Definition Was ist eine Reasoning Engine?

Anbieter zum Thema

INFOMOTION GmbH

QUNIS GmbH

BigData-Insider

Eine Reasoning Engine ist eine Softwarekomponente, die logisch schlussfolgern kann. Sie wendet Regeln auf eine vorhandene Wissensbasis an, um neues Wissen abzuleiten oder Entscheidungen zu treffen. Schlussfolgerungsmaschinen kommen in vielen Bereichen, beispielsweise für Expertensysteme, zum Einsatz.

Die deutsche Übersetzung für Reasoning Engine lautet Schlussfolgerungsmaschine. Manchmal werden die Begriffe Semantic Reasoner, Reasoner, Regelmaschine, Regelinterpreter oder Inferenzmaschine verwendet. Eine Reasoning Engine ist eine Softwarekomponente, die durch Anwendung von logischen Regeln auf eine vorhandene Wissensbasis Schlussfolgerungen ziehen kann, um beispielsweise neues Wissen oder neue Aussagen abzuleiten oder logische Entscheidungen zu treffen.

Das Ableiten von Schlussfolgerungen kann durch verschiedene Mechanismen und Modi erfolgen, beispielsweise durch Vorwärts- oder Rückwärtsverkettung von Informationen. Es gibt aber auch Schlussfolgerungsmaschinen, die auf Wahrscheinlichkeitsberechnungen basieren. So besitzen beispielsweise aktuelle große Sprachmodelle wie die der GPT-Familie oder Gemini gewisse logische Schlussfolgerungsfähigkeiten. Verwendet werden Reasoning Engines beispielsweise für Expertensysteme oder im Bereich der Künstlichen Intelligenz.

Funktionsweise einer Reasoning Engine

Die grundlegenden Komponenten einer Reasoning Engine sind eine strukturierte Wissensbasis, darauf anwendbare logische Regeln und ein Inferenzmechanismus, der mithilfe der Anwendung der Regeln und der Fakten der Wissensbasis Schlussfolgerungen ziehen kann. Die Wissensbasis besteht aus Informationen und Fakten, die als wahr angenommen werden können. Logische Regeln beschreiben, welche neuen Informationen oder Aussagen sich aus den bestehenden Informationen oder Fakten ableiten lassen. Der Inferenzmechanismus interpretiert die Regeln und Fakten und zieht die eigentlichen Schlussfolgerungen.

Grundsätzlich gibt es zwei Schlussfolgerungsmethoden: die Vorwärtsverkettung (Forward Chaining) und die Rückwärtsverkettung (Backward Chaining). Während die Vorwärtsverkettung mit den bekannten Fakten startet und darauf die Regeln anwendet, um zu schlussfolgern, startet die Rückwärtsverkettung mit einer Hypothese und prüft rückwärts, welche Fakten und Regeln zu diesem Ergebnis führen.

Der prinzipielle Ablauf des logischen Schlussfolgerns einer Reasoning Engine lässt sich vereinfacht in diesen Schritten beschreiben:

• Schritt 1: Initialisierung einer Wissensbasis mit bekannten, als wahr zu behandelnden Fakten inklusive der darauf anwendbaren Regeln

• Schritt 2: Anwendung der Regeln auf die Wissensbasis durch den Inferenzmechanismus

• Schritt 3: Ableiten neuer Fakten, Aussagen oder logischer Entscheidungen durch den Inferenzmechanismus

• Schritt 4: iterative Wiederholung des Prozesses, bis keine neuen Fakten oder Aussagen mehr abgeleitet werden können (Vorwärtsverkettung) oder die Hypothese durch die Fakten als bestätigt gilt (Rückwärtsverkettung)

In komplexen Reasoning Engines können Heuristiken oder Optimierungsstrategien zum Einsatz kommen, um die Effizienz und Qualität des logischen Schlussfolgerns zu verbessern.

Beispiele für logische Schlussfolgerungen durch die Anwendung einfacher Regeln

Zum besseren Verständnis der prinzipiellen Funktionsweise einer Reasoning Engine werden im Folgenden drei stark vereinfachte Beispiele aufgeführt, die das logische Schlussfolgern durch die Anwendung von einfachen Regeln auf die Wissensbasis verdeutlichen.

Beispiel 1:

Fakt der Wissensbasis: Es ist dunkel.

Anzuwendende Regeln: Wenn es dunkel ist, sollte man das Licht einschalten. Wenn es nicht dunkel ist, sollte man das Licht nicht einschalten.

Schlussfolgerung (Entscheidung) des Inferenzmechanismus nach Anwendung der Regeln: Das Licht sollte angeschaltet werden.

Beispiel 2:

Aussage eins der Wissensbasis: Apfelbäume blühen im Frühling.

Aussage zwei der Wissensbasis: Die Apfelbäume blühen gerade.

Ableitung einer neuen Aussage durch Anwendung eines Modus wie Ponendo Ponens: Es ist gerade Frühling.

Beispiel 3:

Aussage eins der Wissensbasis: Hat es geregnet, ist die Straße nass.

Aussage zwei der Wissensbasis: Die Straße ist nicht nass.

Ableitung einer neuen Aussage durch Anwendung eines Modus wie Tollendo Tollens: Es hat nicht geregnet.

Große Sprachmodelle und ihre Schlussfolgerungsfähigkeiten

Große Sprachmodelle (Large Language Models) wie Gemini oder die Modelle der GPT-Familie sind zwar nicht mit klassischen Reasoning Engines gleichzusetzen, die auf der Anwendung von strengen logischen Regeln basieren, sie besitzen aber ebenfalls Fähigkeiten zum logischen Schlussfolgern.

Wichtigster Unterschied zwischen klassischer Reasoning Engine und Sprachmodell ist, dass eine Reasoning Engine vorgegebene logische Regeln und eine definierte Wissensbasis nutzt, um durch Anwendung der Regeln Schlussfolgerungen zu ziehen, ein großes Sprachmodell hingegen seine Schlussfolgerungsfähigkeiten durch Training eines künstlichen neuronalen Netzes und Deep Learning mehr oder weniger selbständig erwirbt. Das Modell generiert seine Schlussfolgerungen auf Basis von Mustern und Wahrscheinlichkeiten, die es durch Maschinelles Lernen im Training gelernt hat.

In der Inferenzphase wendet es das antrainierte „Wissen“ und probabilistische Verfahren und Methoden an, um logisch zu schlussfolgern. Explizit vorgegebene Regeln oder konkrete Vorgaben zu den aus den Trainingsdaten zu berücksichtigenden Fakten gibt es nicht. Während die Entscheidungen einer klassischen Reasoning Engine durch die vorgegebenen logischen Regeln und die definierte Wissensbasis nachvollziehbar und erklärbar sind, sind die Entscheidungen eines großen Sprachmodells wenig transparent, da sie auf komplexen, auf Wahrscheinlichkeiten basierenden Berechnungen innerhalb des künstlichen neuronalen Netzwerks basieren. Und obwohl ein Sprachmodell nicht explizit mit strengen logischen Regeln arbeitet, kann es dennoch Antworten generieren, die logischen Schlussfolgerungen ähneln oder gleich sind.

Mittlerweile kommen im Bereich der Künstlichen Intelligenz auch hybride Ansätze zum Einsatz, die klassische regelbasierte Systeme einer Reasoning Engine mit auf Maschinellem Lernen und neuronalen Netzwerken basierenden Modellen kombinieren. Durch die hybriden Ansätze lassen sich die Stärken beider Systeme kombinieren und ihre Schwächen eliminieren.

Anwendungsmöglichkeiten einer Reasoning Engine

Reasoning Engines können für viele verschiedene Anwendungen zum Einsatz kommen. Typische Anwendungen sind:

• für Expertensysteme und technische Supportsysteme in abgegrenzten Fachbereichen wie der Medizin, dem Finanzwesen oder der Rechtsberatung

• für intelligente virtuelle Assistenten

• in der Robotik

• für die semantische Websuche

• für die Sprachverarbeitung und Chatbots

• im Projektmanagement für Planungen mit komplexen Abhängigkeiten und Prioritäten

• für die Fehlersuche, Fehlerdiagnose und Fehlerbehebung

• für Wartungsaufgaben

• für das Wissensmanagement und das Extrahieren von Wissen aus großen Datenmengen

• im Bildungsbereich beispielsweise für die Anpassung von Lerninhalten oder die automatische Korrektur von Arbeiten

• für die automatische Verwaltung von Prozessen und Geräten im Smart-Home-Bereich und im Internet der Dinge (IoT)

(ID:50045246)