Expertensysteme 

Expertensysteme sind Computerprogramme, welche auf Grundlage künstlicher Intelligenz das menschliche Urteil eines Experten aus einem bestimmten Fachgebiet reproduzieren. Ein solches System ist nun dazu da Lösungen schnell und präzise aus dem gegebenen Problemfeld zu lösen. 

Sie funktionieren also wie eine Datenbank, welches das Wissen des Experten speichert, worauf die KI als Handlungsgrundlage zugreift. Mithilfe eines Knowledge Engineers wird diese Information in eine Software übertragen, sodass das resultierende Produkt selbst bei fehlender Expertise genutzt werden kann, um eine entsprechende Eingabe zu verarbeiten. So kann ein potenziell teurer und langsamer Einsatz eines menschlichen Experten durch eine effiziente und unvoreingenommene Software ersetzt. 

Was sind die Vorteile von Expertensystemen?

Folglich ist die eigenständige Problem- und Lösungsdiagnose vollständig automatisiert. Das resultierende Produkt kann als Selbsthilfe- oder Fehlerbehebungswerkzeug in Verbindung mit einem menschlichen Benutzer verwendet werden. Alternativ kann es, je nach Reifegrad des Systems, unabhängig als virtueller Akteur agieren, welcher einen Menschen unterstützt. 

Die Vorteile des Knowledge Engineerings lassen sich wie folgt zusammenfassen: 

  1. Schaffung eines Unterstützungssystems für die Entscheidungsfindung und -rechtfertigung 

  2. Beschleunigter und präziserer Urteilsprozesses 

  3. Ermöglichung der Verarbeitung von großen Datenmengen 

  4. Entwickelt ein Expertensystem für leicht übertragbares transparentes und explizites Wissen

Mögliche Anwendungen von Expertensystemen

  • Dateninterpretation: Analyse von Daten mit dem Ziel einer Zuordnung zu Objekten oder Erscheinungen, insbesondere Signalverstehen.  
    Beispiel: Erkennung akustischer Sprache 

  • Überwachung: Interpretation von Daten mit Aktionsauslösung in Abhängigkeit vom Ergebnis. 
    Beispiel: Produktionssicherung 

  • Diagnose: Interpretation von Daten mit starker Erklärungskomponente. 
    Beispiel: vielfältig in der Medizin, zum Beispiel bei bakteriellen Infektionen 

  • Therapie: Aktionen zur Korrektur fehlerhafter Systemzustände und Beseitigung der Ursachen (oftmals mit Diagnose gekoppelt). 
    Beispiel: Arzneimitteltherapiesicherheit 

  • Planung: Erzeugen und Bewerten von Aktionsfolgen zur Erreichung von Zielzuständen 
    Beispiel: Finanzplanung 

  • Entwurf: Beschreibung von Strukturen, die vorgegebenen Anforderungen genügen. 
    Beispiel: Computerkonfiguration 

  • Prognose: Vorhersage und Bewertung erreichbarer Zustände zeitvarianter Systeme. 
    Beispiel: Beurteilung von Erdbebenauswirkungen 

Entwicklung von Expertensystemen

Ziel ist es, die analytische Entscheidungsfindung von Fachleuten in einem bestimmten Bereich zu imitieren. Sehr oft fehlen diesen Experten die technologischen Fähigkeiten, um ihre entscheidenden Informationen in explizite Regeln zu extrahieren, so dass ein Computer sie verarbeiten kann. Um dieses Problem zu lösen, arbeitet ein Knowledge Engineer in iterativer Kommunikation mit diesen Experten an der Erstellung einer regelbasierten Wissensbasis, die im nächsten Schritt zur Automatisierung der oben genannten Entscheidungsfindung verwendet werden kann. Das resultierende Produkt ist eine unterstützende KI, die in der Lage ist, eine Diagnose und die Lösung des vorliegenden Problems zu beurteilen. 

Knowledge Engineering besteht dann in der Regel aus den folgenden Zwischenschritten: 

  1. Sammeln von Wissen aus verfügbaren Quellen, z. B. aus Datenbeständen und von menschlichen Experten der Domäne 

  2. Validierung des Wissens anhand von Testfällen, die von menschlichen Experten vorgegeben werden 

  3. Organisation und Kodierung des Wissens in einer geeigneten Datenbank. 

  4. Implementierung von Software, um auf der Grundlage der Datenbank korrekte Schlüsse zu ziehen 

  5. Entwicklung expliziter Erklärungs- und Begründungsprozesse für die Schlussfolgerungen, die aus den Schlussfolgerungen in der Datenbank gezogen werden

Woraus besteht ein Expertensystem?

Ein Expertensystem besteht im Allgemeinen aus den folgenden drei Teilen: 

  1. Wissensbasis: Hier werden die Information des menschlichen Experten bereitgestellt. Diese werden in Formen von Fakten und Regeln gespeichert. Je umfangreicher und deckender die Information hier beschrieben werden, desto verständlicher wird die Lösung. 

  1. Inferenzmachine: Dieser Teil handelt auf Grundlage der Wissensbasis. Mithilfe der Regeln und Fakten wird die Eingabe analysiert und bearbeitet. An dieser Stelle wird oft auch eine Strukturierung der Eingabedaten durchgeführt. 

  1. Benutzerschnittstelle: Das ist die grafische Oberfläche, die verschiedensten Benutzern eine leichte Interaktion mit dem Expertensystem ermöglichen soll. Eine gute Schnittstelle sollte dem Nutzer bei jeder erlaubten Eingabe eine adäquate Ausgabe liefern. 

Geht das auch mit modernem Machine Learning?

Experten verfügen über zu viel Zusatzwissen, als dass eine Maschine es effektiv imitieren könnte. Einige Aspekte der menschlichen Intuition, wie z. B. das "Bauchgefühl", die für fundierte Entscheidungen erforderlich sind, lassen sich nicht immer so einfach erfassen und entsprechend in einer Maschine abbildbar. Angesichts dieses Bedarfs an "implizitem Wissen" und der Verarbeitung großer Wissensmengen sind moderne maschinelle Lernmodelle für das Knowledge Engineering interessant geworden. 

Diese neueren Systeme sind in der Lage große Mengen an komplexeren Daten zu verarbeiten. Bei entsprechender Datenlage können Expertensystem hierdurch erweitert werden. Mithilfe statistischer Methoden wird dabei die Wissensbasis anpassungsfähiger und effektiver. Ein Spezialfall solcher maschinellen Lernmethoden ist die Verarbeitung natürlicher Sprache. Wenn neue Informationen gesammelt und verarbeitet (z. B. über Suchmaschinen) oder Sprachdaten analysiert und klassifiziert werden müssen, kommen diese Methoden ins Spiel. Informationen, die in Form von Sprachdaten vorliegen, müssen in der Regel sinnvoll strukturiert werden, damit die Bedeutung extrahierbar ist. Darüber hinaus ist dann nicht nur die Verarbeitung der Sprachdaten wichtig, sondern auch die Ausgabe einer Entscheidung in einem solchen System braucht oft die Form der Sprache, um eine schnelle Interpretation zu ermöglichen (z.B. Dokumentenerstellung).