Grundbegriffe der Künstlichen Intelligenz (1)

Grundbegriffe der Künstlichen
Intelligenz
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (1)
Alter Menschheitstraum:
Simulation menschlicher Leistungen durch eine
Maschine („Homunculus“)
Ausgangspunkt unserer Überlegungen ist der Begriff
„menschliche Intelligenz“.
– Für Intelligenz gibt es keine umfassende Definition.
– Es gibt auch kein Schema, wie Intelligenz gemessen werden
kann (Problematik der Intelligenztests).
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (2)
Liste von Eigenschaften, die Intelligenz voraussetzen
(Dengel 1994):
• geistige Grundhaltungen (Glauben, Wünsche,
Absichten)
• Fähigkeit zur Zerlegung komplexer Probleme in
überschaubare Teilaufgaben
• Erkennen von Zusammenhängen und Ableiten neuer
Fakten aus existierenden Tatsachen
• Verstehen von mehrdeutigen oder unvollständigen
Sachverhalten
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (3)
• Fähigkeit zur Vorhersage
• Bewerten von Alternativen in Hinblick auf die
Handlungsauswahl
• Fähigkeit zur Selbstreflexion
• Fähigkeit zur Generalisierung und Abstraktion
• Weiterverarbeitung visueller Sinneseindrücke
• Wissensaufnahme und -bereicherung (Lernen)
• Fähigkeit zur Kommunikation
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (4)
Achtung:
Allerdings wird intelligentes Verhalten nicht alleine
durch das Vorhandensein dieser Eigenschaften
erreicht.
Zusätzlich muß noch ein fundierter Wissensstand über
das jeweilige Problem vorhanden sein, das eine
gezielte Interpretation der Eindrücke erlaubt.
 vgl. letzte Vorlesung
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (5)
Definition Artificial Intelligence (AI) (Feigenbaum):
„Artificial Intelligence (AI) is the part of computer
science concerned with designing intelligent
computer systems, that is, systems that exhibit the
characteristics we associate with intelligence in
human behavior - understanding language, learning,
reasoning, solving problems, and so on.“
Ziel des Forschungsgebietes AI = KI = Künstliche
Intelligenz:
Simulation menschlicher Intelligenz durch geeignete
intelligente Computerprogramme.
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (6)
Prägung des Begriffes “artificial intelligence” 1956 durch J.
McCarthy (Geburtsstunde der AI):
Durchführung einer Sommer-Konferenz mit namhaften
Computerwissenschaftlern am Dartmouth-College in New
Hampshire
• Ziel war es, Überlegungen anzustellen, wie intelligent denkende
Maschinen programmiert werden können.
• Ausarbeitung eines Forschungsprogrammes, das auf der Idee
basierte, die dem intelligenten Verhalten zugrundeliegenden
geistigen Prozesse formal zu beschreiben und durch geeignete
Programmiersprachen auf Computern zu simulieren.
• Formalisierung auf Basis von symbolischen Ausdrücken.
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (7)
Frage: „Können Maschinen denken?“
Um auf diese Frage eine Antwort zu finden, wurde vom
englischen Computerpionier A. Turing 1950 der sog.
Turing-Test entwickelt)
Versuchsanordnung:
• Computer
• Mensch
Raum A
• Interviewer
Raum B
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (8)
Turing-Test:
Mensch
Computer
?
Interviewer
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (9)
Der Interviewer stellt Fragen aus beliebigen
Fachgebieten seiner Wahl sowohl an den Menschen
als auch an den Computer mit dem Ziel
herauszufinden, welcher von beiden eine
entsprechende Antwort gegeben hat.
Der Computer hat den Turing-Test bestanden, falls für
den Interviewer im Laufe der Testserie nicht
erkennbar war, ob die Antwort von einem Computer
oder Menschen erbracht wurde.
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (10)
Strategien des Computers und der befragten Person:
• befragte Person:
... wird immer wahrheitsgemäß antworten und den Interviewer
davon zu überzeugen versuchen, daß er der Mensch und der
andere der Computer ist.
• Computer:
... dieser ist darauf programmiert unwahre Antworten zu
geben, indem er versucht, einen Menschen zu imitieren
(„imitation game“) und bemüht ist, dies dem Interviewer
einzureden.
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (11)
Beispiele für Versuche des Interviewers, den Computer
zu entlarven:
Beispiel 1: Lösung einer komplexen mathematische
Berechnung
• befragte Person:
... verhält sich normal (d.h. gemäß seiner Fähigkeiten) und
verrechnet sich vielleicht
• Computer:
... möchte der Computer den Turing-Test bestehen, so muß
er wissen, bei welcher Komplexität von mathematischen
Aufgaben es notwendig ist, eine falsche Antwort zu geben, um
sich nicht zu verraten.
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (12)
Beispiele für Versuche des Interviewers, den Computer
zu entlarven:
Beispiel 2: Interviewer frägt nach Meinung bez. Eines
Liebesgedichtes.
• befragte Person:
... verhält sich wieder normal; kennt dieses Gefühl.
• Computer:
... möchte der Computer den Turing-Test bestehen, so muß
er Kenntnisse über das Gefühls- und Seelenleben des
Menschen besitzen (vortäuschen).
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (13)
Eigenschaften des Turing-Tests (1):
• Begriff „Intelligenz“ nicht schwammig, sondern
objektiv und klar definiert. Intelligenz = Verhalten
einer bekannten intelligenten Person in Bezug auf
bestimmte Fragestellung.
• Es wird vermieden, auf so unbeantwortbare Fragen
wie „Sind elektronische Bauteile wirklich die
geeignete Technologie, um Intelligenz simulieren zu
können?“ oder „Besitzen Computer Bewußtsein?“
einzugehen.
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (14)
Eigenschaften des Turing-Tests (2):
• Menschen werden beim Turing-Test gegenüber
Computern nicht begünstigt, da für den Interviewer in
seinem Urteil ausschließlich die Qualität der
Antworten auf bestimmte Fragen zählt.
• Der Turing-Test ist nicht bloß ein
Gedankenexperiment aus den fünfziger Jahren,
sondern findet auch heute noch Verwendung (Bsp.
Testen von Expertensystemen).
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (15)
Testen von Expertensystemen:
Frage an
die Testpersonen:
Experte
Expertensystem
Welche Antwort
stammt von wem ?
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (16)
Kritikpunkte am Turing-Test:
• Der Turing-Test ist allzusehr auf mathematisch,
symbolische Aufgaben ausgerichtet. Kenntnisse im
Bereich Erkennung und Handfertigkeit (auch
Teilbereiche der menschlichen Intelligenz) werden
z.B. nicht getestet.
• Umgekehrt wird immer wieder bemängelt, daß der
Test nur darauf ausgerichtet ist, den Menschen zu
„emulieren“. (Ist es notwendig, daß der Computer
z.B. bei komplexen Berechnungen wirklich eine
falsche Antwort gibt, um sich nicht zu verraten?).
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (17)
Sinnvollere Ansicht:
Computer und Mensch verkörpern jeweils andere Arten
von Intelligenz:
– Computer: beinahe Unfehlbarkeit des digitalen Speichers ist
Intelligenzleistung.
– Mensch: Empfindungen beim Hören eines bestimmten
Musikstücks.
http://www.dke.univie.ac.at
Deep Blue
Source: http://photos.upi.com
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (18)
In der KI gibt es zwei Richtungen betreffend die Frage,
welche geistigen Qualitäten es gibt:
• starke KI:
jede geistige Aktivität ist nichts anderes als das
Ablaufen eines Algorihmus. Die Prozesse im
menschlichen Gehirn (Denken, Fühlen, Verstehen
usw.) sind nichts anderes als die Erscheinungen
beim Durchführen eines ungeheuren komplexen
Algorithmus.
Behauptung: Äquivalenz zwischen einem geistigen
Prozeß im Gehirn und einem Algorithmus.
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (19)
Starke KI:
=
Denkprozeß
Ablauf in Form eines Algorithmus prinzipiell möglich
(Voraussetzung: Aufhebung
exist. Speicher- und Prozessorbeschränkungen)
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (20)
entgegengesetzte Richtung (z.B. J.R. Searle):
menschliches Denken und Algorithmus im Computer
(arbeitet mit formalen Symbolen) können nicht
gleichgesetzt werden.
Berühmtes Beispiel von Searle:
Gedankenexperiment „Chinesisches Zimmer“:
– Hier besteht zwar der Computer den Turing-Test und
erbringt damit eine intellektuelle Leistung
– Aber: bei der Lösung der Aufgabenstellung hat das
Moment des „Verstehens“ (menschl. Begriff) völlig gefehlt.
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (21)
Versuchsanordnung „Chinesisches Zimmer“ (1):
• Person in abgeschlossenem Zimmer
• auf dem Tisch: Körbe mit auf Kästchen
aufgedruckten Symbolen, die unverständlich sind.
(z.B. unbekannte Sprache, z.B. Chinesisch)
• Person bekommt Buch (Regelbuch), das in
bekannter Sprache verfasst ist: Darin ist beschrieben,
nach welchen Regeln die chinesischen Zeichen
miteinander kombiniert werden müssen (Identifikation
der Zeichen durch die Form).
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (22)
Versuchsanordnung „Chinesisches Zimmer“ (2):
• Beispiel für Regel aus dem Regelbuch:
„Nimm ein bestimmtes Zeichen, das aussieht wie ein
Krakel aus Korb 1 und lege es neben dem SchnörkelZeichen aus Korb 2.“
• Leute von außerhalb des Zimmers, die Chinesisch
verstehen, reichen durch einen Schlitz Stöße von
Kärtchen mit Symbolen in das Zimmer („Fragen“).
• Die Person wendet auf diesen Input das Regelbuch
an und reicht nun ihrerseits Kartenstöße aus dem
Zimmer hinaus („Antworten“).
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (23)
Übersetzung der Begriffe aus dem
Gedankenexperiment in die Computerterminologie:
• Regelbuch = Computerprogramm (Anm: Das
Regelbuch muß dabei so verfaßt sein, daß die
produzierten Antworten in einem Chinesisch sind,
daß sie von denen eines gebürtigen Chinesen
ununterscheidbar sind.)
• die Person = Computer
• Stöße mit Kärtchen auf dem Tisch = Daten
• hineingereichte Daten = Fragen = Input
• hinausgereichte Daten = Antworten = Output
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (24)
Beispiel:
• hineingereichter Stoß = Frage: „Welche ist ihre
Lieblingsfarbe?“ (Person im Zimmer versteht diese
Frage nicht).
• Anwendung des Regelbuchs = Sequenz von
Symbolen auf Kärtchen ist Antwort
• hinausgereichter Stoß: „Meine Lieblingsfarbe ist blau,
aber grün mag ich auch sehr.“
 Turing-Test ist zwar bestanden, aber Moment des
Verstehens (fremde Sprache) hat völlig gefehlt.
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (25)
Reihe von Computerprogrammen, die Intelligenz ohne eigentliches
Verständnis simulieren.
Beispiel: Bereich Psychologie, Arbeiten von Colby und
Weizenbaum (ELIZA-Programm, Simulation eines
Psychotherapeuten)
Funktionsweise eines derartigen Computersystems:
• Grundwortschatz des Computers
• System verwendet Grundwortschatz und Patientenaussagen,
um Kommentare oder intelligente Antworten zu generieren.
• Dialog über Terminal
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (26)
Auszug aus einem Dialog: Patient - Therapeut
(Computer):
Therapeut: “Wie kann ich Ihnen helfen”
Patient: “Ich weiß nicht”
Therapeut: “Versuchen Sie mir darüber etwas zu erzählen”
Patient: “Nein”
Therapeut: “Können Sie das erläutern”
Patient: “Ich bin heute krank und müde”
Therapeut: “Haben Sie eine Vermutung warum”
Patient: “Ja, ich bin alt”
http://www.dke.univie.ac.at
Grundbegriffe der Künstlichen
Intelligenz (27)
Auszug aus einem Dialog (2): Patient - Therapeut
(Computer):
Therapeut: “Bitte reden Sie weiter”
Patient: “Ich habe anscheinend an allem das Interesse verloren”
Therapeut: “Erzählen Sie mir mehr über diese Gefühle”
Patient: “Ich habe auch eine Vermutung, warum ich mich so fühle”
Therapeut: “Tatsächlich”
Patient: “Anscheinend fehlt mir eine Familie”
Therapeut: “Warum haben Sie das Gefühl, Ihnen fehlt eine Familie”
Patient: “Es bedeutet eine Herausforderung”
Therapeut: “Warum ist das wichtig für Sie”
http://www.dke.univie.ac.at
Wissensrepräsentationsformalismen
(Symbolische KI)
http://www.dke.univie.ac.at
Teil Symbolische KI
• Ebene Denkmodelle (gedankliche Konzeption)
– Einführung in die Wissensrepräsentation
•
•
•
•
Frames
Regeln
Semantische Netze
Logik
• Ebene Realisierung (Implementierung auf Computer)
– (Programmiersprache PROLOG)
• Ebene Einsatz im Unternehmen
– Phasen im Knowledge Engineering; Berufsbild Knowledge
Engineer
http://www.dke.univie.ac.at
Methoden und Anwendungsgebiete
Natürlichsprachliche Systeme
Bilderkennung
Wissensrepräsentation
Robotik
KI-Sprachen
Suchverfahren
Inferentielle Prozesse
Expertensysteme
Lernen, Wissenserwerb
Spiele
Programmsynthese,
Verifikation
Problemlösen, Planen
Deduktionssysteme
http://www.dke.univie.ac.at
Grundbegriffe der
Wissensrepräsentation (1)
In der Vorlesung zu behandelnde Formalismen der
Wissensrepräsentation:
•
•
•
•
Rahmen (Frames)
Produktionsregeln
Grundbegriffe der Aussagen- und Prädikatenlogik
Semantische Netze
http://www.dke.univie.ac.at
Grundbegriffe der
Wissensrepräsentation (2)
Kriterien für die Formalismen:
• Weltausschnitt
Hier geht es um die Frage, welcher Teil der Welt
modelliert wird.
• Detaillierungsgrad
Wie gut ist der Formalismus geeignet, um die Details
der Realität abzubilden?
• semantische Primitive
Welche Konstrukte bietet der Formalismus, um
Semantik darzustellen?
http://www.dke.univie.ac.at
Grundbegriffe der
Wissensrepräsentation (3)
• Änderbarkeit
Ist das repräsentierte Wissen modular aufgebaut, so
können Änderungen in der Wissensbasis leichter
durchgeführt werden.
• effiziente und einfache Verarbeitungsmechanismen
Lassen sich mit dem Formalismen leicht Inferenzen
durchführen, also neues aus existierendem Wissen
generieren?
• Benutzbarkeit
Ist der Formalismus anwenderfreundlich?
http://www.dke.univie.ac.at
Grundbegriffe der
Wissensrepräsentation (4)
Unterscheidung deklarative/prozedurale
Darstellungsart:
• deklarative Darstellung
– Wissen was
– im Vordergrund stehen statische Aspekte
– Fakten über Objekte und deren Bezeichnungen
Beispiele:
“Meine Telefonnummer lautet 45645-234”, “Die Liste (2 4 6 8) ist
sortiert”.
• prozedurale Darstellung
– Wissen wie
– Im Vordergrund stehen dynamische Aspekte
– Manipulation und Finden von Daten, Programmen
Beispiele: Nachschlagen einer Telefonnummer im Uni-Telefonregister
oder die Angabe eines Sortieralgorithmus
http://www.dke.univie.ac.at
Grundbegriffe der
Wissensrepräsentation (5)
Taxonomie der Formalismen zur Wissensrepräsentation:
• Regeln
Regeln sind Formalismen, die definieren, welche Handlungen unter
welchen Voraussetzungen zulässig sind.
• Objektorientierte Wissensrepräsentation
Die Repräsentation erfolgt auf Basis der objektorientierten
Modellierung.
• Semantische Netze und Objekt-Attribut-Wert-Tripel
Wissen wird in Form eines gerichteten Graphen (Netzwerkstruktur)
mit Knoten und Kanten repräsentiert, wobei die Knoten für
Sachverhalte und die Kanten für Beziehungen zwischen den
Sachverhalten stehen.
• Logik
Die Formalisierung erfolgt durch eine Sprache der formalen Logik
(z.B. Prädikatenlogik).
http://www.dke.univie.ac.at
Grundbegriffe der
Wissensrepräsentation (6)
• Einordnung hinsichtlich des Kriteriums
deklarative/prozedurale Repräsentation:
Prädikatenlogik
Produktionsregeln
Semantische
Netze
Objekt-AttributWert-Tripel
deklarative
Wissensrepräsentation
Frames
objektorientierte
Programmierung
prozedurale
Wissensrepräsentation
http://www.dke.univie.ac.at
Frames (1)
Definition eines Frames (Minsky 1975):
Here is the essence of the frame theory: When one encounters a
new situation (or makes a substantial change in one’s view of a
problem) one selects from memory a structure called a “frame”.
This is a remembered framework to be adapted to fit reality by
changing details as necessary.
Frames = komplexe Datenstrukturen zur Beschreibung stereotyper
Situationen.
Denkprozesse sind für Minsky komplexe Netzwerke von Frames,
zwischen denen Nachrichten ausgetauscht werden.
http://www.dke.univie.ac.at
Frames (2)
Allgemeine Struktur eines Frames:
Frame-Name
Eigenschaften
Slot 1
Wert 1
Prozedur
Slot 2
Wert 2
Prozedur
Slot 3
Wert 3
...
...
...
...
Slot n
Wert n
http://www.dke.univie.ac.at
Frames (3)
Frame Auto:
EIN_AUTO
Länge
Leistung
Motor
...
Rahmen
beschleunigen
betanken
Methode (prozeduraler Wissensteil)
bremsen
...
Slot (deklarativer Wissensteil)
http://www.dke.univie.ac.at
Frames (4)
Ein Frame (~ Objekt) kann sein:
•
•
•
•
Klasse von Objekten
Unterklasse
Instanz
selbständiges Objekt
Klassen legen die Verhaltensweisen für ihre Objekte fest (vgl.
Vererbung in der objektorientierten Programmierung). Bei der
Instanziierung von Frames müssen den Slots konkrete Einträge
(auch „values“, „entries“ oder „fillers“ genannt), zugewiesen
werden, sofern sie nicht mit Default-Werten vorbesetzt sind.
http://www.dke.univie.ac.at
Frames (5)
Arten von Einträgen in einem Slot:
• normale Attribute
Hier ist der Slot ein benannter Platzhalter, dem bei der
Instanziierung gewisse Einträge zugewiesen werden.
• Default-Werte
Defaults sind Standardbelegungen, die bei der Instanziierung
übernommen werden, sofern keine anderen Werte vorliegen.
• andere Frames oder Verweise auf andere Frames
Der Slot erhält seine Belegung durch Verweise auf andere
Frames. Entweder es wird auf untergeordnete Frames
verwiesen (subframes), die Teilaspekte beschreiben oder auf
übergeordnete Frames (Klassen-Frames).
• Prozeduren
Prozeduren können bei der Instanziierung oder bei anderen
Gelegenheiten ausgeführt werden und zu Belegungen für Slots
führen. Dieser Fall wird auch als procedural attachment
bezeichnet.
http://www.dke.univie.ac.at
Frames (6)
Folgende Prozeduren können zur Anwendung kommen:
• “if added”-Prozedur
Diese Prozedur wird ausgeführt, wenn neue Information in den
Slot eingetragen wird.
• “if removed”-Prozedur
Diese Prozedur wird ausgeführt, falls eine Information aus dem
Slot entfernt wird.
• “if needed”-Prozedur
Diese Prozedur wird in jenem Fall ausgeführt, wo Informationen
aus dem Slot benötigt werden, dieser aber leer ist.
• “if changed”-Prozedur
Diese Prozedur gelangt zur Ausführung, falls der Wert des Slots
geändert wird.
http://www.dke.univie.ac.at
Frames (7)
Beispiel: Frame Waschmaschine
Waschmaschine
Spezialisierung von ELEKTROGERÄT
Generalisierung von WASCHVOLLAUTOMAT
AEG-2000-auto, MIELE 429, BOSCH
if added: benutze subframe
Objekt
Kleidungsstück, Wäsche
if added: benutze subframe
Zweck
Waschen, Spülen, Schleudern
Teile
Trommel, Schlauch, Motor, Gehäuse,
Knöpfe
Material
Blech, Plastik, Gummi
Default: Blech
Farbe
weiss, grau, braun
if needed: WASCHMASCHINE_ANSEHEN
Baujahr
1998
if changed: Fehler: Wertänderung nicht möglich!
http://www.dke.univie.ac.at
Frames (8)
Das Programmieren eines rahmenorientierten Systems
beinhaltet 3 wichtige Aktivitäten:
• Definition von passenden Frames
• Instanziieren von Frames
• Austausch von Nachrichten zwischen Rahmen
(message passing)
http://www.dke.univie.ac.at
Frames (9)
Nachrichten werden von einem Rahmen an einen
anderen gesendet und lösen i.a. die Ausführung
einer Methode beim empfangenden Rahmen aus.
Die Ausführung einer Methode kann bewirken, daß
• der Datenbereich des Empfängers verändert wird
• neue Exemplare erzeugt werden
• eine neue Nachricht verschickt wird
http://www.dke.univie.ac.at
Frames (10)
Eine Nachricht ist die einzige Möglichkeit, auf die Daten eines
Rahmens zuzugreifen:
Nachrichten bestehen aus höchstens drei Teilen:
• Empfänger = Rahmen, an den die Nachricht gerichtet ist
• Selektor = Methode, deren Ausführung gewünscht ist
• Argumente = Was soll in die gewünschte Operation einbezogen
werden?
Nach Ausführung der Methode wird an den absendenden Rahmen
ein Quittung gesendet.
http://www.dke.univie.ac.at
Frames (11)
EMPFÄNGER
SELEKTOR
ARGUMENT(E)
mein_auto
betanken
40
mein_auto
fahren
Hamburg-Berlin
5
+
6
TEXT
+
„Hallo Leser“
Bildschirm
rotiere
FENSTER:90
http://www.dke.univie.ac.at
Frames (12)
Es gibt nicht nur Beziehungen zwischen Klassen und
Exemplaren sondern auch zwischen verschiedenen
Klassen
• Diese Beziehungen bestehen im wesentlichen aus
der Generalisierung bzw. Spezialisierung von
Eigenschaften (vgl. Waschmaschinen-Beispiel) und
werden als Vererbung bezeichnet.
• Anordung von Klassen in sog. Ober- und
Unterklassen
http://www.dke.univie.ac.at
Frames (13)
Beispiel für Klassenhierarchie:
EIN-FAHRZEUG
EIN_AUTO
EIN_ÖFF_VERKEHRSMITTEL
EIN_SCHIENENFAHRZEUG
EIN_KOMBI
EIN_BUS
EIN_ZUG
http://www.dke.univie.ac.at
Frames (14)
Vor- und Nachteile von Frames:
Vorteile:
• dem Menschen sehr entgegenkommende
Repräsentation
• durch Vererbungskonzept wird Speicherplatz
eingespart.
• Der Wissensbasis liegt mit der Klassenhierarchie
eine bestimmte Organisation zugrunde.
http://www.dke.univie.ac.at
Frames (15)
Nachteile:
• In der Realität gibt es Objekte, die beträchtlich von
den Prototypen abweichen (Eine FrameRepräsentation derartiger Objekte erhöht die
Komplexität des ganzen Systems, da für eine Instanz
eines solchen Objektes einzigartige Merkmale
abgespeichert werden müssen.)
• Schwierigkeiten in framebasierten Systemen bei der
Abbildung heuristischen Wissens (z.B. Abbildung der
Beziehungen zwischen Symptomen und Diagnose in
einem medizinischen Diagnosesystem)
http://www.dke.univie.ac.at
Produktionsregeln (1)
Allgemeine Form einer Regel:
wenn Prämisse(n) dann Konklusion(en)
Statt Prämisse werden auch oft die Begriffe
“Bedingung”, “Voraussetzung” oder “Situation” und
statt Konklusion die Begriffe “Aktion” oder
“Hypothese” verwendet.
Obige Form der Regel sagt aus, daß im Falle der
Erfüllung der Prämisse(n) die Konklusion(en) zur
Ausführung gelangt (gelangen).
http://www.dke.univie.ac.at
Produktionsregeln (2)
Einfachste Form der Regel: Lediglich eine Prämisse (P) wird mit
einer Konklusion (Q) kombiniert:
wenn P dann Q
Diverse Variationsmöglichkeiten: Eine Möglichkeit besteht darin,
sowohl im Prämissen- als auch Konklusionsteil Konjunktionen
zuzulassen:
wenn P1 und P2 und ... Pn dann Q1 und Q2 und ... Qm
Interpretation:
Falls alle Prämissen erfüllt sind, werden die Konklusionen auf der
rechten Seite ausgeführt.
http://www.dke.univie.ac.at
Produktionsregeln (3)
Auf der linken Seite sind auch Disjunktionen zugelassen:
wenn P1 oder P2 oder ... Pn dann Q
Dies bedeutet dann, daß bereits eine erfüllte Prämisse ausreicht,
um die Konklusion auf der rechten Seite auszulösen. Die
disjunktive Darstellung kann auch folgendermaßen geschrieben
werden:
wenn P1 dann Q
wenn P2 dann Q
...
wenn Pn dann Q
http://www.dke.univie.ac.at
Produktionsregeln (4)
Ein Produktionssystem besteht allgemein aus folgenden
Komponenten:
• Wissensbasis
• Faktenbasis (Datenspeicher)
• Inferenzmechanismus
http://www.dke.univie.ac.at
Produktionsregeln (5)
Architektur eines Produktionssystems
Inferenzmechanismus
Faktenbasis
Wissensbasis
Recognize
Select
Fakten
Regeln
Act
http://www.dke.univie.ac.at
Produktionsregeln (6)
Prinzip des „Recognize-Select-Act“-Mechanismus:
• Recognize-Schritt: Zunächst versucht der
Inferenzmechanismus für die aktuellen Falldaten eine
anwendbare Regel zu bestimmen. Dazu werden in
einem ersten Schritt in einer Liste alle anwendbaren
Regeln zusammengestellt.
• Select-Schritt: Anwendbar sind alle jene Regeln, wo
die Prämissen durch die Falldaten erfüllt sind.
Häufiges Problem: Nicht nur eine einzige Regel,
sondern mehrere Regeln sind anwendbar.
Notwendig: Konfliktlösungsstrategie, um jene Regel
zu bestimmen, die als nächste ausgewählt wird.
http://www.dke.univie.ac.at
Produktionsregeln (7)
Häufige Konfliktlösungsstrategien:
• Auswahl nach der Reihenfolge
• Auswahl nach der Spezifität
Die Regel “wenn A und B dann C” ist spezifischer als
“wenn A dann D”.
• Auswahl nach Aktualität
Eine Regel ist dabei umso aktueller, je neuer die
Aussagen ihrer Prämissen im Datenspeicher sind.
• Auswahl aufgrund von Zusatzwissen
Dabei können entweder statische Regelprioritäten
vergeben werden oder Metaregeln zum Einsatz
kommen.
http://www.dke.univie.ac.at
Produktionsregeln (8)
• Act-Schritt: Ist nun eine Regel ausgewählt, besteht
der letzte Schritt schließlich in der Anwendung (=
„Feuern“ der Regel). Dabei werden die neu
generierten Fakten zur Faktenbasis hinzugefügt.
Der “Recognize-select-act”-Zyklus wird solange
ausgeführt, bis
• ein vorher spezifiziertes Terminierungskriterium erfüllt
ist (z.B. nur eine gewisse Anzahl von Regeln darf
feuern) oder
• keine Regel aus der Wissensbasis mehr anwendbar
ist.
http://www.dke.univie.ac.at
Einführung in Produktionsregeln
(9)
2 mögliche Arbeitsweisen bei Regeln:
• Vorwärtsverkettung = forward chaining =
datengetriebene Inferenz. Die Wissensbasis wird von
den Prämissen hin zu den Konklusionen durchlaufen.
• Rückwärtsverkettung = backward chaining =
zielgetriebene Inferenz. Umgekehrter Weg, also von
den Konklusionen rückwärts gehend zu den
notwendigen Prämissen.
http://www.dke.univie.ac.at
Einführung in Produktionsregeln
(10)
Arbeitsweise bei der Vorwärtsverkettung:
• Der Inferenzmechanismus geht dabei von der
Ausgangskonstellation der Wissensbasis aus und versucht
Zielaussagen zu generieren, indem sukzessiv Regeln
angewendet werden.
• Zyklisch wird überprüft, ob die Voraussetzungen der Regeln
gültig sind. Für den Fall, daß die Prämissen mehrerer Regeln
erfüllt sind, existieren Konfliktlösungsmechanismen.
• Das Verfahren terminiert dann, falls keine Regel mehr feuern
kann oder ein bestimmtes Abbruchkriterium erfüllt ist.
http://www.dke.univie.ac.at
Einführung in Produktionsregeln
(11)
Arbeitsweise bei der Rückwärtsverkettung:
• Ausgangspunkt = Zielzustand
• Es wird nun versucht, diesen Zielzustand aus der
Wissensbasis abzuleiten, also zu bestimmen, ob die
dem Zielzustand entsprechende Aussage wahr ist.
•
Zuerst wird begonnen nachzusehen, ob der
Zielzustand als
• Faktum existiert.
http://www.dke.univie.ac.at
Einführung in Produktionsregeln
(12)
• Ist dies nicht der Fall, so wird untersucht, ob die
Prämissen jener Regel als Fakten in der Faktenbasis
existieren, die den Zielzustand als Konklusion
enthalten. Trifft dies nicht zu, so kann es sein, daß
diese Fakten ja Konklusionen anderer Regeln sind.
Es wird also rückwärtsgehend überprüft, ob die zur
Generierung der Zielaussage notwendigen Fakten
vorhanden sind bzw. generiert werden können => Ist
dies der Fall, dann kann die Zielaussage bewiesen
werden.
http://www.dke.univie.ac.at
Einführung in Produktionsregeln
(13)
Veranschaulichung der Grundprinzipien bei der Vorund Rückwärtsverkettung durch ein Beispiel.
Gegeben ist folgende Wissensbasis:
Regel 1: wenn F und B dann Z
Regel 2: wenn C und D dann F
Regel 3: wenn A dann D
Faktenbasis: enthält die Fakten A, B, C, E, G und H.
http://www.dke.univie.ac.at
Einführung in Produktionsregeln
(14)
Vorwärtsverkettung:
• Regel 3 erfüllt als einzige die Prämissen. Diese Regel wird
ausgeführt und somit das Faktum D generiert.
• Nun betrachten wir wieder, welche Prämissen von Regeln erfüllt
sind. Einzig für Regel 2 trifft dies zu.
• Somit wird diese Regel ausgeführt und das Faktum F erzeugt.
• Schließlich sind die Prämissen von Regel 1 erfüllt. Diese Regel
wird ausgeführt und der Zielzustand Z erzeugt.
 Da keine Regel mehr feuern kann, ist die Vorwärtsverkettung
zu Ende.
http://www.dke.univie.ac.at
Einführung in Produktionsregeln
(15)
Rückwärtsverkettung:
Ausgangspunkt = Zielzustand Z; Frage: Kann dieser Zielzustand
aus der Wissens- und Faktenbasis abgeleitet werden?
• Faktum Z ist nicht in der Faktenbasis enthalten.
• Der nächste Schritt besteht darin, zu überprüfen, ob Z vielleicht
als Konklusion in einer Regel auftritt.
• Dies ist bei Regel 1 der Fall. Die Prämissen dieser Regel sind
allerdings nur zum Teil (Faktum B) erfüllt, da ja Faktum F nicht
in der Faktenbasis ist. Regel 1 kann also nicht feuern.
• Somit wird wieder gesucht, ob F die Konklusion einer Regel ist,
die feuert, damit Z abgeleitet werden kann. Dies trifft tatsächlich
bei Regel 2 zu.
http://www.dke.univie.ac.at
Einführung in Produktionsregeln
(16)
• Allerdings sind die Prämissen dieser Regel zum
derzeitigen Stand unerfüllt, da lediglich Faktum C in
der Faktenbasis existiert.
• Zur Herleitung des Zielzustandes Z ist also unbedingt
erforderlich, daß Faktum D durch eine Regel erzeugt
wird. Regel 3 erzeugt D und ist auch erfüllt, da die
Prämisse ja in der Faktenbasis enthalten ist.
 Somit kann der Zielzustand Z durch Feuern der
Regeln 3, 2 und 1 (in dieser Reihenfolge) erzeugt
werden.
Die Aussage Z ist also wahr.
http://www.dke.univie.ac.at
Einführung in Produktionsregeln
(18)
Vorteile von Produktionsregeln:
• Uniformität der Wissensbasis (= gleichbleibende Struktur der
Regeln) beschleunigt ebenfalls den Entwicklungsprozeß (kein
Umschalten zwischen verschiedenen Datenstrukturen nötig)
Nachteile von Produktionsregeln:
• Beim Hinzufügen einer neuen Regel kann es passieren, daß
– der Prozeß der Verkettung von Regeln nicht terminiert
– das Wissen in der Wissensbasis kontradiktorisch ist (Bei großen
Wissensbasen sind derartige Kontradiktionen schwer zu
lokalisieren.)
http://www.dke.univie.ac.at
Einführung in Produktionsregeln
(19)
Nachteile von Produktionsregeln (2):
• Der Inferenzmechanismus prüft ja in jedem Zyklus,
bei welchen Regeln die Prämissen erfüllt sind. Bei
großen Wissensbasen
 sehr ineffizient (Forschungsanstrengungen:
Optimierung der Inferenzmechanismen bzw.
Partitionierung der Wissensbasen)
• komplexe Anwendungsgebiete: es existiert eine
übergroße Anzahl von Inputkonstellationen, die nicht
alle entsprechend in der Wissensbasis abgebildet
werden können.
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(1)
Semantische Netzwerke:
• eine der Prädikatenlogik weitgehend entsprechende
Darstellungsform
• enthält auch konzeptionelle Grundlagen für andere
Repräsentationsformen wie z.B. Objekt-Wert-AttributTripel und Frames
• Ursprung Semantischer Netze: in der Psychologie,
wo sie hauptsächlich zur Modellierung des
menschlichen Gedächtnisvermögens verwendet
wurden
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(2)
• Semantische Netze zählen zu den deklarativen
Repräsentationsformen.
• Die Repräsentation von Wissen erfolgt hier in
netzwerkartigen Strukturen mittels Objekte und
Relationen zwischen diesen Objekten.
• In der KI existieren unter dem Oberbegriff
“Semantische Netze” eine ganze Reihe
unterschiedlicher Netzwerkkonzeptionen.
– große Unterschiede in Bezug auf mögliche Objekte und
Klassenbezeichnungen
– wesentliches gemeinsames Merkmal: Verwendung
netzartiger, graphischer Darstellungsmethoden
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(3)
Semantische Netze bestehen aus Knoten und Kanten:
• Knoten
graphisch zumeist durch Rechtecke oder Kreise
dargestellt und repräsentieren Objekte, Situationen,
Konzepte oder Begriffe
• Kanten
graphisch durch Pfeile gekennzeichnet und stellen
Verweise zwischen den Wissenseinheiten dar
Motivation für Netzwerkmodelle: Organisation der
Wissensstrukturen wird in den Vordergrund gestellt
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(4)
Einfaches Semantisches Netz
(vom Collins/Quillian-Typ):
Flügel
Vogel
HAT
IST-EIN
Amsel
HAT
Federn
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(5)
• “IST-EIN”-Beziehung
– Dieser Beziehungstyp stellt die Verbindung von einem
Knoten zu einem übergeordneten Knoten her, der für ein
generalisierendes Konzept steht (Konzept der
Generalisierung, Teilmengen-Beziehung).
– Über diesen Beziehungstyp wird Vererbung realisiert, d.h.
die für den Oberbegriff gültigen Eigenschaften gelten auch
für die Teilbegriffe, die durch IST-EIN-Kanten mit dem
Oberbegriff verbunden sind. (Die Teilbegriffe können
natürlich zusätzliche Eigenschaften aufweisen.)
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(6)
• “HAT”-Beziehung
Mit diesem Beziehungstyp werden einem Knoten
dagegen bestimmte Eigenschaften zugeordnet
(Konzept der Aggregation).
z.B. Flügel besteht aus Federn.
Achtung: Kanten im Semantischen Netz müssen immer
gerichtet sein!
Amsel  Vogel: jede Amsel ist ein Vogel
Vogel  Amsel: jeder Vogel ist eine Amsel (inkorrekt)
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(7)
Vererbung = Basis für Inferenzmechanismus in
Semantischen Netzen
Flügel
Vogel
HAT
IST-EIN
Amsel
Amsel ist ein Vogel
Vogel hat Flügel
Amsel hat Flügel
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(8)
Nachteil bei Vererbungshierarchien: Einzelne Mitglieder einer
Objektklasse weisen abweichende Eigenschaften auf.
kann
Tier
ist ein
kann
atmen
Fell
kann
sich bewegen
kann
Vogel
fliegen
hat
hat
ist ein
ist ein
Amsel
kann
singen
Flügel
Flügel
Strauß
ist
kann
ist
braun
schnell
laufen
groß
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(9)
vgl. vorige Abbildung:
• Vögel können fliegen.
• Subklasse von Vogel ist “Strauß”. Folgerung: Auch
Strauße können fliegen  falsch.
• Also muß diese Eigenschaft bei der Subklasse
“Strauß” unterdrückt werden.
• Korrektur dieser falschen Inferenz: Eigenschaft wird
zwar bei der Oberklasse benannt, die Vererbung
aber bei der entsprechenden Subklasse blockiert.
(über den speziellen Eigenschaftstyp “HAT-NICHT”
(NOT-HAS-PROP))
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(10)
• Vererbung dann gut anwendbar wenn es bei den
Objekten von Subklassen wenige Ausnahmen gibt.
Steigen die Ausnahmen hingegen an, so müssen
Korrekturen über die HAT-NICHT-Eigenschaft
durchgeführt werden (erschweren Lesbarkeit des
Semantischen Netzes)
• Auch Instanzen von Klassen können in einem
Semantischen Netz zu gespeichert werden (Konzept
der Klassifikation).
(z.B. Instanz von Subklasse Amsel könnte sein:
Amsel mit Namen „Hansi“).
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(11)
Vorteile von Semantischen Netzen:
• Organisationsprinzipien für die Wissensbasis (siehe etwa das
Konzept der Generalisation). Derartige Organisationsprinzipien
existieren z.B. bei Produktionssystemen in der Regel nicht.
• alle expliziten Informationen über ein bestimmtes Konzept sind
um einen einzigen Knoten gespeichert  Daher muß man nur
den zugehörigen Anker-Knoten finden, um Zugriff auf alle
Informationen des Konzeptes zu bekommen (erhebliche
Reduktion der Suchzeit).
• Zugriffspfade für die Suche nach Wissenseinheiten sind durch
die gerichteten Kanten schon vordefiniert.
http://www.dke.univie.ac.at
Einführung in Semantische Netze
(12)
Nachteile von Semantischen Netzen:
• Ausnahmebehandlung bei Vererbung
• weder Standardterminologie noch Standards für die
Interpretation von Wissen existieren  Untersucht
man ein Semantisches Netz, so ist oft unklar, was
eigentlich repräsentiert wird.
Beispiel: Knoten “Amsel” kann sein: typische Amsel
oder auch Klasse aller Amseln.
 Fehlende einheitliche Notation zur Deutung von
Strukturen erschwert Lesbarkeit des Netzes und führt
auch dazu, daß jede Interpretation eigene
Inferenzprozeduren verwendet.
http://www.dke.univie.ac.at