Problemklassen. Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt.

Transkript

1 Problemklassen Diagnostik (Klassifikation): Die Lösung wird aus einer Menge vorgegebener Alternativen ausgewählt. Konstruktion: Die Lösung wird aus einer Menge vorgegebener Bausteine zusammengesetzt. Simulation: Aus einem Simulationsmodell und einem Ausgangszustand werden Folgezustände hergeleitet. Bezug der Problemklassen zu den Wissensrepräsentationen: Diagnostik Konstruktion Simulation probabilistisches Schließen Regeln objektorientierte Darstellungen nicht-monotones Schließen temporales Schließen Constraints 1

2 Problemklasse Klassifikation 1. Problembereich besteht aus: Problemmerkmalen (Symptome) Problemlösungen (Diagnosen) Wissen über Beziehungen dazwischen 2. Problem: eventuell unvollständige Teilmenge der Symptome 3. Ergebnis: Auswahl von Diagnosen 4. Hilfsmittel: falls notwendig, Anforderung weiterer Symptome? Problemmerkmale Problemlösungen 2

3 Diagnostische Problemtypen statische Fehlersuche dynamische Fehlersuche Bewertung Multiple Bewertung Präzedenzauswahl Objektidentifikation 3

4 Problemeigenschaften Unsicheres Wissen Unzuverlässige Merkmale - Unsichere Merkmale - Subjektive (veränderliche) Merkmale - Falsche Merkmale Zeitveränderliche Merkmale Unvollständige Merkmalsangabe Dialogsteuerung Rücknahme von Schlußfolgerungen Schrittweise Abstraktion (diagnostischer Mittelbau) Parametrisierbare Merkmale und Lösungen Mehrfachlösungen Kombinierte Empfehlungen für mehrere Lösungen Variantenvielfalt 4

5 Basis-Problemlösungsmethoden Vorwärtsverkettung Rückwärtsverkettung Establish-Refine: Krankheit Tumor Infektion Autoimmunerkrankung... Viren Bakterien Pilze bakterielle Blutinfektion Meningitis... Hypothesize-and-Test: Merkmale Anforderung zusätzlicher Merkmale Hypothesen Verdachtsgenerierung Verdachtsüberprüfung Lösungen 5

6 Wissensarten zur Klassifikation Sichere Klassifikation Entscheidungsbäume Klassifikation mit sicherem Merkmal->Lösung-Wissen Entscheidungstabellen Klassifikation mit sicherem Merkmal->Lösung-Wissen und vorgegebenen Merkmalen Heuristische Klassifikation Klassifikation mit Merkmal->Lösung- Wissen Überdeckende Klassifikation Klassifikation mit Lösung->Merkmal-Wissen Klassifikation Modellbasierte Klassifikation Funktionale Klassifikation Klassifikation mit funktionalem Modell des Normal- und Fehlverhaltens eines Systems Statistische Klassifikation Klassifikation mit Wissen aus repräsentativen Fallsammlungen Verhaltensbasierte Klassifikation Klassifikation mit strukturellem Modell des Systems Neuronale Klassifikation Klassifikation mit Neuronalen Netzen Fallbasierte Klassifikation Klassifikation mit Fallsammlungen und Zusatzwissen für Ähnlichkeitsvergleich 6

7 Entscheidungsbäume ja Frage-1 nein ja Frage-2 nein ja Frage-5 nein Diagnose-3 Diagnose-1 ja Frage-3 nein anderer Entscheidungsbaum ja Frage-4 nein Diagnose

8 Entscheidungstabelle Entscheidungstabelle-1 Frage-1 Frage-2 Frage-3 Frage-4 Frage-5 Diagnose-1 Diagnose-2 Diagnose-3 Entscheidungstabelle-2 Regel-1 Regel-2 Regel-3 Regel-4 Regel-5 = ja = nein leer = nicht relevant 8

9 1. Unsicherheiten Heuristische Klassifikation 60% 30% 80% 50% 10% 45% Problemmerkmale Problemlösungen 2. Diagnostischer Mittelbau Merkmalsvorverarbeitung diagnostische Auswertung Merkmale einfache Merkmalsabstraktionen Diagnosen Lösungsklassen Rohdaten Lösungen 3. Typen von Lösungshierarchien strenge Hierarchie: Ein Nachfolger hat höchstens einen Vorgänger. multiple Heterarchie: Ein Nachfolger kann mehrere Vorgänger haben, aber es existieren keine Schleifen. Netzwerk: Heterarchie mit Schleifen. 9

10 Heuristische Wissensformalisierungsmuster 1. Heuristische Entscheidungsbäume 2. Diagnosescores 3. Heuristische Entscheidungstabellen 10

11 Heuristische Entscheidungsbäume Zweck, Anwendbarkeit Zweck Erweitere Entscheidungsbäume zur Fehlersuche oder für ähnliche Problemklassen, so dass sie auch bei teilweise unvollständigen Daten und unsicherem Wissen Lösungen vorschlagen können. Anwendbarkeit Allgemeine Eignung von Entscheidungsbäumen: Es kommt bei der Problemlösung hauptsächlich darauf an, die richtigen Fragen in der richtigen (ökonomischen) Reihenfolge zu stellen, aus deren Antworten die Lösung im allgemeinen direkt hergeleitet wird. Erweiterte Eignung von heuristischen Entscheidungsbäumen: - Einige Fragen können mit unbekannt beantwortet werden. - Teile des Wissens können unsicher sein. - Das Anwendungsgebiet darf groß sein, wenn es modularisierbar ist. Schlechte Eignung: - Mehrfachlösungen (keine Single Fault Assumption) - Verknüpfung vieler vieldeutiger Merkmale erforderlich 11

12 HEB: Beispiel (Baumerkennung) Eingangsuntersuchung: 1. Fremder Baum Ja Unbekannter_Baum Nein 1.1 Hat der Baum Nadeln? Ja PB Nadelbaum Nein PB Laubbaum Problembereich (PB): Nadelbaum Lösungen: Fichte, Tanne, Kiefer, Unbekannter_Baum. Untersuchungen: Samen, Nadeln, Stamm. Untersuchung Samen: 1. Fruchtart: rundliche Zapfen > Kiefer längliche Zapfen 1.1 Zapfenrichtung hängend > Fichte stehend > Tanne Untersuchung Nadeln: 1. Nadellänge lang > Kiefer kurz 1.1 Nadelanordnung eher scheitelförmig > Tanne rundum > Fichte Untersuchung Stamm (auch für Laubbäume) 1. Stammfarbe: braun oder grau (wie die meisten Bäume) rötlich Kiefer weisslich > Birke (Kontext: Laubbaum!) 2. Rinde: glatt Buche (Kontext: Laubbaum!) rauh (wie die meisten Bäume) Problembereich Laubbaum: Lösungen: Eiche, Buche, Ahorn, Linde, Kastanie, Esche, Birke, Unbekannter_Baum Untersuchungen: Früchte und Blüten, Blätter, Stamm (s.o.). 12

13 HEB: Teilnehmer Problembereich (Grobdiagnose): beschreibt einen abgegrenzten Problembereich, der aus Lösungen (Feindiagnosen) und einer Liste von Untersuchungen (Entscheidungsbäume) zur Klärung der Lösungen besteht. Wenn der Problembereich aktiviert ist, verdächtigt er alle seine Lösungen und arbeitet die Liste der Untersuchungen der Reihe nach ab, bis eine Lösung bestätigt ist. Lösung (Feindiagnose): repräsentiert eine Lösung (z.b. Fehlerursache) zu dem Problembereich. enthält Vorschläge zur Behebung der Fehlerursache, sofern möglich. wird dynamisch bewertet und kann die Kategorien verdächtigt, bestätigt oder ausgeschlossen haben. Untersuchung (Entscheidungsbaum, Frageklasse): bewirkt systematische Datenerfassung zum Finden der Fehlerursache. enthält ggf. Erläuterungen zur technischen Durchführung. besteht aus einer Liste von Startfragen. Frage (Merkmal, Symptom) besteht aus einem Fragetext und Antwortalternativen bzw. bei numerischen Fragen einem Wertebereich, ggf. mit Erläuterungen. enthält Verweise auf Folgefragen, für die eine Bedingung über ihren Antwortalternativen bzw. ihrem Wertebereich erforderlich ist. enthält Verweise auf Problembereiche bzw. Lösungen, die in Abhängigkeit einer Bedingung über ihren Antwortalternativen bzw. ihrem Wertebereich Problembereiche oder Lösungen bewerten (bestätigten, ausschließen, verdächtigen). 13

14 HEB: Struktur 1. Auswahl eines Problembereichs aufgrund spezieller Einstiegsuntersuchungen Einstiegs-Untersuchung aktiviere-startfrage (Fragen) Startfragen Frage Antworttyp Antwortalternativen Erläuterung Lösungen (Bedingung, Kategorie) Problembereich Erläuterung #Bewertung indiziere (Untersuchungen) verdächtige (Lösungen) aktiviere-folgefrage (Fragen) bewerte (Lösung, Kategorie) stelle-frage (selbst) prüfe-antwort (selbst) Folgefragen (Bedingung) 2. Bearbeitung eines Problembereichs zum Herausfinden einer Lösung Erläuterung #'Bewertung Problembereich indiziere (Untersuchungen) verdächtige (Lösungen) Lösungen Erläuterung Vorschlag #Bewertung Lösung präsentiere (selbst) Untersuchungen Problembereiche (Bedingung, Kategorie) Lösungen (Bedingung, Kategorie) Frage Folgefragen (Bedingung) Untersuchung aktiviere-startfrage (Fragen) Startfragen Antworttyp Antwortalternativ. v Wertebereich Erläuterung #Wert aktiviere-folgefrage (Fragen) bewerte (Lösung, Kategorie) stelle-frage (selbst) prüfe-antwort (selbst) 14

15 HEB: Interaktionen :Einstiegs- Untersuchung :eine Frage :ein Problembereich :eine Untersuchung :Frage 2 :eine Lösung start() aktiviere- Startfragen() stelle-frage() prüfe-antwort() aktiviere- Folgefrage() stelle-frage() prüfe-antwort() bewerte() verdächtige() indiziere() aktiviere- Startfragen() stelle-frage() prüfe-antwort() bewerte() präsentiere() 1. Zum Anfang wird die Einstiegsuntersuchung aktiviert. 2. Die Einstiegsuntersuchung aktiviert ihre Startfragen. 3. Der Benutzer beantwortet die Startfragen und ggf. Folgefragen, woraus schließlich ein Problembereich hergeleitet wird. 4. Der Problembereich verdächtigt automatisch alle seine potentiellen Lösungen und aktiviert seine Untersuchungen. 5. Die Untersuchungen werden der Reihe nach bearbeitet. Die aktuelle Untersuchung aktiviert wiederum ihre Startfragen. 6. Der Benutzer beantwortet die Startfragen und ggf. die Folgefragen, woraus schließlich der Problembereich gewechselt, andere Untersuchungen aktiviert und/oder Lösungen ausgeschlossen, verdächtigt oder bestätigt werden. 7. Als Ergebnis werden der aktuelle Problembereich und die bestätigte Lösung oder als Ersatz die verdächtigten Lösungen ausgeben. 15

16 HEB: Wissensakquisition (D3) 1. Eingabe der Problembereiche und Lösungen in der Diagnosehierarchie. 2. Eingabe der Untersuchungen in Frageklassenhierarchie. 3. Eingabe der Beziehungen zwischen Problembereichen und Untersuchungen als Listen in Formularen 4. Eingaben von Entscheidungsbäumen für alle Untersuchungen. 5. Eingabe von informellem Wissen (Multimediainformationen) für alle Objekte. 16

17 Empfehlungen: HEB: Konsequenzen Modularisierung: Versuche durch Aufteilung in viele Problembereiche und viele Untersuchungen pro Problembereich die Entscheidungsbäume möglichst klein zu halten. Untersuchungen können in verschiedenen Problembereichen mehrfach verwendet werden. Viel (implizites) Wissen steckt in der Reihenfolge der Untersuchungen, Fragen und Folgefragen, die oft einen Kompromiss zwischen den Kosten einer Untersuchung bzw. Frage und ihrem Nutzen zur Lösungsfindung ausdrücken. Probleme: Wenn Lösungen durch Kombinationen von Problemmerken hergeleitet werden müssen, sind andere Formalisierungsmuster häufig besser geeignet (z.b. Diagnosescores). Falsche Dateneingabe führt bei Entscheidungsbäumen unvermeidlich zu falschen Lösungen. Wenn falsche Dateneingabe erwartet werden muss, sind Formalisierungsmuster, die redundantes Wissen besser kodieren können (z.b. Diagnosescores), vorzuziehen. 17

18 HEB: Erfahrungen Projekt: Briefsortieranlagen Allgemeiner Knowledge-Engineering-Ansatz: Verschiedene Spezialisten formalisierten ihr Wissen in ihrem Spezialgebiet selbstständig mit Unterstützung eines Wissensingenieurs für das gesamte Projekt. Heuristische Entscheidungsbäume: War als Richtlinie für alle Experten eingeführt und akzeptiert. Ermöglichte Experten auch nach längerer Unterbrechung, am Aufbau der Wissensbasis ohne größere Schwierigkeiten weiterzuarbeiten. Effektivität: Geschätzte Zeitersparnis gegenüber Wissenseingabe ohne HEB: ca. 1/3. 18

19 Diagnose-Score Zweck, Anwendbarkeit Zweck Wähle die beste Lösung aus einer Menge von Alternativen aus, indem jedes Lösungsobjekt ein Konto (Score) bekommt, auf das aufgrund von einzelnen Problemmerkmalen Punkte addiert oder subtrahiert werden. Anwendbarkeit Allgemeine Eignung von Diagnose-Scores: Sie haben Bewertungswissen, welche Merkmale wie stark für oder gegen die verschiedenen Lösungskandidaten sprechen. Die Lösung zu dem Problem wird durch Zusammenfassung vieler vieldeutiger Merkmale hergeleitet. Die Merkmalserfassung ist standardisiert, d.h. es ist nicht notwendig, gezielt Untersuchungen zur Erfassung spezieller Merkmale zu indizieren. Falls dies erforderlich ist, benötigen Sie das Zusatzmodul Untersuchungsindikation. Die Einzelmerkmale sind relativ unabhängig voneinander und haben für sich bereits eine gewisse Aussagekraft. Falls dies nicht gilt, sollten sie zunächst zu höherwertigen Merkmalsabstraktionen aggregiert, bevor sie diagnostisch interpretiert werden. Dazu benötigen Sie das Zusatzmodul Datenabstraktion. Das ist insbesondere bei Benutzern mit geringem Vorwissen oder der Interpretation vorgegebener Meßdaten sinnvoll. Es wird nur eine Lösung gesucht (Single Fault Assumption) oder falls Mehrfachlösungen berücksichtigt werden sollen beeinflussen sich die Merkmale der Lösungen nicht wechselseitig. 19

20 DS: Beispiel Kiefer Tanne Fichte Nadeln = ja Nadeln = nein Rundliche Zapfen Längliche Zapfen hängend stehend Lange Nadeln Kurze Nadeln eher scheitelförmig rundum Geborstene Rinde o o o Glatte Rinde Rötliche Stammfarbe Weißliche Stammfarbe braun/graue Stammfarbe o o o 20

21 DS: Struktur und Teilnehmer Struktur Erläuterung Untersuchung aktiviere-startfrage (Fragen) Startfragen Frage Antworttyp Antwortaltern. v Wertebereich Erläuterung Lösungen (Bedingung, Kategorie) Erläuterung Vorschlag Schwellen #Konto #Status Lösung aktiviere-folgefrage (Fragen) bewerte (Lösung, Kategorie) stelle-frage (selbst) prüfe-antwort (selbst) Folgefragen (Bedingung) präsentiere (selbst) Teilnehmer: Lösung (Diagnose): - repräsentiert eine Problemlösung (z.b. Fehlerursache, erkanntes Objekt, Handlungsvorschlag). - enthält Informationen zur Problemlösung und ihrer Umsetzung. - enthält ein Punktekonto, das die Lösung bewertet. Es wird mit Schwellen in einen Status (z.b. ausgeschlossen, unklar, verdächtigt, bestätigt) abgebildet. Untersuchung (Frageklasse): - bewirkt systematische Datenerfassung zum Finden der Lösung. - enthält ggf. Erläuterungen zur technischen Durchführung. - besteht aus einer Liste von Startfragen. Frage (Merkmal, Symptom) - besteht aus einem Fragetext und Antwortalternativen, ggf. mit Erläuterungen - enthält Verweise mit Bedingungen auf Folgefragen - enthält Verweise mit Bedingungen auf Problembereiche bzw. Lösungen, die Lösungen mit positiven oder negativen Punkten bewerten. Im Extremfall wird jede Antwortalternative im Hinblick auf jede Lösung bewertet. 21

22 DS: Interaktionen :eine Untersuchung :eine Frage :eine Lösung :Lösung 2 start() prüfe-antwort() aktiviere- Startfragen() stelle-frage() aktiviere- Folgefrage() prüfe-antwort() stelle-frage() bewerte() präsentiere() bewerte() präsentiere() 8. Beim Systemaufruf werden die Untersuchungen aktiviert. 9. Die aktuelle Untersuchung aktiviert ihre Startfragen. 10. Die Startfragen werden dem Benutzer gestellt. Aufgrund seiner Antworten und der Bedingungen werden eventuell Folgefragen gestellt und positive oder negative Punkte auf die Konten der Lösungen übertragen. 11. Für jede Lösung werden Punktekonten aktualisiert und mit dem Attribut Schwellen in einen Status ausgeschlossen, unklar, verdächtigt oder bestätigt transformiert. 12. Als Ergebnis werden die besten n Lösungen mit ihrer Punktzahl und ihrem Status (bestätigt oder verdächtigt) ausgegeben sowie ggf. textuelle oder multimediale Erläuterungen und Handlungsvorschläge angezeigt. 22

23 DS: Konsequenzen Vorteile: - Diagnose-Scores sind relativ robust gegenüber unvollständigen oder sogar leicht fehlerhaften Eingabedaten. - Das Bewertungswissen von Diagnose-Scores lässt sich aufgrund seiner regulären Struktur durch Tabellen gut visualisieren und eingeben und ist leicht verständlich. Empfehlungen: - Lange Fragelisten vermeiden: a) Abstraktionsniveau, b) Folgefragen. - Grobe Bewertungskategorien sind meist ausreichend. - Hierarchische Strukturierung ermöglicht die Ausgabe von Grobdiagnosen bei unzureichender Dateneingabe. Probleme: - Die Hauptschwierigkeit bei Diagnose-Scores ist die Festlegung der vielen Einzelbewertungen. Falls das Wissen dafür nur unzureichend vorhanden ist, sollte man alternative Muster (z.b. statistische, fallbasierte, kausalüberdeckende Diagnostik) in Erwägung ziehen. - Falls Merkmalskombinationen zu überproportional starken Diagnosebewertungen führen, eignen sich Einzelbewertungen nicht (-> heuristische Entscheidungstabellen) Bekannte Verwendungen: Das Muster wird erfolgreich für eine robuste Wissensbasis zur Pflanzenerkennung eingesetzt. Verwandte Muster: Heuristische Entscheidungstabellen; statistische, fallbasierte, überdeckende Diagnostik 23

24 DS: Implementierung in D3 a) Eingabe der Diagnosen in der Diagnosehierarchie, b) der Frageklassen (Untersuchungen) in Symptomhierarchie. c) und der Startfrageklassen im Formular zur Wissensbasis. d) Eingabe der Fragen, Antwortalternativen, Folgefragen(regeln) zu einer Frageklasse im Entscheidungsbaumeditor. e) Eingabe von Multimedia-Dokumenten (html) in der Attributtabelle zu den betroffenen Objekten. f) Eingabe von Fragetexten und textuellen Erklärungen zu Fragen in der Attributtabelle. g) Eingabe der relevanten Problemmerkmale für jede Diagnose im Editor Regelelemente. h) Eingabe der eigentlichen Diagnose-Bewertungen in der Diagnose-Übersichtstabelle für eine oder mehrere ausgewählte Diagnosen. Die Defaultkonfiguration enhält 17 Kategorien mit folgender Semantik: Sichere Bewertungskategorien: p7 = hinreichend n7 = nie pp = notwendig Unsichere Bewertungskategorien (p = positiv für die Lösung; n = negativ gegen die Lösung): p6 = fast immer: 80 Punkte n6 = fast immer: 80 Punkte p5+ = regelmäßig: 50 Punkte n5- = regelmäßig: 50 Punkte p5 = weitaus meistens: 40 Punkte n5 = weitaus meistens: 40 Punkte p4 = mehrheitlich: 20 Punkte n4 = mehrheitlich: 20 Punkte p3 = häufig: 10 Punkte n3 = häufig: 10 Punkte p2 = manchmal: 5 Punkte n2 = manchmal: 5 Punkte p1 = selten: 2 Punkte n1 = selten: 2 Punkte Wenn kein sicheres Kriterium erfüllt ist, werden die Punkte aller gefeuerten Regeln addiert und wie folgt interpretiert: Wenn das Punktekonto 42 Punkte (> p5), dann ist die Lösung bestätigt. Wenn das Punktekonto von 10 bis 41 Punkte ( p3), dann ist die Lösung verdächtigt. Wenn das Punktekonto von 41 bis 9 Punkte (< p3), dann ist die Lösung unklar. Wenn das Punktekonto 42 Punkte (< n5), dann ist die Lösung ausgeschlossen. Diese Interpretation gilt nicht, wenn Lösungen als Konkurrenten definiert sind. Dann wird die relativ beste Lösung aus dieser Menge bestätigt, auch wenn der Punktestand unterhalb der Schwelle von 42 liegt. 24

25 DS: Beispiel aus D3 25

26 Heuristische Entscheidungstabellen Zweck, Anwendbarkeit Zweck Wähle die beste Lösung aus einer Menge von Alternativen aus, indem Lösungsobjekte durch logische Verknüpfungen von Problemmerkmalen bewertet werden. Anwendbarkeit Allgemeine Eignung von heuristische Entscheidungstabellen: Die Lösung zu dem Problem wird durch Verknüpfung vieler vieldeutiger Merkmale hergeleitet und sie haben Bewertungswissen, welche Kombinationen von Merkmalen charakteristisch für die Lösungen sind. Vergleich mit Diagnosescores: - Vorteil: knappere und verständlichere Darstellung des Bewertungswissens und die Möglichkeit, Kombinationen von Einzelmerkmalen überproportional zu bewerten. - Nachteil: Umgang mit unvollständig und vor allem fehlerhaft erfassten Merkmalen. Erweiterungen (auch für Diagnosescores): - Wenn bei heuristischen Entscheidungstabellen zur Überprüfung verdächtigter Lösungen zusätzliche Merkmale erfasst werden müssen, benötigen Sie das Zusatzmodul Untersuchungsindikation. - Wenn sie die Einzelmerkmale vor der diagnostischen Auswertung zu höherwertigen Merkmalsabstraktionen zusammenfassen wollen, benötigen Sie das Zusatzmodul Datenabstraktion. 26

27 HET: Beispiel Linde Linde Linde Linde Art der Verknüpfung und oder oder 2 aus 4 Bewertung P4 P7 N7 N7 Nadeln = nein + - Normale bräunliche - Stammfarbe Frucht: Propeller mit Kern + - Blüte: Weiß/gelb nach + - Laubaustritt Ein Blatt pro Stiel - -- ungeteiltes Blatt - -- herzförmige Blattform gesägter Blattrand

28 HET: Struktur und Teilnehmer Struktur Untersuchung Erläuterung aktiviere-startfrage (Fragen) Startfragen Frage Antworttyp Antwortalternativ. v Werteb. Erläuterung aktiviere-folgefrage (Fragen) aktiviere (Kombi-Regeln) stelle-frage (selbst) prüfe-antwort (selbst) Kombi-Regeln Folgefragen (Bedingung) Kombinations-Bewertungsregel Vorbedingung Ausnahme Lösungsbewertung prüfe-vorbedingung (selbst) feuern (selbst, Lösung) rücknehmen (selbst, Lösung) Kombi- Regeln Lösung Lösung Erläuterung #Status präsentiere (selbst) aktiviere (Kombi-Regeln) Teilnehmer Untersuchung (Frageklasse) Frage (Merkmal, Symptom) Lösung (Diagnose) Kombinations-Bewertungsregel (Kombi-Regel) - Die Vorbedingung ist eine logische Kombination über Einzelbedingungen, z.b. (und A (nicht B) (oder C D (und E F)) (2 aus G H I J - Die Ausnahme zur Regel ist eine spezielle Vorbedingung. - Die Lösung ist ein Verweis auf das Lösungsobjekt. - Die Lösungsbewertung ist ein Kategorie wie bei Diagnosescore oder eingeschränkt z.b. nur bestätigt, verdächtigt und ausgeschlossen. 28

29 HET: Interaktionen :eine Untersuchung :eine Frage :eine Kombi-Regel :eine Lösung start() aktiviere- Startfragen() prüfe-antwort() stelle-frage() aktiviere aktiviere- Folgefrage() prüfe-vorbedingung() stelle-frage() prüfe-antwort() aktiviere prüfe-vorbedingung() feuern() präsentiere() 1. Beim Systemaufruf werden die Untersuchungen aktiviert. 2. Die aktuelle Untersuchung aktiviert ihre Startfragen. 3. Die Startfragen werden dem Benutzer gestellt. Aufgrund seiner Antworten werden eventuell Folgefragen gestellt und Kombi-Regeln überprüft. 4. Jede aktivierte Kombi-Regel prüft, ob ihre Vorbedingung erfüllt ist und keine Ausnahme zutrifft. Falls ja, feuert sie und überträgt ihre Bewertung auf die Lösung. Falls eine Ausnahme einer bereits gefeuerten Kombi-Regel zutrifft, wird diese zurückgezogen, indem sie eine inverse Nachricht an die Lösung schickt. 5. Die Lösung berechnet ihren Status und aktiviert ggf. ihre Kombi-Regeln. 6. Als Ergebnis werden die bestätigten und verdächtigten Lösungen ausgegeben sowie ggf. textuelle oder multimediale Erläuterungen und Handlungsvorschläge angezeigt. 29

30 HET: Konsequenzen Vorteile: - Formulierung von komplexem diagnostischen Wissen. - Jede Regel steht für sich. Daher ist der Aufbau sehr modular. Oft reicht je eine komplexe Regel zur Verdächtigung und Bestätigung der Lösung. Empfehlungen: - Zur Verdächtigung von Lösungen empfiehlt sich eine Regel, die die verschiedenen Verdachtsmomente mit oder verknüpft. Falls ein Verdachtsmoment für sich nicht ausreicht, sollten Sie n-aus-m Regeln benutzen, die eine Mindestanzahl von Verdachtsmomenten festlegen. - Manchmal reicht es aus, Bestätigungsregeln so zu formulieren, daß man die Mindestanzahl der Verdachtsmomente einfach erhöht. Falls es zusätzliche eindeutige Kriterien zur Bestätigung gibt, sollten diese als Zusatzregeln formuliert werden. - Wenn es Anhaltspunkte gibt, die gegen eine Lösung sprechen, sollten diese als zusätzliche Regeln mit negativer Bewertung formuliert werden, um verdächtigte Lösungen rücknehmen zu können. - Meist Zusatzmodul Testindikation mit Kosten/Nutzen- Indikation auf der Basis verdächtigter Lösungen. - Ausnahmen von Regeln sind insbesondere für 2 Situationen sehr nützlich: - Billige und teure Untersuchungen für dasselbe Merkmal erfassen, Alternative: Zusatzmodul Datenabstraktion. - Auswertung unbekannt gebliebener Fragen. Probleme: - Umgang mit unvollständigen Daten. - Falscheingaben des Benutzers problematisch 30

31 HET: Implementierung in D3 a) Eingabe der Diagnosen in der Diagnosehierarchie, b) der Frageklassen (Untersuchungen) in Symptomhierarchie. c) und der Startfrageklassen im Formular zur Wissensbasis. d) Eingabe der Fragen, Antwortalternativen, Folgefragen(regeln) zu einer Frageklasse im Entscheidungsbaumeditor. e) Eingabe von Multimedia-Dokumenten (html) in der Attributtabelle zu den betroffenen Objekten. f) Eingabe von Fragetexten und textuellen Erklärungen zu Fragen in der Attributtabelle. g) Eingabe der relevanten Problemmerkmale für jede Diagnose im Editor Regelelemente. h) Eingabe der eigentlichen Diagnose-Bewertungen in der Detailtabelle für eine ausgewählte Diagnose. Oft reichen neben den sicheren Bewertungskategorien zwei unsichere Bewertungskategorien für die Verdächtigung und die Rücknahme der Verdächtigung aus: Sichere Bewertungskategorien: p7 = hinreichend n7 = nie pp = notwendig Unsichere Bewertungskategorien: p3 = verdächtigt: 10 Punkte n3 = nicht-verdächtigt: 10 Punkte 31

32 Zusatzmodul Testindikation Struktur #Status Lösung Untersuchungenzur-Klärung Aufwandsklasse (Startfragen) Untersuchung wähle-aus (Untersuchungen-zur-Klärung) aktiviere (Untersuchungen-nach-Bestätigung) Untersuchungennach-Bestätigung aktiviere-startfragen (Fragen) Teilnehmer Lösung (Diagnose): hat Status mit den Werten (u.a.): verdächtigt, bestätigt. enthält eine Liste von Untersuchungen, die zur Klärung eines Verdachts wichtig sind (d.h. im Status verdächtigt ). enthält eine Liste von Untersuchungen, die nach ihrer Bestätigung abgearbeitet werden sollen (d.h. im Status bestätigt ). Untersuchung (Frageklasse): besteht aus einer Liste von Startfragen wie üblich enthält eine Aufwandskategorie, die den Aufwand zur Durchführung der Untersuchung beschreibt. Interaktionen 1) Das Zusatzmodul Testindikation wird aktiv, wenn die Start- Untersuchungen abgearbeitet sind. 2) Falls es bestätigte Lösungen gibt, werden von diesen alle Einträge aus Untersuchungen-nach-Bestätigung nach ihrem Attribut Aufwandskategorie sortiert. Die Untersuchung mit dem geringsten Aufwand wird aktiviert. 3) Falls in Schritt 2 keine Untersuchung gefunden wurde, werden die verdächtigten Lösungen betrachtet. Die am stärksten verdächtigte Lösung aktiviert ihre erste noch nicht abgearbeitete Untersuchung-zur-Klärung. 32

33 Datenabstraktion Struktur Frage Merkmalsabstraktionsregeln Merkmalsabstraktionen Merkmalsabstraktion (MA) Merkmalsabstraktionsregeln MA führe-aus (Merkmalsabstraktionsregeln) führe-aus (Merkmalsabstraktionsregeln) qualitative Frage Antwortalternativen #Wert numerische Frage Wertebereich (Intervall) #Wert qualitative MA Wertalternativen #Wert numerische MA #Wert numerisch-> qualitative MA Wertalternativen Schwellen #Rohwert #Wert Interaktionen 1) Sobald eine Frage beantwortet ist, werden neben ihren übrigen Regeln (z.b. Folgefragenregeln, Bewertungsregeln für Diagnosen) auch ihre Merkmalsabstraktionsregeln überprüft. Die Regeln dürfen Kombi-Regeln sein, deren Aktionsteil auch eine Formel enthalten kann. 2) Jede gefeuerte Regel bewirkt bei der Merkmalsabstraktion eine Überprüfung ihres Wertes. Falls ihr Wert neu gesetzt wird, feuern neben ihren übrigen Regeln (Bewertungsregeln für Diagnosen) alle ihre Merkmalsabstraktionsregeln. Falls der Wert geändert wird, werden die aufgrund des alten Wertes gefeuerten Regeln zurückgezogen und es feuern die Regeln aufgrund des neuen Wertes. 33