2. vorlesung expertensysteme - uni-saarland.de · sc ws 17/18 georg frey24 2. vorlesung im aufbau...

2. Vorlesung

Expertensysteme

Soft Control

(AT 3, RMA)

http://www.uni-saarland.de/en/

SC

24 WS 17/18 Georg Frey

2. Vorlesung im Aufbau der Vorlesung

1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen

"intelligenter" Systeme

2. Wissensrepräsentation und Wissensverarbeitung (Symbolische KI)

Anwendung: Expertensysteme

3. Fuzzy-Systeme: Umgang mit unscharfem Wissen

Anwendung: Fuzzy-Control

4. Konnektionistische Systeme: Neuronale Netze

Anwendung: Identifikation und neuronale Regler

5. Genetische Algorithmen, Simulated Annealing, Differential Evolution

Anwendung: Optimierung

6. Zusammenfassung & Literaturhinweise


SC


Inhalt der 2. Vorlesung

1. Expertensysteme

1. Idee

2. Anwendungsgebiete

3. Vergleich mit konventionellen Programmen

2. Grundlegende Architektur von Expertensystemen

1. Erklärung der Komponenten

2. Formen der Wissensbasis

3. Inferenzmechanismen

3. Fallbasiertes Schließen

4. Zusammenfassung


SC


Expertensysteme

• Kernidee (natürliches Vorbild)

Menschliches abstraktes Denken

• Historie

Erste Expertensysteme Anfang der 1970er (Jedoch Probleme durch hohen

Rechenaufwand)

• Anwendung in der Automatisierungstechnik

Heute: Vielfältiger industrieller Einsatz auf höheren Automatisierungsebenen

• Beispiele

Systeme zur unterstützenden Prozessführung

Systeme zur Fehlerdiagnose

Trainingssysteme (Simulatoren)


SC


Aufgabengebiete von Expertensystemen


SC


Vergleich: Konventionelle Programme vs. Expertensysteme

In Expertensystemen wird das Wissen i. A. von der

Problemlösungsstrategie getrennt, während bei konventionellen

Programmen Wissen und Problemlösungsstrategie implizit in einen

Algorithmen eingebettet sind

Algorithmen

Daten

Wissen

Daten

Problemlösungs

-strategie

konventionelle Programme Expertensysteme


SC


Architektur von Expertensystemen

Quelle: Lunze


SC


Wissenserwerbskomponente

• Schnittstelle zum Experten, der sein Wissen in das System eingibt, ändert oder überprüft

• Im Idealfall ist die Schnittstelle so aufgebaut, dass keine Programmierkenntnisse erforderlich sind

• Oft wird zwischen die Wissenserwerbskomponente und den Experten noch ein Systementwickler geschaltet (Wissensingenieur)

• Der Wissensingenieur unterstützt den Experten bei der Eingabe oder er fragt das Expertenwissen in Interviews ab und bereitet es selbständig für die Eingabe auf

• Hohe Bedeutung, da Wissenserwerb als Engpass in der Expertensystem-Erstellung gilt


SC


Wissensbasis

• Hier wird das im System vorhandene Wissen geeignet gespeichert

• Man unterscheidet drei Bereiche/Komponenten der Wissensbasis

1. Bereichsbezogenes Wissen: Die eigentliche Wissensbasis, d.h. das Wissen,

das vom Experten oder Wissensingenieur eingegeben wurde

2. Fallspezifisches Wissen: Wissen über das aktuell vom System zu lösende

Problem, das vom Benutzer eingegeben oder automatisch abgefragt wurde

3. Zwischenergebnisse: Ergebnisse einzelner Regeln, die von der

Problemlösungskomponente erzeugt wurden, und zur weiteren Verarbeitung in

anderen Regeln dienen können


SC


Problemlösungskomponente

• Anwendungsneutraler Teil der Wissensverarbeitung (auch

Inferenzmaschine)

• Programmsystem, das mittels der Wissesbasis die Problemlösung

generiert

• Aufbau der Inferenzmaschine hängt von der Art der Wissensbasis

ab

Regelverkettung (vorwärts, rückwärts) bei Produktionsregelsystemen

Ableitung (Resolution) bei logikbasierten Systemen

Vergleich bei fallbasierten Systemen


SC


Dialogkomponente

• Schnittstelle zum Benutzer des Expertensystems

• Fragt die Problemstellung geeignet ab

• Präsentiert die Lösung und erklärt sie

• Problem der Erklärung:

System kann transparent machen, wie es zu dem Ergebnis gekommen ist.

(Nützlich bei der Fehlersuche und nötig zur Vertrauensbildung)

Tiefergehende Erklärungen zum „Warum“ und „Weshalb“ einer Lösung sind

jedoch nicht möglich.

Die Ansätze in XPS auch die Tiefenstruktur von Problemen abzubilden stecken

noch in den Anfängen (Tiefenstruktur = dem Problem zu Grunde liegende

technische, physikalische oder chemische Zusammenhänge)


SC


Formen der Wissensbasis

• Regelbasierte Systeme

Produktionsregelsysteme

Logikbasierte Systeme

• Fallbasierte Systeme


SC


Produktionsregelsysteme

• Produktionsregeln als kleinste Bausteine der Wissensbasis

• Aufbau:

WENN bestimmte Bedingungen erfüllt sind,

DANN wird auf folgende Fakten geschlossen

• Beispiel: Fehlerdiagnose (Syntax des Systems Babylon)


SC


Beispiel: Fehlerdiagnose (2)


SC


Generelles Vorgehen bei der Inferenz

Quelle: Lunze

• MATCH: Es wird

untersucht, welche

Regeln im aktuellen

Problemzustand

anwendbar sind

Konfliktmenge =

Menge aller

anwendbaren Regeln

• SELECT: Auswahl

einer Regel aus der

Konfliktmenge

• ACT: Anwendung der

ausgewählten Regel

auf den

Problemzustand

neuer

Problemzustand


SC


Inferenzmethoden: Vorwärtsverkettung vs. Rückwärtsverkettung

• Vorwärtsverkettung:

Ausgehend von bekannten Fakten werden Regeln ausgeführt

Deren Konklusionen stellen neue Fakten dar

Abbruch, wenn keine Regel mehr feuern kann

ungezielte Suche

• Rückwärtsverkettung

Ausgehend von einer Hypothese werden Regeln gesucht, die diese überprüfen

Eine Regel wird gesucht, die die Hypothese als Konklusion enthält

Dann wird mit den Prämissen dieser Regel entsprechend verfahren, bis man auf

bekannte Prämissen (Fakten) stößt

• Gemischte Strategie

Zunächst Hypothesenbildung (forward) = Auswahl der Regel für die die meisten

Prämissen als gültig erkannt wurden

Danach Hypothesentest (backward) = Versuch, die noch fehlenden Prämissen zu

verifizieren

• Bei allen Verkettungsmethoden kann noch zwischen Tiefensuche bzw.

Breitensuche unterschieden werden


SC


Beispiel: Vorwärtsverkettung


SC


Beispiel: Wasserversorgungssystem (Lunze)

• Regeln sind in Form eines

Entscheidungsbaums

gegeben

• Problem: Druck ist niedrig

gesucht wird der Grund


SC


Logikbasierte Systeme

• Basieren auf der Aussagen- bzw. Prädikatenlogik

• Erlauben die Verwendung von Variablen

• Anwendung z.B. logikorientierte Programmiersprache PROLOG

• Wissensbasis besteht aus Fakten (Aussagen) und Regeln

(Implikationen)

• Beispiel:

Aussagen:

A1 = Rührer läuft

A2 = Inertgasatmosphäre liegt an

A3 = Flussweg ist abgeschaltet

A4 = Dosierung läuft

A5 = Dosierung läuft nicht

Implikationen

(A1 & A2 & A3) A4

A3 A4

Ableitungen

Seien A1, A2, A3 TRUE dann kann als Wert von A4 auch TRUE abgeleitet werden


SC


Logikbasierte Systeme: Erweiterungen

• Default-Logik: Für unbekannte Prämissen werden Defaultwerte (i.A. TRUE) angenommen

• Mehrwertige Logiken: Z.B. vierwertig (WAHR, Wahrscheinlich WAHR, Wahrscheinlich FALSCH, FALSCH)

• Modale Logik: „Es ist möglich, dass ... gilt“

• Autoepistemische Logik: „Ich glaube, dass ... gilt“

• Temporale Logik: Berücksichtigung zeitlicher Relationen: „A gilt nachdem B gilt“

• Einbeziehung von Wahrscheinlichkeitsaussagen in die Logik

• Unscharfe Logik: Wird im Abschnitt Fuzzy-Systeme ausführlich behandelt


SC


Probleme regelbasierter Systeme

• Grundannahme, dass sich technisches Erfahrungswissen in Regeln

ausdrücken lässt ist zumindest fragwürdig

• Regeln werden oft dazu missbraucht, Kontrolllogik in das System zu

codieren

• In Regeln wird oft der Kontext (Gültigkeitsbereich) codiert

• In Regeln werden oft strukturelle Beziehungen verschlüsselt, z.B.

stellen manche Regeln Spezialisierungen anderer Regeln dar

• Regeln lassen sich nicht strukturieren und organisieren

Vermischung des Wissens (Fakten, Kontext, Kontrolle) führt dazu, dass

Expertensysteme nicht in der Lage sind, ihr eigenes Systemverhalten

hinreichend zu erklären.

Fehlende Strukturierung führt an die Grenzen technischer

Anwendbarkeit (sinnvolle Systeme besitzen i.d.R. tausende von

Regeln)

Ausweg: Fallbasierte und objektorientierte Ansätze


SC


Fallbasierte Systeme

Fallbasiertes Schließen FBS (Case Based Reasoning, CBR)

• Fall ist irgendwie geartete Erfahrung beim Lösen eines Problems.

• Nutzung der Erfahrung, oder eines Falles die Lösung auf ein neues aktuelles aber hinreichend ähnliches Problem anzuwenden.

• Spezielle Fortentwicklung wissensbasierte Systeme

• Fälle aus selbem Bereich sonst Analogie (unterschiedliche Domänen: Sonnensystem und Atommodell) Fallbasiertes Retrieval (Lösung unverändert übernehmen)

Fallbasiertes Schließen (Fall adaptieren)

• Verzicht auf Wahrheit, Nützlichkeit stattdessen (Optimierungsproblem)

• Ansatz basiert auf dynamischen Gedächtnis (grundlegende Annahmen) Erinnern und Anpassen (Adaptieren) sind zentrale mentale Prozesse beim

Verstehen

Indexierung ist für das Erinnern wichtig

Verstehen führt zur Reorganisation des Gedächtnisses, weshalb dieses dynamisch ist

Die Gedächtnisstruktur für die Wissensverarbeitung sind dieselben wie die für die Wissensspeicherung


SC


CBR: Anwendungs-Voraussetzungen

1. Es müssen hinreichend viele Erfahrungen vorliegen

2. Es muss einfacher sein diese Erfahrungen zu nutzen als die Probleme

direkt zu lösen

3. Die Verwendung der Lösungen der Fallbasis darf sicherheitskritischen

Anforderungen nicht widersprechen

4. Die zur Verfügung stehenden Informationen sind unvollständig oder

unsicher und ungenau

5. Eine Modellierung im Sinne traditioneller wissensbasierter Systeme ist

nicht oder nicht einfach erhältlich

• Häufige Anwendung im Bereich der Diagnostik und im elektronischen

Verkauf aber auch Konfigurieren und Planen.


SC


CBR: Vorgehen = CBR-Cycle


SC


CBR: Beispiel

• Auswahl des passenden Falls über Ähnlichkeit der Fälle

• Wie definiert man Ähnlichkeit

1. Definition von Ähnlichkeitsmaßen für die einzelnen Attribute (lokales

Ähnlichkeitsmaß)

2. Zusammenfassung zu einem Gesamtmaß (z.B. gewichtete Summe)


SC


Zusammenfassung und Lernkontrolle zur 2. Vorlesung

Wissen was Expertensysteme sind

Anwendungsgebiete von Expertensystemen nennen können

Grundlegende Architektur von Expertensystemen und die darin

enthaltenen Komponenten kennen

Grundtypen von Expertensystemen und deren Funktionsprinzip

kennen:

Regelbasierte Systeme

Fallbasierte Systeme


2. vorlesung expertensysteme - uni-saarland.de · sc ws 17/18 georg frey24 2. vorlesung im aufbau...

Documents