Künstliche Intelligenz Expertensysteme Wissensbasierte Systeme

Transkript

1 Künstliche Intelligenz Expertensysteme Wissensbasierte Systeme Referat Semester 2001/2002 Vorlesung Theoretische Informatik Fachhochschule Aachen Fachbereich Elektrotechnik Frank Moos Bohn Patrick Michael Reiher

2 Inhaltsverzeichnis Künstliche Intelligenz KI... Seite 03 Expertensystem EXS... Seite 03 Wissensbasierte Systeme KBS... Seite 03 Programmbeispiel... Seite 04 Anwendungen der KI... Seite 06 Verarbeitung natürlicher Sprache... Seite 06 Bildverarbeitung... Seite 07 Robotik... Seite 08 Merkmale von Expertensystemen... Seite 09 Eigenschaften von Experten und EXS... Seite 09 Komponenten eines EXS... Seite 10 Darstellung und Auswertung des Wissens... Seite 11 Semantische Netze... Seite 12 Objektorientierte Wissensrepräsentation... Seite 13 Frames... Seite 14 Literaturverzeichnis... Seite 15 2

3 Ein Fachgebiet der Informationstechnik ist die Nachbildung des menschlichen Verhaltens beziehungsweise der Versuch Intelligenz nachzubilden. Computeranwendungen die Wissen speichern, verarbeiten und sich intelligent verhalten, nennt man Künstliche Intelligenz. Zwei wesendliche Ziele werden derzeit auf diesem Fachgebiet verfolgt. Künstliche Intelligenz soll Menschen bei der Problembewältigung unterstützen (technische Wissenschaft). Das Problemlösungsverhalten von Menschen besser verstehen zu lernen (Geisteswissenschaften). Im Anschluss befinden sich Begriffserläuterungen zur Künstlichen Intelligenz. In einem Beispielprogramm wird der Unterschied zwischen einem Wissens- und Expertensystemen erläutert. Künstliche Intelligenz KI Versuch mit Programmen die Funktionen des menschlichen Gehirns (Verhalten, Verstand) nachzubilden. Aufgrund weitgehender Erfolglosigkeit dieser Arbeiten ging man dazu über, KI Programme für stark eingeschränkte Wissensbereiche zu entwickeln, sogenannte Expertensysteme. Expertensystem EXS Expertensysteme lösen Probleme wie Experten auf einem eng definierten Problemkreis, ihrem eigenen Fachbereich (Kompetenzbereich) überdurchschnittlich effizient. EXS sind jedoch genau wie Experten nicht unfehlbar! Wissensbasierte Systeme KBS Ein KBS ist ein Softwaresystem, bei dem das Fachwissen über ein Anwendungsgebiet unabhängig vom allgemeinen Problemlösungswissen und vom Wissen über die spezifische Systemimplementation dargestellt ist. KI-Programme KBS EXS Einordnung von Expertensystemen 3

4 Programmbeispiel // Programm zur Funktionsweise von Wissensystemen und Expertensystemen. // (c) Bohn Partick, Moos Frank, Reiher Michael // Es sollen zwei Zahlen eingegeben und Multipliziert werden. // Im Wissensystem wird zur Lösung des Problems eine "Wissenstabelle" durchsucht. // Expertensysteme Lösen dieses Problem durch ein zuvor beigebrachen Verfahlen (Formel). // Einbinden der Header Files #include <stdio.h> #include <stdlib.h> #include <string.h> #include <conio.h> // Neuen Variablentyp erstellen, der unsere Daten des Wissensystems Speichern kann typedef struct { char zeichen[4]; int Erg; }tabelle; // Funktionsprototypen int KBS(int zahl1, int zahl2); int EXS(int zahl1, int zahl2); // Hauptprogramm inkl. des Menus int main (void) { int Auswahl, x, y, Fehler=0; do{ system("cls"); printf("einlesen der Werte, die multipliziert werden sollen:\n\n"); printf("wert 1: "); scanf("%d", &x); printf("wert 2: "); scanf("%d", &y); printf("\n\n(1) Wissenbasiertes System\n"); printf("(2) Expertensystem\n"); printf("(0) ENDE\n"); Auswahl=getch(); switch(auswahl) { case '1': Fehler=KBS(x, y);getch(); break; case '2': Fehler=EXS(x, y);getch(); break; } // Wenn keine Lösung oder Fehler, dann Ausgabe: if(fehler){ printf("\n\ndas gewaehlte System konnte keine Loesung finden!\n\n"); getch(); } }while(auswahl!='0'); return 0; } // Funktion des Expertensystems // Lösung anhand eines zuvor beigebrachten Verfahrens int EXS(int zahl1, int zahl2) { int i,wert=0; 4

5 } printf("\nberechnung des Ergebnis mittels Rechenregel:\n\n"); for (i=1; i<=zahl1; i++) { if (i<zahl1) printf("%d + ", zahl2); else printf("%d ", zahl2); wert=wert+zahl2; } printf("= %d\n\n\n", wert); return 0; // Funktion des Wissenssystems // Hierbei wird in einem zuvor angelegten "Wissen" nachgeschaut. // Suchalgorithmen spielen hierbei eine grosse Rolle! int KBS(int zahl1, int zahl2) { tabelle tab[10]; int i; char multi[4]; // "Wissen" tab[1].zeichen[0]='1'; tab[1].zeichen[1]='*'; tab[1].zeichen[2]='1'; tab[1].zeichen[3]='\0'; tab[1].erg=1; tab[2].zeichen[0]='2'; tab[2].zeichen[1]='*'; tab[2].zeichen[2]='2'; tab[2].zeichen[3]='\0'; tab[2].erg=4; tab[3].zeichen[0]='3'; tab[3].zeichen[1]='*'; tab[3].zeichen[2]='3'; tab[3].zeichen[3]='\0'; tab[3].erg=9; tab[4].zeichen[0]='4'; tab[4].zeichen[1]='*'; tab[4].zeichen[2]='4'; tab[4].zeichen[3]='\0'; tab[4].erg=16; tab[5].zeichen[0]='5'; tab[5].zeichen[1]='*'; tab[5].zeichen[2]='5'; tab[5].zeichen[3]='\0'; tab[5].erg=25; tab[6].zeichen[0]='6'; tab[6].zeichen[1]='*'; tab[6].zeichen[2]='6'; tab[6].zeichen[3]='\0'; tab[6].erg=36; tab[7].zeichen[0]='7'; tab[7].zeichen[1]='*'; tab[7].zeichen[2]='7'; tab[7].zeichen[3]='\0'; tab[7].erg=49; tab[8].zeichen[0]='8'; tab[8].zeichen[1]='*'; tab[8].zeichen[2]='8'; tab[8].zeichen[3]='\0'; tab[8].erg=64; tab[9].zeichen[0]='9'; tab[9].zeichen[1]='*'; tab[9].zeichen[2]='9'; tab[9].zeichen[3]='\0'; tab[9].erg=81; // Zahlen in Zeichenketten umwandeln. multi[0]=zahl1+48; multi[1]='*'; multi[2]=zahl2+48; multi[3]='\0'; // Suchen und ausgeben der aktuell durchsuchten Zeichenkette. printf("\ndie zu suchende Zeichenkette: %s\n", multi); } for(i=1;i<=9;i++) { printf("\ndie Tabelle wird nach %s durchsucht...", tab[i].zeichen); if(strcmp((tab[i].zeichen),multi)==0) { printf("\neintrag gefunden!\n"); printf("\nloesung: %d\n\n", tab[i].erg); return 0; } } return 1; 5

6 Anwendungen der KI In den folgenden Bereichen findet die Künstliche Intelligenz Anwendung. 1. Folgerungssysteme und Automatische Programmierung 2. KI Sprachen 3. Expertensysteme 4. Intelligent Computer Aided Instruction ICAI 5. Verarbeitung natürlicher Sprache 6. Bildverarbeitung / Bild erkennen Bild verstehen 7. Robotik Auf die letzten drei Punkte der Aufzählung werden wir auf den nun folgenden Seiten, auch anhand einiger Beispiele genauer eingehen. Beispiel 1: Verarbeitung natürlicher Sprache Die Verarbeitung von Sprache ist eines der komplexesten Phänomene menschlicher Intelligenz überhaupt und ist daher ein Schlüsselgebiet der KI. In der 1. Phase werden mittels Signalanalyse, Segmentierung und anschließender lexikalischer und morphologischer Analyse aus geschriebenem bzw. gesprochenen Wörtern computerlesbare Daten. Eine Texterkennungssoftware, die dies bei geschriebenem Text leistet, gehört heutzutage zur Standardsoftware eines Scanners. In der 2. Phase werden die eingelesen Sätze anhand einer Syntax auf deren grammatikalische Korrektheit überprüft. Der Satz >Hans isst Liebe< wäre nach dieser Überprüfung syntaktisch korrekt. In der nächsten Phase wird ein syntaktisch korrekter Satz semantisch analysiert, damit unsinnige Sätze erkannt werden. Die Semantik eines Wortes besteht zunächst aus der Bedeutung, die im Lexikon mit dem Wort abgespeichert ist. Eine starke Semantik erhält ein Wort erst aus dem Zusammenhang mit anderen Wörtern. Die semantische Auflösung des Beispiels >Hans isst Liebe< ergibt die Aktion >essen< und als deren Objekt >Liebe<, was einen logischen Fehler bedeutet. Der Satz >Hans isst Salat< weist die gleiche syntaktische Struktur auf, ist aber zudem auch semantisch korrekt. 6

7 Beispiel 2: Bildverarbeitung Die Bildverarbeitung beinhaltet viele sehr komplexe Prozesse. Sie sind viel aufwendiger als das Führen von mathematischen Beweisen. Beim Menschen sind diese Prozesse sozusagen hart verdrahtet in der biologischen Hardware und werden nicht bewusst erlebt. Die vier verschiedenen Leistungsstufen 1. Bilddarstellung Pixel, Helligkeit, Farbe 2. Segmentierung Konturen erkennen; Was gehört zusammen? Wo beginnt etwas Neues? Wo endet etwas? 3. Objekterkennung (Mustervergleich) Mit welchen in der Wissensbasis vorhandenen Objekten können bestimmte Konturen am ehesten identifiziert werden? (Beispiel OCR Schrifterkennungsprogramme) 4. Szenenanalyse In welcher Beziehung stehen die Objekte? (Beispiel Kegel steht auf Würfel. Mann steht vor der Türe.) rein algorithmisch möglich erfordern Wissen (verdeckte Teile, Beleuchtungsverhältnis, Schatten, Perspektiven, bewegte Bilder) Die ersten beiden Punkte der Aufzählung sind rein algorithmisch lösbar und werden auch von den meisten Bildbearbeitungsprogrammen auf dem heutigen Markt beherrscht. Funktionen wären zum Beispiel das Kopieren von Pixel oder das Aufhellen eines Bildes. Um Konturen an einem Bild zu erkennen muss das Programm erkennen, wo etwas beginnt oder endet. Nur so sind beispielsweise die Stärkelinien in einem Bild zu erkennen. Sehr viel schwerer ist die Objekterkennung. Hierzu muss schon eine Wissensbasis mit vorhandenen Objekten bestehen. Mit Hilfe mathematischer Formeln und geeigneter Algorithmen müssen viele Vergleiche durchgeführt werden. Ein Beispiel hierzu wäre eine scheinbar einfache Schriftenerkennung. Hierbei wird der eingelesene Text (noch in Bild-/ Pixelform) mit dem im Rechner vorhandenen Wissen verglichen. Als letzten Punkt haben wir die Szenenanalyse aufgeführt. Hierbei ist nicht nur das Wissen Voraussetzung, sondern die Bilder müssen vom Rechner noch interpretiert werden. Es wird beispielsweise erkannt, wenn ein Kegel auf einem Würfel steht. Eine weitere Aussage könnte beispielsweise Mann steht vor der Türe. lauten. Entfernt sind wir noch von der Interpretation von bewegten Bildern. Hierzu möchten wir ein letztes Beispiel nennen. Es wäre also möglich einen Rechner mit dem Ansehen eines Filmes zu beauftragen. Danach könnten wir uns die vom Rechner erstellte Zusammenfassung durchlesen. 7

8 Beispiel 3: Robotik Bisherige Industrieroboter werden programmiert In Zukunft werden KI-Roboter eingesetzt, die nicht programmiert, sondern trainiert werden Bis heute werden die Industrieroboter programmiert und sind somit nicht in der Lage ihre Fähigkeiten zu erweitern oder zu verbessern. Doch dank der KI-Roboter, wird dies wohl bald zur Vergangenheit gehören, denn die KI-Roboter müssen dann nicht mehr programmiert werden, sondern trainiert, d.h. sie lernen, genau wie ein Mensch diese Tätigkeit lernen müsste. Und genau wie der Mensch, machen auch KI-Roboter Fehler während ihres Lernprozesses, allerdings machen sie mit der Zeit immer weniger Fehler. Was besonders wichtig und interessant ist, ist, dass bei einem KI-Roboter, im Gegensatz zum Menschen, die Fehlerrate für eine gleichbleibende Aufgabe stetig abnimmt, und niemals wieder zunimmt. Beispiel Ein KI-Roboter der am Fließband arbeitet, muss also nicht darauf programmiert werden wo er ein Paket aufheben muss, sondern er bringt es sich selber bei indem er ständig versucht, meist mittels Sensoren, ein Paket vom Fließband aufzuheben. Bei dem Versuch das Paket zu finden und aufzuheben, wird der KI-Roboter oft ins Leere fassen, doch niemals zweimal an dieselbe Stelle. Wenn er schließlich das Paket findet, kann er es beiseite legen. Anschließend wird der KI-Roboter nie mehr danebenfassen, solange seine Aufgabe gleich bleibt, d.h. sich der Ort oder die Größe des Pakets nicht ändert. Wenn das doch der Fall sein sollte, muss der Lernprozess einfach wiederholt werden. 8

9 Merkmale von Expertensystemen verwenden KI Methoden, z.b. können sie Folgerungen ziehen und enthalten eine explizite Wissensdarstellung. verwenden Heuristiken, d.h. Regeln, die Experten aus ihrer eigenen Erfahrung als brauchbar einstufen. können Schlussfolgerungen, d.h. Lösungen (Antworten) erklären(begründen). können einfach mit neuem Wissen ergänzt werden. lösen Probleme nicht nach vorgezeichneten Lösungswegen sondern wie ein Experte, d.h. durch die Anwendung bestimmter Regeln, Verifizierung von Hypothesen und durch das Einholen fehlender Informationen. dadurch können EXS völlig anderen Anforderungen gerecht werden als konventionelle Programme Eigenschaften von Experten und EXS In der unten aufgeführten Tabelle sind Unterschiede zwischen einem Expertensystem und einem Experten. EXS Spezialwissen enge Fachkompetenz Experte Spezialwissen enge Fachkompetenz + gesunder Menschenverstand hilft weiter wo das Spezialwissen endet weiss nicht, was es nicht weiss weiss, was er nicht weiss weiss, wie gut er es weiss, hat Selbsteinschätzung, kann Regeln brechen ahnt, was andere Experten wissen / meinen (Expertenstreit) Gegenüberstellung eines Expertensystems und eines Experten 9

10 Komponenten eines EXS Grundsätzlich besteht ein Expertensystem aus den folgenden Komponenten. Wissensaquisitionskomponente Problemlösungskomponente Dialogkomponente Erklärungskomponente Komponenten eines Expertensystems Wissensbasis Wissensaquisitionskomponente Einbringen, Verändern oder Löschen von Wissenskomponenten. Die meisten Expertensysteme verfügen nicht über solche Komponenten. Sie stellen für diesen Zweck spezielle Editoren für die vom System vorgesehene Wissensdarstellung vor. Beispiele: Regel-, Objekt-, Attribut- und Funktionseditoren Dialogkomponente Dient als Schnittstelle zwischen dem Menschen und dem EXS. Die systemintere Wissensdarstellung ist im Allgemeinen zu abstrakt als dass sie für den Standardanwender verständlich wäre. Darum müssen Fragen und Antworten entweder in natürlicher Sprache oder in anwendungsorientierten Masken über eine Dialogschnittstelle erfolgen. Problemlösungskomponenten Das neue Wissen wird ausgehend von einer gestellten Hypothese ausgewertet, indem von einander abhängige Wissenselemente nach einer bestimmten Abarbeitungsstrategie (Kombination) angesteuert und überprüft werden. Die Abarbeitungsstrategie kann dynamisch, d.h. in Abhängigkeit von Ereignissen gesteuert werden. Man spricht dann auch von Kontrollstrategien. Erklärungskomponente Sie ist für Expertensysteme eine typische und wichtige Komponente die in klassischen Computeranwendungen fehlt. Sie gibt darüber Aufschluss, wie eine Lösung gefunden wurde. Im einsetzbaren Expertensystem fördert Sie das Vertrauen der Anwender in die vorgeschlagen Lösungen. Wissensbasis Enthält das Fachwissen des / der Experten über das Anwendungsgebiet Für die Darstellung des Fachwissens existieren verschiedene Methoden der Wissensrepräsentation (später in Rahmen, Objekten usw. erklärt). 10

11 Darstellung und Auswertung des Wissens Um das Wissen später auswerten zu können ist eine gut überlegte und konsequente durchgesetzte Speicherung notwendig. Semantische Netze Objektorientierte Wissenspräsentation Frames Logik Regelbasierte Wissenspräsentation Auf die Darstellung/ Speicherung in Semantischen Netzen, objektorientierte Wissenspräsentation und in Frames möchten wir nun noch einmal genauer eingehen. 11

12 Beispiel 1: Semantische Netze Ein Semantisches Netz ist ein Graph bestehend aus einer Menge von Knoten und Kanten. Die Kanten von Graphen können gerichtet sein. In semantischen Netzen wird das Wissen netzwerkartig, d.h. in Baumstruktur dargestellt. Knoten Sie stellen beliebige Sachverhalte dar, wie z.b. Objekte, Ereignisse, usw. Kanten Sie dienen dazu die Beziehungen zwischen den Knoten herzustellen Am einfachsten lässt sich dies an der...ist ein... und...hat... Beziehung erklären. Die...ist ein... Beziehung dient z.b. zur Unter- bzw. Zuordnung eines Begriffes zu einem Oberbegriff. Die...hat... Beziehungen hingegen dient dazu einem Objekt Eigenschaften oder andere Objekte zuzuordnen. Diese Beziehungen werden am folgenden Beispiel gut erklärt: Beispiel eines semantischen Netzes Diese Art der Wissensdarstellung erlaubt eine einfache Verwaltung der Informationen, da die Teile ohne Informationswert bei dieser Verwaltung weggelassen werden können,und sie bietet zudem noch freie Hand zur Einrichtung von Vererbungsmechanismen entlang der gerichteten Beziehungen. So können bestimmte Eigenschaften oder Fähigkeiten an übergeordneter Stelle vereinbart werden, und sämtliche, in Pfeilrichtung nachgelagerten Knoten können diese bei Bedarf erben, bzw. konsultieren. 12

13 Beispiel 2: Objektorientierte Wissenspräsentation Objektorientierte Wissenspräsentation lehnt sich an die objektorientierte Programmierung an: Dort wurde das Objekt als Verallgemeinerung des abstrakten Datentyps erfunden: Im Prinzip handelt es sich bei Objekten um streng verkapselte Datenstrukturen. Objekte kommunizieren untereinander durch Mitteilungen, die beim Adressaten etwas auslösen. Was eine Mitteilung konkret auslöst, hängt einerseits von den mitgelieferten genaueren Angaben ab (spezifizierten Parametern) und andererseits von der Weise, wie das Empfängerobjekt die Mitteilung interpretiert. Für die Interpretation verfügt jedes Objekt über Methoden (Prozeduren). Dies können eigene, nur ihm selbst bekannte Methoden sein, oder aber Methoden, welche von Übergeordneten geerbt werden. Grundlegend für das Verständnis eines objektorientierten Systems sind die Begriffe Klasse und Instanz. Klasse mit 3 Attributen und 2 Methoden Eine Klasse kann als Schablone für ein Objekt aufgefasst werden. Die Klasse steht für ein abstraktes Grundmuster, nach dem Objekte erzeugt werden können. Sie definiert die Merkmale und das Verhalten (die Fähigkeiten) der zu der Klasse gehörenden Objekte. Die einzelnen Ausprägungen einer Klasse nennt man Instanzen. Sie werden in einem gesonderten Vorgang, der Instanzierung, erzeugt. Instanzen erhalten grundsätzlich die gleichen Merkmale (Attribute) und Fähigkeiten (Methoden) wie die Klasse. Zu einer Klasse können Unterklassen gebildet werden. Sie erben von der übergeordneten Klasse deren Merkmale und Fähigkeiten. Auf diese Weise können ganze Hierarchien von Klassen entstehen. Innerhalb einer zusammenhängenden Hierarchie kann von oben nach unten vererbt werden. Dies verringert die Redundanz in der Wissensdarstellung, da gleiche (gemeinsame) Merkmale oder Fähigkeiten nicht bei jeder Instanz, sondern nur bei einer der übergeordneten Klassen gespeichert und verwaltet werden müssen. 13

14 Beispiel 3: Frames (Rahmen) Eine spezielle Form der objektorientierten Wissensdarstellung sind die Frames. Bei den Frames wurde im Gegensatz zum Objekt auf die Kapselung verzichtet. Die in einem Frame definierten Datenelemente haben also globalen Charakter! Frames sind, wiederum im Gegensatz zu Objekten stärker strukturiert: Die Methoden sind den Attributen zugeordnet und bilden zusammen mit diesen so genannte Slots. Ein Slot beschreibt den Zustand eines Attributs sowie die Prozedur, die besagt, was zu geschehen hat, falls das Attribut einen neuen Wert zugewiesen erhält, falls sein Wert gelöscht wird oder falls sein Wert abgefragt (benötigt, gelesen) wird. Alle Slots eines Frames zusammen eignen sich deshalb vorzüglich zur Beschreibung einer Szene beziehungsweise von Szenenwechseln. Da auch zu jedem Frame Prozeduren vereinbart werden können, die beschreiben, was beim Betreten und Verlassen des Frames zu geschehen hat, eignen sich Frames zur regieartigen Wissensdarstellung von komplexen Prozessen. Im Gegensatz zur Regie von Filmen oder Theaterstücken lässt die Regie mittels Frames viel mehr Freiraum für den Handlungsablauf offen. Struktur eines Frames Frames können wie im objektorientierten Ansatz Frameklassen bilden, Frameklassen können in eine Klassenhierarchie eingeordnet werden, innerhalb derer Slots vererbt werden. In jeder Frameklasse können beliebig viele Frame Instanzen erzeugt werden. Sie beschreiben Handlungen und Situationen einer Szene, der Aufruf einer Instanz eines anderen Frames zu einem Szenenwechsel. Frames können auch als Darstellungsform für die Knoten in semantischen Netzen gebraucht werden. Kaufvertrag1 Firmen Produkt Datum Eifel-Online PC1 ist ein Preis FH Aachen IBM PC DM Beispiel für ein Frame/ Subframe Vor- und Nachteile der Frames + Frames werden in Zukunft eine bedeutende Rolle in der Wissensverarbeitung spielen + Erlauben eine vielseitige Präsentation von Wissen (aus diesem Grunde Komplex) - Frames werden schnell sehr komplex - schwierig zu entwickeln (Programmierung in LISP/ PROLOG) 14

15 Literaturverzeichnis Künstliche Intelligenz Allgemeine Prinzipien und Modelle B.I. Taschen Buch Verlag Künstliche Intelligenz und Expertensysteme R. Oldenbourg Verlag Künstliche Intelligenz Einführung und technische Anwendung Wissenssysteme Verlag Technik Berlin KI/ Expertensysteme Konzepte- Entwicklung- Anwendung SYBEX Verlad Praxis der Digitalen Bildverarbeitung und Mustererkennung HANSER Verlag 15