Literatur. Wissenbasierte Systeme WS 03. Expertensysteme, Logik und Regelverarbeitung. Benno Stein

Transkript

1 Literatur Wissenbasierte Systeme WS 03 Expertensysteme, Logik und Regelverarbeitung Benno Stein 1. Künstliche Intelligenz (Begriff, Geschichte, Gebiete) 2. Wissensformen (sub/symbolisch, Problemlösung), Expertensysteme 3. Aussagenlogik 4. Prädikatenlogik 5. Produktionregelsysteme 6. Fuzzy Logic Künstliche Intelligenz Durkin: Expert Systems Design and Development, Macmillan (1994) Nilsson: Principles of Artificial Intelligence Nilsson: Artificial Intelligence A New Synthesis Puppe: Einführung in Expertensysteme Puppe: Problemlösungsmethoden in Expertensystemen Russel/Norvig: Artificial Intelligence A Modern Approach, Prentice-Hall (1995) Stefik: Introduction to Knowledge Systems, Morgan Kaufmann (1995) Waterman: A Guide to Expert Systems Winston/Horn: Artificial Intelligence Engineering in der KI Clocksin/Mellish: Programming in Prolog Forbus, DeKleer: Building Problem Solvers Graham: Common LISP Karbach/Linster: Wissensakquisition für Expertensysteme Mayer: Common LISP Norvig: Paradigms of Artificial Intelligence Case Studies in Common LISP Winston/Horn: LISP Logik und Constraints Beckstein: Begründungsverwaltung Frühwirth/Abdennadher: Constraint-Programmierung Grundlagen und Anwendungen Marriott/Stukey: Programming with Constraints MIT Press (1998) Montanari: Principles and Practice of Constraint Programming Schöning: Logik für Informatiker 1 Contents c STEIN 2003/04 2 Contents c STEIN 2003/04 3 Contents c STEIN 2003/04 4 Contents c STEIN 2003/04

2 Intelligenztests Intelligenztests 1, 2, 3, 4, 5,... 2, 8, 26, 80,... A B 2, 1, 4, 4, 8, 7, 16, 10, , 64, 70, 8.666, 2.718, 5.3, 11 C Gegeben: Kasten A und B Aufgabe: Wähle unter den Kästen 1 bis 5 denjenigen aus, der sich zu C so verhält, wie B zu A. I-1 AI Introduction c STEIN 2003/04 I-2 AI Introduction c STEIN 2003/04 Intelligenz versus Intelligence Was ist Künstliche Intelligenz (KI)? What is Artificial Intelligence (AI)? Der Intelligenzbegriff im Deutschen ist enger gefaßt als im Englischen (Berücksichtigung von Erfahrung). Siehe auch CIA, Central Intelligence Agency. Intelligenz Zurechtfinden in neuen Situationen aufgrund neuer Einsichten Aufgaben mit Hilfe des Denkens lösen (Erfahrung nicht wesentlich) Artificial Intelligence is the science of making machines do things that would require intelligence if done by men. [Marvin Minsky, 1966] Intelligence Anpassung an neue Situationen Lernen mit konkreten und abstrakten Situationen fertig werden Aufklärung und Nachforschung Artificial Intelligence is the study of ideas that enable computers to be intelligent. [Patrick Henry Winston, 1984] I-3 AI Introduction c STEIN 2003/04 I-4 AI Introduction c STEIN 2003/04

3 Was ist Künstliche Intelligenz (KI)? Starke KI versus Schwache KI Gewisse menschliche Aktivitäten erfordern Intelligenz (unabhängig von der Definition des Begriffes), z. B. Planen einer kombinierten Bahn Bus Reise Beweisen mathematischer Sätze Erstellen medizinischer Diagnosen Sehen und Erkennen von Gegenständen Definition 1 (Künstliche Intelligenz, KI) Die Künstliche Intelligenz (KI) faßt bisher dem Menschen vorbehaltene Fähigkeiten als informationsverarbeitende Prozesse auf. Sie versucht, diese Prozesse mit Computern zu simulieren und sie einer systematischen, ingenieurmäßigen Betrachtungsweise zugänglich zu machen. KI ist der Versuch, auf Computern intelligentes Verhalten nachzubilden. Problem: Wie definiert man intelligentes Verhalten? Zwei Auffassungen über KI lassen sich unterscheiden: 1. schwache KI Computer ist nur Instrument zur Untersuchung kognitiver Prozesse. 2. starke KI Die richtig programmierten Prozesse im Computer sind geistige Prozesse. Man kann Computern, die mit den richtigen Programmen ausgestattet sind, Verstehen zusprechen. Herausforderungen an Informatiker, Verhaltensforscher, u.a.: Erforschung intelligenten Problemlösungsverhaltens Entwicklung intelligenter Programme schwache KI = Computer simuliert Intelligenz starke KI = Computer ist intelligent Bemerkung: Intelligente Programme weisen Eigenschaften und Fähigkeiten auf, mit denen man bei menschlichen Verhaltensweisen Intelligenz assoziiert, z. B. Problemlösen, Lernen, Sprachverstehen, Erklären, flexible Reaktion Vor diesem Hintergrund sind die folgenden Szenarien von Turing, Schank und Searle zu interpretieren. I-5 AI Introduction c STEIN 2003/04 I-6 AI Introduction c STEIN 2003/04 Turing s Szenario (Turing Test) Weizenbaum s Szenario (Eliza) Versuchsanordnung: Person C, Person A im Nebenraum mit Computer B. C weiß, daß eine der Datenleitungen mit A, die andere mit B verbunden ist. Er weiß aber nicht, wer was ist. Ziel: C soll durch Fragen feststellen, wer der Computer ist. Computer versucht, C zu täuschen. A versucht, C zu helfen. These: Computer ist intelligent, wenn er C täuschen kann. I am the psychotherapist. Please describe your problems. Each time you are finished talking, type RET twice. Can you ask me a question? Why do you say can I ask you a question? I would like you to ask me something. Mensch A Computer B Is it because of your plans that you say you would like me to ask you something? No, I want to see whether you understand questions. Mensch C What makes you believe you might want to see whether? I-7 AI Introduction c STEIN 2003/04 I-8 AI Introduction c STEIN 2003/04

4 Schank s Szenario (Restaurant-Geschichten) Schank s Szenario (Restaurant-Geschichten) Anhand der Interpretation von Geschichten (aus Restaurants) soll gezeigt werden, wie Verstehen auf dem Rechner funktioniert. Beispiel. Geschichte 1. Ein Gast im Restaurant bestellt einen Hamburger. Als das Essen gebracht wird, sieht der Gast, daß der Hamburger angebrannt ist. Wütend und ohne zu bezahlen verläßt der Gast das Restaurant. Geschichte 2. Ein Gast bestellt einen Hamburger. Als das Essen gebracht wird, ist der Gast sehr zufrieden. Beim Verlassen des Restaurants legt er ein Trinkgeld auf den Tisch. Schank s Programm wird nun gefragt: Hat der Gast den Hamburger gegessen? Im Fall von Geschichte 1 antwortet das Programm mit nein, im Fall von Geschichte 2 mit ja, obwohl die Frage in keiner Geschichte explizit beantwortet wurde. Das Programm basiert auf einer Darstellung verschiedener Situationen und Szenen in Restaurants (Skripten) und geeigneter (sequentieller) Ablaufsteuerung. These der Starken KI: Das so arbeitende Programm versteht die Geschichten genauso wie ein Mensch. Gegenthese: Es besteht ein prinzipieller Unterschied zwischen dem Programm und menschlichem Verstehen. I-9 AI Introduction c STEIN 2003/04 I-10 AI Introduction c STEIN 2003/04 Searle s Szenario (chinesisches Zimmer) Starke KI versus Schwache KI Soll den Unterschied im Verstehen zwischen Computer und Mensch zeigen. Ein Mensch, der kein Chinesisch versteht, kann dennoch durch Nachsehen in Tabellen Verständnis simulieren. Versuchsanordnung: Searle sitzt in einem Zimmer. Chinesische Schriftzeichen, die eine Geschichte beschreiben, werden von aussen hereingereicht. Im Zimmer sind Tabellen mit Anweisungen für Antworten: Auf Zeichen A, antworte mit Zeichen X. Für einen nicht-eingeweihten Beobachter sieht es so aus, als ob Searle chinesisch versteht. Behauptung der Vertreter der Starken KI: Computer können jeden beliebigen, intelligenten Prozeß nachbilden. Reaktion der Vertreter der Schwachen KI: Das ist aus prinzipiellen Gründen unmöglich. Searle: Menschliches Verstehen kann nicht nachgebildet werden. Einfache Programme wie Eliza erzeugen nur syntaktisch richtige Antworten. Verständnis wird nur simuliert. Searle: Schank s Programm simuliert das Verstehen der Geschichten nur. Beachte: Searle präzisiert nicht den Unterschied zwischen echtem und simuliertem Verstehen. Antworten der Vertreter der Starken KI: Schank s Restaurant-Programm versteht die Geschichten tatsächlich. Das Programm erklärt, was menschliches Verstehen bedeutet. Zu Searle s Chinesischem Zimmer: Ein einzelnes Neuron versteht auch keine Geschichten. Die Versuchsperson bei Searle s Gedankenexperiment ist auch nur ein Teil des Gesamtsystems. I-11 AI Introduction c STEIN 2003/04 I-12 AI Introduction c STEIN 2003/04

5 Starke KI versus Schwache KI Geschichte der Künstlichen Intelligenz Hat echtes Verstehen mit Bewußtsein zu tun? Und woher kommt Bewußtsein (aus dem Stofflichen, der Physis)? Geburtsstunde (1956) Sommerseminar in Dartmouth. Gründung durch M. Minsky, J. McCarthy, A. Newell, H. A. Simon u. a. Sprache, wie Bewußtsein, entsteht nur aus dem Bedürfnis, der Notwendigkeit des Umgangs mit anderen. Bewußtsein im allgemeinen hat sich nur unter dem Druck der Notwendigkeit der Kommunikation entwickelt. [Karl Marx, 1846] [Friedrich Nietzsche, 1882] Before my teacher came to me, I did not know that I am. I lived in a world that was a no-world. I cannot hope to describe adequately that unconscious, yet conscious time of nothingness. I did not know that I knew aught, or that I lived or acted or desired. I had neither will nor intellect. [Helen Keller 1909, p.141] Klassische Periode ( ) Suche nach allgemeinen Prinzipien zur Lösung beliebiger Probleme. Anwendung der Prinzipien auf einfache Probleme (u. a. Klötzchen-Welt). General Problem Solver, GPS, von Newell, Shaw und Simon. (gewisse Erfolge; konnte jedoch nicht verallgemeinert werden; Entwicklung eingestellt) Erkenntnisse: Zielgerichtetes Durchlaufen des Suchraums als Problemlösungsform. Effiziente Suche erfordert leistungsfähige Heuristiken. Allgemeine Problemlösung ist zu schwierig. I-13 AI Introduction c STEIN 2003/04 I-14 AI Introduction c STEIN 2003/04 Einschub: Blocks World Geschichte der Künstlichen Intelligenz Romantische Periode ( ) A C B E Auf einem Tisch stehen Würfel neben- und übereinander; es gibt genügend Platz, um alle Würfel nebeneinander zu stellen. Es gibt eine Greifhand, die genau einen Würfel zur Zeit aufheben kann, falls kein anderer über diesem steht. Ein Würfel steht entweder auf dem Tisch oder auf genau einem anderen Würfel oder wird von der Greifhand gehalten. Mit der Greifhand kann man die folgenden Operationen ausführen: PICKUP(x): Würfel x vom Tisch aufnehmen. PUTDOWN(x): Würfel x auf den Tisch absetzen. STACK(x,y): Würfel x auf einen anderen Würfel y setzen. UNSTACK(x,y): Würfel x von einen anderen Würfel y abnehmen. D Stärkere Spezialisierung der Programme. Konzentration auf grundlegende Methoden und Techniken für wichtige Aspekte: Problembeschreibung Wissensrepräsentation Suchverfahren Erkenntnisse: Fortschritte, aber kein Durchbruch; keine in der Praxis nutzbaren Ergebnisse. General Purpose > Multi Purpose Anwendung: Generierung eines Plans (Folge von Operationen), um einen Anfangszustand in einen Zielzustand zu überführen. I-15 AI Introduction c STEIN 2003/04 I-16 AI Introduction c STEIN 2003/04

6 Geschichte der Künstlichen Intelligenz Geschichte der Künstlichen Intelligenz Moderne Periode (ab 1975) Erkennen der Bedeutung des problemspezifischen Wissens. Problemlösefähigkeit hängt mehr vom spezifischen Wissen als von der allgemeinen Problemlösungsstrategie ab. Zuwendung zu Praxis-Problemen, Befragung von Experten, Entwicklung von Expertensystemen Berühmte Anwendung: MYCIN (1976) Unterstützung von Ärzten bei der Diagnose bakterieller Infektionen. MYCIN simuliert auf engem Bereich die Fähigkeit eines Experten, wobei das Wissen des Experten in formalisierter Form vorliegen muß. Erkenntnisse: Neue Trends (ab 1985) Entwicklung direkter und induktiver Wissensakquisitionskomponenten zur Überwindung de Knowledge Engineering Bottleneck Temporallogik, Nicht-monotones und unsicheres Schließen, Fuzzy Logic Natur-analoge Suchverfahren: neuronale Netze genetische Algorithmen Simulated Annealing Erkenntnisse: Expertensysteme (XPS) sind kein Allheilmittel. Multi Purpose > Special Purpose Davis (1982): In the knowledge lies the power. Methoden zur Wissensakquitision und -repräsentation sind wesentlich Multi Purpose > Special Purpose I-17 AI Introduction c STEIN 2003/04 I-18 AI Introduction c STEIN 2003/04 Geschichte der Künstlichen Intelligenz Trends danach (ab 1990) Verteilte Systeme in der KI, Multi-Agentensysteme Spezialisierung von neuen Verfahren auf spezifische Anwendungen. Rückbesinnung auf Davis (1982): In the knowledge Erweiterung der naturanalogen Suchverfahren um problemspezifische Komponenten: wissensintensive Such- und Optimierungstechniken Erkenntnis (schon wieder ) : Wissen ist Macht. I-19 AI Introduction c STEIN 2003/04 I-20 AI Introduction c STEIN 2003/04

7 Woher Methoden der KI stammen Gebiete der Künstlichen Intelligenz (induktives) Lernen Aus einer anwendungsorientierten Sicht spielen in der Künstlichen Intelligenz insbesondere folgende Gebiete eine Rolle: Wissensakquisition Konnektionismus Fuzzy Logic Linguistik Psychologie Logik Problemlösen und Optimierung mittels Suche verteiltes Problemlösen (Agenten, Schwarmintelligenz) maschinelles Lernen (Klassifikation) Expertensysteme für Diagnose, Planung und Entwurf Tutorsysteme: Intelligent Computer-aided Instruction (a) Schließen Problemlösen und Planen Heuristische Suche Natur-analoge Verfahren Wissensrepräsentation Kognitionsmodelle Sprachverstehen Multi-Agenten- Systeme Informatik, speziell KI Biologie/ Genetik Chemie, Physik Operations Research Kognition: natürlichsprachliche Systeme (b) Kognition: bildverarbeitende Systeme (c) Robotertechnologie (d) Modellierung von Unsicherheit, Vagueheit und Unschärfe Logik und Deduktionssysteme (e) KI-Programmiersprachen (Prolog und LISP) Oft auch Bezeichnung: wissensbasierte Systeme Bemerkung: Wir machen eine pragmatische KI oder: Entwicklung intelligenter Systeme ohne, daß wir wissen, was Intelligenz ist... II-1 AI Applications c STEIN 2003/04 II-2 AI Applications c STEIN 2003/04 (a) Intelligent Computer Aided Instruction (ICAI) (b) Natürlichsprachliche Systeme Gegenstand: Entwicklung intelligenter Lehrsysteme zur Unterstützung des Lernenden beim Lernprozeß. Untersuchung der informationsverarbeitenden Prozesse als Grundlage für das Verstehen und Produzieren natürlicher Sprache mit rechnerorientierten Methoden Vorgehen: Selbsttätiges Anpassen des Systems an den Lernenden. Erkennung des Basiswissen und Analyse der Lerngeschwindigkeit des Benutzers. Diagnose von Fehlern und Mißverständnissen. Rückschluß auf die Ursachen und Anpassung des Lernprozesses. Aufbauen und Verfeinern eines Benutzermodells. Ziele: Mensch-Maschine-Kommunikation verbessern die an intelligentes Sprachverhalten gebundenen Leistungen maschinell verfügbar machen die komplexen Informationsverarbeitungsprozesse beim Verstehen, Erwerb und Gebrauch natürlicher Sprache exakt beschreiben und erklären Sprachverstehen Ein natürlichsprachliches System versteht Sprache in dem Sinn, daß eine interne Darstellung der eingegebenen Sachverhalte (in Form einer Wissensbasis) erzeugt wird. Auf Grundlage dieser Darstellung werden Sachverhalte analysiert und Fragen und Antworten dazu generiert. II-3 AI Applications c STEIN 2003/04 II-4 AI Applications c STEIN 2003/04

8 Beispiel: Dialogsystem Beispiel: Dialogsystem [Schneider, Uni Münster, 1998] II-5 AI Applications c STEIN 2003/04 II-6 AI Applications c STEIN 2003/04 (c) Bildverarbeitende Systeme (c) Bildverarbeitende Systeme Macht die große Anzahl von visuellen Prozessen der maschinellen Verarbeitung zugänglich Aufgaben: das Wahrnehmen von Objekten, das Klassifizieren von Objekten, z. B. rund, länglich, die Unterscheidung von Farben, Helligkeiten und Größe, die Berücksichtigung speziellen Wissens aus dem Einsatzgebiet wie: Falls das Wasser hinter einem Schiff schaumig ist, dann fährt das Schiff. die Berücksichtigung der Ziele, z. B. Vorgehensweise, um Schiffe zu lokalisieren. Problem der Entwicklung solcher Systeme: Wie funktioniert die Natur? Sehen, Erkennen und Verstehen sind komplexe Vorgänge und der Introspektion nicht zugänglich. Arbeitsweise von Bilderkennungssystemen: 1. Aufnehmen und digitales Darstellen einer Szene als Grau- oder Farbwertmatrix. 2. Auf finden von Kanten durch geeignete Filter; Interpretieren der Kanten bzgl. räumlicher Lage und Schnittpunkten (Segmentierung). 3. Kombinieren der Kanten zu Objekten (Objekterkennung). 4. Objekte in Beziehung zueinander setzen (Szenenanalyse). II-7 AI Applications c STEIN 2003/04 II-8 AI Applications c STEIN 2003/04

9 Beispiel: Bilderkennung Beispiel: Bilderkennung Einfache Szene: Einfache Szene mit Schatten: II-9 AI Applications c STEIN 2003/04 II-10 AI Applications c STEIN 2003/04 Beispiel: Bilderkennung Beispiel: Bilderkennung Einfache Szene mit Schatten: Einfache Szene mit Schatten: Analyseschritt 1: Analyseschritt 2: II-11 AI Applications c STEIN 2003/04 II-12 AI Applications c STEIN 2003/04

10 Beispiel: Bilderkennung Beispiel: Bilderkennung Einfache Szene mit Schatten: Szene aus der Real World : Analyseschritt 3: II-13 AI Applications c STEIN 2003/04 II-14 AI Applications c STEIN 2003/04 (d) Robotertechnologie Robotor (Definition). Computergesteuerte Handhabungssysteme, die in Teilgebieten den Menschen gewisse Funktionen abnehmen können. Industrie-Robotor i.d.r. nicht oder nur wenig intelligente Systeme keine eigenen Entscheidungen/Pläne seit ca in der Forschung (USA, Japan) Einsatzgebiet ist die industrielle Fertigung (führend: Japan) Voraussetzungen: natürlichsprachliche Kommunikation Bilderkennen und - verstehen Handlungsplanung (logisch und physisch) Fernziel: Konstruktion von autonomen mobilen Robotern, die sich in der menschlichen Umwelt frei bewegen können. Stichwort: Robo-Cup Robotor als Agenten hierunter versteht man ein System, das in der Lage ist, sich in seiner Umwelt frei zu bewegen, seine Umwelt zu erfassen Sensorik für Berührung, Abstand, Bilder mit seiner Umwelt zu kommunizieren, Pläne zu entwerfen und auszuführen Effektoren: Greifer, Werkzeuge Aufgaben auszuführen II-15 AI Applications c STEIN 2003/04 II-16 AI Applications c STEIN 2003/04

11 (e) Deduktionssysteme Beispiel: Textanalyse Deduktion: Prozeß des logischen Folgerns aus bestimmten gegebenen Fakten und Annahmen. Das Wochenende hat Lisa gern für sich. Doch jeden der fünf Werktage verbringt sie mit genau einem ihrer drei Freunde. Wen Lisa nächste Woche wann sieht, hat sie so festgelegt: Einsatzgebiete von Deduktionssystemen: Beweisen von mathematischen Sätzen und Sätzen der formalen Logik (Theorembeweiser) Allgemein: Ableitung neuer Sachverhalte aus bekannten Sachverhalten + Ableitungsregeln deduktive Datenbanken Programmverifikation Programmsynthese Design und Testen von logischen Schaltkreisen als Komponente von wissensbasierten Systemen / Expertensystemen Sehe ich am Donnerstag Andreas oder Jörg, so treffe ich Philipp am Dienstag. Halte ich am Mittwoch Jörg in den Armen, so werde ich den Freitag entweder Philipp oder Jörg widmen. Treffe ich Philipp am Mittwoch, dann muß ich auch Donnerstag bei ihm sein. Sehe ich Philipp am Montag, dann werde ich, sofern ich mit Andreas am Dienstag kein Rendezvous habe, Philipp auch am Donnerstag treffen. Schließe ich Dienstag Andreas in die Arme, so soll Jörg, wenn nicht schon am Mittwoch, dann am Donnerstag mein Liebhaber sein. Schenke ich Jörg Montag meine Gunst, so ist Andreas am Freitag an der Reihe. Falls ich mit Andreas weder für Montag noch für Dienstag verabredet bin, werde ich ihn auch am Mittwoch nicht sehen. Frage: Trifft Lisa am Mittwoch Philipp? II-17 AI Applications c STEIN 2003/04 II-18 AI Applications c STEIN 2003/04 Beispiel: Textanalyse Das Wochenende hat Lisa gern für sich. Doch jeden der fünf Werktage verbringt sie mit genau einem ihrer drei Freunde. Wen Lisa nächste Woche wann sieht, hat sie so festgelegt: Sehe ich am Donnerstag Andreas oder Jörg, so (A Do J Do ) Ph Di treffe ich Philipp am Dienstag. Halte ich am Mittwoch Jörg in den Armen, so J Mi (Ph Fr J Fr ) werde ich den Freitag entweder Philipp oder Jörg widmen. Treffe ich Philipp am Mittwoch, dann muß ich Ph Mi Ph Do auch Donnerstag bei ihm sein. Sehe ich Philipp am Montag, dann werde ich, (Ph Mo A Di ) Ph Do sofern ich mit Andreas am Dienstag kein Rendezvous habe, Philipp auch am Donnerstag treffen. Schließe ich Dienstag Andreas in die Arme, so A Di (J Mi J Do ) soll Jörg, wenn nicht schon am Mittwoch, dann am Donnerstag mein Liebhaber sein. Schenke ich Jörg Montag meine Gunst, so ist J Mo A Fr Andreas am Freitag an der Reihe. Falls ich mit Andreas weder für Montag noch für ( A Mo A Di ) A Mi Dienstag verabredet bin, werde ich ihn auch am Mittwoch nicht sehen. Frage: Trifft Lisa am Mittwoch Philipp? Ph Mi?? II-19 AI Applications c STEIN 2003/04 II-20 AI Applications c STEIN 2003/04

12 Wissensrepräsentation Symbolische Wissensrepräsentation Wissensrepräsentation ist das zentrale Thema. Grundlegende Ansätze (vgl. [Moeller 2002]): symbolische Modellierung/Repräsentation: Sprachlich faßbare elementare Einheiten, die durch Bezeichner gekennzeichnet sind. Kompositionale Bedeutungsbestimmung ausgehend von den Elementareinheiten ( Units ) der Repräsentation. subsymbolische Modellierung/Repräsentation: Elementareinheiten sind nicht durch Bezeichner charakterisiert. Repräsentation und Bedeutung ergibt sich aus dem Zusammenwirken bzw. der Überlagerung der Units der Repräsentation. Definition 2 (Symbol) Ein Symbol ist ein Gegenstand oder Vorgang, der stellvertretend für einen anderen nicht wahrnehmbaren geistigen Sachverhalt steht. In der Informatik (vgl. [Ultsch 1998]): [Duden 95] Gegenstand oder Vorgang wird als Zeichen eines Alphabets interpretiert. Ein Zeichen, z. B. ein Buchstabe, wird dabei als atomar, d. h. nicht weiter zerlegbar in Bestandteile, ohne dass seine Rolle als Zeichen verloren geht, angesehen. Der nicht wahrnehmbare geistige Sachverhalt wird als die Bedeutung (Semantik) des Zeichens angesehen. Techniken zur Modellierung und Verarbeitung: Logik, Deduktion, Inferenz, Constraints, Regeln III-1 Symbolic vs. Subsymbolic c STEIN 2003/04 III-2 Symbolic vs. Subsymbolic c STEIN 2003/04 Subsymbolische Wissensrepräsentation Wissensrepräsentation Akustische Repräsentation eines gesprochenen Symbols: Beispiel (vgl. [Ultsch 1998]): J.S. Bach, Die Kunst der Fuge Symbolische Repräsentation (Ausschnitt aus Partitur): "Cat" Speech signal Feature vectors Symbole sind die Noten Techniken zur Modellierung und Verarbeitung: neuronale Netze, genetische Algorithmen, allgemein: konnektionistische Modelle Bemerkung: Die Änderung eines Mikrofeatures wird i. d. Regel keine entscheidende Auswirkung auf das repräsentierte Symbol haben. Subsymbolische Repräsentation (Zahlenfolge auf CD): Im Kontext des Musikhörens besitzt eine einzelne Zahl für sich alleine genommen keine Bedeutung. Fehlerkorrektur eines CD-Spielers kann sogar sinnvolle Ergänzung vornehmen. III-3 Symbolic vs. Subsymbolic c STEIN 2003/04 III-4 Symbolic vs. Subsymbolic c STEIN 2003/04

13 Wissensrepräsentation Wissensrepräsentation Vorteile symbolischer Repräsentation: Stichwort: Erwerb neuen Wissens, maschinelles Lernen. unmittelbare Interpretierbarkeit leichte explizite Analyse Wissensabstraktion, Metawissen Vorteile subsymbolischer Repräsentation: Lernprozeß einfacher organisierbar robuste Verarbeitung Generalisierbarkeit auf neue ähnliche Eingaben fehlertoleranter als symbolische KI Technologien Bemerkungen: 1. Die Berechnungsmächtigkeit der subsymbolischen KI könnte höher als bei symbolischer KI sein. Argumentation: Durch Verzicht auf das Verstehen des Lösungsweges wird eine andere, grössere Klasse von Algorithmen berechenbar. 2. Auch in konnektionistischen Modellen kann Wissen in symbolischer Form repräsentiert werden. Beispiel: Einzelne Units (Neuronen, Gene) tragen eine klar definierte Bedeutung tragen. Symbolische Wissensrepräsentation: Maschinelles Lernen setzt nur bekannte Symbole zu (Linear)kombinationen zusammen. Neues im Sinne neuer Begriffsbildungen oder Detektion von neuen Zusammenhängen sind nicht möglich. Subsymbolische Wissensrepräsentation: Lernen bedeutet die Überlagerung der Repräsentationen in den Units. Subsymbolische KI-Systeme könnten wirklich Neues eher entdecken. Schwerpunkt bei Expertensystemen (und insbesondere in dieser Vorlesung) ist die symbolische Repräsentation von Wissen. III-5 Symbolic vs. Subsymbolic c STEIN 2003/04 III-6 Symbolic vs. Subsymbolic c STEIN 2003/04 [Marvin Minsky] III-7 Symbolic vs. Subsymbolic c STEIN 2003/04 III-8 Symbolic vs. Subsymbolic c STEIN 2003/04

14 Problemlösungswissen Beispiel: Diagnose Wie repariert ein Mechaniker ein Auto? Wie gelangt ein Arzt von den Symptomen zu einer Diagnose? Wie entscheidet ein Bankangestellter über eine Kreditvergabe? Stichwort: Problemlösungswissen Die Erstellung von Programmen, die eine Lösung solcher Probleme automatisiert, erfordert: 1. Identifikation und Erwerb des Wissen, das zur Problemlösung notwendig ist. (Akquisition) 2. Entwicklung einer geeigneten Formalisierung/Codierung des Problemlösungswissens. (Repräsentation) 3. Auswahl und/oder Entwicklung von Algorithmen zur Verarbeitung des Problemlösungswissens. (Inferenz) Bemerkung: Die Lösung des Akquisitions-, Repräsentations- und Inferenzproblem ist keine Garantie für Erfolg. Beobachtung: Zylinder verfährt zu langsam. Analyse des Systems durch einen Experten. IV-1 Problem Solving Knowledge c STEIN 2003/04 IV-2 Problem Solving Knowledge c STEIN 2003/04 Beispiel: Diagnose Beispiel: Diagnose Problemlösungswissen Grundlage der Expertenanalyse: Quantitative Komponentenmodelle. ẋ d = p a A K p b A R F = Energiedissipation Gesamtenergie zu niedrig Analyseschritte: Modelle zusammentragen Gleichungen aufschreiben (Normalisieren etc.) Simulieren Beobachtungen: Schaltdruck am Druckbegrenzungsventil wird nicht erreicht. Kein Leckstrom am Zylinder. Wie überprüft man diese Zusammenhänge? Wo überprüft man diese Zusammenhänge? Wann (Reihenfolge) überprüft man diese Zusammenhänge? Folgerungen: Pumpe zu schwach. sonst eventuell Zylinderring abgenutzt. Welches Wissen? Wie anwenden? Wann anwenden? Kann der Experte diese Fragen beantworten? IV-3 Problem Solving Knowledge c STEIN 2003/04 IV-4 Problem Solving Knowledge c STEIN 2003/04

15 Beispiel: Konstruktion Beispiel: Konstruktion Anforderungen D Analyse der Anforderungen D: Welches Verhalten soll erzielt werden? Syntheseschritte: Zerlegung von D in Teilfunktionen Bestimmung der hydraulischen Achsen System S Entwicklung der Topologie (Kopplung der Achsen) Parametrisierung der Komponenten Modellbildung (vgl. Diagnosesituation) Simulation Ergebnis: Ausgangspunkt: Anforderungsmenge D wird vollständig erfüllt... oder: D wird nicht vollständig erfüllt. Modifikation bzw. Verbesserung des Entwurfs. Synthese des Systems durch Experten. IV-5 Problem Solving Knowledge c STEIN 2003/04 IV-6 Problem Solving Knowledge c STEIN 2003/04 Beispiel: Konstruktion Problemlösungswissen Kennzeichen von Problemlösungswissen Das Problemlösungswissen wie Komponentenmodelle (Zustand, Granularität, Genauigkeit) Simulationsparameter (Liegt ein steifes System vor?) Heuristiken (Wonach guckt man zuerst?) Reihenschaltung Folgeschaltung kann - beim Experten abgeguckt werden - durch Interviews herausgekitzelt werden - hat oft eine einfache Form - ist eher unpräzise Welche Komponenten sind zu wählen? Wie werden die Komponenten verschaltet? Wie sind Parameter zu dimensionieren? Insbesondere kann Problemlösungswissen in eine explizite Form gebracht und mit wenig Aufwand kodiert werden. Andere Wissensformen zur Problemlösung in den Beispielen: Welches Wissen? Wie anwenden? Wann anwenden? Domänenwissen: Defaultwerte für Zustandsgrößen und Parameter. Common-Sense-Wissen: Energieerhaltung im geschlossenen System. Common-Sense-Wissen: Massenerhaltung bzgl. der Hydraulikflüssigkeit. Metawissen: Wissen über Wissen. (Zuverlässigkeit, Verarbeitungsverfahren, Verarbeitungsaufwand, etc.) Kann der Experte diese Fragen beantworten? IV-7 Problem Solving Knowledge c STEIN 2003/04 IV-8 Problem Solving Knowledge c STEIN 2003/04

16 Kennzeichen von Problemlösungswissen Problemlösungswissen der Schlüssel zum Erfolg Problemlösungswissen unterscheidet sich nicht durch seine Kompliziertheit von anderen Lösungsverfahren jedoch: es ist nicht universell verfügbar es ist nicht kanonisch operationalisierbar Die Beherrschung von Methoden und Techniken ist notwendig nicht hinreichend. Beachte insbesondere: Anwendung dieses Wissens ist schwierig. Kalkülisierung dieses Wissens ist kaum möglich. The transfer and the transformation of problem-solving expertise from a knowledge-source to a program is the heart of the expert-system development process. [Hayes-Roth/Waterman/Lenat 1983] Anwender von Problemlösungswissen: Mensch Die Anwendung erfordert Intuition, Erfahrung und Übersicht. Anwender von kalkülisierbarem Wissen: Computer Graphenanalyse (starke Zusammenhangskomponenten) BLT-Zerlegung Newton-Verfahren Runge-Kutta-Verfahren IV-9 Problem Solving Knowledge c STEIN 2003/04 IV-10 Problem Solving Knowledge c STEIN 2003/04 IV-11 Problem Solving Knowledge c STEIN 2003/04 IV-12 Problem Solving Knowledge c STEIN 2003/04

17 Prinzipien wissensbasierter Systeme Aber Trennung von anwendungsbezogenem und anwendungsunabhängigem Wissen Anwendung von Problemlösungsprinzipien der KI Architektur von Softwaresystemen konventionellesoftwaresysteme a) Enthalten sie kein Wissen? b) Wenn nein, warum nicht? c) Wenn ja, wo ist dieses Wissen zu finden, d)... und woher kommt es? Algorithmen Daten (konventionell) Inferenzmaschine Wissen Daten (wissensbasiert) zu c) Wo ist da Wissen? Sowohl das Wissen über das Anwendungsgebiet als auch das allgemeine Problemlösungswissen ist in Algorithmen, Daten und Datenstrukturen verteilt kodiert. zu d) Woher kommt es? Vorgaben/Rahmenbedingungen des Auftraggebers Definition 3 (Wissensbasiertes System, WBS) Ein wissensbasiertes System (WBS) ist ein Softwaresystem, bei dem das Fachwissen über das Anwendungsgebiet (Domain Knowledge) explizit und unabhängig vom allgemeinen Problemlösungswissen dargestellt wird. Fachabteilungen/Labore liefern z. B. betriebliche Zusammenhänge, Rezepturen und Problemlösungswissen Programmierer vertieft Problemlösungswissen durch gezielte Nachfragen, besitzt aber auch eigenes Problemlösungswissen. V-1 XPS c STEIN 2003/04 V-2 XPS c STEIN 2003/04 Expertensysteme (XPS) Expertensysteme einintelligentes Computerprogramm, das Wissen und Inferenzverfahren benutzt, um Probleme zu lösen, die immerhin so schwierig sind, daß ihre Lösung ein beträchtliches menschliches Fachwissen erfordert XPS-Architektur aus funktionaler Sicht (Puppe 1991): [Edward Feigenbaum] Gewünschter Nutzen: Experten sollen von Routinetätigkeiten entlastet werden Aufheben der örtlichen und zeitlichen Abhängigkeit von Experten kostengünstiger als menschliche Experten Erstellung einer ausgewogenen (objektiven?) Expertise Schulungsaspekte (Unterstützung bei der Ausbildung) unbegrenzte Verbreitbarkeit (ist das immer gewünscht?) User Expert Dialog module Explanation module Acquisition module Problem solving module Knowledge base V-3 XPS c STEIN 2003/04 V-4 XPS c STEIN 2003/04

18 Experte Expertensystem versus Experte Der ideale menschliche Experte... besitzt Wissen über Problembereich (Domäne) Aneignung durch Ausbildung und Erfahrung kennt Begriffswelt und die Zusammenhänge zwischen den Begriffen arbeitet mit vagem Wissen kennt die Zusammenhänge zu anderen Wissensgebieten hat Hintergrundwissen über Sachverhalt (Common Sense) kennt Verweise auf Wissensquellen kann Wissen erwerben und falsches Wissen korrigieren XPS Experte Wissenserhaltung + zeitliche/örtliche Unabhängigkeit + Unabhängigkeit von Umwelteinflüssen + Hintergrundwissen ( ) (+) Lernfähigkeit o + Größe des Problemfeldes + Kreativität + kann Probleme durch Verknüpfen von Wissen lösen kann seine Ergebnisse durch Verdeutlichen seines Lösungsweges erklären Expertensysteme sind keine Allheilmittel. handelt effizient schnelle Problemlösung durch Anwendung von Heuristiken Wahl geeigneter Vorgehensweisen Es existieren viele Probleme, die mittels der Expertensystemtechnologie (noch) nicht lösbar sind. handelt menschlich (das steht in keinem KI-Buch!) V-5 XPS c STEIN 2003/04 V-6 XPS c STEIN 2003/04 Problemklassen für Expertensysteme Expertensysteme versuchen, die Eigenschaften eines Experten bzgl. einer eingeschränkten Tätigkeit zu simulieren. Analyse Expertensysteme versus konventionelle Programme Expertensysteme sind nur eine spezielle Art der Programmerstellung. Vorhersage Erkennen Steuerung Überwachung Diagnose Expertensysteme Repräsentation und Verarbeitung von Wissen Algorithmen, Heuristiken inferenzielles Bearbeiten konventionelle Programme Repräsentation und Verarbeitung von Daten Algorithmen iteratives Bearbeiten schlecht strukturierte Probleme gut strukturierte Probleme Synthese viele unterschiedliche Wissensarten große Mengen ähnlicher Daten individuelle Verarbeitung und Interpretation der Daten kanonische Verarbeitung, z. B. Number Crunching Konfigurieren Entwerfen Planen keine Patentrezepte Scheduling Bemerkung: Die Einteilung in Problemklassen ist nicht exakt. Zum Beispiel gehört die Wettervorhersage zur Interpretation (Eingrenzung Hoch- und Tiefdruckgebiete), Simulation (Abschätzung zukünftiger Wetterlagen), Beobachtung (Sturmwarnung) und Diagnose (Fehlerermittlung bei falschen Voraussagen). V-7 XPS c STEIN 2003/04 V-8 XPS c STEIN 2003/04

19 Expertensysteme versus konventionelle Programme Erstellung wissensbasierter Systeme Für gut strukturierte Probleme gilt: Es existiert ein Leitfaden zur Problemlösung. Die Zielfunktion ist bekannt. Problem und Lösung in numerischen Größen beschreibbar. Formalisierung ist möglich, sowohl für das Modell als auch die Zielfunktion(!). Algorithmen zur Problemlösung sind bekannt Kalkülisierung ist möglich. 1. Akquisition. Wissenserhebung und -erfassung 2. Repräsentation. Darstellung und Speichern des Wissens in der Wissensbasis 3. Inferenz. Verarbeitung des Wissens zur Lösung bestimmter Probleme klassische DV moderne DV XPS reales Problem Repräsentation im Modell [Sviokla 1986] V-9 XPS c STEIN 2003/04 V-10 XPS c STEIN 2003/04 Erstellung wissensbasierter Systeme Erstellung wissensbasierter Systeme KI-Programmiersprachen (LISP, PROLOG, Smalltalk): leistungsfähige Symbolverarbeitung Shells (EMycin, Nexpert Object, Twaice): sind spezielle Programme zur Entwicklung von XPS Konzepte für Wissensrepräsentation und Inferenz vorgegeben Entwickler konzentriert sich auf die Erfassung, Strukturierung und Eingabe des Wissens aus dem Anwendungsgebiet Meine Meinung (BS). Für Anfänger: Werkzeuge schaden Für erfahrene Softwaretechniker: Werkzeuge schaden nicht. Der Nutzen von Werkzeugen? Wenn überhaupt, dann in der Prototyp-Entwicklung. Beherrschung von Methoden und Techniken ist notwendig nicht hinreichend. Entwicklungsumgebungen (KEE, LOOPS, Knowledge Craft): viele Konzepte zur Wissensrepräsentation und Inferenz, Elemente für den Bau von Benutzeroberflächen mehr Flexibilität als bei Shells, hoher Einarbeitungsaufwand Intelligenz, Können, Lernbereitschaft und Hartnäckigkeit des Expertensystem-Entwicklers (Wisseningenieurs) sind die wichtigsten Erfolgsfaktoren. Dabei bestimmt KI-Programmiersprachen Entwicklungsaufwand das Anwendungsgebiet (Domäne) die Komplexität, das Problem den Lösungsaufwand. allgemeine Werkzeuge Shells Flexibilität bei der Entwicklung V-11 XPS c STEIN 2003/04 V-12 XPS c STEIN 2003/04

20 Erstellung wissensbasierter Systeme Erstellung wissensbasierter Systeme Blickt man zurück, kann man von dem Fortschritt enttäuscht sein. The LOOPS Project ( , PARC): Blickt man zurück, kann man von dem Fortschritt enttäuscht sein. The Colab Project ( , PARC): Main Participants: D. Bobrow, Sanjay Mittal, Stanley Lanning, Mark Stefik. Object-oriented programming: Classes and objects, class variables, instance variables, methods, multiple-inheritance, interactive class browsers Access-oriented programming: Nestable active values that can be attached to variables, procedures specified in the active value are triggered. Rule-oriented programming. V-13 XPS c STEIN 2003/04 V-14 XPS c STEIN 2003/04 V-15 XPS c STEIN 2003/04 V-16 XPS c STEIN 2003/04

21 System und Modell System und Modell Beispiel 1: Der unbequeme Philosoph Beispiel 2: Fail-Save-Überprüfung einer Presse NC? Modell: ẋ d = p a A K p b A R F = Komponentenmodelle, physikalische Gleichungen Modell: x y : mensch(x) trinkt(x, y) gift(y) tot(x) gift(schierling) mensch(sokrates) x : Eq(x, x) x y : Eq(x, y) Eq(y, x) x y z : Eq(x, y) Eq(y, z) Eq(x, z) x y f : Eq(x, y) Eq( f(t 1,,t i,x,t i+1,,t n ), f(t 1,,t i,y,t i+1,,t n )) Axiome, Umformungsregeln VI-1 System, Model, and Deduction c STEIN 2003/04 VI-2 System, Model, and Deduction c STEIN 2003/04 System und Modell System und Modell Definition 4 (System) Ein System ist ein Ausschnitt aus der realen Welt. Jedes System besitzt eine (System)Grenze, aufgrund dessen für jedes Objekt der Welt festgestellt werden kann, ob es zu dem System gehört oder nicht. System + Frage Experiment Systemverhalten Interpretation Antwort Ein Analyseproblem zu lösen, bedeutet, Fragen bzgl. eines Systems zu beantworten. Beispiele: Was ist kaputt an dem Motor? Wie verhält sich die Anlage im Grenzbereich? Wann ist die Betriebstemperatur erreicht? Um eine Antwort zu erhalten, kann man ein Experiment an dem System machen und die Ergebnisse des Experimentes interpretieren. Definition 5 (Experiment) An experiment is the process of extracting data from a system by exerting it through its inputs. [Cellier 1995] Ausführung eines Experiments am System? dagegen spricht: System existiert nicht Systemveränderungen zu schnell oder langsam Experiment am System zu teuer durch das Experiment entstehen große Gefahren System zu klein oder zu groß Experiment verändert das System zu stark Voraussage ist erwünscht Ausweg: Experiment wird nicht am System, sondern an einem Modell des Systems durchgeführt. VI-3 System, Model, and Deduction c STEIN 2003/04 VI-4 System, Model, and Deduction c STEIN 2003/04

22 Modellieren zum Schlußfolgern Modellieren zum Schlußfolgern Definition 6 (Model, Modell) Beispiel 1: Der unbequeme Philosoph To an observer B, an object A is a model of an object A to the extent that B can use A to answer questions that interest him about A. [Minsky 1965] Modell x y: mensch(sokrates) Simulation Modellverhalten tot(sokrates) Modell Simulation Modellverhalten Modellbildung Übertragung (Anwendung, Interpretation) Modellbildung Übertragung (Anwendung, Interpretation) Experiment System + Frage Experiment Systemverhalten Interpretation Antwort System (= Realität) Systemverhalten Definition 7 (Simulation) A simulation is an experiment performed on a model. [Korn/Wait 1978] VI-5 System, Model, and Deduction c STEIN 2003/04 VI-6 System, Model, and Deduction c STEIN 2003/04 Modellieren zum Schlußfolgern Modellieren zum Schlußfolgern Beispiel 2: Fail-Save-Überprüfung einer Presse Modell v d = pa Ak - pb x: Eq(x,x) Simulation v=0 Nahezu alle Situationen, in denen wir einen Sachverhalt analysieren, basieren auf dem Konzept der logischen Folgerung. Beispiele: Ist Schierling für den Philosophen Sokrates giftig? Übertragung (Anwendung, Interpretation) Wie verhält sich ein technisches System? Sind 10 EUR mehr wert als 19,50 DM? NC NC Man bildet zunächst ein Modell des Gegenstandsbereiches (Domäne) und prüft dann vor dem Hintergrund des Modells für interessierende Fakten deren Wahrheitswert (= Schlußfolgern). Experiment? Frage: Wie sieht das für die Problemklasse der Synthese aus? System (= Realität) v = 0 (Presse steht) Modellverhalten Modellbildung Systemverhalten Bemerkung: Numerische Simulation ist auch Schlußfolgern. VI-7 System, Model, and Deduction c STEIN 2003/04 VI-8 System, Model, and Deduction c STEIN 2003/04

23 Formale Verfahren zum Modellieren und Schlußfolgern Formale Verfahren zum Modellieren und Schlußfolgern In den Beispielen gibt es einen grundlegenden Schlußfolgerungsmechanismus. Dieser Schlußfolgerungsmechanismus ist unabhängig von Rahmenbedingungen, von der Art der Objekte, ihren Eigenschaften, dem Verhalten und ihren Abhängigkeiten, vom Beobachter oder Anwender des Mechanismus. Ansatz. Die Beschreibung des Wissens über ein System (Realität) geschieht formal, durch festgelegte Symbole. abstrakt, losgelöst von einer konkreten Situation. exakt, ohne unzulässigen Verallgemeinerungen. vollständig, kein zusätzliches Wissen erforderlich. Es regnet gerade. R Wenn es regnet, ist die Straße naß. R SN Bemerkung: Einhaltung der genannten Eigenschaften in vernünftigen Grenzen. VI-9 System, Model, and Deduction c STEIN 2003/04 VI-10 System, Model, and Deduction c STEIN 2003/04 Modellbildung Modellbildung Klassifikation von Modellen hinsichtlich ihrer Repräsentation: Model Ablauf der Top-Down-Modellbildung: Abstrakte Modelle werden auf weniger abstrakte Modelle abgebildet. Mental model Physical model Symbolic model System + Question Scale model Graphical model Iconic model Analogical model Mathematical model Verbal model High abstraction Mental model Structure model Interpretation of the concrete model in terms of the abstract model. Unter Modellbildung (Modellierung) versteht man den Prozeß, von einem System ein Modell zu erstellen. Hierzu gehören folgende Schritte: 1. Identifizierung der Systemgrenzen Black-Box-Modell 2. Identifizierung der Untersysteme und ihrer Beziehungen zueinander Strukturmodell 3. Charakterisierung von Relationen zwischen Variablen der Untersysteme Verhaltensmodell Low abstraction Behavior model Algorithmic model Computer model VI-11 System, Model, and Deduction c STEIN 2003/04 VI-12 System, Model, and Deduction c STEIN 2003/04

24 Systemraum und Modellraum Systemraum und Modellraum Ein Syntheseproblem zu lösen, bedeutet, Fragen bzgl. einer Menge von Systemen zu beantworten. Beispiele: Aus welchen Komponenten besteht eine Konfiguration, die alle Anforderungen erfüllt? Was ist der kürzeste Bauplan? Läßt sich die Anlage so verändern, daß sie nicht heiß wird? Ausweg: Synthese von Modellen für die interessierenden Systeme (Modellraum) und Suche nach einem geeigneten Modell. Suche Modell Analyse Ergebnis Um eine Antwort zu erhalten, kann man die Systeme bauen und mittels Experimenten ihre Eigenschaften analysieren. Modellraum Modellraumbildung Übertragung (Anwendung, Interpretation) System raum + Frage Konfigurierung, Entwurf System Analyse Ergebnis Interpretation Antwort System raum + Frage Konfigurierung, Entwurf System Analyse Ergebnis Interpretation Antwort Gegen diese Vorgehensweise spricht vieles. VI-13 System, Model, and Deduction c STEIN 2003/04 VI-14 System, Model, and Deduction c STEIN 2003/04 Systemraum und Modellraum Adäquate Modellierung Klassifikation von Modellräumen hinsichtlich ihrer Repräsentation: Model space Mental model space Physical model space Miniature lab Construction kit Symbolic model space CAE-system Virtual prototyping system Welches Modell ist geeignet für das interessierende System und die Analysefrage? Wie generiert man den Modellraum für den interessierenden Systemraum und die Synthesefrage? Wie spielen Modell, Modellraum und Problemlösungsmethoden zusammen? Notwendige Schritte zur Erzeugung eines Modellraums: Problemlösungsmethoden für Analyseaufgaben Problemlösungsmethoden für Syntheseaufgaben 1. Identifizierung von Systembausteinen Subsysteme statistische Diagnose Struktur- Generate und Test 2. Identifizierung von Konstruktionsprinzipien Systemraum 3. Abbildung der Systembausteine und Konstruktionsprinzipien auf Modellbausteine und Operatoren Modellraum (Suchraum) fallbasierte Diagnose assoziative Diagnose funktionsbas. Diagnose verhaltensbas. Diagnose Logik- modell Fehler- Verhaltens- Regel- Fuzzy- Vorschlagen & Verbessern fallbasierte Konfigurierung Assoziative Konfigurierung Ursache/ Wirkungs- Skelett- Konfigurierung VI-15 System, Model, and Deduction c STEIN 2003/04 VI-16 System, Model, and Deduction c STEIN 2003/04

25 NC Adäquate Modellierung Wieviel ist bekannt über das System? Black box Gray box White box Assoziative Modelle: statistische Verfahren, neuronale Netze, Modellidentifikation Input Output Black box Verhaltensbasierte Modelle: Zustandsraummodelle, Gleichungsmodelle, sonstige Constraints Input Output White box VI-17 System, Model, and Deduction c STEIN 2003/04 VI-18 System, Model, and Deduction c STEIN 2003/04 VI-19 System, Model, and Deduction c STEIN 2003/04 VI-20 System, Model, and Deduction c STEIN 2003/04