Expertensysteme

Was ist ein Expertensystem?

Allgemeine Definition: System von Softwaretechnologien, das auf der Basis von Expertenwissen Problemlösungsstrategien anbietet Systeme zur Unterstützung medizinischer Diagnosen Analyse wissenschaftlicher Daten

Sinn: Maschinelles Verarbeitungsvermögen wird genutzt, sobald menschliches Berechnungs- und Problemlösungsvermögen überfordert ist Wichtig hierbei ist jedoch die sinnhafte, vorteilhafte und verständliche Kommunikation zwischen Mensch und Maschine Die Qualität eines Expertensystems hängt von der hohen bzw. geringen Fehlerquote von Problemlösungen ab

Die Wissensbasis

Die für ein Expertensystem generierte Wissensbasis (knowledge base) dient nicht zu deren ausschließlicher Repräsentation, sondern soll auf deren Grundlage weitere Schlussfolgerungen zulassen Wissensbasis repräsentiert das wichtigste Modul innerhalb eines Expertensystems

Die knowledge base enthält das Fachwissen einer beliebigen Repräsentationsform Die knowledge base wird durch eine Inferenzmaschine ergänzt Diese Inferenzmaschine bezeichnet eine Softwarestruktur mit deren Hilfe die Wissensbasis nutzbar gemacht wird

Aufgaben von Expertensystemen

Dateninterpretation Überwachung Diagnose Therapie Planung Entwurf Prognose

Realisierung

Fallbasierte Systeme Regelbasierte Systeme (Wenn- Dann- Beziehung als Problemlösungsstrategie) Entscheidungsbäume

Die Entwicklung bzw. der Aufbau eines Expertensystem erfolgt bzw Die Entwicklung bzw. der Aufbau eines Expertensystem erfolgt bzw. besteht aus essentiellen Bestandteilen: 1. knowledge- based system 2. inference engine 3. user interface

Zu 1. generiert das Wissen, das für den Aufbau und die Arbeit des entsprechenden Expertensystems vorgesehen ist Dazu zählen ausserdem Regeln, Besonderheiten und Relationen im Wissenssystem

Zu 2. Eine Inferenzmaschine dient dazu, das generierte Wissen zu Anwendungszwecken nutzbar zu machen Zu 3. dient zur Kommunikation zwischen dem System und dem Benutzer Unterstützendes Aggregat während des Problemlösungsprozess (problem-solving-process)

Die inference engine und das user interface werden auch als ein Modul (shell) bezeichnet Die knowledge base ist abhängig von der jeweiligen Applikation Die shell ist abhängig vom jeweilgen Aufgaben- oder Fachgebiet der generierten knowledge base

Inference engine User interface Knowledge base User Shell

Regelbasierte Expertensysteme if-then-rules

Fokus auf Regelbasierte Expertensysteme Wichtigstes Merkmal hierbei: Die Repräsentation von Wissen durch ein Regelgefüge von Wenn-Dann- Beziehungen if-then-rules oder production rules

If- then- rules sind durch verschiedene Formalismen interpretierbar: If precondition P then conclusion C If situation S then action A If conditions C1 and C2 hold then condition C does not hold

Eigenschaften von if-then- rules: Modularity: each rule defines a small, relatively independent piece of knowledge Incrementability: new rules can be added to the knowledge base relatively independently to other rules

Modifiability: (as a consequence of modularity): old rules can be changed relatively independent of other rules Support system‘s transparency

Die Eigenschaft der Transparenz eines Expertensystems gestaltet sich als äußerst wichtig, da dadurch die Kommunikationsfähigkeit zwischen System und menschlichem Benutzer und mit positivem Ausgang abhängt D.h. Transparenz dient dem Verständnis und der Anwendungsmöglichkeit von Problemlösungsstrategien

If- then- rules haben zudem die Eigenschaft folgende user‘s questions zu beantworten: 1. ‘How‘ questions: How did you reach this conclusion? 2. ‘Why‘ questions: Why are you interested in this information?

Zwei wichtige features um Schlussfolgerungen aus der knowledge base ziehen zu können, lassen sich folgendermaßen bennen: 1. Forward chaining in rule-based systems 2. Backward chaining in rule-based systems

Zu 1. (Forward chaining): Startet nicht (wie Backward chaining) mit einer Hypothese, sondern es wird jede Aussage in Verbindung mit der Folgeaussage interpretiert Forward chaining lässt sich in Prolog leicht realisieren durch die Anwendung von: If Condition then Conclusion

Zu 2.(Backward chaining): Es wird eine Hypothese erstellt und es wird in Anlehnung an die Wissensbasis „rückwärts“ gearbeitet Eine Hypothese wird erstellt Die Inferenzmaschine kommt zum Einsatz und es wird ausgehend von der Hypothese backwards der Weg zur Schlussfolgerung gesucht

If- then-rules sind Regeln, deren Richtung von links nach rechts zu betrachten ist Die Elemente auf der linken Seite werden als input information (data) bezeichnet Die Elemente auf der rechten Seite werden als derived information (hypotheses) bezeichnet

Beispiele: Data … goals Evidence … hypotheses Findings, observations …explanations, diagnoses Manifestations … diagnoses, causes

APES A Prolog Expert System

Allgemeines

Apes nutzt als Eingabeformat eine Repräsentation in natürlicher Sprache Das System orientiert sich an gezielten Fragestellungen Beispiel aus der Systembeschreibung: “What is Object-01“ oder “Is Object-A a bird?“

Diesem Fragestellungsmuster entsprechend beginnt der Problemlösungsprozess Das System sucht nach Regeln und Antworten als Schlussfolgerungen Wenn eine Lösung gefunden worden ist, so leitet die Inferenzmaschine zur Schlussfolgerung Das Eingabeformat ist definiert als Definite Clause Grammar (DCG)

Definite Clause Grammar (DCG)

DCG: Prolog erlaubt die Arbeit mit kontextfreien Grammatiken Die Umsetzung einfacherer Regeln ist daher in Prolog möglich Kontextfreie Regeln haben auf der linken Seite immer genau ein nichtterminales Symbol

Auf der rechten Seite können ein oder mehrere nichtterminale und terminale Symbole stehen (S NP VP usw.) DCGs sind in den meisten Prolog- Anwendungen enthalten

Beispiel für die Darstellung von DCG in Prolog: DCG Darstellung in Prolog s --> np, vp s(X,Z) :- np(X,Y), vp(Y,Z). np --> det, n np(X,Z) :- det(X,Y), n(Y,Z). vp --> v np vp(X,Z) :- v(X,Y), np(Y,Z). vp --> v vp(X,Z) :- v(X,Z). det --> [die] det([die|W],W). n --> [frau] n([frau|W],W). v --> [läuft] v([läuft|W],W).

Komponenten von Apes

src  knowledge  knowledge.pl src  knowledge  groups  feline.pl src  knowledge  groups  pet.pl src  engine.pl src  helpers.pl src  main.pl src  parser.pl src  processor.pl src  tokenizer.pl

Knowledge-base (knowledge.pl): Bezeichnet die Wissensbasis des Expertensystems Darin enthalten ist der Code eines regelbasierten Expertensystems repräsentiert durch die Darstellung von if-then rules Prolog-based domain-specific language (DSL)

engine.pl:

helpers.pl: Eine Hilfsdatei, um den Zugang zu den in der knowledge-base generierten if-then-rules zu ermöglichen main.pl: vereint alle in Apes enthaltenen Prolog- Dateien zum Programmstart parser.pl: Diese Datei dient dazu das input format in DCG zu generieren

processor.pl: tokenizer.pl: Dient dazu, Zeichenketten in einzelne Tokens zu zerlegen

Anforderungen

Die wichtigste Anforderung an den Benutzer des Expertensystems fungiert über korrekte Anweisungen Die wichtigsten Fragestellungen sind hierbei: “What is Object-A?“ und “Is Object-A something?“

Ist das Programm gestartet erfolgt die Kommunikation zwischen System und Nutzer über die Abfragen: “yes.“ oder “y.“ “no.“ oder “y“. “why.“ oder “w.“

Auf diese Weise wird (soll) auf die „Fragen“ des Benutzers geantwortet werden Bei entsprechender Eingabe (also why) sollen Schlussfolgerungen gezogen werden, inwiefern das Expertensystem auf die Lösung gekommen ist

Zum Aufbau der knowledge-base dient das Hinzufügen von: rules (Beispiel: "if animal has scales and animal has cold-blood then animal is a reptile.“) facts (Beispiel: “a dog is a pet.“)

Ebenso sind Gruppen (groups) zu bilden, die entsprechende vom Benutzer definierte Objekte unter eine Gemeinschaft von Objekten mit gleichen oder ähnlichen Merkmalen stellen rules sind unter knowledgle.pl gespeichert facts sind unter knowledge/groups generiert

Wichtiges Hilfsmittel zum Aufbau der knowledge-base ist der Debugger Dieser erlaubt das Überprüfen der generierten Regeln im Zusammenspiel der einzelnenn Dateien, d.h. parser, tokenizer, processor, knowledge, helpers, engine und main