Zusammenfassung
Die Entwicklung von Expertensystemen erfordert zur Spezifikation des Aufgabensystems eine detaillierte Erfassung des Wissens und der Problemlösungsprozesse. Hierbei sind drei Phasen zu unterscheiden: Erhebung, Analyse und Modellierung von Wissen. Die Konstruktion einer systematischen Domäne basiert auf linguistischen, konzeptionellen und epistemologischen Modellierungsaktivitäten, die Abbildung 17 veranschaulicht. Auf der linguistischen Ebene erfolgt eine Identifikation von relevanten Begriffen in dem als Ergebnis der Erhebungsphase gewonnenen Erhebungsmaterial; diese Wissenselemente werden auf der konzeptionellen Ebene hinsichtlich ihrer abstrakten konzeptionellen Struktur analysiert und dargestellt. Epistemologisch wird die Organisation des Problemlösungsprozesses modelliert, der auf der höchsten Ebene nach strategischen Gesichtspunkten gesteuert wird.1
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsPreview
Unable to display preview. Download preview PDF.
Literatur
Die Verbindungslinien in Abbildung 17 entsprechen Referenzbeziehungen zwischen Konzepten auf den unterschiedlichen Ebenen. Die Darstellung auf der konzeptionellen und der epistemologischen Ebene kann mit unterschiedlichen Symbolen erfolgen, die in den Kapiteln 4.2.3 und 4.3.2 erläutert werden.
Vgl. Buchanan u. a. /Constructing/ 141 ff.
Ontologie ist definiert als die philosophische Grunddisziplin der Seinswissenschaft oder Lehre vom Seienden; vgl. Ontologie in Brockhaus /17. Aufl./.
Vgl. Alexander u. a. /Knowledge Level Engineering/ 963
Die closed-world assumption besagt, daß nur die in einem System definierten Konzepte und Relationen zulässig sind und kein zusätzliches Wissen für eine Problemlösung eingesetzt werden kann; vgl. Cohen, Feigenbaum /Artificial Intelligence III/ 115.
Vgl. Zelewski /Leistungspotential/ 1321
Vgl. Martial, Victor/Office Knowledge Base/ 32–1.
Auch der fortgeschrittenere Stand der Informationsanalysen im technischen Sektor ist als Erleichterung für das Knowledge Engineering anzusehen; vgl. hierzu Zelewski /Leistungspotential/ 1322.
Die Tatsache, daß technische Anwendungen häufig die Auseinandersetzung mit einem völlig neuen, sehr speziellen Vokabular für den Knowledge Engineer erforderlich machen, während im Dienstleistungsbereich in vielen Fällen bereits entsprechende Vorkenntnisse vorhanden sind, kann die genannten Nachteile nicht aufwiegen. Dieser Faktor ist eher als ein Indiz für die Ambiguität und fehlende Abgrenzbarkeit der Dienstleistungs-Domänen aufgrund ihrer Nähe zum Alltags-und Allgemeinwissen zu werten. Die Dominanz realisierter technischer Expertensysteme belegt die aufgestellten Behauptungen; vgl. hierzu Mertens, Borkowski, Geis /Anwendungen/ 26 f.
Zu primärer und sekundärer bzw. direkter und indirekter Erhebung vgl. Daenzer /Systems Engineering/ 211 f.
Diaper mißt dieser Aufgabe eine so große Bedeutung bei, daß er für diesen Schritt eine separate Phase in seinem Vorgehensmodell zur Entwicklung von Expertensystemen definiert; vgl. Diaper /Designing expert systems/ 29.
Zu Ansätzen auf Datenbanken basierender Expertensysteme, die gegenüber konventionellen Datenbanken erweiterte Möglichkeiten der Wissensbereitstellung bieten, vgl. Appelrath /Von Datenbanken zu Expertensystemen/ 39 ff.
Vgl. Clancey, Shortliffe /Medical Artificial Intelligence/ 12 f.
Grover empfiehlt das Anlegen einer Bibliographie der referenzierten Dokumente; vgl. Grover /Knowledge Acquisition Methodology/ 437.
Für Wissenssysteme gilt diese Aussage entsprechend den Ausführungen über die Art des ihnen zugrundeliegenden Wissens nicht.
Auf die Erhebung des Wissens von dem Benutzer für die Gestaltung der Mensch-MaschineKommunikation wird im Rahmen dieser Arbeit nicht eingegangen.
Nach Strube sind hierfür mindestens 8–10 Jahre anzusetzen; vgl. Strube /Repräsentationsformen/ 291.
Vgl. Dreyfus, Dreyfus /Künstliche Intelligenz/ 41 ff. Die Autoren gehen bei ihrer Darstellung von dem Erwerb von Fertigkeiten aus, sie zielen jedoch auf eine Beschreibung der Stufen bei dem Erwerb von Expertenwissen. Vgl. hierzu die Abgrenzung von Wissen und Fertigkeiten in Kapitel 2.1.
Puppe, der das Modell von Dreyfus und Dreyfus übernimmt, bezeichnet diese Ebene als Meister; vgl. Puppe /Einführung in Expertensysteme/ 176.
Eine ähnliche Unterscheidung findet sich bei Clare, der jedoch als vierte Kategorie statt des Motivationsspezialisten den craftsman definiert, den er als Wissensarbeiter charakterisiert, der routinemäßig wiederkehrende Vorgänge erledigt; vgl. Clare /Knowledge elicitation/ 243 f. Dieser Typus eines Experten kann nach der dieser Arbeit zugrundeliegenden Sichtweise durch ein Wissenssystem abgebildet werden.
Vgl. Laske /Ungelöste Probleme/ 6 f. Zu Kompetenz und Performanz vgl. Kapitel 2.1.
Der Begriff Fortgeschrittener wird im weiteren Verlauf der vorliegenden Arbeit nur dort verwendet, wo er erforderlich ist, um die Abgrenzung zwischen diesen beiden Kategorien von Expertentum herauszustellen.
Vgl. LaFrance /Quality of Expertise/ 7 ff.; Schvaneveldt u. a. /Structure of expertise/; Slatter /Building Expert Systems/ 25 ff.
Zu episodischem und semantischem Gedächtnis vgl. Kapitel 2.1
Vgl. Kuipers, Kassirer /Knowledge Acquisition/ 49. Einige Autoren diskutieren diese Strategie der Wissenserhebung im Kontext des Leistungspotentials von Produktionensystemen aufgrund des ihnen zugrundeliegenden Verarbeitungsmodells; vgl. hierzu z. B. Vandamme /Knowledge Extraction/ 325 ff.
Eine analoge Vorgehensweise schlagen auch Garg-Janardan und Salvendy vor, um auf diese Weise zuerst das deklarative und dann das prozedurale Wissen als von ihnen unterschiedene Wissensarten zu erheben; vgl. Garg-Janardan, Salvendy /Contributions of cognitive engineering/ 325.
So wurde beispielsweise bei der Erstellung des chemischen Expertensystems DENDRAL auf den Chemie-Nobel-Preisträger Joshua Lederberg als Experte zurückgegriffen; vgl. hierzu Kapitel 1.1. Diaper weist auf die Mißerfolge von Expertensystem-Entwicklungen hin, bei denen der Knowledge Engineer nicht mit dem Top-Experten einer Domäne arbeiten konnte, sondern irgendeinen Fachmann zur Verfügung gestellt bekam; vgl. Diaper /Designing expert systems/ 31.
Vgl. Wolfgram, Dear, Galbraith /Expert Systems/ 167 f.
Vgl. Barrett, Beerel /Expert Systems in Business/ 182
Barrett und Beerel empfehlen jedoch, die genannten Negativ-Kriterien im Vergleich zu den positiven Merkmalen von Expertenwissen nur mit großer Vorsicht einzusetzen; vgl. Barrett, Beerel /Expert Systems in Business/ 183.
Vgl. Beerel /Strategic Implications and Applications/ 117
Vgl. Barrett, Beerel /Expert Systems in Business/ 195
Vgl. Waterman /Expert Systems/ 192
Vgl. Prerau /Choosing/ 34
Vgl. z. B. Barfield /Expert-novice differences/ 26
So empfiehlt Davis die Beschränkung auf einen Experten, für dessen dominierende Stellung er die Metapher des knowledge base czar geschaffen hat; vgl. Davis /Expert Systems/ 7. Mittal und Dym hingegen betonen die Vorteile des Einsatzes mehrerer Experten; vgl. Mittal, Dym /Multiple Experts/ 34 ff.
Eine Untersuchung über die Entwicklungsmethodik für Expertensysteme in Großbritannien zeigt, daß die Mehrzahl der Systeme mit einem Experten als Wissensquelle aufgebaut wurden; vgl. O’Neill, Morris /Expert systems in the United Kingdom/ 93. Anzumerken ist jedoch, daß es sich nach der dieser Arbeit zugrundeliegenden Klassifikation bei den meisten untersuchten Systemen um Wissenssysteme handelt.
Vgl. McGraw, Harbison-Briggs /Knowledge Acquisition/ 250 f.
Vgl. Mittal, Dym /Multiple Experts/ 34
Vgl. Bobrow, Mittal, Stefik /Perils and Promise/ 888. Durch die Berücksichtigung der Reputation eines Experten wird dieses Risiko jedoch verringert.
So berichten Wright u. a., daß sie versuchten, die Gründe für den Dissens zwischen den Experten zu verstehen, und dann selbst eine Entscheidung getroffen haben; vgl. Wright u. a. /ACE/ 27.
Vgl. Welbank /Knowledge Acquisition Techniques/ 41 f.
Vgl. McGraw, Harbison-Briggs /Knowledge Acquisition/ 249
Vgl. Schmitz, Lenz, Nöcker/Dialogbeitrag/263
So wurde z. B. für die Entwicklung des Systems Dipmeter Advisor, das Daten interpretiert, die bei Erdölbohrungen ermittelt werden und Aufschluß über potentielle Lagerstätten geben, das zugrundeliegende geologische Wissen von einem Geologen und das Wissen für die Dateninterpretation von einem Experten für die Auswertung von Meßprotokollen erhoben; vgl. Smith /Development of Commercial Expert Systems/ 70.
Vgl. Slatter /Building Expert Systems/ 113. Slatter nennt darüber hinaus noch als viertes Kriterium einer Modularisierung, das im Rahmen dieser Arbeit nicht thematisiert wird, den Wissensstand des Benutzers, der ggf. ein eigenes Subsystem für die Dialoggestaltung erforderlich macht.
Dadurch wird auch der vielfach geäußerten Forderung Rechnung getragen, daß der Knowledge Engineer möglichst frühzeitig die Terminologie des Fachgebietes übernehmen sollte; vgl. hierzu z. B. Davies, Hakiel /Knowledge harvesting/ 45.
Vgl. Weiss, Kulikowski /Designing Expert Systems/ 9 ff.
In Kapitel 4.2.1 werden die Gesichtspunkte erörtert, die sich auf den Knowledge Engineer bei der Analyse und Modellierung von Wissen beziehen.
Vgl. Luft /Prädikation, Regulation und Abstraktion/ 91
Vgl. Johnson, Johnson /Knowledge Elicitation Method/ 154
Vgl. Winograd, Flores /Computers and Cognition/ 131
Vgl. hierzu die Diskussion in Kapitel 2.1
Vgl. Brachman u. a. /Expert Systems/ 46
Vgl. Dreyfus, Dreyfus /Künstliche Intelligenz/ 81 ff.
Vgl. Laske /Competence and Performance/ 261
Vgl. Musen /Model-Based Knowledge-Acquisition Tools/ 34
Vgl. Luft /Rationaler Sprachgebrauch/ 216
Auf die zusätzlichen Inhalte eines Knowledge Dictionary wird in den Kapiteln 4.2.3 und 4.3.3 eingegangen. Vgl. hierzu die Analogie zu Data Dictionaries, deren Basis ebenfalls ein Begriffslexikon ist, das um zusätzliche Beschreibungen ergänzt wird.
Eine Vielzahl von Autoren beschränkt die Dokumentationsempfehlungen jedoch auf ein Glossar, ohne die in dieser Arbeit aufgezeigten Möglichkeiten eines Knowledge Dictionary aufzugreifen. Vgl. z. B. Greenwell /Knowledge Engineering/ 96; Grover /Knowledge Acquisition Methodology/ 437; McGraw, Harbison-Briggs /Knowledge Acquisition/ 64 ff. Ansätze weiterführender Konzeptionen finden sich in Hart /Knowledge Acquisition/ 73 und Wolfgram, Dear, Galbraith /Expert Systems/ 183 ff.
Diese Tatsache hat ihre Wurzeln in der Heisenbergschen Unschärferelation, deren Bedeutung für die Künstliche Intelligenz von Weizenbaum ansatzweise diskutiert wird; vgl. Weizenbaum /Macht der Computer/ 292 ff.
Vgl. Becker /Veränderung von Wissen/ 33
Vgl. Raulefs /Expert Systems/ 100 f.
Vgl. hierzu z. B. die Diskussion in Nisbett, Wilson /Telling More Than We Can Know/ und Smith, Miller /Limits on Perception of Cognitive Processes/
Vgl. Ericsson, Simon /Protocol Analysis/ 48 ff.
Vgl. Newell, Simon /Human Problem Solving/ 184.
Die in dieser Arbeit vertretene Definition von Knowledge Engineering wird daher auch aus psychologischer Sicht getragen.
Vgl. hierzu Evans /Knowledge elicitation problem/ 118 ff.
Vgl. für eine Übersicht Jacob, Gaultney, Salvendy /Strategies and biases/
Waterman /Expert Systems/ 154
Vgl. Berry /Implicit knowledge/ 145
Vgl. Polanyi /Tacit dimension/. Berry bezeichnet auch dieses Wissen als implizites Wissen; vgl. Berry /Implicit knowledge/ 145.
Dieses Phänomen ist auch Ursache dafür, daß Expertensysteme nicht von Experten entwikkelt werden können, da die derzeitigen Tools eine analytische Spezifikation des Wissens und der Problemlösungsprozesse erfordern, die in Wissensrepräsentationsformalismen und Inferenzprozessen abgebildet werden müssen; vgl. hierzu Kapitel 2.3.2.
Vgl. Johnson /What Kind of Expert/ 79
Vgl. Waterman /Expert Systems/ 154
Vgl. Laske /Ungelöste Probleme/ 4 sowie Kapitel 2.1
Vgl. Smith /Development of Commercial Expert Systems/ 70
Aus der Diskussion geht hervor, daß die Unterscheidung expliziten und impliziten Wissens beim Menschen nicht als Synonym zur globalen Differenzierung verbalisierbaren und nichtverbalisierbaren Wissens zu sehen ist; vgl. Berry /Implicit knowledge/ 145.
Vgl. hierzu auch die in Kapitel 4.1.2.1 aus wissenschaftstheoretischer Sicht vertretene Position zur Verwendung von Sprache als Medium zur Formulierung von Wissen.
Vgl. hierzu die Abgrenzung von Wissen zu Meinung in Kapitel 2.1
Vgl. Meyer, Mniszewski, Peaslee /Biasing elicitation/ 59 f.
Vgl. hierzu z. B. Rugg, Cantril /Formulierung von Fragen/
Vgl. die Diskussion eines Teils der vorgestellten Frageformen in Cordingley /Knowledge elicitation/ 109 f. und McGraw, Harbison-Briggs /Knowledge Acquisition/ 199 ff.
Vgl. Welbank /Knowledge Acquisition Techniques/ 13
Vgl. Breuker, Wielinga /Knowledge Elicitation/ 17 und McGraw, Harbison-Briggs /Knowledge Acquisition/ 203 f.
Vgl. Hart /Knowledge Acquisition/ 51
Vgl. Mertens, Borkowski, Geis /Anwendungen/ 320
Vgl. hierzu Lenz u. a. /Management der Entwicklung/ 364
Vgl. Barrett, Beerel /Expert Systems in Business/ 198
Vgl. O’Neill, Morris/ Expert systems in the United Kingdom/ 93
Vgl. Barrett, Beerel /Expert Systems in Business/ 198 ff.
Vgl. Breuker, Wielinga /Knowledge Elicitation/ 20 ff. 2 Vgl. Barrett, Beerel /Expert Systems in Business/ 198
Vgl. hierzu Welbank /Knowledge Acquisition Techniques/ 11
Die Durchführung von Gruppendiskussionen und der angeführte Wissens-Wettbewerb können auch dazu dienen, die fehlende Kooperation eines Experten aufzudecken.
Vgl. Weiss, Kulikowski /Designing Expert Systems/ 159
Vgl. hierzu auch das in Kapitel 2.3.2 geforderte Vertrauensverhältnis innerhalb einer Unternehmung
So weist z. B. Agapeyeff darauf hin, daß der motivierte zweitbeste Experte einer Domäne eine sehr viel effektivere Wissensquelle ist als der nicht-motivierte Top-Experte; vgl. Agapeyeff /Nature of expertise/ 153.
Vgl. Feigenbaum, McCorduck /Fünfte Computer-Generation/ 105
Die Nutzung des Unsterblichkeitssyndroms ergibt sich häufig aus der Zielsetzung, vergängliches Wissen zu sichern.
Vgl. Greenwell /Knowledge Engineering/ 24 ff.
Vgl. Bell, Hardiman /Naturalistic knowledge engineer/ 54 ff.
Vgl. Laske /Ungelöste Probleme/ 6
Vgl. Johnson, Johnson /Teachback Interviewing/ 104
Gerade in der derzeitigen Phase der Durchführung von Pilot-Projekten verfügen auch größere Unternehmungen nur über ein oder zwei Knowledge Engineers.
Z. B. gesonderte Entlohnung von Überstunden für das Expertensystem-Projekt
Vgl. Weiss, Kulikowski /Designing Expert Systems/ 11
Mertens, Borkowski und Geis schlagen als geeignete Maßnahme die Übertragung engpaßorientierter Planungsverfahren aus dem Bereich der Fertigung vor; vgl. Mertens, Borkowski, Geis /Anwendungen/ 323.
Nach Cullen und Bryman resultieren hieraus die meisten Probleme zwischen Knowledge Engineer und Experte; vgl. Cullen, Bryman /Knowledge Acquisition Bottleneck/ 219. Vgl. hierzu auch O’Neill, Morris /Expert systems in the United Kingdom/ 93.
Vgl. Harsch /Entwicklung eines Expertensystems/ 24
Vgl. z. B. Waterman /Rule-Based Expert Systems/ 331
Entsprechende Empfehlungen werden insbesondere von Vertretern des Prototyping Prinzips gegeben, vgl. hierzu Kapitel 3.2.1.2.
Buchanan u. a. /Constructing/ 144
Vgl. Davis, Buchanan, Shortliffe /Production Rules/ 33
Vgl. Gruber, Cohen /Design for acquisition/ 133
Vgl. Feigenbaum, McCorduck /Fünfte Computer-Generation/ 98
Vgl. LaFrance /Knowledge Acquisition Grid/ 82
Vgl. Greenwell /Knowledge Engineering/ 97 f.
Vgl. hierzu die Feststellung in Cullen, Bryman /Knowledge Acquisition Bottleneck/ 216. Hierzu sei beispielhaft auf die umfangreichen Ausführungen über die Stromversorgung eines Aufzeichnungsgerätes oder die richtige Ausleuchtung von Video-Aufnahmen in Cordingley /Knowledge elicitation/ 100 f. hingewiesen.
Barrett und Beerel weisen darauf hin, daß die einzelnen Sitzungen zur Wissenserhebung zu einem späteren Zeitpunkt im Projektverlauf typischerweise weniger Zeit in Anspruch nehmen als in einer frühen Phase; vgl. Barrett, Beerel /Expert Systems in Business/ 156.
Vgl. Bell, Hardiman /Naturalistic knowledge engineer/ 68 f.
Mit visueller Aufzeichnung ist die audio-visuelle Form gemeint, da zum einen diese Technik heutzutage bereits weit verbreitet ist, und zum anderen eine nur bildmäßige Aufzeichnung in den wenigsten Fällen ausreichend ist; darüber hinaus besteht auch die Möglichkeit der Kombination von rein visueller und auditiver Aufzeichnung.
Vgl. Kidd, Welbank /Knowledge acquisition/ 76 f.
Vgl. Davies, Hakiel /Knowledge harvesting/ 46 und Greenwell /Knowledge Engineering/ 38
Vgl. Davies, Hakiel /Knowledge harvesting/ 47.
Cordingley teilt diese Einschätzung; sie setzt einen Faktor von mindestens acht als Zeitaufwand für die Transkript-Erstellung an. Vgl. Cordingley /Knowledge elicitation/ 100.
Vgl. hierzu auch Cordingley /Knowledge elicitation/ 101 f.; Davies, Hakiel /Knowledge harvesting/ 46 f.; Hart /Knowledge Acquisition/ 56.
Zu einer analogen Einschätzung vgl. Hickman u. a. /Analysis/ 115
Die Ausführungen bilden eine Synthese aus den in der Literatur in überreichem Maße vorhandenen Aussagen und eigenen Erfahrungen des Verfassers. Da aufgrund der gewählten knappen Darstellungsform einerseits und den Überschneidungen und der Redundanz in der Literatur andererseits eine genaue Zuordnung der einzelnen Punkte kaum möglich ist, werden an dieser Stelle die den folgenden Ausführungen zugrundeliegenden Literaturquellen zusammengefaßt angeführt: Breuker, Wielinga /Knowledge Elicitation/ 16 ff.; Cooke, McDonald /Psychological scaling techniques/ 66 ff.; Cordingley /Knowledge elicitation/ 104 ff.; Diederich /Wissensakquisition/ 16 ff.; Hart /Knowledge Acquisition/ 54 ff.; Gammack /Declarative Knowledge/ 138 ff.; Gammack, Young /Psychological Techniques/ 107 ff.; Greenwell /Knowledge Engineering/ 44 ff.; Hoffman /Problem/ 54 ff.; Johnson, Johnson /Teachback Interviewing/ 95 ff.; Neale /Review of knowledge acquisition methodologies/ 111 ff.; Olson, Rueter /Extracting expertise/ 153 ff.; Welbank /Knowledge Acquisition Techniques/; Wright, Ayton /Eliciting and Modelling/ 14 ff.
Einen umfassenden Überblick zu Interview-Methoden aus sozialwissenschaftlicher Sicht gibt König /Interview/.
Die Terminologie der Bezeichnungen strukturiertes und fokussiertes Interview ist in der Literatur nicht einheitlich, die Begriffe werden in vertauschtem Sinn gebraucht; für eine Diskussion dieser Problematik vgl. Cordingley /Knowledge elicitation/ 102 ff. Im folgenden wird der von Cordingley vertretenen Auffassung gefolgt, die im Einklang mit der mnemotechnischen Verwendung der Begriffe und ihrem Gebrauch in den Sozialwissenschaften steht; vgl. hierzu Friedrichs /Methoden empirischer Sozialforschung/ 208 und 224. Zu einer entgegengesetzten Auslegung vgl. Breuker, Wielinga /Knowledge Elicitation/ 16 ff.
Hierbei empfiehlt es sich, daß der Knowledge Engineer parallel die Verhaltensweisen und Bewegungsabläufe mit einem Bandgerät protokolliert. In speziellen Situationen, z. B. bei der Auswertung von Bildern, kann es von Nutzen sein, die Augenbewegungen des Experten festzuhalten; vgl. Wolfgram, Dear, Galbraith /Expert Systems/ 177.
An dieser Stelle wird die Rückkoppelung zwischen den Phasen Erhebung, Analyse und Modellierung evident.
Vgl. z. B. Breuker, Wielinga /Knowledge Elicitation/ 35
Vgl. Diederich /Wissensakquisition/ 14
Vgl. hierzu Gammack, Young /Psychological Techniques/ 110
Z. B. die Einbettung von Introspektion in ein Interview; hierbei sind die genannten zeitlichen Begrenzungen zu berücksichtigen.
Vgl. hierzu Burton u. a. /Formal Evaluation/ 140 ff.; Burton u. a. /Knowledge Elicitation Techniques/ 88 f.; Schweickert u. a. /Comparing knowledge elicitation techniques/ 249 ff.
Mit dem Begriff Knowledge Engineering Werkzeug werden in dieser Arbeit Tools bezeichnet, deren Anwendungspotential auf die Phasen Erhebung, Analyse oder Modellierung eingeschränkt ist. Im Gegensatz hierzu können Werkzeuge zur Entwicklung von Expertensystemen auch in den nachfolgenden Phasen des Lebenszyklus genutzt werden.
Vgl. Lindsay u. a. /Organic Chemistry/ 107 ff.
Vgl. hierzu Barrett, Beerel /Expert Systems in Business/ 99 ff.; Harmon, Maus, Morrissey /Tools and Applications/ 88 ff.; Hart /Role of Induction/ 166 ff.
Vgl. hierzu z. B. die Diskussion in der Zeitschrift The Knowledge Engineering Review mit in chronologischer Reihenfolge folgenden Beiträgen: Bloomfield /Capturing expertise/; Bratko, Michie /Comments on rule induction/; Bloomfield /Reply to Bratko and Michie/.
Vgl. Michalski, Chilausky /Expert rules versus induction/ 75 ff.
Vgl. Michie /Current Developments/ 140 ff.
Vgl. z. B. Gruber /Acquiring strategic knowledge/ 583
Shapiro /Role of Structured Induction/ 5
Quinlan /Simplifying decision trees/ 242
Sie eignen sich daher primär für die Erstellung von Wissenssystemen.
Vgl. Gruber /Acquiring strategic knowledge/ 583
Vgl. Barrett, Beerel /Expert Systems in Business/ 101 f. und Hart /Role of Induction/ 187
Vgl. Davis /Interactive Transfer of Expertise/. Das System wurde nach dem blinden Seher aus der Tragödie von Sophokles benannt, um die Analogie in der angestrebten Unterstützung der Wissenserhebung zum Ausdruck zu bringen.
Vgl. Johnson, Johnson /Knowledge Elicitation Method/ 153. Der Begriff Daten wird an dieser Stelle und im folgenden sozialwissenschaftlich gesehen und bezeichnet Ergebnisse einer Erhebung; vgl. hierzu Friedrichs /Methoden empirischer Sozialforschung/ 376. Vgl. im Gegensatz hierzu die informationstechnische Definition von Daten in Kapitel 2.1.
Vgl. Motta, Rajan, Eisenstadt /Knowledge Acquisition/ 6
Vgl. Burton u. a. /Formal Evaluation/ 143 f.
Vgl. Hermeneutik in Brockhaus /19. Aufl./.
Die grundsätzliche Relevanz hermeneutischer Fragestellungen für die Entwicklung und Nutzung von Software-Systemen zeigt Luft auf; vgl. Luft /Informatik als Technik-Wissenschaft/ 142 ff. Eine Übersicht zu der Bedeutung ihrer Positionen für die Künstliche Intelligenz gibt Mallery, Hurwitz, Duffy /Hermeneutics/.
Vgl. Cooke, McDonald /Formal Methodology/ 1423 und Lischka /Blindheit des Wissensingenieurs/ 16 ff.
Vgl. hierzu die Ausführungen zu Beginn von Kapitel 4
Vgl. hierzu Inhetveen, Luft /Abstraktion/ 544 f. In diesem Beitrag werden vertiefend die zugrundeliegenden elementaren methodischen Schritte des Konstruierens, Abstrahierens, Idealisierens und Modellierens gegeneinander abgegrenzt, erläutert und präzisiert.
Vgl. Luft /Prädikation, Regulation und Abstraktion/ 96
Vgl. Maida /Intensional individuals/ 382 f. Zu den Begriffen Extension und Intension vgl. Kapitel 2.1.
Zu statischer und dynamischer Ontologie vgl. Alexander u. a. /Knowledge Level Engineering/ 963. Zu der Reihenfolge der Teilschritte bei der Analyse von deklarativem und prozeduralem Wissen vgl. Freiling u. a. /Starting a Knowledge Engineering Project/ 156 ff. sowie Hayward /Structured development methodology/ 198.
Mit dem Begriff Zwischenrepräsentation werden Beschreibungsmittel bezeichnet, die eine Darstellung von Wissen zwischen den Phasen der Erhebung und des Entwurfs ermöglichen.
Es sei an dieser Stelle noch einmal darauf hingewiesen, daß die Ausführungen in diesem Kapitel auf die nachfolgende Phase der Modellierung von Wissen übertragen werden können.
Phänomenologie zielt in erster Linie auf die Sach-und Bedeutungszusammenhänge des in der Intension Erfaßten; vgl. Phänomenologie in Brockhaus /17. Aufl./. Zur Relevanz der Phänomenologie für die Künstliche Intelligenz vgl. als Übersicht Hall /Phenomenology/.
Vgl. Lischka /Blindheit des Wissensingenieurs/ 16 ff.
Vgl. Regoczei, Plantinga /Creating the domain of discourse/ 296
Vgl. Winograd, Flores /Computers and Cognition/ 32; vgl. hierzu auch Kapitel 4.1.2.1 und 4.1.2.2.
Zur Beeinflussung des Experten vgl. Kapitel 4.1.2.5
Vgl. Cooke, McDonald /Formal Methodology/ 1423 f.
Dieses Phänomen ist auch im konventionellen Bereich seit langem bekannt. Bereits Dijkstra weist auf die Gefahren hin, daß das von Programmierern benutzte Werkzeug und die zur Aufzeichnung oder zum Ausdruck ihrer Gedanken verwendete Sprache oder Notation die hauptsächlichen Bestimmungsfaktoren dafür sind, was überhaupt ausgedrückt oder gedacht werden kann. Vgl. Dijkstra Mumble Programmer/ 864.
Ein Experiment, bei dem verschiedene Gruppen von Knowledge Engineers mit unterschiedlichen Entwicklungstools Prototypen für dasselbe Aufgabensystem erstellt haben, belegt diese Aussage; vgl. hierzu Waterman, Hayes-Roth /Investigation of Tools/ 198 ff.
Vgl. Steels /Deepening of Expert Systems/ 11
Vgl. Chandrasekaran /Functional Architecture/ 1184. Diese Gefahr wird verstärkt durch Empfehlungen, daß der Knowledge Engineer die Modellierung auf der Grundlage der Darstellungselemente und -strukturen des von ihm verwendeten Werkzeuges durchführen sollte; vgl. hierzu als Beispiel Bennett /Structure of the Acquisition Process/ 198 f.
Problemraum ist ein Grundbegriff der Denkpsychologie, deren primäres Erkenntnisobjekt das Problemlosen ist; er bezeichnet die für einen Menschen individuelle Repräsentation der Zustände in einem Problemlösungsprozeß. Hierbei wird die Subjektivität von Problemräumen betont und ist ein wesentlicher Untersuchungsgegenstand. Vgl. hierzu Newell, Simon /Human Problem Solving/ 59 ff. Dieser Subjektivität wird im Rahmen des Knowledge Engineering durch die Perspektive der Konstruktion einer systematischen Domäne sowie die Berücksichtigung der in Kapitel 4.2.1.1 angeführten Einflußfaktoren Rechnung getragen. Die Denkpsychologie wird in neuerer Zeit zunehmend von der Kognitionspsychologie abgelöst; die Untersuchung der Problemlösungsfähigkeit von Menschen und Computern erfolgt in der Kognitionswissenschaft. Vgl. hierzu Kapitel 1.1. Vgl. z. B. Friedrichs /Methoden empirischer Sozialforschung/ 87
Ziel ist es, von einem Anfangszustand zu einem Zielzustand zu gelangen. Hierfür wurde zunächst die means-ends-analysis als generell anwendbare Problemlösungsmethode angenommen; vgl. hierzu Kapitel 1.1.
Vgl. Alexander u. a. /Knowledge Level Engineering/ 964. Zum Entity-Relationship-Modell vgl. Chen /Entity-Relationship Model/.
Vgl. zu entsprechenden Erweiterungen z. B. Sinz /Entity-Relationship-Modell und seine Erweiterungen/ 22 ff.
NIAM steht für Nijssens Information Analysis Method nach dem Entwickler G. M. Nijssen; vgl. hierzu Verheijen, Bekkum /NIAM/.
Vgl. hierzu die Ansätze in Reusch /Modellverwaltung/ und Twine /Mapping NIAM and KEE/
Vgl. Buchanan u. a. /Constructing/ 141 ff. Ähnliche Fragenkataloge finden sich in Hart /Knowledge Acquisition/ 38 sowie Wolfgram, Dear, Galbraith /Expert Systems/ 169 ff.
Vgl. LaFrance /Knowledge Acquisition Grid/ 83 ff.
Der Ansatz von LaFrance umfaßt Elemente, die der Erhebungs-, Analyse-und auch der Modellierungsphase zuzurechnen sind; da der Schwerpunkt in der Unterstützungsfunktion für die Analysetätigkeit liegt, die auch in der Zielsetzung der differenzierten Fragetypen zur Wissenserhebung zum Ausdruck kommt, wird der Ansatz an dieser Stelle vollständig abgehandelt. Auf diese Weise wird auch eine über mehrere Kapitel verteilte Darstellung vermieden.
LaFrance sieht ihre Matrix als Zuordnung von Fragetypen und “Forms of Knowledge”. Hierbei handelt es sich jedoch nicht um Wissensformen im Sinne der dieser Arbeit zugrundeliegenden Klassifikation von Wissensarten, sondern um sprachliche Stilmittel, die ein Experte benutzt, um sein Wissen auszudrücken (z. B. Metaphern); daher wird im folgenden hierfür als Übersetzung die Bezeichnung “Ausdrucksformen von Wissen” verwendet.
Vgl. LaFrance /Knowledge Acquisition Grid/ 84
Vgl. hierzu die Aussage zur Notwendigkeit verschiedener Wissenserhebungsmethoden in Kapitel 4.1.3.1
Die angeführten Beispiele gehen auf die von LaFrance verwendeten Veranschaulichungen zurück.
Vgl. Waterman, Newell /Protocol Analysis/ 286. Konventionelle Programme zur automatischen Textanalyse existieren jedoch bereits seit den fünfziger Jahren; vgl. Diederich, Ruhmann, May /KRITON/ 87.
Eine Übersicht zu diesen Ansätzen gibt Tergan /Modelle der Wissensrepräsentation/ 52 ff.
Z. B. in dem Knowledge Dictionary, vgl. hierzu Kapitel 4.1.2.1
Vgl. Greenwell /Knowledge Engineering/ 104 ’ Vgl. hierzu Luft /Prädikation, Regulation und Abstraktion/ 92 ff. Zur Beziehung zwischen Terminologielehre und Knowledge Engineering vgl. als Übersicht Czap, Galinski /Terminology and Knowledge Engineering/.
Motta, Rajan und Eisenstadt bezeichnen das entsprechend ausgewertete Erhebungsmaterial als digested data; vgl. Motta, Rajan, Eisenstadt /Knowledge Acquisition/ B.
Hierbei sind jedoch die in Kapitel 4.1.1 angesprochenen Probleme der Nutzung schriftlicher Wissensquellen zu berücksichtigen.
Vgl. Alexander u. a. /Knowledge Level Engineering/ 964
Sprachwissenschaftlich bezeichnet Denotation die begriffliche Grundbedeutung eines Wortes und Konnotation die die Denotation überlagernde Nebenbedeutung; vgl. Denotation und Konnotation in Brockhaus /19. Aufl./.
Vgl. Genesereth, Nilsson /Logical Foundations/ 12 f. Das Problem der Granularität stellt sich in analoger Weise für die Wissensrepräsentation in einem Expertensystem; vgl. Rich /Artificial Intelligence/ 207 ff. Die Berücksichtigung der Konnotation bereits bei der Wahl der Detaillierung auf der konzeptionellen Ebene verringert jedoch den Gesamtaufwand und entspricht der Zielsetzung einer softwaretechnischen Spezifikation.
Vgl. Lutze /Phylogenese wissensbasierter Systeme/ 228 ff.
Christaller, di Primio und Voß unterscheiden als generelle Grundlage von Wissensstrukturen die Komponenten Thema und thematische Expansion. Bei objektzentrierten Strukturen ist das Thema ein Objekt und die thematische Expansion ein zweistelliges Konstrukt aus einem Attribut und dem zugehörigen Wert; durch Zusammentragung mehrerer thematischer Expansionen wird ein strukturiertes Objekt gebildet. Bei prädikatzentrierten Strukturen entspricht das Thema einem Objekt, zu dem eine Aussage als thematische Expansion gemacht wird, jedoch kommt der Aussage selbst nun die hauptsächliche Bedeutung zu. Vgl. Christaller, Primio, Voß Babylon/ 20 ff.
Vgl. hierzu Coad, Yourdon /Object-Oriented Analysis/ 62 ff. Die objektzentrierte Analyse bildet die Grundlage objektorientierter Modellierungs-und Entwurfsmethoden.
Vgl. Borgida, Mylopoulos, Wong /Generalization/ 90 und Brodie /Data Models/ 34
Die Berücksichtigung von Attributwerten auf der Klassenebene erfordert das Vorhandensein von anderen Unterscheidungskriterien auf der Instanzenebene.
Eine Umkehrung dieses Prinzips ist nicht von Relevanz, da die Elemente Ausgangspunkt assoziierender Zusammenfassungen sind.
Die Relationen werden typischerweise in der Richtung vom Konkreten zum Abstrakten angegeben; streng genommen müßten sie auch in der entgegengesetzten Richtung ausgedrückt werden, um eine Modellierung nicht nur nach dem Bottom-up-, sondern auch nach dem Topdown-Prinzip zu unterstützen.
Vgl. Winston, Chaffin, Herrmann /Part-Whole Relations/ 420 ff.
Die herausragende Bedeutung taxonomischer Objektstrukturen auf der Basis von ist-ein-Relationen begründet die stetig wachsende Popularität der objektorientierten Programmierung. Obwohl die objektorientierte Wissensrepräsentation für die Modellierung deklarativen Wissens in hohem Maße adäquat ist und eine objektzentrierte Strukturierung prozeduraler Elemente unterstützt, birgt auch ihr Einsatz auf der Basis von Prototyping die Gefahr einer impliziten Wissensdarstellung. Die ist-ein-Relation wird selbst nicht explizit gemacht und steht somit für die Beantwortung von Anfragen an ein objektorientiertes System nicht zur Verfügung; eine Unterscheidung der dieser Relation zugrundeliegenden Beziehungen ist nicht möglich. Darüber hinaus bieten entsprechende Werkzeuge jeweils nur eine Auswahl an Möglichkeiten zum Aufbau von Beziehungen zwischen einzelnen Wissenselementen, zur Realisierung von Vererbungsmechanismen sowie zur Behandlung von Ausnahmen.
Vgl. Schefe /Künstliche Intelligenz/ 187 f.
Brachman spricht daher aus implementierungstechnischer Sicht von einer programmierbaren Beziehung zwischen zwei Objekten; vgl. Brachman /What IS-A Is and Isn’t/ 32. Zu den verschiedenen Möglichkeiten vgl. Kapitel 2.2.
In vielen Fällen wird durch die Zielsetzung einer Expertensystem-Entwicklung jedoch ein einzelner Anwendungskontext vorgegeben, der mehrfache Vererbung entbehrlich macht.
Vgl. Borgida, Mylopoulos, Wong /Generalization/ 92
Eine Vernetzung kann z. B. dadurch begründet werden, daß der Attributwert eines Objektes einer Taxonomie eine Instanz einer Klasse einer anderen Hierarchie ist.
Vgl. Borgida /Conceptual Modeling/ 463
Vgl. hierzu Borgida /Features of Languages/ 68 ff. und Thuy, Schnupp /Wissensverarbeitung/ 122 ff.
Z. B. die Darstellung der Aussage “der Aktienkurs steigt” als Aktienkurs (Objekt) - Zustand (Attribut) - steigend (Wert) oder als boolescher Ausdruck Aktienkurs (Objekt) - steigend (Attribut) - wahr (Wert)
Vgl. Christaller, Primio, Voß /Babylon/ 20 ff. Auf diesen Sachverhalt und das zugrundelie- gende philosophische Problem wird auch in Schefe /Künstliche Intelligenz/ 169 hingewiesen.
Vgl. Kintsch /Meaning in memory/
Bei der objektzentrierten Wissensmodellierung bilden die den Abstraktionsprinzipien als Basis dienenden Beziehungstypen die Grundlage der nur sehr flachen Möglichkeiten der Weitergabe von Gültigkeit über das Vererbungsprinzip.
Vgl. Diederich /Wissensakquisition/ 53
Vgl. Barrett, Beerel /Expert Systems in Business/ 160 f.
Vgl. Buchanan u. a. /Constructing/ 164
Vgl. Davies, Hakiel /Knowledge harvesting/ 48
Vgl. Breuker, Wielinga /Use of Models/ 29
Die Idee der Abbildung kausaler Strukturen in Expertensystemen zur Verbesserung ihrer Leistungsfähigkeit wurde bereits 1982 formuliert; vgl. Davis /Expert Systems/ 13 ff. Sie ist insbesondere im technischen Bereich in den letzten Jahren verfolgt worden; vgl. hierzu z. B. Früchtenicht u. a. /Technische Expertensysteme/. Für diese Systeme, die neben gesteigerten Möglichkeiten des Problemlösungspotentials zusätzlich noch maschinelle Lernfähigkeit aufweisen, wird auch die Bezeichnung Expertensysteme der zweiten Generation verwendet; vgl. Steels /Second Generation/ 213.
Vgl. Steels /Components of Expertise/ 34 f.
Christaller, di Primio und Voß bezeichnen diese Constraints als Wissen zweiter Ordnung, das etwas Negatives ausdrückt; vgl. Christaller, Primio, Voß /Babylon/ 34 f.
Zu berücksichtigen ist, daß die Implizitheit von Wissen durch ‘Programmierung“ hierbei jedoch gesteigert werden kann.
Vgl. Grover /Knowledge Acquisition Methodology/ 437
Greenwell vertritt die Auffassung, daß der Umfang einer Zwischenrepräsentation von dem Grad des Verständnisses abhängig zu machen ist, das der Knowledge Engineer in der Phase der Wissenserhebung erlangt hat; dieser Sichtweise kann im Hinblick auf die für die Phase der Pflege erforderliche Dokumentation einer Systementwicklung jedoch nicht zugestimmt werden. Vgl. Greenwell /Knowledge Engineering/ 104.
Vgl. Timm /Konstruktion und Analyse/ 66 ff.
Vgl. Greenwell /Knowledge Engineering/ 103 f.
Vgl. hierzu Wolfgram, Dear, Galbraith /Expert Systems/ 187 f
Vgl. Addis, Bull /Concept Language/ 1–4 ff.
Vgl. Alexander u. a. /Knowledge Level Engineering/ 963
Newell weist jedoch selbst auf die nur beschränkte Eignung dieser Darstellungsform als Wissensrepräsentationssprache hin; vgl. Newell /Knowledge Level/ 17 f. Zu den Schwächen der Logik vgl. Kapitel 2.2.
Aufgrund der Notwendigkeit einer Gesamtübersicht, des direkteren Bezuges zur Darstellung sowie der freieren Handhabbarkeit sind insbesondere zu Beginn der Erstellung einer grafischen Zwischenrepräsentation manuelle Methoden unter Verwendung von z. B. Klebezetteln, Steckkarten oder Magnetkarten gegenüber computergestützten Verfahren zu bevorzugen; vgl. die analoge Auffassung in Agapeyeff /Nature of expertise/ 154 f. Vgl. hierzu auch die in Kapitel 4.1.3.1 dargestellten Hilfsmitel zur Visualisierung während der Wissenserhebung.
Vgl. hierzu Martin, McClure /Diagramming Techniques/ 349 ff.
Semantische Netze wurden zunächst als Zwischenrepräsentation für die maschinelle Übersetzung verwendet; die Nutzung für die Darstellung von Wissen im psychologischen Bereich geht zurück auf Quillian /Semantic Memory/. Einen Uberblick über den historischen Ursprung der Methode gibt Sowa /Semantic Networks/ 1012 f.
In der Literatur wird für diese Darstellungsform auch die Bezeichnung conceptual graph verwendet; vgl. z. B. Regoczei, Plantinga /Creating the domain of discourse/ 297 und Sowa /Conceptual Structures/ B.
Die wichtigsten Ansätze diskutiert Tergan /Modelle der Wissensrepräsentation/ 36 ff.
Vgl. Sowa /Conceptual Structures/ 299. Als Konsequenz resultiert hieraus jedoch oft die Notwendigkeit zu mehrfacher Umorganisation.
Vgl. Schefe /Künstliche Intelligenz/ 161
Im Englischen werden diese Schaubilder als spider bezeichnet; vgl. Agapeyeff /Nature of expertise/ 154 und Barrett, Beerel /Expert Systems in Business/ 153. Aufgrund ihrer Zielsetzung und der Analogie zu entsprechenden Diagrammen im konventionellen Bereich, die zur Darstellung prozeduraler Abhängigkeiten zwischen Aktivitäten dienen, wird für diese Schaubilder im Rahmen dieser Arbeit der Begriff Abhängigkeitsdiagramm verwendet. Zum Einsatz von Abhängigkeitsdiagrammen in der ADV vgl. Martin, McClure /Diagramming Techniques/ 81 ff.
Bei der Praktizierung der in Kapitel 4.1.3.1 vorgeschlagenen Arbeitsteilung bei der Durchführung der Wissenserhebung ist es einem geübten Protokollanten häufig möglich, bereits während einer Sitzung aufgrund der Aussagen des Experten ein Abhängigkeitsdiagramm aufzuzeichnen und mit seiner Hilfe den weiteren Verlauf einer Sitzung zu steuern.
Vgl. Barrett, Beerel /Expert Systems in Business/ 153
Vgl. Woods /Transition Network Grammars/. Ein Beispiel einer Verwendung von ATNs für die Modellierung im Knowledge Engineering gibt Greenwell; vgl. Greenwell /Knowledge Engineering/ 163 ff. Eine ähnliche Verwendung von Zustandstransformations-Diagrammen zur Beschreibung des Inferenzflusses in verschiedenen Expertensystemen zeigen Johnson und Keravnou auf; vgl. Johnson, Keravnou /Expert Systems Technology/.
Der Terminus Hypertext wird im allgemeinen T. H. Nelson zugeschrieben; vgl. Hofmann, Cordes, Langendörfer /Hypertext/ 218. Eine Übersicht über die Möglichkeiten dieser Technik gibt Conklin /Hypertext/.
Vgl. hierzu Gaines /Second Generation/ 17–2 und Morrison /Hypertext and Expert Systems/
Vgl. Kreiliger/Tools for Knowledge Engineering/ 192
Die Forderung nach der Berücksichtigung verschiedener Wissensmodelle wird insbesondere von Laske aufgestellt; er unterscheidet je ein Wissensmodell für Aufgabenumwelt, Kompetenz und Performanz, die in dieser Reihenfolge zu erstellen sind. Vgl. hierzu Laske /Ungelöste Probleme/ 6 ff. Das Modell der Aufgabenumwelt wird im Rahmen der Zielsetzung dieser Arbeit nicht thematisiert, da es primär für die Gestaltung des Beratungspotentials von Bedeutung ist.
Zu der elementaren Bedeutung des Problemlösens für die Künstliche Intelligenz vgl. z. B. Christaller, Primio, Voß /Babylon/ 11; Lehmann /Wissensrepräsentation/ 53; Roth, Woods /Cognitive Task Analysis/ 237. Vgl. hierzu auch Kapitel 1.1.
Vgl. Abbott /Knowledge Abstraction/ 667
Vgl. hierzu die Aussage in Kapitel 2.1, daß auf der Wissensebene Struktur und Stofflichkeit für eine praktische Realisierung von Systemen der Künstlichen Intelligenz fehlen.
Vgl. Newell /Knowledge Level/ 10. Habel spricht in diesem Zusammenhang von subsymbolischer Künstlicher Intelligenz; vgl. Habel /Künstliche Intelligenz/ 17. Regoczei und Plantinga bezeichnen diesen Sachverhalt als implizite Ontologie; vgl. Regoczei, Plantinga /Creating the domain of discourse/ 300. In diesem Zusammenhang sei auch auf den mit der zentralen These des Informationsverarbeitungs-Paradigmas erhobenen Anspruch im Hinblick auf das Leistungspotential physikalischer symbolischer Systeme hingewiesen; vgl. hierzu Kapitel 1.1 und 2.1.
Vgl. hierzu die Feststellung in Kapitel 1.3, daß eine bestimmte Problemlösungsstrategie nur durch ein entsprechendes Zusammenspiel von Inferenzkomponente und Wissensbasis realisiert werden kann, sowie die Diskussion der technischen Einflußfaktoren auf die Wissensanalyse und -modellierung in Kapitel 4.2.1.2.
Vgl. Clancey /Epistemology/ 248. Der Explizierung dieser Aspekte dient z. B. auch die bei der Reimplementierung von XCON zugrunde gelegte Methodik; vgl. hierzu Kapitel 3.2.1.2.
Brachman /Epistemological Status/ 30
Vgl. Alexander u. a. /Knowledge Level Engineering/ 963
Vgl. Clancey /Knowledge Bases as Qualitative Models/ 19
Vgl. Tank /Entwurfsziele/ 72
So dient z. B. der Ausschnitt eines Problemraumes, der als Problemlose-Graph den individuellen Lösungsweg eines Menschen aufzeigt, als Erkenntnisobjekt im psychologischen Bereich; vgl. hierzu Newell, Simon /Human Problem Solving/ 172 ff.
Mit der theoretischen Zielsetzung in der Forschung zur Künstlichen Intelligenz wird versucht, Erkenntnisse zur Verringerung dieser Defizite zu gewinnen; die gewonnenen Ergebnisse können anwendungsorientiert genutzt werden. Zum theoretischen und anwendungsorientierten Ziel der Künstlichen Intelligenz vgl. Kapitel 1.1.
Vgl. Kidd /Knowledge Acquisition/ 6
Clancey, Bock /Representing Control Knowledge/ 1. Vgl. hierzu das Konzept des General Problem Solver in Kapitel 1.1.
Da das Domänenwissen immer auch Aspekte der Wissensverwendung berücksichtigen muß, impliziert die für diese Ansätze im Unterschied zum problem modelling der Erfassung von strategischem Wissen verwendete Bezeichnung domain modelling eine sprachliche Ungenauigkeit, die aufgrund der Interdependenzen jedoch nicht zu umgehen ist. Dieses Problem steht in Analogie zu der nicht-disjunkten Zuordnung von Problemlösungsstrategien und Wissen zu der Inferenzkomponente und der Wissensbasis bzw. der Vermischung von Wissensverarbeitung und Wissensrepräsentation. Mit den Begriffen kann jeweils nur ein Schwerpunkt bzw. eine Perspektive zum Ausdruck gebracht werden. Eine systematische Domäne berücksichtigt beide Aspekte; vgl. hierzu Kapitel 3.2.2.1.
Vgl. hierzu auch die Diskussion einer aufgabensystemspezifischen Konnotation und Granularität in Kapitel 4.2.2
Vgl. hierzu z. B. Buchanan u. a. /Constructing/ 142 ff.; Hart /Knowledge Acquisition/ 38; Wolfgram, Dear, Galbraith /Expert Systems/ 169 ff.
Vgl. hierzu Luft /Prädikation, Regulation und Abstraktion/ 96
Dieses Prinzip ist vergleichbar mit der Unterscheidung verschiedener Sichten von Datenbanken im konventionellen Bereich.
Vgl. Breuker, Wielinga /Models of Expertise/ 277
Vgl. hierzu Breuker u. a. /Interpretation Models/ 24 ff.; Breuker, Wielinga /Models of Expertise/ 274 ff.; Wielinga, Breuker /Models of Expertise/ 498 ff.
Vgl. Wielinga, Breuker /Models of Expertise/ 498
Während ein inferentielles Netz mögliche Wege des Einsatzes prozeduralen Wissens aufzeigt, gibt die Inferenzstruktur abstrakte Wissensstrukturen eines Problemlösungsprozesses wieder; zum inferentiellen Netz vgl. Kapitel 4.2.3.
Vgl. hierzu die zuvor im Zusammenhang mit der Modellierung des Tiefenwissens aufgestellten Überlegungen sowie die Einschränkungen dieser Forderung in Breuker, Wielinga /Models of Expertise/ 275
Vgl. hierzu das Fehlen entsprechender Hinweise in Hickman u. a. /Analysis/ 121 ff. Einen ersten Ansatz in dieser Richtung gibt Woodward /Defining the domain/ 77 ff.
Die Wahl eines falschen Interpretationsmodells kann insbesondere aus einer anfänglichen Überschätzung der Komplexität eines Aufgabensystems oder der Dominanz eines Modells der Domänenebene resultieren; vgl. Breuker, Wielinga /Models of Expertise/ 290.
Vgl. Breuker, Wielinga /Use of Models/ 31 und Wilson /Task models/ 206
Vgl. Clancey /Heuristic Classification/. Clanceys Ansatz weist in diesem Punkt Parallelen zum Ansatz des General Problem Solver auf; vgl. hierzu Kapitel 1.1.
Vgl. Schefe /Künstliche Intelligenz/ 165
Vgl. Clancey, Bock /Representing Control Knowledge/ 29. Zu entsprechenden Untersuchungen vgl. Cooke, McDonald /Formal Methodology/ 1425 ff. und Hawkins /Analysis of expert thinking/ 11 ff.
Vgl. Weiss u. a. /Model-Based Method/ 147 ff.
Vgl. Weiss, Kulikowski /Designing Expert Systems/ 74 ff.
Vgl. Breuker u. a. /Interpretation Models/ 40
Ein deklaratives Konzept der Domänenebene kann in Abhängigkeit von der Aufgabenstellung die Rolle verschiedener Metaklassen auf der Inferenzebene übernehmen; vgl. Schreiber u. a. /Modelling in KBS Development/ 7–5.
Es ist darauf hinzuweisen, daß die Darstellung nicht mit einem Ablaufdiagramm zu verwechseln ist.
Vgl. hierzu z. B. Fikes, Kehler /Frame-Based Representation/ 905; Welbank /Knowledge Acquisition/; Wolfgram, Dear, Galbraith /Expert Systems/ 184 ff.
Vgl. Hadzikadic, Yun, Ho /Model-Based Framework/ 67 ff.
Vgl. hierzu Breuker u. a. /Interpretation Models/ 35 ff. und Breuker, Wielinga /Models of Expertise/ 279 ff. Eine analoge Unterscheidung von epistemologischen Primitiva verwendet Gruber als Grundlage der Erhebung und Modellierung strategischen Wissens; vgl. Gruber/Acquiring strategic knowledge/ 586 ff.
Vgl. hierzu Evans /Psychology of Deductive Reasoning/
Im Rahmen von KADS wird analog in Problemlösungskompetenz und Modalität unterschieden; vgl. Breuker, Wielinga /Use of Models/ 20. Puppe differenziert entsprechend in Problemlösungsstrategie und Problemtyp; vgl. Puppe /Einführung in Expertensysteme/ 9 f.
Vgl. Breuker, Wielinga /Use of Models/ 20
Vgl. Gruber /Acquiring strategic knowledge/ 581
Vgl. hierzu z. B. Puppe /Expertensysteme/ 4 sowie Stefik u. a. /Organization of Expert Systems/ 140 ff.
Vgl. McDermott /Problem-solving Methods/ 7 f.
Vgl. Steels /Components of Expertise/ 35 f.
Vgl. hierzu auch den betriebswirtschaftlichen Begriff der Aufgabe, der ein zu erfüllendes Handlungsziel bezeichnet; vgl. Hoffmann /Aufgabe/ 200.
Vgl. hierzu die Ausführungen über den Aufbau eines Kontextbaumes in Kapitel 2.2, der im allgemeinen die Struktur der Teilaufgaben abbildet.
Z. B. Dekompositions-Diagramme, Baum-Diagramme, Jackson-Diagramme usw.; vgl. hierzu Martin, McClure /Diagramming Techniques/.
Vgl. Davis, Olson /Management Information Systems/ 409 ff.
Vgl. z. B. Harmon, King /Expertensysteme/ 109
Vgl. Hayes-Roth, Waterman, Lenat /Expert Systems/ 13 ff. Die Autoren bezeichnen diese Aufgaben als generic categories of knowedge engineering applications.
Vgl. Breuker, Wielinga /Use of Models/ 20 2 Vgl. Clancey /Heuristic Classification/ 312 ff.
Vgl. Clancey /Heuristic Classification/ 333 ff. und Velde /Inference Structure/ 203. Clancey versteht seinen Ansatz der Klassifikation als umfassende Charakterisierung.
Vgl. hierzu auch die Einteilung von Reichgelt und van Harmelen, die aufgrund von Redundanzen eine Reduzierung der Typologie von Hayes-Roth, Waterman und Lenat auf vier ihrer Ansicht nach sowohl generische als auch primitve Aufgabenklassen vorschlagen: Interpreta-tion, Vorhersage, Entwurf und Überwachung. Vgl. Reichgelt, Harmelen /Choosing Representation Languages/ 4 f.
Vgl. hierzu auch die in der Gesellschaft für Informatik (GI) zu verzeichnende Spezialisierung von Arbeitskreisen im Bereich Expertensysteme für Diagnose sowie Planung und Konfiguration.
Vgl. Thuy, Schnupp /Wissensverarbeitung/ 139 ff.
Vgl. hierzu Puppe /Einführung in Expertensysteme/ 10 f.
Zu analogen Versuchen einer Zuordnung vgl. Chandrasekaran /Techniques to Tasks/ 54 ff.; Harmon, Maus, Morrissey /Tools and Applications/ 53; o. V. /Choosing the Right Tool/ 1 ff.
Einen ersten Ansatz in diese Richtung zeigen Payne und McArthur auf, die ihre Ausführungen jedoch auf die abstrakte Ebene analytischer Aufgaben beziehen und nur diesen Typus behandeln; vgl. Payne, McArthur /Developing Expert Systems/.
Vgl. Stefik u. a. /Organization of Expert Systems/ 139 ff.
Vgl. Chandrasekaran /Generic tasks/ 184 ff.
Vgl. Jain, Chaturvedi /Problem Selection/ 248 ff.
Vgl. hierzu auch die Aussage der KADS-Entwickler, daß die Position und Bedeutung der Ansätze von Chandrasekaran bzw. KADS durch zukünftige Erkenntnisse und Erfahrungen evaluiert werden müssen; vgl. Breuker u. a. /Interpretation Models/ 21.
Vgl. Breuker u. a. /Interpretation Models/ 42 f. Vgl. Breuker u. a. /Interpretation Models/ 44
Detaillierte Darstellungen finden sich in Breuker u. a. /Interpretation Models/ 52 ff. sowie Hickman u. a. /Analysis/ 93 ff.
Vgl. Breuker, Wielinga /Models of Expertise/ 278
Vgl. Voß, Müller, Walther/Umsetzung/ 367
Vgl. hierzu auch die Ausführungen über die Grenzen der Leistungsfähigkeit von Expertensystemen im Hinblick auf Kompetenz und Performanz in den Kapiteln 4.1.1 und 4.1.2.1. Ein Beispiel für die Berücksichtigung der Strategieebene bei der Fehlerdiagnose in komplexen Industrieanlagen geben Busche und Krickhahn; vgl. Busche, Krickhahn /Fehlerdiagnose in Industrieanlagen/ 8 f.
Vgl. Hayward, Wielinga, Breuker /Structured analysis/ 152 und Breuker, Wielinga /Models of Expertise/ 276. Ressourcen können z. B. Information, Material und Zeit sein.
Vgl. Breuker u. a. /Interpretation Models/ 44
Johnson schlägt diesen Terminus anstelle der für die Zwischenrepräsentation im Englischen gebräuchlichen Bezeichnung intermediate representation vor; sie stellt mit ihrem Ansatz des systemic grammar network (SGN) jedoch auf die Modellierung und Abbildung des substantiellen Wissens ab. Vgl. Johnson /Mediating representations/ 183 ff.
Vgl. Breuker, Wielinga /Use of Models/ 28 ff. und Hickman u. a. /Analysis/ 48 f. Anstelle der im Rahmen von KADS verwendeten Bezeichnung Objekte wird der spezifischere Terminus Metaklassen vorgeschlagen.
Zum Begriff domänenspezifische Werkzeuge für entsprechende Tools zur Entwicklung von Expertensystemen vgl. Harmon, Maus, Morrissey [fools and Applications/ 48
Vgl. Musen /Model-Based Knowledge-Acquisition Tools/ 111 ff.
Rights and permissions
Copyright information
© 1991 Springer Fachmedien Wiesbaden
About this chapter
Cite this chapter
Lenz, A. (1991). Knowledge Engineering. In: Knowledge Engineering für betriebliche Expertensysteme. DUV: Datenverarbeitung. Deutscher Universitätsverlag, Wiesbaden. https://doi.org/10.1007/978-3-663-14606-3_4
Download citation
DOI: https://doi.org/10.1007/978-3-663-14606-3_4
Publisher Name: Deutscher Universitätsverlag, Wiesbaden
Print ISBN: 978-3-8244-2023-0
Online ISBN: 978-3-663-14606-3
eBook Packages: Springer Book Archive