Definition

Was ist ein Expertensystem?

| Autor / Redakteur: Stefan Luber / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Ein Expertensystem stellt Menschen Lösungen komplexer Probleme in einem begrenzten Fachgebiet zur Verfügung. Es agiert quasi als Experte und unterstützt durch Handlungsempfehlungen. Die Problemlösungen und Handlungsempfehlungen leitet es mithilfe Künstlicher Intelligenz (KI) aus einer Wissensbasis ab.

Expertensysteme arbeiten mit Künstlicher Intelligenz. Es handelt sich um Computerprogramme, die Problemlösungen und Handlungsempfehlungen aus einer Wissensbasis ableiten. Sie sollen den Menschen bei der Lösung von Problemstellungen in bestimmten Fachgebieten unterstützen und bilden das Wissen von Experten ab. Die Wissensbasis repräsentiert das formalisierte Expertenwissen meist in Form von Wenn-dann-Regeln. Expertensysteme sind in der Lage, das aus Fakten und Regeln bestehende Wissen zu interpretieren und eigene Schlussfolgerungen abzuleiten. Hierfür sind sie mit einer Inferenzmaschine ausgestattet, die entscheidet, wie und in welcher Reihenfolge oder Form die Regeln zur Lösung eines Problems herangezogen werden.

Über eine sogenannte Erklärungsmaschine macht das Expertensystem das Zustandekommen der Problemlösungen und Handlungsempfehlungen dem Menschen verständlich. Moderne Expertensysteme bestimmter Fachgebiete sind in ihrem Problemlösungsverhalten mit den Leistungen menschlicher Experten vergleichbar oder übertreffen sie in Teilbereichen sogar. Erste Arbeiten an softwarebasierten Expertensystemen sind bereits seit den 1960er-Jahren bekannt. Heute unterstützen die Systeme beispielsweise bei medizinischen Diagnosen oder der Fehlersuche in IT-Systemen.

Die zentralen Merkmale eines Expertensystems

Die wichtigsten Merkmale eines Expertensystems sind:

  • es repräsentiert in seiner Wissensbasis eine große Menge an gesammeltem Expertenwissen
  • es beschränkt sich auf die Problemlösung in einem spezifischen Fachgebiet
  • es ist in der Lage, aus der Wissensbasis eigene Schlussfolgerungen und Handlungsempfehlungen abzuleiten
  • es generiert mithilfe Künstlicher Intelligenz neues Wissen
  • es erläutert dem Menschen das Zustandekommen der Problemlösungen und Handlungsempfehlungen
  • die Interaktion mit dem Anwender findet über Benutzerdialoge statt

Ziele und Aufgaben eines Expertensystems

Wichtigstes Ziel eines Expertensystems ist es, den Menschen in einem definierten Fachgebiet bei der Lösung von Problemen zu unterstützen. Das kann notwendig werden, wenn nicht genügend Experten verfügbar sind, Experten von Routineaufgaben entlastet werden sollen oder zentralisiertes Expertenwissen in die Fläche gebracht werden soll. Darüber hinaus erhöhen Expertensysteme durch die unmittelbare Bereitstellung von Lösungen die Sicherheit in kritischen Situationen oder verbessern die Qualität eines Produktes. Typische Aufgabenstellungen für Expertensysteme sind:

  • Interpretation von Daten durch den Vergleich von Soll- und Ist-Werten
  • Klassifizierung von Ereignissen
  • Konfiguration komplexer Systeme unter Berücksichtigung verschiedener Bedingungen
  • Erkennen von Fehlerursachen und Reduzierung von Arbeitsfehlern
  • Beseitigung kritischer Zustände durch das Einleiten von Aktionen
  • Planung einer Folge von Aktionen zur Erreichung eines bestimmten Ziels
  • dialogorientierte, fachspezifische Beratung von Menschen
  • Vorhersage von Ereignissen auf Basis bestimmter Geschehnisse

Prinzipieller Aufbau eines Expertensystems

Ein Expertensystem besteht aus folgenden Komponenten:

  • die Wissensbasis
  • der Inferenzmotor
  • die Erklärungskomponente
  • die Wissenserwerbskomponente
  • die Schnittstelle für den Benutzerdialog

Eine zentrale Rolle übernehmen die Wissensbasis und der Inferenzmotor. In der Wissensbasis ist das komplette problembezogene Wissen gespeichert. Es lässt sich in generisches Wissen und fallbezogenes Wissen unterteilen. Auf Basis dieses Wissens generiert der Inferenzmotor Problemlösungen. Er verknüpft hierfür Fakten und Regeln und generiert Schlussfolgerungen. Diese präsentiert das System über den Benutzerdialog dem Anwender und erklärt ihr Zustandekommen mithilfe der Erklärungskomponente. Die Wissenserwerbskomponente gestattet die Erweiterung der Wissensbasis und stellt die benötigten Funktionen hierfür zur Verfügung. Neue Fakten und Regeln lassen sich zum vorhandenen Wissen hinzufügen. Die Wissenserwerbskomponente prüft darüber hinaus die Vollständigkeit und Konsistenz des gespeicherten Wissens.

Verschiedene Realisierungsmöglichkeiten von Expertensystemen

Wie ein Expertensystem letztendlich realisiert ist, kann sehr unterschiedlich sein. Es kommen verschiedene Modelle wie fallbasierte, regelbasierte oder klassifizierende Systeme zum Einsatz. Fallbasierte Systeme suchen bei einer bestimmten Problemstellung ähnliche Fälle in ihrer Wissensbasis und übertragen die Lösung auf den aktuell zu lösenden Fall. Regelbasierte Systeme arbeiten mit vorgegebenen Wenn-dann-Regeln und lösen Probleme durch das Finden und Anwenden der zur Problemstellung passenden Regeln. In einem klassifizierenden System generiert das Expertensysteme mithilfe von Entscheidungsbäumen eigenständige Lernprozesse. Es kommt das sogenannte induktive Lernen zum Einsatz, das aus gegebenen Fakten Thesen für neue Problemstellungen ableitet.

Anwendungsbeispiele für Expertensysteme

Expertensysteme kommen in vielen verschiedenen Bereichen und Fachgebieten zum Einsatz. Typische Anwendungen finden sich dort, wo es an Experten fehlt oder die vorhandenen Experten von der Auswertung großer Datenmengen entlastet werden sollen. In der Medizin unterstützen Expertensysteme bei Diagnosen oder der Auswertung von Röntgenaufnahmen. Ein weiterer Anwendungsbereich ist in der Chemie zu finden. Dort analysieren Expertensysteme die Struktur chemischer Verbindungen oder unterstützen bei organischen Synthesen. Ebenfalls Anwendungen für Expertensysteme sind geologische Erkundungen, die militärische Aufklärung, Erdölbohrungen, Erdbebenvorhersagen, die Umweltentwicklung oder die Überwachung und Steuerung von Kernreaktoren.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

Künstliche Intelligenz in der Medizintechnik

Artificial Intelligence

Künstliche Intelligenz in der Medizintechnik

Wie kann Künstliche Intelligenz die Arbeit des Mediziners verbessern und die Qualität der Diagnostik steigern? Im Rahmen einer Fachtagung beleuchteten Mediziner und Informatiker das Trendthema und zeigten praktische Beispiele aus der Anwendung. lesen

So kann die Industrie jetzt schon von KI profitieren

Maschinelles Lernen & Künstliche Intelligenz

So kann die Industrie jetzt schon von KI profitieren

Große Datenmengen lassen sich mit Künstlicher Intelligenz (KI) und Maschinellem Lernen auswerten. Wir zeigen Möglichkeiten, eine KI anzuwenden und umzusetzen. lesen

Speed für Mustererkennung mit dem Rete-Algorithmus

Grundlagen Statistik & Algorithmen, Teil 3

Speed für Mustererkennung mit dem Rete-Algorithmus

Geschäftsregeln halten zahlreiche Unternehmensprozesse am Laufen, deshalb können sie mitunter sehr umfangreich werden. Der Umfang macht ihre Ausführung zeitaufwendig, weshalb jede Methode, sie zu beschleunigen, willkommen ist. Der Rete-Algorithmus beschleunigte 1979 die damals bestehenden Systeme für die Verarbeitung von Business Rules um den Faktor 3.000. Er ist bis heute die Grundlage zahlreicher Expertensysteme, etwa in der Mustererkennung. lesen

Digitalisierung schlau umgesetzt

IBM Watson Summit 2017

Digitalisierung schlau umgesetzt

Auf dem IBM Watson Summit 2017 in Frankfurt/Main haben führende europäische Unternehmen wie Kone, Lufthansa, Siemens oder Telekom ihre Digitalisierungsprojekte vorgestellt, die sie auf der Basis von Watson realisiert haben oder demnächst vorstellen. Darunter befand sich auch einer der ersten deutschen Chatbots. lesen

So funktioniert Cognitive Computing

E-Book von BigData-Insider

So funktioniert Cognitive Computing

Überall sprechen die IT-Anbieter von Künstlicher Intelligenz (KI), ohne jedoch genau zu definieren, was sie damit meinen. Der KI-Hype überwiegt zunehmend das, was im Kern an Nutzen für den IT-Nutzer verborgen ist. Höchste Zeit, dass die Disziplinen, die sich hinter KI verbergen, beleuchtet werden. Neben Machine Learning ist hier vor allem Cognitive Computing zu nennen. lesen

Künstliche Intelligenz im Unternehmenseinsatz

Mustererkennung, Automatisierung, Sprachsteuerung

Künstliche Intelligenz im Unternehmenseinsatz

Künstliche Intelligenz steuert nicht nur Roboter und Produktionsstraßen, macht Häuser smart oder lässt Autos autonom fahren. Sie übernimmt auch immer mehr Aufgaben in Dienstleistungsunternehmen oder in der Unternehmensadministration. lesen

Künstliche Intelligenz wird greifbar

Cebit 2017

Künstliche Intelligenz wird greifbar

Auf der Cebit, die in diesem Jahr unter dem Motto „d!conomy“ stand, wurde zum ersten Mal sichtbar, wie sich intelligente Algorithmen praktisch in neuen Technologien, Produkten und Services niederschlagen. lesen

So revolutioniert Cognitive Computing Handel und Medizin

Big Data und Künstliche Intelligenz

So revolutioniert Cognitive Computing Handel und Medizin

Anbieter wie IBM sprechen von „Cognitive Computing“ und haben das entsprechende IT-System nach ihrem Firmengründer Watson benannt. Andere Hersteller wie etwa Salesforce benutzen lieber den Begriff „Artificial Intelligence“. Die Segnungen beider Technologien sollen die Welt verbessern, doch die IT-Anforderungen unterschieden sich grundlegend voneinander. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 45860283 / Definitionen)