vorlesung wissensbasierte systeme - web.fhnw.ch filefhnw vorlesung wissensbasierte systeme dr. t....

of 31/31
FHNW Vorlesung Wissensbasierte Systeme Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 1/31 Vorlesung Wissensbasierte Systeme Eine Übersicht FHNW-SO

Post on 21-Jun-2019

214 views

Category:

Documents

0 download

Embed Size (px)

TRANSCRIPT

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 1/31

    Vorlesung Wissensbasierte Systeme

    Eine bersicht

    FHNW-SO

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 2/31

    Inhaltsverzeichnis 1 Einfhrung ............................................................................................................ 4

    1.1 Definition und Motivation...................................................................................... 4

    1.2 Charakterisierung von Wissensbasiertes Systems ...................................................... 5

    1.3 Geschichte........................................................................................................ 5

    1.4 Problemlsungstypen von Wissensbasiertes Systems ................................................. 7

    1.5 Architektur von Wissensbasiertes Systems .............................................................. 8

    1.6 Begriffe ............................................................................................................ 9

    1.6.1 Knowledge ................................................................................................... 9

    1.6.2 Heuristics .................................................................................................. 10

    1.6.3 Facts........................................................................................................ 10

    1.6.4 Inference Procedures (Schlussfolgerungsmechanismen) ...................................... 11

    2 Wissensreprsentation und Ableitungsstrategien................................................... 12

    2.1 Anforderungen an die Wissensreprsentation ......................................................... 12

    2.2 Methoden zur Wissensprsentation ...................................................................... 12

    2.2.1 Logikorientierte Methode .............................................................................. 12

    2.2.2 Prozedurale Methoden.................................................................................. 14

    2.2.3 Objektorientierte Methoden........................................................................... 14

    2.3 Regeln............................................................................................................ 16

    2.3.1 berblick................................................................................................... 16

    2.3.2 Vorwrtsverkettung (forward reasoning oder forward chaining) ............................ 17

    2.3.3 Rckwrtsverkettung (backward reasoning oder backward chaining) ..................... 17

    2.3.4 Tiefensuche und Breitensuche ....................................................................... 18

    2.3.5 Certainty Factors ........................................................................................ 19

    2.4 Vergleich konventionelle Programme Expertensysteme ......................................... 19

    3 Entwicklung von Wissensbasiertes Systems .......................................................... 20

    3.1 Entwicklungsphasen .......................................................................................... 20

    3.2 Rapid Prototyping modellbasierte Wissensaquisition.............................................. 21

    3.2.1 Rapid Prototyping........................................................................................ 21

    3.2.2 Modellbasierte Wissensaquisition .................................................................... 23

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 3/31

    4 Wissenserwerb ................................................................................................... 24

    4.1 Aufgaben der Wissensakquisition ......................................................................... 24

    4.2 Arten des Wissenserwerbs.................................................................................. 24

    4.3 Erhebung von Expertenwissen ............................................................................. 25

    5 Anhang............................................................................................................... 27

    5.1 Expertensystemwerkzeuge ................................................................................. 27

    5.1.1 ART .......................................................................................................... 27

    5.1.2 KEE .......................................................................................................... 27

    5.1.3 BABYLON................................................................................................... 28

    5.1.4 Knowledge Craft ......................................................................................... 28

    5.1.5 Twaice...................................................................................................... 28

    5.1.6 D3............................................................................................................ 28

    5.2 Nexpert Object ................................................................................................ 29

    5.2.1 Allgemeines................................................................................................ 29

    5.2.2 Wissensreprsentation ................................................................................. 29

    5.2.3 Agenda ..................................................................................................... 30

    5.3 Literaturverzeichnis........................................................................................... 31

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 4/31

    1 Einfhrung

    1.1 Definition und Motivation

    Die Entwicklung von Wissensbasiertes Systems begann vor rund 25 Jahren. Die Expertensysteme waren von Anfang an stark auf die Lsung praktischer Aufgaben ausgerichtet.

    Versuch einer Definition: Expertensysteme versuchen, Gedankengnge und Erfahrungen von Experten bestimmter Fachgebiete auf eine Menge von formalisierten, maschinenverarbeitbaren Operationen abzubilden, um Aspekte einer Problemlsungskompetenz zu reproduzieren und Anwendern zur Verfgung zu stellen.

    Um ein Expertensystem zu bauen, muss das Expertenwissen formalisiert, im Rechner reprsentiert und gemss einer Problemlsungsstrategie manipuliert werden.

    Mit Expertenwissen ist Wissen gemeint, das eine Fachperson in ihrem jeweiligen Gebiet durch langjhrige Erfahrung sammelt. Es ist kein allgemeines Weltwissen. Es ist auch nicht in erster Linie in Bchern kodiertes Fachwissen. Es ist Erfahrungswissen, das normalerweise nicht schriftlich fixiert ist, sondern nur in den Kpfen der Fachleute existiert.

    Allgemeines Weltwissen oder Hintergrundwissen lsst sich sehr viel schwerer darstellen und verarbeiten (grosse Menge). Von der Formalisierung des Expertenwissens verspricht man sich:

    die Explizierung und berprfbarkeit von Fachwissen

    die Untersttzung und Ergnzung menschlicher Fachttigkeit

    die Begnstigung einer Wissensevolution

    Vorteile bei der fachlichen Ausbildung

    die Mglichkeit einer Konservierung von Fachwissen

    technische Hilfsmittel fr die Wissensverarbeitung und -nutzung

    Eine schwierige Aufgabe ist die Modellierung von Wissen, welches Experten benutzen. Diese Schwierigkeiten werden bei der Entwicklung von Wissensbasiertes Systems hufig grob unterschtzt.

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 5/31

    1.2 Charakterisierung von Wissensbasiertes Systems

    Simulation menschlicher Experten

    Trennung zwischen Expertenwissen und Problemlsungsstrategien

    Daten

    Algorithmen

    Daten

    Problemlsungs-strategien

    Wissen

    konventionelle Programme Expertensysteme

    Abbildung 1: Vergleich von konventioneller Programmierung und Wissensbasiertes Systems

    Eignung fr "diffuse" Bereiche

    selbstndige Wissensinterpretation

    notwendige Eigenschaften:

    Transparenz

    Flexibilitt

    Benutzerfreundlichkeit

    Kompetenz

    1.3 Geschichte

    60er Jahre:

    Entwicklung von universellen Problemlsern

    70er Jahre:

    Wechsel von einer rechenintensiven Strategie zu einem wissensbasierten Ansatz

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 6/31

    Erste Expertensysteme:

    DENDRAL

    Strukturanalyse organischer-chemischer Substanzen

    Erweiterungen: Congen, Meta-Dendral (Lernkomponente)

    MACSYMA

    Lsung mathematischer Probleme mit symbolischen Methoden

    MYCIN

    Diagnose und Therapie von bakteriellen Infektionskrankheiten des Blutes

    zu gegebenen Patientendaten fordert Mycin bei Bedarf Labortests und analysiert die Ergebnisse der Tests mit Hilfe von Regeln (Produktionssysteme)

    klare Trennung zwischen Wissensreprsentation und Problemlsungsstrategie

    Erklrungskomponente

    Wissen vage und ungenau (Sicherheitsfaktoren)

    die Leistungsfhigkeit von Mycin war mit der von Experten auf diesem Gebiet vergleichbar, es war besser als Studenten und Allgemeinmediziner

    MYCIN kam nicht zum praktischen Einsatz

    aus Mycin entstand das Expertensystemshell Emycin

    Weitere klassische Expertensysteme:

    CASNET

    Diagnose und Therapie einer Augenerkrankung

    INTERNIST

    Diagnose von ca. 75% der Krankheiten in der Inneren Medizin (grosse Wissensbasis)

    PROSPECTOR

    geologisches System zur Interpretation von Messdaten aus Probebohrungen (Finden bestimmter wertvoller Mineralien)

    XCON (R1)

    Konfiguration von VAX-Computern der Firma Digital Equipment

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 7/31

    1.4 Problemlsungstypen von Wissensbasiertes Systems

    Wir unterscheiden drei Haupttypen:

    1. Klassifikation: (Auswahl, Selektion, Diagnose)

    Die Lsung wird aus einer Menge vorgegebener Alternativen ausgewhlt. Hierzu gehren auch:

    Interpretation: Ableitung von Objekt - oder Situationsbeschreibungen aus beobachtbaren Daten, z.B.: Sensordaten (Prospector)

    Diagnose: Ableitung von Systemfehlern (Krankheiten) aus Beobachtungen; Generierung von Vorschlgen zur Beseitigung der Fehlzustnde

    berwachung: (Steuerung) Vergleich von Beobachtungen mit Sollwerten; Gewhrleistung der Einhaltung kritischer Systemparameter und Beseitigung der Abweichungen von vorgegebenen Normalzustnden

    Beratung: (Analyse) Analyse komplexen und umfangreichen Datenmaterials (Finanz- und Bankwesen); Auskunftserteilung bzw. Untersttzung bei der Anwendung komplexer Systeme oder Vorschriften

    Instruktion: (Training) Anleitung und Unterweisung auf einem bestimmten Spezialgebiet bzw. in der Bewltigung komplizierter Situationen

    2. Konstruktion: Entwicklung von Strukturen, die bestimmte Funktionen realisiere Hierzu gehren:

    Konfigurierung: (Design) Zusammenfgen von Objekten unter Bercksichtigung besonderer Anforderungen

    Planung: Entwurf einer Folge von Aktionen zum Erreichen eines Zieles

    3. Simulation: (Vorhersage) Aus dem Ausgangszustand werden Folgezustnde hergeleitet. Es soll kein vorgegebenes Ziel erreicht werden, sondern nur die Auswirkungen von Handlungen oder Ereignissen simuliert werden.

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 8/31

    1.5 Architektur von Wissensbasiertes Systems

    Die Trennung zwischen dem Expertenwissen und den Problemlsungsstrategien fhrt zu den zwei Hauptmodulen (siehe Abb.: 2):

    Steuersystem (Shell, Kern)

    Wissensbasis

    Steuersystem

    Problemlsungskomponente

    Benutzerschnittstelle:

    Interviewerkomponente

    Erklrungskomponente

    Wissenserwerbskomponente

    Wissensbasis

    bereichsbezogenes Wissen: kommt vom Experten; besteht aus:

    Faktenwissen

    Ableitungswissen (Regeln)

    Kontrollwissen (Meta-Regeln)

    fallspezifisches Wissen: kommt vom Benutzer; Faktenwissen

    Zwischen- und Endergebnisse: kommt von der Problemlsungskomponente; Faktenwissen

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 9/31

    Benutzer Experte

    fallspezifischesWissen

    bereichsbezogenesExpertenwissen

    Zwischenergebnisseund Problemlsungen

    Problemlsungskomponente

    Interviewer-komponente

    Erklrungs-komponente

    Wissenserwerbs-komponente

    Abbildung 2: Architektur eines Expertensystems

    1.6 Begriffe

    1.6.1 Knowledge

    Was ist "Wissen"?

    Wissen ist komplexer als Information, letztere ist komplexer als Daten. Den Weg von Daten zur Information beschreibt HARSH wie in Abbildung 3 dargestellt.

    Data InformationProcessing

    Abbildung 3: Transformation von Daten in Information

    In analoger Weise kann das Entstehen von Wissen aus Informationen verstanden werden. Aus vielen Informationen, die mittels Assoziationen miteinander verknpft sind, entsteht schliesslich Wissen.

    Ein Beispiel soll diesen abstrakten Prozess verdeutlichen:

    Aus vorliegenden Daten ber landwirtschaftliche Betriebe knnen beispielsweise durch Berechnung von Kennzahlen, etwa Gewinn pro ha oder kg Milch pro Milchkuh und Laktation (Milchabsonderung), Informationen gewonnen werden. Ein landwirtschaftlicher Berater kann durch Sammeln (oder "sich merken") und Verknpfen der Informationen nach einiger Zeit "Wissen" ableiten. Er weiss somit, dass z.B. eine Milchleistung von 9.000 kg pro Milchkuh und Laktation eine exzellente Leistung darstellt. Er weiss weiterhin, dass es zu einer solchen Milchleistung einer Reihe von begnstigenden Faktoren bedarf, etwa eines fhigen Melkers, ausgezeichneter Hygiene etc.

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 10/31

    Das im Beispiel aus zusammengesetzten und assoziierten Informationen (Chunks) entstandene Wissen ist bereits verarbeitet und liegt fr den Berater abrufbereit vor, d.h. es kann ohne weiteres zur Lsung von Problemen herangezogen werden. Man spricht hier von "compiled knowledge". Dieses Verarbeiten oder "Kompilieren" von Wissen ist der Prozess des "chunking".

    Um kompiliertes Wissen tatschlich nutzenbringend zur Problemlsung anwenden zu knnen, bedarf es freilich etwas mehr: nmlich Erfahrung. Kompiliertes, auf Erfahrungen beruhendes Wissen wird als "Heuristics" bezeichnet.

    1.6.2 Heuristics

    "Heuristics" sind Erfahrungswerte oder "rules of thumb", die den Suchraum fr Problemlsungen auf ein berschaubares Mass beschneiden. Demzufolge knnen "heuristics" oder Daumenregeln zu fehlerhaften Ergebnissen fhren, erhhen aber hingegen die Wahrscheinlichkeit, das korrekte Ergebnis schneller zu finden.

    Zusammen machen "heuristics" und "compiled knowledge" die Kompetenz eines Experten aus. Diese beiden Komponenten sind es auch, die in ein Expertensystem einfliessen. Da "heuristics" auch Entscheidungen unter unsicherer bzw. unvollstndiger Information ermglichen, gilt dies auch fr Expertensysteme.

    1.6.3 Facts

    Die Fakten in einem Expertensystem reprsentieren die dem Modell enthaltenen Information.

    Generell kann das, was als Intelligenz betrachtet wird (und das trifft auch fr Expertensysteme zu) in zwei Komponenten geteilt

    1. Eine Sammlung von Fakten

    2. Ein Instrument, um diese Fakten fr Problemlsungen nutzbar zu machen (weiter unten als Schlussfolgerungsmechanismus beschrieben).

    Fakten sind, im Sinne von Wissensbasiertes Systems, in bestimmter Weise beschriebene Sachverhalte.

    Eine verbreitete Methode, Fakten darzustellen, ist der Objekt-Attribut-Wert-Ansatz (oder object-attribute-value-triplets, im folgenden OAV-triplets genannt). Objekte sind physikalische Einheiten wie eine Kuh, ein Stall, ein landwirtschaftlicher Betrieb. Attribute sind generelle, mit einem Objekt assoziierte Eigenschaften wie die Grsse, die Farbe oder der Zinssatz. Werte schliesslich sind die Ausprgungen der Attribute. Der Wert beschreibt das Attribut eines Objekts in einer spezifischen Situation. Objekt und Attribut sind konstant oder fix, der Wert ist variabel. Ein Beispiel mag dies verdeutlichen:

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 11/31

    Die Kuh Lisa hat eine Milchleistung von 6000 kg/Jahr. Dieser Satz beinhaltet ein OAV-triplet, wie in bersicht 1 dargestellt.

    Objekt Attribut Wert

    Kuh Lisa Milchleistung 6000 kg/Jahr

    Kuh Helga Milchleistung 7000 kg/Jahr

    Kuh Anna Milchleistung 4000 kg/Jahr

    Kuh Lisa Rasse Schwarzbunt

    Kuh Anna Rasse Fleckvieh bersicht 1: Objekt-Attribut-Wert-Triplet

    Alle diese angefhrten OAV-triplets sind Fakten oder Informationen, die in einem Expertensystem reprsentiert sein knnen.

    1.6.4 Inference Procedures (Schlussfolgerungsmechanismen)

    Im Zusammenhang mit AI und Wissensbasiertes Systems sind zwei "inference procedures" oder Schlussfolgerungsstrategien gebruchlich: Modus ponens und Modus tollens.

    Viele der heute eingesetzten Expertensysteme basieren ausschliesslich auf Modus ponens. Aus diesem Grund wird der Modus tollens nicht weiter erlutert.

    Die Strategie des Modus ponens bedeutet, dass, vorausgesetzt A ist wahr - und eine wahre Regel sagt: "Wenn A, dann B" - gefolgert werden kann, auch B wahr ist.

    Beispiel:

    Regel: Wenn eine Kuh ein Kalb hat, dann gibt sie Milch.

    Falls nun wahr ist, dass eine (bestimmte) Kuh ein Kalb hat, wissen wir der Regel folgend, dass sie auch Milch gibt.

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 12/31

    2 Wissensreprsentation und Ableitungsstrategien

    2.1 Anforderungen an die Wissensreprsentation

    Verarbeitbarkeit

    Flexibilitt

    Modularitt

    Verstndlichkeit

    Darstellbarkeit unsicheren Wissens

    2.2 Methoden zur Wissensprsentation

    Es gibt eine Vielzahl von Methoden um Wissensarten im Rechner zu modellieren. Drei davon, welche im Bereich der Wissensreprsentationsformalismen durchgesetzt haben, sind folgende:

    Logikorientierte Methode

    Prozedurale Methode

    Objektorientierte Methode

    2.2.1 Logikorientierte Methode

    Der bekannteste Kalkl zur Darstellung von logischen Sachverhalten ist die Prdikatenlogik erster Stufe mit Gleichheit (Identitt) und Funktionssymbolen (PIF).

    Zur Bildung von Formeln benutzt man:

    Atome: n - stellige Prdikate, deren Argumente Terme (Konstanten oder n - stellige Funktionen) sind; z.B.: klein(Fritz), liebt(Adam,Eva), lang(Nase-von(Felix))

    Logische Operatoren: ( ), ( ), ( ), ,nicht und oder

    Variablen und Quantoren: ( ), (min. )alleElemente einElement

    Betrachten wir zum Beispiel die folgende PIF Formel:

    = = X person X X adam X eva(( ( ) ( ) ( )) =Y person Y mutter von X Y( ( ) _ ( ) ))

    Die Formel kann folgendermassen interpretiert werden:

    Jede Person ausser Adam und Eva hat mindestens eine Mutter.

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 13/31

    Die Prdikatenlogik erster Stufe ist zwar sehr ausdrucksstark, eignet sich aber nicht zur Implementation.

    nicht entscheidbar

    schon einfache Formelmanipulationen nehmen sehr viel Rechenzeit in Anspruch

    es gibt Wissen, das nicht darstellbar ist z.B.: Dieser Wagen rostet (ziemlich) schnell.

    Offenbar hat "schnell" nicht den Status eines Prdikats, das auf Konstanten angewandt wird. Es modifiziert die Bedeutung eines anderen Prdikats ("rostet"). Bei "ziemlich" ist die Sache noch komplizierter.

    Aus diesen Grnden werden meist stark reduzierte Teilsysteme der Prdikatenlogik verwendet. Diese Teilsysteme sind allerdings oft um Ausdrucksmittel erweitert, die in der Prdikatenlogik nicht vorhanden sind (z.B. Wahrscheinlichkeitswerte, Sicherheits-faktoren).

    Durch Hinzunahme von speziellen, anwendungsbezogenen Axiomen zur Prdikatenlogik erster Stufe erhlt man Spezialtheorien fr bestimmte Anwendungen.

    2.2.1.1 Einfache Fakten - Regel - Systeme (EFRS)

    Wir betrachten hier eine einfache Menge von Formeln, die wie folgt definiert wird:

    Ein EFRS S ist eine endliche Menge von Regeln und Fakten:

    S = R(S) F (S)

    R(S) - Menge der Regeln von S

    F(S) - Menge der Fakten von S

    Fakten haben die Form F (S) =F S c cn( ) ( ,..., )= 1 mit einem Prdikatensymbol und Konstantensymbolen c cn1 ,...,

    Beispiele fr Fakten:

    mensch(hans),vater(hans,maria),gerade(2), teiler(2,4), kater(tom).

    Die Prdikatensymbole mensch, gerade und kater sind einstellig; die Prdikatensymbole vater und teiler sind zweistellig

    Regeln sind Implikationen der folgenden Form: Q= Quantorenprfix

    R S Q t t t t t t t tmm

    mm( ) {( ( ,... ) ( ,..., ) ... ( ,..., ) ( ,..., ))}= 1 1

    11

    12 1

    22

    21 0 1

    00

    0

    Die Elemente eines EFRS sind eingeschrnkte Hornklauseln, wie sie die Programmier-sprache PROLOG verwendet. Mit Hilfe der Unifikation und der Rckwrtsverkettung gibt es hier einen einfachen, effizienten Mechanismus zur Ableitung neuer Aussagen. Vieles Wissen lsst sich leicht als Hornklausel darstellen (Regelform). Allerdings enthlt PROLOG auch viele nichtlogische Elemente (z.B.: Cut, Ein- und Ausgabe).

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 14/31

    2.2.2 Prozedurale Methoden

    Beim prozeduralen Ansatz wird Wissen in Form von Prozeduren dargestellt, die jeweils bestimmte Aufgaben erfllen. Im Unterschied zu nicht wissensbasierten Programmen muss der Aufruf einer Prozedur aber der expliziten Kontrolle des Programms unterliegen. Das heisst, das Programm besitzt Wissen ber die Problemlsungsmglichkeiten und wendet diese entsprechend der Aufgabenstellung an.

    Beispiel:

    X person X sterblich Xperson sokratesperson helena

    ( ( ) ( )).( ).( ).

    Alle Personen sind sterblich und Sokrates und Helena sind Personen.

    Die Modularitt der Prozeduralen Methode ist gegenber der Logischen Methode eingeschrnkt. Beim Erweitern des Wissens um einen Satz macht bereits eine Vernderung der bestehenden Prozedur ntig.

    2.2.3 Objektorientierte Methoden

    Frame Based- oder auch "Object Oriented Systems" stellen sowohl an den Programm-Entwickler, den Wissensingenieur, als auch an die Hardware die hchsten Ansprche der drei diskutierten Methoden.

    Die Werkzeuge (Tools), die sich bei der Entwicklung von Wissensbasiertes Systems auf die Darstellung von Wissen mit Frames/Objects sttzen, werden als "Hybrid Tools" bezeichnet. Ihnen gehrt ohne Zweifel die Zukunft, denn sie erlauben die eleganteste und flexibelste Wiedergabe von Wissen in computerverstndlicher Form. Die Methode dieser Art von Wissensdarstellung an sich ist einfach, wenn auch abstrakt, wird aber mit zunehmender Komplexitt des Sachproblems komplizierter.

    Das Frame-Konzept wurde in den siebziger Jahren von MINSKY entwickelt:

    Objekt

    Attribut A

    Attribut B

    Attribut C

    Attribut D

    Satz von Werten

    Regeln zur Bestimmung der Werte

    Weglasswerte

    zugeordneter Wert eines anderen Objektes (Parent)

    S

    L

    O

    T

    S

    Abbildung 4: Ein Frame: Beschreibung eines Objekts mit verschiedenen Slots und einiger mglicher Typen von assoziierten Informationen

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 15/31

    Ein Frame kann im weitesten Sinne mit einem Aktenordner oder einer Karteikarte verglichen werden. Er hat einen Namen und enthlt Informationen und evtl. Verweise ber das benannte Objekt. Abbildung 6 zeigt einen typischen Frame. Slots knnen, wie Attribute eines OVA-triplets, Werte speichern, sie knnen vorbesetzte Werte enthalten (default values), Zeiger zu anderen Objekten, Stze von Regeln (wie etwa bei regelbasierten Systemen zu finden) oder auch Prozeduren sein. Die Slots stellen gewissermassen Schnittstellen zu anderen Frames dar.

    Diese Art der Wissensdarstellung setzt voraus, dass ein Satz von Objekten (Childs) eine Unterklasse eines anderen Objektes (Parent) ist.

    2.2.3.1 Vor- und Nachteile

    Frames erlauben eine mannigfaltigere Prsentation von Wissen als etwa die OAV-triplets in den regelbasierten Systemen, die hier lediglich eine Untergruppe darstellen (Rules knnen auch in Frames implementiert werden). Dies ist aber erheblich komplexer und somit schwieriger zu entwickeln sind.

    Ebenso wie bei den regelbasierten Systemen muss der Wissensingenieur ein grndliches Verstndnis von dem zu beschreibenden System haben und des weiteren ber ausreichende Kenntnisse in LISP und/oder PROLOG (bzw. anderen AI-Sprachen) verfgen.

    Wegen der Flexibilitt dieser Art der Wissensreprsentation werden Frame Based Systems allerdings trotz der damit verbundenen Schwierigkeiten in der Zukunft eine bedeutende Rolle spielen.

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 16/31

    2.3 Regeln

    2.3.1 berblick

    Regeln sind die am weitesten verbreitete Wissensreprsentation in Wissensbasiertes Systems. Sie dienen zur Reprsentation natrlichsprachlicher wenn dann Stze.

    Eine Regel besteht aus einer Vorbedingung und einer Aktion (Implikation). Die Vor-bedingung beschreibt eine Situation, in der die Aktion ausgefhrt werden soll. Es gibt zwei Typen von Aktionen:

    Implikationen oder Deduktionen: mit denen der Wahrheitsgehalt einer Feststellung hergeleitet wird

    Wenn A, dann gilt B.

    Handlungen: mit denen ein Zustand verndert wird

    Wenn A, dann fhre B aus.

    Im Gegensatz zur konventionellen Programmierung legt der Experte mit einer Regel nur fest, was in einem beschriebenen Zusammenhang getan wird, whrend die Reihenfolge der Regelausfhrung dem Regelinterpreter berlassen bleibt.

    Ein wichtiger Unterschied besteht zwischen Regelsystemen mit Implikationen und solchen mit Handlungen, da letztere i. a. nicht kommutativ sind.

    Regelbasiertes System:

    Datenbasis: gltige Fakten

    Regelmenge: zur Herleitung neuer Fakten

    Regelinterpreter: zur Steuerung des Herleitungsprozesses

    Die meisten Expertensysteme benutzen diese Strategie in ihrem Begrndungsprozess. Wenn die Zahl der mglichen Ergebnisse eines Expertensystemlaufes (die Zahl der mglichen Werte eines Multi-Value-Attributes) begrenzt und nicht zu hoch ist, dann ist die Rckwrtsverkettung sehr effizient.

    Rckwrtsverkettende Systeme werden oft auch "Goal-Directed-Systems" genannt. Im Gegensatz dazu steht die "Vorwrtsverkettung", die fr den Fall, dass die Zahl der mglichen Ergebnisse gross ist, bessere Dienste leistet.

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 17/31

    2.3.2 Vorwrtsverkettung (forward reasoning oder forward chaining)

    In vorwrtsverkettenden Wissensbasiertes Systems werden, beginnend von der ersten Regel, alle Inhalte anhand der vorhandenen Informationen auf ihren Wahrheitsgehalt berprft, bis die erste Prmisse passiert, also wahr ist. Diese Schlussfolgerung wird dann zu einer Faktenliste hinzugefgt (in der alle bisher gefundenen, wahren Schlussfolgerungen stehen), und das System beginnt von neuem mit der berprfung der Regeln von Regel 1 an. Solche Systeme werden oft auch als "Data-Driven-Systems" bezeichnet.

    Wichtige Konfliktlsungsstrategien:

    Auswahl nach der Reihenfolge, z.B. die erste anwendbare Regel

    Auswahl nach der syntaktischen Struktur der Regel

    Datenordnung

    Auswahl mittels Zusatzwissen

    Beispiele:

    Ops5

    Med2

    2.3.3 Rckwrtsverkettung (backward reasoning oder backward chaining)

    Der Regelinterpreter geht von einem vorgegebenen Ziel aus und berprft alle Regeln, deren Aktionen das Ziel enthalten. Wenn die Gltigkeit der Aussagen ihrer Vorbedingungen unbekannt sind, werden rekursiv Teilziele zur Bestimmung der Wahrheitswerte dieser Aussagen generiert, die entweder mit anderen Regeln abgeleitet oder vom Benutzer erfragt werden.

    Bei der Abarbeitung der Teilziele sind Tiefensuche (bei PROLOG), Breitensuche oder gemischte Verfahren mglich.

    Beispiele:

    Emycin

    Prolog

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 18/31

    2.3.4 Tiefensuche und Breitensuche

    Neben Rckwrts- und Vorwrtsverkettung wird bei Wissensbasiertes Systems zustzlich nach der Richtung der Suche im Suchraum unterschieden.

    Es bestehen zwei Mglichkeiten:

    Die Suche geht zuerst in die Tiefe (Depth First Search) oder die Suche geht zuerst in die Breite (Breadth First Search). In den meisten Fllen findet die erstgenannte Technik Anwendung.

    Diese Technik "grbt" sich tiefer und tiefer in die Details eines Problems ein. Dabei ist die Art der Verkettung dafr verantwortlich, dass die Fragen, die von dem Expertensystem an den Benutzer gestellt werden, in einer sinnvollen Reihenfolge prsentiert werden. So wrde beispielsweise ein Expertensystem zur Erfolgsanalyse eines landwirtschaftlichen Betriebes mglicherweise mit den Pflanzenbau betreffenden Fragen beginnen, immer detailliertere Antworten erwartend und erst nachdem alle notwendigen Informationen vorliegen, zur Tierproduktion bergehen.

    Ein Expertensystem, welches die Technik der "Breadth First Search" anwendet, wrde mglicherweise Fragen aus pflanzlicher und tierischer Produktion gemischt stellen, die Fragen wrden nach einem Zufallsprinzip gestellt aussehen. Dem Benutzer mag dies eher suspekt vorkommen.

    Abbildung 5: Suchstratiegien von Schlussfolgerungsmechanismen

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 19/31

    Weitere Inferenzstrategien sind wie folgt ersichtlich. Aus Zeit- und Komplexitts-Grnden wird in dieser Vorlesung nicht speziell darauf eingegangen.

    Ableitung

    Beweisbaum

    Matching

    2.3.5 Certainty Factors

    Certainty Factors und verwandte Methoden sind weitverbreitete Techniken zur Erfassung und Verarbeitung von unsicherer Information in Wissensbasiertes Systems.

    CF = RegelCF * PrmisseCF /100

    Kombinierte CF

    CF(X,Y) = X + Y (100-X)/100 X,Y > 0

    CF(X,Y) = X + Y (1- min(|X|,|Y|)) eine von X,Y < 0

    CF(X,Y) = -CF(-X,-Y) X,Y < 0

    Unter CF verstehen wir eine Zahl, die einem Teilausdruck einer Regel zugeordnet wird und die Sicherheit dieses Ausdrucks reprsentiert. Diese Certainty Factors werden whrend der Abarbeitung der Regel errechnet. Einer Regel selbst ist ein fester Certainty Factor zugeordnet. Dieser wird mit dem dynamischen Certainty Factor der Prmisse zum dynamischen Certainty Factor der Konklusion verknpft.

    2.4 Vergleich konventionelle Programme Expertensysteme

    Vergleich zwischen Data Processing und Knowledge Engineering

    Konventionelle Programme Data Processing

    Expertensysteme Knowledge Engineering

    Wiedergabe und Gebrauch von Daten Wiedergabe und Gebrauch von Wissen

    Verwendung von Algorithmen Verwendung von Heuristik

    Sich wiederholende Prozesse Schlussfolgernde Prozesse

    Manipulation grosser Datenbanken Manipulation grosser Wissensbanken

    Sequentiell, Stapelverarbeitung Stark interaktiv, dialogorientiert

    Erklrungen whrend des Programmablaufs schwierig zu erhalten

    Erklrungen whrend des Programmablaufs (relativ) unproblematisch

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 20/31

    3 Entwicklung von Wissensbasiertes Systems

    Knowledge Engineering (KE) ist der gesamte Prozess der Erstellung, Integration und Wartung eines Expertensystems.

    Die Aufgaben und Probleme beim Knowledge Engineering sind im wesentlichen die gleichen wie bei der normalen Softwareentwicklung (SE), erweitert um das besondere Problem der Wissensaquisition (WA):

    KE = SE + WA

    Eine KEEntwicklungsmethodik ist mindestens so notwendig und sinnvoll wie die bekannten SEEntwicklungsmethoden; sie sollte die Wissensaquisition und insbesondere die Wissenspflege explizit untersttzen.

    Es gibt zwei Klassen von KEEntwicklungsmethodiken:

    1. Rapid Prototyping

    2. modellbasierte Wissensaquisition (modellbasierter Ansatz)

    3.1 Entwicklungsphasen

    1. Problemidentifikation (Problemanalyse):

    Die zu lsenden Probleme mssen abgegrenzt und beschrieben werden.

    Identifikation der am Projekt mitwirkenden Personen und deren Rollen

    Identifizierung des Problems

    Ressourcen bestimmen und einschtzen

    Identifikation der Ziele

    2. Prfung der Angemessenheit und Realisierbarkeit (Bedarfsanalyse)

    praktischer Nutzen

    Existiert eine konventionelle algorithmische Lsung?

    Komplexitt des Problembereichs muss hinreichend gross sein, um den Aufwand fr die Entwicklung eines Expertensystems zu rechtfertigen

    Expertensysteme haben bisher recht enge Grenzen hinsichtlich dessen, was machbar ist. Bestimmen/Erkennen der Grenzen des Expertensystems und Prfen der Realisierbarkeit.

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 21/31

    3. Wissenserhebung und -analyse (Konzeptualisierung): Sehr zeitaufwendiger Schritt; in dem Ausmass von Erhebung und Analyse vor Beginn der Implementation liegt ein entscheidender Unterschied zwischen dem modellbasierten und dem RapidPrototypingAnsatz.

    4. Implementierung:

    Gibt es geeignete Entwicklungswerkzeuge?

    mglichst problemspezifische Shell

    die Wissensbasis kann in kleinen Schritten inkrementell implementiert werden

    Abspalten von Teilen, die sich klassisch entwickeln lassen (z.B. Nutzeroberflche)

    5. Systemtest: Prft, ob das System korrekt und anwendungsreif ist. Bei Wissensbasiertes Systems schwieriger als bei traditionellen Softwaresystemen feststellbar.

    6. Einsatz und Wartung:

    Schnittstellen zu anderer Soft- und Hardware

    Vorbereitung der Benutzer

    laufende Aktualisierung des im Expertensystem verwendeten Wissens (aufwendig und wichtig); hufige Fehlerursache fr schnelle Veralterung (viele Projekte sind schliesslich hieran gescheitert)

    7. Evaluation:

    Hierunter versteht man die Bewertung des eingesetzten Systems hinsichtlich seiner Leistung und Ntzlichkeit.

    3.2 Rapid Prototyping modellbasierte Wissensaquisition

    3.2.1 Rapid Prototyping

    Konstruktion eines Prototyps

    Bewertung des Prototyps

    Weiterverwendung des Prototyps

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 22/31

    ErhebungExperte v Knowledge Engineer

    StrukturierungKnowledge Engineer

    EntwicklungKnowledge Engineer d Prototyp

    BewertungExperte, Nutzer -- Knowledge Engineer

    Expertensystem

    Abbildung 6: Rapid Prototyping

    Bemerkung: Wissensanalyse und Wissensimplementierung werden vermischt.

    Vorteile:

    Knowledge Engineer und Experte knnen sofort berprfen, ob der Wissenstransfer richtig durchgefhrt worden ist

    der Experte kann das Verhalten des Systems berprfen

    der Experte kann den Knowledge Engineer direkt auf fehlendes oder ungengendes Wissen in der Wissensbasis hinweisen

    Nachteile:

    die Reprsentation der Expertise in der Wissensbasis wird durch die Imp lementierungs-formalismen bestimmt und entspricht nicht der Begriffswelt des Experten

    Systemarchitektur muss vor der abschliessenden Analyse der Wissensprotokolle festgelegt werden; sptere nderungen sind teuer

    Planung ist unbersichtlich; selbst whrend der Implementierung ist nie recht klar, wieviel noch zu tun ist

    es ist ungewiss, ob die Struktur des kleinen Systems tatschlich im Grossen standhlt

    es wird keine explizite Entscheidung ber das Wissensmodell getroffen; es ergibt sich im Verlauf der Entwicklung

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 23/31

    3.2.2 Modellbasierte Wissensaquisition

    Modellierung der Expertise

    Wissenserhebung durch Modellvervollstndigung

    Implementierung durch Operationalisierung des Modells

    Untersttzung der Wartungsphase

    Vorteile:

    klare Trennung von Analyse und Implementierung (die eventuell sogar von verschiedenen Personen durchfhrbar sind)

    nach der Analysephase liegt eine relativ vollstndige Beschreibung der Expertise auf einer implementierungsunabhngigen Darstellungsebene vor

    Modell nher an der Terminologie der Experten

    der Interpretationsprozess, d.h. der Aufbau des konzeptuellen Modells, wird transparent und lsst sich dokumentieren

    dem Knowledge Engineer knnen generische Modelle zur Verfgung gestellt werden, welche die Interpretation leiten und besonders in der Anfangsphase Untersttzung geben, wenn er mit einer grossen Masse von Wissen konfrontiert wird

    Fehler bei der Interpretation von Daten schlagen sich nicht in unntiger Implemen-tierungsarbeit nieder

    InitialerhebungExperte v Knowledge Engineer

    StrukturierungKnowledge Engineer

    Modellierung - AnreicherungKnowledge Engineer v Experte

    OperationsanalisierungKnowledge Engineer

    ExpertensystemEntwicklung

    Abbildung 7: Modellbasierte Wissensaquisition

    Nachteil:

    die Vorteile des RapidPrototypingAnsatzes entfallen

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 24/31

    4 Wissenserwerb Die Wissensakquisition (WA) ist die Erhebung von Wissen aus verschiedenen Wissensquellen, wie Experten (Heuristiken, Strategien, Erfahrungswerte), Bchern, Handbchern oder Lexika, sowie die anschliessende Umsetzung dieses Wissens in eine operationale Wissensbasis.

    WA beinhaltet auch die Wartung der Wissensbasis nach der Auslieferung an den Kunden.

    4.1 Aufgaben der Wissensakquisition

    Erhebung: Erfassung und Fixierung von Wissen. Es entsteht eine Datensammlung.

    Aufbereitung: Identifizierung, Analyse und Strukturierung des erhobenen Wissens. Es entsteht ein (mentales) Modell.

    Operationalisierung: Umsetzung in Wissensreprsentationsformen (Regeln, Objekte,) Es entsteht eine Wissensbasis.

    4.2 Arten des Wissenserwerbs

    1. Indirekter Wissenserwerb: Ein Wissensingenieur (KE) befragt einen Experten und formuliert die Ergebnisse fr das Expertensystem.

    Dieses Verfahren ist aufwendig und naturgemss fehleranfllig, da das Wissen auf dem Umweg ber den KE akquiriert wird.

    Der KE (Knowledge Engineer)

    erhebt Wissen eines Experten

    bereitet es auf

    bringt es in operationalisierter Form in die Wissensbasis ein.

    Es gibt zahlreiche Techniken:

    Interview

    Textanalyse

    Fallbeschreibung

    Protokollanalyse

    Konstruktgitterverfahren

    mehrdimensionale Skalierung

    usw.

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 25/31

    2. Direkter Wissenserwerb: Der Experte formalisiert sein Wissen selbst. Dieses Vorgehen erfordert ein komfortables Wissenserwerbssystem, ist aber nur in gut verstandenen Anwendungsbereichen durchfhrbar (z.B. Diagnose).

    Der Experte

    formalisiert sein Wissen selbst

    bertrgt es mittels Wissenseditoren (mglichst mit Graphikuntersttzung und Konsistenzprfung) in die Wissensbasis

    Beispiele:

    TEIRESIAS (fr MYCIN)

    CLASSIKA (fr D3)

    MOLE, OPAL

    3. Automatischer Wissenserwerb: Das Expertensystem extrahiert sein Wissen selbstndig aus Falldaten oder verfgbarer Literatur. Hierzu dient ein Lernprogramm, welches aus Fallbeispielen Teile der Wissensbasis extrahiert. Es gibt erste Anstze, die bisher aber nicht praxisreif sind.

    4.3 Erhebung von Expertenwissen

    Die Wissenserhebung ist der erste Schritt beim Transfer des Expertenwissens in ein wissensbasiertes System. Die Techniken lassen sich in drei Kategorien einteilen:

    1. Interviewtechniken, bei denen der KE durch explizites Fragen versucht, neues oder spezifischeres Wissen vom Experten zu erfragen. Der Experte versucht, durch Introspektion sein Bereichswissen an den Tag zu bringen und Zusammenhnge zu verdeutlichen.

    Man unterscheidet:

    Unstrukturiertes Interview

    Strukturiertes Interview

    Fokussiertes Interview

    2. Techniken, mit denen versucht wird, das Vorgehen des Experten bei konkreten Problemstellungen zu beobachten und sein Vorgehen beim Problemlsen zu analysieren.

    Dadurch ist es mglich, auch Wissen hervorzuholen, das sich der Introspektion und der direkten Verbalisierung durch den Experten entzieht und das nur in der Auseinandersetzung mit konkreten Problemsituationen angewandt wird.

    Man unterscheidet:

    Protokollanalyse

    Introspektion

    Dialoge mit Klienten

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 26/31

    3. Indirekte Techniken, bei denen der KE nicht durch explizites Fragen, sondern durch neutralere Fragestellungen versucht, zhes, impizites und unbewusstes Wissen aus dem Experten hervorzuholen.

    Man unterscheidet:

    multidimensionale Skalierung

    hierarchisches Clustering

    gewichtete Netze

    Konstruktgitterverfahren

    Strukturlegetechniken

    geschlossene Kurven

    Inferenzflussanalyse

    geordnete Bume durch Aufzhlung

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 27/31

    5 Anhang

    5.1 Expertensystemwerkzeuge

    Einen Gesamtberblick gibt:

    5.1.1 ART

    ART Automated Reasoning Tool

    Lisp Schnittstelle

    Fakten, Schemata, Regeln, Kontexte

    multiple Vererbung

    Vor- und Rckwrtsverkettung

    vages Wissen

    Blackboard- und Constraints-mechanismen

    5.1.2 KEE

    KEE Knowledge Engineering Environment

    Lisp Schnittstelle

    prozedurale Wissensreprsentation

    objektorientierte Wissensdarstellung auf der Basis von Frames

    regelbasierte Inferenzmaschine

    gute graphische Oberflche

    multiple Vererbungsmechanismen

    Vor- und Rckwrtsverkettung

    Erzeugung von Erklrungen

    Schlussfolgerungsstrategien knnen vom Benutzer beeinflusst werden

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 28/31

    5.1.3 BABYLON

    GMD, St. Augustin

    luft unter Lisp

    4 Hauptmodule:

    Frame - Prozessor (multiple Vererbung)

    Regel - Prozessor (Vor- und Rckwrtsverkettung)

    Logik - Prozessor (Resolutionsmechanismen fr Hornklauseln)

    Meta - Prozessor

    reichhaltige Testhilfen

    5.1.4 Knowledge Craft

    baut auf Common Lisp auf

    verwaltet Objekte (Schemata) mit multipler Vererbung

    Regeln (Vor- und Rckwrtsverkettung)

    5.1.5 Twaice

    Prolog und C implementiert

    luft auf Unix - Rechnern und PCs

    Regeln (automatisch auf Konsistenz prfbar)

    Erzeugung von Erklrungen in natrlicher Sprache

    Induktionskomponente fr das automatische Lernen von Regeln aus Daten

    Verbindung mit einem Hypertextsystem

    5.1.6 D3

    Keine Angaben

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 29/31

    5.2 Nexpert Object

    5.2.1 Allgemeines

    Hersteller: Firma NEURON DATA INC . mit Hauptsitz in Palo Alto Deutschland: Firma Nexus GmbH aus Dortmund

    Markteinfhrung 1985

    auf verschiedenen Hardwareplattformen lauffhig

    Problembereich wird nicht vorgegeben

    in C geschrieben

    Schnittstellen zu Datenbanken

    Protabilitt der Wissensbasen auf alle Hardwareplattformen ist mglich

    Visualisierung des Wissens mit Netzwerken

    C - Programme knnen auf NEXPERT OBJECT zugreifen und aus NEXPERT OBJECT knnen externe Programme aufgerufen werden

    5.2.2 Wissensreprsentation

    Geschieht in Form von Regeln und Objektstrukturen.

    5.2.2.1 Objekte und Klassen

    Ein Objekt stellt die Beschreibung eines konkreten Gegenstandes dar. Die Beschreibung erfolgt durch die Angabe von Eigenschaften und Werten fr diese Eigenschaften.

    Es knnen Hierarchien von Objekten auftreten.

    Eine Klasse stellt eine Verallgemeinerung von gleichartigen Objekten dar. Durch die Angabe von Beziehungen zwischen Objekten und Klassen knnen Aussagen ber alle zu einer Klasse gehrenden Objekte gemacht werden.

    Auch hier knnen Subklassen auftreten.

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 30/31

    5.2.2.2 Slots und Metaslots

    Als Slots bezeichnet man die Verbindungen Objekt.Eigenschaft bzw. Klasse.Eigenschaft.

    Dort werden die Werte abgelegt, welche die Eigenschaft des jeweiligen Objektes bzw. der jeweiligen Klasse hat.

    Werte fr Slots werden in der Regel erst dann ermittelt, wenn sie fr die Wissensverarbeitung gebraucht werden. Zu Beginn setzt man UNKNOWN.

    Metaslots erlauben eine funktionale Beschreibung von einzelnen Slots. Zum Beispiel:

    Methoden der Wertermittlung

    Aktionen bei Wertnderungen

    Vererbungsmethoden

    Inferenzprioritten

    5.2.2.3 Regeln

    Sie haben folgenden Aufbau:

    Wenn Operator Operator 1 Operator 2 (Bedingungen)

    Dann Hypothese Aktionen Operator Operator 1 Operator 2

    Zu Beginn einer Sitzung ist der Boolsche Wert einer Hypothese UNKNOWN.

    Eine Hypothese kann dann die Werte

    TRUE: alle Bedingungen wahr

    FALSE: mindestens eine Bedingung falsch

    NOTKNOWN: wenn nicht alle bentigten Informationen beschaffbar sind

    annehmen (3 - wertige Logik).

    5.2.3 Agenda

    Die Agenda ist der zentrale Kontrollmechanismus, der den Inferenzprozess steuert.

    Sie stellt eine geordnete Liste von Hypothesen dar.

    Entsprechend ihrer Rangordnung in dieser Liste wird eine Hypothese bearbeitet, indem die Bedingungen aller Regeln zu dieser Hypothese berprft werden. Die Hypothese erhlt einen der Werte TRUE, FALSE, NOTKNOWN. Danach wird sie von der Agenda entfernt.

    Die Agenda wird im Verlauf des Inferenzprozesses dynamisch verndert.

  • FHNW Vorlesung Wissensbasierte Systeme

    Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 31/31

    Hypothesen knnen auf die Agenda gelangen durch:

    Suggerieren einer Hypothese Der Nutzer des Systems whlt eine Hypothese direkt und beauftragt die Inferenzkomponente, diese Hypothese auszuwerten.

    Vorgabe von bereits bekannten Werten Der Nutzer teilt dem System mit, dass er gewisse Datenwerte kennt. Kommen die zugehrigen Slots auf der linken Seite einer Regel vor, dann wird deren Hypothese indirekt ausgewhlt.

    Backward chaining ausgehend von der gerade bearbeiteten Regel

    Forward chaining

    von einer bereits bewiesenen Hypothese

    von Daten, die durch eine Aktion verndert wurden

    von Daten, die vom Benutzer eingegeben wurden

    Semantic gates aus einer bereits berprften Regel

    Kontext zu einer bereits untersuchten Hypothese

    Strategien bestimmen:

    welche Hypothesen auf die Agenda gelangen und

    wie die Regeln zu ihrer Bearbeitung benutzt werden.

    Die gltige Strategie kann vor und whrend der Wissensverarbeitung verndert werden.

    Prioritten lsen die dabei auftretenden Konflikte.

    5.3 Literaturverzeichnis

    [1] G. Gottlob, Th. Frhwirth, und W. Horn, editors. Expertensysteme. Springer, Wien New York, 1990.

    [2] P. Jackson. Expertensysteme Eine Einfhrung. ADDISON-WESLEY, Bonn, 1987.