fit 2002 > Expertensysteme > die reale Praxis

Überblick

Akzeptanz und Durchsetzungsbedingungen Welche Form/Realisierung der Konzeptionen hat sich warum durchgesetzt? Einsatzbereiche und ``typische Nutzung'' Welche Bestandteile der konzeptionellen Ideen werden tatsächlich in welchem Zusammenhang verwendet? (z.B. C++) Wie schon in de letzten Kapiteln des Öfteren angesprochen ist bei Expertensystemen die Entwicklung nicht in Richtung Aussortierung der Techniken und Spezialisierung des Systems in seinem Aufbau als solches, sondern eher in Richtung Spezialisierung der Anforderungen an so ein System gegangen. Einsatzbereiche für Expertensysteme sind all jene Aufgabengebiete, in denen es notwendig ist Wissen zu verarbeiten, zu sammeln und abrufbar zu machen. Damit ist nicht die reine Archivierung von Daten gemeint, sondern das Wissen, das durch die Daten repräsentiert ist. Expertensysteme sind also in der Regel Helfer, die über ein spezielles Wissen in einem bestimmten Fachgebiet verfügen, und mit deren Hilfe man zum Beispiel beim Treffen von Entscheidungen unterstützt wird. Ein Expertensystem kann man also als Gehirn einer intelligenten Maschine sehen. Scheitern und Rettungsversuche Welche Veränderungen hat man zur besseren Akzeptanz vorgenommen? Einer der wesentlichsten Punkte bezüglich der Akzeptanz von Expertensysteme ist die Wissensrepräsentation, da diese eine direkte Schnittstelle zum Anwender darstellt. Ist die Präsentation der Lösung bzw. des Ergebnisses für den Anwender verständlich und brauchbar, so wird auch das System beim Anwender auf Akzeptanz stoßen. Im Laufe der Entwicklung von Expertensysteme wurde deshalb von der Präsentation der Ergebnisse in Textform zur grafischen Präsentation übergegangen. Es ist nicht sehr ökonomisch, wenn der Anwender um ein System überhaupt bedienen zu können eine Skriptsprache mit deren Eigenheiten und Grammatiken erlernen muss. Dieser Aufwand ist nur in seltenen Fällen zu rechtfertigen. Daher wurde nach Varianten gesucht, die möglichst intuitiv interpretiert werden können. Dieser Trend kann allerdings nicht zu sehr als allgemein angesehen werden, da in manchen Bereichen die grafische Variante nicht praktikabel ist oder sogar verschlechternd wirkt. Nicht jede Art von Daten kann so einfach grafisch dargestellt werden. Abbildung 4: Ted Shortliffe Ein ebenso wichtig für die Akzeptanz, der Anwender, ist natürlich auch die Qualität der Lösung bzw. der berechneten Daten. Als Beispiel wäre hier das Expertensystem Mycin zu erwähnen. Dieses System zur Diagnose und Therapie von Krankheiten, wurde seit 1972 an der Universität von Stanford (Shortliffe et al. Abb. 4) entwickelt. Mycin soll den Arzt bei der Befundermittlung und der Diagnose unterstützen. Mycin[2] wurde einem Test unterzogen, um die Leistungsfähigkeit zu testen. 10 Patienten wurden zufällig ausgesucht. Ebenso sollten sieben Ärzte und ein Student Behandlungsvorschläge abgeben. Danach wurden diese Behandlungsvorschläge von acht Spezialisten bewertet (ohne wissen, welcher Befund vom Expertensystem stammt Abb. 5). Abbildung 5: Scheitern Rettungsversuche Mycin bekam in 52 Fällen recht. Bei den Ärzten wurde in 34 - 50 Fällen recht gegeben, der Student nur in 24 Fällen (Abb. 6). In anderen Fallstudien erreichte Mycin Trefferraten von 90%. Diese Studien haben ebenfalls beigetragen die Akzeptanz zu erhöhen. Abbildung 6: Diagramm Mycin Ist auch das Erweitern der Wissensbasis denkbar einfach durchführbar bzw. ist das System in der Lage selbst weiterzulernen ohne das ``Wissensingenieure'' oder Programmiertätigkeiten notwendig sind, so steigt die Akzeptanz bei Anwendern noch weiter. Dadurch fallen nämlich die Wartungs- und Upgradekosten und außerdem ist das System über einen längeren Zeitraum aktuell. Die Qualität der Lösungen sinkt nicht laufend mit dem Überholtwerden der vorhandenen Fakten. Wie versucht man das alte Konzept an eine neue Konzeption anzupassen? Ältere Expertensysteme (der ersten Generation) wurden noch speziell für eine Problemstellung entwickelt. Im Laufe der Zeit haben sich allgemein anwendbare Formen der Wissensrepräsentation und Wissensverarbeitung ergeben. Deshalb war es naheliegend sogenannte ``Expertensystemshells'' zu entwickeln. Eine Expertensystemshell ist also eine ``leere Schale''. Das heißt, die Wissensbasis ist leer und kann somit an verschieden Anwendungsgebiete angepasst werden, indem man die Wissensbasis mit dem für das Problem spezifischen Wissen füllt. Die Problemunabhängige Komponente der Shell sind dann Mechanismen zur Auswertung bzw. Ergebnisfindung. Ein Beispiel für eine Expertensystemshell ist Emycin, das aus dem oben behandelten Expertensystem Mycin entwickelt wurde. Durch den Einsatz von Expertensystemshells ergeben sich einige Vorteile, sowohl für den Entwickler als auch für den Anwender. Zum Einen wird die Entwicklungszeit erheblich gesenkt, da das Erstellen und das Testen der Entscheidungsfindungsmechanismen (Heuristik, Vorwärtsrückwärtsverkettung, ...) entfällt. Weiters sind für die Erstellung der Wissensbasis keinerlei Programmierkenntnisse erforderlich. Dadurch fallen natürlich auch weniger Entwicklungskosten an, was wiederum eine höhere Akzeptanz zur Folge hat. Eine weitere Anpassung bzw. aufgreifen von neueren Technologien spiegeln sich auch in der Verwendung von Fuzzy Logic wieder. Um die Entscheidungsfindung ``menschlicher'' zu machen. Ein Beispiel dafür wäre die Expertensystemshell CLIPS[1], die von der NASA entwickelt wurde. Dieses System ist eine Regelbasierende Shell, wobei der Regelsyntax sehr einfach, nur auf WENN - DANN Aussagen basiert. Aufgrund der Unbestimmtheit der menschlichen Sprache und der daraus resultierenden Unschärfe von Fakten, wurde CLIPS zu Fuzzy CLIPS weiterentwickelt. Fuzzy CLIPS verwendet, wie schon der Name ausdrückt, die Fuzzy Logic und behandelt die im WENN-Teil der Regeln vorhandenen Prämissen nicht mit fixen Werten (0,1) sondern auf einer Skala mit allen Werten zwischen 0 und 1. Literatur 1 Cornelia Petcu, ExpertensystemeJurPC WebDok.; http://www.jurpc.de/aufsatz/19980021.htm 2 Uwe Egly; Thomas Eiter; Hans Tompits: Skriptum zur Lehrveranstaltung: Wissensbasierte Systeme; 2000, http://www.kr.tuwien.ac.at/

Weiterführende Informationen

Verweise auf Arbeiten anderer gruppen

Praxis des Knowledge Management - Systeme der Künstlichen Intelligenz (KI)... Praxis des Knowledge Engineering - American Express benutzt Expertensysteme um ungewöhnliche Kreditanträge zu bearbeiten...

>Entstehungskontext | Konzepte und Techniken | Entwicklung und Auswirkungen | Praxis | Bewertung