Zusammenfassung
Wissensbasierte Expertensysteme sind Computerprogramme, die Wissen über ein spezielles Gebiet speichern und ansammeln, aus dem Wissen automatisch Schlussfolgerungen ziehen, um zu konkreten Problemen des Gebietes Lösungen anzubieten. Im Unterschied zum menschlichen Experten ist das Wissen eines Expertensystems aber auf eine spezialisierte Informationsbasis beschränkt ohne allgemeines und strukturelles Wissen über die Welt [1, 2, 3].
Um ein Expertensystem zu bauen, muss das Wissen des Experten in Regeln gefasst werden, in eine Programmsprache übersetzt und mit einer Problemlösungsstrategie bearbeitet werden. Die Architektur eines Expertensystems besteht daher aus den folgenden Komponenten: Wissensbasis, Problemlösungskomponente (Ableitungssystem), Erklärungskomponente, Wissenserwerb, Dialogkomponente. Die Koordination dieser Komponenten wird in Abb. 4.1 gezeigt.
Wissen ist der Schlüsselfaktor in der Darstellung eines Expertensystems. Man unterscheidet dabei zwei Arten von Wissen. Die eine Art des Wissens betrifft die Fakten des Anwendungsbereichs, die in Lehrbüchern und Zeitschriften festgehalten werden. Ebenso wichtig ist die Praxis im jeweiligen Anwendungsbereich als Wissen der zweiten Art. Es handelt sich um heuristisches Wissen, auf dem Urteilsvermögen und jede erfolgreiche Problemlösungspraxis im Anwendungsbereich beruhen. Es ist Erfahrungswissen, die Kunst erfolgreichen Vermutens, das ein menschlicher Experte nur in vielen Jahren Berufsarbeit erwirbt. ...
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Puppe LF (1988) Einführung in Expertensysteme. Springer, Berlin
Kredel L (1988) Künstliche Intelligenz und Expertensysteme. Droemer Knaur, München
Mainzer K (1990) Knowledge-based systems. Remarks on the philosophy of technology and artificial intelligence. Journal for General Philosophy of Science 21:47–74
Clancey W (1983) The epistemology of a rule-based expert system – a framework for explanation. AI-Journal 20:215–293
Nilson N (1982) Principles of Artificial Intelligence. Springer, Berlin
Minsky M (1975) A framework for representing knowledge. In: Winston P (Hrsg) The Psychology of Computer Vision. McGraw-Hill, New York
Sussmann G, Steele G (1980) Constraints – a language for expressing almost-hierarchical descriptions. AI-Journal 14:1–39
Buchanan BG, Sutherland GL, Feigenbaum EA (1969) Heuristic DENDRAL: A program for generating processes in organic chemistry. In: Meltzer B, Michie D (Hrsg) Machine Intelligence, Bd. 4. Elsevier Science Publishing Co, Edinburgh
Buchanan BG, Feigenbaum EA (1978) DENDRAL and META-DENDRAL: Their applications dimensions. Artificial Intelligence 11:5–24
Shortliffe EH (1976) Computer-Based Medical Consultations: MYCIN. Elsevier Science Ltd, New York
Randall D, Buchanan BG, Shortliffe EH (1977) Producing rules as a representation for a knowledge-based consultation program. Artificial Intelligence 8:15–45
Carnap R (1959) Induktive Logik und Wahrscheinlichkeit. Springer, Wien
Lindley DV (1965) Introduction to Probability and Statistics from a Bayesian Viewpoint I–II. Cambridge University Press, Cambridge
Zadeh LA (1975) Fuzzy Sets and their Application to Cognitive and Decision Processes. Academic Press, New York
de Kleer J (1986) An assumption based TMS. AI-Journal 28:127–162
Dreyfus HL, Dreyfus SE (1986) Mind over Machine. Free Press, New York
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2016 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Mainzer, K. (2016). Systeme werden zu Experten. In: Künstliche Intelligenz – Wann übernehmen die Maschinen?. Technik im Fokus. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-48453-1_4
Download citation
DOI: https://doi.org/10.1007/978-3-662-48453-1_4
Published:
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-662-48452-4
Online ISBN: 978-3-662-48453-1
eBook Packages: Computer Science and Engineering (German Language)