Expertensysteme: Arbeitsweise

Wissensbasierte KI-Systeme, in denen menschliches Expertenwissen so gespeichert ist, dass es auch maschinell abrufbar ist, heißen auch Expertensysteme. Sie verarbeiten Anfragen von Nutzenden durch Anwendung logischer Schlussverfahren.

Die folgende Grafik stellt die Komponenten eines solchen Expertensystems vor. Klicken Sie auf die einzelnen Komponenten, um sich über ihre Funktion und Zusammenarbeit zu informieren (Styczynski et al., 2017, S. 11-14).

Ein Beispiel für ein Expertensystem ist MYCIN. Dieses medizinische Expertensystem wurde entwickelt, um Infektionen im Blut besser diagnostizieren zu können. Seine Wissensbasis wurde auf Interviews mit menschlichen Expertinnen und Experten, Fallbeispielen und Lehrbüchern aufgebaut. Schließlich arbeitete es basierend auf 450 logischen Regeln so verlässlich, wie einige Expertinnen und Experten und deutlich besser als angehende Ärztinnen und Ärzte (Russell et al., 2023, S. 45).

Fakten, Regeln und Anfragen - Logische Programmierung

Eine grundlegende Herausforderung für ein wissensbasiertes System ist es, das Wissen so darzustellen, dass es maschinell verarbeitet werden kann.

Eine Möglichkeit, dies zu realisieren, ist die Logische Programmierung. Hier wird das Wissen als eine Sammlung von Fakten und Regeln dargestellt. Bei einer Anfrage an das System wird anhand der Fakten und Regeln eine Antwort generiert.

Im Folgenden erhalten Sie anhand eines Beispiels einen kurzen Einblick, wie ein solches System arbeitet. Im Beispiel soll ein Expertensystem für eine Schule aufgebaut werden, an das Anfragen gestellt werden können, wie „Gibt es eine weibliche Lehrkraft, die das Fach Sport Unterrichtet?”, oder „Wird das Fach Spanisch an der Schule unterrichtet?”.

Fakten

Fakten sind einfache, als wahr postulierte Aussagen über das Wissensgebiet. In unserem Beispiel sind dies Aussagen wie „Anna Meier ist eine weibliche Lehrkraft mit der Personalnummer 12345.”, „Sport ist ein Fach.”, oder „Die Lehrkraft mit der Personalnummer 12345 unterrichtet in der Klasse 9c das Fach Mathematik”.

Im folgenden Programmcode sind solche Fakten in der logischen Programmiersprache Prolog formuliert:

%Fakten
lehrkraft(12345, anna, meier, w).
lehrkraft(43322, peter, schmidt, m).
lehrkraft(36323, markus, huber, d).
lehrkraft(45232, sandra, unterreithmaier, w).
lehrkraft(41965, kim, mueller, w).

fach(sport).
fach(englisch).
fach(mathematik).

unterrichtet_klasse_fach(12345, 9c, mathematik).
unterrichtet_klasse_fach(43322, 9c, sport).
unterrichtet_klasse_fach(43322, 5b, englisch).

Diese Fakten könnten von einem Menschen formuliert oder maschinell aus einem Stundenplanprogramm abgeleitet worden sein.

Regeln

Durch das Formulieren von Regeln lassen sich aus der Sammlung von Fakten weitere Informationen gewinnen.

Beispielsweise lassen sich die Fächer, die eine Lehrkraft unterrichtet, aus den Aussagen über ihren Unterricht ableiten:

unterrichtet_fach(N,F) :- lehrkraft(P,V,N,G), unterrichtet_klasse_fach(P,K,F).

N und F sind dabei Platzhalter für Nachname und Fach. Die Regel bedeutet in Worten also: die Lehrkraft mit dem Nachnamen N unterrichtet das Fach F, wenn

• P ihre Personalnummer ist und zugleich

• diese Personalnummer P in einem der Fakten über einen Unterricht im Fach F in einer Klasse K vorkommt.

Anfragen

Mit Hilfe der Fakten und Regeln können nun Anfragen an das Expertensystem gestellt werden, wie zum Beispiel „Wie heißen die weiblichen Lehrkräfte?”.

In Prolog wird eine Anfrage mit den Zeichen ?- eingeleitet und lautet dann beispielsweise so:

?- lehrkraft(P,V,N,w).

Dabei sind P, V und N Platzhalter für alle möglichen Werte. Als Antwort gibt das System alle Werte für P, V, N, für die der entsprechende Fakt in der Faktensammlung existiert:

P = 12345, V = anna, N = meier
P = 45232, V = sandra, N = unterreithmaier
P = 41965, V = kim, N = mueller

Die Frage „Wird das Fach Spanisch an der Schule unterrichtet?” wird in Prolog so formuliert:

?- fach(spanisch).

Im Fall unseres obigen Beispiels erhält man darauf die Antwort

false.

An dieser Stelle können Sie die Grenzen von Expertensystemen vielleicht schon erahnen: Wird eine Anfrage mit „Ja” (bzw. „true”) oder „Nein” (bzw. „false”) beantwortet, dann kann das einerseits daran liegen, dass die Frage anhand der vorliegenden Fakten und Regeln beantwortet wird. Im Fall unseres obigen Beispiels bedeutet dies, dass die Frage „Wird das Fach Spanisch an der Schule unterrichtet?” mit „Nein” beantwortet wird, weil es den Fakt

fach(spanisch). 

nicht gibt. Dies kann bedeuten, dass das Fach Spanisch an der Schule nicht unterrichtet wird.

Es kann aber auch sein, dass der Fakt oder die Regel einfach (noch) nicht in der Wissensbasis erfasst wurde. Die Grundannahme des Expertensystems ist, dass alles, was nicht in der Wissensbasis explizit als Fakt oder Regel hinterlegt ist, nicht existiert. Anders ausgedrückt: Wenn ein Fakt nicht in der Wissensbasis vorhanden ist, wird angenommen, dass dieser Fakt falsch ist. Dies bezeichnet man auch als „Closed World Assumption”, die notwendig ist, um die Komplexität der Wissensrepräsentation zu verringern und die Entscheidungsfindung zu vereinfachen (Furbach et al., 2024, Seite 141-159).

Ein auch für Laien verständlicher Lehrgang zu Logischer Programmierung findet sich auf inf-schule.de.

Weitere Wissensspeicher

Heute stellt Google in seinen sogenannten Google Knowledge Graphs Informationen zu derzeit 500 Milliarden Begriffen bereit - Tendenz steigend (Furbach et al., 2024, S. 48f). Beispiele und einen Einstieg dazu bietet Google hier.

Eine weitere Wissensbasis ist das frei verfügbare und editierbare Wikidata mit derzeit 100 Millionen Einträgen. Im Gegensatz zur Wikipedia mit ihren Artikeln in natürlicher Sprache, ist Wikidata so abgefasst, dass es maschinell auswertbar ist. Leicht zugänglich sind die Beispielabfragen im Wikidata Query Service.

Auch in der Mathematik spielen Expertensysteme eine wichtige Rolle. In Systemen wie dem Xena Projekt von Kevin Buzzard oder dem Formal Abstracts Projekt von Thomas Hales sind mathematische Fakten so abgespeichert, dass dadurch „Beweis-Assistenz-Systeme” Beweise durchführen können. Beispielsweise konnte Thomas Hales dadurch 1998 die Keplersche Vermutung beweisen. Die verwendeten Beweisketten sind jedoch so umfangreich, dass sie von Menschen nicht nachvollzogen werden können, sondern allenfalls durch unabhängige Computerprogramme (Furbach et al., 2024, S. 43). Mehr über diesen Beweis erfahren Sie beispielsweise im zehnminütigen Film aus der Reihe Mathewelten.

Grenzen von Expertensystemen

Ihre Blütezeit hatten Expertensysteme in den 1980er Jahren. Die große Hoffnung bestand darin, das Spezialwissen menschlicher Expertinnen und Experten in einem maschinellen System zugänglich und verarbeitbar zu machen. Diese Hoffnung konnte jedoch nur teilweise erfüllt werden, v. a. da nur ein kleiner Teil des menschliches Wissen formalisierbar ist.

Mittlerweile sind KI-Systeme, die nicht von Menschen, sondern aus Daten lernen, wesentlich verbreiteter und leistungsfähiger. Gründe dafür sind u. a. die leichte Verfügbarkeit von Daten, z. B. durch die automatisierte Auswertung von Videos und Text. Allerdings funktionieren die datenbasierten KI-Systeme als black box - es bleibt unklar, wie die Systeme zu ihren Ergebnissen kommen. Auch kann es je nach Lernprozess des KI-Systems zu Verzerrungen und fehlerhaften Entscheidungen kommen.

So erhalten vor dem Hintergrund des zunehmenden Rufs nach verlässlichen KI-Systemen hybride Systeme, die wissens- und datenbasierte Ansätze kombinieren, eine höhere Bedeutung (Furbach et al., 2024, Seite 3f).

Lesen Sie hier mehr über datenbasierte KI-Systeme.

Ideen für den Unterricht

Krokodil-Schach und klassische KI

• Unter dem Titel „Back to the Roots. Krokodil-Schach und klassische KI” liefern Annabel Lindner und Stefan Seegerer im Rahmen ihrer „AI Unplugged - Wir ziehen künstlicher Intelligenz den Stecker”-Einheiten ein Spiel, mit dem die Grenzen zwischen klassischer KI (und insbesondere wissensbasierten Systemen) und lernender KI aufgezeigt werden.

  Zielgruppe: ab 9. Jahrgangsstufe

  Art des Materials: Spielanleitung und Hintergrundtext

  Link zum Material: https://www.aiunplugged.org/german.pdf S. 13-16

Es war einmal

• Im Unterrichtsmaterial „Es war einmal” der FAU Erlangen lernen Schülerinnen und Schüler spielerisch historische Fakten rund um KI kennen, u. a. wissensbasierte Systeme und das Beispiel MYCIN.

  Zielgruppe: ab 8. Jahrgangsstufe

  Art des Materials: Unterrichtsmaterial

  Link zum Material: https://www.kiki-labor.fau.de/um-es-war-einmal/

Mathematik in Zeiten von KI – Beweise vom Chatbot

• Christoph Drösser untersucht im SWR-Podcast „Mathematik in Zeiten von KI – Beweise vom Chatbot”, welche Rolle künstliche Intelligenz für Beweise in der Mathematik spielen kann. Unter anderem werden auch die Chancen von Beweis-Assistenz-Systemen vorgestellt.

  Zielgruppe: ab 10. Jahrgangsstufe

  Art des Materials: Audio-Datei

  Link zum Material: https://swr.li/mathematik-ki

Der Lernbereich „Künstliche Intelligenz“ in der Jahrgangsstufe 13 des Gymnasiums

• Die vom ISB erarbeitete Handreichung 'Der Lernbereich „Künstliche Intelligenz“ in der Jahrgangsstufe 13 des Gymnasiums' enthält auf den Seiten 17-66 eine allgemein verständliche Einführung in wissensbasierte KI-Systeme sowie Material für den Unterricht.

  Zielgruppe: 13. Jahrgangsstufe

  Art des Materials: Handreichung für Lehrkräfte

  Link zum Material: https://mundo.schule/details/SODIX-0001126080

Die Legenden um Burg Wolfsfels und Fuchsspitze

• Das Unterrichtskonzept „Die Legenden um Burg Wolfsfels und Fuchsspitze” wurde an der Universität Passau von Dr. Wolfgang Pfeffer und Tobias Fuchs erarbeitet. Es liefert eine spielerische Einführung in wissensbasierte KI-Systeme und logische Programmierung.

  Zielgruppe: 13. Jahrgangsstufe

  Art des Materials: Unterrichtskonzept mit Arbeitsheft und Prolog-Dateien

  Link zum Material: https://kex.fim.uni-passau.de/Wissensbasierte_Systeme/html/WissensbasierteSysteme.html

Der Herr der Brillen

• Das Unterrichtskonzept „Der Herr der Brillen” wurde an der Universität Bayreuth von André Oppitz und Nicole Günzel-Weinkamm erarbeitet. Es liefert eine spielerische Einführung in wissensbasierte KI-Systeme und logische Programmierung.

  Zielgruppe: 13. Jahrgangsstufe

  Art des Materials: Unterrichtskonzept mit Arbeitsheft und Prolog-Dateien

  Link zum Material: https://dlldi.uni-bayreuth.de/lehrerfortbildung/KI/Material/13/

Logische Programmierung

• Die Webseite inf-schule.de des Pädagogischen Landesinstituts Rheinland-Pfalz bietet in der Selbstlerneinheit „Logische Programmierung” anschauliche Lehrtexte sowie vielfältige Aufgaben mit Lösungen.

  Zielgruppe: ab 10. Jahrgangsstufe

  Art des Materials: Selbstlernmaterial

  Link zum Material: https://inf-schule.de/deklarativ/logischeprogrammierung