8 Einführung in Expertensysteme

Transkript

1 8 Einführung in Expertensysteme 24. Vorlesung: Problemlösungsmethoden in Expertensystemen Problemklassen: abstrakte Zusammenfassung von Aufgabenstellungen, die sich in Bezug auf die Natur des Problemlöseprozesses ähneln, etwa: # Klassifikation (Diagnose) # Konstruktion # Simulation (können feiner unterteilt sein) Problemlösungsmethoden: zu den Klassen passende Techniken und algorithmische Vorgehensweisen schwache, z.b. Regeln mit Vorwärtsverkettung (weniger interessant) starke (zwar weniger flexibel, aber mit wenig Aufwand für ein konkretes System umsetzbar)! "

2 Problembereich: explizit gegebene Mengen von Problemmerkmalen (Symptomen) und Problemlösungen (Diagnosen) und typischerweise unsicherem Wissen über Beziehungen zwischen Symptomen und Diagnosen Diagnoseproblem: Teilmenge der Symptome Lösung: Eine oder mehrere Diagnosen Teilaufgabe: Bestimmen, ob und welche zusätzlichen Symptome ggfs. anzufordern sind, um die Lösungsqualität zu verbessern! " % Diagnostik? Problemmerkmale Problemmerkmale Problemlösungen Problemlösungen Konstruktion? aus Komponenten zusammen- Anforderungen aus Komponenten zusammen- Anforderungen gesetztes Lösungsobjekt gesetztes Lösungsobjekt! "

3 1. Wie stellt man fest, ob ein Problembereich ein Diagnosebereich ist? Versuche, Symptome und Diagnosen aufzuzählen. 2. Wenn ein Bereich als Diagnosebereich erkannt ist: günstig, Standardvorgehensweisen sind vorhanden. 3. Praktische Erfolge von Diagnosesystemen fast ausschließlich im technischen Bereich; medizinische Systeme mit wenigen Ausnahmen Demonstrationsprototypen geblieben.! " ( Medizinische Diagnostik Technische Diagnostik Qualitätskontrolle (z.b. auf Prüfständen) Reparaturdiagnostik (Autos, Computer, Kraftwerke...) Prozeßdiagnostik und -überwachung (z.b. in der Fertigung) Objekterkennung z.b. Pilzbestimmung! " )

4 Typisch für die Diagnostik ist abduktives Schließen: Wenn eine Diagnose D das Symptom S verursacht und S wird beobachtet, dann ist D eine mögliche Erklärung für S. Deduktion D -> S D S Abduktion D -> S S D! " * (betrunken?person) (torkeln?person) (torkeln Hans) (betrunken Hans) Idee: Finde Erklärung (Ursache) für eine Beobachtung. Es könnte mehrere geben. Abduktion ist nur plausible Inferenz. kann schief gehen: (auf_station5?patient) (hat_krebs?patient) Grundlage für Abduktionsschluß: (verursachen?x?y)?y?x (hat_krebs Eliza) (auf_station5 Eliza) Kausalität und log. Implikation modelliert keinen Kausalzusammenhang. sind nicht dasselbe!! " +

5 betreffen: (A) Wissensrepräsentation (B) Kontrollstrategien (C) Probabilistische Diagnosebewertung! ", Universelles Prinzip: Übernahme der Fachterminologie des Anwendungsbereichs In der Diagnostik reflektieren die verwendeten Fachbegriffe eine kontinuierliche Verdichtung von Rohdaten zu Enddiagnosen über den diagnostischen Mittelbau. Zwei Phasen: Datenvorverarbeitung diagnostische Auswertung! " -.

6 Rohdaten werden zu einfachen Symptominterpretationen aufbereitet: arithmetische Berechnungen (z.b. KfZ-Jahreskilometerleistung = km-stand geteilt durch KfZ-Alter in Jahren) Abstraktion von quantitativen zu qualitativen Werten (z.b. Puls über 90 > Tachykardie; Einteilung von Meßwerten in zu niedrig, normal, zu hoch Zusammenfassung von Einzelbeobachtungen zu lokalen Symptomtypen (z.b. Typisierung von Aspekten des Brustschmerzes zu herzbedingter oder lungenbedingter Brustschmerz! " - - Datenvorverarbeitung diagnostische Auswertung Rohdaten einfache Symptominterpretation Grobdiagnosen Enddiagnosen! " -

7 KfZ- Bereich Rohdaten Symptominterpretation Grobdiagnose Enddiagnose Benzinverbrauch = 10 l/100km typspezifischer Verbrauch zu hoch Verbrennung suboptimal Leerlaufsystem zu fett eingestellt Medizinischer Bereich Rohdaten Puls = 100, Blutdruck = 80/60 Symptom- hoher Schockindex interpretation Grobdiagnose Kreislaufschock Enddiagnose Kreislaufschock d. Flüssigkeitsverlust! " - % Geflechte von Zwischendiagnosen ermöglichen eine schrittweise Verfeinerung allg. Diagnoseklassen. Drei Typen: Strenge Hierarchie zu einer Diagnose führt genau ein Pfad Heterarchie mehrere Pfade können zu einer Diagnose führen Netzwerk zirkuläre Pfade vermeiden die Beschränkung, daß eine Diagnose vor einer anderen etabliert sein muß; die zuerst etablierte kann Verdacht auf die andere verstärken.! " -

8 (Quelle: Puppe)! " - ( Viele Gebiete sind schlecht hierarchisch strukturierbar, da mehrere diagnostisch relevante Einteilungen vorliegen. z.b. Maschinendiagnose # defekte Bauteilgruppen # Funktionsausfälle z.b. medizinische Diagnose # anatomische # physiologische # ätiologische # zeitliche # symptomatische Einteilungen Hierarchien sind gut mit der Establish-Refine-Strategie, Heterarchien weit besser mit der Hypothesize-and-Test-Strategie auswertbar (erfordert zusätzlich Wissen zur Verdachtsgenerierung).! " - )

9 Vorwärtsverkettung # ausgehend von den eingegebenen Symptomen alle anwendbaren Regeln auswerten (Symptomerfassung separat zu steuern) Rückwärtsverkettung # ausgehend vom Ziel (z.b. Infektionsursache finden) alle Regeln auswerten, die zum Erreichen des Ziels beitragen; unbekannte Rohdaten ggfs. erfragen. Establish-Refine # (strenge Diagnosehierarchien) Zunächst eine Diagnoseklasse durch Rückwärtsverkettung bestätigen, dann verfeinern (d.h. Nachfolger bestätigen). Hypothesize-and-Test # aus eingegebenen Symptomen durch Vorwärtsverkettung Verdachtsdiagnosen generieren (Hypothesen), die dann gezielt durch Rückwärtsverkettung überprüft werden (Test).! " - * Eingabe: Symptome Ausgabe: geordnete Liste von Diagnosen 1. Für jedes neue Symptom S tue: 2. Addiere alle mit S assoziierten Diagnosen zur Liste der aktiven Diagnosen; 3. Bewerte die Diagnosen; 4. Ordne die Diagnosen; 5. Frage nach einem unbekannten Symptom der höchstbewerteten Diagnose; falls es eins gibt: gehe zu 1; 6. Sonst gib die aktuelle Liste der Diagnosen als Ergebnis aus.! " - +

10 Anfangsbeschwerden Anforderung zusätzlicher Symptome Standarduntersuchungen Verdachtsgegerierung Verdachtsüberprüfung Differentialdiagnostik! " -, Problem (häufig!): Behandlung unsicheren Wissens Statistische Diagnostik Symptom-Diagnose-Tabellen durch statistische Auswertung großer Mengen von Falldaten Verknüpfen z.b. nach Bayes Fallbasierte Diagnostik Behandlung neuer Fälle durch Vergleich mit Falldatenbank Zusatzwissen über "Ähnlichkeit" von Fällen erforderlich Kausale Diagnostik Erklärung beobachteter Symptome in einem vorgegebenen Modell Heuristische Diagnostik geschätzte Symptom-Diagnose- Wahrscheinlichkeiten flexible Berücksichtigung von Symptomkombinationen, Ausnahmen etc. Funktionale Modelle beschreiben Normalverhalten eines gesamten Systems stellen Fehler als Änderungen im Modell dar Sicheres Wissen verfügbar: Entscheidungsbäume und Entscheidungstabellen Fehlermodelle Explizite Beschreibung (nur) der möglichen Fehlerzustände Einordnung durch Regeln! ".

11 Die heuristische Diagnostik basiert auf von Experten geschätzten Diagnosebewertungen. Diagnosen werden nach ihrer akkumulierten Evidenz bewertet. Bei der kausalen Diagnostik ist die Qualität der Erklärung maßgebend. Eine Diagnose ist konsistent, wenn alle beobachteten Symptome aus ihr abgeleitet werden können.! " - Problem: Nur in idealen Fällen stimmt die tatsächlich beobachte und die von der Diagnose erwartete Symptomatik überein. Deshalb normalerweise: Grad der Übereinstimmung abschätzen Pro: erwartete und beobachtete Symptome sprechen für die Diagnose Kontra: erwartete, aber nicht beobachtete Symptome schwächen den Verdacht ab. Erklärungswert: nicht erwartete, aber beobachtete Symptome sprechen ebenfalls gegen die Diagnose (bzw. deuten auf zusätzliche Diagnosen)! "

12 (Quelle: Puppe)! " % als Überblickstext siehe in Görz, Einführung in die Künstliche Intelligenz, Kapitel ausführlicher in Puppe, Einführung in Expertensysteme, Kapitel 10! "