Wissensbasierte Systeme/ Expertensysteme Teil 1

KOOTHS – BiTS: Wissensbasierte Systeme/Expertensysteme | Teil 1 1

Wissensbasierte Systeme/Expertensysteme

Teil 1

BiTS, Sommersemester 2004Dr. Stefan Kooths


Gliederung

1. Einführung und Einordnung2. Entscheidungsunterstützung(ssysteme)3. Künstliche Intelligenz und Expertensysteme im

Überblick4. Wissensrepräsentation und Inferenz5. Entwicklung von Expertensystemen6. Wissensmanagement7. Zusammenfassung und Ausblick


Gliederung




Literatur

• Turban, E. / Aronson, J. E.:Decision Support Systems and Intelligent Systems, 6th Ed., Prentice Hall, Upper SaddleRiver 2001.

• Luger, G. F.:Artificial Intelligence: Structures and Strategies for Complex Problem Solving, 4th Ed., Addison-Wesley, Upper Saddle River 2002.

alternativ deutsche Übersetzung:

Künstliche Intelligenz: Stragegien zur Lösungkomplexer Probleme, 4. Aufl., Pearson Studium, München 2001.


Einordnung:WBS/ES EUS bzw. Business Intelligence

Diplom: EUS

Entscheidungslehre/Simulation von Entscheidungen

Wissensbasierte Systeme/Experten-systeme

Künstliche Intelligenz

Neuronale Netze

BA/MA: BI

Management Support Systems

Knowledge-BasedSystems

Soft Computing

Case Studies


Einordnung in Turban/Aronson 1

• Part I: Decision Making and Computerized Support• Part II: Decision Support Systems• Part III: Collaboration, Communication, Enterprise Decision

Support Systems, and Knowledge Management• Part IV: Fundamentals of Intelligent Systems• Part V: Advanced Intelligent Systems• Part VI: Implementation, Integration, and Impacts



• Part I: Decision Making and Computerized SupportCh. 1 Management Support Systems: An OverviewCh. 2 Decision Making, Systems, Modeling and Support

• Part II: Decision Support SystemsCh. 3 Decision Support Systems: An OverviewCh. 4 Data Warehousing, Access, Analysis, Mining, Vis.Ch. 5 Modeling and AnalysisCh. 6 Decision Support System Development

• Part III: Collaboration, Communication, Enterprise DecisionSupport Systems, and Knowledge Management

Ch. 7 Collaborative Computing Technologies: GSSCh. 8 Enterprise Decision Support SystemsCh. 9 Knowledge Management

Literatur-studium



• Part IV: Fundamentals of Intelligent SystemsCh. 10 Knowledge-Based Decision Support: AI and ESCh. 11 Knowledge Acquisition and ValidationCh. 12 Knowledge RepresentationCh. 13 Inference TechniquesCh. 14 Intelligent Systems Development

• Part V: Advanced Intelligent SystemsCh. 15 Neural Computing: The BasicsCh. 16 Neural Computing Applications, Advanced AISCh. 17 Intelligent Software Agents and Creativity

• Part VI: Implementation, Integration, and ImpactsCh. 18 Implementing and Integrating MSSCh. 19 Impacts on Management Support Systems


Gliederung




Einflussfaktoren auf Entscheidungssituation


Traditionelle Computerunterstützung

• Problemdefinition• Klassifikation in Standardkategorien• Konstruktion/Auswahl eines adäquaten

mathematischen Modells• Erzeugen und Bewerten von Lösungsalternativen• Auswahl der besten Lösung

Klassisches Operations Research (Management Science)


Decision Support Systeme

• semistrukturierte/unstrukturierte Entscheidungen• oftmals unsichere Entscheidungssituation (man

weiß mehr als nichts, aber nicht alles)• Effektivität wichtiger als Effizienz

effektiv = die richtigen Dinge tun (Zielerreichung)effizient = die Dinge richtig tun (Ressourceneinsatz)

zusätzliche Literatur:Back, A.: Entscheidungsunterstützungssysteme; in: Handwörterbuch Unternehmensrechnung und Controlling, Stuttgart 2001, S. 370-374. [PDF auf Website]


MSS, DSS und MIS

Quelle: A. Back (2001), S. 369


Unterstützung durch DSS


Phasen des Entscheidungsprozesses 1

• Intelligence PhaseProblem-/ChancenidentifikationProblemklassifikationProblemzerlegungVerantwortungszuordnung

• Design PhaseAlternativen- und Modellentwicklung (Wirkung von Entscheidungsvariablen)Formulierung von EntscheidungskriterienModelle– Normative Modelle und (Sub-) Optimierung

(Rationalitätsannahme, keine Ungewissheit, vollständige Präferenzordnung)

– Deskriptive Modelle und Simulation (befriedigende Lösungen)

Sicherheit, Risiko, Ungewissheit


Phasen des Entscheidungsprozesses 2

• Choice PhaseSuche (analytisch, blind, heuristisch),Bewertung (Zielkonflikte, Sensitivitätsanalysen, Wenn-Dann-Analysen, Zielanalysen (z. B. Break-even)),Empfehlung von Lösungen

• Implementation PhaseDurchsetzungUnterstützung und AkzeptanzErklärung


Idealeigenschaften und –fähigkeiten eines DSS


Struktur und Komponenten eines DSS


Gliederung


Überblick1. Künstliche Intelligenz2. Expertensysteme im Überblick

4. Wissensrepräsentation und Inferenz5. Entwicklung von Expertensystemen6. Wissensmanagement7. Zusammenfassung und Ausblick


3.1 Künstliche Intelligenz

• Konzepte und Definitionen• Künstliche vs. Natürliche Intelligenz• Kerntechnologien und Bereiche• Wissensbasierte Entscheidungsunterstützung


Künstliche Intelligenz: Konzepte und Definitionen

• Zwei wesentliche AspekteWas ist Intelligenz = Wie denken Menschen?Wie lässt sich intelligentes Verhalten maschinell darstellen?

• Zwei (von vielen) Definitionen„ AI is behavior by a machine that, if performed by a human being, would be considered intelligent“„ AI is the study of how to make computers do things at which, at the moment, people are better“


Eigenschaften von Intelligenz

• Lernen aus Erfahrung• Umgang mit uneindeutigen/widersprüchlichen

Daten• (Schnelle) Reaktion auf neue Situationen• gedankliche Durchdringung von Problemen• Anwendung von Wissen zur Gestaltung der

Umwelt• Denken und Schlussfolgern• Relevanzbewertung

Vorbild für KI-Anwendungen


Test auf Intelligenz

• Turing-Testnach Alan Turing (brit. Mathematiker)„Computing machinery and intelligence“ (1950)

• aber: nicht Nachbau, sonder Nutzung von Intelligenz (WI-Sicht)!


Wissensverarbeitung

• numerisch/subsymbolisch vs. symbolisch• algorithmisch vs. nicht-algorithmisch• Nutzung von Heuristiken

möglichst erfolgreich arbeitende Lösungsverfahren (keine Lösungsgarantie, keine zwingend perfekte Lösung)nicht beweisbarbasieren auf Vermutungen, plausiblen Annahmen (Hypothesen), Analogien, Erfahrungenrelativ schnelle, recht gute Lösungen für komplexe Probleme (bspw. bei kombinatorischer Explosion)


Wissensrepräsentation und Inferenz

• Wissensartendeklarativ: Know-what (Fakten, Regeln, Theorien)prozedural: Know-how (Anwendungswissen)Metawissen

• WissensbasisSpeicher für das gesamte, innerhalb eines WBS repräsentierte Wissenmeist eng umgrenztes Wissensgebiet (sog. Domaine)

• InferenzNutzung bestehenden WissensAnwendung von logischen oder heuristischen Verfahren zur Gewinnung neuen Wissenswichtige Verfahrensklasse: Mustererkennung


Grobkonzept von KI-Programmen


Künstliche vs. Natürliche Intelligenz

• Kommerzielle Vorteile von KIunsterblich/permanentleicht zu kopieren/verteilenpotenziell kostengünstiger, insbesondere bei hoher Nutzerzahlkonsistent und genau (kann auch Nachteil sein, s.u.)dokumentierbarschnellerbesser als viele Menschen

• Nachteile von KImangelnde Kreativität (zu konsistent, zu genau)kein Zugang zu natürlichen Sensorenkein allgemeines Hintergrundwissen


Kerntechnologien der KI

• SoftcomputingNeuronale NetzeFuzzy LogicGenetische Algorithmen

• Expertensysteme„starke“ ProblemlösungsmethodenKonstruktion, Simulation, Diagnose

• Agentbasierte Systeme (DAI = Distributed AI)kontextbezogenautonomflexibelsozial

Kombination: Hybride Systeme


Wichtige Teilgebiete/Anwendungsbereiche der KI

• Automatisches Beweisen• Spracherkennung (NLP = Natural Language

Processing)• Bildverstehen• Robotik und Sensorik• Intelligente Tutoren (ICAI = Intelligent

Computer-Aided Instruction)• Textzusammenfassungen• Übersetzung• ...


Wissensbasierte Entscheidungsunterstützungssysteme

• Generell: alle nicht mathematisierbaren Aspekte des Entscheidungsprozesses (z. B. Variablen-auswahl)

• MBMS: Aufbau, Speicherung, Verwaltung• Umgang mit Unsicherheit, insbes. Ungewissheit• User-Interface (z. B. via NLP)• Nutzung spezieller Fähigkeiten lernfähiger,

mustererkennender, fehlertoleranter Systeme


3.2 Expertensysteme im Überblick

• Wichtige Grundbegriffe• Komponenten und Struktur• Arbeitsweise• Beispielanwendung• Wichtige Anwendungsbereiche• Vorteile• Probleme und Grenzen• Erfolgsfaktoren• Typen von Expertensystemen


Expertise

• umfassende, aufgabenbezogene Kenntnisse• erworben durch Training, Lesen, Erfahrung• Teilaspekte:

Fakten über das FachgebietTheorien über das Fachgebietallgemeine Regeln und VorgehensweisenHeuristiken für spezielle Situationenglobale LösungsstrategienMetawissen

• erlaubt es, schnellere und bessere Entscheidungen zu treffen (Wissen, nicht Basisintelligenz ist entscheidend)

• Novize wird nur allmählich zum Experten


Experten

• erkennen, formulieren und hierarchisieren Probleme

• lösen Probleme schnell und korrekt• erläutern ihre Lösung• lernen aus (positiver und negativer) Erfahrung• restrukturieren ihr Wissen• Problem: implizites Wissen• verstoßen gegen Regeln, falls notwendig• wissen, was sie nicht wissen (Metawissen)


Wissenstransfer und Knowledge Engineering

KnowledgeEngineering

• Experte Computersystem Anwender• Wissensakquise

• Wissensrepräsentation• Inferenztechniken• Transfer zum Anwender (User Interface)

LösungErklärung

Wissensingenieure

KI und BWL


• Wissensrepräsentation• Wissenserwerb• Inferenz-Steuerung• Selbstdokumentation

Was wissen, wie lernen, denkenund argumentieren Ökonomen?

• Wissensrepräsentation• Wissenserwerb• Inferenz-Steuerung• Selbstdokumentation


Konventionelle DV und ES im Vergleich


Struktur von Expertensystemen

• Wesensmerkmal: Trennung von Wissensbasis und Inferenzmaschine


Entwicklungs- und Einsatzmodus

Komponenten

Beteiligte


Nutzertypen und Einsatzarten

• Nutzer ist NichtexperteES als Berater

• Nutzer ist LernenderES als Trainer

• Nutzer ist ES-EntwicklerES als Partner

• Nutzer ist ExperteES als Kollege/Assistent


Lebenszyklus von Expertensystemen

• Entwicklungproblemspezifische Wissensakquise (deklarativ, prozedural) und Entscheidung über RepräsentationsmethodeInferenzmaschine, Blackboard, Erklärungskomponente, Schnittstellen, IntegrationEvtl. Nutzung von ES-Shells (Bsp.: MYCIN/EMYCIN, D3)

• EinsatzInteraktiver Dialog zwischen ES und NutzerES erfragt Fakten und wendet Regeln anNutzer kann Erklärungen anfordern

• VerbesserungRapid Prototyping Entwicklungszyklen


Beispielanwendungen

• EXSYShttp://www.exsys.com/demomain.html

• d3 (Uni Würzburg)http://d3.informatik.uni-wuerzburg.de/index.html

http://www.exsys.com/demomain.html

http://d3.informatik.uni-wuerzburg.de/index.html


D3: Fakteneingabe


D3: Erklärungskomponente


D3: Diagnoseergebnis


Wichtige Anwendungsbereiche

• HauptgebieteDiagnoseKonstruktionSimulation


Vorteile 1

• erhöhte Produktivität (quantitativ, qualitativ)• Beschleunigung von Entscheidungsprozessen• Reduktion von Ausfallzeiten• Sicherung knappen Expertenwissens• größere Flexibilität• erleichterter Zugang zu komplexen Systemen

(intelligente Handbücher)• Ersatz für aufwändigere Kontrollhardware• Einsatz in gefährlichen Umgebungen• Entlastung von Routinetätigkeiten, Wissenzugang

für Helpdesks


Vorteile 2

• Umgang mit unsicherem, unvollständigem Wissen• ES als Trainer (Mehrfachnutzung von Wissen)• Zuverlässigkeit (keine Ermüdung)• raum- und zeitunabhängiger Wissenszugang,

insbesondere über webbasierte Ansätze (Basisverbreiterung)

• können durch Integration andere Informationssysteme „intelligent“ machen


Probleme und Grenzen

• mangelnde Verfügbarkeit von Wissen• schwierige Wissensextraktion und -formalisierung

Fähigkeit undBereitschaft menschlicher Expertenschwierige Bewertung der eigenen ExpertiseKommunikationsprobleme zwischen Experte und Wissensingenieur

• Rolle der NutzerÜberforderungmangelndes Vertrauen

• eng umrissene Problembereiche (kein Weltwissen)• keine Garantie für (korrekte) Lösungen• Hauptproblem: ES-Management


Erfolgsfaktoren (Idealbedingungen)

• Wissensniveau ist genügend hoch und• über mind. einen kooperativen Experten

verfügbar• eng umgrenzter, relevanter, nichttrivialer

Problembereich• keine rein quantitative Lösung möglich• leistungsfähige ES-Shell für Rapid Prototyping• bedienungsfreundliches User Interface

(insbesondere beim Einsatz mit Novizen)• Verfügbarkeit von kompetenten Entwicklern• Berücksichtigung von Nutzer-Motivation• ES-Einsatz als Managementaufgabe


Typen von Expertensystemen

• Abgrenzung: ES vs. WBS• Technologien

regelbasiertfallbasiertmodellbasiertframebasierthybrid

• Entwicklungeigene VollentwicklungShells (leere Wissensbasis)Fertigprodukte


Chapter Highlights 1

• The primary objective of AI is to build computer systems that perform tasks that can be characterized as intelligent.

• The major characteristics of AI are symbolic processing, use of heuristics instead of algorithms, and application of inference techniques.

• AI has several major advantages over people: It is permanent, it can be easily duplicated and disseminated, it can be less expensive than human intelligence, it is consistent and thorough, and it can be documented.

• Natural (human) intelligence has advantages over AI: It is creative, it uses sensory experiences directly, and it reasons from a wide context of experiences.

• Knowledge rather than data or information is the key concept of AI.• In conventional computing, we tell the computer how to solve the problem. In AI, we

tell the computer what the problem is and give it the knowledge needed to solve similar problems and the necessary procedures to use the knowledge.

• Major application areas of AI include expert systems, natural language processing, speech understanding, intelligent robotics, computer vision, fuzzy logic, intelligent agents, intelligent computer-aided instruction, and neural computing.

• Expert systems, the most applied AI technology, attempt to imitate the work of experts. They apply expertise to problem solving.

• For an expert system to be effective, it must be applied to a narrow domain of knowledge and include qualitative factors.

• Natural language processing is an attempt to allow users to communicate with computers in a natural language. Currently, conversation is done via the keyboard and monitor; in the future, it will be carried out by voice.



• An intelligent robot is one that can respond to changes in its environment. Most of today’s robots do not have that capability.

• Computers can be used as tutors. If AI supports them, they can dramatically improve training and teaching.

• The various AI technologies can be integrated among themselves and with other computer-based technologies.

• Expert systems imitate the reasoning process of experts for solving difficult problems.

• The power of an ES is derived from the specific knowledge it possesses, not from the particular knowledge representation and inference schemes it uses.

• Expertise is task-specific knowledge acquired from training, reading, and experience.• Experts can make fast and good decisions regarding complex situations.• A few experts possess most of the knowledge in organizations.• Expert system technology attempts to transfer knowledge from experts and

documented sources to the computer and make it available for use by non-experts.• Expert systems involve knowledge processing, whereas other CBIS process data or

information.• An inference engine provides the reasoning capability in expert systems.• A distinction is made between a development environment (building an ES) and a

consultation environment (using an ES).• The major components of an ES are the knowledge acquisition subsystem,

knowledge base, inference engine, blackboard, user interface, and explanation subsystem.



• The knowledge engineer captures the knowledge from the expert and programs it into the computer.

• Although the major user of the ES is a non-expert, other users (such as students, ES builders, and even experts) may use ES.

• Knowledge can be declarative (facts) or procedural.• When expert systems are constructed, they are improved repeatedly in an iterative

manner, using a process called rapid prototyping. • The 10 generic categories of ES are interpretation, prediction, diagnosis, design,

planning, monitoring, debugging, repair, instruction, and control.• Expert systems can provide many benefits. The most important are improvement in

productivity or quality, preservation of scarce expertise, enhancing other systems, coping with incomplete information, and providing training.

• Many ES failures are caused by non-technical problems such as lack of managerial support and poor end-user training.

• Although there are several technical limitations to the use of expert systems, some of them will disappear with improved technology.

• Expert systems, like human experts, can make mistakes.• Some make a distinction between expert systems, where most of the knowledge

comes from experts, and knowledge systems, where the majority of the knowledge comes from documented sources.

• Some ES are available as ready-made systems; they render advice for standard situations. A trend is developing to disseminate such advice on the Internet, intranets, and extranets.

• Some expert systems provide advice in a real-time mode.• ES and AI provide support to the Internet and intranets as well.

Documents

Wissensbasierte Systeme/ Expertensysteme Teil 1