Begriff
Qualification Problem
Warum wichtig?
Dieser Begriff ist ein Knoten im SengakujiWorks-Wissensnetz. Nutze Level 0 für die erste Einordnung, Level 1 für Praxis, Level 2 für technische Struktur und Level 3 für Grenzen, Fallstricke und Expertenkontext.
Wie startest du ein Auto? Regel: "Schlüssel drehen -> Auto startet." Ist das wirklich wahr? Was ist, wenn die Batterie leer ist? Was ist, wenn kein Benzin drin ist? Was ist, wenn eine Kartoffel im Auspuff steckt? Du kannst niemals alle Bedingungen (Qualifikationen) aufzählen, die erfüllt sein müssen, damit eine Aktion erfolgreich ist. Die Liste der Ausnahmen ist unendlich. Das Qualification Problem ist das Scheitern der Logik an der Unendlichkeit der Realität.
Merksatz: Die Unmöglichkeit, alle notwendigen Vorbedingungen (Prämissen) für eine Handlung vollständig aufzuzählen, um deren Erfolg absolut sicher zu garantieren.
Wir Menschen nutzen Default Logic (Standardannahmen).
"Ich nehme an, das Auto startet (Default)."
"Ich prüfe nicht auf Kartoffeln im Auspuff, es sei denn, ich habe einen Grund dazu."
In der KI nutzt man Non-Monotonic Logic:
Wissen kann zurückgezogen werden.
Startet(Auto) = True.
Neues Fakt: TankLeer.
Startet(Auto) = False. (In klassischer Logik wäre das ein Widerspruch, hier ist es ein Update).
1. Abnormal Predicates
McCarthys Lösung (Circumscription).
TurnKey & ~Abnormal(Car) -> Start.
"Wenn Schlüssel gedreht Und NICHT Abnormal, dann Start."
Wir minimieren das Prädikat Abnormal. Wir nehmen an, es ist falsch, so oft es geht.
Vorteil: Wir müssen die Kartoffel nicht in der Regel nennen. Sie ist Teil von "Abnormal".
1. Reiter's Default Logic
Raymond Reiter formalisierte das Problem 1980. Eine Regel sieht so aus: $A : B / C$. "Wenn A gilt und es konsistent ist anzunehmen, dass B gilt, dann folgere C." Im Auto-Beispiel: "Wenn Schlüssel gedreht (A) und es ist konsistent anzunehmen, dass der Tank voll ist (B), dann folgere: Auto startet (C)." Die Schwierigkeit liegt im Wort "konsistent": Um zu prüfen, ob der Tank leer ist, müsste man eigentlich wieder das gesamte Wissen der Welt prüfen. Reiter löste dies durch "Extensions" – Mengen von logischen Schlüssen, die zusammenpassen.
2. Autoepistemic Logic
Ein modernerer Ansatz von Robert Moore. Das System denkt über seinen eigenen Zustand nach. "Wenn ich nicht weiß, dass eine Kartoffel im Auspuff steckt, dann nehme ich an, dass keine drin ist." Das macht das Qualification Problem handhabbar: Man muss nicht die Abwesenheit von unendlich vielen Dingen beweisen, sondern nur das Fehlen von Information über diese Dinge. Dies wird heute in komplexen Wissensdatenbanken (Knowledge Graphs) genutzt, um auf Anfragen zu antworten, wenn Daten lückenhaft sind.
3. Das "Small World" Problem (Bayes vs. Logic)
In der modernen Robotik (z.B. bei der Mars-Sonde) nutzt man oft keine reine Logik mehr, sondern Probabilistik. Anstatt zu sagen: "Es ist unmöglich, alles aufzuzählen", sagt man: "Die Wahrscheinlichkeit für Kartoffel im Auspuff ist $10^{-9}$". Experten diskutieren jedoch: Kann Wahrscheinlichkeit Logik ersetzen? Antwort: Wahrscheinlichkeiten brauchen "Zustände" (Sample Spaces). Das Qualification Problem besagt aber, dass unser Modell des Zustandsraums selbst unvollständig ist. Wir wissen oft gar nicht, dass "Kartoffel" eine Kategorie ist, die existiert (Unknown Unknowns). Hier hilft nur hybride KI: Logik für die Struktur, Wahrscheinlichkeit für das Rauschen.
Quick-Check
Unterschied zum Frame Problem?
Frame Problem: "Was ändert sich nicht?" (Nachwirkung). Qualification Problem: "Was muss wahr sein, damit es überhaupt passiert?" (Vorbedingung).Warum wichtig für Roboter?
Ein Roboter würde verhungern, wenn er vor dem Essen prüfen müsste, ob das Essen vergiftet ist, ob der Löffel schmilzt, ob die Decke einstürzt... Er muss "mutig" annehmen, dass alles normal ist.Relevanz heute?
Autonomes Fahren. Ein Auto kann nicht auf alle Eventualitäten (Meteoritenschlag) programmiert werden. Es muss mit Unsicherheit (Probabilistik) umgehen.