Expert System

Bevor es Machine Learning gab (wo der Computer aus Daten lernt), gab es Expertensysteme. Man ging zu einem menschlichen Experten (z. B. Arzt) und fragte: "Wie diagnostizierst du?" "Wenn Fieber > 38 UND Husten, DANN Grippe." Man programmierte tausende dieser Wenn-Dann-Regeln hart ein. Das Ergebnis war eine KI, die logisch schlussfolgern konnte. Sie "wusste" nichts, sie folgte nur einem riesigen Entscheidungsbaum. Es war die "Gute alte KI" (GOFAI - Good Old-Fashioned AI).

Merksatz: Ein Computerprogramm, das das Entscheidungswissen eines menschlichen Experten in einem begrenzten Fachgebiet nachbildet, meist basierend auf einer Wissensbasis und einer Inferenzmaschine.

Heute selten als "KI" bezeichnet, aber überall als Business Rules Engines (Drools) im Einsatz.

Bank: "Wenn Kunde < 18 UND Kredit > 0, DANN Ablehnen."
Versicherung: "Wenn Auto = BMW UND Fahrer < 25, DANN Risiko + 50%." Vorteil: Man kann erklären, warum entschieden wurde ("Regel 743 hat gefeuert"). Nachteil: Es lernt nicht dazu. Neue Regeln muss ein Mensch tippen.

1. Architektur

Besteht aus zwei Teilen:

Knowledge Base (Wissensbasis): Die Regeln ("Fakten").
Inference Engine (Schlussfolgerungsmaschine): Der Algorithmus, der die Regeln auf die aktuellen Daten anwendet (Forward/Backward Chaining). Das Besondere: Wissen und Logik sind getrennt. Nicht wie in Java (if...else im Code verstreut), sondern zentralisiert.

2. Knowledge Acquisition Bottleneck

Warum starben sie aus? Weil Experten ihr Wissen oft nicht in Regeln fassen können. "Ich höre am Motorgeräusch, dass das Öl fehlt." -> "Welche Frequenz? Wie laut?" -> "Keine Ahnung, es klingt halt so." Deep Learning (neuronale Netze) löste genau dieses Problem (Lernen durch Beispiele statt Regeln).

1. Conflict Resolution (Salience)

Was passiert, wenn mehrere Regeln gleichzeitig passen? Regel A: "Wenn Patient Fieber hat, gib Aspirin." Regel B: "Wenn Patient Fieber hat UND schwanger ist, gib KEIN Aspirin." In einem Expertensystem muss die Conflict Resolution Strategy (Konfliktlösungsstrategie) entscheiden. Oft nutzt man Salience (Priorität). Regel B bekommt eine höhere Priorität, weil sie spezifischer ist. Andere Strategien sind "Recency" (nimm die Regel, deren Daten am neusten sind) oder "Refraction" (feuer die gleiche Regel nicht zweimal auf den gleichen Daten, um Endlosschleifen zu verhindern).

2. Blackboard-Architekturen

Fortgeschrittene Expertensysteme bestehen nicht aus einer großen Liste von Regeln, sondern nutzen das Blackboard-Prinzip. Stell dir eine Tafel (Blackboard) vor, auf der Experten aus verschiedenen Gebieten (Logistik, Medizin, Recht) ihre Zwischenergebnisse notieren. Jedes Teil-Expertensystem ("Knowledge Source") beobachtet die Tafel und springt ein, wenn es etwas beitragen kann. Dieses modulare Design erlaubt es, extrem komplexe Probleme (wie die Steuerung einer autonomen Raumsonde) in kleine, wartbare Wissenseinheiten zu zerlegen.

3. CLIPS und die Rete-Effizienz

In der Produktion ist der Standard für Expertensysteme die Sprache CLIPS (C Language Integrated Production System), entwickelt von der NASA. CLIPS nutzt den Rete-Algorithmus, um den Rechenaufwand zu minimieren. Anstatt bei jeder Änderung einer Variable alle 10.000 Regeln neu zu prüfen, wird ein Netzwerk aus Bedingungen aufgebaut. Wenn sich eine Variable ändert, "fließt" diese Information durch das Netzwerk und aktiviert nur die betroffenen Teil-Zweige der Regeln. Das macht Expertensysteme auch auf schwacher Hardware (wie sie in Satelliten verbaut ist) extrem schnell und zuverlässig.