Zusammenfassung
In diesem Kapitel sollen die Grundlagen der Entwicklung von Expertensystemen erläutert werden. Hierzu erfolgt zunächst eine Definition des Begriffes Wissen sowie seine Abgrenzung zu verwandten Termini aus dem konventionellen Bereich; im weiteren werden die Techniken zur Repräsentation von Wissen und Inferenz dargestellt, um die Ebene der Implementierung zu verdeutlichen. Das Kapitel zu Werkzeugen und menschlichen Aufgabenträgern untersucht die technischen und organisatorischen Rahmenbedingungen der Entwicklung von Expertensystemen. Ausgangspunkt aller Knowledge-Engineering-Aktivitäten ist die Auswahl der Expertensystem-Technik als Problemlösungsansatz für ein Aufgabensystem; hierfür werden wissensbezogene Kriterien als Entscheidungsgrundlage herausgearbeitet.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
Vgl. Wissen und Kenntnis in Brockhaus /17. Aufl./. Radig schlägt den Begriff kenntnisbasierte Systeme vor; vgl. Radig /Projekte/ 7.
Im Bereich der Künstlichen Intelligenz wird von der Hypothese ausgegangen, daß jedes Wissen unsicher und fehlerhaft ist. Die unter Zugrundelegung dieser Annahme aus philosophischer Sicht grundsätzlich zutreffendere Bezeichnung belief systems findet nur Verwendung, wenn es sich um ein unscharfes, vages Anwendungsgebiet handelt (z. B. politische und strategische Entscheidungen), oder wenn die Schlußfolgerungen des Systems auf expliziten Annahmen beruhen, die während einer Systemanwendung automatisch zurückgenommen werden können (z. B. Planung und Simulation). Zu dieser Sichtweise von Wissen in der Künstlichen Intelligenz, die auch in der vorliegenden Arbeit geteilt wird, vgl. Newell /Knowledge Level/ 18; zu belief systems vgl. Abelson /Belief and Knowledge Systems/; zur Rücknahme von Schlußfolgerungen vgl. Doyle /Truth Maintenance/ und Kleer /Assumption-based TMS/.
Vgl. hierzu den Hinweis von Chmielewicz auf undefinierte Grundbegriffe als Elemente jeder Argumentation; vgl. Chmielewicz /Forschungskonzeptionen/ 62.
Hierbei erfolgt eine Beschränkung auf ausgewählte Ansätze, die unter Zugrundelegung einer expliziten interpretatorischen Dimension verschiedene Wissensarten auf einer abstrakten Ebene unterscheiden.
Vgl. hierzu Carnap /Bedeutung und Notwendigkeit/ 21 ff. Auf die Bedeutung dieser Unterscheidung für die Künstliche Intelligenz weisen Schefe /Künstliche Intelligenz/ 164 f. und Sowa /Conceptual Structures/ 10 ff. hin.
Vgl. Intension und Extension in Brockhaus /19. Aufl./
Vgl. zu dieser Auffassung Hertzberg /Künstliche Intelligenz/ 30 sowie Moore, Newell /MERLIN/. Daher wird in dieser Arbeit die Bezeichnung Wissensträger ohne weiteren klärenden Zusatz verwendet, wenn sowohl Mensch als auch Maschine gemeint sind.
Inhalt der Wissenschaftstheorie ist das Aufstellen einer Wissenschaftsphilosophie, die im Gegensatz zur traditionellen Philosophie nicht die Welt als Ganzes, sondern die mit dem Erkenntnisobjekt Wissen sich befassenden Wissenschaften zum Gegenstand hat; vgl. Wissenschaftstheorie in Brockhaus /17. Aufl./. Zu unterscheiden sind die beiden Richtungen einer analytischen und einer konstruktiven Wissenschaftstheorie: während die analytische Schule einen exakten und formalen Ansatz der Nachkonstruktion von Logik und Struktur wissenschaftlicher Ergebnisse anstrebt, bezieht die konstruktive Wissenschaftstheorie die Praxis der Lebenswelten und damit auch ethisch-politische sowie soziale Aspekte in ihre Untersuchungen ein. Die pragmatische Wende kennzeichnet die Abkehr von der nur durch das Streben nach Erkenntnis motivierten, analytischen Wissenschaft hin zu einer Orientierung an der Praxis und den sie prägenden Interessen als pragmatische, anwendungsorientierte Forschung; vgl. hierzu Luft /Informatik als Technik-Wissenschaft/ 121 ff. Dieses Wissenschaftsverständnis ist auch Grundlage der anwendungsorientierten Informatik.
Zur generellen Bedeutung der konstruktiven Wissenschaftstheorie für die Informatik als Wissenschaft sowie einer Abgrenzung zur analytischen Wissenschaftstheorie vgl. Luft /Informatik als Technik-Wissenschaft/ 171. Zur Ubersicht über die Aufgabenstellung der konstruktiven Wissenschaftstheorie vgl. Lorenzen /Wissenschaftstheorie/.
Zu Verfügungs-und Orientierungswissen vgl. die Unterscheidung in Luft /Informatik als Technik-Wissenschaft/ 160; Leistungs-, Bildungs-und Heils-oder Erlösungswissen werden als Funktionen von Wissen differenziert in Brockhaus /17. Aufl./.
Vgl. Chomsky /Syntactic Structures/
Vgl. Ryle /Concept of mind/. Im englischen Sprachraum wird entsprechend getrennt in knowing that und knowing how.
Vgl. Barkow u. a. /Begriffliche Grundlagen/ 110
Vgl. Luft /Informatik als Technik-Wissenschaft/ 217 ff.
Vgl. hierzu Luft /Informatik als Technik-Wissenschaft/ 95 ff.
Vgl. Hayes-Roth, Waterman, Lenat /Expert Systems/ 4
Vgl. Laske /Ungelöste Probleme/ 4. Dieses Wissen wird an dieser Stelle nicht weiter betrachtet, vgl. hierzu Kapitel 4.1.2.3.
Fakt bezeichnet “etwas, das tatsächlich, nachweisbar vorhanden oder geschehen ist;” Fakt in Brockhaus /19. Aufl./.
Vgl. hierzu z. B. Feigenbaum, McCorduck /Fünfte Computer-Generation/ 93 f.
Müller-Merbach /Operations Research/ 290
Vgl. Hayes-Roth, Waterman, Lenat /Expert Systems/ 4. Im Deutschen bietet sich hierfür der Begriff Expertenwissen an, da Expertise als das schriftliche Gutachten eines Experten definiert ist; vgl. Expertise in Brockhaus /19. Aufl./.
Vgl. Harmon, King /Expertensysteme/ 35 ff.
Die Unterscheidung in strategic und substantive knowledge, die in der vorliegenden Arbeit als strategisches und substantielles Wissen übernommen wird, schlägt Gruber vor; vgl. Gruber /Acquiring strategic knowledge/ 579. Hierfür finden sich auch die Bezeichnungen process und content knowledge; vgl. hierzu Musen /Model-Based Knowledge-Acquisition Tools/ 248 f. In der Literatur wird für das strategische, steuernde Wissen vielfach auch die Bezeichnung Kontrollwissen verwendet; vgl. z. B. Nilsson /Principles/ 48 und Raulefs /Expertensysteme/ 76.
Meta-Wissen kann darüber hinaus die Funktionalität der Erklärungs-und Wissenserwerbskomponente erweitern oder zur Überprüfung des Wissens auf der elementaren Objektebene eingesetzt werden; vgl. Davis /Meta-Rules/.
Das Rationalitätsprinzip besagt: “If an agent has knowledge that one of its actions will lead to one of its goals, then the agent will select that action;” Newell /Knowledge Level/ 8.
Die Bedeutung dieses Elementarprinzips abendländischer Wissenschaften sowie seiner Gegenposition einer antirationalistischen Orientierung werden im Kontext der Forschung zur Künstlichen Intelligenz diskutiert in Winograd, Flores /Computers and Cognition/ 14 ff.
Zu einer ähnlichen Unterscheidung vgl. Thuy, Schnupp /Wissensverarbeitung/ 63 ff.
Dem Verfasser ist bewußt, daß die Einordnung der aus verschiedenen Sichtweisen differenzierten Wissensarten in dieses Schema eine hohe Abstraktion und starke Vereinfachung beinhaltet. Ziel ist es, eine Klassifikation als tragfähiges Schema für die weitere Arbeit aufzustellen und zu verdeutlichen; begriffliche Unschärfen in Detailaspekten können hierbei vernachlässigt werden.
Vgl. Thuy, Schnupp /Wissensverarbeitung/ 66. Die Integration von Expertensystemen mit konventionellen Systemen dient dementsprechend der Verknüpfung von konventionell automatisiertem theoretischen Wissen mit wissensbasiert automatisiertem praktischen Wissen.
Diese Auffassung steht in Übereinstimmung mit dem Informationsbegriff von Shannon und Weaver; vgl. Shannon, Weaver Ifheory of Computation/.
Vgl. Fleischhauer, Rouette /Wissen Information Daten/ B. Diese Sichtweise steht in Übereinstimmung mit DIN 44 300 Informationsverarbeitung, in der die Begriffe Information und Wissen jedoch nicht explizit definiert werden, sondern nur im Rahmen der Erläuterung der Zielsetzung dieser Norm abgegrenzt werden; vgl. DIN 44 300 /Allgemeine Begriffe/ 6.
Sie deckt sich darüber hinaus auch mit der in der Betriebswirtschaftslehre vorherrschenden Auffassung; vgl. Wittmann /Unvollkommene Information/ 14.
Nachrichten sind definiert als “Gebilde aus Zeichen oder kontinuierliche Funktionen, die aufgrund bekannter oder unterstellter Abmachungen Information darstellen und die zum Zweck der Weitergabe als zusammengehörig angesehen und deshalb als Einheit betrachtet werden;” DIN 44 300 /Informationsdarstellung/. Fleischhauer und Rouette weisen in diesem Zusammenhang darauf hin, daß grundsätzlich “als Darstellungsformen von Information alle diejenigen gelten, die entweder sinnlicher Wahrnehmung zugänglich sind oder mentalen Prozessen unterworfen werden können;” Fleischhauer, Rouette /Wissen Information Daten/ 9.
Vgl. Barkow u. a. Begriffliche Grundlagen/ 110 f.
DIN 44 300 /Informationsdarstellung/. Anzumerken ist, daß die Darstellung einer Information als Nachricht und als Daten im allgemeinen in unterschiedlicher Form erfolgt.
Vgl. Rouette /Grundbegriffe der Datenverarbeitung/ 303
Wiederhold weist darauf hin, daß gerade im betrieblichen Bereich eine wesentliche Funktion eines Experten als Wissensträger darin liegt, aus einer Fülle häufig unsystematisch gewonnener Daten die relevanten als Information in einer Situation herauszufiltern; vgl. Wiederhold /Knowledge versus Data/ 79.
Für Expertensysteme als Beratungssysteme ergibt sich hieraus eine wichtige Konsequenz für die Gestaltung der Dialog-und insbesondere der Erklärungskomponente: aufgrund eines Übergangs von Eingangs-in Ausgangsgrößen, der auf komplexen Inferenzen basiert, ist dem Benutzer eine adäquate Hilfestellung für die richtige Interpretation und Einordnung systemtechnisch gewonnener Daten als Informationen zu geben.
Die in Kapitel 1.2 erläuterte fehlende Darstellung bezieht sich auf die Elemente, Beziehungen und Prozesse auf dieser Ebene.
Vgl. Daiser /Epistemologische Grundlagen/ 107
Vgl. hierzu auch die von Newell und Simon formulierte physical symbol system hypothesis, die in Kapitel 1.1. dargelegt wird. Aufgrund der symbolischen Darstellung wird in der Literatur auch vielfach die Bezeichnung Symbolverarbeitung verwendet; vgl. z. B. Lebsanft, Gill /Verwendung von Expertensystemen/ 147 und Lehmann /Wissensverarbeitung/ 411.
Neben der symbolischen Darstellung, die auch als propositionale Abbildung bezeichnet wird, ist als zweite Grundform die analogische Repräsentation zu unterscheiden. Die dazu notwendigen Techniken sind jedoch noch Forschungsgegenstand, aufgrund des Konzeptes der Turing-Maschine ist auch hierfür eine symbolische Simulation erforderlich; daher werden diese Ansätze hier nicht weiter betrachtet. Vgl. zu analogischen Repräsentationen Barr, Feigenbaum /Handbook I/ 200 ff.; zum Begriff propositionale Darstellung vgl. Freksa /Wissensdarstellung/ 139.
Vgl. Luft /Informatik als Technik-Wissenschaft/ 220 ff.
Vgl. zu dieser Kritik und dem ihr zugrundeliegenden holistischen Verständnis von Wissen Becker /Wissen und Können/ 280 ff.; Dreyfus, Dreyfus /Künstliche Intelligenz/ 37 ff.; Winograd, Flores /Computers and Cognition/ 83 ff.
Diese Einordnung wurde in Kapitel 1.3 bereits unterstellt.
Es ist darauf hinzuweisen, daß diese Unterscheidung nicht mit der Differenzierung von deklarativem und prozeduralem Wissen zu verwechseln ist. Beide Wissensarten, ebenso wie strategisches Wissen, können sowohl deklarativ als auch prozedural repräsentiert werden. Vgl. Raulefs /Expertensysteme/ 76.
Durch Interaktion wird die Tatsache beschrieben, daß die einzelnen Wissenselemente nicht völlig ohne Berücksichtigung ihres Anwendungskontextes modularisiert werden können.
Zu den hieraus resultierenden Nachteilen vgl. Kapitel 1.2. In der konventionellen Datenverarbeitung wird Wissen rein prozedural abgebildet: eine bei der Programmerstellung festgelegte Reihenfolge der Abarbeitung von Programmschritten enthält das Wissen über die Lösungswege eines Aufgabensystems.
Zu der Diskussion dieser beiden Ansätze vgl. Winograd /Controversy/
Die Kontrolle über die Interaktion von Wissensdarstellung und -verarbeitung, die sich auch entscheidend auf das Laufzeitverhalten des Systems auswirkt, ist jedoch in jüngster Zeit wieder zum Gegenstand der Diskussion geworden; vgl. Bylander, Chandrasekaran /Generic tasks/ 66 ff.
Zu umfassenden Darstellungen dieses Gebietes vgl. Brachman, Levesque /Knowledge Representation/ und Cercone, McCalla /Knowledge Frontier/.
Auf die in Expertensystem-Lehrbüchern häufig angeführte Methode der semantischen Netze wird nicht eingegangen, da es sich hierbei um einen Formalismus zur grafischen Darstellung von Wissensmodellen und keine Implementierungssprache handelt.
Hierbei wird von der Prädikatenlogik erster Ordnung ausgegangen. Vgl. hierzu Nilsson /Principles/ 131 ff.
Vgl. Mylopoulos, Levesque /Knowledge Representation/ 4 f.
Zum Begriff Dämon vgl. Winston /Artificial Intelligence/ 259.
Die wichtigsten Formen sind der if-added-, if-needed-und if-removed-Prozeduraufruf für Werte von Attributen; vgl. Waterman /Expert Systems/ 74 ff. Darüber hinaus ist es möglich, Dämonen auch analog auf Klassenebene für Instanzen einzusetzen. Die Prozeduren können ebenfalls über Vererbungsrelationen und unter Berücksichtigung von Spezialisierung in der Taxonomie weitergegeben werden.
Vgl. hierzu die Gegenüberstellung von Wissensrepräsentationsformalismen in Niwa, Sasaki, Ihara /Comparison/ 34 ff.
Zum Begriff vgl. Wahlster /Expertensysteme/ 11. In der Literatur findet sich auch die Bezeichnung Produktionssystem; vgl. Raulefs /Expertensysteme/ 78.
Vgl. Post /Formal reductions/
Vgl. Newell, Simon /Human Problem Solving/ 32 f.; vgl. hierzu auch das in Kapitel 1.1 angeführte Informationsverarbeitungs-Paradigma.
Die allgemeine Form des Vergleiches zweier Ausdrücke mit Variablen wird als Unifikation bezeichnet, sie ist die komplexeste Variante, die in Expertensystemen nur selten angewandt wird. Relativ häufig ist dagegen der Spezialfall der Ersetzung von Variablen in Regeln durch Konstanten aus der Datenbasis, der als Pattern Matching bezeichnet wird. Vgl. hierzu Puppe /Einführung in Expertensysteme/ 26.
Produktionensysteme gehören dementsprechend in die Klasse der pattern-directed inference systems, deren wichtigster Vertreter sie sind; vgl. Waterman, Hayes-Roth /Pattern-Directed Inference Systems/ 3 ff.
Hierbei ist zu berücksichtigen, daß die Zulässigkeit der logischen Operatoren von dem jeweiligen Inferenzverfahren abhängt.
Vgl. Davis, King /Production Systems/ 309 ff.
Vgl. Hayes-Roth /Rule-Based Systems/ 922
Vgl. hierzu die Gegenüberstellung von Wissensrepräsentationsformalismen in Niwa, Sasaki, Ihara /Comparison/ 34 ff. Der Einsatz dieser Hilfsmittel bedeutet eine Erweiterung gegenüber dem reinen Produktionensystem-Ansatz; vgl. Davis, King /Production Systems/ 301 ff.
Vgl. Shortliffe /MYCIN/ 89 ff. Wenn in diesem Zusammenhang Vererbung erwähnt wird, so bezieht sie sich lediglich auf die Zugriffsmöglichkeit auf Daten eines übergeordneten Kontextes von einem hierarchisch tiefer angeordneten Knoten desselben Zweiges aus.
Der Kontextbaum wird in einigen Fällen irreführender Weise als Frame bezeichnet, z. B. in dem Werkzeug Personal Consultant Plus; vgl. Harmon, Maus, Morrissey /Tools and Applications/ 109.
Vgl. hierzu die Aufgabenanalyse in die Komponenten Ausgangsobjekt, Verrichtung und Zielobjekt in Frese /Aufgabenanalyse und -Synthese/ 209 f.
Ein Suchprozeß ist dann erforderlich, wenn Wissen - insbesondere strategisches Wissen - nicht vollständig erhoben und implementiert worden ist. In der Praxis muß in dieser Hinsicht häufig ein Kompromiß zwischen Erhebungs-, Implementierungs-und Speicherkosten einerseits und Kosten für die Rechnerressourcen zur Durchführung des Suchprozesses andererseits geschlossen werden. Diese Entscheidung wird jedoch in der Regel unsystematisch, häufig sogar unbewußt getroffen, da zu ihrer Absicherung keine Analysen oder methodischen Ansätze vorliegen. Vgl. hierzu Nilsson /Principles/ 53 f.
Vgl. Nilsson /Principles/ 53 ff. und Winston /Artificial Intelligence/ 80 ff.
Vgl. hierzu McDermott, Forgy /Conflict Resolution/ 178 ff.
Vgl. hierzu insbesondere Stefik u. a. /Organization of Expert Systems/ 140 ff. und auch Puppe /Assoziatives diagnostisches Problemlösen/ 13 ff.
Eine Übersicht gibt Puppe /Einführung in Expertensysteme/ 43 ff.
Vgl. Buchanan, Shortliffe /Uncertainty and Evidential Support/ 210 ff. Für die im Englischen verwendete Bezeichnung certainty factors wird als deutsche Übersetzung Gewißheitsfaktoren vorgeschlagen. Gewißheit ist definiert als die höchste Stufe des Für-wahr-oder Für-gültigHaltens, die meist auf Wissen bezogen wird; vgl. Gewißheit in Brockhaus /19. Aufl./.
Vgl. hierzu Bibel /Inferenzmethoden/ 10 f.
Vgl. Clancey /Epistemology/ 224
Vgl. z. B. den Nachweis zu prädikatenlogischen und Frame-basierten Systemen in Hayes /Logic of Frames/
Vgl. hierzu Brachman /Epistemological Status/ 32 ff.; McCarthy, Hayes /Philosophical Problems/ 469 f.; Schefe /Künstliche Intelligenz/ 155 f. Aus einer Berücksichtigung der genannten Kriterien folgt auch eine ökonomische Adäquatheit im Hinblick auf den Formalisierungsund Implementierungsaufwand.
Die Kriterien können als Weiterführung der Zielsetzungen und Anforderungen an konventionelle Programmiersprachen angesehen werden; vgl. hierzu Schmitz, Seibt /Anwendungsorientierte Informatik/ 180, 188 ff.
Der Thematik dieser Arbeit entsprechend werden die übrigen Kategorien von Adäquatheit hier nicht näher betrachtet.
Für die Bewertung der Adäquatheit von Wissensrepräsentation und Inferenz fehlt jedoch noch eine formale Metrik; vgl. Barr, Feigenbaum /Handbook 1/ 148.
Z. B. hat das Kriterium der algorithmischen Adäquatheit bei Anwendungen der Realzeitverarbeitung meist die höchste Priorität.
So widerspricht z. B. die Maxime der algorithmischen Adäquatheit häufig der Realisierung anderer Zielsetzungen: in der Architektur einer Anwendung wird in vielen Fällen von der formalen Logik abgewichen, um zugunsten eines schnellen Antwortzeitverhaltens die Anzahl der Kontexte nicht zu groß werden zu lassen, da jeder Wechsel zwischen Kontexten bei einer den verfügbaren Hauptspeicher übersteigenden Größe der Wissensbasis Paging erfordert. Vgl. hierzu auch die in diesem Kapitel vorgenommene, analoge Anmerkung zur Beschränkung des Aufbaus eines Kontextbaumes sowie die Feststellung der unsystematischen Auswahl eines Suchverfahrens.
In Lehrbüchern wird häufig die Prädikatenlogik als Basissprache verwendet, um die unterschiedlichen Konzepte der Wissensrepräsentation zu erläutern; vgl. hierzu z. B. Genesereth, Nilsson /Logical Foundations/. Die Prädikatenlogik verstößt jedoch in vielen Fällen gegen das Kriterium der ergonomischen Adäquatheit, da Experte und Benutzer meist Schwierigkeiten haben, das in den atomistischen Aussagen unter Verwendung der prädikatenlogischen Notation ausgedrückte Wissen zu verstehen.
Konzeptionell können z. B. Regeln an die Klassenkontexte der Frames gebunden werden oder eine getrennte, auf der Basis eines Kontextbaumes strukturierte Welt ausmachen; die Kommunikation von einzelnen Formalismen kann entweder direkt oder indirekt über eine Metakomponente bzw. durch Übersetzung erfolgen.
Vgl. hierzu Aikins /Prototypical Knowledge/
Andere Hilfsmittel der Entwicklung von Expertensystemen werden an dieser Stelle nicht betrachtet, da sie das Thema der übrigen Arbeit sind.
Aufgabenträger innerhalb einer Unternehmung können grundsätzlich Menschen, Maschinen und Mensch-Maschine-Kombinationen sein; vgl. Grochla /Unternehmungsorganisation/ 16. Hier sollen die Personen diskutiert werden, die innerhalb einer Unternehmung an der Erstellung eines Expertensystems mitwirken.
König, Behrendt und Wolf quantifizieren diesen Produktivitätsvorteil auf einen Faktor größer als 10; vgl. König, Behrendt, Wolf /Cargex/ 72.
Die Grenzen zwischen den unterschiedenen Kategorien sind fließend, Harmon und King verwenden daher die Bezeichnung Sprache-Werkzeug-Kontinuum; vgl. Harmon, King /Expertensysteme/ 97.
Unter Berücksichtigung der verschiedenen Explikationen des Algorithmus-Begriffes werden hierfür auch die Bezeichnungen applikative, relationale und direktive Programmierung verwendet; prozedurale Programmierung ist danach imperative Programmierung. Vgl. hierzu Schefe /Informatik/ 53 f.
Vgl. Barth /Nichtprozedurale Programmierung/ 196 f.
Logische Programmierung wird daher häufig auch als wissensbasierte Programmierung bezeichnet; vgl. Barth /Nichtprozedurale Programmierung/ 199.
Dieses Prinzip der Datenabstraktion und -kapselung ist Grundlage der Änderungsfreundlichkeit objektorientierter Programmierung; es verwirklicht das Konzept des Information Hiding, das bereits Anfang der 70er Jahre von Parnas als Grundsatz der Software-Methodik gefordert wurde. Vgl. Parnas /Module Specification/.
Vgl. Barth /Nichtprozedurale Programmierung/ 205 f.
Vgl. Goldberg, Robson /SMALLTALK-80 Language/ und Goldberg /SMALLTALK-80 Programming Environment/
LISP wird daher auch häufig als “Assembler”-Sprache der Künstlichen Intelligenz bezeichnet; vgl. Thuy, Schnupp /Wissensverarbeitung/ 190.
Vgl. zu Gegenüberstellungen dieser Systeme Harmon, Maus, Morrissey /Tools and Applications/ 146 ff. und Karras, Kredel, Pape /Entwicklungsumgebungen/ 107 ff.
Das Genus von Shell wird in der deutschsprachigen Literatur nicht einheitlich gesehen. Thuy und Schnupp verwenden die feminine Form die Shell; vgl. Thuy, Schnupp /Wissensverarbeitung/ 202 ff. Ladwig und Mellis gebrauchen das Neutrum das Shell; vgl. Ladwig, Mellis /Negative Erklärungen/ 150. Entsprechend der in der deutschen Sprache geltenden Regelung, das Genus von Fremdwörtern von ihrer deutschen Übersetzung abzuleiten, wird in dieser Arbeit das feminine Genus von Schale unterstellt.
Vgl. Melle /Domain-independent production-rule system/
Bei EMYCIN-artigen Shells sind es Problemstellungen, die durch folgende Elemente abzubilden und zu lösen sind: rückwärtsverkettende Regeln mit konjunktiv verknüpften Prämissen, die in einem Kontextbaum strukturiert werden, und Gewißheitsfaktoren.
Tank weist darauf hin, daß die Problematik bei Shells häufig noch dadurch erhöht wird, daß bei der Entwicklung des ursprünglichen Expertensystems die Problemklasse nicht explizit gemacht worden ist; vgl. Tank /Entwurfsziele/ 71.
Vgl. hierzu z. B. Friedland /Procedural Knowledge/ 857; der Aspekt des Lernaufwandes ist eine Ergänzung der nach Friedland zu berücksichtigenden Gesichtspunkte.
Vgl. Stefik, Conway /Engineering of Knowledge/ 1
Vgl. Johnson /What Kind of Expert/ 92
Vgl. Berry, Broadbent /Expert systems/ 229
Vgl. König, Behrendt, Wolf /Cargex/ 72
Vgl. Eicher /Knowledge Engineer/ 58 f. Das Spektrum der aufgelisteten Anforderungen umfaßt auch in der Fachliteratur z. T. exotisch anmutende Aspekte: The ability to quiet the mind and just ‘be’ is an essential part of many eastern philosophies, probably going to the extreme in Zen Buddhism. We believe that this is an essential attribute of a naturalistic knowledge engineer,…“ Bell, Hardiman /Naturalistic knowledge engineer/ 59.
Vgl. JIPDEC /Trends in Expert Systems/ 26
Vgl. z. B. Rauh /Expertensysteme für Praktiker/ 252, 254
Eine detaillierte Diskussion des Berufsbildes des Knowledge Engineer erfolgt nach einer Erörterung der Teilaufgaben des Knowledge Engineering in Kapitel 5.1.
Zu einer entsprechenden Sichtweise der Systemanalyse als Phase vor der Programmierung vgl. Seibt /Systemanalyse/ 323.
Thuy, Schnupp /Wissensverarbeitung/ 51. Unter einem Systemprogrammierer wird ein Spezialist verstanden, der auf Betriebssystem-Ebene arbeitet bzw. Programme erstellt, die für mehrere Anwendungsprogramme eingesetzt werden können; vgl. Seibt /Systemprogrammierer/. Zu einer Aufzählung von weiteren Beispielen notwendiger systemnaher Arbeiten in praktischen Projekten vgl. Thuy, Schnupp /Wissensverarbeitung/ 52 f.
Vgl. Seibt, Haupt /Benutzer/. Bell und Hardiman schlagen hierfür die Bezeichnung client vor; vgl. Bell, Hardiman /Naturalistic knowledge engineer/ 49 f. Wenn nichts gegenteiliges angemerkt ist, wird im Rahmen dieser Arbeit mit dem Begriff Benutzer der Endanwender bezeichnet.
Als Laie auf einem Gebiet wird jemand bezeichnet, der auf diesem Gebiet kein oder nur sehr wenig Fachwissen besitzt; vgl. Laie in Brockhaus /19. Aufl./.
Diese Unterscheidung ist von großer Bedeutung für die Gestaltung des Beratungspotentials eines Expertensystems, das eine Anpassung an den jeweiligen Wissensstand erfordert. Vgl. hierzu auch Thuy, Schnupp /Wissensverarbeitung/ 44.
Greenwell vertritt sogar die Auffassung, daß der Benutzer die wichtigste Person in einem Expertensystem-Projekt ist; vgl. Greenwell /Knowledge Engineering/ 38.
Hammond ist der Ansicht, daß der Benutzer zum Knowledge Engineer und Expertensystem-Programmierer werden muß; vgl. Hammond /Successes and failures/ 189. Aufgrund der Vielfalt und des Anspruchsniveaus der Anforderungen ist diese Auffassung jedoch als unrealistisch einzustufen.
Zu der Rolle des Benutzers in den unterschiedlichen Phasen vgl. Beerel /Strategic Implications and Applications/ 135 f.
Für erste Projekte zur Entwicklung von Expertensystemen ist die Beteiligung des Managements unumgänglich; vgl. hierzu Lenz u. a. /Management der Entwicklung/ 364.
Für die Entwicklung eines komplexen, einsatzfähigen Expertensystems für mehrere Benutzer sind Gesamtkosten in Höhe von einigen Millionen DM anzusetzen. Vgl. die Aussagen in Benchimol, Lévine, Pomerol /Developing Expert Systems/ 178 f.; Bonnet, Haton, TruongNgoc /Expert Systems/ 191 f.; Harmon, King /Expertensysteme/ 224. Der erforderliche Zeitaufwand beträgt einige Jahre; vgl. hierzu Bobrow, Mittal, Stefik /Perils and Promise/ 892 und Waterman /Expert Systems/ 183 ff.
Vgl. Barrett, Beerel /Expert Systems in Business/ 65 f. und Bonnet, Haton, Truong-Ngoc /Expert Systems/ 114 f.
Vgl. Gill /Investitionsbereitschaft/ 128.
Zu verschiedenen Ansätzen zur Bewertung in bezug auf Effizienz-und Strukturziele vgl. Zelewski /Leistungspotential/ 937 ff. Eine Ubersicht zu quantifizierten Nutzenwerten für ausgewählte Beispiele gibt Mertens, Borkowski, Geis /Anwendungen/ 13 f.
Vgl. Barker, O’Connor /XCON and Beyond/ 303
Barrett und Beerel schätzen das Verhältnis des Zeitaufwandes des Experten zu dem des Knowledge Engineer auf 1:2 bis 1:10; vgl. Barrett, Beerel /Expert Systems in Business/ 142. Mockler gibt als durchschnittlichen Wert ca. 25% der Zeit des Experten für die Dauer der Systementwicklung an; vgl. Mockler /Knowledge-Based Systems/ 38.
Vgl. Brott /Kommerzielle Expertensysteme/ 26
Vgl. Barker, O’Connor /XCON and Beyond/ 307
Barrett, Beerel /Expert Systems in Business/ 202
Vgl. z. B. Prerau /Choosing/ 30 ff. und Waterman /Expert Systems /127 ff. Slagle und Wick schlagen einen Ansatz vor, der neben relevanten Kriterien auch eine arithmetische Bewertungsmethode für die Auswahl einer Anwendung einbezieht, die unterschiedlichen individuellen Zielsetzungen entsprechend ausgestaltet werden kann; vgl. Slagle, Wick /Candidate Applications/.
Vgl. z. B. Harmon, King /Expertensysteme/ 220 ff. und Prerau /Choosing/ 27
Diese gegensätzlichen Perspektiven, die häufig entwicklungsmäßig bedingt aufeinander folgen, werden auch als technology push und application pull bezeichnet; vgl. Hayward /How to Build Knowledge-Based Systems/ 665. Zur Sichtweise einer anwendungsorientierten Informatik vgl. Schmitz, Seibt /Anwendungsorientierte Informatik/ 6 ff.
Vgl. hierzu Gorry, Scott Morton /Management Information Systems/ 61 ff. und Keen, Scott Morton /Decision Support Systems/ 11, 86 ff.
Gorry und Scott Morton unterscheiden in einer zweiten Dimension eine strategische, dispositive (Management) und operationale Ebene. Der Schwerpunkt des Expertensystem-Einsatzes liegt derzeit auf der operationalen Ebene; zukünftig sind jedoch auch Anwendungen auf der dispositiven und strategischen Ebene zu erwarten, sofern es sich hierbei um Aufgabenstellungen handelt, deren Lösung auf dem rationalen Einsatz domänenspezifischen Wissens basiert. Zu berücksichtigen ist, daß sich in beiden Dimensionen Aufgaben im Zeitablauf von einer Ebene auf eine andere verlagern können. Vgl. hierzu Sviokla /Business Implications/ 12 f.
Vgl. Luconi, Malone, Scott Morton /Expert Systems/ 363 f.
Davis, Olson /Management Information Systems/ 409. Die zugrundeliegende Abgrenzung von Wissen und Information steht in Übereinstimmung mit der in dieser Arbeit verfolgten Sichtweise; vgl. hierzu Kapitel 2.1.
Vgl. Prerau /Choosing/ 35
Vgl. hierzu Buchanan /New research/ 284 sowie Duda, Gaschnig /Knowledge-Based Expert Systems/ 266
Zu einer differenzierten Analyse der möglichen Nutzeneffekte vgl. Mertens, Borkowski, Geis /Anwendungen/ 10 ff.
Vgl. Sviokla Business Implications/ 15 f.
Vgl. hierzu Beerel /Strategic Implications and Applications/ 68 f
Rights and permissions
Copyright information
© 1991 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Lenz, A. (1991). Grundlagen. In: Knowledge Engineering für betriebliche Expertensysteme. DUV: Datenverarbeitung. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-14606-3_2
Download citation
DOI: https://doi.org/10.1007/978-3-663-14606-3_2
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-2023-0
Online ISBN: 978-3-663-14606-3
eBook Packages: Springer Book Archive