2. Vorlesung Expertensysteme

Transkript

1 Soft Control (AT 3, RMA) 2. Vorlesung Expertensysteme

2 2. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation und Wissensverarbeitung (Symbolische KI) Anwendung: Expertensysteme 3. Fuzzy-Systeme: Umgang mit unscharfem Wissen Anwendung: Fuzzy-Control 4. Konnektionistische Systeme: Neuronale Netze Anwendung: Identifikation und neuronale Regler 5. Genetische Algorithmen, Simulated Annealing, Differential Evolution Anwendung: Optimierung 6. Zusammenfassung & Literaturhinweise 24

3 Inhalt der 2. Vorlesung 1. Expertensysteme 1. Idee 2. Anwendungsgebiete 3. Vergleich mit konventionellen Programmen 2. Grundlegende Architektur von Expertensystemen 1. Erklärung der Komponenten 2. Formen der Wissensbasis 3. Inferenzmechanismen 3. Fallbasiertes Schließen 4. Zusammenfassung 25

4 Expertensysteme Kernidee (natürliches Vorbild) Menschliches abstraktes Denken Historie Erste Expertensysteme Anfang der 1970er (Jedoch Probleme durch hohen Rechenaufwand) Anwendung in der Automatisierungstechnik Heute: Vielfältiger industrieller Einsatz auf höheren Automatisierungsebenen Beispiele Systeme zur unterstützenden Prozessführung Systeme zur Fehlerdiagnose Trainingssysteme (Simulatoren) 26

5 Aufgabengebiete von Expertensystemen 27

6 Vergleich: Konventionelle Programme vs. Expertensysteme konventionelle Programme Expertensysteme Algorithmen Problemlösungs -strategie Wissen Daten Daten In Expertensystemen wird das Wissen i. A. von der Problemlösungsstrategie getrennt, während bei konventionellen Programmen Wissen und Problemlösungsstrategie implizit in einen Algorithmen eingebettet sind 28

7 Architektur von Expertensystemen Quelle: Lunze 29

8 Wissenserwerbskomponente Schnittstelle zum Experten, der sein Wissen in das System eingibt, ändert oder überprüft Im Idealfall ist die Schnittstelle so aufgebaut, dass keine Programmierkenntnisse erforderlich sind Oft wird zwischen die Wissenserwerbskomponente und den Experten noch ein Systementwickler geschaltet (Wissensingenieur) Der Wissensingenieur unterstützt den Experten bei der Eingabe oder er fragt das Expertenwissen in Interviews ab und bereitet es selbständig für die Eingabe auf Hohe Bedeutung, da Wissenserwerb als Engpass in der Expertensystem-Erstellung gilt 30

9 Wissensbasis Hier wird das im System vorhandene Wissen geeignet gespeichert Man unterscheidet drei Bereiche/Komponenten der Wissensbasis 1. Bereichsbezogenes Wissen: Die eigentliche Wissensbasis, d.h. das Wissen, das vom Experten oder Wissensingenieur eingegeben wurde 2. Fallspezifisches Wissen: Wissen über das aktuell vom System zu lösende Problem, das vom Benutzer eingegeben oder automatisch abgefragt wurde 3. Zwischenergebnisse: Ergebnisse einzelner Regeln, die von der Problemlösungskomponente erzeugt wurden, und zur weiteren Verarbeitung in anderen Regeln dienen können 31

10 Problemlösungskomponente Anwendungsneutraler Teil der Wissensverarbeitung (auch Inferenzmaschine) Programmsystem, das mittels der Wissesbasis die Problemlösung generiert Aufbau der Inferenzmaschine hängt von der Art der Wissensbasis ab Regelverkettung (vorwärts, rückwärts) bei Produktionsregelsystemen Ableitung (Resolution) bei logikbasierten Systemen Vergleich bei fallbasierten Systemen 32

11 Dialogkomponente Schnittstelle zum Benutzer des Expertensystems Fragt die Problemstellung geeignet ab Präsentiert die Lösung und erklärt sie Problem der Erklärung: System kann transparent machen, wie es zu dem Ergebnis gekommen ist. (Nützlich bei der Fehlersuche und nötig zur Vertrauensbildung) Tiefergehende Erklärungen zum Warum und Weshalb einer Lösung sind jedoch nicht möglich. Die Ansätze in XPS auch die Tiefenstruktur von Problemen abzubilden stecken noch in den Anfängen (Tiefenstruktur = dem Problem zu Grunde liegende technische, physikalische oder chemische Zusammenhänge) 33

12 Formen der Wissensbasis Regelbasierte Systeme Produktionsregelsysteme Logikbasierte Systeme Fallbasierte Systeme 34

13 Produktionsregelsysteme Produktionsregeln als kleinste Bausteine der Wissensbasis Aufbau: WENN bestimmte Bedingungen erfüllt sind, DANN wird auf folgende Fakten geschlossen Beispiel: Fehlerdiagnose (Syntax des Systems Babylon) 35

14 Beispiel: Fehlerdiagnose (2) 36

15 Generelles Vorgehen bei der Inferenz MATCH: Es wird untersucht, welche Regeln im aktuellen Problemzustand anwendbar sind Konfliktmenge = Menge aller anwendbaren Regeln SELECT: Auswahl einer Regel aus der Konfliktmenge ACT: Anwendung der ausgewählten Regel auf den Problemzustand neuer Problemzustand Quelle: Lunze 37

16 Inferenzmethoden: Vorwärtsverkettung vs. Rückwärtsverkettung Vorwärtsverkettung: Ausgehend von bekannten Fakten werden Regeln ausgeführt Deren Konklusionen stellen neue Fakten dar Abbruch, wenn keine Regel mehr feuern kann ungezielte Suche Rückwärtsverkettung Ausgehend von einer Hypothese werden Regeln gesucht, die diese überprüfen Eine Regel wird gesucht, die die Hypothese als Konklusion enthält Dann wird mit den Prämissen dieser Regel entsprechend verfahren, bis man auf bekannte Prämissen (Fakten) stößt Gemischte Strategie Zunächst Hypothesenbildung (forward) = Auswahl der Regel für die die meisten Prämissen als gültig erkannt wurden Danach Hypothesentest (backward) = Versuch, die noch fehlenden Prämissen zu verifizieren Bei allen Verkettungsmethoden kann noch zwischen Tiefensuche bzw. Breitensuche unterschieden werden 38

17 Beispiel: Vorwärtsverkettung 39

18 Beispiel: Wasserversorgungssystem (Lunze) Regeln sind in Form eines Entscheidungsbaums gegeben Problem: Druck ist niedrig gesucht wird der Grund 40

19 Logikbasierte Systeme Basieren auf der Aussagen- bzw. Prädikatenlogik Erlauben die Verwendung von Variablen Anwendung z.b. logikorientierte Programmiersprache PROLOG Wissensbasis besteht aus Fakten (Aussagen) und Regeln (Implikationen) Beispiel: Aussagen: A1 = Rührer läuft A2 = Inertgasatmosphäre liegt an A3 = Flussweg ist abgeschaltet A4 = Dosierung läuft A5 = Dosierung läuft nicht Implikationen (A1 & A2 & A3) A4 A3 A4 Ableitungen Seien A1, A2, A3 TRUE dann kann als Wert von A4 auch TRUE abgeleitet werden 41

20 Logikbasierte Systeme: Erweiterungen Default-Logik: Für unbekannte Prämissen werden Defaultwerte (i.a. TRUE) angenommen Mehrwertige Logiken: Z.B. vierwertig (WAHR, Wahrscheinlich WAHR, Wahrscheinlich FALH, FALH) Modale Logik: Es ist möglich, dass... gilt Autoepistemische Logik: Ich glaube, dass... gilt Temporale Logik: Berücksichtigung zeitlicher Relationen: A gilt nachdem B gilt Einbeziehung von Wahrscheinlichkeitsaussagen in die Logik Unscharfe Logik: Wird im Abschnitt Fuzzy-Systeme ausführlich behandelt 42

21 Probleme regelbasierter Systeme Grundannahme, dass sich technisches Erfahrungswissen in Regeln ausdrücken lässt ist zumindest fragwürdig Regeln werden oft dazu missbraucht, Kontrolllogik in das System zu codieren In Regeln wird oft der Kontext (Gültigkeitsbereich) codiert In Regeln werden oft strukturelle Beziehungen verschlüsselt, z.b. stellen manche Regeln Spezialisierungen anderer Regeln dar Regeln lassen sich nicht strukturieren und organisieren Vermischung des Wissens (Fakten, Kontext, Kontrolle) führt dazu, dass Expertensysteme nicht in der Lage sind, ihr eigenes Systemverhalten hinreichend zu erklären. Fehlende Strukturierung führt an die Grenzen technischer Anwendbarkeit (sinnvolle Systeme besitzen i.d.r. tausende von Regeln) Ausweg: Fallbasierte und objektorientierte Ansätze 43

22 Fallbasierte Systeme Fallbasiertes Schließen FBS (Case Based Reasoning, CBR) Fall ist irgendwie geartete Erfahrung beim Lösen eines Problems. Nutzung der Erfahrung, oder eines Falles die Lösung auf ein neues aktuelles aber hinreichend ähnliches Problem anzuwenden. Spezielle Fortentwicklung wissensbasierte Systeme Fälle aus selbem Bereich sonst Analogie (unterschiedliche Domänen: Sonnensystem und Atommodell) Fallbasiertes Retrieval (Lösung unverändert übernehmen) Fallbasiertes Schließen (Fall adaptieren) Verzicht auf Wahrheit, Nützlichkeit stattdessen (Optimierungsproblem) Ansatz basiert auf dynamischen Gedächtnis (grundlegende Annahmen) Erinnern und Anpassen (Adaptieren) sind zentrale mentale Prozesse beim Verstehen Indexierung ist für das Erinnern wichtig Verstehen führt zur Reorganisation des Gedächtnisses, weshalb dieses dynamisch ist Die Gedächtnisstruktur für die Wissensverarbeitung sind dieselben wie die für die Wissensspeicherung 44

23 CBR: Anwendungs-Voraussetzungen 1. Es müssen hinreichend viele Erfahrungen vorliegen 2. Es muss einfacher sein diese Erfahrungen zu nutzen als die Probleme direkt zu lösen 3. Die Verwendung der Lösungen der Fallbasis darf sicherheitskritischen Anforderungen nicht widersprechen 4. Die zur Verfügung stehenden Informationen sind unvollständig oder unsicher und ungenau 5. Eine Modellierung im Sinne traditioneller wissensbasierter Systeme ist nicht oder nicht einfach erhältlich Häufige Anwendung im Bereich der Diagnostik und im elektronischen Verkauf aber auch Konfigurieren und Planen. 45

24 CBR: Vorgehen = CBR-Cycle 46

25 CBR: Beispiel Auswahl des passenden Falls über Ähnlichkeit der Fälle Wie definiert man Ähnlichkeit 1. Definition von Ähnlichkeitsmaßen für die einzelnen Attribute (lokales Ähnlichkeitsmaß) 2. Zusammenfassung zu einem Gesamtmaß (z.b. gewichtete Summe) 47

26 Zusammenfassung und Lernkontrolle zur 2. Vorlesung Wissen was Expertensysteme sind Anwendungsgebiete von Expertensystemen nennen können Grundlegende Architektur von Expertensystemen und die darin enthaltenen Komponenten kennen Grundtypen von Expertensystemen und deren Funktionsprinzip kennen: Regelbasierte Systeme Fallbasierte Systeme 48