Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten)

Transkript

1 Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Wissensrepräsentation und -verarbeitung in klassischer Aussagenlogik: Entscheidungstabellen, Entscheidungsbäume, BDDs,, OBDDs Wissensrepräsentation und -verarbeitung durch Regelsysteme (klassische Aussagen- und Prädikatenlogik) Regeln (Deduktions- und Aktionsregeln) Vorwärts- und Rückwärtsverkettung Konflikte und Konfliktlösestrategien Ansätze des nichtmonotonen Schließens (closed world asssumption, schwache Negation)

2 Anwendung wissensbasierter Systeme Problemlösen: analytisch: Klassifikation, Diagnose Auswahl aus einer vorgegebenen Menge von Alternativen synthetisch: Planung von Systemen, Aktionsfolgen Konstruktion der Lösung aus einer Menge elementarer Bausteine Simulation: (mehrfache) Ausführung eines Simulationsmodelles Finden einer Lösung mit statistischen Methoden.

3 Klassifikation Ziel: Einteilung von Objekten anhand bestimmter Merkmale in Klassen (Auswahl einer Lösung für einen Fall aus einer Menge gegebener Alternativen) M Menge von Merkmalen m (Symptome, Attribute) jedes Merkmal m mit zugeordneter Menge V m möglicher Werte z.b. M = {a, g} mit Alter a, V a = N, Geschlecht g, V g = {m, w} Merkmalsraum: m M V m O M Menge aller Objekte (Fälle) Jedem Objekt o O sind seine Merkmalswerte m o m M V m zugeordnet. z.b Tom O mit m Tom = (5, m) K Menge aller Klassen (Diagnosen, Lösungen) jede Klasse repräsentiert eine Teilmenge des Merkmalsraumes m M V m z.b. Baby: V a 2, Kind, Mädchen oft hilfreich: geometrische Interpretation

4 Klassifikationsprobleme gegeben: Objekt o O mit Merkmalswerten m o Zuordnung K X K mit X K M jede Klasse definiert durch Merkmalswerte (oft Intervalle) gesucht: Zuordnung Objekt o O zu Klasse K mit m o X K Beispiel: Klassifikation von Objekte: Adler, Biber, Elefant, Fledermaus, Gorilla, Hecht, Pinguin, Specht Merkmale: Federn, Schuppen, Fell, kann fliegen, kann schwimmen, legt Eier Klassen: Säugetier, Fisch, Vogel

5 Diagnose-Probleme Spezialfall von Klassifikationsproblemen: Objekte: Fälle Merkmale: Fragen, Tests Merkmalswerte: Antworten Klassen: Diagnosen Anwendungen, z.b. in Medizin: Krankheitserkennung Entscheidung für eine Therapie Auswertung von Studien Technische System: Konfiguration Feststellung von Störungen Entscheidung für Vorgehen bei Behebung

6 Klassifikation durch Entscheidungsbäume Wissensbasis: Entscheidungsbaum mit innere Knoten: Merkmale Kanten: Merkmalsausprägungen (Werte) Blätter: Klassen Repräsentation des Problems (Objekt, Fall): fallspezifische Merkmalswerte Repräsentation der Lösung: Zuordnung des Objektes (Falles) zu einer Klasse z.b. Symptome zu einer Diagnose Problemlöseverfahren: Pfadverfolgung im Entscheidungsbaum Beispiel: Tiere Aber: Fehleinordnungen möglich z.b. Mensch, Fledermaus, Wal daher: oft Anpassungen (Lernen, Training) notwendig

7 Beipiel Merkmale (Attribute) mit Menge möglicher Werte (Ausprägungen) Beispiele: Name: Tom, Tina, Anna, Paul Geschlecht, Werte: w, m Alter: natürliche Zahl Objekte definiert durch Zuordnung: Merkmal Wert Beispiele: Name Tina, Alter 7, Geschlecht w Name Paul, Alter 87, Geschlecht m Klassen Kombination von Merkmalswerten definiert Menge von Objekten Beispiele: Rentner: Geschlecht = m und Alter 65 Mädchen: Geschlecht = w und Alter 14 Test vor Röntgen: Geschlecht = w und Alter {15, 50}

8 Klassifikationsmethoden sichere Klassifikation klar begrenzte Klassen, Zuordnung Objekt Klasse immer wahr oder falsch Methoden: z.b. Entscheidungsbäume, Entscheidungstabellen, Regelsysteme überdeckende Klassifikation: Schließen von Klasse auf (typische) Merkmale unsichere / heuristische Klassifikation (Verwendung von Erfahrungswerten) Zuordnung Objekt Klasse nicht immer klar Methoden: z.b. heuristische Entscheidungsbäume, heuristische Entscheidungstabellen, Regelsysteme mit gewichteten Regeln statistische, unscharfe Klassifikation fallbasierte Klassifikation: Suche nach Lösungen für ähnliche Fälle Grundfrage: Wann sind Fälle ähnlich zueinander? verschiedene Ansätze, z.b. Hamming-Abstand der Merkmalsvektoren Verwaltung großer Datenmengen (vorangegangener Fälle)

9 Sichere Klassifikation durch Wissensverarbeitung Entscheidungstabellen, - bäume, BDDs logische Programme (Prolog) logisches Programm: Menge von Fakten und Regeln Wissensverarbeitung durch Rückwärtsverkettung deduktive Datenbanken (erlauben rekursive Abfragen): extensionale Datenbasis: Datenbank (Menge von Relationen) repräsentiert die Faktenmenge Regelsysteme als Datalog-Programm (Anfragen) intensionale Datenbasis: Menge aller ableitbaren Fakten Wissensverarbeitung durch Vorwärtsverkettung

10 Überdeckende Klassifikation Umkehrung der Zuordnung Merkmalskombination Klasse zu zu einer Zuordnung Klasse typische Merkmale nutzt Merkmalswerte als Erklärung der Klassenzugehörigkeit Überdeckung der Objektmengen durch Klassen (Lösungen) Suche nach Klasse (Lösung), die die Merkmalswerte des Objektes am besten erklären kann Mehrfachdiagnosen möglich sinnvoll bei voneinander unabhängigen Merkmalen und sehr aussagefähigen Merkmalswerten z.b. schwanger weiblich

11 Heuristische Klassifikation bei unvollständigem, unsicherem, unzuverlässigem Wissen Lösung (Klasse, Diagnose) ist Verdacht Lösungen werden bewertet und verglichen, um die / eine beste Lösung zu finden numerische Bewertung von Plausibilität Glaubwürdigkeit Häufigkeit

12 Beispiele für Diagnosesysteme Diagnosesystem für Zuckerrübenkrankheiten: http: //schaeden.rheinmedia.de/cgi-bin/schaedlinge_ ausgabe.cgi?sprache=bisz_de&partner=bisz Zimmerpflanzenkrankheiten Zierfische Diagnose/Diagnosehilfe

13 Diagnosesystem-Shell d3web d3web: Diagnosesystem-Baukasten d3web bietet Problemlösekomponente: verschiedene Repräsentations- und Klassifikationsmethoden weitere Komponenten, z.b. Dialog, Editoren für Wissensbasis Entwickler erzeugt Wissensbasis: Fragen (Merkmale), Antworten (Merkmalswerte), Diagnosen (Lösungen, Klassen) und Zusammenhänge zwischen diesen, z.b. Entscheidungsbäume, Regeln

14 Diagnoseverfahren in d3web sicher: Entscheidungstabellen, -bäume, -diagramme Regelsysteme heuristisch: Merkmal Klasse (Diagnose, Lösung) heuristische Entscheidungsbäume Diagnose-Score überdeckend: Klasse (Diagnose, Lösung) Merkmal kausaler Diagnose-Score