Expertensystem – einfach erklärt

Grundidee und Aufbau

Ein Expertensystem (XPS oder ES) ist ein Computerprogramm, das Menschen bei der Lösung komplexerer Probleme wie ein Experte unterstützen kann. Es leitet Handlungsempfehlungen aus einer Wissensbasis ab und gilt als Ansatz zur Umsetzung Künstlicher Intelligenz (KI) im Sinne einer logischen Entscheidungsmaschine. Menschliches Wissen wird häufig durch Wenn-dann-Beziehungen dargestellt, damit ein Computer Zusammenhänge verarbeiten kann.

Zu einem Expertensystem gehören drei wichtige Komponenten: Die Wissenserwerbskomponente erstellt und verbessert die Wissensbasis. Die Problemlösungskomponente verarbeitet das gespeicherte Wissen und zieht daraus Schlussfolgerungen. Die Erklärungskomponente macht die Ergebnisse für den Nutzer verständlich.

Die ersten Arbeiten an entsprechender Software erfolgten in den 1960er Jahren. Seit den 1980er Jahren werden Expertensysteme auch kommerziell eingesetzt. Ihre Entwicklung wurde dadurch begünstigt, dass sich ein allgemeiner „General Problem Solver“ als nicht realisierbar erwies. Allgemeine Problemlösungsverfahren lieferten bei vielen Fragestellungen nur dürftige Ergebnisse. Für spezielle Anwendungsdomänen war stattdessen eine umfangreiche, meist von Experten gepflegte Wissensbasis erforderlich. Ein Expertensystem gibt deren Inhalte jedoch nicht nur wieder, sondern kann daraus weitere Schlussfolgerungen ableiten. Seine Qualität hängt deshalb davon ab, ob es überhaupt Schlussfolgerungen bilden kann und wie fehlerfrei es dabei vorgeht.

Wissensbasis und Realisierungsprinzip

Die Wissensbasis (englisch knowledge base) enthält das Fachwissen eines Expertensystems in einer beliebigen Repräsentationsform. Ergänzt wird sie durch eine Inferenzmaschine. Das ist eine Software, die auf der Wissensbasis operiert und daraus logische Entscheidungen ableitet.

Für die Wissensdarstellung und das Schlussfolgern gibt es verschiedene Modelle:

Fallbasierte Systeme speichern konkrete Problemstellungen zusammen mit ihrem Kontext und einer bereits vorgenommenen Lösung in einer Falldatenbasis. Zu einem neuen Fall sucht das System einen möglichst ähnlichen Fall und überträgt dessen Lösung. Das zentrale Problem ist die Bestimmung der Ähnlichkeit. Ein typischer Fall ist ein Patient mit Krankheitssymptomen und diagnostischen Messergebnissen; die gesuchte Lösung kann eine korrekte Diagnose sein.
Regelbasierte Systeme beziehungsweise Business Rule Management Systeme (BRMS) beruhen auf Regeln der Form „Wenn A, dann B“. Diese Regeln beschreiben eher allgemeine Gesetze als konkrete Fälle und ermöglichen daraus Schlussfolgerungen für bestimmte Situationen. Regeln oder Business-Rules müssen meist von menschlichen Experten in das System eingepflegt werden.
Entscheidungsbaumbasierte Systeme werden besonders bei Klassifizierungsproblemen eingesetzt und können aus einer Beispielmenge induktiv lernen. Ein Beispiel besteht etwa aus Attributen eines Objekts, zum Beispiel eines Patienten, und deren konkreten Ausprägungen. Im Entscheidungsbaum sind die Attribute Knoten und die möglichen Ausprägungen die ausgehenden Kanten. Das System folgt für jedes Beispiel der zutreffenden Kante, verarbeitet die Attribute nacheinander und erreicht schließlich einen Endknoten, auch Blatt genannt. Dieser gibt die Klasse an, der das Objekt zugeordnet wird. Ziel ist es, möglichst kleine Bäume mit möglichst guten Klassifizierungsergebnissen zu erzeugen. Eine Schwierigkeit liegt in der Auswahl geeigneter Attribute.

Anwendungsbereiche und Aufgabenklassen

Expertensysteme sind dort nützlich, wo Experten fehlen oder die Problemkomplexität und die große Menge an Daten die Verarbeitungskapazität menschlicher Experten überfordern. Der Anwendungseffekt ist proportional zur Problemkomplexität und zum Niveaugefälle zwischen Experte und eigentlichem Nutzer. Dieser Unterschied wächst, wenn ein Problembereich komplex und diffus, das relevante Wissen inhomogen strukturiert und nur wenig formalisiert ist, sondern vor allem auf empirischem Wissen beruht.

Typische Aufgabenklassen sind:

Dateninterpretation: Daten werden analysiert und Objekten oder Erscheinungen zugeordnet, insbesondere beim Signalverstehen. Beispiele sind die Erkennung akustischer Sprache (HEARSAY), die Identifizierung chemischer Strukturen aus Massenspektrometerdaten (DENDRAL), geologische Erkundung (PROSPECTOR), Proteinstrukturbestimmung aus Röntgendaten, Erdölbohrung, militärische Aufklärung und U-Boot-Ortung (SEPS, STAMMER).
Überwachung: Daten werden interpretiert und abhängig vom Ergebnis Aktionen ausgelöst. Beispiele sind Produktionssicherung, die Überwachung von Patienten in der „eisernen Lunge“ (VM) und die Überwachung eines Kernreaktors (REACTOR).
Diagnose: Daten werden interpretiert, wobei die Erklärungskomponente besonders wichtig ist. Einsatzgebiete sind unter anderem die Medizin, etwa bei bakteriellen Infektionen (MYCIN), in der Rheumatologie und inneren Medizin (INTERNIST), sowie die Erkennung und Lokalisierung von Fehlern in technischen Systemen und die Bestimmung von Pflanzenkrankheiten.
Therapie: Fehlerhafte Systemzustände werden korrigiert und ihre Ursachen beseitigt. Therapie ist häufig mit Diagnose verbunden. Beispiele sind Fehlerdiagnose im Autogetriebe (DEX), Fehlerortung und Wartung bei Telefonnetzen (ACE), die automatische Entwöhnung von Beatmungspatienten in der Intensivmedizin (SmartCare/PS) und Arzneimitteltherapiesicherheit (CPOE, CDS).
Planung: Das System erzeugt und bewertet Aktionsfolgen, die zu einem Zielzustand führen sollen. Beispiele sind die Versuchsplanung molekulargenetischer Experimente (MOLGEN), chemische Synthese (SECS), Finanzplanung (ROME), Produktionsplanung (ISIS), die Steuerung des Flugbetriebs auf Flugzeugträgern (CAT) und Handlungen autonomer Roboter, beispielsweise Marsroboter.
Entwurf: Strukturen werden so beschrieben, dass sie vorgegebenen Anforderungen genügen. Beispiele sind Schaltkreisentwurf (SYN, DAA), Computerkonfiguration (R1/XCON), der Entwurf chemischer Verbindungen (SYNCHEM) und die Konfiguration von Betriebssystemen bei Siemensrechnern (SICONFEX).
Prognose: Erreichbare Zustände zeitvarianter Systeme werden vorhergesagt und bewertet. Dazu gehören die Beurteilung von Erdbebenauswirkungen (SPERIL), Erdbebenvorhersage, Hochwasservoraussage und die Vorhersage der Umweltentwicklung (ORBI).

Grenzen, Risiken und verwandte Systeme

Expertensysteme können kontraproduktiv sein, wenn sich Anwender ohne intelligente Betreuung vollständig auf sie verlassen oder nicht ständig nach Alternativlösungen gesucht wird. Da jedes System nur über einen begrenzten Datenumfang verfügt, werden ihm meist Daten aus der direkten Umgebung des Problems zugeführt. Dadurch können wichtige grundlegende Veränderungen übersehen werden; außerdem besteht die Gefahr, dass das System nur konservative Lösungen oder Erklärungen anbietet. Es stellt die vorgegebenen Parameter und das gesamte System nicht grundsätzlich infrage. Diese Einschränkung wird im Zusammenhang mit der Closed world assumption genannt.

Erfindungen und Innovationen erfordern häufig eine kreative Verbindung des Problems mit anderem, auch fachfremdem Wissen. Ein im Artikel genanntes Beispiel ist ein Schokoriegel, der unbemerkt in einen Benzintank rutscht. Ein solcher Fall wäre kein programmierter Wert eines Expertensystems für eine Tankstelle und daher für das System nicht denkbar.

Bei einer Automatisierung können in bestimmten Einsatzbereichen verheerende Auswirkungen entstehen, etwa bei nicht intelligent betreuten, automatisierten militärischen Handlungen. Außerdem gibt es den verbreiteten Standpunkt, dass der Schwarze Montag 1987 durch die Eigendynamik vieler sehr ähnlich reagierender Computer-Trader mitverursacht oder verstärkt wurde.

Zu den genannten Systemen und Werkzeugen gehören CLIPS zur Erstellung von Expertensystemen, JESS als Regelsystem für die Java-Plattform und Nachfolger sowie Erweiterung des CLIPS-Regelsystems, und Prolog, eine Logik-Programmiersprache, mit der Expertensysteme programmiert werden können. Als verwandte Person wird Edward Feigenbaum genannt.