WBS Wissensbasierte Systeme

Software, die Wissen in geeigneter Form repräsentiert und Verfahren enthält, die dieses Wissen systematisch verknüpfen.

Klare Trennung zwischen Wissensbasis (anwendungsabhängig) und Wissensverarbeitung/ Inferenz (anwendungsunabhängig)

Systematische Trennung von Wissen (Wissensbasis) und der Verarbeitung des Wissens (Inferenzmaschine)

—> Dadurch sind Problembeschreibung und Problemlösung klar voneinander getrennt

Wenn sie für einen klar definierten, begrenzten Aufgabenbereich konzipiert und eingesetzt werden (Expertensystemen)

• Klare und verständliche Wissensrepräsentation

• Änder- und Erweiterbarkeit der Wissensbasis

• Berücksichtigung unsicheren Wissens

• Fähigkeit, Schlussfolgerungen zu erklären und zu begründen

• können die örtliche und zeitliche Abhängigkeit von Experten aufheben

• Entlastung von Experten bei Routinetätigkeiten

• Softwarekomponenten können wiederverwendet werden

• Trennung von Wissen und Verarbeitung —> Wiederverwendung der WBS-Wissensbasis für weitere Anwendungen (z.B. Schulungszwecke in Unternehmen)

Wissensverarbeitung

• Inferenzkomponente ist der wesentliche Bestandteil der Verarbeitungskomponente. Sie feuert das Regelwissen unter Berücksichtigung des Klassenwissens auf das Faktenwissen und generiert so ggf. neuen Wissens oder Initiierung eine Handlung

• Wissenserwerbskomponente ermöglicht es dem Wissensingenieur, sein Wissen in das WBS einzupflegen bzw. zu warten

• Interviewerkomponente dient dem Einlesen/ Ausgeben von Daten und führt den Dialog mit dem Benutzer, weshalb sie auch als Dialogkomponente bezeichnet wird

• Steuerungskomponente koordiniert das Zusammenwirken der Problemlösungs-, Interviewer- und Erklärungskomponente. Dazu zählen u. a. das Initialisieren von Prozessen in den jeweiligen Komponenten und die Steuerung des Wissensflusses zwischen diesen

• Erklärungskomponente hilft sowohl dem Benutzer als auch dem Experten (welcher das Wissen in der Wissensbasis einpflegt und wartet), der Lücken, Fehler, etc. in der Wissensbasis lokalisieren möchte

Wissensbasis

• Klassenwissen (terminologisches Wissen über mögliche Objekte)

• Faktenwissen (Aussagen über tatsächlich existierende Objekte und ihre Eigenschaften)

• Regelwissen (prozedurales Wissen in Form von Wenn-Dann-Regeln —> Ursache-Wirkungs-Beziehungen)

• deklarativ: semantisches Wissen, Fakten, Objekte und Zusammenhänge bzw.: Wissen, was

• prozedural: Handlungswissen bzw.: Wissen, wie (typischerweise in Form von Regeln)

  —> zur Ableitung neuer Fakten oder zur Initiierung von Handlungen

• Klassenwissen (terminologisches Wissen über mögliche Objekte)

• Faktenwissen (Aussagen über tatsächlich existierende Objekte und ihre Eigenschaften)

• Regelwissen (prozedurales Wissen in Form von Wenn-Dann-Regeln —> Ursache-Wirkungs-Beziehungen)

Unterschied zwischen Klassenwissen und Faktenwissen:

Klassenwissen beschreibt mögliche Objekte, Eigenschaften und Beziehungen einer Domäne, ohne Aussagen über deren Existenz zu treffen. Faktenwissen beschreibt konkrete Instanzen und deren tatsächliche Existenz in der realen Welt

• Ableitungswissen (Ableitung neuer Fakten)

  —> WENN X ein Ventil, DANN ist X auch ein Aktor

• Handlungswissen (Auslösen von Aktionen)

  —> WENN Wert_Sensor_X = Y DANN Ventil öffnen

• Kontrollwissen (Steuerung der Anwendung der anderen Regeln durch Eingrenzung des Suchraums)

  —> WENN: Tank vollständig gefüllt, DANN keine zusätzliche Medieneingabe in den Tank mehr erlauben

Logik bildet die formale Grundlage für Wissensrepräsentation und Schlussfolgern in WBS

• Aussagenlogik (Boolesche Logik)

  Zusammenhänge zwischen einfachen, nicht weiter zerlegbaren Aussagen (Atomen), die entweder wahr oder falsch sind. Diese Aussagen werden mit logischen Junktoren wie ¬ (nicht), ∧ (und), ∨ (oder), ⇒ (Implikation) und ⇔ (Äquivalenz) verknüpft

• Prädikatenlogik (Logik erster Stufe)

  erweitert die Aussagenlogik um Variablen, Prädikate, Funktionen und Quantoren (∀ „für alle“, ∃ „es existiert“). Sie erlaubt Aussagen über Objekte und deren Eigenschaften sowie Beziehungen

  z.B. ∀x (Bahnsteig(x) ∧ belegt(x) ⇒ Weiche_rot(x))

Schlussfolgerungen aus dem Wissen in regelbasierten Systemen

• Deduktion (allgemein → speziell, immer wahr)

  1. Wenn ein Auto eine leere Batterie hat, dann startet das Auto nicht

  2. Bei meinem Auto ist die Batterie leer —> Mein Auto wird nicht starten

• Induktion (speziell → allgemein, nicht zwingend wahr)

  1. Ein Auto startet nicht und hat eine leere Batterie

  2. Ein anderes Auto startet nicht und hat eine leere Batterie —> Ein Auto, das eine leere Batterie hat, startet nicht

• Abduktion (Erklärung eines beobachteten Sachverhalts, plausibel, aber nicht sicher)

  1. Wenn ein Auto eine leere Batterie hat, dann startet das Auto nicht

  2. Mein Auto startet nicht —> Bei meinem Auto ist die Batterie leer

Vorwärtsverkettung (datengetriebene Inferenz): leitet aus vorhandenen Fakten alle möglichen Schlussfolgerungen ab

—> abgeleitete Fakten gehen als neues Wissen in den Inferenzprozess ein

Fakten: B1 ist belegt

Regel: WENN ein Bahnsteig belegt ist, DANN ist die zugehörige Weiche rot.

Ablauf: Aus dem Fakt B1 ist belegt wird durch Anwendung der Regel automatisch der neue Fakt W1 ist rot abgeleitet. Dieser neue Fakt kann wiederum weitere Regeln auslösen (z. B. Signale auf rot setzen). → Die Inferenz startet bei den vorhandenen Daten und schreitet schrittweise voran

Rückwärtsverkettung (zielorientierte Inferenz): Beweis einer Hypothese durch Ableitung oder Widerlegung

—> Regelbasis wird nach Regeln durchsucht, die das Ziel in der

Konklusion enthalten

Ziel (Hypothese): S1 ist rot

Regel: WENN W2 = rot UND W3 = rot, DANN S1 = rot.

Ablauf: Das System prüft, ob die Prämissen W2 = rot und W3 = rot erfüllt sind. Falls diese noch nicht bekannt sind, werden sie als neue Zwischenziele betrachtet und durch weitere Regeln oder Fakten überprüft. → Die Inferenz startet beim Ziel und arbeitet sich rückwärts zu bekannten Fakten vor

Die Fähigkeit, mit vorläufigem oder unvollständigem Wissen zu schließen und Schlussfolgerungen bei neuen Informationen zu revidieren (non-monotonic reasoning)

Breitensuche, Tiefensuche

• Wissen muss systematisch vorhanden sein oder ohne Qualitätsverlust systematisierbar sein

• Wissen muss explizit formulierbar sein

• Intuitives und assoziatives Wissen entzieht sich dieser Repräsentation

• Die Regelbasis kann zu inkonsistenten Ableitungen führen

• Analyse

• Diagnose

• Gestaltung

RBS eignen sich zur Steuerung klar strukturierter Abläufe, bei denen sicherheitskritische Restriktionen und logische Abhängigkeiten explizit formuliert werden können, z. B. bei der Signal- und Weichensteuerung im Eisenbahnverkehr

• RBS: transparent, konsistent, aber unflexibel und wartungsintensiv

• CBR: flexibel, lernfähig, aber fallbasisabhängig und weniger erklärbar

  
  

Regelbasierte Systeme (RBS)

Vorteile

• Explizites, transparentes Wissen

• Hohe Konsistenz: Gleiche Eingaben führen zu gleichen Ergebnissen

• Leicht überprüfbar

Nachteile / Einschränkungen

• Regeln müssen explizit von Experten formuliert werden.

• Geringe Flexibilität

• Schlechte Skalierbarkeit: Große Regelmengen werden unübersichtlich und schwer wartbar

• Ungeeignet für unscharfe oder schlecht strukturierte Probleme

• Keine implizite Lernfähigkeit ohne zusätzliche Mechanismen

Fallbasierte Systeme (CBR)

Vorteile

• Nutzung von Erfahrungswissen statt expliziter Regeldefinition.

• Hohe Flexibilität und Adaptivität bei neuen oder leicht abgewandelten Problemen.

• Lernfähig durch Hinzufügen neuer Fälle.

• Geeignet für schwach strukturierte Domänen, in denen Regeln schwer formulierbar sind.

Nachteile / Einschränkungen

• Abhängigkeit von einer umfangreichen und qualitativ guten Fallbasis.

• Probleme bei völlig neuen Situationen ohne ähnliche Fälle.

• Ähnlichkeitsmaß und Indizierung sind kritisch und oft schwer zu definieren.

• Geringere formale Erklärbarkeit im Vergleich zu regelbasierten Systemen.

• Wartung der Fallbasis (Redundanzen, veraltete Fälle) erforderlich

• Ähnliche Probleme haben ähnliche Lösungen

• Problemtypen wiederholen sich, auch wenn einzelne Fälle variieren

Anforderungen

• Umfangreiche Fallbasis

• Fähigkeit, neue Situationen mit bereits gespeicherten in Verbindung zu bringen

• Geeigneter Algorithmus, um neue Lösungen zu evaluieren und eventuell zu korrigieren

• Neue Ergebnisse/ Fälle müssen geschickt in die Fallbasis integriert werden

• Problemlösendes, fallbasiertes Schließen zur Lösungsfindung

• interpretatives fallbasiertes Schließen zur Bewertung und Einordnung einer Situation

Der Zyklus des fallbasierten Schließens beinhaltet folgende Schritte:

1. Selektierung der ähnlichsten Fälle

2. Wiederverwendung des Wissens aus diesen Fällen

3. Evaluierung/ Überprüfung der gefundenen Lösung

4. Aufnahme des Falls in die Fallbasis

• Problembeschreibung/ Situationsbeschreibung

  mit Zielvorgaben und Ausgangssituation

• Lösung und Lösungsschritten

• Resultat inklusive Bewertung und Verbesserungshinweisen

Indizierung ermöglicht es, relevante Fälle voneinander zu unterscheiden und ähnliche Fälle mithilfe von Distanzmaßen effizient zu finden —> Fälle maschinenlesbar machen

(Anforderungen) Indizes müssen

• ausreichend abstrakt sein, um viele Situationen abzudecken

• zugleich hinreichend genau, um relevante Fälle eindeutig identifizieren zu können

—> Suche ähnlicher Fälle erfolgt später anhand von Distanz-Metriken zwischen Fällen

• intuitiv schlussfolgern

• assoziativ schlussfolgern

• wichtiges vom unwichtigen unterscheiden

• feststellen, wo sie Wissenslücken haben

• Allgemeinwissen einbeziehen („common sense“)

• Mehrdeutigkeiten von Begriffen kontextabhängig auflösen