MYCIN

Es war in Lisp geschrieben. Es nutzte ca. 600 Regeln. Das Wichtigste war der Umgang mit Unsicherheit. Medizin ist nicht schwarz/weiß. "Ziemlich wahrscheinlich Grippe". MYCIN rechnete nicht mit True/False, sondern mit Wahrscheinlichkeiten (0.7).

1. Certainty Factors (CF)

MYCIN erfand eine eigene Mathe für Unsicherheit (weil Wahrscheinlichkeitstheorie/Bayes damals zu schwer zu berechnen war). CF von -1.0 (Sicher falsch) bis +1.0 (Sicher wahr). Regel: "Wenn Symptom A (CF 0.8) und Symptom B (CF 0.5), dann Diagnose C (CF ?)." Es gab Formeln, um diese CFs zu kombinieren. Später zeigte sich: Echte Statistik (Bayes) ist besser, aber CF war gut genug für den Zweck.

2. E-MYCIN (Empty MYCIN)

Man merkte: Die Logik (Inferenzmaschine) ist super, das Wissen (Bakterien) ist austauschbar. Sie löschten das Medizin-Wissen -> E-MYCIN (die erste "Expert System Shell"). Man konnte nun Regeln für Autoreparatur einfüllen und hatte sofort ein neues System.

1. Certainty Factor Algebra

Die Mathematik hinter MYCIN war präzise definiert. Der Certainty Factor ($CF$) berechnete sich aus dem Maß des Glaubens ($MB$) und dem Maß des Unglaubens ($MD$): $CF(h, e) = MB(h, e) - MD(h, e)$. Wenn neue Evidenz $e_2$ hinzukam, wurden die Werte kombiniert: $MB(h, e_1 \land e_2) = MB(h, e_1) + MB(h, e_2) \cdot (1 - MB(h, e_1))$. Das verhinderte, dass $MB$ jemals über 1.0 stieg. Diese "ad-hoc" Algebra war intuitiv für Experten, führte aber mathematisch zu Paradoxien, die später durch die rigorose Bayesianische Statistik (Netica, Hugin) ersetzt wurden. Dennoch blieb MYCIN das Paradebeispiel dafür, wie man menschliches "Bauchgefühl" in Formeln presst.

2. Backward Chaining & Goal-Driven Search

MYCIN arbeitete strikt rückwärtsgerichtet. Anstatt alle Fakten zu sammeln und zu schauen, was rauskommt (Forward Chaining), startete es mit der Hypothese: "Der Patient hat Meningitis". Es suchte dann nach Regeln, die Meningitis im "Dann"-Teil hatten. Wenn diese Regeln Bedingungen hatten (z.B. "Fieber"), wurden diese Bedingungen zu neuen Unter-Zielen. Das verhinderte, dass das System dem Arzt tausende irrelevante Fragen stellte. Es fragte nur das, was für die aktuelle Hypothese wichtig war. In der modernen Welt findet sich dieses Prinzip in Prolog-Engines und automatischen Debugging-Systemen wieder.

3. Rule-Based Explanations

Ein Alleinstellungsmerkmal war das WHY-Kommando. Wenn der Arzt fragte: "Warum willst du wissen, ob er schwitzt?", zeigte MYCIN den aktuellen Regel-Pfad: "Ich versuche Regel 107 zu beweisen, die Fieber benötigt, um die Hypothese X zu stützen." Dies wird heute als Explainable AI (XAI) neu entdeckt. Während Deep Learning (Black Box) heute zwar genauer diagnostiziert, kann es oft nicht sagen, warum. MYCIN bot volle Transparenz – eine Voraussetzung für das Vertrauen in medizinische IT-Systeme.