Theorie
Kurzbeschreibung
Probabilistisches Schließen in Wissensbasierten Systemen
Wissensbasierte Systeme sind nach ihren Anfängen in den 70er Jahren mit einer
damals noch rein deterministischen Regelauswertung heute mehr und mehr in der
Lage, auch vages, unsicheres und subjektives Wissen zu verarbeiten. Ein
Forschungszweig richtet sein Interesse auf die probabilistische Erfassung und
Auswertung von Fakten und Regeln, da Wahrscheinlichkeiten besonders geeignet
sind, vorgegebene, von Experten formulierte Abhängigkeiten zu quantifizieren.
Dies erfolgt sowohl auf der Basis von Expertenwissen als auch durch die
Verarbeitung von statistischen Daten, die in ihrer Gesamtheit zur Deduktion
herangezogen werden können.
Ein für die Darstellung unsicheren Wissens besonders geeigneter Ansatz
ist im Expertensystem SPIRIT (Symmetrical Probabilistic
Intensional Reasoning in Inference Networks in
Transition) realisiert. Häufigkeitsverteilungen, die auf
statistischen Erhebungen beruhen, können gleichermaßen
berücksichtigt werden wie heuristische Regeln; Wissen des Experten
wird ebenso integriert, wie subjektive Einschätzungen seitens des
Benutzers einfließen. SPIRIT ist in der Lage, selbständig aus
eingegebenen Daten und Beispielen zu lernen und gehört damit zu den
aktiv lernenden Systemen. Durch einen induktiven Lernprozess und
aufgrund von Experteninformationen werden auch indirekte (d.h. nicht direkt
beobachtete) Zusammenhänge durch transitives Schließen
erfasst. Hervorzuheben ist weiterhin die Fähigkeit des Systems,
logische Schlussfolgerungen (im Sinne der erweiterten
Prädikatenlogik) aus der gemeinsamen Wahrscheinlichkeitsverteilung
abzuleiten.
Probabilistic reasoning in knowledge-based systems
In the 1970s knowledge-based systems were limited to a purely deterministic evaluation of rules. Nowadays, they exhibit increasing capabilities of processing even vague, uncertain, or subjective knowledge. Since experts rely on probabilities in order to quantify dependencies, research is directed to probabilistic acquisition and evaluation of facts and rules. Expert knowledge as well as statistical data serve as a basis in this endeavour.
The expert system SPIRIT (Symmetrical Probabilistic Intensional Reasoning in Inference Networks in Transition) implements an approach particularly well suited to representing uncertain knowledge. Frequency distributions from data collection as well as heuristic rules are accounted for; both expert knowledge and the user’s subjective assessment may be incorporated. SPIRIT autonomously learns from data and examples entered into the system and as such can be classified as actively learning. Transitive reasoning enables SPIRIT to detect indirect correlations (i.e. correlations not immediately observed) in an inductive learning process. The system’s ability to infer the joint probability distribution’s logical (in the sense of higher-order logic) implications should be noted as well.
Download SPIRIT:
SPIRITshellExtended.zipFor instructions on how to operate SPIRIT please launch the SPIRIT application linked above (requires Java) and consult the SPIRIT user's guide under "Help --> User's Guide".