Wissensbasierte Expertensysteme

Ein Expertensystem ist ein Computerprogramm oder Softwaresystem, das Wissen zu einem spezifischen Themenfeld speichert, dieses Wissen verarbeitet und Lösungswege modellieren kann.

Sie werden Expertensysteme genannt, da ihr Wissen qualitativ meist genauso gut oder besser als dies von Experten ist. Diese Systeme nutzen Regeln, Heuristiken und Wissensdatenbanken, um Entscheidungen oder Empfehlungen zu generieren und sind außerdem dazu in der Lage, unvollständiges bzw. unformatiertes Wissen zu verarbeiten.

Sie können je nach Aufgabenbereich unterschieden werden in: Beratungssysteme, Konfigurationssysteme, Planungssysteme und Diagnosesysteme.

Grundlegend besteht ein Expertensystem aus einer Komponente zum Wissenserwerb und einer Komponente zur Entwicklung von Problemlösungen. Meist wird sie ergänzt durch eine Erklärungs- bzw. Dialogkomponente (virtueller Agent).

Wissensbasierte Expertensysteme können verschiedenartige Nutzen mit sich bringen. Zum einen gibt es in vielen Bereichen Fachkräftemangel oder Expertenverfügbarkeit. Durch Expertensysteme können diese Lücken geschlossen werden. Darüber hinaus sorgen sie auch dafür, dass Wissen erhalten bleibt und nicht mit Experten (z.B. im Ruhestand) verloren geht. Zusätzlich vermeiden sie Inkonsistenz in der Entscheidungsfindung, die häufig auftreten kann, wenn der Anwendungsfall durch eine Vielzahl von Faktoren beeinflusst wird.

Wissensbasierte Expertensysteme können über verschiedene Methodiken implementiert werden. Voraussetzung für ein wissensbasiertes Expertensystem ist, dass Wissen zusammengefasst und in eine Programmiersprache übersetzt wird.

1. Regelbasierte KI
   1. Schlussfolgerung basiert auf einer Gesamtheit von Regeln (Regelbasis), die über „wenn-dann-Bedingungen“ die Eingaben prüfen.
2. Natural Language Processing
   1. Über natürliche Sprachverarbeitung kann das Expertensystem Inhalte verstehen. In Kombination mit anderen KI-Methodiken können dann Inhalte klassifiziert und Schlussfolgerungen gezogen werden. Je Anforderungen und Anwendungsfällen des System, kommen andere Methodiken zum Einsatz.
      1. Machine Learning
      2. Deep Learning

• Konservierung von Expertenwissen im Unternehmen.
• Unterstützung und ggfls. Verbesserung in der Entscheidungsfindung.
• Verbesserung der Skalierbarkeit und Verfügbarkeit von Expertenwissen.
• Wissen ist auf eine spezialisierte Informationsbasis ohne strukturelles Wissen über die Welt beschränkt.
• Fehlende Flexibilität und mögliche Schwierigkeiten mit unerwarteten oder unbekannten Situationen umzugehen.
• Implementierung und Wartung von Expertensysteme kann teuer sein.

• Ada
• KI im Versicherungssektor
• Datensouveränität und sicheres maschinelles Lernen (ML) über Organisationsgrenzen hinweg
• Oscar, der Pflegeroboter zur Unterstützung des Nachtpersonals
• KI-basierte Berichte und Empfehlungen auf digitalen Marktplätzen
• Die intelligente Lebensmittelbestellplattform
• Arbeitsbedingte Gesundheitsrisiken erkennen und steuern
• KI-gestützte Diagnoseempfehlung für hämatoonkologische Labore
• Corporate Social Responsibility (CSR)
• KI-assistierte Krebsdiagnostik durch Bilderkennung
• KI-basierter Kundenservices im Online-Handel
• WIANCO OTT Robotics
• "Dreamwriter"
• Design Plattform für die Automatisierung und Entwicklung von elektronischen Bauteilen

• Künstliche Intelligenz verstehen (2019)

  Ralf T. Kreutzer, Marie Sirrenberg

  Springer Fachmedien Wiesbaden DOI:10.1007/978-3-658-25561-9
• Expertensystem (2018)
  Richard Lackes; Markus Siepermann
• Expertensysteme (o. D.)
  Lexikon der Neurowissenschaft
• Praktische Grenzen (2022)

  Klaus Mainzer, Reinhard Kahle Technik im Fokus p9-56

  Springer Berlin Heidelberg DOI:10.1007/978-3-662-65011-0_2