Ein Expertensystem ist ein Computerprogramm, das darauf ausgelegt ist, die Entscheidungsfähigkeit eines menschlichen Experten in einem eng begrenzten Bereich der künstlichen Intelligenz nachzuahmen, typischerweise durch die Anwendung einer Basis kodierter Regeln auf Fakten, die ein Benutzer über eine Inferenzmaschine bereitstellt. Expertensysteme waren die kommerziell bedeutendste Anwendung der symbolischen KI und trieben in den späten 1970er- und 1980er-Jahren eine große Welle unternehmerischer KI-Investitionen voran.
Architektur
Ein typisches Expertensystem trennt eine Wissensbasis, eine Sammlung von Domänenfakten und Wenn-Dann-Regeln, die von menschlichen Spezialisten beigesteuert werden, von einer Inferenzmaschine, die logisches Denken, üblicherweise Vorwärts- oder Rückwärtsverkettung, anwendet, um Schlussfolgerungen oder Empfehlungen abzuleiten. Expertensysteme bauten auf Denktechniken auf, die von Allen Newell und Herbert Simon in den 1950er-Jahren entwickelt wurden, und passten allgemeine Problemlösungsmethoden an, um eng begrenztes, domänenspezifisches Wissen zu kodieren. Viele Systeme umfassten auch Erklärungsfunktionen, die Benutzern die Kette von Regeln zeigen konnten, die zu einer Schlussfolgerung führten - eine frühe Form dessen, was heute als erklärbare KI diskutiert wird - sowie Konfidenzfaktoren, um Unsicherheit zu behandeln, die reine Logik nicht gut ausdrücken konnte.
Bemerkenswerte Beispiele
Zu den frühen wegweisenden Systemen gehörten DENDRAL, das ab Mitte der 1960er-Jahre an der Stanford University entwickelt wurde, um Molekülstrukturen aus Massenspektrometriedaten abzuleiten, und MYCIN, das in den 1970er-Jahren entwickelt wurde, um Antibiotikabehandlungen basierend auf Patientensymptomen und Laborergebnissen zu empfehlen; MYCIN schnitt in einigen Bewertungen Berichten zufolge besser ab als Assistenzärzte, wurde jedoch aufgrund von Haftungs- und Integrationsbedenken nie klinisch eingesetzt. In der Industrie konfigurierte das XCON-System der Digital Equipment Corporation, das ab 1980 eingesetzt wurde, Computerbestellungen und wurde mit Einsparungen in Höhe von zig Millionen Dollar jährlich für das Unternehmen gutgeschrieben, was es zu einem vielzitierten Beweis für den kommerziellen Wert machte.
Der Boom der 1980er-Jahre
Der Erfolg von XCON trug dazu bei, in den 1980er-Jahren einen breiteren Boom von Expertensystemen auszulösen, da Unternehmen stark in spezialisierte "KI"-Beratungsfirmen und dedizierte Lisp-Maschinen-Hardware investierten, die für symbolische Verarbeitung optimiert war. Japans Projekt der Fifth Generation Computer Systems, das 1982 gestartet wurde, zielte darauf ab, massiv parallele logikprogrammierende Maschinen zu bauen, die teilweise auf Expertensystem-ähnlichem Denken basierten, und förderte wettbewerbsbedingte Investitionen aus den Vereinigten Staaten und Europa.
Niedergang und der zweite KI-Winter
Expertensysteme erwiesen sich als teuer in der Erstellung und, entscheidender, teuer in der Wartung: Regelbasen wurden unhandlich, wenn Domänen skalierten, Wechselwirkungen zwischen Regeln wurden schwer vorhersehbar, und Systeme behandelten neuartige Situationen außerhalb ihres kodierten Wissens schlecht. Der Markt für spezialisierte Lisp-Maschinen-Hardware kollabierte, als kostengünstigere Allzweck-Workstations Ende der 1980er-Jahre in der Leistung aufholten. Diese Misserfolge trugen zum zweiten KI-Winter bei, einem scharfen Rückgang der KI-Finanzierung und des kommerziellen Interesses, der bis in die frühen 1990er-Jahre andauerte und den früheren Finanzierungskollaps widerspiegelte, der im Lighthill-Bericht von 1973 dokumentiert wurde.
Vermächtnis
Expertensysteme etablierten Praktiken, die in der modernen KI fortbestehen: strukturierte Kodierung von Domänenwissen, Erklärung von Systemausgaben und regelbasierte Validierungsebenen, die in einigen eingesetzten Pipelines weiterhin verwendet werden. Ihre konzeptionellen Nachfahren umfassen moderne Wissensgraph-Systeme und regelbasierte Schutzmechanismen, die um weniger vorhersehbare Large-Language-Model-Ausgaben gelegt werden. Im Gegensatz zu modernen maschinellen Lern-Systemen, die Muster aus Daten lernen, stützten sich Expertensysteme vollständig auf manuell kodiertes Fachwissen - eine Einschränkung, die den breiteren Übergang zu statistischen Ansätzen ab den 1990er-Jahren motivierte.