Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

FH-Kurs Wissensmanagement Formale Grundlagen I – Teil 3 (a.o.Univ.Prof. Dr. Franz Hörmann)

Ähnliche Präsentationen


Präsentation zum Thema: "FH-Kurs Wissensmanagement Formale Grundlagen I – Teil 3 (a.o.Univ.Prof. Dr. Franz Hörmann)"—  Präsentation transkript:

1 FH-Kurs Wissensmanagement Formale Grundlagen I – Teil 3 (a.o.Univ.Prof. Dr. Franz Hörmann)

2 a.o.Univ.Prof. Dr. Franz Hörmann2 Expertensysteme Lernziele: –Grundlegender Aufbau eines Expertensystems (ES) –Problemstellungen, die für ES geeignet sind, identifizieren –Funktionsweise eines einfachen ES mit Rückwärtsverkettung (backward chaining) –Methoden zur Schlussfolgerung unter Unsicherheit –Anwendungsbeispiele für ES (Bereich Medizin)

3 a.o.Univ.Prof. Dr. Franz Hörmann3 Expertensysteme Wissensgewinnung: –… muss von menschlichen Experten erfolgen –… liegt zumeist als Faustregeln vor (heuristisches Wissen) –Ein Knowledge Engineer erstellt mittels Expert System Shell eine Knowledge Base, indem er einen Fachexperten (domain expert) interviewt (knowledge acquisition) – auch Endbenutzer sollten integriert werden! –Zunächst wird ein Prototyp entwickelt und danach schrittweise verfeinert (stepwise refinement)

4 a.o.Univ.Prof. Dr. Franz Hörmann4 Expertensysteme Problemauswahl: –Es sollte kein Allgemeinwissen bzw. manuelle Fertigkeiten erforderlich sein. –Man sollte die Lösung innerhalb einer halben Stunde über Telefon übermitteln können. –Kosten und Werkzeuge sollten erhoben werden. –Die Problemlösung mittels ES sollte kostengünstiger, einfacher oder aus anderen Gründen vorteilhafter sein als eine Lösung durch einen menschlichen Experten.

5 a.o.Univ.Prof. Dr. Franz Hörmann5 Expertensysteme Architektur eines ES:

6 a.o.Univ.Prof. Dr. Franz Hörmann6 Expertensysteme Backward Chaining: –Beweise Anfrage X: Ist X unter als Fakt gespeichert? Gibt es eine Regel um X abzuleiten? Erfrage den Wert von X über die Benutzerschnittstelle. X ist falsch.

7 a.o.Univ.Prof. Dr. Franz Hörmann7 Expertensysteme Erklärungskomponente (explanation subsystem): –Der Anwender kann auf Fragen stets mit warum antworten dann erklärt das System den Grund für die Fragestellung bzw. wie es eine bestimmte Schlussfolgerung abgeleitet hat.

8 a.o.Univ.Prof. Dr. Franz Hörmann8 Expertensysteme Schlussfolgerungen unter Unsicherheit: –Subjektive Wahrscheinlichkeit w: 0 < w < 1 –P(H) = Vertrauen zu einer Hypothese, wenn jeglicher Beweis fehlt –P(H | B) = Vertrauen zur Hypothese H, wenn Beweis B vorliegt (probability of H given B) P(H & B) P(H | B) = P(B)

9 a.o.Univ.Prof. Dr. Franz Hörmann9 Expertensysteme Schlussfolgerungen unter Unsicherheit: –Z.B.: B = stechender Armschmerz, H = Herzinfarkt –P(H | B) = Wahrscheinlichkeit, dass Herzinfarkt vorliegt, wenn stechender Armschmerz auftritt –Es können entweder Ärzte befragt oder Daten erhoben werden

10 a.o.Univ.Prof. Dr. Franz Hörmann10 Expertensysteme Schlussfolgerungen unter Unsicherheit: –Ermittlung der Wahrscheinlichkeit (Bayessches Theorem): P(B | H) x P(H) P(H | B) = P(B)

11 a.o.Univ.Prof. Dr. Franz Hörmann11 Expertensysteme Schlussfolgerungen unter Unsicherheit: –Wahrscheinlichkeit unabhängiger Ereignisse: P(E 1 & E 2 ) = P(E 1 ) x P(E 2 ) Wahrscheinlichkeit für 2x hintereinander Kopf beim Münzwurf: ½ x ½ = ¼

12 a.o.Univ.Prof. Dr. Franz Hörmann12 Expertensysteme Schlussfolgerungen unter Unsicherheit: –Bei diagnostischen Problemstellungen: gesucht wird die bedingte Unabhängigkeit einer Sammlung von Beweisstücken (B 1, … B N ): P(B 1 & … & B N | H) x P(H) P(H | B 1 &…&B N ) = = P(B 1 & … & B N ) P(B 1 | H) x … x P(B N | H) x P(H) = P(B 1 & … & B N )

13 a.o.Univ.Prof. Dr. Franz Hörmann13 Expertensysteme Schlussfolgerungen unter Unsicherheit: –Diese Vereinfachung gilt nur, wenn die Hypothesen vollständig aufgezählt werden können und sich gegenseitig ausschließen! –Anderenfalls werden dennoch die Wahrscheinlichkeiten aller Beweise benötigt (joint probability): P(B 1 & … & B N )

14 a.o.Univ.Prof. Dr. Franz Hörmann14 Expertensysteme Schlussfolgerungen unter Unsicherheit: –A priori-Wahrscheinlichkeit (prior odds): P(H) O(H) = – P(H) z.B.: Wahrscheinlichkeit, dass Speedy ein Rennen gewinnt: 3:2 (=1,5)

15 a.o.Univ.Prof. Dr. Franz Hörmann15 Expertensysteme Schlussfolgerungen unter Unsicherheit: –A posteriori-Wahrscheinlichkeit (posterior odds): P(H | E) O(H | E) = – P(H | E) z.B.: Wahrscheinlichkeit, dass Speedy ein Rennen gewinnt, wenn Très Vite ausfällt: 5:2 (=2,5)

16 a.o.Univ.Prof. Dr. Franz Hörmann16 Expertensysteme Schlussfolgerungen unter Unsicherheit: –Positives Wahrscheinlichkeitsverhältnis (wie ausreichend ist B, um daraus H zu schließen?), level of sufficiency: P(B | H) LS = P(B | non H) O(H | B) = LS x O(H)

17 a.o.Univ.Prof. Dr. Franz Hörmann17 Expertensysteme Schlussfolgerungen unter Unsicherheit: –Bei bedingter Unabhängigkeit und mehreren Beweisen gilt: O(H | B 1 & … & B N ) = LS 1 x … x LS N x O(H)

18 a.o.Univ.Prof. Dr. Franz Hörmann18 Expertensysteme Schlussfolgerungen unter Unsicherheit: O(Masern | Flecken & keine Temp) = 0,1 x 15 x 0,8 = 1,2 O(Mumps | Flecken & keine Temp) = 0,05 x 10 x 0,7 = 0,35

19 a.o.Univ.Prof. Dr. Franz Hörmann19 Expertensysteme Schlussfolgerungen unter Unsicherheit: –Schwächen einfacher Bayesscher Systeme Die Symptome können nicht wirklich unabhängig sein Die a priori-Wahrscheinlichkeiten können ungenau sein Falls die Prämisse der bedingten Unabhängigkeit fallen gelassen wird, werden riesige Tabellen benötigt: P(H | B 1 & … & B N ) Wenn es z.B. 16 Symptome gibt, benötigt man eine Tabelle mit 2 16 = Einträgen für jede Krankheit.


Herunterladen ppt "FH-Kurs Wissensmanagement Formale Grundlagen I – Teil 3 (a.o.Univ.Prof. Dr. Franz Hörmann)"

Ähnliche Präsentationen


Google-Anzeigen