MYCIN war ein frühes Programm für künstliche Intelligenz, das in den frühen 1970er Jahren am Stanford University entwickelt wurde, um Ärzte bei der Diagnose und Behandlung schwerer bakterieller Infektionen wie Bakteriämie und Meningitis zu unterstützen. Es verwendete eine Inferenzmaschine mit Rückwärtsverkettung und eine Wissensbasis mit etwa 600 Produktionsregeln, um Patientendaten zu analysieren und Antibiotika zu empfehlen, wobei die Dosierungen an das Körpergewicht angepasst wurden. Der Name leitete sich vom Suffix „-mycin“ ab, das bei vielen Antibiotika üblich ist. MYCIN gilt weithin als ein grundlegendes Expertensystem, wobei der Informatiker Allen Newell es als „den Großvater aller - den, der das Feld ins Rollen brachte“ bezeichnete.
MYCIN wurde in Lisp als Doktorarbeit von Edward Shortliffe geschrieben, unter der Leitung von Bruce G. Buchanan, Stanley N. Cohen und anderen. Es entstand aus dem Stanford Heuristic Programming Project, das auch zu anderen frühen KI-Systemen beitrug. Das Programm zeigte, dass domänenspezifisches Wissen, klar getrennt von Inferenzprozeduren, eine hochleistungsfähige Argumentation im medizinischen Kontext erzeugen konnte.
Methode
MYCIN arbeitete, indem es den Arzt durch eine Reihe einfacher Ja/Nein- oder Textfragen befragte. Am Ende der Sitzung lieferte es eine Rangliste möglicher verursachender Bakterien, jeweils mit einem Konfidenzniveau, der Begründung hinter jeder Diagnose und einer empfohlenen Medikamentenbehandlung. Das System konnte auch Folgefragen von Ärzten beantworten, etwa warum es eine bestimmte Frage stellte, wie es zu einer Schlussfolgerung kam oder warum es bestimmte Faktoren nicht berücksichtigte.
Die Wissensbasis bestand aus von Experten kodierten Regeln, die jeweils eine einzelne inferentielle Tatsache darstellten. Zu dieser Zeit enthielt kein anderes KI-Programm so viel domänenspezifisches Wissen, das klar von seiner Inferenzmaschine getrennt war. Die Inferenzmaschine verwendete Rückwärtsverkettung, beginnend mit einer Zielhypothese und arbeitete rückwärts durch Regeln, um unterstützende Beweise zu finden.
Entwickler führten Studien durch, die zeigten, dass MYCINs Leistung nur minimal durch Störungen in den Unsicherheitsmetriken beeinflusst wurde, die mit einzelnen Regeln verbunden waren. Dies deutete darauf hin, dass die Stärke des Systems eher aus seiner Wissensrepräsentation und seinem Argumentationsschema stammte als aus den Details seines numerischen Unsicherheitsmodells. Einige Beobachter argumentierten, dass klassische Bayes-Statistik hätte verwendet werden sollen, aber die Entwickler entgegneten, dass dies entweder unrealistische Annahmen über probabilistische Unabhängigkeit oder eine unpraktikabel große Anzahl bedingter Wahrscheinlichkeitsschätzungen von Experten erfordern würde.
Sicherheitsfaktoren
MYCIN verwendete ein Sicherheitsfaktor-Modell, um Beweise aus mehreren Regeln zu kombinieren. Jede Regel konnte eine Hypothese mit einem Gewicht zwischen -1 und +1 abschließen, wobei -1 „falsch“, +1 „wahr“ und 0 „unsicher“ darstellte. Wenn zwei oder mehr Regeln Schlussfolgerungen über denselben Parameter zogen, kombinierte MYCIN ihre Sicherheitsfaktoren mit einer spezifischen Formel.
Die Kombinationsformel wurde so entworfen, dass sie mehrere wünschenswerte Eigenschaften hatte. Die Kombination eines unbekannten Werts mit irgendetwas ließ ihn unverändert. Die Kombination von „wahr“ mit irgendetwas außer „falsch“ ergab „wahr“, und ebenso für „falsch“. Die Kombination von „wahr“ und „falsch“ führte zu einem Divisions-durch-null-Fehler. Die Kombination von +x und -x ergab „unbekannt“. Die Kombination zweier positiver Werte ergab einen größeren positiven Wert, und die Kombination eines positiven und eines negativen Werts ergab einen Wert dazwischen.
Nachfolgende Studien zeigten, dass das Sicherheitsfaktor-Modell in einem probabilistischen Sinne interpretiert werden konnte, obwohl sie auch Probleme mit den implizierten Annahmen hervorhoben. Die modulare Struktur des Systems erwies sich jedoch als einflussreich und führte zur Entwicklung grafischer Modelle wie Bayes-Netze.
Kontexte
Ein Kontext in MYCIN bestimmte, welche Arten von Objekten analysiert werden konnten. Kontexte ähnelten Variablen in Prolog oder Umgebungsvariablen in Betriebssystemen. Sie ermöglichten es dem System, Wissen über verschiedene Aspekte eines medizinischen Falls zu organisieren, wie den Patienten, die Kultur oder den Organismus, der identifiziert wurde.
Vermächtnis
MYCIN führte zur Entwicklung von EMYCIN („essentielles MYCIN“), einer Expertensystem-Hülle, die Wissen erwerben, damit argumentieren und Ergebnisse erklären konnte, ohne das spezifische medizinische Wissen. EMYCIN wurde beschrieben als „EMYCIN = Prolog + Unsicherheit + Caching + Fragen + Erklärungen + Kontexte - Variablen“. Es ermöglichte Entwicklern, Expertensysteme in anderen Bereichen zu erstellen, indem sie die medizinische Wissensbasis ersetzten.
MYCINs Einfluss reichte über seine unmittelbare Anwendung hinaus. Es demonstrierte das Potenzial regelbasierter Systeme für maschinelles Lernen und Argumentation, und sein Ansatz zur Wissensrepräsentation beeinflusste spätere Arbeiten in KI und Expertensystemen. Eine Einführung in MYCIN erscheint in Kapitel 16 des Buches Paradigms of Artificial Intelligence Programming (PAIP).
Trotz seines technischen Erfolgs wurde MYCIN nie breit in der klinischen Praxis eingesetzt, teils wegen rechtlicher und ethischer Bedenken bezüglich computergenerierter medizinischer Ratschläge. Dennoch bleibt es ein Meilenstein in der Geschichte der KI und veranschaulicht sowohl die Stärken als auch die Grenzen früher Expertensysteme.