Wissensbasierte Systeme

online:

• Diagnose: Analyse von Informationen der Vergangenheit
• Überwachung: Analyse von Informationen der Gegenwart
• Steuerung: zielgerichteter Eingriff in der Gegenwart
• Vorhersage: Vorhersage der "Zukunft"
• Planung: Ableitung von Handlungsvarianten für die Zukunft

offline:

• Design: Erstellung bestimmter Spezifikationen die bestimmten Bedingungen genügen
• Instruktion: Vermittlung von Wissen

s. Abb.

1. theoretische Prozessidentifikation
2. experimentelle Prozessidentifikation
3. entscheidungsverhalten des Menschen
4. Analogiebetrachtung
5. Expertenbeobachtung
6. Expertenbefragung

Voraussetzung: Wissen und Information über Prozessstruktur, Prozesssignale und Steuerziele.
- nimmt von 1 bis 6 ab

Methoden zur Entscheidungsfindung:

zu 1. Polyoptimierung & Lernverfahren (z.B. Klassifikation)

zu 2. Entscheidungstheorie

Rest Fuzzy-Systeme

Zweckmäßige Realisierung:

Wechsel von 1 (Automaten) zu 6 (Mensch)

Unterstützungsniveaus

• Entscheidungsvorbereitung (Entscheidungsdienliche Gewinnung und Aufbereitung von Information/Wissen)
  • Erfassen/Archivieren
  • Verdichtung/Selektion
  • Wissensgewinnung
• Entscheidungsfindung
  • Generierung von Entscheidungsvorschlägen durch unterschiedliche Strategien
• Entscheidungsrealisierung (ER)
  • operative ER
    • Alle Entscheidungsvorschläge werden vom Menschen überprüft und realisiert / nicht realisiert
  • teilweise automatische ER
    • Automatische ER über begrenzte Zeiträume => Entlastung von Routine
  • bedingt automatische ER
    • Entscheidungsrealisierung erfolgt nach Kompetenz
    • Kompetenzprüfung: -> Mensch oder WbS

• Informationen sind ungenau, subjektiv, unsicher, umfangreich
• Systemverhalten wird durch quantitative und qualitative Größen bestimmt
• a priori Kenntnisse über das Systemverhalten sind gering
• Systemverhalten ist extrem nichtlinear
• es treten unvorhersehbare und/oder seltene Situationen ein

• spezielle Fähigkeiten und Fertigkeiten
• juristische Gründe
• ethische/ moralische Gründe
• ökonomishe Gründe
• politische Gründe

konzeptionelles Wissen <-> exisodisches Wissen (Experimentelle Erfahrung)

deklaratives Wissen (Fakten) <-> prozedurales Wissen (handlungsorientiert)

abstraktes Wissen <-> Beispielwissen

Beipiel siehe Skript 1.4.

s. Abb.

s. Abb.

Jeder Kombination u_i <-> s_j wird ein Ergebnis e_ij (Geld, Erfolg, Genugtuung, ...) zugeordnet.

u_i = Reaktion

s_j = Situation

e_ij = Ergebnis

präskriptive ET

• Handlungsempfehlungen für reale Entscheidungssituationen

deskriptive ET

• Beschreibung und Erklärung tatsächlichen Entscheidungsverhaltens

Sicherheitssituation

• P(s_j)=1, P(s_i)=0 für i≠j

Unsicherheitssituation

• Risikosituation
  • P(s_j)≠1 und bekannt
• Ungewissheitssituation
  • P(s_j) unbekannt

Spielsituation: s_j wird bestimmt vom Handeln eines intelligenten Gegenspielers

• Minimax (Pessimistisch) -> Maximum der Minima bilden
• Maximax (Optimistisch) -> Maximum der Maxima bilden
• Hurtwitz (gewichtet) -> Max*Alpha + (1-Alpha)*Min
  • Bestimmung von Alpha mit dem Experten -> Suche des Indifferenzpunktes
• Savage-Regel:
  • Verlustminimierung
  • 1.) Verlustmatrix aufstellen |(e_ij - max(e_ij))|
  • 2.) Maxima der Zeilen aufstellen
  • 3.) Minimum der Maxima bilden

• Bayes-Regel
  • Maximum der Erwartungswerte
  • Erwartungswerte: Summe von (e_ij*p_j)
• Erweiterte Bayes-Regel
  • Problem: mehrere μ_i=μ_max
  • Hinzuziehen von σ²
  • wenn σ klein = Risikoavers (scheu)
• Bernoulli-Prinzip
  • Ermittlung der Nutzenwerte N_ij=f(e_ij) mit dem Experten
  • Zuordnung der Nutzenwerte: max(e_ij) = N_ij = 1
  • Bestimmung der restlichen N_ij nacheinander (Indifferenzpunktsuche)

Vorschrift zur Zuordnung eines Objektes O zu einer oder mehreren Klassen.

Objekte:

• Belebte und unbelebte Systeme
• Abstrakta

Klasse:

• Objekte, die einheitliche Merkmale aufweisen

Merkmale:

• charakteristische Eigenschaften von Objekten
  • quantitative Merkmale
  • qualitative Merkmale
• Darstellung
  • Momentanwert
  • Zeitverläufe

Theorem von Bayes für i=2

P(1|s_j)=(P(1)*p₁(s_j))/(P(1)*p₁(s_j)+P(2)*p₂(s_j))

P(2|s_j)=(P(2)*p₂(s_j))/(P(1)*p₁(s_j)+P(2)*p₂(s_j))

Entscheidung:

• P(1|s_j) > P(2|s_j)  => Klasse 1
• P(1|s_j) < P(2|s_j)  => Klasse 2

=> Likelihood-Quotienten L(s_i) = P(1|s_j)/P(2|s_j)

=> L(s_j) > 1 => Klasse 1;  L(s_j) < 1 => Klasse 2

Klassenrepräsentanten S_i

(z.B. Schwerpunkte aus der Lernprobe bilden)

Gesucht: Geringster Abstand (d_i) zwischen den S_j und den Klassenrepräsentanten S'_i

Lösung: ermittlung der Distanzen d_i

d_i =fʃ(S_j-S'_i)

Entscheidung: S'_j wird der Klasse i zugeorndet, für die d_i minimal ist

• Euklidischer Abstand (Kreis)
  • d_i=Summe von (s_je-s'_ie)^2
  • Klassengrenze: der Klassifikator kann nicht entscheiden
• Manhattan-Distanz (Quadrat- Raute - klein)
  • d_i= Summe von |s_je - s'_ie|
• Tschebyschow-Distanz (Quadrat - groß)
  • d_i= max |s_je - s'_ie|

Tschebyschow und Manhattan kann man nicht nachmessen!

Man kann auch nicht sagen welches Verfahren am besten für jeweiligen Fall ist -> ausprobieren.

Ermittlung einer Trennfunktion d_ij(S) auf der Grundlage von Unterscheidungsfunktionen h_i(S) und h_j(S)

lineare Unterscheidungsfunktion:

h_i(S)=w_i0 + Summe von w_ie*S_e

für 2 Merkmale und 3 Klassen:

h₁=w₁₀+w₁₁*S₁+w₁₂*S₂

h₂=w₂₀+w₂₁*S₁+w₂₂*S₂

h3=w₃₀+w₃₁*S₁+w₃₂*S₂

Ermittlung der Trennfunktion über Abstandsklassifikation:

Euklidischer Abstand: h_i = Summe von (S_je - S'_ie)^2 = (S-S'_i)^T*(S-S'_i)

=> Grund Schnelligkeit => mit Bayes nicht machbar

=> für gekrümmte Trennfunktionen!

h_i = (S-S'_i)^T*N_i^-1*(S-S'_i)

-> hier nur Euklidischer Ansatz (für N_i^-1)

Klassifikation:

• Bewertung über Wahrscheinlichkeiten
• Bewertung über Abstand zum Schwerpunkt

Probleme:

• zu große Überschneidungen
• zu langsam

3 Klassen -> 3 Trennfunktionen -> treffen sich in einem Punkt -> Sonst: Fehler

P_F = P_F¹ + P_F²

Ermittlung anhand einer Prüffolge

P_F = (n_F¹ + n_F²)/n

Klassifikator-Gesamtentwurf:

1. Anlernen mittels Lernprobe LP(S,K)
2. Prüfen der Güte mittels Prüffolge P_F(S,K)
3. Entscheidung über Güte:
   • Güte ausreichend? => Betriebsphase
   • Güte nicht ausreichend => zurück zu 1
     • anderer Klassifikatortyp
     • größere und/oder eine andere LP
     • andere/weitere Merkmale

• Vollständigkeit
• Ursachen für Unvollständigkeit:
  • Aussagen mit unbekanntem Wahrheitswert
  • falsche Wahrnehmung
  • Abstraktion von unwichtigen Details
  • ungenaue natürlich sprachliche Formulierungen
• Konsistenz
• Ursachen für Inkonsistenz:
  • ungenaue natürlich sprachliche Formulierungen
  • Wissen aus mehreren Quellen
  • Ausnahmen, Spezialfälle
  • ungenaue Modelle

Wissenserwerb durch:

• Literatur
• Experte
  • Expertenbefragung
  • Expertenbeobachtung

Lernen durch:

• Beispiel, Daten

WIssen sollte in möglichst uninterpretierter Form erhoben werden.

Techniken:

Befragung/Interview: explizites Erfragen von Information

• Vorteile:
  • gezielte Behandlung bestimmter Themen
  • Rückfragen möglich
• Nachteil:
  • Experte versucht zu interpretieren

Beobachtung: Analyse von Handlungen

• Vorteil:
  • Experte handelt in gewohnter Umgebung unter normalen Bedingungen
• Nachteile:
  • langwierig
  • rechtlich/ethisch oft bedenklich

Anforderungen an einen Experten:

• es gibt (mindestens) einen Experten für die Mitarbeit
• der Experte verfügt über umfangreiche Erfahrung & notwendige Zeit
• Experte ist glaubwürdig und motiviert bzw. kann motiviert werden
• Experte vermittelt sein Wissen gut
• mit  dem Experten kann gut zusammengearbeitet werden

• unstrukturiertes Interview
  • Ziel:
    • erster Überblick über den Problembereich
    • kennenlernen und vertraut werden der beteiligten Personen
  • Form: kein zielgerichtetes bzw. restriktives Vorgehen
  • Ergebnis:
    • generelle Problembeschreibung
    • Begriffsbestimmungen
    • Beschreibung typischer Szenarien
    • Charakteristik späterer Nutzer
    • Referenzdokumente
• strukturiertes Interview
  • Ziel:
    • in systematischer Weise wird der gesamte Anwendungsbereich behandelt
    • strukturierter Überblick
    • Lücken und Inkonsistenzen werden beseitigt
  • Form:
    • Einführung (Ziel des Interviews, Liste der zu behandelnden Punkte)
    • Interviewphase (Abarbeitung der angekündigten Punkte im Dialog)
    • Zusammenfassung
  • Ergebnis:
    • strukturierter Problembereich
    • umfangreiche Dokumentation dieses Problembereiches
• fokusiert strukturiertes Interview
  • Ziel: detailierte Beschreibung von
    • Strukturen und Konzepten
    • Funktionen, Komponenten
    • Erklärung von Regeln
    • Erklärung von Schlussfolgerungen
    • Begründung von bestimmten Vorgehensweisen
  • Form: 
    • Abarbeitung bestimmter Punkte in die Tiefe
    • jede Äußerung des Experten wird hinterfragt bis die Antwort zufriedenstellend ist
• schriftliche Befragung
  • Thema:
    • Reihenfolge der Fragen, Wortlaut der Fragen zwingend vorgegeben
    • Zeit-/Kostenersparnis
    • mangelnde lokale Verfügbarkeit der/des Experten oder bei größeren Expertengruppen
• Delphi-Methode
  • Ziel: mehrstufige Ermittlung von Gruppenmeinungen bei anonymen und nicht personalem Kontakt der Experten
  • Form: mehrere Befragungsrunden in schriftlicher/mündlicher Form
  • Problem: sehr zeitaufwendig

Hinweis:

• Interview ausführlich Planen (Inhalt und Reihenfolge der Fragen, Ort, Zeitpunkt, Zeitdauer)
• jedes Interview bearbeiten bevor ein neues begonnen wird
• Lernen der Terminologie des Experten/Fachgebiets
• Experten motivieren und Motivation aufrechthalten

Probleme:

• Experten vergessen wichtige Dinge zu sagen, weil sie es für unwichtig halten
• Experten vergessen wichtige Dinge zu sagen, weil sie es als bekannt voraussetzen
• komplexeres Wissen kann oft nicht verbal ausgedrückt werden
• Experten können unter Umständen ihre Vorgehensweisen nicht erklären
• Experten können auch nicht bereit sein, ihr Wissen preis zu geben (Extremfall: falsche Aussagen)

Experten fällt es häufig schwer ihre Handlugnen zu formulieren

komplexe Handlungen können schwer verbal formuliert werden

Überprüfung von interviewtem Wissen

• Beobachtung: Beobachten des Experten während seiner normalen Arbeit ohne einzugreifen
  • mit Anwesenheit des Wissensingenieurs (WI)
  • ohne Anwesenheit des WI (Film-/Tonbandaufnahmen zwingend erforderlich)
• Protokollanalyse: Experte löst einen Anwendungsfall und beschreibt dabei sein Vorgehen
  • -> Fallbeispiele stellen repräsentativen Querschnitt der Expertentätigkeit dar
    • typische Aufgaben
    • Aufgaben mit eingeschränkten Informationen
    • Aufgaben mit anderen Restriktionen
  • konkurrente Protokollanaylse: gleichzeitiges Problemlösen und gleichzeitiges Denken
    • meist ein vollständiger Pfad der Problemlösung
    • Problem: lautes Denken
    • Sonderform: WI "spielt" Experte
  • Retrospektive Protokollanaylse: Expertenbefragung sofort nach der Problemlösung
    • Denkprozess während der Problemlösung wird nicht durch Reden beeinflusst
    • Problem: Beschreibung nicht mehr 100% authentisch mit dem Vorgehen bei der Problemlösung
• Introspektion: Ein Problem wird theoretisch gelöst. Experte beschreibt sein theoretisches Vorgehen.

Effektivität: Ausmaß der Ergebnisse

Objektivität: Ausmaß der Unabhängigkeit der Ergebnisse vom WI

Reliabilität: Zuverlässigkeit der Ergebnisse

Effizienz: ökonomische Angemessenheit

Feldzugangsadäquatheit: Grad der Akzeptanz durch den Experten

Lernen:

• Verändern von Verhalten
• Erwerb von Wissen
• Erwerb von Geschicklichkeit

Menschliches Lernen:

• Auswendig lernen
• Lernen durch Tun
• Lernen durch Analogiebetrachtungen
• Lernen durch Beobachten
• Lernen aus Beispielen

Maschinelles Lernen:

• Deduktion: wendet allgmeines Wissen auf speziellen Fall an
• Induktion: Formulierung von allgmeinem Wissen aus speziellen Fällen
• Abduktion: Form des numerischen Schließens bei Unsicherheit

• überwachtes Lernen z.B. Klassifikator
• unüberwachtes Lernen, erkennen von Strukturen in Daten (z.B. Clusteranalyse)
• Reinforcement learning, Lernen durch Rückmeldung aus der Umwelt

Eine Entscheidungstabelle ist eine formale Darstellung von Wenn-Dann-Regeln. Diese können aus Entscheidungsbäumen gewonnen werden und auch umgekehrt für die Erstellung von Entscheidungsbäumen verwendet werden.

Strukturanalyse:

Auffinden von:

• Widersprüchen (Bedingungen sind gleich, Aktionen verschieden)
• Redundanzen (Bedingungen und Aktionen sind gleich => Beispiele sind identisch)
• Konsolidierungen (Aktionen gleich, Bedingungen außer 1 sind gleich => Beispiele können zusammengefasst werden) -> kann durch "-" dargestellt werden (=> irrelevant)

jedes Beipiel wird mit allen anderen verglichen

Vollständigkeitsanalyse:

Feststellen von fehlenden Regeln

Allgemein: 2^Summe aller Bedingungswerte = mögliche Regelanzahl

Verringerung der Regelanzahl bei sich gegenseitig ausschließenden Bedingungswerten