die Problembereiche so schmal und hochspezifisch, daß normalerweise Experten zu ihrer Lösung erforderlich waren. Einige Systeme, z.B. zur Unterstützung der Diagnosefindung in der Medizin oder zum computergestützten Auffinden von Fehlern, fanden ihren Weg in die Praxis. Bekannt wurden diese Systeme als Expertensysteme.

Mit DENDRAL entstand 1968 eines der ersten Expertensysteme. Feigenbaum und seine Mitarbeiter entwickelten dieses Programm, das Moleküle mittels Massenspektrogrammen identifiziert. DENDRAL stellt einen Meilenstein in der Geschichte der Expertensysteme dar (vgl. Alberico und Micco, 1990, S. 26). Zum ersten Mal versuchte man zusammen mit einem Experten, sowohl die Heuristiken als auch die Grenzen, die sich beim Lösen eines komplexen Problems ergeben, zu bestimmen. Es entstand das erste Programm, daß sich vielmehr auf hochspezifisches Expertenwissen als auf allgemeine

11

Das vielleicht bekannteste Expertensystem ist MYCIN (vgl. Brooks, 1990, S. 198). Das häufig auch als “Großvater“ der Expertensysteme bezeichnete System wurde zwischen 1972 und 1976 entwickelt. MYCIN ist ein System zur Diagnose und Therapie von bakteriellen Infektionskrankheiten des Blutes und der Meningitis. “Es zeichnet sich durch seine methodische Klarheit, insbesondere in seiner Trennung zwischen Wissensrepräsentation und Problemlösungsstrategie, und durch seine Erklärungskomponente aus. Aufgrund dieser Vorzüge ist es das Vorbild für viele Nachfolgesysteme geworden“ (Puppe, 1991, S. 7).

Bis zum Anfang der achtziger Jahre entstanden verschiedene Expertensysteme. Den Schritt in die Praxis schafften aber nur wenige.

Erst das Jahr 1981 stellte einen Wendepunkt dar. In Japan wurde der Plan zum Bau der sogenannten Fünften Computergeneration verkündet, und Feigenbaum und McCorduck (1984, S. 16) formulierten sehr treffend: „sie [die Japaner] wollen nicht nur die traditionellen Formen der Computerindustrie beherrschen, sondern eine Wissensindustrie aufbauen, in der das Wissen eine verkäufliche Ware wie Nahrungsmittel und Erdöl sein wird“. Über Nacht gewannen die Künstliche Intelligenz und mit ihr die Expertensysteme an Wichtigkeit. Die Regierungen in Europa und den USA stellten Programme zur Zusammenarbeit zwischen Industrie und wissenschaftlichen Organisationen auf. Eine große Anzahl an Unternehmen investierte viel Geld in die Forschung und Entwicklung von Expertensystemen. In Folge dieser Aktivitäten waren innerhalb kürzester Zeit Expertensysteme und Werkzeuge zu deren Aufbau erhältlich, und die Zahl der Kurse und Zeitschriften zu Expertensystemen stieg beachtlich. Der Optimismus hinsichtlich der mit dieser Technologie lösbaren Probleme und erzielbaren Profite währte aber nur bis zur Mitte der achtziger Jahre. Es folgte eine Phase der Ernüchterung. Die Popularität von Expertensystemen sank. Sie hatten die an sie gestellten hohen Anforderungen nicht erfüllt, sich nicht im erwarteten Umfang verbreitet und nicht die erhofften Profite erbracht.

Die neunziger Jahre waren durch eine jetzt realistischere Sicht auf Expertensysteme geprägt. Man hatte weitestgehend akzeptiert, daß Expertensysteme nicht in der Lage waren, einen menschlichen Experten vollständig zu ersetzen. Sie konnten kein Patentrezept für Organisationen darstellen, die aufgrund ausscheidender Experten Verluste an menschlichen Fachkenntnissen hinnehmen mußten.

12

2.3 Wissensbasierte Systeme und Expertensysteme

2.3.1 Entwicklung der Begriffe

In der Literatur finden sich sehr unterschiedliche Auffassungen bzw. Definitionen zu Wissensbasierten Systemen und Expertensystemen, sowie zu deren Verhältnis zueinander. Die Gründe dafür liegen in der Entwicklung dieses Bereiches und spiegeln auch immer die Sicht auf und die Hoffnung in die Systeme wider.

Der Bereich der Künstlichen Intelligenz, in dem versucht wird, menschliches Wissen abzubilden, wird als Knowledge Engineering bezeichnet. Dies ist ein Überbegriff, unter dem die Teilprozesse Planung, Bau, Installation und Wartung der Systeme zusammengefaßt werden. Die mit Hilfe dieser Technologien entstandenen Anwendungen werden folgerichtig der Gruppe der Knowledge-based Systems, der Wissensbasierten Systeme, zugeordnet.

Darum verwenden einige Autoren, so auch Hennings (1991, S. 13), die Bezeichnung Wissensbasierte Systeme „als Oberbegriff für alle Systeme, die wissensbasiert arbeiten“. Vedder (1990, S. 3-4) führt aus, daß Wissensbasierte Systeme die Robotik, die natürlichsprachigen Systeme und die Expertensysteme einschließen. Er beschreibt sie als Systeme, die gespeichertes Wissen und Problemlösungsstrategien nutzen, um Probleme in einem speziellen Gebiet zu lösen. Jüttner und Güntzer (1988, S. 39) vertreten die Meinung, daß „Expertensysteme nur eine spezielle, wenn auch die bekannteste Anwendungsform der Wissensverarbeitung [sind]“ bzw., daß „eine spezielle Form Wissensbasierter Systeme ... Expertensysteme [sind]“ (S. 26).

Schon Harmon und King (1985, S. 4-5) weisen darauf hin, daß der Begriff Wissensbasiertes System immer häufiger nicht mehr als Oberbegriff verwendet wird. Er wird, im Sinne einer Abgrenzung zu Expertensystemen, nur noch auf einen bestimmten

13

Zum Begriff des Expertensystems wurde eine Vielzahl von Definitionen veröffentlicht (vgl. Hennings, 1991, S. 15; Puppe, 1991, S. 2; Guimaraes et al., 1996, S. 119; Pollitt, 1997, S. 142; Umstätter in Ewert und Umstätter, 1997, S. 163). Lancaster (1997, S. 19) beschreibt das Spektrum der in der Literatur verwendeten Definitionen als Kontinuum zwischen einem strikten und einem weniger eng gefaßten Ansatz. Ein Teil der strikten Definitionen orientiert sich an der Struktur und fordert für Expertensysteme bestimmte Komponenten und notwendige Aktionen. Ein anderer Teil stellt die Leistung in den Vordergrund und verlangt für die Zuordnung Ergebnisse, die nicht hinter denen von Experten zurückstehen. Nach den weniger eng gefaßten Definitionen müssen Expertensysteme lediglich einem Nichtexperten helfen können, sich dem Expertenniveau zu nähern. Dabei bleiben die Komponenten unberücksichtigt.

Schon frühzeitig herrschte Einigkeit darüber, daß Systeme, die mit Hilfe von Knowledge-Engineering-Techniken erstellt werden und das Wissen eines Gebietes separat von den Problemlösungsstrategien speichern, als Wissensbasierte Systeme bezeichnet werden sollten (vgl. Morris, 1992, S. 231). In welchem Umfang dieser Begriff auf die zu beschreibenden Systeme zutrifft, resultiert aus den verschiedenen, verwendeten Definitionen für ein Expertensystem. Daraus ergibt sich, daß bei Verwendung einer sehr strikten Definition für Expertensysteme die meisten Systeme als Wissensbasierte Systeme eingestuft werden.

Ein Hauptgrund für die annähernd gleichberechtigte Verwendung der Begriffe Wissensbasiertes System und Expertensystem liegt in der schon in den achtziger Jahren gewonnenen Erkenntnis, daß die Realisierung von expertenähnlicher Entscheidungsfindung mit Hilfe von Computern schwieriger ist, als man sich dies in der Anfangszeit vorgestellt hat. Die Autoren, die beide Begriffe im Sinne von „einander ähnlichen Systemen“ verwenden, orientieren sich dabei an der Architektur. Die

14

Unter Berücksichtigung einer sehr strengen, sehr eng am Ergebnis orientierten Definition, könnte man sogar behaupten, daß es gar keine Expertensysteme gibt. Darum sind viele der Autoren aus den neunziger Jahren, geprägt durch eine realistischere Sicht auf das Machbare, dazu übergegangen, die Begriffe Wissensbasierte Systeme und Expertensysteme synonym zu verwenden. Damit sollte zum Ausdruck gebracht werden, daß obwohl die späteren Systeme das Wissen auch für schwierige Entscheidungssituationen enthielten, sich keines der beschriebenen Systeme mit menschlichen Experten messen konnte.

2.3.2 Inhaltliche Abgrenzung des Begriffes „Expertensystem“

Diese Arbeit bezieht sich auf eine Definition von Feigenbaum (zitiert nach Harmon und King, 1985, S. 5). Feigenbaum definiert ein Expertensystem als:

„ ... an intelligent computer program that uses knowledge and inference procedures to solve problems that are difficult enough to require significant human expertise for their solution. Knowledge necessary to perform at such a level, plus the inference procedures used, can be thought of as a model of the expertise of the best practitioners of the field.

The knowledge of an expert system consists of facts and heuristics. The ‚facts’ constitute a body of information that is widely shared, publicly available, and generally agreed upon by experts in a field. The ‚heuristics’ are mostly private, little-discussed rules of good judgment (rules of plausible reasoning, rules of good guessing) that characterize expert-level decision making in the field. The performance level of an expert system is primarily a function of the size and the quality of a knowledge base it possesses.“

Ein Expertensystem besitzt also als strukturelles Merkmal eine Wissensbasis und einen Inferenzmechanismus. Das in der Wissensbasis enthaltene Wissen wurde zumindest mit

15

In dieser Arbeit werden die Begriffe Expertensystem und Wissensbasiertes System nicht synonym verwendet, da die begriffliche Abgrenzung sowohl im Sinne eines Ordnungs- als auch eines Qualitätskriteriums sinnvoll erscheint.

Da die Unterschiedlichkeit der von den Autoren zugrundegelegten Definitionen zu einer fehlenden Einheitlichkeit bei der Verwendung der zentralen Begriffe führt, und der Umfang der Darstellungen der Architektur spezieller Systeme z.T. erheblich differiert, ergibt sich bei der notwendigen Einordnung der in dieser Arbeit zu beschreibenden Systeme die Herausforderung einer einheitlichen Zuordnung.

Um diesem Anliegen gerecht zu werden, sollen die Systeme die definierten strukturellen Anforderungen erfüllen. Das Zuordnungskriterium für Expertensysteme ergibt sich aus der Frage, ob das enthaltene bzw. abgebildete Wissen zumindest den Anspruch hat, als Expertenwissen angesehen zu werden. Um darüber eine Entscheidung treffen zu können, muß unter Berücksichtigung der einzelnen Bestandteile definiert werden, was unter Expertenwissen verstanden werden soll.

Nach der Sichtung verschiedener Quellen, wurden für diese Arbeit folgende Definitionen ausgewählt.

Unter Experten verstehen Meyer-Fujara et al. (1995, S. 707) „Personen, die berufliche Aufgaben bewältigen, für die man sowohl eine lange Fachausbildung als auch praktische Erfahrung benötigt. Zu den Fähigkeiten von Experten gehört, daß sie Probleme erkennen und verstehen, Probleme lösen, die Lösung erklären, die eigene Kompetenz einschätzen, Randgebiete ihres Fachs überschauen sowie Wissen erwerben und strukturieren können“.

„Wissen ... ist als begründete Information zu verstehen, aus der wir Ereignisse vorhersagen können.“ (Umstätter, 1998, S. 221)

„Information wird ... verstanden als eine Teilmenge von Wissen, die von bestimmten Personen, Gruppen, Organisationen etc. in konkreten Situationen zur Durchführung von Handlungen, z.B. dem Lösen von Problemen, benötigt wird.“ (Hennings, 1991, S. 6)

„Wir kennen zwei Formen von Wissen, die Empirie bzw. das Erfahrungswissen mit seinen induktiven Elementen und das eigentliche Kausalwissen bzw. die logische

16

Expertenwissen läßt sich dann als Summe aus theoretischem Fachwissen und Erfahrungswissen zusammenfassen. Dabei ist es auf ein eng begrenztes Gebiet fokussiert. Expertenwissen ist in viele Schichten von zunehmend allgemeinen Wissen und Erfahrungen eingebettet (vgl. Meyer-Fujara et al., 1995, S. 707).

2.4 Nutzen von Expertensystemen

2.4.1 Vorteile von Expertensystemen

Carrington (1990, S. 47) beschreibt die Vorteile von Expertensystemen wie folgt: „The computer can answer queries when the expert gets tired or takes a vacation; it doesn‘t forget key components when under pressure. A well-written and well-formulated expert system will perform consistently and ‚mindlessly’ ... “.

Im folgenden sollen einige allgemeine Vorteile aufgelistet und kurz erläutert werden (vgl. Morris, 1992, S. 5; Vedder, 1990, S. 10-11).

• Sind mehrere Experten an der Entwicklung eines Expertensystems beteiligt, so lassen sich fachliche Kenntnisse vereinen.
• Durch die Kombination ihres Wissens entsteht eine größere Breite, als sie einem einzelnen Menschen möglich wäre.
• Expertensysteme helfen Wissen zu sichern, da sie nicht vergessen und nicht wie ein Experte aus einer Organisation ausscheiden können. Damit bieten sie eine Möglichkeit, seltenes und wichtiges Know-how auch über einen langen Zeitraum hinweg zur Verfügung zu stellen.
• Expertensysteme können 24 Stunden am Tag bereitstehen, wohingegen menschliche Experten Pausen benötigen, im Urlaub oder krank sein können.
• Durch den Einsatz von Expertensystemen steht selten benutztes Spezialwissen für normale Anwender und Experten schnell zur Verfügung, und in vielen Situationen können sie Problemlösungen schneller als Experten anbieten.
• Expertensysteme zeichnen sich durch eine gleichbleibende Qualität ihrer Arbeit aus. Sie nähern sich derselben Fragestellung immer auf die gleiche Art und Weise. Diese mit Konsistenz umschriebene Eigenschaft wird u.a. durch den fehlenden

  ---

  17

  überproportionalen Einfluß der ersten und letzten Information auf die Entscheidungsfindung realisiert.
• Der fehlende Einfluß äußerer Faktoren, wie z.B. Zeitdruck, wirkt sich ebenfalls positiv aus.
• Die vom System auf den einzelnen Ebenen getroffenen Entscheidungen werden dokumentiert und lassen sich verfolgen. Durch diese Problemlösungs- und die Erklärungsfähigkeit eignen sich Expertensysteme für die Ausbildung bzw. Schulung.
• Ein weiterer positiver Aspekt, der mit Vollständigkeit umschrieben wird, beschreibt die umfassende Bewertung aller möglichen Varianten zu einem bestimmten Zeitpunkt. Ein Mensch kann sich immer nur auf eine begrenzte Auswahl von Möglichkeiten konzentrieren.
• Erstellt man Kopien von einem Expertensystem, so läßt sich Expertenwissen vervielfältigen. Solche Kopien können problemlos in beliebiger Anzahl angefertigt werden. Expertenwissen kann damit breit verteilt werden, und ist auch an extremen Einsatzorten schnell verfügbar. Ein weiterer Vorteil dieser Kopien besteht darin, daß ihre Erstellung weitaus weniger Kosten verursacht und Zeit in Anspruch nimmt, als die Ausbildung eines neuen Experten.

Abschließend soll auf die Vorteile eingegangen werden, die sich speziell für den Experten ergeben können. Expertensysteme können den Experten entlasten, indem sie ihn von Aufgaben befreien, die für ihn Routine sind. Damit ermöglichen sie es ihm, sich abwechslungsreicheren und anspruchsvolleren Aufgaben zuzuwenden. Selten angewendetes Wissen kann vom Experten vergessen werden, wenn es nicht ständig geübt wird. Ist das Wissen jedoch in einer Wissensbasis festgehalten, geht es nicht verloren und ist jederzeit nachlesbar. Während der Entwicklung eines Expertensystems bietet sich dem Experten die Möglichkeit, über sein bisheriges Problemlösungsverhalten (kritisch) nachzudenken, und es eventuell zu verbessern.

2.4.2 Nachteile von Expertensystemen

Bei der Entwicklung und dem Einsatz von Expertensystemen können verschiedene Probleme auftreten. Nach Lightfoot (1999, S. 141) stellt die Wissensbasis die kritische Komponente eines Expertensystems dar. Beim Aufbau der Wissensbasis spielt der

18

Ein Problem liegt in der „Bereitstellung des Wissens“ durch den Experten. Dafür gibt es verschiedene Gründe (vgl. Puppe, 1991, S. 120). Das heuristische Wissen von Experten ist schwer erfaßbar. Für viele Experten ist es schwierig, ihre Vorgehensweise zu erklären, da sich wichtige Faktoren einer bewußten Analyse entziehen. Komplexere Wissensbereiche, wie z.B. bildhaftes Wissen, lassen sich nur inadäquat verbal beschreiben. Die bisher aufgezählten Gründe erschweren den Wissenserwerb. Sie können sogar dann auftreten, wenn die beteiligten Experten gut motiviert sind und den Aufbau des Expertensystems bestmöglich unterstützen. Es gibt aber auch Experten, die ihr Wissen nicht preisgeben wollen. Sie werden in der Literatur u.a. als „unwilling expert“ (Lightfoot, 1999) bezeichnet. Die Gründe hierfür sind mannigfaltig. In der heutigen, durch Konkurrenzdruck geprägten Zeit, spielt die fehlende Ersetzbarkeit desjenigen, der mehr als alle anderen weiß, mit Sicherheit eine nicht unerhebliche Rolle. Diese ablehnende Haltung kann auch noch durch die Angst gesteigert werden, daß das entstehende Expertensystem den Experten zu einem späteren Zeitpunkt ersetzen bzw. seine Rolle in der Organisation verändern könnte.

Ein weiteres Problem liegt in der Wartung der Wissensbasis. So wie sich der Experte weiterbildet und weiterentwickelt, so muß auch das Expertensystem, genauer die Wissensbasis, gepflegt und aktualisiert werden. Unterliegt das gewählte Problemgebiet dynamischen Veränderungen, so muß die Wissensbasis besonders häufig an die neuen oder geänderten Anforderungen angepaßt werden. Durch eine ungenügende Dokumentation des Wissensmodells oder der implementierten Wissensarchitektur können nach Hensel (1993, S. 15) Wartungsengpässe auftreten. Desweiteren können neue Abhängigkeiten entstehen, wenn nur wenige hochqualifizierte Spezialisten in der Lage sind, die Systeme zu beherrschen. Sowohl der Personal- als auch der damit verbundene Kostenaufwand, die

19

Nach Puppe (1991, S. 6) liegt eine große Schwierigkeit von Expertensystemen im Verstehen des Problems. Menschen verfügen über sensorische und verbale Fähigkeiten, die es ihnen ermöglichen, die Fülle der Daten zu filtern, und diese auf ihre Relevanz und Glaubwürdigkeit hin zu überprüfen. Da Expertensysteme dies nicht können, ist eine streng formalisierte Eingabe erforderlich. Die Korrektheit der Eingabe ist damit aber nicht überprüfbar, was zu einer entscheidenden Qualitätsminderung bei der Problemlösung führen kann.

Viele Problemstellungen haben eine komplexe Struktur. Für deren adäquate Bearbeitung ist auch allgemeines Wissen erforderlich. Dieses vielfältige Weltwissen fehlt jedoch Expertensystemen, da solche großen Fakten- und Regelmengen nicht handhabbar sind (vgl. Jüttner und Güntzer, 1988, S. 53). Dadurch bleiben die Anwendungsmöglichkeiten für Expertensysteme eng begrenzt. Werden Anfragen an Experten gestellt, so sind diese in der Lage, die Grenzen der eigenen Kompetenz zu erkennen, und in diesen Fällen andere Experten um Mithilfe zu bitten. Das ist Expertensystemen kaum möglich. Alberico (1992, S. 201) beschreibt, daß die meisten Expertensysteme nur schwer erkennen, wenn keine Antwort auf die gestellte Frage existiert oder das Problem außerhalb ihres Gebietes liegt. Und Vedder (1990, S. 9) führt die Reaktion des Systems auf solch ein Problem aus: „Unlike that of a human expert, the performance of an expert system does not degrade gracefully - it crashes (i.e., provides no answer, or gives a wrong answer)“.

2.4.3 Geeignete Probleme und Gebiete für Expertensysteme

Trotz intensiver Bemühungen war es nur in den wenigsten Fällen möglich, mit Expertensystemen Leistungen oder Ergebnisse zu erzielen, die sich mit denen von menschlichen Experten hätten messen können. Diese Tatsache führte man auch auf die wichtige Rolle von Intuitionen und ähnlichen mentalen Prozessen zurück, zu denen nur Menschen fähig sind. Unter einer Reihe von Umständen hat die Entwicklung von Expertensystemen jedoch eine gute Aussicht auf einen erfolgreichen Einsatz.

Bosman und van Maanen (1994, S. 306-7) führen dazu einige Punkte an.

• Das zu lösende Problem muß solcher Art sein, daß Algorithmen keine Lösungsmöglichkeit bieten.

  ---

  20

• Reicht die vom System erbrachte Leistung auch nicht an die eines Experten heran, so muß das Ergebnis doch korrekt oder auf andere Art und Weise zufriedenstellend sein.
• Arbeiten Nichtexperten auf herkömmliche Art und Weise an einem solchen Problem, so machen sie im allgemeinen Fehler. Diese Fehler können ernsthafte Konsequenzen nach sich ziehen.
• Das Problem darf sich nicht oder nur geringfügig verändern, während es vom System bearbeitet wird.
• Das Wissensgebiet, für das ein Expertensystem entwickelt werden soll, muß relativ statisch sein.
• Der jeweilige Experte sollte über den gesamten Zeitraum hinweg in die Entwicklung einbezogen sein.
• Das Management und die Mitarbeiter sollten die Anwendung von Computersystemen für dieses Ziel unterstützen.

Zur Auswahl eines geeigneten Problems bzw. Gebietes finden sich bei Carrington (1990, S. 47-8) und Fenly (1992, S. 54-5) detaillierte Ausführungen. Es folgen einige der bei ihnen aufgeführten Kriterien.

• Für Expertensysteme eignen sich Gebiete, die gut definiert und eng begrenzt sind.
• Das jeweilige Problem und seine Lösung sollten eine logische Struktur haben, d.h. die Lösung sollte nicht von allgemeinem Wissen abhängig sein.
• Das Problem sollte sich wiederholen, aber doch ausreichend kompliziert sein, um den Aufwand für die Entwicklung eines solchen Systems zu rechtfertigen.
• Bevor man mit der Entwicklung eines Expertensystems beginnt, sollte man sicher sein, daß es keinen anderen, kostengünstigeren Weg zur Lösung der Probleme gibt. Mit sehr komplizierten Problemen sollte man sich auch weiterhin an den menschlichen Experten wenden.
• Die Lösung sollte präzise formuliert werden können, eindeutig und meinungsfrei sein.

21

2.5 Architektur und Wissensrepräsentationen

2.5.1 Architektur von Expertensystemen

Unter der Architektur eines Expertensystems werden die verschiedenen Module des Programms und ihre Beziehungen zueinander verstanden.

Abbildung 1: Allgemeiner Aufbau eines Expertensystems

Ein entscheidendes Merkmal ist die Trennung zwischen dem Expertenwissen (Regeln, Fakten) und dessen Nutzbarmachung mit Hilfe von Problemlösungsstrategien. In der Architektur spiegelt sich diese Trennung in den Hauptmodulen Wissensbasis und Steuersystem wider.

22

• Unter Faktenwissen versteht man die Fakten zu Objekten sowie Informationen über deren Beziehungen zueinander.
• Das Ableitungswissen steuert den Gebrauch des Faktenwissens. Es besteht aus den verschiedenen Regeln, die zum Lösen eines Problems in dem speziellen Bereich zur Verfügung stehen, und aus Heuristiken, die sich aus den Ansichten, Intuitionen und Erfahrungswerten des jeweiligen Experten zusammensetzen.
• Manchmal enthält die Wissensbasis auch Steuerungs- oder Kontrollwissen. Dieses Wissen kontrolliert den Gebrauch des Ableitungswissens. Es kann aus einer Kombination von Metaregeln, Definitionen, Erklärungen und Beschreibungen bestehen.

Das Steuersystem enthält das Programm, das die Benutzerschnittstelle und die Problemlösungsstrategien, des auch als Problemlösungskomponente bekannten Inferenzmechanismus, realisiert.

• Der Inferenzmechanismus interpretiert das Expertenwissen zur Lösung des vom Benutzer spezifizierten Problems. Er stellt die logische Einheit dar, mit deren Hilfe Schlüsse aus der Wissensbasis gezogen werden. Die Schlüsse werden nach einer festgesetzten Problemlösungsmethode, die dem Problemlösungsverfahren der menschlichen Experten nachgebildet ist, gezogen. Ein Schluß kommt durch das Anwenden einer Regel auf vorliegende Fakten zustande.
• Die Benutzerschnittstelle läßt sich wiederum in drei Teile aufteilen, die für den Benutzerdialog, für die Generierung von Erklärungen und für den Wissenserwerb zuständig sind.
• Die für den Benutzerdialog zuständige Interviewerkomponente dient dem Anwender zur möglichst natürlichsprachigen Konsultation. Sie führt den Dialog mit dem Benutzer und liest automatisch erhobene Meßdaten ein.
• Die Erklärungskomponente läßt die Vorgehensweise des Expertensystems transparent werden. Sie erläutert dem Anwender die ermittelte Lösungsstrategie. Die vom System ermittelten Lösungen sollen sowohl für den Benutzer als auch für den Experten nachvollziehbar sein. So hilft die Erklärungskomponente sowohl dem

  ---

  23

  Benutzer, der eine Begründung für die vorgeschlagene Problemlösung sucht, als auch dem Experten, wenn er Fehler in der Wissensbasis lokalisieren will.
• Die Wissenserwerbskomponente unterstützt die Strukturierung und die Implementierung des Wissens in die Wissensbasis. Durch sie ist es dem Experten möglich, sein Wissen einzugeben, und zu einem späteren Zeitpunkt auch wieder zu ändern. Abhängig von der Qualität der Wissenserwerbskomponente kann der Experte diese Aufgabe allein oder aber mit der Unterstützung eines Wissensingenieurs, d.h. eines Spezialisten, der die Umsetzung in das System beherrscht, bewältigen.

2.5.2 Wissensrepräsentationen in Expertensystemen

Die Verfahren der Wissensrepräsentation beschäftigten sich mit der Frage, wie das Wissen in der Wissensbasis organisiert und repräsentiert sein muß. In den meisten Fällen wird das Wissen durch Interviews mit Experten in Form von Fallbeschreibungen gewonnen. Um Wissen in Expertensystemen verarbeiten und handhaben zu können, muß es erst formalisiert und strukturiert werden. Formale Methoden der Wissensrepräsentation sind Formen der Logik. Zur Kommunikation mit Experten der unterschiedlichen Fachgebiete sind diese formalen, mathematischen Methoden jedoch eher wenig geeignete Hilfsmittel, da sie keine generelle Darstellungsform des Wissens ermöglichen. Aus diesem Grund entwickelte man Verfahren der Wissensrepräsentation, die eine Strukturierung und Verarbeitung des Wissens wirkungsvoll unterstützen können. Zu den in Expertensystemen am häufigsten angewendeten Verfahren gehören Produktionsregeln, Semantische Netze, Frames und der Prädikatenkalkül (vgl. Morris, 1992, S. 15; Expertensysteme, 1990, S. 55).

Produktionsregeln sind die am weitesten verbreitete Wissensrepräsentationsform in Expertensystemen, da Experten ihr Wissen ohnehin häufig in Form von Regeln formulieren. Eine einzelne Regel kann man als Wissensstück (engl.: chunk) auffassen. Sie stellt die kleinste Einheit dar, aus der das Gesamtsystem besteht. Durch die Aufteilung des Wissens in möglichst viele dieser kleinen eigenständigen Wissensstücke wird die Wissensbasis modular und damit leicht veränderbar. Regeln werden in der Form

WENN <vorbedingung> DANN <konklusion> UND / ODER <aktion>

dargestellt. Damit kann eine Situation (Vorbedingung) definiert werden, bei deren Eintreten (Erfüllung) entweder neue Fakten, Eigenschaften zur Wissensbasis hinzugefügt

24

Ein semantisches Netz ist eine Struktur bzw. eine graphische Darstellung, die Wissen über die Beziehungen von Objekten in einem bestimmten Bereich darstellt. Die Objekte, Konzepte oder Ereignisse werden durch Knoten repräsentiert. Die Beziehungen zwischen den Objekten werden durch Kanten beschrieben. Knoten und Kanten werden im allgemeinen mit Namen versehen. Ein Vorteil dieser Repräsentationsform liegt in der Flexibilität, mit der neue Knoten und Kanten definiert werden können. Ein weiteres wichtiges Merkmal ist die Vererbung, d.h. ein Knoten kann die Eigenschaften anderer mit ihm verbundenen Knoten übernehmen. Semantische Netze geben einen guten Überblick über die Zusammenhänge und Abhängigkeiten des jeweiligen Wissensgebietes und eignen sich zur Wissensstrukturierung und Verifizierung durch den Experten.

Marvin Minsky (1974, zitiert nach Expertensysteme, 1990, S. 63) beschreibt Frames wie folgt: „A frame is a data-structure for representing a stereotyped situation like being in a certain kind of living room or going to a child‘s birthday party. Attached to each frame are several kinds of information. Some of this information is about how to use the frame. Some is about what one can expect to happen next. Some is about what to do if these expectations are not confirmed“. Ein Frame (Rahmen) ist also die Beschreibung eines Objekts. Er enthält sogenannte Slots (Abteile) für die mit dem Objekt assoziierten Informationen. In den Slots können Werte gespeichert werden. Frames können miteinander verknüpft sein und Vererbung von Slot-Werten zulassen.

Logik wird seit langen Zeiten zur Repräsentation von Wissen genutzt. Über die Jahre entstanden verschiedene Typen von Logiksystemen wie die Aussagenlogik, die Prädikatenlogik oder die Fuzzy-Logik. Die Aussagenlogik ist ein allgemeines logisches System, das sich mit dem Wahrheitswert von zusammengesetzten Aussagen befaßt. Die Aussageverbindungen entstehen durch z.B. UND-, ODER-, NICHT-Verknüpfungen. Eine Erweiterung der Aussagenlogik ist die Prädikatenlogik, deren Techniken in vielen Bereichen zur Wissensrepräsentation genutzt werden. Die Grundelemente der Prädikatenlogik sind Objekte. Aussagen über Objekte werden Prädikate genannt. Sie müssen einen Wert besitzen, der entweder wahr oder falsch ist. Die Prädikate stellen die Eigenschaften der Objekte oder deren Beziehungen untereinander dar. Der Prädikatenkalkül beschreibt Wissen also in Form von Aussagen (Prädikaten) und ist „eine formale Sprache mit eigener Syntax und Grammatik, die logische Aussagen

25

Es lassen sich kaum noch Expertensysteme finden, die nur auf einer dieser Repräsentationsformen beruhen. Sogenannte hybride Repräsentationsschemata haben sich durchgesetzt. Die eingesetzten hybriden Werkzeuge verfügen über mehrere Darstellungsformen und können über interne Schnittstellen miteinander kommunizieren.

© Die inhaltliche Zusammenstellung und Aufmachung dieser Publikation sowie die elektronische Verarbeitung sind urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung. Das gilt insbesondere für die Vervielfältigung, die Bearbeitung und Einspeicherung und Verarbeitung in elektronische Systeme.