Hybride Wissensverarbe
i
tung
in der
präventivmedizinischen Diagnostik
Dissertation
zur Erlangung des akademischen Grades
doctor rerum medicinalium
(Dr. rer. medic.)
Paderborn, August 1999
vorgelegt
dem Dekanat des Fachbereiches 2
für Erziehungswissenschaft, Psychologie und Sportwissenschaft
der Universität-GH Paderborn
von
Diplom-Informatiker
Andreas Koller
geboren am
07. Januar 1965
in Coburg
certum quod factum
(nur das ist sicher, was auch gemacht wurde)
Vicos, Philosoph aus dem 16. Jhdt.
Inhaltsverzeichnis
1Einleitung...................................................................................6
1.1 Motivation................................................................................................6
1.2 Kognitive Aspekte...................................................................................7
1.2.1 Das Spektrum der Kognition.......................................................8
1.2.2 Das Spektrum der Künstlichen Intelligenz..................................9
1.2.3 Der hybride Ansatz....................................................................10
1.3 Aufbau der Arbeit.................................................................................12
2Modellierung von Wissen.........................................................14
2.1 Expertisenforschung im interdisziplinären Kontext..........................15
2.2 Modellorientierter Wissenserwerb und Wissensmanagement..........16
2.2.1 Modellierung auf hohem Abstraktionsniveau...........................16
2.2.2 Methodische modellorientierte Ansätze....................................18
2.3 Konzeptionelle Wissensmodellierung mit Hilfe formaler
Spezifikationssprachen..........................................................................21
2.4 Das Modell des diagnostischen Prozesses in der Medizin..................23
2.4.1 Modellanalyse............................................................................23
2.4.2 Modellentwurf...........................................................................26
2.5 Unsicherheit/Vagheit und „Wissen über Unwissen“ .........................27
3Techniken zur Verarbeitung von Wissen.................................30
3.1 Klassifikationsmodell problemlösender Techniken...........................32
3.2 Symbolische Wissensverarbeitung mittels Expertensystemen..........34
3.2.1 Wissensrepräsentation und -verarbeitung..................................35
3.2.2 Anwendungen............................................................................37
3.3 Subsymbolische Wissensverarbeitung mittels
konnektionistischer Methoden.............................................................38
3.3.1 Wissensrepräsentation und -verarbeitung..................................39
3.3.2 Anwendungen............................................................................41
3.4 Wissensverarbeitung mittels Fuzzy Logik ..........................................42
3.4.1 Wissensrepräsentation und -verarbeitung..................................44
3.4.2 Anwendungen............................................................................45
3.5 Andere Techniken.................................................................................48
4Hybride Wissensverarbeitung in der Diagnostik.....................50
4.1 Diagnostisches Problemlösen auf der Basis hybrider
Techniken...............................................................................................51
4.2 Klassifikation hybrider intelligenter Systeme ....................................53
4.2.1 Klassifikation nach MADEY.......................................................53
4.2.2 Klassifikation nach MEDSKER...................................................55
4.2.3 Klassifikation nach HILARIO .....................................................58
4.3 Systementwurf für diagnostisches Problemlösen auf der
Basis hybrider intelligenter Techniken...............................................61
4.3.1 Systemarchitektur......................................................................62
4.3.1.1 Benutzerebene ........................................................63
4.3.1.2 Wissensebene .........................................................65
4.3.1.3 Problemlösungsebene.............................................66
4.3.2 Systemverhalten........................................................................69
4.4 Entwurfsentscheidungen für die Wissensverarbeitung.....................72
4.4.1 Symbolische Wissensverarbeitung............................................72
4.4.1.1 Frames....................................................................72
4.4.1.2 Regeln.....................................................................74
4.4.1.3 Kontrollstrategie.....................................................76
4.4.2 Subsymbolische Wissensverarbeitung......................................78
4.4.3 Fuzzy-Logik..............................................................................79
4.4.3.1 Fuzzy-Bewertung...................................................80
4.4.3.2 Fuzzy-Control.........................................................81
4.4.3.3 Fuzzy-Reasoning....................................................87
4.5 Konsistenz und Vollständigkeit............................................................88
5VITAL&aktiv: Ein „intelligentes“
Gesundheitsberatungssystem...................................................91
5.1 Gesundheitsberatung als Aufgabe der Präventivmedizin.................91
5.2 Neue Wege der Selbstverantwortung durch Neue Medien................93
5.3 Projektbeschreibung .............................................................................94
5.3.1 Zielsetzung................................................................................94
5.3.2 Interdisziplinäres Projektteam...................................................94
5.4 Programmaufbau..................................................................................95
5.4.1 Individuelle Information............................................................95
5.4.1.1 Datenerfassung.......................................................96
5.4.1.2 Datenbewertung......................................................98
5.4.1.3 Verknüpfungsansätze...........................................100
5.4.2 Allgemeine Information..........................................................100
5.4.3 Datenbankgestützte Information.............................................101
5.5 Wissensverarbeitende Techniken in der
Gesundheitsberatung ..........................................................................102
5.5.1 Symbolische Wissensverarbeitung..........................................102
5.5.1.1 Problemstellung....................................................103
5.5.1.2 Modellrealisierung................................................105
5.5.2 Subsymbolische Wissensverarbeitung....................................108
5.5.2.1 Problemstellung....................................................109
5.5.2.2 Modellrealisierung................................................109
5.5.3 Fuzzy-Logik............................................................................112
5.5.3.1 Problemstellung....................................................112
5.5.3.2 Modellrealisierung................................................112
5.6 Diagnostik und Multimedia................................................................117
6Zusammenfassung und Ausblick ...........................................120
7Literaturverzeichnis...............................................................123
Einleitung 6
1 Einleitung
1.1 Motivation
Eines der Hauptarbeitsgebiete sportmedizinischer Einrichtungen ist es, wissenschaft-
lich basierte Erkenntnisse für eine primäre und sekundäre gesundheitsorientierte Prä-
vention unter ganzheitlichem Ansatz zu entwickeln und zur Verfügung zu stellen.
Diese gilt es im Sinne des Wissenstransfers allgemein und dezentral verfügbar zu
machen.
In interdisziplinärer Zusammenarbeit mit anderen wissenschaftlichen Einrichtungen
und Institutionen hat sich das Sportmedizinische Institut (SMI) der Universität Pa-
derborn grundlegende Kompetenzen im Umgang mit schwer faßbarem und umfang-
reichem Expertenwissen erarbeitet. Die Informatik liefert einen wesentlichen Beitrag
dazu, Konzepte und Modelle für die Lösung diagnostischer Problemstellungen in-
nerhalb der Präventivmedizin umzusetzen. Somit konnten weitreichende Erfahrun-
gen in der Modellierung und Implementierung wissensintensiver Anwendungen in
Softwareprodukte gesammelt werden.
Die Arbeitsgruppe Computerunterstützte Wissensverarbeitung in der Präventivmedi-
zin hat zum Ziel, die systemtechnische Kompetenz praxisnah zu verfeinern und zu
erweitern. Die Forschungs- und Entwicklungsideen sollen Gegenstand zukünftiger
Arbeiten werden.
Bereits seit Ende der 80er Jahre beschäftigt sich das SMI in interdiziplinären Koope-
rationen mit dem Einsatz Wissensbasierter Systeme in der Prävention und Diagnos-
tik. Dabei entstand zunächst als Pionierprojekt in langjähriger Zusammenarbeit mit
einer deutschen Krankenkasse ein Beratungsprogramm, welches zur Kundenbetreu-
ung eingesetzt wurde und gesundheitliche Aspekte im Bereich des Breitensportes
aufgriff [98].
Durch ein objektorientiertes Neudesign der Verarbeitungsmethoden und der strengen
Trennung zwischen dem zu verarbeitenden Wissen und der zugehörigen Problemlö-
sungsstrategie wurde diese Technik anderen Problemfeldern zugänglich gemacht.
Einleitung 7
Die praktischen Erfahrungen in Projektarbeiten am SMI im Umgang mit qualitativ
komplexem und quantitativ umfangreichem Wissen haben gezeigt, daß eine einzelne
Problemlösungsmethode zu unflexibel ist, um diagnostische Problemlösungen adä-
quat zu modellieren. Teilprobleme in Lösungskorsette zu zwängen, erschien lang-
fristig nicht erfolgsversprechend. Auch rein pragmatische Überlegungen favorisier-
ten bei unterschiedlichen Teilproblemen auch unterschiedliche Lösungsmethoden.
Die Auseinandersetzung mit Integrationsmöglichkeiten verschiedener wissensverar-
beitender Techniken − mit ihren zum Teil gegensätzlichen Paradigmen − im Sinne
eines Hybridsystems schien daher nicht nur aus praktischer Sicht notwendig. Vor
allem aus informationstheoretischer Sicht stellte dies eine Herausforderung dar. Die
vorliegende Arbeit beschreibt die strukturierte und effiziente Herangehensweise
beim Aufbau und der Entwicklung eines derartigen Systems, welches als Werkzeug
in zukünftigen Projekten seine Anwendung finden wird.
1.2 Kognitive Aspekte
Eine Analyse menschlicher kognitiver Handlungen macht deutlich, daß es verschie-
dene Typen mentaler Prozesse gibt, von denen jeder eine bedeutende Rolle innerhalb
menschlicher Intelligenz spielt. Eines der Hauptziele des Wissenschaftsgebietes der
Künstlichen Intelligenz (KI) ist die Nachbildung (Emulierung) dieser komplexen
kognitiven Prozesse.
Um eine Verbindung zwischen kognitiven Prozessen und der KI herzustellen, wer-
den zwei Repräsentationen definiert: Das Spektrum der Kognition und das Spektrum
der KI ([56],[77]). Diese Vorüberlegungen liefern Begründungen für den in dieser
Arbeit gewählten hybriden Ansatz zur Lösung diagnostischer Probleme im Bereich
der Präventivmedizin.
Einleitung 8
1.2.1 Das Spektrum der Kognition
Aus der Sicht der Kognitionswissenschaften lassen sich zwei konträre Arten denk-
psychologischer Operationen definieren: Synthetische und analytische [77].
Als synthetisch werden Operationen bezeichnet, die unbewußt ablaufen, unzerlegbar
sind und aus einfacher Wahrnehmung resultieren. Ihnen wird auch der Begriff low-
level-Operationen zugewiesen. Beispiele hierfür sind das Sehen und das Sprechen.
Das Ziel eines low-level-Inputs ist, Informationen auf einem höheren Level bereitzu-
stellen, wie die Erkennung von Objekten oder die Aussprache von Wörtern. Das be-
teiligte Wissen in diesen Operationen ist weniger in Worten beschreibbar und forma-
lisierbar als vielmehr bildhaft definiert.
synthetisch analytisch
Abb. 1:Das kognitive Spektrum (nach LALLEMENT et al. [77])
Analytische Operationen beschäftigen sich im Gegensatz dazu meist mit high-level-
Informationen, die bewußte, zerlegbare und begründende Aufgaben repräsentieren.
Das Lösen von Problemen und das Treffen von Entscheidungen sind Vertreter dieser
Art kognitiver Handlung. Das beteiligte Wissen in diesen Operationen ist symbolisch
und sprachlich definierbar.
synthetisch analytisch
synthetisch analytisch
synthetisch analytisch
Autofahren
Wiedererkennen bekannter Personen
Mathematisches Problemlösen
Abb. 2:Beispiel und Zuordnung kognitiver Handlungen im Rahmen des kognitiven Spekt-
rums (analog LALLEMENT et al. [77]
Einleitung 9
Unter diesen denkpsychologischen Gesichtpunkten ist es klar, daß viele kognitive
Operationen weder rein synthetisch noch rein analytisch sind. Vor allem komplexe
denkpsychologische Handlungen sind nicht als trivial einzuordnen. Sie setzen sich
aus verschiedenen Teiloperationen zusammen, die sich sowohl synthetisch als auch
analytisch lösen lassen.
Beispiele für kognitive Handlungen im Rahmen des kognitiven Spektrum sind der
Abb. 2 zu entnehmen.
1.2.2 Das Spektrum der Künstlichen Intelligenz
Das junge Wissenschaftsgebiet der KI unterscheidet zwei im wesentlichen konträre
Ansätze: den symbolischen und den konnektionistischen1 Ansatz. Beide Wissen-
schaftsbereiche entstanden annähernd zur gleichen Zeit in den 50er Jahren, und die
Gegensätzlichkeit zwischen beiden Paradigmen wurde in der Wissenschaft bereits
häufig diskutiert. DREYFUS et al. [35] fassen diese Unterteilung in ihrer bekannten
Aussage zusammen: making a mind vs modeling the brain. Das Ziel der KI − näm-
lich die Emulierung kognitiver Prozesse − wurde jedoch von beiden Wissenschafts-
bereichen nicht erreicht.
symbolischkonnektionistisch
Abb. 3:Das Spektrum der KI (nach LALLEMENT et al. [77])
Der symbolische Ansatz (making a mind) geht von einem hohen kognitiven Level
aus: der Manipulation von Symbolen und Sprache. Ihre typische Realisierung findet
sich z.B. in Expertensystemen. Im Gegensatz dazu ist der Ansatzpunkt konnektio-
nistischer Überlegungen (modeling the brain) der unterste kognitive Level: die Neu-
ronen und ihre Verbindungen untereinander. Die Arbeiten z.B. im Bereich der Mus-
tererkennung fallen unter diesen Ansatz.
1Als Konnektionismus wird das Wissenschaftsgebiet Künstlicher Neuronaler Netze verstanden.
Einleitung 10
Ähnlich wie beim kognitiven Spektrum existieren in der KI ebenfalls Modelle, die
nicht eindeutig dem rein konnektionistischen oder dem rein symbolischen Ansatz
zuzuordnen sind. Auf technische Beispiele soll an dieser Stelle allerdings verzichtet
werden. Eine Zurodnung von Techniken und Modellen im Rahmen des Spektrums
der KI wird in Kapitel 3.1 vorgenommen.
1.2.3 Der hybride Ansatz
Die beiden definierten Spektren zeigen eine vereinfachte, jedoch korrekte Sichtweise
auf die Bereiche Kognition und KI. In den kurzen Vorüberlegungen wurde wesentli-
cher Wert auf die gegensätzlichen denkpsychologischen und KI-Ansätze gelegt.
Das kognitive Spektrum und das Spektrum der KI können in dieser vereinfachten
Veranschaulichung gegenübergestellt werden: Die konnektionistische Seite auf dem
KI-Spektrum spiegelt die synthetische Seite auf dem kognitiven Spektrum wieder.
Analoges gilt für die symbolische und die analytische Seite.
symbolischkonnektionistisch
synthetisch analytisch
Spektrum
der KI
Kognitives
Spektrum
Abb. 4:Repräsentation als isomorphe Spektren
Konnektionistische Modelle und synthetische Operationen zeichen sich durch viele
gemeinsame Charaktereigenschaften aus, wie z.B. Parallelität, Unteilbarkeit und un-
bewußtes Wissen. Es zeigt sich, daß konnektionistische Verfahren besonders gut
geeignet sind, synthetische Operationen zu auszuführen. Ähnliches gilt für symboli-
sche Modelle, die sich bei der Verarbeitung analytischer Probleme bewährt haben.
Auch die Form der Wissensrepräsentation auf dem Spektrum der KI ist der auf dem
kognitiven Spektrum ähnlich: von implizit und bildhaft zu explizit und symbolisch.
Einleitung 11
Aber wie kann die KI mit komplexen kognitiven Prozessen (siehe Abb. 2; Beispiel
Autofahren) umgehen? Weder rein symbolische noch rein konnektionistische Ver-
fahren sind unter ganzheitlichen Gesichtspunkten adäquate Ansätze.
Es ist auch derzeit nicht absehbar, daß es in naher Zukunft einen einzigen Lösungs-
formalismus gibt, um das gesamte Spektrum der Kognition zu überdecken.
Aus heutiger Sicht sind hierfür zwei Ansätze zu erkennen ([55],[57],[77]), die in
vielen wissenschaftlichen Arbeiten zu finden sind.
1. Der vereinheitlichende Ansatz (unified approach):
Dieser Ansatz startet in einem Paradigma und versucht das Ausgangswissen
durch Transformation in Richtung auf das andere Paradigma zu erweitern. So
werden beispielsweise bestehende künstliche neuronale Netze − als klassische
Vertreter konnektionistischer Methoden − in Regelsysteme umgewandelt und
umgekehrt. Beide Richtungen haben in gegebenen Anwendungen ihre Berechti-
gung und Notwendigkeit.
symbolischkonnektionistisch
Abb. 5:Der vereinheitlichende Ansatz neurosymbolischer Integration
Dieser Ansatz zur Überdeckung des kognitiven Spektrums ist nicht Gegenstand
dieser Arbeit. Einen Überblick über einige vereinheitlichende Modelle (unified
models) liefert [77].
2. Der hybride Ansatz (hybrid approach):
Der hybride Ansatz versucht verschiedene Verfahren zu kombinieren, die sich
auf dem Spektrum der KI befinden. Ein komplexes kognitives Problem wie z.B.
die Diagnostik läßt sich auf der Basis von KI-Techniken dadurch adäquat lösen,
daß unterschiedliche Teilprobleme auch mit unterschiedlichen Lösungsverfahren
bearbeitet werden.
Einen Überblick über einige hybride Modelle (hybrid models) liefert [77].
Einleitung 12
symbolischkonnektionistisch
Abb. 6:Der hybride Ansatz neurosymbolischer Integration
Diese Vorüberlegungen zu kognitiven Aspekten und KI-Paradigmen liefern die Be-
gründung für den Entwurf eines hybriden wissensverarbeitenden Systems im Rah-
men der vorliegenden Arbeit.
Die Komplexität der zugrundeliegenden präventivmedizinischen Problemstellung
erfordert − weniger aus technischen als vielmehr aus pragmatischen kognitiven Ü-
berlegungen heraus − den hybriden Ansatz im obigen Sinne.
1.3 Aufbau der Arbeit
Als Einführung in das Thema computerunterstützte Wissensverarbeitung dient Ka-
pitel 2. Dort wird die Verarbeitung von Wissen als Grundlage diagnostischen Prob-
lemlösens motiviert und erläutert. Modellierungstechniken auf einem hohen Abs-
traktionsniveau sind Voraussetzung dafür, qualitativ komplexes und quantitativ um-
fangreiches Wissen in interdisziplinärer zusammenarbeit zu erfassen und zu verar-
beiten.
Die formale Analyse des diagnostischen Prozesses in der Medizin dient dazu, die
zugrundeliegende Problemstellung für eine technische Modellierung vorzubereiten.
An dieser Stelle wird auch auf Probleme im Umgang mit Wissen, wie z.B. Unsicher-
heit bzw. Vagheit, eingegangen.
Zur Verarbeitung von deskriptivem2 Wissen stehen in der Informationstheorie ver-
schiede Ansätze zur Verfügung. Diese unkonventionellen Techniken, die in der The-
orie auch als intelligent bezeichnet werden, werden in Kapitel 3 zunächst einzeln
informell eingeführt. Sie unterscheiden sich in ihren grundlegenden Paradigmen und
damit auch in ihren Anwendungsbereichen.
2Im Gegensatz zum deskriptiven Wissen bezeichnet man Wissen als prozedural, wenn es exakt
algorithmisch formulierbar ist.
Einleitung 13
Bei der Beschreibung der Verfahren zu Expertensystemen − als Vertreter symboli-
scher, analytischer Wissensverarbeitung −, konnektionistischer bzw. subsymboli-
scher Techniken wie den Methoden neuronaler Netze und der Fuzzy-Logik, liegt der
Schwerpunkt auf der Darstellung der zugehörigen Wissensrepräsentation und
-verarbeitung. Die Anwendungsfälle im Rahmen eines diagnostischen Problemlö-
sungsprozesses werden ebenfalls aufgezeigt.
Auf konventionelle Techniken aus dem Bereich der klassischen Datenverarbeitung,
die ebenfalls integrative Bestandteile des hybriden Modellentwurfes sind, wird im
Rahmen dieser Arbeit nicht näher eingegangen.
Im Mittelpunkt der vorliegenden Arbeit steht die Entwicklung eines hybriden Ansat-
zes zur Verarbeitung von Wissen in diagnostischen Problemen, so wie sie bei prä-
ventivmedizinischen Fragestellungen auftreten. Diese wird in Kapitel 4 thematisiert.
Nach der Vorstellung von Klassifikations- und Integrationsmodellen wird der Mo-
dellentwurf für diagnostisches Problemlösen auf der Basis hybrider intelligenter
Techniken durch seine Architektur- und Verhaltensbeschreibung erläutert. Es wird
auf formale Entwurfsentscheidungen eingegangen, die als Grundlage für die in dieser
Arbeit beschriebene Modellumsetzung in einem Anwendungsfall der Präventivmedi-
zin dienen.
Anhand eines (komplexen) Beispiels aus dem Bereich der präventivmedizinischen
Diagnostik, welches die vorliegende Arbeit begleitete, wird in Kapitel 5 der hybride
Modellansatz praxisnah beschrieben. Das zugrundeliegende Projekt zur individuellen
Gesundheitsberatung wird zunächst vorgestellt, anschließend der flexible Einsatz des
neuen Werkzeugs problemspezifisch betrachtet. Dazu werden Modellierungs- und
Implementierungsbeispiele dargestellt, die den Einsatz unterschiedlicher, intelligen-
ter Techniken verdeutlichen.
Überlegungen zur Integration des entwickelten Modells in anwendungsorientierte
Umgebungen unter multimedialen Gesichtspunkten schließen die Arbeit ab.
Modellierung von Wissen 14
2 Modellierung von Wissen
Wissen kann als Instrument des Menschen zum Umgang mit der Umwelt angesehen
werden. Wesentliches Kriterium für den Erfolg dieses Instrumentes ist langfristig das
Überleben der jeweiligen Wissenskultur. Gemäß dieser Vorstellung von Wissen ist
es sowohl Begründungsbasis menschlicher Handlungen als auch Ergebnis individu-
eller und kollektiver menschlicher Handlungen.
Wissen wird als industrielle Ressource in der Zukunft immer mehr an Bedeutung
gewinnen, und die Entwicklung wissensverarbeitender Systeme in Industrie und For-
schung ist ohne den Einsatz mächtiger Softwarewerkzeuge nicht denkbar.
Das nachfolgende Zitat von MEDSKER [96] macht den derzeitigen Stand der Daten-
verarbeitung deutlich.
„Wir wechselten vom
Datenzeitalter in das
Informationszeitalter
und betreten nun das
Wissenszeitalter“ Daten
Daten
Information
Information
WissenWissen
Meta-Wissen
Meta-Wissen
Abb. 7:Wissensebenen nach POPOVIC et al. [107]
Nach POPOVIC et al. [107] sind Informationen und Daten nicht mit Wissen zu ver-
wechseln. Sie sind für die Entwicklung von wissensbasierten Applikationen aller-
dings äußerst relevant3.
Wissen bezieht sich nach KLIX et al. [73] aus psychologischer Sicht ursprünglich auf
die Art und Weise, Dinge und Zusammenhänge in der Umwelt zu entscheiden; sei es,
daß diese Umwelt unmittelbar erfahren wurde oder sei es, daß sie durch Sprache oder
3Als Meta-Wissen wird das Wissen über das Wissen bezeichnet. Dabei kann es sich beispiels-
weise um strategisches oder strukturelles Wissen eines Anwendungsbereiches handeln
([107],[111]).
Modellierung von Wissen 15
auch Bilder, etwa über die Medien, vermittelt worden ist. Im Ergebnis geistiger Pro-
zesse erweitert sich dieses Wissen auf abgeleitete Zusammenhänge, wie sie aus
schlußfolgerndem Denken oder aus dem Problemlösen resultieren.
„Der Mensch verarbeitet Informationen, um Wissen zu erwerben, denkend über
dieses Wissens hinaus neue Einsichten zu gewinnen und schwierige Probleme
zu lösen.“ [135]
2.1 Expertisenforschung im interdisziplinären Kontext
Die Arbeiten der Informatik im Umgang mit Wissen und Intelligenz überschneiden
sich mit anderen Wissenschaftsgebieten wie die der Psychologie, der Philosophie,
der Linguistik und der Kognitionswissenschaft.
Aus Sicht der kognitiven Psychologie4 hat die Expertiseforschung als deren Teilbe-
reich das schnellste Wachstum innerhalb der Psychologie zu verzeichnen. Die Be-
deutung, die die Expertisenforschung erlangt, ist zum einen darauf zurückzuführen,
daß sie Einfluß hatte auf die Entwicklungen von Expertensystemen in der Informatik
[111], zum anderen auf die Auswirkungen, die diese Art der Forschung für die pä-
dagogische und die Instruktionspsychologie sowie die Entwicklungspsychologie hat.
Auch die Intelligenztheorie und die Diagnostik von Intelligenz, Leistung und Wissen
aus kognitionspsychologischer Sicht wurden davon stark beeinflußt [113].
Aus diesem parallelen Interesse resultiert eine interdisziplinäre Ausrichtung der Ex-
pertisenforschung. Neben theoretischen Untersuchungen von Expertisen − nicht nur
auf geisteswissenschaftlicher Seite − werden Realisierungen von Expertisemodellen
ermöglicht, die auf Computern lauffähig sind. Auch Psychologen beschäftigen sich
derzeit mit Methoden wissensverarbeitender Systeme und deren Programmierung.
Die Interdisziplinarität erzeugte in früheren Jahren manchmal Reibungen, viel öfter
jedoch erkennt man sie nun als eine Quelle der Inspiration und neuer Ideen.
4Die Kognitionspsychologie ist die Wissenschaft, die sich mit der menschlichen Informations-
verarbeitung befaßt. Ihr Gegenstand, oft als Kognition bezeichnet, betrifft die Arten von Infor-
mationen, die im Gedächtnis sind, und die Vorgänge, die sich auf die Aufnahme, das Speichern
und Verwenden solcher Informationen beziehen. Die Gesamtheit dieser Vorgänge wird als
kognitiver Prozeß bezeichnet [137]
Modellierung von Wissen 16
2.2 Modellorientierter Wissenserwerb und Wissensmanagement
Aufgrund der Komplexiät wissensintensiver Problemstellungen beschränkt sich der
Einsatz wissensverarbeitender Systeme im allgemeinen auf eng eingegrenzte An-
wendungsgebiete, die als gut verstanden gelten. Dies setzt voraus, daß das zugrunde-
liegende Problem und das zugehörige Lösungsverfahren als wissensverarbeitender
Prozeß formalisierbar sind.
Für den operativenen Umgang mit qualitativ komplexem und quantitativ umfangrei-
chem Wissen ist die klassische Datenverarbeitung meist nicht geeignet. Eine mathe-
matische Formulierung und eine algorithmische Implementierung von kognitiven
Zusammenhängen und geistig kreativen Handlungen ist daher zur Zeit nicht adäquat.
Um derartige Problemstellungen systemtechnisch bearbeiten zu können, gilt es, das
zu modellierende, meist deklarative Wissen auf Beschreibungsebene exakt zu for-
mulieren, um Problemmodelle erarbeiten und Problemlösungsverfahren ([111],
[125]) etablieren zu können.
2.2.1 Modellierung auf hohem Abstraktionsniveau
Seit der Einführung des Begriffes knowledge level (Wissensebene) in den frühen
80er Jahren durch NEWELL [103] dient dieser als wichtiger Antrieb für Forschungen
und Entwicklungen auf dem Gebiet der Expertensystemtechnologie.
Während das Wissen in den Expertensystemen der sogenannten ersten Generation
(bis Anfang der 80er Jahre) durch Befragungen von Experten5 und der Umsetzung
der Ergebnisse in Datenstrukturen (z.B. Regeln) operationalisiert wurde (rapid pro-
totyping), gingen neue Überlegungen der Wissenschaftler hin zu abstrakten und all-
gemeingültigen Modellen, um Wissen transparenter und wiederverwendbar zu ma-
chen.
Bei der Entwicklung von wissensbasierten Systemen fand somit ein Wechsel statt
von einem Transferparadigma zu einem Modellierungsparadigma [6].
Expertensysteme der zweiten Generation definieren sich im wesentlichen durch die
klare Trennung zwischen der Wissensebene (knowledge level) und der Symbolebene
5Der Wissenserwerb (knowledge engineering) wurde zu dieser Zeit als die Übertragung und
Übersetzung potentieller Problemlösungsexpertisen von einer Wissensquelle in ein Programm
definiert [18].
Modellierung von Wissen 17
(symbol level). Unter modellorientierten Gesichtspunkten werden Entwurf und Ent-
wicklung von Wissensbasen von der realen Implementierung strikt getrennt. Weiter-
hin sind sie durch die Verwendung unterschiedlicher Wissensquellen und Wissens-
repräsentationen charakterisiert.
Trotz des Paradigmenwechsels steht zur Entwicklung wissensverarbeitender Systeme
neben dem modellbasierten Ansatz − die Expertensysteme der zweiten Generation
werden dadurch im wesentlichen definiert − und dem immer noch in der Praxis weit
verbreiteten rapid prototyping-Ansatz auch noch der Ansatz mittels der sogenannten
role limiting-Methoden6 zur Verfügung.
Modellbasierte Ansätze auf der Basis der knowledge level Definition nach NEWELL
[103] sind relativ neu und werden vor allem durch Entwicklungen im europäischem
Raum getragen, während im amerikanischen Raum vorwiegend der rapid prototy-
ping-Ansatz zur Anwendung kommt.
In der Praxis der Wissenschaft der Künstlichen Intelligenz ist die Beschreibung der
Schlüssel für Wissen:
„Wissen ist die Beschreibung für das WAS, WIE und WARUM in der Welt −
was für Aufgaben oder Probleme festlegt, wie sie zu lösen sind und warum sich
die Welt so verhält, wie sie das tut“ [125].
Modellierungen von wissensintensiven Problemstellungen auf dem knowledge level
erlauben demnach, kognitives Verhalten vorauszusagen und zu verstehen, ohne ein
Verarbeitungsmodell für diesen Prozeß zu haben.
Wissen kann aus systemtechnischer Sicht nach SIMMONS et al. [125] nach Typ oder
nach Art der Abstraktion in unterschiedliche Quellen eingeteilt werden. Dieses Vor-
gehen kann als „Teile-und-Herrsche-Modell“ betrachtet werden.
Die explizite Einteilung des komplexen Wissens in verschiedene, modular struktu-
rierte Wissenstypen (Wissen über das WAS, WIE und WARUM) liefert praktische
Vorteile im Bereich Wissenserwerb, Erweiterbarkeit eines Systems, Wiederver-
wendbarkeit und Verständlichkeit.
6Eine detaillierte Gegenüberstellung dieser Ansätze sind [6] zu entnehmen.
Modellierung von Wissen 18
Die unterschiedlichen Abstraktionsebenen verwenden darüberhinaus verschiedenar-
tige Ontologien7 zur Beschreibung realer Prozesse. Ontologien spezifizieren dabei
das, was man als Konzeptualisierung bezeichnet [140]: einen Weg, die Welt zu sehen
[46]. Dies erlaubt, Teilprobleme gemäß den Erkenntnissen über diesen Problembe-
reich zu formulieren und zu lösen.
Die Schwierigkeiten bei der Verwendung von verschiedenen Arten von Wissen lie-
gen zum einen darin, zu entscheiden, wie komplexes Wissen zu unterteilen ist, und
zum anderen darin, wie Teillösungen anschließend wieder zusammengefügt werden.
2.2.2 Methodische modellorientierte Ansätze
Um die modellorientierte Entwicklung wissensverarbeitender Systeme − Akquisiti-
on, Modellierung, Repräsentation, Verarbeitung und Verwendung − zu unterstützen,
haben die Arbeiten der vergangenen beiden Jahrzehnte eine Reihe von Methoden und
Techniken hervorgebracht ([5],[19],[22],[27],[121],[122],[134]). Diese konzeptio-
nellen Modelle für die Wissensverarbeitung (knowledge engeneering) und das Wis-
sensmanagement (knowledge management8) dienen dem strukturierten Entwurf und
Aufbau von Wissensbasen, die nicht nur transparent, sondern vor allem wiederver-
wendbar sein sollen ([134],[140]).
Einen de facto-Standard im europäischen Raum zur methodischen Entwicklung von
Wissensbasen wurde an der Universität von Amsterdam in einem Kooperationspro-
jekt (ESPRIT II) mehrerer europäischer Partner entwickelt; es wird als Common-
KADS9 bezeichnet ([8],[28],[140],[141],[142]).
Seit 1989 − nach Beendigung des KADS I-Projektes − bemühten sich viele wissen-
schaftliche Einrichtungen um Weiterentwicklungen des konzeptionellen Modellan-
7Als Ontologie wird die Lehre vom Sein, vom Wesen und den Eigenschaften des Seienden be-
zeichnet (siehe Langenscheidt Fremdwörterbuch).
8WIELINGA et al. [139] beschreiben das Knowledge Management folgendermaßen:
We describe Knowledge Management as the collection of those processes that describe and
administrate the knowledge assets of an organisation or community and that guide the conser-
vation and enlargement of those assets.
9KADS ist die Abkürzung für Knowledge Base Analyse and Design Support
Modellierung von Wissen 19
satzes [27]. Auf diese kann im Rahmen dieser Arbeit nicht näher eingegangen wer-
den10.
In der Entwicklungsphase der Problemanalyse11 eines wissensintensiven Prozesses,
in der das problemspezifische Wissen von verschiedenen Wissensträgern akquiriert,
analysiert und formalisiert wird, führen diese Beschreibungsmethoden auf hoher
Abstraktionsebene, dem knowledge level, zu einer transparenten, effizienten und
wiederverwendbaren Konzeption ([123],[134]).
Diese modellorientierte Sichtweise auf das zugrundeliegende Wissen verändert die
Phase des Wissenserwerbes: Es geht nicht mehr darum, Wissen eines Experten zu
extrahieren, so wie es in Expertensystemen der ersten Generation üblich war, son-
dern darum, Modelle zu entwickeln, die das Probemlösungsverhalten von Experten
nachbilden.
WIELINGA et al. [137] postulieren in der CommonKADS-Methode beispielsweise
vier Ebenen, auf denen das Expertenwissen beschrieben und analysiert werden kann:
• Bereichsebene (domain level)
Hier findet zum einen die Festlegung von Fachbegriffen statt, wie Objekte,
Merkmale und deren Ausprägungen, oder aber auch Begriffe zur Datenvorve-
rarbeitung (z.B. quantitativ → qualitativ). Zum anderen werden die Relationen
zwischen den Objekten in Form von Regeln festgelegt.
• Inferenzebene (inference level)
Auf dieser Ebene kann eine hierarchische Einteilung der Fachbegriffe in
„Metaklassen“ durchgeführt werden, wie z.B. Symptome/Merkmale, Sym-
ptominterpretationen/Merkmalsabstraktionen, Grob-Diagnosen (Lösungsklas-
sen) und Fein-Diagnosen (Lösungen).
• Ebene der Problemlösungsstrategie (task level)
Mit den zuvor definierten Wissensquellen und Metaklassen lassen sich nun
Problemlösungsstrategien formulieren.
10 Eine Reihe von Veröffentlichungen aktueller Ergebnisse hierzu wurden auf dem 11th Workshop
on Knowledge Acquisition, Modeling and Management im April 1998 vorgestellt.
11 In dieser Phase − dem knowledge-engineering-bottleneck − scheitern viele Projekte an der
Erkenntnis, daß Fachwissen schwer zugänglich bzw. schlecht formalisierbar ist. Hier werden
die Weichen zum Erfolg bzw. Mißerfolg des Systems gestellt, denn die Qualität der Zusam-
menarbeit zwischen Experten und Wissensingenieur stellt ein Gütemaß für die Qualität des
Endproduktes dar.
Modellierung von Wissen 20
• Strategieebene (strategic level)
WIELINGA et al. [137] geben an, daß Experten Flexibilität bei der Handhabung
mit Problemlösungsstrategien aufweisen. Dies würde eine Strategieebene
notwendig machen [137]. Allerdings führen die Autoren aus, daß sie bisher
noch keine Methode zum Erreichen dieser Flexibilität konkretisieren konnten.
Es handelt sich dabei in Anlehnung an den knowledge level-Begriff von NEWELL
[103] um Beschreibungsebenen, die von der eigentlichen Implementierung (symbol
level) abstrahieren und unterschiedliche Sichtweisen auf das zugrundeliegende Wis-
sen darstellen.
Phase/Stufe
Identifikation
Spezifikation
Verfeinerung
Typische Aktivitäten
• Informationsquellen zusammentragen
(Listen von Quellen, Übersichten,
Zusammenfassungen, Szenarien)
• Problemschablonen auswählen
• Problem-Ausgangsbeschreibung
konstruieren
• Komplette Spezifikation für das Wissens-
modell erstellen
• Modell mit Inhalten füllen
• Modell validieren
Abb. 8:Überblick zu den drei Hauptstufen im Prozeß der Wissensmodellbildung und
einige der in den Phasen durchzuführenden Aktivitäten [123]
Der Prozeß12 der Modellkonstruktion kann nach SCHREIBER et al. [123] in eine An-
zahl von Stufen unterteilt werden, in denen eine Reihe von Aktivitäten durchzufüh-
ren sind (siehe Abb. 8). Für jede dieser Aktivitäten existieren unterschiedlich an-
wendbare, praxisnahe Techniken.
12 Als Prozeß wird in diesem Zusammenhang der zeitliche Verlauf einer meist mehrstufigen
Arbeitshandlung verstanden.
Modellierung von Wissen 21
Dieses detailliert ausgearbeitete Phasenmodell dient als Entwicklungsrichtlinie bzw. -
leitfaden und konnte neben den Modellierungsansätzen von WIELINGA et al. [137] in
den praktischen Tätigkeiten, die der vorliegenden Arbeit zugrundeliegen, erfolgreich
eingesetzt werden. Folgende (Konstruktions-)Phasen werden im Phasenmodel nach
SCHREIBER et al. [123] unterschieden:
• Identifikation:
Als Vorbereitungsphase für die Stufe Spezifikation werden hier Informations-
quellen zusammengetragen. Auch bereits existierende Modelle können zur
Wiederverwendung eingesetzt werden.
• Spezifikation:
Zur Spezifikation des Wissensmodells werden in der Regel formale oder se-
mi-formale Spezifikationssprachen eingesetzt (siehe Kapitel 2.3). In einigen
Fällen, wie z.B. sicherheitskritischen Systemen, müssen sogar echte formale
Spezifikationssprachen verwendet werden.
• Verfeinerung:
Im letzten Schritt wird das Wissensmodell formal auf dem knowledge level o-
der − so weit wie möglich − mit Hilfe von Szenarien validiert.
Diese Phasen werden nicht nur nach dem Wasserfallprinzip miteinander verbunden,
sondern zeichnen sich auch durch Rückkopplungen aus, die in einem Entwurfs- und
Modellierungsprozeß einer wissensintensiven Problemstellung meist mehrmals
durchlaufen werden.
2.3 Konzeptionelle Wissensmodellierung mit Hilfe formaler Spezi-
fikationssprachen
Den bei der Modellierung von Wissen auftretenden Problemen, nämlich der Be-
schreibung und Formalisierung von Wissen, versuchen konzeptionelle Entwurfsme-
thoden wie die nach WIELINGA et al. [140] entgegenzuwirken. Durch eine klare
Strukturierung des Wissens mittels entsprechender Modellierungsverfahren wird der
Grundstein für Transparenz und Wiederverwendbarkeit gelegt. Diese hervorge-
brachten Ansätze und Entwicklungen rund um das Expertisenmodell (model of ex-
pertise) [139] zur abstrakten und implementierungsunabhängigen Beschreibung von
Modellierung von Wissen 22
Problemlösungsexpertisen waren jedoch nur Beschreibungstechniken informeller
Art.
Motiviert auch durch die Unzufriedenheit mit dem rapid prototyping-Ansatz wurden
auf der Basis der methodischen Konzepte, die im wesentlichen aus den KADS-
Projekten entstanden sind, eine Reihe von formalen sowie semi-formalen Sprachen
entwickelt, um den Prozeß des Wissenserwerbs und des Wissensmanagements zu
unterstützen (z.B. FORKADS, KARL, KBSSF, (ML)2, Model-K, Momo, OMOS).
Eine systematsche Gegenüberstellung dieser Sprachen inkl. Literaturreferenzen ist in
[38] zu finden.
Die Notwendigkeit formaler Spezifikationssprachen zur Wissensmodellierung auf
einem hohen Abstraktionsniveau läßt sich folgendermaßen begründen [38]:
• Sie reduzieren die Verschwommenheit und die Mehrdeutigkeit natürlichspra-
chiger Beschreibungen, sie sind präzise und eindeutig.
• Formale Sprachen schließen die Lücke zwischen den Gedankenmodellen und
den Implementierungen. Sie können als Schnittstelle zur Verifikation eines
Systems herangezogen werden.
• Formale Spezifikationen erlauben die Validierung von Vollständigkeit und
Konsistenz in einem System, sowohl durch formale Beweise als auch durch
symbolische Ausführung.
• Formale Spezifikationen können auf operationalisierende Sprachen abgebil-
det werden, um rapid prototyping zu erlauben.
FENSEL et al. [38] teilen formale Spezifikationssprachen ein in formalisierende sowie
operationalisierende Sprachen und in Sprachklassen, welche formalisieren und ope-
rationalisieren. Sie liefern in ihrem Aufsatz einen Überblick und Vergleich der Spra-
chen, die das KADS-Model of Expertise formalisieren und operationalisieren.
Ein weiterer Trend hin zu graphischen Repräsentationstools ist seit einigen Jahren zu
erkennen ([7], [39], [75], [85]). Sie sollen den Experten selbst beim Entwurf und der
Modellierung ihrer Wissensbereiche auf der Basis konzeptioneller Methoden unter-
stützen und versuchen, den direkten Wissenserwerb zu realisieren.
Modellierung von Wissen 23
2.4 Das Modell des diagnostischen Prozesses in der Medizin
Das Wissenschaftsgebiet der Künstlichen Intelligenz und vor allem deren Tochter-
disziplin der Expertensysteme liefern seit einigen Jahren Grundlagenarbeiten für den
Umgang mit praxisrelevanten Problemstellungen13, auf die für das formale Ver-
ständnis des diagnostischen Prozesses zurückgegriffen werden kann.
2.4.1 Modellanalyse
Für die differenzierte Einteilung von Anwendungsgebieten nach Problemklassen
werden in der Literatur verschiedene Ansätze aufgezeigt, wie z.B. bei CLANCEY [23]
oder HAYES-ROTH [50]. Klassifikationsvorschläge aus Sicht der Psychologie liefern
z.B. HUSSEY [64] oder DÖRNER [34].
PUPPE [111] unterscheidet bei dieser Fragestellung zwischen dem Problem aus An-
wendersicht, dem Problemtyp, und dem Problem aus Entwicklersicht, dem Prob-
lemlösungstyp.
Klassifikation/Diagnostik
Unter dem Problemlösungstyp Klassifikation/Diagnostik werden Verarbeitungspro-
zesse verstanden, die sich nach PUPPE [111] durch folgende Eigenschaften auszeich-
nen:
1. Der Problembereich besteht aus zwei disjunkten Mengen von Problemmerk-
malen und Problemlösungen. Die funktionalen Beziehungen zwischen den bei-
den endlichen Mengen repräsentieren den wissensverarbeitenden Prozeß.
2. Eine Instanz eines Problems besteht aus einer eventuell unvollständigen Teil-
menge von Problemmerkmalen.
3. Eine Klassifikation/Diagnostik gilt als beendet, wenn eine oder meherere Lö-
sungen für die Probleminstanz angegeben werden können.
4. Ist durch eine Erweiterung der Merkmale der Probleminstanz eine Verbesse-
rung des diagnostischen Ergebnisses zu erwarten, so ist der Lösungsprozeß da-
für zuständig, die hierfür benötigten Daten anzufordern.
13 Die Expertensystemtechnik bezeichnet man daher als Angewandte KI.
Modellierung von Wissen 24
Das Ziel der Klassifikation/Diagnostik besteht meist darin, ein bekanntes Muster
wiederzuerkennen, d.h. ein Objekt, einen Fehler oder einen Alarmzustand zu identi-
fizieren. Dabei wird die Lösung − unter strenger Berücksichtigung der verfügbaren
Problemmerkmale − aus einer vorgegebenen Menge von Alternativen ausgewählt.
Problemmerkmale Problemlösungen
Abb. 9:Der Problemlösungstyp Klassifikation/Diagnostik nach PUPPE [111]
Nicht in allen Anwendungsgebieten ist eine n:1-Relation zwischen den Problem-
merkmalen und den Problemlösungen ausreichend. Durch den Einbau von Sicher-
heitswahrscheinlichkeiten in die funktionale Beziehung lassen sich Differentialdia-
gnostiken generieren. Eine Entscheidung über die Etablierung von Diagnosen und
daraus resultierenden Folgereaktionen, wie Therapien in der Medizin, geschieht hier-
bei meist durch sorgfältigen Vergleich der wahrscheinlichsten Diagnosen und Aus-
wahl der besten Alternative (probabilistische Diagnostik).
Konstruktion/Planung
Im Gegensatz zum Problemlösungstyp Klassifikation/Diagnostik kann bei Konstruk-
tionsproblemen die Lösung nicht ausgewählt werden, sondern muß explizit aus Lö-
sungselementen zusammengefügt werden.
Die Gesamlösung wird durch einen Konstruktions- bzw. Bauplan charakterisiert und
kann z.B. mit Hilfe der skeletal planning-Technik14 aufgebaut werden. Dabei wird
das Konstruktionswissen hierarchisch in einem nicht-rekursiven Und-Oder-Graphen
strukturiert, dessen Expansion mit heuristischen Regeln gesteuert wird.
14 Detaillierte Informationen zu den Problemlösungsmethoden für die Problemklasse Konstrukti-
on/Planung sind PUPPE [111] zu entnehmen.
Modellierung von Wissen 25
Einzellösungen
Plan
Gesamtlösung
Abb. 10:Problemlösungstyp Konstruktion/Planung
Medizinische Diagnostik
Die medizinische Diagnostik kann in dieser Formalisierung als eine sequentielle
Kopplung der beiden Problemlösungstypen Klassifikation/Diagnostik und Konstruk-
tion/Planung dargestellt werden.
Symptome Diagnose(n) Handlungs-
elemente Plan
1. Diagnostik 2. Planung
Therapie-
plan
Abb. 11:Medizinische Diagnostik als sequentielle Kopplung der Problemlösungstypen
Diagnostik und Planung
Modellierung von Wissen 26
2.4.2 Modellentwurf
Nach PUPPE [108] ist die medizinische Entscheidungsfindung in zwei Hauptteile ge-
gliedert, Diagnostik und Therapieplanung. Bei der Diagnostik werden aus den vor-
handenen Rohdaten Beurteilungen in Form von Diagnosen generiert und wenn nötig
überprüft. Für die Therapieplanung werden basierend auf den ermittelten diagnosti-
schen Ergebnissen aus einer Vielfalt von Therapieplankombinationen die entspre-
chenden Handlungsempfehlungen bestimmt. Das in Abb. 12 dargestellte Modell
dient der Verhaltensbeschreibung des modellierten präventivmedizinischen Prob-
lemlösungsprozesses. Im Rahmen der allgemeinen Diagnostik findet dabei eine kon-
tinuierliche Verdichtung der Rohdaten über den diagnostischen Mittelbau zu Feindi-
agnosen statt. Dabei lassen sich zwei Phasen unterscheiden: Datenvorverarbeitung
und diagnostische Auswertung.
Datenvorverarbeitung diagnostische Auswertung
Symptome/Merkmale Diagnosen
einfache Merkmals-
abstraktion
Rohdaten Feindiagnosen
Grobdiagnosen
Handlungs-
empfehlungen
Planung
Diagnostik
Diagnosebewertung
diagnostischer Mittelbau
Abb. 12:Die medizinische Diagnostik im Modell
Während der Datenvorverarbeitung werden die Rohdaten zu Symptominterpretatio-
nen aufbereitet. Dazu zählen folgende Verarbeitungsverfahren:
Modellierung von Wissen 27
• Mathematische Aggregierungen:
Hier werden arithmetische Berechnungen durchgeführt, z.B. die Berechnun-
gen von Zufuhrwerten der in der Food-Frequency-Analysis15 betrachten es-
sentiellen Nährstoffe an Hand des eingegebenen Fragebogens.
• Abstraktion von quantitativen zu qualitativen Werten:
Mit Hilfe der klassischen zweiwertigen Logik werden Klassifikationen vorge-
nommen, z.B. eine Einteilung in die Gewichtsklasse Unter-, Normal- und Ü-
bergewicht
• Linguistische Bewertungen:
Eine Erweiterung der zweiwertigen Logik kann mit Hilfe von Fuzzy-Logik er-
reicht werden. In der Datenvorverarbeitung werden dazu die scharfen Ein-
gangsgrößen mittels Zugehörigkeitsfunktionen bewertet.
Die eigentliche − meist auf unsicherem Wissen basierende − diagnostische Auswer-
tung der Rohdaten und die in der Datenvorverarbeitung aggregierten Wissenser-
kenntnisse werden durch ein reichhaltiges Geflecht an Grobdiagnosen und Zwi-
schenergebnissen unterstützt, die über eine schrittweise Verfeinerung die gewünsch-
ten Feindiagnosen liefern.
2.5 Unsicherheit/Vagheit und „Wissen über Unwissen“
Die Art und Weise, in der Menschen Unsicherheit durch Wahrscheinlichkeiten aus-
drücken, ist vor allem in der Entscheidungsforschung, einer Tochterdisziplin der
Psychologie, ein zentrales Thema. Der Grund liegt darin, daß in allen entscheidungs-
theoretischen Modellen − sofern sie Entscheidungen unter Unsicherheit fällen − die
Wahrscheinlichkeit der Konsequenzen von Operationen einen wichtigen Parameter
darstellt. Dies gilt sowohl für deskriptive Modelle, in denen es um die Analyse
menschlichen Verhaltens geht, als auch für präskriptive Modelle, die die rationale
Evaluation von Entscheidungsalternativen beschreiben.
15 Die Food-Frequency-Analysis ist eine retrospektive Erhebungsmethode der aktuellen Ernäh-
rungssituation [143]. Näheres hierzu ist dem Kapitel 5.5.1. zu entnehmen.
Modellierung von Wissen 28
Das im Lösungsprozeß eines diagnostischen Problems eingesetzte mehrstufige Wis-
sen basiert in vielerlei Hinsicht auf unsicheren und vagen Aussagen. Diese gilt es in
das Verarbeitungsmodell zu integrieren.
Dabei können folgende Quellen für Unsicherheiten formuliert werden:
1. Symptomerhebung:
In der allgemeinen Diagnostik kommt es häufig vor, daß die Symptomerhe-
bung nicht exakt durchgeführt werden kann. Dabei unterliegen beispielsweise
Meßwerte meist einer gewissen Ungenauigkeit oder der Subjektivität. Weiter-
hin steht die medizinische Diagnostik vor dem großen Problem, Symptome auf
indirektem Wege oft nur erahnen zu können.
2. Symptombewertung:
Die Bewertung der erfaßten Symptome wird meist über Regelanwendungen
und Inferenzen vorgenommen. Schlußfolgerungen unterliegen jedoch oft dem
Problem der fehlenden Objektivität und damit der Unsicherheit. Sie stellen die
größte Unsicherheitsquelle in regelbasierten Systemen dar.
3. Verrechnungsschema:
Das mathematische Schema zur Verarbeitung von Unsicherheitsfaktoren in den
Wissensrepräsentationen („Wissen über das Unwissen“) stellt selbst wieder ei-
nen Unsicherheitsfaktor innerhalb des diagnostischen Prozesses dar.
Symptomerhebung
Symptombewertung
Verrechnungsschema
Abb. 13:Quellen der Unsicherheit im Lösungsprozeß eines mehrstufigen Wissens
In diesem Zusammenhang lassen sich zwei Arten von Unschärfe ausmachen: Die
intrinsische Unschärfe kommt bei der Bewertung von Aussagen zum Tragen, die
kontextabhängig sind (z.B. „kleiner Mann“). Hier lassen sich durch geeignete Quan-
tifizierungen objektive Vergleichsmaße definieren.
Modellierung von Wissen 29
Die informatorische Unschärfe resultiert aus der Mehrdimensionalität eines Begrif-
fes (z.B. „Kundenzufriedenheit“), der sich einer direkten Messung entzieht. Durch
den gezielten Einsatz von Deskriptoren sind approximative Bestimmungen möglich.
Weitere systematische Überlegungen zum Thema Unsicherheit und deren Verarbei-
tung („Wissen über Unwissen“ [130]) sind dem Kapitel 3.4 zu entnehmen.
Techniken zur Verarbeitung von Wissen 30
3 Techniken zur Verarbeitung von Wissen
Zur Lösung von Problemen werden vom Menschen kognitive Fähigkeiten komplexer
Struktur verlangt und eingesetzt. Durch das Zusammensetzen von Informationen
bzw. Informationseinheiten entstehen Abbildungen, Zuordnungen und Funktionen,
die sich meist nicht wie im klassisch mathematischen Sinne algorithmisch prozedural
formulieren lassen.
Das Wissenschaftsgebiet der Künstlichen Intelligenz (KI)16, welches in den 50er
Jahren entstand ([79],[107]), beschäftigt sich mit Problemstellungen, die nicht algo-
rithmisch modellierbar sind, und beinhaltet eine große Vielzahl verschiedener Me-
thoden, die entwickelt wurden, um grundlegende KI-Probleme zu lösen. Dazu zählen
Forschungsgebiete wie die der Expertensysteme17, der natürlichsprachlichen Systeme
(Spracherkennung), der Mustererkennung, der Robotik, der Deduktionssysteme und
der künstlichen neuronalen Netze [135].
Eines der Hauptziele der KI ist die Emulierung komplexer kognitiver Prozesse, also
die Überdeckung des kognitiven Spektrums (siehe Kapitel 1.2.1). JACKSON [66]
spricht in diesem Zusammenhang auch von der Simulation menschlichen Verhaltens.
Die folgende Definition des Begriffes KI von BARR und FEIGENBAUM [11] kann man
nach JACKSON [66] als repräsentativ betrachten:
„Künstliche Intelligenz ist der Teil der Computerwissenschaft, der sich mit der
Entwicklung intelligenter Computersysteme befaßt. Das sind Systeme, die die
charakteristischen Eigenschaften aufweisen, die wir mit intelligentem Verhal-
ten assoziieren − Verstehen von Sprache, Lernen, Schlüsse ziehen, Probleme
lösen und so weiter.“
16 Einen Rückblick und methodische Ansätze zu Entwicklungen und Paradigmen der For-
schungsgebiete der KI gibt u. a. POPOVIC et al. [107].
17 Expertensysteme werden auch oft auch als Wissensbasierte Systeme bezeichnet. Nach PUPPE
[111] unterscheiden sich Expertensysteme von Wissensbasierten Systemen nur dadurch, daß
ihr Wissen letztlich von Experten stammt. Die vorliegende Arbeit verwendet den Begriff Wis-
sensbasiertes System für alle Formen intelligenter Systeme.
Techniken zur Verarbeitung von Wissen 31
Die KI befaßt sich demnach damit, Computer so zu programmieren, daß sie Aufga-
ben ausführen können, welche zum gegenwärtigen Zeitpunkt durch Menschen wahr-
genommen werden, weil sie höhere mentale Prozesse erfordern, wie z.B. Entschei-
dungen treffen oder Schlüsse ziehen18.
Um die computerunterstützte Verarbeitung von (deskriptivem) Wissen bemühen sich
derzeit verschiedene Wissenschaftsbereiche der KI und anderer Disziplinen, die sich
zum Teil grundlegend in ihren Paradigmen unterscheiden. Die Theorien gelten als
gut verstanden und finden vermehrt ihre Anwendung in der Praxis.
Die Vorteile der einzelnen Verfahren sind oft nur dann effektiv einsetzbar, wenn
Basisstrategien zur Datenverwaltung zur Verfügung stehen. Auch Techniken der
klassischen Datenverarbeitung, wie z.B. Datenbanktechniken, können dazu einge-
setzt werden, das prozedurale Wissen, das innerhalb eines komplexen Problemlö-
sungsprozesses vorkommt, algorithmisch zu lösen. Auch im Rahmen der Datenerhe-
bung eines komplexen wissensverarbeitenden Systems sind klassische Datenverar-
beitungstechniken unverzichtbar. Diese einfachen Verrechnungsverfahren in einen
komplizierten Formalismus zu zwängen, wäre nicht ratsam.
Im Rahmen dieser Arbeit wird die klassische Datenverarbeitung als eine Technik,
(prozedurales) Wissen zu verarbeiten, nicht weiter untersucht.
Nach der Darstellung eines Klassifikationsmodells für problemlösende Verfahren
beschäftigt sich dieses Kapitel mit der informellen Beschreibung der drei intelligen-
ten Verarbeitungstechniken Expertensystemte, konnektionistische Modelle bzw. neu-
ronale Netze und Fuzzy Logik. Aus praktischer Sicht der vorliegenden Arbeit erwie-
sen sich diese als besonders wichtig für den Einsatz innerhalb diagnostischer Prob-
lemlösungsverfahren.
Eine isolierte Betrachtungsweise macht zunächst die Einsatzmöglichkeiten dieser
Methoden bei der Verarbeitung von Wissen innerhalb eines hybriden Ansatzes deut-
lich.
Die zugrundeliegenden Wissenschaftsbereiche lassen sich im Rahmen dieser Arbeit
nur ansatzweise erörtern. Zur weiteren Vertiefung von Kenntnissen wird an den ent-
sprechenden Stellen daher auf die Fachliteratur hingewiesen.
18 Schlußfolgern wird in diesem Zusammenhang als eine notwendige Bedingung für intelligentes
Verhalten angesehen.
Techniken zur Verarbeitung von Wissen 32
3.1 Klassifikationsmodell problemlösender Techniken
Zur Klassifikation problemlösender Technologien lassen sich in Anlehnung an
MADEY et al. [86] folgende vier Verarbeitungsverfahren (problem solving proces-
sing) unterscheiden, die sich wie in Abb. 14 hierarchisch gliedern:
• Verfahren zur Informationsverarbeitung (information processing),
• Verfahren zur numerischen Verarbeitung (numeric processing),
• Verfahren zur symbolischen Verarbeitung (symbolic processing) und
• Verfahren zur subsymbolischen Verarbeitung (subsymbolic-processing).
Die beiden Verfahrensklassen information processing und numeric processing fallen
dabei in die Kategorie der konventionellen Techniken und werden im Rahmen dieser
Arbeit nicht weiter berücksichtigt, während symbolic processing und subsymbolic
processing der intelligenten Kategorie zugeordnet werden.
Problem-
lösungs-
verfahren
Unkonventionelle
(intelligente)
Verfahren
Konventionelle
Verfahren
Numerische
Verarbeitungs-
verfahren
Informations-
verarbeitende
Verfahren
Subsymbolische
Verarbeitungs-
verfahren
Symbolische
Verarbeitungs-
verfahren
Abb. 14:Klassifikationsmodell problemlösender Verfahren zum Einsatz in wissensverar-
beitenden Systeme in Anlehnung an MADEY et al. [86]
Die zugehörigen Technologien der Klassen symbolic processing und subsymbolic
processing werden wie in Abb. 15 explizit eingestuft. Dabei werden auf einem
Spektrum die beiden extremen Paradigmen zur Verarbeitung von Wissen unterschie-
den. Auf der einen Seite stehen die symbolischen Verfahren wie die der Experten-
systemtechnologie, bei der die Verarbeitung von Wissen mittels Manipulation von
Techniken zur Verarbeitung von Wissen 33
Symbolen realisiert wird. Dies wurde in der sogenannten physical symbol systems
hypothesis von A. NEWELL [102] explizit hervorgehoben19.
Subsymbolic
(adaptive)
processing
Symbolic
(knowledge)
processing
Intelligent
technologies
Neuronale
Netze Genetische
Algorithmen Fuzzy
Systeme Künstliche
Intelligenz Regel-
systeme Experten-
systeme
Abb. 15:Einordung der intelligenten Technologien nach ihren unterschiedlichen Paradig-
men (vgl. MADEY et al. [86])
Auf der anderen Seite stehen die subsymbolischen Techniken wie die Methoden
neuronaler Netze20. Das Paradigma des Konnektionismus besagt, daß Informations-
verarbeitung als Interaktion einer großen Zahl einfacher Einheiten (Zellen, Neuro-
nen) angesehen wird, die anregende oder hemmende Signale an andere Zellen sen-
den. Symbole werden hierbei üblicherweise nur implizit dargestellt durch das Akti-
vierungsmuster der Einheiten (verteilte Wissensrepräsentation).
Die Gegensätzlichkeit dieser beiden Ansätze wurde häufig ausgiebig diskutiert, wie
z.B. in ([41],[47],[48],[148]). Eine kurze Zusammenfassung der Features typischer
symbolischer und konnektionistischer Modelle ist der Tab. 1 zu entnehmen.
Tab. 1:Einige Features konnektionistischer und symbolischer Modelle [77]
Konnektionistischer
Ansatz Symbolischer
Ansatz
Lernfähigkeit leicht schwer
Erklärungsfähigkeit/Instrospektion keine gut
Verarbeitungsgeschwindigkeit langsam schnell
Algorithmus parallel sequentiell
Umgang mit verrauschten Daten gut schlecht
Generalisierung leicht schwierig
Wissensrepräsentation schwierig leicht
19 "A physical symbol system has the necessary and sufficient means for general intelligent ac-
tion. By necessary, we mean that any system that exhibits general intelligence will prove upon
analysis to be a physical symbol system. By sufficient we mean, that any physical symbol sys-
tem of sufficient size can be organized further to exhibit general intelligence." (siehe [79])
20 Für das Wissenschaftsgebiet der künstlichen Neuronalen Netze wird oft als Synonym der Beg-
riff Konnektionismus verwendet.
Techniken zur Verarbeitung von Wissen 34
Diese Einteilung unkonventioneller bzw. intelligenter Verfahren nach MADEY et al.
[86] steht in Analogie zum Spektrum der KI, welches durch LALLEMENT [77] ange-
geben wurde.
Bereits in Kapitel 1.2 wurde dieses Spektrum unter kognitiven Gesichtspunkten he-
rangezogen, um die Motivation für diese Arbeit zu unterstreichen.
Ziel der Überlegungen ist die partielle Überdeckung des kognitiven Spektrum auf
breiter Basis zur Lösung komplexer Probleme.
3.2 Symbolische Wissensverarbeitung mittels Expertensystemen
Nach dem Paradigma der klassischen KI ist Informations- bzw. Wissensverarbeitung
die Manipulation von Symbolen21. Dieser Ansatz (nach DREYFUS et al. [35] auch als
making a mind bezeichnet) startet auf einem hohen kognitiven Level und korrespon-
diert mit rein analytischen Problemstellungen, deren Lösungen durch kausal erklär-
bare Handlungsmuster, z.B. in Form von Regeln oder Logiken, exakt formalisierbar
sind [110].
Die zugrundeliegende Hypothese dieses high-level-Ansatzes zur Modellierung kog-
nitiver Eingenschaften ist nach LALLEMENT [77], daß das Gehirn nicht das einzige
physikalische Medium ist, welches in der Lage ist, denkpsychologische Prozesse zu
erzeugen.
Expertensysteme zählen zur angewandten KI und gelten als Repräsentant des sym-
bolischen Ansatzes. Hierbei handelt es sich um Programme, mit denen fachspezifi-
sches Wissen und die Schlußfolgerungsfähigkeit von qualifizierten Fachleuten nach-
gebildet werden [110]. Schlußfolgern wird in diesem Zusammenhang als eine not-
wendige Bedingung für intelligentes Verhalten angesehen. Primär zielen Experten-
systeme darauf ab, problemspezifische Lösungen auf einem engen Anwendungsge-
biet zu generieren. Sie werden häufig als Beratungsprogramme zur Entscheidungs-
unterstützung innerhalb der routinemäßigen Arbeit entwickelt und eingesetzt.
21 Diese symbolische Wissensverarbeitung unterscheidet sich somit im Grundsatz von der sub-
symbolischen Verarbeitung von Wissen mittels neuronaler Netze.
Techniken zur Verarbeitung von Wissen 35
3.2.1 Wissensrepräsentation und -verarbeitung
Die Expertensystemforschung bietet derzeit eine Reihe von symbolorientierten For-
malismen an, um geistige Denkprozesse und intelligente Wissensverarbeitung zu
modellieren und maschinell verarbeitbar zu machen. Eine Wissensrepräsentations-
form soll dabei eine möglichst natürliche Kodierung der Fachterminologie ermögli-
chen und ausdrucksstark genug sein, um einen komplexen Problemlösungsprozeß
erfassen zu können.
Folgende Formen der Wissensrepräsentation werden unterschieden: Aussagenlogik,
Constraints, Objektorientierte Darstellung, Semantische Netze, Prädikatenlogik so-
wie Produktionsregelsysteme. Eine informelle Beschreibung hierzu ist z.B. PUPPE
[110] zu entnehmen.
Diese verschiedenen Darstellungsformen eignen sich für unterschiedliche Problemlö-
sungstypen, über deren Vor- und Nachteile Theoretiker der Informatik heftig disku-
tieren. In der Expertensystempraxis gewinnen Mischformen aus verschiedenen An-
sätzen zur Wissensrepräsentation derzeit immer mehr an Bedeutung. So weist schon
AIKINS [2] 1983 darauf hin, daß die Benutzung von mehreren Formalismen zwei
wesentliche Vorteile hat [66]:
1. Das gesamte fachspezifische Wissen muß nicht in ein einziges Kodierungs-
schema gepreßt werden.
2. Unterschiedliche Typen von Wissen benötigen meist unterschiedliche Reprä-
sentationsformen.
SIMMONS et al. [125] geben als Begründung für den Einsatz verschiedener Reprä-
sentationsformen folgende Beobachtung an: Eine „gute“ Repräsentation muß ver-
schiedene Kriterien erfüllen, wie Vollständigkeit, Konsistenz, Transparenz und Effi-
zienz, die jedoch häufig miteinander kollidieren. Weiterhin ist es schwierig eine Rep-
räsentation zu finden, die ausdrucksstark genug ist, um das komplexe kognitive
Problem zu modellieren, d.h. das zugrundeliegende Wissen zu erfassen und zu verar-
beiten22.
22 Die Autoren weisen in diesem Zusammenhang auf Probleme bei der Verwendung verschiede-
ner Wissensrepräsentationsformen hin [125].
Techniken zur Verarbeitung von Wissen 36
Nach LALLEMENT et al. [77] ist es derzeit auch nicht absehbar, daß es in naher Zu-
kunft einen Lösungsformalismus geben wird, um das gesamte Spektrum der Kogniti-
on überdecken zu können.
Die theoretisch am besten untersuchte Wissensrepräsentation und der häufig verwen-
dete Bezugspunkt für andere Wissensrepräsentationen ist die Prädikatenlogik erster
Ordnung. Ihre praktische Bedeutung ist jedoch relativ gering.
In der Praxis gilt die regelbasierte Wissensverarbeitung (Produktionsregelsysteme)
mittels Rückwärts- (Backward-) bzw. Vorwärtsverkettung (Forward-Chaining), so
wie sie durch das MYCIN-Projekt [18] erstmalig praktische Akzeptanz gewann, der-
zeit als der weitverbreitetste Repräsentationsformalismus23 für Expertensysteme.
Die Vorteile der symbolischen Wissensverarbeitung mittels Expertensystemtechni-
ken liegen im wesentlichen in der Architektur derartiger Systeme begründet. Dort
findet nämlich eine Trennung zwischen dem Wissen selbst und der Wissensverar-
beitung statt24. So läßt sich die Wissenbasis verhältnismäßig einfach durch Editoren
(word processing) modifizieren, ohne daß die Anwendung neu compiliert werden
muß.
Die Formalismen ermöglichen aufgrund kausaler Logiken eine Instrospektion der
Wissensbasis. Semantische Zusammenhänge im Wissensnetz und diagnostische Lö-
sungen lassen sich erklärungsfähig25 machen.
Unter Berücksichtigung der Modellierungstechniken auf dem knowledge level (siehe
Kapitel 2.2.1) unter Zuhilfenahme formaler wie semi-formaler Sprachen leistet die
symbolische Wissensverarbeitung mit ihren Repräsentationsformalismen einen we-
sentlichen Beitrag zur Transparenz und Wiederverwendbarkeit von Wissensbasen.
23 Der Formalismus zur Wissensrepräsentation impliziert in den meisten Fällen die Art der
Problemlösungsmethode/Inferenzstrategie.
24 Für einführende Informationen zu Expertensystemen sei auf die entsprechende Fachliteratur
wie z.B. PUPPE [108] oder JACKSON [66] verwiesen.
25 Näheres zum Thema Erklärungsfähigkeit ist dem Kapitel 4.3.1.1 zu entnehmen.
Techniken zur Verarbeitung von Wissen 37
3.2.2 Anwendungen
Die symbolische Wissensverarbeitung mittels Expertensystemtechnik findet ihre
Anwendung in Wissensbereichen, die als gut verstanden gelten und gemäß dem
Spektrum der Kognition nach LALLEMENT et al. [77] (siehe Kapitel 1.2.1) analyti-
scher Natur sind. Dies setzt voraus, daß das zugrundeliegende Problem und das zu-
gehörige Lösungsverfahren als wissensverarbeitender Prozeß unter Einhaltung der
Kausalitätsbedingung exakt formalisierbar sind. In der Informatik-Praxis hat sich
diese Technik weitreichend in vielen unterschiedlichen Anwendungsbereichen etab-
liert.
Der Wissenschaftsbereich der Expertensystemtechnologie lieferte in den beiden ver-
gangenen Jahrzehnten viele Grundlagenarbeiten im praxisnahen Umgang mit wis-
sensintensiven analytischen Problemstellungen. Einer differenzierten Einteilung von
Anwendungsgebieten nach Problemklassen kommt dabei große Bedeutung zu.
Einen ausführlichen Überblick zu Ansätzen zur Einteilung von Problemklassen lie-
fert PUPPE [111]. Der Autor unterscheidet bei dieser Fragestellung zwischen dem
Problem aus Anwendersicht, dem Problemtyp, und dem Problem aus Entwickler-
sicht, dem Problemlösungstyp26.
Als die drei Hauptproblemlösungstypen bezeichnet er
• die Klassifikation/Diagnostik, bei der die Problemlösung aus einer Menge vor-
gegebener Alternativen ausgewählt wird,
• die Konstruktion/Planung, bei der die Problemlösung aus vorgegebenen, einfa-
chen Bausteinen zusammengesetzt wird, und
• die Simulation, bei der ermittelt wird, wie ein vorgegebenes System-Modell auf
bestimmte Eingaben reagiert.
Die Beschreibung der beiden Problemklassen Klassifikation/Diagnostik und Kon-
struktion/Planung wurde bereits in Kapitel 2.4 vorgenommen. Dort wurde der dia-
gnostische Prozeß in der Medizin formal charakterisiert.
26 Anregungen zur strukturierten Entwicklung von Problemlösungsmethoden liefern FENSEL et al.
[37]. Methoden zur Validierung von Problemlösungsmethoden sind bei BREUKER et al. [15] zu
finden.
Techniken zur Verarbeitung von Wissen 38
Die Problemklasse Simulation dient dazu, die Auswirkungen von bestimmten An-
nahmen auf ein System vorherzusagen. Voraussetzung hierfür ist ein Modell des zu
simulierenden Systems, das sowohl Systemparameter als auch Beziehungen zwi-
schen diesen Parametern enthält. Die Simulation besteht darin, für gewisse Werte
von (Eingabe-)Parametern Belegungen von anderen (Ausgabe-)Parametern zu aggre-
gieren. Dazu sind jedoch im allgemeinen sehr genaue und aufwendige Simulations-
modelle erforderlich. In Expertensystemen findet die Simulation ihre Realisierung in
meist einfachen Anwendungsbereichen, z.B. um durch Klassifikations- und Kon-
struktionsmethoden hergeleitete Problemlösungen daraufhin zu überprüfen, ob sie
die gewünschte Lösung adäquat approximieren. Sie werden auch dazu verwendet,
Anwendungsbereiche besser kennenzulernen bzw. ein besseres Gefühl für das Sys-
temverhalten zu entwickeln.
Die Festlegung der Parameter und deren funktionalen Beziehungen erfordert Erfah-
rungswissen und ist Voraussetzung für einen Modellentwurf. Die Grenzen der Si-
mulation liegen in den Begrenzungen des Modells, d.h. es kann nur eine begrenzte,
vorselektierte Menge an Parametern und Komponenten berücksichtigt werden.
3.3 Subsymbolische Wissensverarbeitung mittels konnektionisti-
scher Methoden
Der Begriff Konnektionismus wird oft synonym für das Wissenschaftsgebiet der
(künstlichen) neuronalen Netze verwendet [148]. Dabei wird weniger das biologi-
sche Vorbild Gehirn betont als vielmehr die große Zahl einfacher Verarbeitungsein-
heiten, die durch ihre hochgradige Vernetzung Nachrichtenaustausch betreiben. Die-
ser Ansatz wird nach DREYFUS et al. [35] auch als modeling the brain bezeichnet.
Die zugrundeliegende Hypothese dieses Ansatzes ist nach LALLEMENT [77], daß die
Architektur des Gehirns wesentlichen Einfluß auf die Generierung denkpsychologi-
scher Prozesse hat.
Die Informationsverarbeitung im Sinne des konnektionistischen Paradigmas basiert
auf der Interaktion dieser einfachen Einheiten (Zellen, Neuronen), die hemmende
oder anregende Signale an andere Zellen senden.
Techniken zur Verarbeitung von Wissen 39
Neben der Motivation durch die Ähnlichkeit zu erfolgreichen biologischen Systemen
beziehen (künstliche) neuronale Netze ihre Motivation − vor allem für naturwissen-
schaftliche Disziplinen − aus der Tatsache, daß es sich hierbei um massiv parallele,
lernfähige Systeme handelt. Die zugrundeliegenden Algorithmen sind in Form von
Programmen, Netzwerksimulatoren oder auch in Form spezieller neuronaler Hard-
ware in vielen Anwendungsgebieten einsetzbar.
Eine der meist zitierten Referenzen für Studien neuronaler Netze ist MCCLELLAND et
al. ([90],[91]).
3.3.1 Wissensrepräsentation und -verarbeitung
Zellen eines (künstlichen) neuronalen Netzwerkes sind stark idealisierte Neuronen.
Sie bestehen in Anlehnung an ihr biologisches Vorbild aus drei Komponenten: Dem
Zellkörper (Soma), den Dendriten, welche die Eingabe des Netzes in die Zelle auf-
summieren, und dem Axon, welches die Ausgabe einer Zelle nach außen weiterleitet,
sich verzweigt und mit den Dendriten nachfolgender Neuronen über Synapsen in
Kontakt tritt. Die Stärke der Synapsen wird meist als numerischer Wert repräsentiert
und als Verbindungsgewicht bezeichnet. Über den Aktivierungszustand wird der
Grad der Aktivierung einer Zelle definiert. Die Aktivierungsfunktion gibt an, wie sich
ein neuer Aktivierungszustand der Zelle aus dem alten Aktivierungszustand und den
Zelleingängen funktional ergibt. Die Ausgabe der Zelle wird schließlich mit einer
Ausgabefunktion festgelegt27. Eine Zelle dient in einem (künstlichen) neuronalen
Netz als vereinfachte Verarbeitungseinheit.
Mehrere Zellen werden nach topologischen Gesichtspunkten zu einem Netzwerk
verbunden. Dieses wird formal z.B. als gerichteter und gewichteter Graph repräsen-
tiert, wobei die Kanten die gewichteten Verbindungen zwischen den Neuronen dar-
stellen. Die Matrix der Verbindungen bezeichnet man als Gewichtsmatrix.
Mit Hilfe einer Propagierungsfunktion wird festgelegt, wie sich die Netzeingabe
einer Zelle aus den Ausgaben der anderen Zellen und den Verbindungsgewichten
errechnet.
27 Für detaillierte Einführungen in die begrifflichen Definitionen von (künstlichen) neuronalen
Netzen muß an dieser Stelle auf die entsprechende Fachliteratur verwiesen werden.
Erläuterungen zu Konzepten des Konnektionismus können z.B. in ZELL [148] nachgeschlagen
werden.
Techniken zur Verarbeitung von Wissen 40
Im Mittelpunkt des Interesses konnektionistischer Konzepte steht die Lernregel.
Hierbei handelt es sich um einen Algorithmus, gemäß dem das (künstliche) neuro-
nale Netz lernt, aus einem vorgegebenen Eingabemuster eine gewünschte Ausgabe
zu aggregieren. Lernen erfolgt meist durch die Modifikation der Gewichtungen an
den Verbindungen als Ergebnis der wiederholten Präsentation von Trainingsmustern.
Die Methodik besteht oft darin, den Fehler zwischen erwarteter und tatsächlicher
Ausgabe für alle Trainingsmuster zu minimieren. Dies setzt allerdings voraus, daß
eine „erwünschte“ Ausgabe angegeben werden kann.
Allgemein unterscheidet man drei Arten des Lernens in (künstlichen) neuronalen
Netzen:
• Überwachtes Lernen: Für jedes Eingabemuster wird vom Trainer das opti-
male Ausgabemuster angegeben
• Bestärkendes Lernen: Trainer bestätigt mit richtig/falsch
• Unüberwachtes Lernen: Selbstorganisation ohne Trainer
Am Ende der Lernphase steht das (künstliche) neuronale Netz für Generalisierungs-
aufgaben zur Verfügung. Künstliche neuronale Netze werden also nicht im klassi-
schem Sinne programmiert, sondern durch Fallbeispiele trainiert.
Die Repräsentation und Verarbeitung des Wissens in einem (künstlichen) neuronalen
Netz wird als subsymbolisch bezeichnet. Als Informationsträger werden keine Sym-
bole wie in der klassischen KI verwendet, sondern die Aktivierungsmuster des
Netzwerkes − ausgedrückt durch die Gewichtungsfaktoren der Netzverbindungen −
tragen zu einer verteilten Wissensrepräsentation bei.
Die Verfahren zur Wissenverarbeitung mittels der Methoden (künstlicher) neuronaler
Netze haben gegenüber herkömmlichen Ansätzen zur Informationsverarbeitung fol-
gende positive Eigenschaften [148]: Lernfähigkeit, Parallelität, verteilte Wissensrep-
räsentation, Fehlertoleranz, Assoziative Speicherung der Information, Robustheit
gegenüber Störungen und ungenauen Daten sowie effiziente Generalisierung.
Vor allem die verteilte Wissensrepräsentation gilt als wesentliche Charaktereigen-
schaft neuronaler Netze und wird mit dem Begriff parallel distributed processing
(PDP) assoziiert, der durch MCCLELLAND et al. ([90],[91]) geprägt wurde.
Techniken zur Verarbeitung von Wissen 41
Jedoch müssen im Rahmen dieser Wertung neuronaler Netze auch deren Nachteile
angeführt werden: Der Wissenserwerb ist nur durch Lernen möglich, und eine
Introspektion fehlt. Weiterhin erlauben neuronale Netze kein logisches Schließen
und lernen relativ langsam.
Weitere Grenzen (künstlicher) neuronaler Netzwerke nennt MEDSKER [96]:
• Das Wissen ist nicht strukturiert,
• die Gewichtungsfaktoren (verteiltes Wissen) sind nur eine Menge von Zahlen-
werken und haben keine Verbindung zu menschlichen Denkprozessen
• dem Wissen fehlt jegliche Semantik und
• Erklärungen für Resultate können nicht gegeben werden.
MCCLELLAND et al. [91] konstatieren:
„... we are convinced that these models are equally applicable to higher level
cognitive processes and offer new insights into these phenomena as well. We
must be clear, though, about the fact that we cannot and do not expect PDP
models to handle complex, extended, sequential reasoning processes as a single
settling of a parallel network.“ [91]
Es existiert eine Vielzahl an Entwürfen, die Konzepte für konnektionistische Modelle
liefern. Sie gelten sowohl in der Theorie als auch in der Praxis als gut verstanden und
werden nicht nur für Forschungszwecke verstärkt eingesetzt. Viele Anwendungen
innerhalb der Industrie profitieren von den Vorteilen konnektionistischer, subsym-
bolischer Verfahren zur Verarbeitung von Wissen.
3.3.2 Anwendungen
Methoden (künstlicher) neuronaler Netze finden heute starke Verbreitung in den un-
terschiedlichsten Anwendungen, die gemäß dem Spektrum der Kognition nach
LALLEMENT et al. [77] (siehe Kapitel 1.2.1) synthetischer Natur sind, also Problemlö-
sungen benötigen, die im kognitiven Sinne unbewußt ablaufen, unzerlegbar sind und
aus einfacher Wahrnehmung resultieren.
Aufgrund der fehlenden Instrospektionsmöglichkeit dieser Konzepte und damit auch
der fehlenden Semantik und Erklärungsfähigkeit kann man diese auch als Black-Box-
Systeme bezeichnen. Vor allem in technischen Disziplinen, wie z.B. der Robotik oder
der Regelungstechnik finden (künstliche) neuronale Netze ihren Einsatz als Ent-
Techniken zur Verarbeitung von Wissen 42
scheidungsinstrument. Bei der Erkennung und beim Vergleich von Mustern (pattern
recognition) werden sie in der Praxis favorisiert.
Der Modellentwurf für ein hybrides wissensverarbeitendes System, wie er im Rah-
men dieser Arbeit entwickelt wurde, sieht die Anwendung (künstlicher) neuronaler
Netze in diagnostischen Teilfragestellungen. Klassifikationen und die Ermittlung
propagierter numerischer Netzausgaben, die in den diagnostischen Prozeß einfließen,
sieht die Entwurfsentscheidung vor.
In der wissensverarbeitenden Diagnostik kann diese Technik eingesetzt werden, um
Teilprobleme zu bearbeiten, die mit Hilfe anderer Verfahren nur schwer oder gar
nicht zu lösen sind. Im Gegensatz zur klassischen Regelverarbeitung, bei der der
Entwurf kausaler Zusammenhänge zur Modellierung des Wissens im Vordergrund
steht, zielen neuronale Netze darauf ab, assoziatives Denken nachzubilden. Metho-
den (künstlicher) neuronaler Netze können in diagnostischen Problemstellungen an-
gewendet werden, wenn
• kausale Zusammenhänge kombinatorisch explodieren,
• kausales Wissen nicht vorhanden ist und
• Daten ungenau sind oder gar nicht zur Verfügung stehen.
Ein derartiges Black-Box-System, welches nach einer intensiven Lernphase für Ge-
neralisierungsausgaben innerhalb des hybriden wissensverarbeitenden Systems zur
Verfügung steht, kann somit zur Implementierung einer assoziativen Diagnostik ein-
gesetzt werden.
3.4 Wissensverarbeitung mittels Fuzzy Logik
In den Technik- und Naturwissenschaften erfolgt die mathematische Modellierung
von Sachverhalten üblicherweise durch das Instrumentarium der klassischen zwei-
wertigen Logik. Mathematisch exakt formulierte Modelle erzwingen allerdings eine
Reihe von Idealisierungen und Abstraktionen der objektiven Realität, wie z.B. die
Annahme, die Modellparameter sicher zur Verfügung zu haben.
Die klassische Logik erlaubt daher nur solche Aussagen zu repräsentieren, die mit
der exakten Ja/Nein-Zugehörigkeit dargestellt werden können. Auf natürlichsprachli-
che Ausdrücke wie wahrscheinlich, vielleicht, wenig oder viel ist sie nicht anwend-
Techniken zur Verarbeitung von Wissen 43
bar. Diese Art von Zwischentönen innerhalb von kognitiven Bewertungen kommen
in Anwendungsbereichen von wissensverarbeitenden Systemen häufig vor, da fach-
spezifisches Wissen meist unsicher und vage ist. Die Wissensrepräsentation und die
Problemlösungsstrategien müssen demzufolge dahingehend erweitert werden, un-
scharfe Informationen verarbeiten zu können. Die wesentliche Basis hierfür bildet
die Bewertung der Aussagen und der Inferenzaussagen mit Wahrscheinlichkeitswer-
ten, die den Grad der Unsicherheit repräsentieren28 und Evidenzkoeffizienten ge-
nannt werden.
Um Unschärfe in Informationen bei Automatisierungsprozessen zu modellieren,
wurden in den Anfängen der KI-Forschung und -Praxis verschiedene statistische und
nicht-statistische Ansätze realisiert. Die formalen Beschreibungen dieser mathemati-
schen Konzepte sind der entsprechenden Fachliteratur zu entnehmen29.
Ein seit 1965 etabliertes Verrechnungsschema von unsicherem und vagem Wissen
bietet die Fuzzy-Logik. Die Theorie der unscharfen Mengen30 bietet vielseitige
Möglichkeiten, die oben erwähnten Problemstellungen zu verarbeiten (z.B. [21],
[89],[67]).
Während noch vor wenigen Jahrzehnten Unschärfe mit Ungenauigkeit gleichgesetzt
wurde und damit mit Computern unvereinbar schien, liegt mit der Fuzzy-Logik der-
zeit ein mathematisch fundiertes Modell vor, welches im Gegensatz zur klassischen
zweiwertigen Logik zur Lösung folgender Probleme geeignet ist [128]:
• Sachverhalte der objektiven Realität sind meist nicht eindeutig und klar ab-
grenzbar. Eine präzise formale Beschreibung scheitert dadurch häufig.
• Die Beschreibung eines komplexen Systems erfordert oft mehr detaillierte
Systemparameter als ein Mensch gleichzeitig erkennen, verarbeiten und mit der
zweiwertigen Logik ausdrücken kann.
28 Die drei wesentliche Quellen von Unsicherheiten wurden in 2.4 dargelegt.
29 Einen Überblick zu mathematische Modelle zum probabilistischen Schließen findet man bei-
spielsweise in PUPPE [108].
30 Die Theorie der unscharfen Mengen geht auf LOTFI A. ZADEH [145], Professor für Computer-
wissenschaften an der Universität Berkeley in Kalifornien, zurück, die er Mitte der 60er Jahre
als Erweiterung der klassischen Logik entwickelt hatte. Akzeptanz gewonnen hat diese Tech-
nik allerdinges erst Anfang der 80er Jahre.
Techniken zur Verarbeitung von Wissen 44
Unscharfe Mengen werden mit dem Begriff der linguistischen Variablen assoziiert,
deren Werte bzw. Ausprägungen im Gegensatz zu numerischen Variablen nicht
Zahlen, sondern Ausdrücke in einer natürlichen oder künstlichen Sprache sind (sym-
bolische Repräsentation). Sie dienen insbesondere dazu, linguistisch ausgedrücktes
Wissen mit all seinen Unschärfen angemessen so in formale Sprachen zu übersetzen,
daß auf der einen Seite möglichst wenig vom Reichtum der menschlichen Sprache
verloren geht, daß aber auf der anderen Seite das Wissen durch Computer verarbeitet
werden kann. Das Konzept der linguistischen Variablen ermöglicht die approximati-
ve Charakterisierung von Phänomenen, die entweder zu komplex oder zu schlecht
strukturiert und damit einer Beschreibung durch konventionelle quantitative Metho-
den nicht zugänglich sind31.
3.4.1 Wissensrepräsentation und -verarbeitung
Unscharfe Mengen werden in der Fuzzy-Logik mittels Zugehörigkeitsfunktionen
modelliert. Hierfür werden verschiedenartige Darstellungsformen verwendet, die sich
in ihrem Verrechnungsaufwand zum Teil erheblich unterscheiden. Untersuchungen
haben jedoch gezeigt, daß selbst der einfachste Formalismus im Mittel ähnliche Er-
gebnisse liefert.
Die quantitative Umsetzung der unscharfen Mengen bedarf für praktische Zwecke
einer Operationalisierung der Zugehörigkeitsfunktion. In der Literatur zur Fuzzy
Logik findet sich jedoch bis heute noch kein universeller axiomatischer Ansatz32 zur
expliziten Bestimmung einer Zugehörigkeitsfunktion. Meist wird dieses Problem
dadurch umgangen, daß eine Zugehörigkeitsfunktion als gegeben unterstellt wird.
Darüber hinaus sind Zweifel an der Existenz eines solchen axiomatischen Ansatzes
nicht von der Hand zu weisen, und somit erscheint eine pragmatische Vorgehenswei-
se oft als sinnvoll.
Randbedingungen in einem diagnostischen (Teil-)Lösungsprozeß, der mit Hilfe der
Fuzzy-Logik realisiert wird, finden auf zwei Arten Berücksichtigung:
31 Zur Einführung in die Theorie der unscharfen Mengen sei auf die entsprechende Fachliteratur
(u.a. [104]) verwiesen. Einen detaillierten Überblick zur praktischen Anwendung von Fuzzy-
Logik innerhalb regelverarbeitender Fuzzy-Systeme bieteen MAYER et al. [89].
32 DUBOIS/PRADE [36] schildern einige Ideen und Ansätze, die das Problem der praktischen Be-
stimmung von Zugehörigkeitsfunktionen behandeln.
Techniken zur Verarbeitung von Wissen 45
1. Änderung von linguistischen Bewertungen:
Die Festlegung der Parameter von unscharfen Mengen setzt ein meist individu-
elles Bewertungsschema fest und muß durch statistische Tests objektiviert
werden. Eine Recht-/Linksverschiebung der entsprechenden Zugehörigkeits-
funktionen führt demzufolge zu einer Veränderung der linguistischen Bewer-
tung von skalaren Größen.
2. Nachbesserung:
Es treten oft Randbedingungen im diagnostischen Prozeß auf, die nicht als Be-
wertungsänderung interpretierbar sind. Durch eine Nachbesserung des mittels
Fuzzy-Logik ermittelten Standardwertes läßt sich dieses Problemlösungsver-
halten automatisieren.
Der Einsatz von Modifikatoren erlaubt die mathematische Transformation von Zuge-
hörigkeitsfunktionen. Das Ergebnis dieser Umformung kann sprachlich neu interpre-
tiert werden. Es ist allerdings eine theoretisch weitestgehend ungeklärte Frage, wie
ein sprachlicher Modifikator mathematisch realisiert werden soll. Für die Modifika-
toren „sehr“ und „mehr oder weniger“ existieren formale Vorschläge33. Der „sehr“-
Modifikator bewirkt die Konzentration einer Zugehörigkeitsfunktion und damit die
Abschwächung der Unschärfe. Indes führt die Anwendung des „mehr oder weni-
ger“-Modifikators zu einer Verstärkung der Unschärfe (Dilation).
3.4.2 Anwendungen
Die Konzepte der unscharfen Mengen bieteen reichhaltige Anwendungsmöglichkei-
ten, vor allem im Bereich der technischen Steuerung und Regelung. Die Integration
dieser wissensverarbeitenden Technik in Expertensysteme hat sich bereits als sehr
hilfreich und effizient erwiesen und wird in der Praxis erfolgreich eingesetzt.
Die auf der Theorie der unscharfen Mengen basierenden Methoden und Verfahren
sind im Rahmen der Verarbeitung von Wissen als Teilkomponenten der Problemlö-
sungsebene einsetzbar. Ihre Anwendungsmöglichkeiten werden nachfolgend entspre-
chend ihrem Problemtyp kurz erläutert.
33 Für die formale und funktionale Beschreibung von Modifikatoren (unäre Operatoren) sei in
diesem Zusammenhang auf MEYER et al. [89] verwiesen.
Techniken zur Verarbeitung von Wissen 46
Fuzzy-Bewertung
Viele Entscheidungs- bzw. Klassifikationsprobleme in diagnostischen Anwendungen
verarbeiten numerische Eingangsgrößen und bilden diese auf Ergebnisse ab. Die Ab-
bildungsvorschriften, die mittels der klassischen zweiwertigen Logik formuliert wer-
den, erweisen sich im praktischen Einsatz nicht immer als adäquat, da nur eindeutige
kausale Zuordnungen in eine der vordefinierten Klassen realisiert werden können.
Die formalen Zuordnungsvorschriften zu einer der Aussagen, die über das Klassifi-
zierungsschema festgelegt werden, bilden in der zweiwertigen Logik einen Ein-
gangswert exakt auf die Werte 0 (falsch) bzw. 1 (wahr) ab. Zwischentöne sind nicht
modellierbar. Somit werden z.B. Ausgangswerte, die sich am Übergang der Klassen
befinden und sich nominell nur minimal voneinander unterscheiden, in unterschiedli-
che Klassen eingeteilt. Unterliegt der Eingangswert noch dazu einer gewissen Unsi-
cherheit, verschlechtert sich das Klassifikationsverfahren.
Die Fuzzy-Logik eröffnet zusätzlich die Möglichkeit, eine Kennzahl für mehrdimen-
sionale Problemstellungen dieser Art zu berechnen. Dieser zusammenfassende Wert
basiert auf den Zugehörigkeitsgraden der Einzelwerte und wird nach WIRSAM [48]
als Prerow-Wert bezeichnet. Er kann mit Hilfe verschiedener Operatoren34 ermittelt
werden und wird vor allem bei Optimierungsaufgaben eingesetzt.
Die qualitative linguistische Bewertung von quantitativen Aussagen bzw. Daten kann
mit Hilfe der Fuzzy-Logik zur unscharfen Bewertung praxisnah realisiert werden.
Vor allem in der Differentialdiagnostik erweist sich diese Technik als sehr praktika-
bel im Umgang mit unsicherem bzw. vagem Wissen.
Fuzzy-Control
Bei der sogenannten Fuzzy-Control35 handelt es sich im eigentlichen Sinne um eine
regelungstechnische Anwendung der Fuzzy-Logik. Sie kommt vorwiegend dort zum
Einsatz, wo für einen Lösungsprozeß nur ein sehr komplexes mathematisches Modell
vorliegt. Für komplexe Steuervorgänge ist es zum einen schwierig, die Modelldaten
34 Für die Ermittlung des Prerow-Wertes können die drei Operatoren „Minimum“, „geometri-
sches Mittel“ und „harmonisches Mittel“ eingesetzt werden.
35 Die weitaus meisten realisierten Anwendungen der Fuzzy-Logik stammen aus dem Bereich der
technischen Steuerung. Zur Einführung in die Fuzzy-Control wird an dieser Stelle auf SUGENO
[129] oder PEDRYCZ [105] verwiesen.
Techniken zur Verarbeitung von Wissen 47
mit einer hinreichenden Genauigkeit − meist mit Hilfe von Sensoren − zu erfassen,
und andererseits ergeben sich schnell derart umfangreiche Gleichungssysteme, daß
selbst moderne Hochleistungsrechner überfordert sind. Insbesondere bei Echtzeit-
Anwendungen werden daher effiziente Techniken wie die der Fuzzy-Control favori-
siert.
Bestimmte industrielle Anlagen lassen sich aus den genannten Gründen von Men-
schen meist besser als von herkömmlichen Reglern steuern. Diese Fähigkeit beruht
auf Erfahrungen, Heuristiken, Intuition oder Daumenregeln. Diese Form der Wis-
sensverarbeitung gilt es zu modellieren.
Die grundlegende Idee der Fuzzy-Control ist, das meist qualitative Wissen vorhan-
dener Handlungsanweisungen eines Prozeßoperateurs in den Entwurf des Reglers zu
integrieren.
Das im Rahmen dieser Arbeit entwickelte hybride wissensverarbeitende System
verwendet eine modifizierte Form der Fuzzy-Control. Die scharfen Eingangsgrößen
eines Fuzzy-Control-Blockes werden dabei nicht über Sensoren erfaßt, sondern einer
Wissensbasis entnommen. Weiterhin findet keine Rückkopplung der Ausgangsgröße
statt, wie es für Regelkreise typisch ist.
Fuzzy-Reasoning
In einem wissensverarbeitenden Prozeß werden z.B. durch geeignete Inferenztechni-
ken eine Reihe von Entscheidungen und Schlußfolgerungen getroffen, die den weite-
ren Prozeßverlauf beeinflussen. Schlußfolgerungen in einem Entscheidungsprozeß
können jedoch nicht immer mit sicherer Wahrscheinlichkeit formuliert werden. Vor
allem heuristisches Erfahrungswissen ist meist nicht exakt beschreibbar. Dafür ver-
antwortlich sind verschiedene Quellen der Unsicherheiten und Vagheiten36, nämlich
die Symptomerhebung, die Symptombewertung sowie das zugrundeliegende Ver-
rechnungsschema. Eine geeignete Modellierung dieser Aspekte ist daher notwendig.
36 siehe hierzu Kapitel 2.4
Techniken zur Verarbeitung von Wissen 48
Es existieren in der klassischen wie auch in der nicht-klassischen Logik verschiedene
Ansätze, um Aspekte des Denkens und Schließens zu berücksichtigen, wie z.B. Vag-
heit, temporale Aspekte oder den „gesunden Menschenverstand“.
Diese erweiterten Logiken werden gebildet, indem die Elemente des formalen Sys-
tems, nämlich die Sprache, das Axiomenschema und der Ableitungsbegriff modifi-
ziert werden. Einen Vergleich der verschiedenen Denkansätze und Formalismen lie-
fert LÉA SOMBÉ37 [81].
Mit der Methodik des unscharfen Schließens (fuzzy reasoning) steht ein Verfahren
für den Umgang mit unsicherem Wissen folgender Art zur Verfügung:
1. Wie sicher ist ein Faktum?
2. Wie hoch ist die Sicherheit der Schlußfolgerung einer Regel?
3. Wie sicher sind damit die geschlußfolgerten Daten?
Eine Erweiterung des Wissensrepräsentationsformalismus macht eine Modellierung
der unsicheren Sachverhalte möglich. Diese müssen anschließend mittels eines Ver-
rechnungsschemas innerhalb eines komplexen mehrstufigen Problemlösungsprozes-
ses aggregiert und weiterverarbeitet werden.
3.5 Andere Techniken
Auf der Basis der vier grundlegenden Verarbeitungsverfahren Informations-, numeri-
sche, symbolische und subsymbolische Verarbeitung nach MADEY et al. [86] (siehe
hierzu Kapitel 3.1) lassen sich problemlösende Technologien in einem dreidimensio-
nalen Raum einordnen.
Einen Gesamtüberblick über die verschiedenartigen Integrations- und Kombinations-
formen sowie die Einordnungsmöglichkeiten intelligenter und konventioneller prob-
lemlösender Technologien liefert Abb. 16.
Konventionelle problemlösende Techniken zum Einsatz in wissensverarbeitenden
Systemen werden im Rahmen der vorliegenden Arbeit nicht näher berücksichtigt.
37 LÉA SOMBÉ ist die Bezeichnung einer französischen Arbeitsgruppe und setzt sich aus Mitglie-
dern der Fachgruppe Inferenz und Kontrolle (PRC-GRECO "Intelligence Artificielle") zusam-
men.
Techniken zur Verarbeitung von Wissen 49
Statistiche
Analyse
Subsymbolische
Verarbeitung Intelligente
Technologien
Numerische
Verarbeitung
Numerisch/symbolische
Technologien
Numerisch/ subsymbolische
Technologien
Neuronale
Netze Genetische
Algorithmen Fuzzy
Systeme
Künstliche
Intelligenz Regel-
systeme Experten-
systeme
Simulation
Heuristik
DBMS
Optimierung
Information-
verarbeitung
Algorithmen
Konventionelle
problemlösende
Technologien
Unkonventionelle
(intelligente)
problemlösende
Technologien
Entscheidungs
analyse
Stochastik
Symbolische
Verarbeitung
Abb. 16:Klassifikationsmodell problemlösender Methoden und Einordnung unterschiedli-
cher Technologien nach MADEY et al. [86]
In der Einteilung der unkonventionellen intelligenten Verfahren finden sich bei
MADEY et al. [86] auch genetische Algorithmen bzw. Evolutionsstrategien. Sie eig-
nen sich vor allem für Planungs- und Optimierungsprobleme, die ab einer gewissen
Komplexität nur selten mit konventionellen Lösungen adäquat modelliert werden
können. Derartige Probleme werden durch genetische Algorithmen bzw. Evolutions-
strategien nicht auf dem herkömmlichen, algorithmischen Weg gelöst, sondern nach
dem Vorbild der biologischen Evolution und der molekularen Genetik.
Dazu werden zufällig Start-Lösungen generiert, aus denen Lösungen gemäß dem
Darwinschen Prinzip (survival of the fittest) anhand multidimensionaler Bewertungs-
funktionen ausgewählt werden [119]. Hierbei handelt es sich zunächst nur um sub-
optimale Lösungen, die es zu verfeinern gilt. Dazu werden diese Lösungen − gemäß
biologischem Vorbild − mutiert und miteinander rekombiniert.
Die besten Individuen (Lösungen) einer Generation erhalten eine Überlebenswahr-
scheinlichkeit, die proportional zu ihrer Fitneß ist. Nach hinreichend vielen Genera-
tionen werden auf diesem Weg optimale oder annähernd optimale Lösungen gene-
riert. Zur detaillierten Einführung in die Technologie der Genetischen Algorithmen
und Evolutionsstrategien sei an dieser Stelle z. B. auf ([51],[119]) verwiesen.
Hybride Wissensverarbeitung in der Diagnostik 50
4 Hybride Wissensverarbeitung
in der Diagnostik
Die Hybridisierung von Techniken aus dem Wissenschaftsbereich der KI zur Lösung
komplexer kognitiver Handlungen wie der medizinischen Diagnostik wurde aus
denkpsychologischer Sicht bereits in Kapitel 1.2 motiviert. Ziel der Überlegungen ist
die partielle Überdeckung des kognitiven Spektrums durch Techniken des Spektrums
der KI auf breiter Basis zur Lösung komplexer Probleme [77] (siehe Abb. 4).
Eine Unterscheidung zwischen verschiedenen Typen hybrider Modelle wird unter
Berücksichtigung der Beschreibungsebenen kognitiver und technischer Systeme nach
MARR [88] auf unterschiedlichen Ebenen durchgeführt: Auf der Verarbeitungsebene,
der Algorithmen- und Repräsentationsebene sowie der Implementierungsebene. Ist
ein System hybrid auf der Implementierungsebene − dann wird es nach COOPER et al.
[24] auch als physikalisch hybrides System bezeichnet − so ist es auch gleichzeitig
hybrid im Sinne der anderen beiden Ebenen.
Im nachfolgenden wird unter Hybridsystem ein physikalisch hybrides System ver-
standen.
Hybride intelligente Systeme sind nach MADEY et al. [86] problemlösende Systeme,
die auf der Integration mehrerer Technologien basieren und mindestens eine intelli-
gente (unkonventionelle) Technologie verwenden.
Die Techniken zum Entwurf intelligenter Systeme (siehe hierzu Kapitel 3) gelten
sowohl in der Informatik-Theorie als auch in der Software-Praxis als gut verstanden.
Zahlreiche spezialisierte Werkzeuge stehen den Wissensingenieuren derzeit für ihre
Arbeit zur Verfügung. Beim isolierten Einsatz erweisen sich diese jedoch im Um-
gang mit komplexen Problemstellungen als stark restringierend, da diese single-
technique-based-solutions in ihrem Formalismus und ihren Lösungstechniken unfle-
xibel sind. Es ist auch derzeit nicht absehbar, daß es in naher Zukunft einen einzigen
Hybride Wissensverarbeitung in der Diagnostik 51
Lösungsformalismus geben wird, um das gesamte Spektrum der Kognition zu über-
decken (LALLEMENT et al. [77]).
Erst durch die Kombination der Vorteile der einzelnen Verfahren und deren gezielte
Anwendung auf unterschiedliche Teilprobleme ist die Modellierung komplexer Pro-
zesse adäquat möglich.
In diesem Kapitel wird zunächst der diagnostische Prozeß unter Verwendung hybri-
der intelligenter Systeme skizziert und die Integrationsmöglichkeiten der wissensver-
arbeitenden Techniken zu einem hybriden Gesamtsystem dargestellt. Anschließend
wird auf den im Rahmen der vorliegenden Arbeit entwickelten Modellentwurf ein-
gegangen und dessen Umsetzung konzeptionell beschrieben.
4.1 Diagnostisches Problemlösen auf der Basis hybrider Techniken
Der Prozeß der medizinischen Diagnostik repräsentiert eine sequentielle Kopplung
der Hauptproblemklassen Diagnostik/Klassifikation und Planung/Konstruktion. Die-
se Form der Kopplung erfüllt die geforderte Modularität, Strukturierbarkeit und Fle-
xibilität im Aufbau hybrider Wissensbasen.
Rohdaten
Handlungs-
empfehlungen
Diagnosen
FallvergleichStatistik Arithmetik Heuristik Fuzzy Logik Neur. Netz
Heuristik
Diagnostik
Planung
Abb. 17:Integration von Problemlösungsmethoden im Modell der medizinischen
Diagnostik
Hybride Wissensverarbeitung in der Diagnostik 52
Auf der Problemlösungsebene38 der Hauptproblemklasse Diagnostik/ Klassifikation
wird der Hybridansatz zur Verarbeitung von Wissen, so wie er im Rahmen dieser
Arbeit modelliert und entwickelt wurde, realisiert. Dort werden − gesteuert durch die
Einteilung der Informationseinheiten in unterschiedliche Wissensquellen und Lö-
sungsstrategien − die Problemlösungsmethoden ausgewählt (siehe hierzu Abb. 17).
Die in Kapitel 3 angesprochenen Techniken lassen sich dabei auf semantischer Ebe-
ne grundsätzlich folgendermaßen koppeln:
• Kooperierend:
Bei diesem Ansatz zerfällt das Gesamtproblem in unterschiedliche Teilproble-
me, die nach PUPPE [111] am zweckmäßigsten mit verschiedenen Problemlö-
sungsmethoden gelöst werden sollten.
Durch diese kooperierende Kopplung gewinnt das System enorm an Ausdrucks-
stärke, da die mächtigen Formalismen zum Problemlösen die Komplexität des
diagnostischen Prozesses erfassen, ohne Informationsverluste aufgrund von Lö-
sungskorsetten in Kauf nehmen zu müssen.
• Konkurrierend:
Hierbei werden unterschiedliche Techniken zur Lösung eines Problems herange-
zogen. Das Verfahren mit der besseren Lösung wird gewählt.
Im allgemeinen ist diese Art der Kopplung viel zu aufwendig, um in der Praxis
einsetzbar zu sein, und wird daher in dieser Arbeit nicht berücksichtigt.
Die Integration problemspezifischer Werkzeuge umfaßt die wechselseitige Ergän-
zung ihrer Komponenten und eine gemeinsame Terminologie in Form von Wissens-
repräsentationsformalismen.
„Given that no method solves all problems yet each has something to offer, we
would like them to function together, working with rather than against each o-
ther.“ [135]
38 vgl. hierzu die Architekturbeschreibung in Kapitel 4.3.1.3
Hybride Wissensverarbeitung in der Diagnostik 53
4.2 Klassifikation hybrider intelligenter Systeme
Für die Systemintegration intelligenter wissensverarbeitender Techniken und deren
Klassifikation stehen unterschiedliche Modellansätze zur Verfügung ([57],[86],[95]).
Aus Sicht der Informatik-Praxis wurden eine Reihe von Ansätzen und Anwendungen
auf der Basis einer Hybridisierung intelligenter Techniken erfolgreich beschrieben
und realisiert. Die Kombination unterschiedlicher Techniken lassen eine Vielfalt
unterschiedlicher Modellkonstruktionen zu. Eine Übersicht über bestehende Arbeiten
zu hybriden intelligenten Systemen liefern MADEY et al. [86].
4.2.1 Klassifikation nach MADEY
MADEY et al. [86] definieren auf der Basis intelligenter Techniken39 eine hierarchi-
sche Taxonomie zur Klassifikation hybrider intelligenter Systeme. Diese ist der Abb.
18 zu entnehmen. Für die Charakterisierung der unterschiedlichen Modellansätze zur
Hybridisierung intelligenter problemlösender Technologien lassen sich demnach
zwei Ansatzpunkte verfolgen:
1. Charakterisierung nach dem Grad der funktionalen Einbettung/Ersetzung
(functional replacement)
2. Charakterisierung nach der Art der Kopplung und Kommunikation der Teil-
systeme (coupling intercommunication)
Hybride
Systeme
Gekoppelte
Kommunikation-
systeme
Funktional
ersetzte
Systeme
Polymorphe
Systeme
Eingebettete
Systeme
Eng
gekoppelte
Systeme
Locker
gekoppelte
Syteme
Abb. 18:Hierarchische Taxonomie zur Klassifikation hybrider Systeme für die Verarbei-
tung von Problemlösungen nach MADEY et al. [86]
39 vgl. Abb. 15
Hybride Wissensverarbeitung in der Diagnostik 54
Das functional replacement-Einteilungskriterium beschreibt, wie die Methoden und
Verfahren einer Technologie in eine andere integriert werden.
Der Grad der funktionalen Integration läßt sich dabei durch zwei Endpunkte eines
Kontinuums definieren. Auf der einen Seite stehen die eingebetteten Systeme, bei
denen Funktionalitäten einer Technik in eine andere eingebaut werden. Auf der ande-
ren Seite werden polymorphe Systeme definiert40, bei denen die Funtionalitäten der
einen Technik die Funktionalitäten der anderen komplett ersetzen.
Grad der funktionalen Ersetzung
(function replacement coninuum)
Eingebettet Polymorph
Abb. 19:Das function replacement continuum defininert den Grad der funktionalen Integ-
ration hybrider intelligenter Systeme nach MADEY et al. [86]
Folgende Beispiele können hierfür angebracht werden:
• Die konventionelle Methode zur Einstellung der Gewichte eines neuronalen
Netzes mittels Fehlerminimierungs-Algorithmen werden ersetzt durch geneti-
sche Algorithmen [101].
• Ein neuronales Netz wird verwendet, um symbolische Regeln für ein Exper-
tensystem abzuleiten, z.B. durch Verwendung der Induktionstechnik ID3
[92].
• Symbolische Regeln werden aus Leistungsgründen durch neuronale Netze er-
setzt [63], oder Modelle für neuronale Netze werden so entworfen, daß sie ä-
quivalent zu Regelsystemen arbeiten [3].
Zur Charakterisierung hybrider intelligenter Systeme nach der Art der Kopplung und
Kommunikation der Teilsysteme (coupling intercommunication) wird an dieser
Stelle die Modelleinteilung von MEDSKER [96] verwendet.
40 Die Bezeichnung polymorphic replacement für diese Methode der funktionalen Integration
stammt von GOONATILAKE et al. [44] (vgl. MADEY et al. [86]).
Hybride Wissensverarbeitung in der Diagnostik 55
4.2.2 Klassifikation nach MEDSKER
Nach MEDSKER et al. ([94],[95],[96]) lassen sich fünf Modelleinteilungen vorneh-
men, die am Beispiel der Kopplung eines Expertenystems (ES) und eines neuronalen
Netzes (NN) veranschaulicht werden und der Abb. 20 zu entnehmen sind.
Einzelsystem
(standalonemodel
)
Expertensystem Neuronales Netz
Transformationssystem
(transformational model)
Expertensystem Neuronales Netz
Locker gekoppeltes System
(loosely coupled model)
Expertensystem Neuronales Netz
Eng gekoppeltes System
(tightly coupled model)
Expertensystem Neuronales Netz
Vollständig integriertes System
(fully integrated model)
Expertensystem Neuronales Netz
Abb. 20:Klassifikation hybrider intelligenter Syste-
me nach MEDSKER et al. ([94],[95], [96])
Einzelsystem
Einzelsysteme (stand alone models) bestehen aus unabhängigen Software-
Komponenten, die nicht miteinander interagieren. Es handelt sich hierbei also um
keine Integration im engeren Sinne und wird daher im Rahmen dieser Arbeit keiner
weiteren Betrachtung unterzogen.
Transformationssystem
Dieses Modell ist dem Einzelsystem dahingehend ähnlich, daß das Resultat der Sys-
tementwicklung ein unabhängiges Modul darstellt, welches keine Interaktion mit
anderen Komponenten besitzt. Der Unterschied zum Einzelsystem besteht jedoch
darin, daß das System in einem Systemtyp startet (z.B. als ES) und im anderen Typ
Hybride Wissensverarbeitung in der Diagnostik 56
(z.B. NN) endet. Demzufolge lassen sich bei Transformationsmodellen grundsätzlich
zwei Formen unterscheiden: Expertensysteme, die in neuronale Netze transformiert
werden und neuronale Netze, die in Expertensysteme überführt werden. Auch hier
findet keine Integration in engeren Sinne statt. Die Entscheidung über die Transfor-
mationsrichtung bei der Entwicklung eines Systems hängt im wesentlichen von den
Fähigkeiten des Zielsystems ab.
Die Transformation eines neuronalen Netzes in ein Expertensystem wird vor allem
dadurch motiviert, daß die Nachteile subsymbolischer Techniken aufgehoben wer-
den41. Dadurch kann eine Rückdokumentation und Verifikation des Wissens durch-
geführt, die Entscheidungsfindung schrittweise verfolgt und eine Introspektion er-
reicht werden.
Auch die umgekehrte Transformation, nämlich die eines Expertensystems in ein neu-
ronales Netz, hat seine Begründung. Hierdurch läßt sich vor allem eine Steigerung
der Verarbeitungsgeschwindigkeit sowie der Robustheit des Systems erreichen. Auch
der Umgang mit verrauschten Daten wird dadurch erleichtert.
Locker gekoppelte Systeme
Diese Form der Systemkonzeption realisiert die erste richtige Integration von intelli-
genten Systemkomponenten. Die Applikation wird dabei aufgeteilt in zwei unabhän-
gige Modulle, die mittels Datenaustausch (z.B. Filesystem) miteinander kommuni-
zieren. Durch die rein sequentielle Abarbeitung von Teilproblemen und die Weiter-
gabe der Ergebnisses an das andere Modul sind die Variationen „Vorverarbeitung“
(pre-processing), und „Nachbearbeitung“ (post-processing) möglich.
In locker gekoppelten Systemen mit pre-processing-Technik kann ein neuronales
Netz beispielsweise eingesetzt werden, um im Sinne einer Datenvorverarbeitung
Objekte zu identifizieren, Muster oder Fehler zu erkennen oder komplexe und evtl.
verrauschte Daten zu kapseln. Die Ergebnisse dieser Verrechnungen werden über
eine definierte Schnittstelle (z.B. Datei) dem Expertensystem zur weiteren Verarbei-
tung zur Verfügung gestellt.
Post-processing-Modelle arbeiten genau umgekehrt. Dort werden die Ergebnisse und
Schlußfolgerungen eines Expertensystems als Eingabewerte für ein neuronales Netz
41 Die Nachteile der Methoden Neuronaler Netze sind dem Kapitel 3.3.1 zu entnehmen.
Hybride Wissensverarbeitung in der Diagnostik 57
verwendet. Im Gegensatz zu den höher integrierten Modellen ist ein derartiges Sys-
tem einfach und schnell zu entwickeln. Mit Hilfe fertiger kommerzieller Werkzeuge
für die symbolische und subsymbolische Wissensverarbeitung (Expertensystem-
Shells und Simulatoren für neuronale Netze) sind die Entwicklungs- und Program-
mierarbeiten drastisch zu reduzieren.
Locker gekoppelte Systeme weisen jedoch auch gewissen Nachteilen auf. Zum einen
ist die Ausführungszeit aufgrund der Schnittstelle und der Kommunikationskosten
erhöht, zum anderen kommt es häufig zu Redundanzen in beiden Modellen durch die
Überlappung von Daten und Verarbeitungsverfahren. Schließlich ist kein direkter
Zugriff auf Daten aus dem anderen Modul möglich.
Eng gekoppelte Systeme
Eng gekoppelte Systeme sind den zuvor beschriebenen locker gekoppelte Systemen
ähnlich. Auch hier besteht die Integration aus zwei eigenständigen Komponenten, die
allerdings ihren Datenaustausch nicht über ein Filesystem sondern über speicherresi-
dente Schnittstellen realisieren. Jede der Komponenten hat direkten Zugriff auf die
Datenstrukturen der anderen. Diese Interaktion erhöht die Flexibilität der Entwick-
lungen im Umgang mit komplexem Wissen.
Neben den bereits bei locker gekoppelten Systemen angesprochenen Variationen
− nämlich pre-processing und post-processing − sind bei eng gekoppelten Systemen
weitere Integrationsmethoden möglich. Sogenannte blackboards realisieren verteilte
Datenstrukturen, die interaktive Probleme mittels unabhängiger Agenten lösen. Ko-
operative Systeme (cooperative systems) nutzen ihre Interaktivität, um sich gegen-
seitig bei Entscheidungsfragen zu unterstützen, aber auch zu kontrollieren. Schließ-
lich bezeichnet man Systeme, bei denen eine Komponente die Funktionalität der an-
deren unterstützt, als eingebettete Systeme (embedded systems).
Vollständig integrierte Systeme
Verteilte Datenstrukturen und Formalismen zur Wissensrepräsentation stehen im
Mittelpunkt der vollständig integrierten Systeme. Eine Kommunikation zwischen den
beiden unterschiedlichen Komponenten findet über die dualen Strukturen (symbo-
lisch und subsymbolisch) statt.
Hybride Wissensverarbeitung in der Diagnostik 58
4.2.3 Klassifikation nach HILARIO
In Arbeiten von HILARIO et al. ([55],[56],[57],[78]) zur neurosymbolischen Integrati-
on − also Integration konnektionistischer Methoden mittels neuronaler Netze und
symbolischer Methoden mittels Expertensystemtechnik − werden Modelle und Stra-
tegien im Umgang mit hybriden intelligenten Systemen beschrieben.
Bereits in Kapitel 1.2.3 wurde die Überdeckung des kognitiven Spektrums durch
Techniken des Spektrums der KI als grundlegendes Ziel der KI-Forschung definiert
[77]. Dabei wurden an dieser Stelle auch die beiden hierfür möglichen Ansätze, die
aus heutiger Sicht zu erkennen ([55],[57],[77]) und in vielen wissenschaftlichen Ar-
beiten zu finden sind, dargestellt:
Der vereinheitlichende Ansatz (unified approach) startet in einem Paradigma und
versucht, das Ausgangswissen durch Transformation in das andere Paradigma zu
erweitern. So werden beispielsweise bestehende Künstliche neuronale Netze − als
klassische Vertreter konnektionistischer Methoden − in Regelsysteme umgewandelt
und umgekehrt.
symbolischkonnektionistisch
Abb. 21:Der vereinheitlichende Ansatz neurosymbolischer Integration nach HILARIO et al.
[55] (vgl. Abb. 5)
Es wurde in Kapitel 1.2.3 bereits darauf hingewiesen, daß dieser Ansatz zur Überde-
ckung des kognitiven Spektrums nicht Gegenstand dieser Arbeit ist.
symbolischkonnektionistisch
Abb. 22:Der hybride Ansatz neurosymbolischer Integration nach HILARIO et al. [55] (vgl.
Abb. 6)
Der hybride Ansatz (hybrid approach) versucht, verschiedene Verfahren zu kombi-
nieren, die sich auf dem Spektrum der KI befinden. Ein komplexes kognitives Prob-
lem läßt sich auf der Basis von KI-Techniken dadurch adäquat lösen, daß unter-
Hybride Wissensverarbeitung in der Diagnostik 59
schiedliche Teilprobleme auch mit unterschiedlichen Lösungsverfahren bearbeitet
werden.
Neurosymbolische
Integration
Hybridansatz
Vereinheitlichender
Ansatz
Funktionale
Hybridsysteme
Übersetzte
Hybridsysteme
Ketten-Verarbeitung
Unter-Verarbeitung
Meta-Verarbeitung
Co-Verarbeitung
Abb. 23:Klassifikation neurosymbolisch integrierter Systeme nach HILARIO et al. [57]
Übersetzte Hybridsysteme (translational hybrids) werden nach HILARIO et al. [57] als
eine Klasse von Systemen bezeichnet, die zwischen vereinheitlichenden und funktio-
nal hybriden Systemen einzuordnen ist. Dieser Ansatz entspricht dem Transformati-
onssystem nach MEDSKER et al. ([96],[95]) und ist dem Kapitel 4.2.2 zu entnehmen.
Funktionale Hybridsysteme vereinen komplette symbolische und konnektionistische
Komponenten und zeichnen sich durch eine effektive funktionale Interaktion und
Synergie aus. Diese Klasse von Integrationsmodellen wird von HILARIO et al. [57]
als die repräsentative Klasse hybrider Systeme verwendet. Auch die vorliegende Ar-
beit sieht den hybriden Ansatz zur Wissensverarbeitung im Sinne dieser Klasse.
Der Integrationsmodus hybrider Systeme nach HILARIO et al. [56] ist bestimmt durch
die Art und Weise, in der konnektionistische und symbolische Module miteinander
verbunden werden, wie sie in Beziehung zueinander stehen und welche Rolle sie im
Gesamtsystem spielen.
Vier Integrationsschemata können dabei identifiziert werden: Kettenverarbeitung
(chainprocessing), Unterverarbeitung (subprocessing), Meta-Verarbeitung (metapro-
cessing) und Co-Verarbeitung (coprocessing). Zur Beschreibung dieser Modi wird
Hybride Wissensverarbeitung in der Diagnostik 60
analog zu MEDSKER et al. [96] die Integration eines neuronalen Netzes und eines
Expertensystems betrachtet. Eine detaillierte Beschreibung der Integrationsschemata
und zugehörige Beispiele ist HILARIO et al. [56] zu entnehmen.
X Y X
Umgebung
Kettenverarbeitung
XY
Umgebung
X
Unterverarbeitung
X
Y
Umgebung
Meta-Verarbeitung
X Y
Umgebung
Co-Verarbeitung
Abb. 24:Hybride neurosymbolische Integrationsmodi nach HILARIO et al. [56]
X und Y sind entweder konnektionistische oder symbolische Komponenten mit
der Einschränkung X≠Y
Kettenverarbeitung (chainprocessing)
Im chainprocessing-Modus arbeiten die Komponenten sequentiell. Die Interaktion
beschränkt sich auf den unidirektionalen Transfer von Informationen und strategi-
schen Aufgaben.
Dieser Modus entspricht dem loosely-coupled-Modell von MEDSKER et al. [96]. Nä-
here Informationen sind dem Kapitel 4.2.2 zu entnehmen.
Unterverarbeitung (subprocessing)
In diesem neurosymbolischen Integrationsverfahren ist eine Komponente in eine
andere eingebettet (embedded system). Die eingebettete Komponente dient dem
Hybride Wissensverarbeitung in der Diagnostik 61
Hauptmodul zur funktionalen Unterstützung, indem sie Teilaufgaben löst. Die Men-
ge der Systeme, die sich in den subprocessing-Modus einreihen, ist eine Teilmenge
der tightly-coupled-Modelle von MEDSKER et al. [96]. Nähere Informationen sind
dem Kapitel 4.2.2 zu entnehmen.
Meta-Verarbeitung (metaprocessing)
Metaprocessing bezeichnet man einen Modus, bei dem eine Komponente Meta-
Aufgaben in einem Problemlösungsprozeß erfüllt. Das können Monitoring- oder
Kontrollaufgaben sein, um eine Hauptkomponente zu überwachen.
Co-Verarbeitung (coprocessing)
Die beteiligten Komponenten sind gleichberechtigte Partner in einem Problemlö-
sungsprozeß. Jeder kann direkt mit der Umgebung interagieren und Informationen an
den anderen schicken oder von ihm empfangen.
4.3 Systementwurf für diagnostisches Problemlösen auf der Basis
hybrider intelligenter Techniken
Im Mittelpunkt der vorliegenden Arbeit steht der Entwurf und der Aufbau eines
Softwaresystems, mit dessen Hilfe diagnostische Probleme auf der Basis hybrider
intelligenter Techniken automatisiert und dezentral gelöst werden können. Die ein-
zelnen Techniken zum Einsatz in Problemlösungskomponenten wurden in Kapitel 3
informell beschrieben und liefern die Basis für den nachfolgend beschriebenen Ent-
wurfsansatz, der zunächst von inhaltlichen Aspekten abstrahiert. Die Umsetzung des
Modells anhand eines praktischen präventivmedizinischen Beispiels ist dem Kapitel
5 zu entnehmen.
Dieses Kapitel beschreibt den generalisierten Aufbau und die allgemeine Funktions-
weise des Systems, welches als Werkzeug eingesetzt wird, um diagnostische Prob-
leme zu bearbeiten.
Hybride Wissensverarbeitung in der Diagnostik 62
4.3.1 Systemarchitektur
Die nachfolgenden Erläuterungen der Architektur des entwickelten wissensverarbei-
tenden Systems machen den Aufbau deutlich, d.h. die einzelnen Programmodule und
deren Beziehungen untereinander werden unter Zuhilfenahme systemtheoretischer
Konzepte beschrieben. Abb. 25 zeigt die Systemarchitektur des implementierten
Systems.
Das entwickelte System ist gemäß HILARIO et al. [56] als Subprocessing-System
klassifizierbar, welches dem Kapitel 4.2.3 zu entnehmen ist.
Im Sinne einer strukturellen Beschreibung mit Hilfe eines Schichtenmodells werden
drei Hauptmodule unterschieden: Die Benutzerebene, die Wissensebene und die
Problemlösungsebene.
Abb. 25:Modellarchitektur des im Rahmen dieser Arbeit entwickelten hybriden intelli-
genten Systems zur Lösung diagnostischer Probleme als Subprocessing-System
(nach HILARIO et al. [56])
Hybride Wissensverarbeitung in der Diagnostik 63
4.3.1.1 Benutzerebene
Auf der Benutzerebene sind die Kommunikationsschnittstellen zum hybriden wis-
sensverarbeitenden System realisiert. Durch den modularen systemtechnischen Ent-
wurf des Modells ist ein Austausch bzw. eine zielgerichtete Anpassung der Funktio-
nalität dieser Ebene möglich.
Die Interaktion Mensch-Maschine läßt sich in drei Aufgabenbereiche unterteilen:
Wissenserwerb
Über die Wissenserwerbskomponente, die in der vorliegenden Implementierung nur
im Überwachungsmodus (supervisor mode) − also dem Entwickler − zugänglich ist,
wird das fachspezifische Wissen formalisiert und durch die gewählte Wissenreprä-
sentation kodiert. Entwickelte Editoren und Tools zur Wissensdarstellung − z.B. in
Form von Entscheidungsbäumen − stehen zur Verfügung, um auf komfortable Weise
Wissensbasen aufbauen und modifizieren zu können. Der Wissenserwerbskompo-
nente kommt auf der Benutzerebene die größte Bedeutung zu.
Dialog
Ein wissensverarbeitendes System zur diagnostischen Beratung baut auf verschiede-
nen Formen der Datenerhebung auf. Die Dialogkomponente ist verantwortlich für die
Interaktion während einer Konsultation. Zum einen werden diagnostische Anfragen
des Benutzers an die Kontrolleinheit entgegengenommen, welche den Problemlö-
sungsprozeß in Gang setzen, zum anderen werden Problemfragestellungen von der
Kontrolle an den Benutzer übergeben.
Bei der Einbettung des Systems in eine anwendungsorientierte Umgebung ist die
Dialogkomponente die einzige definierte Schnittstelle zwischen Anwender und Pro-
gramm. Diese Komponente gilt es, an die entsprechenden systemtechnischen wie
anwendungsspezifischen Anforderungen anzupassen.
Erklärung
An wissensverarbeitende Systeme wird die Forderung gestellt, ihre Problemlösungen
bei Bedarf erklären zu können. Die Erklärungsfähigkeit wird oft als Besonderheit im
Vergleich zu konventionellen Programmen hervorgehoben. Begünstigt durch die
Trennung von Wissen und Problemlösungsstrategien machen Erklärungskomponen-
Hybride Wissensverarbeitung in der Diagnostik 64
ten die innere Struktur des Systems transparent. Nach PUPPE [108] gibt die Form der
Erklärung Aufschluß über die Wissensrepräsentation, während ihr Inhalt die Qualität
des Wissens zeigt. Er konstatiert weiterhin, daß unangemessen lange Erklärungen auf
eine mangelnde Strukturierung des Wissens hindeuten.
Die Erstellung von Erklärungskomponenten ist jedoch eines der großen Probleme der
Expertensystemforschung, dessen Lösung noch nicht absehbar erscheint. Es existie-
ren zwar verschiedene theoretische und praktische Ansätze zur Erstellung und Dar-
bietung von Erklärungen [111], sie alle haben sich allerdings mit folgenden Frage-
stellungen, die in ein und demselben Problemlösungsfall unterschiedlichen Interpre-
tationscharakter haben − ja sogar haben müssen − auseinanderzusetzen:
• WAS soll als Erklärung dargeboten werden ?
CLANCEY [23] unterscheidet in diesem Zusammenhang drei Haupttypen von
Wissen, die für Erklärungen relevant sind :
- Strategisches Wissen: Wissen zur Rechtfertigung der Reihenfolge von Ak-
tionen, die das Expertensystem durchführt.
- Strukturelles Wissen: Wissen über die Beziehungen zwischen den Objek-
ten eines Expertensystems.
- Unterstützendes Wissen: Metawissen (Wissen über das Wissen)
Eine wichtige Aufgabe von Erklärungskomponenten im Rahmen dieser Frage-
stellung ist die Orientierung der Erklärung an Vorwissen, Interesse und Typ
des Benutzers. Nach PUPPE [108] wird die Nutzung von Expertensystemen für
tutorielle Zwecke zunehmend an Bedeutung gewinnen.
• WIE soll diese Erklärung dargestellt werden ?
Im Sinne der Anschaulichkeit einer Darstellung von Erklärungen werden un-
terschiedliche Techniken gefordert, um auf benutzerspezifische Bedürfnisse
eingehen zu können. Zum einen werden graphische Darstellungen, zum ande-
ren natürlichsprachliche Texte favorisiert.
Der aktuelle Stand der Forschung fordert somit bei der Erstellung von Erklärungs-
komponenten Kompromiß- bzw. Individuallösungen.
Eine Form von Kompromißlösung stellen Hypertextsysteme dar, die es jedem Benut-
zer ermöglichen, die gewünschten Erklärungen selbst zusammenzusuchen.
Hybride Wissensverarbeitung in der Diagnostik 65
Hypertextsysteme haben sich im Laufe der letzten Jahre zur Darstellung von Erklä-
rungen durchgesetzt und stellen eine allgemeingültige Lösung für das WIE-Problem
dar. Aber was soll nun an Erklärungstext inklusive Querverweisen angeboten wer-
den? An der Präsentation natürlichsprachlicher Texte sind schon größere For-
schungsprojekte gescheitert. Daher realisiert das modellorientierte wissensverarbei-
tende System als Erklärungskomponente ein Hypertextsystem folgender einfacher
Art: Die zentrale Darstellung einer Erklärung ist die des Inferenzbaumes42. Dieser
stellt − auf abstrakte, aber dennoch anschauliche Weise − das strategische und
strukturelle Verhalten des Problemlösungsprozesses dar. Über die Knoten des Bau-
mes, repräsentiert durch Attribut-Operator-Wert-Ausdrücke, werden Querverweise
zu den assoziierenden Fakten definiert. Durch einfachen Mausklick können detail-
lierte Informationen zur aktuellen Wertebelegung und zu Kontextbedingungen inner-
halb des Problemlösungsprozesses in Erfahrung gebracht werden.
4.3.1.2 Wissensebene
Die Trennung der Daten (Wissen) vom Algorithmus (Problemlösungsmethode) stellt
das grundlegende Organisationsprinzip wissensbasierter Systeme dar. Die Wissens-
basis des vorliegenden wissensverarbeitenden Systems besteht dabei aus drei Teilbe-
reichen:
Wissensbasis
Der Regelformalismus nimmt das bereichspezifische Wissen auf und stellt die ge-
wünschten Beziehungen zwischen den definierten Objekten des Fachgebietes her.
Die Ablaufsteuerung bzw. Fragestrategie wird über Metaregeln − das sogenannte
Wissen über das Wissen − ausgedrückt.
Alle definierten Objekte des Fachgebietes werden als Fakten bezeichnet. Zu Beginn
eines Problemlösungsprozesses liegen diese instantiiert, aber mit leerer Wertemenge
vor. Die Kontrolle des obigen Modells sorgt dafür, daß gelöste Teilprobleme, mit
welcher Problemlösungsstrategie auch immer, als neues Faktum in die Wissensbasis
aufgenommen werden. Dies geschieht durch Zuweisung des errechneten Wertes an
42 Der Inferenzbaum ist jener Teil des Entscheidungsbaumes, der nur diejenigen Äste berück-
sichtigt, die im Problemlösungsprozeß aktiv wurden.
Hybride Wissensverarbeitung in der Diagnostik 66
das instantiierte Objekt. Je nach Herkunft der Fakten unterscheidet man zwischen
bereichsbezogenen und fallspezifischen Fakten sowie Zwischen- und Endergebnis-
sen.
Datenbasis
Durch die Kopplung des Hybridsystems an externe Speicher- und Datenverarbei-
tungseinheiten, wie z.B. einem Datenbank- und einem Magnetkartensystem, stehen
dem Problemlösungsprozeß Datenquellen zur Verfügung, die im Ablauf einer dia-
gnostischen Aufgabenstellung verwendet werden können. Diese Anbindung entlastet
den Dialogbetrieb und unterstützt unter anderem statistische und fallvergleichende
Lösungsstrategien.
Vor allem der Einsatz von Magnetkartensystemen als externe Datenquelle für ein
diagnostisches Programm wird in naher Zukunft viele interessante Anwendungen
finden. Derzeit wird in der Industrie eine Reihe von Kartensystemen eingesetzt und
praxisnah erprobt, so unter anderem eine Gesundheitskarte, die in diesem Rahmen
die Routinetätigkeiten des Beraters verbessern würde.
Kontrolle
Die zentrale Aufgabenstellung innerhalb des implementierten Systems nimmt die
Datenanforderungskomponente ein. Sie dient im diagnostischen Prozeß als Problem-
verteiler. Die Benutzerebene auf der einen Seite und die Problemlösungsebene auf
der anderen übergeben ihre Datenanforderungen an die Kontrolleinheit. Diese ent-
scheidet anhand der eingetragenen Wissensquelle, ob das Faktum direkt der Wis-
sensbasis entnommen werden kann − z.B. durch Datenbankzugriff − , oder welche
Komponente der Problemlösungsebene dafür zuständig ist.
Das Ergebnis einer Datenanforderung wird der Kontrolleinheit zurückgegeben und in
die Wissensbasis aufgenommen.
4.3.1.3 Problemlösungsebene
Der vorliegende Modellentwurf zeichnet sich vor allem dadurch aus, daß verschiede-
ne Problemlösungsstrategien im Sinne einer kooperativen Kopplung eingesetzt wer-
den können, um spezielle Aufgaben im diagnostischen Prozeß auf möglichst natürli-
Hybride Wissensverarbeitung in der Diagnostik 67
che Weise zu modellieren. Auf der Basis eines modularen Entwurfes ist eine Erwei-
terung der Problemlösungsstrategien möglich.
Der vorliegende Modellentwurf unterscheidet folgende Problemlösungsstrategien:
Statistik
Standardisierte mathematische Verfahren können verwendet werden, um statistische
Kenngrößen aktuell zu ermitteln. So können z.B. Längs- und Querschnittbeurteilun-
gen ermittelt werden. Die Verrechnungsmodelle bauen auf Datenbankzugriffen auf
und sind im Formeleditor integriert43.
Fallvergleich
Ebenso wie die statistische Problemlösungskomponente setzt die fallvergleichende
Komponente die Existenz einer Datenbank voraus, in der sich bereits gelöste Prob-
lemfälle befinden. Fallvergleiche können in denjenigen Fällen eingesetzt werden, in
denen weder der Benutzer noch andere Problemlösungsstrategien zum Ziel kommen.
„Suche einen passenden Vergleichsfall und übernehme dessen Lösung“ kann somit
als letzte Problemlösungsinstanz interpretiert werden.
Dazu wird ein Merkmalsvektor definiert, der ein Maß für den Abstand zweier Unter-
suchungsdaten darstellt. Nach einer Vorselektion der zugrundeliegenden Daten nach
Grobkriterien wird mit entsprechenden fallvergleichenden Algorithmen44 derjenige
Datensatz herausgesucht, der das geringste Abstandsmaß aufweist. Dessen diagnosti-
zierten Ergebnisse werden vom Problemlösungsprozeß übernommen.
Arithmetik
Während der Entwicklungsphase des Expertensystems wurde erkannt, daß ohne a-
rithmetische Berechnungen, welche dynamisch im Regelformalismus integriert wer-
den können, keine sinnvolle Modellierung des realen Sachverhaltes durchgeführt
werden kann. Diese Feststellung hat die Forderung nach einem Formelinterpreter
gestellt, der während des Ablaufes eines diagnostischen Prozesses Formeln auswertet
und Ergebnisse an die Kontrolleinheit zurückliefert. Die dazu entworfene Grammatik
43 Näheres zur implementierten Grammatik des Formeleditors ist dem Anhang zu entnehmen.
44 z.B. Nearest-Neighbour-Algorithmus
Hybride Wissensverarbeitung in der Diagnostik 68
wurde im Laufe der Entwicklung ständig erweitert, um den arithmetischen Forma-
lismus ausdrucksfähig zu gestalten und den problemspezifischen Bedürfnissen anzu-
passen.
Inferenz
Die Inferenzmaschine steht in dieser Implementierung auf der Problemlösungsebene
im Vordergrund, da fast 80% aller Probleme durch Schlußfolgerungen gelöst wer-
den. Die Inferenzmaschine ist zuständig für die strategische Steuerung des Ablei-
tungsvorganges im diagnostischen Prozeß. Dies wird durch Metaregeln erreicht.
Die Gesamtkompatibilität der Regelvorbedingungen − berechnet mittels match-
Funktion − entscheidet darüber, ob und wie eine Regel feuert, was bedeutet, daß die
Schlußfolgerungen dieser Regel in die Wissensbasis in Form von Wertzuweisungen
aufgenommen werden.
Fuzzy
Viele Problemstellungen der objektiven Realität lassen sich mit Hilfe der klassischen
scharfen Aussagelogik, die nur eine Abstraktion darstellt, nicht lösen. Die Fuzzy-
Logik, die als Erweiterung dieser zweiwertigen Logik entworfen wurde, ermöglicht
es, unscharfe und vage Aussagen formal zu verarbeiten.
Im eigentlichen Sinne ist die Fuzzy-Komponente eine modifizierte Inferenzmaschi-
ne. Über Fuzzy-Control-Blöcke werden Probleme durch einstufige Regelverarbei-
tung (Fuzzy-Regeln) gelöst. Dabei werden immer scharfe numerische Eingangsdaten
benötigt und ein scharfer numerischer Ausgangswert zurückgeliefert.
Konnektionistische Methoden (Neuronale Netze)
Im Rahmen einer komplexen diagnostischen Problemstellung existieren Teilproble-
me, die nach dem Spektrum der Kognition nach LALLEMENT et al. [77] (vgl. hierzu
Kapitel 1.2.1) rein synthetischer Natur sind. Unbewußte, kognitive low-level-
Operationen lassen sich erfahrungsgemäß sehr gut mit konnektionistischen Modellen
realisieren. Die Funktionalität des Generalisierungsprozesses neuronaler Netze läßt
sich auf Problemlösungsebene integrieren, um im Sinne einer assoziativen diagnosti-
schen Entscheidungsfindung Kausalitätsbedingungen zu durchbrechen und den Um-
gang mit verrauschten Daten zu erleichtern.
Hybride Wissensverarbeitung in der Diagnostik 69
4.3.2 Systemverhalten
Das im Rahmen der vorliegenden Arbeit entwickelte hybride intelligente System
wird in zwei verschiedenen Modi verwendet: Im Entwicklermodus stehen dem Wis-
sensingenieur in der Wissenserwerbskomponente eine Reihe von Editoren zur Verfü-
gung, um das fachspezifische Wissen zu formalisieren und zu implementieren. Eine
Wissensbasis wird dabei durch Festlegung von anwendungsspezifischen Fakten
(frames), Wissensquellen, Regeln und Problemlösungsverfahren erstellt45. Der Auf-
bau der Datenbanken, Falldatenbanken und neuronalen Netzen erfolgt durch externe
Werkzeuge.
Weiterhin stehen im Entwicklermodus grafische Hilfsmittel zur Verfügung, um bei-
spielsweise kontextbedingte Verknüpfungen des implementierten Wissens zu visuali-
sieren und zu validieren. Regelverarbeitungen lassen sich z.B. im Testmodus schritt-
weise auf Fehler untersuchen und hinsichtlich Konsistenz und Vollständigkeit über-
prüfen46.
Benutzer
Benutzerebene
Kontrolle
Wissensbasis
Problemlösungsebene
Daten-
anforderung
Regeln
Fakten
Statistik Fallvergleich
Arithmetik
Inferenz
Fuzzy
Dialog
Datenbasis
Datenbank
Magnetkarte
Neuron. Netz
1
2
34
5
6
7
Abb. 26:Vorgehensweise bei einer Problemlösung im Benutzermodus.
45 Näheres zu Implementierungsgesichtspunkten ist dem Kapitel 4.4 zu entnehmen.
46 Auf weitere Funktionalitäten des Werkzeuges kann an dieser Stelle nicht näher eingegangen
werden.
Hybride Wissensverarbeitung in der Diagnostik 70
Der zweite Betriebsmodus des hybriden wissensverarbeitenden Systems ist der Be-
nutzermodus. Module der Verarbeitungseinheiten des Gesamtsystems sowie die
implementierten und getesteten Wissens- und Datenbasen werden dabei in eine an-
wendungsorientierte Umgebung eingebettet. Auf der Benutzerebene steht in diesem
Fall lediglich die Dialogkomponente zur Verfügung47.
Die Abarbeitung eines Problemlösungsprozesses läßt sich wie folgt beschreiben (vgl.
hierzu Abb. 26): Der Benutzer bzw. die Hauptanwendung stellt eine Lösungsanfrage
an das System, indem die Problembeschreibung über die Dialogkomponente definiert
wird (1). Zur Lösung des Problems übergibt die Dialogkomponente die Anfrage an
die Datenanforderungskomponente − die zentrale Kontrolleinheit − und startet das
System im Inferenzmodus (2).
Problemmerkmale Problemlösung
Abb. 27:Abarbeitung einer Problemlösungsstrategie im Inferenzmodus durch rekursiven
Abstieg im Und-Oder-Graphen
Die Gesamlösung wird durch einen Konstruktions- bzw. Bauplan charakterisiert und
kann z.B. mit Hilfe der skeletal planning-Technik48 aufgebaut werden. Dabei wird
das Konstruktionswissen hierarchisch in einem nicht-rekursiven Und-Oder-Graphen
strukturiert, dessen Expansion mit heuristischen Regeln gesteuert wird.
Die Vorgehensweise bei der Informationsgewinnung von (Teil-)Lösungen läuft − auf
der Basis eines rekursiven Abstieges − nach folgendem Schema ab49: Zunächst ver-
47 Vgl. hierzu die Architekturbeschreibung im Kapitel 4.3.1.
48 Vgl. hierzu Kapitel 2.4.1.
49 Das hier beschriebene Abarbeitungsschema verfolgt die Strategie der Rückwertsverkettung
(backward chaining). Werden alle relevanten Benutzerdaten im Sinne einer Datenvorverarbei-
tung in einem umfassenden Fragebogen erfaßt und dem System bereitgestellt, wird häufig auch
die Vorwärtsverkettung (forward-chaining) eingesetzt. Näheres zu Kontrollstrategien sind dem
Kapitel 4.4.1.3 zu entnehmen.
Hybride Wissensverarbeitung in der Diagnostik 71
sucht das System, die Anfrage dadurch zu beantworten, indem der temporäre Wis-
sensspeicher, nämlich die Fakten der Wissensbasis, durchsucht wird (3). Konnte dort
kein Ergebnis ermittelt werden, geht die Suche in der Datenbasis (Datenbank oder
Magnetkarte) weiter (4). Ist auch hier keine Resultat zu bestimmen, so gilt es nun,
eine Problemlösungsstrategie auszuführen. Bei Weitergabe der Anfrage des Benut-
zers an die Problemlösungsebene wird durch den Eintrage Wissensquelle die Lö-
sungsstrategie gewählt. Hinweise zu den Lösungskomponenten sind dem Kapitel
4.3.1.3 zu entnehmen.
Neur.
Netz
Infe-
renz
Infe-
renz
Arith-
metik Fuzzy
Logik
Neur.
Netz Neur.
Netz
Infe-
renz
Infe-
renz
Fuzzy
Logik
Abb. 28:Beispiel für die Lösung eines komplexen mehrstufigen diagnostischen Problems
mittesls hybrider Technik
Konnte auch dort keine Lösung ermittelt werden, muß der Benutzer die Teilfrage
beantworten. Auf diese Weise findet aus Sicht des Benutzers eine Dialogprozeß statt,
der die zur Lösung eines Problemes benötigten individuellen Daten direkt vom Be-
nutzer in Dialogboxen erfragt.
Teilergebnisse, die auf diesem beschriebenen Weg ermittelt werden, werden der Da-
tenanforderungskomponente übergeben und dort zu Gesamtlösungen zusammenge-
setzt. Konnte die Anfrage des Benutzers erfolgreich bearbeitet werden, wird das Lö-
sungsergebnis über die Dialogkomponente an den Benutzer zurückgeliefert (5).
Hybride Wissensverarbeitung in der Diagnostik 72
4.4 Entwurfsentscheidungen für die Wissensverarbeitung
Hinsichtlich einer Implementierung des im Rahmen dieser Arbeit entwickelten Sys-
tems zur hybriden Wissensverarbeitung sind einige Entwurfsentscheidungen zu tref-
fen. Dabei sind vor allem die Fragen zur Repräsentation und Verarbeitung des Wis-
sens innerhalb der Teilmodelle zu klären.
4.4.1 Symbolische Wissensverarbeitung
In der Expertensystemkomponente wurde für die Repräsentation von Wissen eine
Kombination aus Frames50 und Regeln gewählt. In den nachfolgenden Kapiteln wer-
den die Intentionen dieser Wahl und die konzeptionelle Realisierung dieser Forma-
lismen dargelegt.
4.4.1.1 Frames
Unter einem Frame versteht JACKSON [66] eine sehr flexible Art von record, welcher
Informationen über Objekte und Situationen darstellen kann. Die Verknüpfung zwi-
schen Objekt und Situation wird in diesem Zusammenhang als Kontext bezeichnet.
Hier liegt eines der wichtigsten Argumente für die Verwendung von Frames: Sie
erlauben, das Fachwissen über den Kontext, in dem solches Wissen angewendet
wird, zu berücksichtigen. Die Kenntnis der Einsatzmöglichkeiten von Wissen er-
leichtert auch die Wartung und Pflege eines Expertensystems51. Durch den Kontext-
mechanismus lassen sich zum einen Erweiterungen bzw. Reduktionen der Wissens-
basis einfacher kontrollieren, zum anderen Inkonsistenzen, Unvollständigkeiten und
Redundanzen leichter verhindern.
Eine Frameinstanz enthält sogenannte Slots, welche mit Werten verschiedener all-
gemeiner Attribute gefüllt sind, die mit einem solchen Objekt assoziieren.
Der Kontext wird in der vorliegenden Implementierung dadurch hergestellt, daß je-
der Frame Informationen darüber aufnimmt, in welchen Regeln er zur Anwendung
50 Der Begriff Frame wurde 1975 durch MINSKY [100] geprägt. Eine Frameinstanz repräsentiert
ein Objekt des Fachgebietes und wird daher in den nachfolgenden Erläuterungen mit dem Beg-
riff Objekt gleichbedeutend verwendet.
51 vgl. hierzu das Kapitel 4.5
Hybride Wissensverarbeitung in der Diagnostik 73
kommt. Zur Aufnahme dieser Informationen stehen die entsprechenden Slots zur
Verfügung. Dabei werden folgende Kontextsituationen unterschieden:
• Herleitungen: Hier werden all diejenigen Regeln vermerkt, welche den Frame
in ihrer Konklusion enthalten. Diese Regeln geben Auskunft darüber, auf wel-
che Weise dieses Faktum hergeleitet werden kann.
• Bedeutungen: In diesem Slot werden diejenigen Regeln aufgeführt, welche den
Frame in ihrer Prämisse enthalten. Diese Regeln informieren darüber, was aus
diesem Faktum gefolgert werden kann.
Die Differenzierung verschiedener Frametypen im objektorientierten Stil (BA-
SE_FRAME, ALPHA_FRAME, NUM_FRAME, FUZZY_FRAME und NEU-
RO_FRAME) resultiert aus der Forderung, Objekte mit unterschiedlichen Wertebe-
reichstypen festlegen zu können. Für alphanumerische und Fuzzy-Frames werden
hierzu diskrete Werte in Form beliebiger Zeichenketten definiert, während numeri-
sche und Neuro-Frames alle Werte innerhalb eines vordefinierten numerischen Inter-
valls akzeptieren52. Letztere gewinnen vor allem dadurch an Ausdrucksstärke, daß
sie beliebig in mathematische Formeln, die mit Hilfe eines Formelinterpreters abge-
arbeitet werden, integriert werden können. Die grundlegenden Entwurfsentscheidun-
gen bei der Definition von Grammatiken und Implementierung von Parsern sind der
entsprechenden Compilerbau-Literatur, wie z.B. AHO/SETHI/ULLMANN [1], zu ent-
nehmen. Die Grammatik zur Definition der implementierten Formelsyntax ist im
Anhang dargestellt.
Große Wissensmengen sollten strukturiert werden, um ein gewisses Maß an Modula-
rität zu gewährleisten. Zur Strukturierung von Frames stehen folgende Möglichkeiten
zur Verfügung:
• Objekttyp: Hierarchische Objekttypisierungen, die dem vorliegenden Di-
agnostikprozeß entsprechen, werden eingeführt, um Fakten in Klassen zu ver-
walten. Dazu zählen Symptome/Merkmale, Symptominterpretatio-
nen/Merkmalsab-straktionen, Grobdiagnosen und Feindiagnosen.
52 Numerische Werte werden in der vorliegenden Implementierung als Gleitkommazahlen reprä-
sentiert.
Hybride Wissensverarbeitung in der Diagnostik 74
Dies entspricht der hierarchischen Einteilung der Fachbegriffe in Metaklassen
nach WIELINGA/BREUKER [137] auf Inferenzebene.
• Objektklassen: Objektklassen können vom Benutzer der Expertensystem-
Shell frei definiert werden − und zwar in Form von ASCII-Strings −, um eine
individuelle Einteilung vorzunehmen.
4.4.1.2 Regeln
Regeln gelten als die wichtigste Basiswissensrepräsentation in Expertensystemen.
Dieser Sachverhalt ist nach PUPPE [111] damit zu erklären, daß Experten ihr Wissen
oft in Form von Regeln formulieren. Die Darstellung von Wissen mittels Regeln
bietet folgende wesentliche Vorteile:
• Transparenz:
Der Formalismus zur Darstellung von Regeln ist leicht verständlich und ohne
Probleme nachvollziehbar.
• Inkrementelles Wachstum:
Die Regelbasis kann entsprechend den Anforderungen im Laufe der Entwick-
lung des Systems Schritt für Schritt aufgebaut und getestet werden. Erweite-
rungen − fachspezifisches Wissen ist meist von dynamischer Natur − können
verhältnismäßig einfach durchgeführt werden. Ein wichtiges Hilfsmittel für die
Entwicklung, Pflege und Wartung einer regelbasierten Wissensbasis ist die E-
xistenz entsprechender Validierungs- und Verifikationsroutinen, welche die
Konsistenz und die Vollständigkeit der Wissensbasis überprüfen53.
• Strukturierbarkeit/Modularisierung:
Die verfügbaren Regeln werden zweckmäßigerweise durch geeignete Struktu-
rierungsmöglichkeiten in Module aufgeteilt. Dies unterstützt die Übersichtlich-
keit und Wartbarkeit auch bei steigendem Umfang der Wissensbasis und kann
zur Effizienzsteigerung genutzt werden.
Eine Regelinstanz besitzt unter anderem eine Prämissen- und eine Konklusionenliste.
Die Vorbedingungen einer Regel können wahlweise konjunktiv bzw. disjunktiv ver-
bunden werden, während Schlußfolgerungen ausschließlich UND-verknüpft sind.
53 Zur Implementierung der Checkverfahren sei auf das Kapitel 4.5 verwiesen.
Hybride Wissensverarbeitung in der Diagnostik 75
Eine gemischte Verwendung von UND/ODER-Konnektoren für Regelvorbedingun-
gen wurde nicht realisiert.
Prämissen bzw. Konklusionen werden als Tripel der Form Objekt - Operator - Wert
dargestellt und auch als Couplets bezeichnet.
• Operatoren
Während Schlußfolgerungen nur den Zuweisungsoperator „=“ erlauben, kön-
nen in Vorbedingungen − in Abhängigkeit vom Frametyp − verschiedene Ver-
gleichsoperatoren verwendet werden. Ein alphanumerischer Frame gestattet
dabei nur die Operatoren „=“ und „≠“, während auf numerische Frames alle
numerischen Vergleichsoperatoren „=“, „≠“, „<“, „≤“, „>“ und „≥“ angewen-
det werden können. Für einen Fuzzy-Frame darf nur der Operator „=“ Verwen-
dung finden.
Die Auswahl dieser Operatoren wird im implementierten Regeleditor über Di-
alogboxen gesteuert. Syntaktische Eingabefehler sind dadurch nicht möglich.
• Werte
Als Vergleichs- bzw. Zuweisungsoperanden in einer Prämisse/Konklusion
werden Elemente des zugehörigen Wertebereiches akzeptiert. Numerische
Werte werden dabei als Formeln interpretiert54, die vor ihrer Operation − Ver-
gleich oder Zuweisung − ausgewertet werden.
Die Strukturierung von Regeln wird primär durch den Kontextmechanismus herge-
stellt. Dabei werden die Regeln entsprechend ihrer Prämissen und Konklusionen in
Gruppen eingeteilt. Jeder Frame verwaltet dazu seinen eigenen Kontext in Form von
Regellisten, in denen er zur Anwendung kommt.
Eine Effizienzsteigerung durch dieses interne Strukturierungsverfahren kommt da-
durch zustande, daß die Bestimmung der Konfliktmenge von Regeln, welche in ei-
nem gegebenen Kontext zur Anwendung kommen können, entfällt. Diese Aufwands-
reduktion gewinnt vor allem bei wachsendem Umfang der Wissensbasis immer mehr
an Bedeutung.
Ferner können Regeln in definierte Regelklassen eingeteilt werden, um die Über-
sichtlichkeit der Regelbasis zu erhöhen.
54 Ein skalarer Wert ist als Sonderfall einer Formel zu verstehen.
Hybride Wissensverarbeitung in der Diagnostik 76
4.4.1.3 Kontrollstrategie
Für regelbasierte Systeme werden zur Realisierung der Problemlösungsstrategie
Verkettungsverfahren angewendet, die auf der Tatsache beruhen, daß aus einer Men-
ge von Termen und einer Regel, deren Vorbedingungen bzw. Prämissen erfüllt sind,
eine neue Menge von Termen abgeleitet werden kann. Dies ist dann die ursprüngli-
che Menge vereinigt mit den angegebenen Termen der Konklusion. Diese Form des
Schlußfolgerns ist Grundlage wissensbasierter Systeme55.
Generell existieren zwei verschiedene Verkettungsverfahren, die sich in ihrer Ver-
kettungsrichtung unterscheiden und zu den Basisstrategien für die Abarbeitung von
Regeln zählen:
• Vorwärtsverkettende Verfahren (Forward-Chaining): Ausgehend von einer i-
nitiierten Datenbasis wird aus der Menge der Regeln, deren Vorbedingungen
durch die Datenbasis als erfüllt gelten, eine ausgewählt. Der Aktionsteil dieser
feuernden Regel wird ausgeführt und die Datenbasis damit geändert. Dieser
Prozeß wird solange durchgeführt, bis keine Regel mehr anwendbar ist.
• Rückwärtsverkettende Verfahren (Backward-Chaining): Ausgehend von einem
Zielproblem werden nur diejenigen Regeln überprüft, deren Aktionsteil das
Ziel enthält. Falls Parameter der Vorbedingung unbekannt sind, werden sie mit
anderen Problemlösungsstrategien − es muß nicht immer eine Inferenz sein −
hergeleitet.
Eine detaillierte Beschreibung dieser und anderer Verfahren, die zum Teil Misch-
formen dieser Basisstrategien darstellen, wie z.B. die Hypothezise-And-Test-
Strategie, sind der entsprechenden Fachliteratur zu entnehmen [108].
55 Hier spricht man auch von monotonem Schließen. Nichtmonotones Schließen auf der Grundla-
ge von Truth-Maintenance-Systemen wurde für den vorliegenden diagnostischen Prozeß nicht
benötigt.
Hybride Wissensverarbeitung in der Diagnostik 77
Backward-Chaining
Hypothesize-And-Test
Forward-Chaining
Abb. 29:Gängige Kontrollstrategien der Regelverarbeitung
Die vorliegende Implementierung realisiert beide Basis-Kontrollstrategien. In der
Praxis wird jedoch meist das Backward-Chaining-Verfahren eingesetzt. Dabei startet
der rückwärtsverkettende Regelinterpreter mit einem definierten Ziel. Wenn dieses
Faktum nicht erfüllt ist, d.h. nicht in der Datenbasis vorhanden ist, entscheidet die
Kontrollkomponente56 des Problemlösungsprozesses, welche Problemlösungsstrate-
gie angewendet werden muß, um das Problem zu lösen. Im Falle einer Ableitung
werden alle Regeln der Konfliktmenge, also all diejenigen, in deren Aktionsteil das
zu lösende Problem auftaucht, nach der Konfliktlösungsstrategie abgearbeitet. Diese
Strategie realisiert den Auswahlprozeß einer Regel aus der Menge der anwendbaren
Regeln einer Problemlösungssituation. Dazu werden die entsprechenden Vorbedin-
gungen einer Regel auf ihren Wahrheitsgehalt überprüft. Gelten diese als erfüllt, so
ist das Problem gelöst und die Fakten der Schlußfolgerung der feuernden Regel wer-
den in die Datenbasis aufgenommen.
Andernfalls wird durch einen rekursiven Abstieg die unerfüllte Vorbedingung zum
neuen Zielproblem. Diese auch als Tiefensuche bezeichnete Variante der Rückwärts-
verkettung bietet gegenüber der Breitensuche den Vorteil, eine gezielte Fragestrate-
gie während eines Problemlösungsprozesses zu realisieren.
Die Bestimmung der Konfliktmenge kann bei umfangreichen Wissensbasen durch-
aus zeitkritisch werden. Die vorliegende Implementierung hat sich durch den im vo-
rangehenden Kapitel dargestellten Kontextmechanismus von dieser Aufgabe freige-
Hybride Wissensverarbeitung in der Diagnostik 78
macht. Jedes Objekt enthält die Situationen, in denen es zur Anwendung kommt, in
entsprechenden Regellisten.
Geht man von einer festen Anordnung der Regeln und deren Vorbedingungen und
Schlußfolgerungen aus, so kann die Abarbeitungsstrategie eines rückwärtsverketten-
den Regelinterpreters in einen geordneten Und/Oder-Baum57 abgebildet werden, der
mittels Tiefensuche von links nach rechts abgearbeitet wird.
4.4.2 Subsymbolische Wissensverarbeitung
Die Methoden neuronaler Netze bauen auf zwei grundlegenden Arbeitsschritten auf:
In der ersten Phase, der Lern- oder Trainingsphase, wird das meist synthetische Wis-
sen, welches nicht kausal formulierbar ist, in die Datenstrukturen des topologisch
definierten neuronalen Netzes transformiert. Das neuronale Netz wird duch eine An-
zahl von Trainingsmustern angelernt, so daß es im zweiten Schritt, der Generalisie-
rungsphase, Ergebnisse produzieren kann. Der Aufbau von neuronalen Netzen, deren
Form der Wissensrepräsentation und Lernstrategien sind dem Kapitel 3.3 zu entneh-
men.
Lernen
Trainieren Generalisieren
Neuronales
Netz
Abb. 30:Arbeitsschritte im Umgang mit neuronalen Netzen
Der vorliegende Modellentwurf integriert derzeit nur den Generalisierungsprozeß
neuronaler Netze in Form einfacher Datenstrukturen und Algorithmen. Der Aufbau
des Netzes ist mit externen Netzwerksimulatoren durchzuführen [148].
Einen modifizierten subsymbolischen Ansatz zur Modellierung synthetischer kogni-
tiver Operationen liefern assoziative Matrizen [91], die aus praktischen und pragma-
56 vgl. hierzu Kapitel 4.3.1
57 Und/Oder-Bäume werden in der vorliegenden Ausarbeitung auch als Entscheidungsbäume
bezeichnet.
Hybride Wissensverarbeitung in der Diagnostik 79
tischen Gründen in der vorliegenden Anwendung verwendet werden. Dazu sei auf
Kapitel 5.5.2 verwiesen.
4.4.3 Fuzzy-Logik
Der vorliegende Ansatz zur hybriden Wissensverarbeitung favorisiert zur Modellie-
rung von unscharfen Mengen effiziente Datenstrukturen und Algorithmen. Zugehö-
rigkeitsfunktionen zu Fuzzy-Sets werden durch Trapezfunktionen repräsentiert, die
bei ihrer Definition jedoch meist auf die einfachen Dreiecksfunktionen eingeschränkt
werden.
Die acht Parameter βαund,,,,, maxmin,maxmin21 yyxxmm sind zur Festlegung einer
Trapezfunktion erforderlich. Deren Bedeutung ist der Abb. 31 zu entnehmen.
Zur Definition einer Dreiecksfunktion wird
m
=
m
1
2
gewählt.
m1m2
ymax
ymin
α
β
x
)(x
µ
xmin xmax
Abb. 31:Trapezfunktion zur Darstellung von Zugehörigkeiten
Das im Rahmen dieser Arbeit entwickelte wissensverarbeitende Hybridsystem er-
laubt, über geeignete Editoren gesteuert, eine komfortable Definition von linguisti-
schen Variablen und der Parameter ihrer Zugehörigkeitsfunktionen, die über graphi-
sche Funktionen kontrolliert und analysiert werden können.
Hybride Wissensverarbeitung in der Diagnostik 80
4.4.3.1 Fuzzy-Bewertung
Die Ermittlung von Bewertungen anhand von Fuzzy-Sets erfolgt durch Auswertung
der Zugehörigkeitsfunktion (membership function). Die Repräsentation mittels Tra-
pezfunktionen erlaubt, wie in Abb. 32 dargestelt, einfache Berechnungen durch Auf-
stellung von Geradengleichungen in den Funktionsintervallen I1 bis I5.
x
)(x
µ
I1I2I3I5I6
x
)(x
µ
x
f(x)
Abb. 32:Berechnung eines Zugehörigkeitsgrades zu einem Fuzzy-Set mittels einfacher
Geradengleichungen und Funktionsauswertungen.
Für einen scharfen Eingangswert x, der sich im Intervall I4 befindet, gilt beispiels-
weise folgende Verrechnungvorschrift:
1. Parameter der Geraden festlegen:
min222max121 ,,, yymxyymx=+=== β
2. Schnittpunkt mit der Geraden berechnen:
)()( 1
12
12
1xx
xx
yy
yxf−
−
−
+=
Für die mehrdimensionale Bewertung von Daten innerhalb eines Problemlösungs-
prozesses stehen eine Reihe von Operatoren zur Verfügung. Diese lassen sich hin-
sichtlich der zu realisierenden Verknüpfung in t-Normen (Durchschnitt) und t-
Conormen (Vereinigung) kategorisieren. Jede dieser Klassen verfügt sowohl über
nichtparametrisierte als auch über parametrisierte Operatoren58. Die Vielzahl der
Operatoren zur Aggregation von unscharfen Mengen führt zu der Frage, welche Ope-
ratoren in einer bestimmten Situation anzuwenden sind. Diese Frage läßt sich jedoch
nicht pauschal beantworten, da jeweils das zugrundeliegende Anwendungsproblem
58 Eine ausführliche Darstellung der einzelnen Operatoren zur Aggregation von unscharfen Men-
gen ist MEYER et al. [89] zu entnehemen.
Hybride Wissensverarbeitung in der Diagnostik 81
berücksichtigt werden muß. Dennoch stehen eine Reihe von Kriterien zur Verfü-
gung, die die Auswahl eines geeigneten Konnektors erleichtern [89]. Diese und ande-
re anwendungsspezifische Kriterien sind je nach Randbedingungen der zu modellie-
renden Problemstellung vorher zu prüfen.
Nachfolgend seien exemplarisch drei nicht-parametrisierte Durschnitts-Operatoren
aufgeführt, die für eine Und-Verknüpfung59 von Fuzzy-Sets verwendet werden kön-
nen und kompensatorische Effekte bei mehrdimensionalen Bewertungen erzielen.
Tab. 2:Beispiele für nicht-parametrisierte Durchschnitts-Operatoren für zwei Bewertun-
gen x und y
Bezeichnung Formel
Harmonische Mittelung
yx
xy
+
2
Geometrische Mittelung xy
Arithmetische Mittelung
2
yx
+
Da diese aufgeführten Operatoren nicht assoziativ sind, ist für die Verknüpfung von
mehr als zwei unscharfen Mengen eine Verallgemeinerung jedes einzelnen Operators
vorzunehemen. Die Operatoren aggregieren n Werte wie folgt:
∑
=
=n
i
inx
n
xx
1
11
),...,(µArithmetische Mittelung
∏
=
=n
i
ninxxx
1
1),...,(µ Geometrische Mittelung
∑
=
=n
ii
n
x
n
xx
1
11
),...,(µHarmonische Mittelung
4.4.3.2 Fuzzy-Control
Abb. 33 zeigt den Aufbau und den Informationsfluß eines Fuzzy-Control-Blocks
(FCB), wie er im vorliegenden Fall implementiert wurde. Eingänge und Ausgänge
59 Für eine UND-Verknüpfung wird in den meisten Anwendungen der Minimum-Operator ver-
wendet. Dieser erweist sich jedoch im Kontext von bestimmten Problemstellungen als nicht a-
däquat. Näheres hierzu ist dem Kapitel 5.5.2.2 zu entnehemen.
Hybride Wissensverarbeitung in der Diagnostik 82
eines FCB sind scharfe numerische Werte. Innerhalb eines FCB werden die Eingän-
ge zunächst mit Hilfe von Zugehörigkeitsfunktionen linguistisch bewertet (Fuzzifi-
zierung). Eine einstufige Regelverarbeitung bildet diese auf einen linguistischen
Ausgangswert ab, der mittels Defuzzifizierung den scharfen Endwert liefert.
einstufige Regelverarbeitung
Fuzzifizierung
Defuzzifizierung
n
n
1
1
Fuzzy-Controller
Inferenzmaschine
Abb. 33:Modell eines vereinfachten Fuzzy-Control-Blocks
Fuzzifizierung
Das Fuzzifizierungs-Modul sorgt dafür, daß aus den scharfen Eingangsgrößen mit
Hilfe der Zugehörigkeitsfunktionen Zugehörigkeitsgrade ermittelt werden. Es führt
somit die linguistische Interpretation einer scharfen analogen (meist numerischen)
Größe durch. Hinsichtlich der Realisierung dieses Teilschrittes im Fuzzy-Control-
Verfahren sei auf Kapitel 4.4.3.1 verwiesen.
Regelbasis
Die in FCBs benutzten Regeln unterliegen folgenden Konventionen:
• Konklusionen enthalten lediglich eine Klausel.
• Prämissen und Konklusionen dürfen nur linguistische Variablen enthalten.
• Die Regelmenge wird einstufig abgearbeitet.
Hybride Wissensverarbeitung in der Diagnostik 83
Jeder Regel wird optional ein Sicherheitssfaktor als reelle Zahl aus dem Intervall
[0,1] zugeordnet, wodurch stufenlos das Vertrauen in die Gültigkeit der Regel ausge-
drückt wird60.
Inferenzstrategie
Die Inferenz eines Fuzzy-Control-Blocks findet in der Inferenzmaschine statt, die zu
diesem Zweck verallgemeinert bzw. erweitert wurde. Auf der Problemlösungsebene
stellt sie somit ein mächtiges Werkzeug dar, um sowohl scharfe als auch unscharfe
Problemstellungen zu verarbeiten.
Um das Aussehen der Inferenzstrategie eines Fuzzy-Controllers und der anzuwen-
denden Operatoren zu erläutern, werden folgende Annahmen getroffen [89]:
• Die Regelmenge eines FCBs verfügt über n Eingangsvariablen
X
X
n
1
,
.
.
.
,
und
eine Ausgangsvariable Y. Jede dieser Variablen wird repräsentiert durch eine
linguistische Variable, deren Ausprägungen
%
A
ik
bzw.
%
B
i
Fuzzy-Sets darstel-
len.
• Die Bedingung (Prämisse) einer Regel besteht entweder aus einer oder meh-
reren konjunktiv verbundenen Klauseln der Form X A
i
ik
=
%
.
• Die Schlußfolgerung einer Regel besteht lediglich aus einer Klausel YB
k
=
%
.
Eine Regel j hat demnach folgende Gestalt:
jnjnijij BYAXAXAX
~
then)
~
and...
~
and...
~
(if 11 ====
Die vereinfachte Darstellung für Regeln mit nur einer Prämisse, wie sie hier Ver-
wendung findet, lautet:
if thenX A YB
j j
= =
%
%
.
Die Fakten liegen in der Form
[
]
n
AAA
~
,...,
~
1
= als Ausprägung der n linguistischen
Variablen vor. Jedes
%
A
i
geht dabei als scharfe skalare Größe in die Bewertung ein.
Die Inferenzmaschine bildet nun durch einstufige Regelabarbeitung diese Eingangs-
größen auf die Variable Y ab. Dies erfolgt in mehreren Schritten:
60 0 bedeutet kein Vertrauen; 1 bedeutet volles Vertrauen.
Hybride Wissensverarbeitung in der Diagnostik 84
Berechnung der Kompatibilitätsmaße
Zunächst wird für alle Klauseln einer Regel rj die Übereinstimmung mit den aktuel-
len Fakten festgestellt. Dadurch, daß die Fakten als skalare Größen
%
A
i
vorliegen,
kann dieses Kompatibilitätsmaß einfach durch Bestimmung der Zugehörigkeitsgrade
für jeden Fuzzy-Set
%
Aij an der Stelle
%
A
i
ermittelt werden.
In Abhängigkeit der Zahl der Klauseln sind für eine Regel j mit Hilfe der Operation
komp die entsprechenden Kompatibilitätsmaße aij durch einfache Berechnung der
Zugehörigkeitsgrade zu ermitteln61.
aA A
aA A
aA A
j j
j j
nj nj n
1 1 1
2 2 2
=
=
=
komp(
%
,
%
)
komp(%,%)
.
.
.komp(%,%)
Berechnung der Gesamtkompatibilität
Im zweiten Schritt werden für die linken Seiten einer jeden Regel j die errechneten
Kompatibilitätsmaße zu einem Gesamtkompatibilitätsmaß aggregiert. Hierdurch wird
ausgedrückt, in welchem Maße die Bedingungen der Regeln erfüllt sind. In diesem
Zusammenhang ist auf den gravierenden Unterschied zur normalen Regelverarbei-
tung in regelbasierten Systemen hinzuweisen, in der eine Regelvorbedingung, die
darüber entscheidet, ob eine Regel feuert, entweder erfüllt ist oder nicht.
Die implementierte Inferenzmaschine definiert Schwellen, die die Erfüllung von
Vorbedingungen signalisieren. Für Nicht-Fuzzy-Regeln liegt diese Schwelle genau
bei 1, d.h. konjunktiv verknüpfte Prämissen müssen alle vollständig erfüllt62 sein,
während disjunktive Regeln schon bei vollständiger Erfüllung einer Klausel feuern.
Fuzzy-Regeln gelten hingegen bereits dann als erfüllt, wenn ihre Gesamtkompatibi-
lität den Wert 0 überschreitet.
61 Hinweise zur Berechnung der Zugehörigkeitsgrade für Trapezfunktionen sind Kapitel 4.4.3.1
zu entnehmen.
62 Vollständig erfüllt bedeutet in diesem Zusammenhang, daß der Wert der Klausel in der aktuel-
len Wissensbasis enthalten ist.
Hybride Wissensverarbeitung in der Diagnostik 85
Für den Aggregationsoperator aggOp zur Berechnung der Gesamtkompatibililtät aj
der linken Seite einer Regel j wird meist ein Durchschnittsoperator verwendet, der
sich mathematisch folgendermaßen darstellen läßt:
a
a
a
a
j j j nj
=
aggOp
(
,
,
.
.
.
,
)
1 2
In der Implementierung wurde für aggOp der Maximumoperator gewählt.
Berechnung der modifizierten Gesamtkompatibilität
Nun wird die Methodik des unscharfen Schließens (fuzzy reasoning) angewendet, um
Unsicherheiten im Schlußfolgerungsprozeß zu berücksichtigen. Der optional ver-
wendbare Sicherheitsfaktor (certainty factor) einer Regel drückt das Vertrauen in die
Richtigkeit einer Regel aus. Beim Unscharfen Schließen wird nun die errechnete
Gesamtkompatibilität
a
j der Vorbedingung mit dem Sicherheitsfaktor
c
j einer Regel
mittels eines Operators cerOp verknüpft.
a a c
j j j
*
cerOp(,)=
Der Wert aj
*
wird auch als modifizierte Gesamtkompatibilität bezeichnet.
Die Verknüpfung sollte durch einen UND-Operator vorgenommen werden, weil eine
Schlußfolgerung nur dann gilt, wenn die Vorbedingung und die Regel erfüllt sind.
Hierzu wurde der Minimumoperator implementiert. Eine absolut sichere Regel
(
c
j
=
1
) wird dabei keine Veränderung der Gesamtkompatibilität hervorrufen, wäh-
rend eine absolut unsichere Regel (
c
j
=
0
) für ungültig erklärt wird, da der definierte
Schwellenwert nicht überschritten wird.
Inferenz
Beim Feuern der Regel wird im nächsten Schritt die modifizierte Gesamtkompatibi-
lität auf die Klausel der Schlußfolgerung übertragen. Diese soll höchstens zu dem
Grade erfüllt sein wie ihre Vorbedingung. Der Fuzzy-Set
%
Bj, der diese Konklusion
darstellt, ist unter Verwendung eines Inferenz-Operators gegebenenfalls dahingehend
zu verändern, daß die Höhe des resultierenden Fuzzy-Sets
%
*
Bj die modifizierte Ge-
samtkompatibilität aj nicht überschreitet.
Hybride Wissensverarbeitung in der Diagnostik 86
%
infOp(,
%
)
*
*
BaB
j j j
=
Als Inferenz-Operator wurde der Minimum-Operator gewählt, der auf einfache Wei-
se den Ausgangs-Fuzzy-Set bei Bedarf lediglich abschneidet. Er begründet auch die
Verwendung von Trapezfunktionen, da die auf diese Art modifizierten Dreiecks-
funktionen durch Trapezfunktionen dargestellt werden müssen.
komp
aj
*
Bj
~
Bj*
~
Abb. 34:Minimum-Operator zwischen einem Fuzzy-Set und einer skalaren Größe
Akkumulation aller Regeln
Da alle Regeln alternativen Charakter haben, muß im letzten Verarbeitungsschritt der
Inferenzstrategie das Gesamtergebnis
%
*
B
aus den Teilergebnissen
%
*
Bj durch Akku-
mulation ermittelt werden. Dies sollte durch eine Oder-Verknüpfung wie den Maxi-
mums-Operator realisiert werden.
Werden gleichzeitig das Maximum als Akkumulations-Operator und das Minimum
als Inferenz-Operator eingesetzt, dann spricht man von der Min-Max-Inferenz.
Defuzzifizierung
Durch die Min-Max-Inferenz kann es vorkommen, daß der Ausgangs-Fuzzy-Set ein
durchaus eigenartiges Aussehen hat. Eine Weiterverarbeitung des Inferenzergebnis-
ses ist daher nötig. Linguistische Approximationen werden durchgeführt, um den
Output-Fuzzy-Set zu charakterisieren. Oft werden jedoch skalare Ausgangsgrößen
angestrebt.
Hybride Wissensverarbeitung in der Diagnostik 87
Eine der gängigen und auch leicht zu implementierenden Techniken der Defuzzifi-
zierung ist die Flächenschwerpunktsmethode. Als numerisches Verfahren wurde in
der vorliegenden Implementierung die Simpsonsche Regel realisiert [69].
4.4.3.3 Fuzzy-Reasoning
Das Vertrauen in die Richtigkeit einer Regel wird durch einen Sicherheitsfaktor
c
j
ausgedrückt. Beim fuzzy reasoning wird nun die bereits errechnete Gesamtkompati-
bilität
a
j der Vorbedingung mit diesem certainty factor
c
j einer Regel mittels eines
Operators cerOp verknüpft.
a a c
j j j
*
cerOp(,)=
Der Wert aj
*
wird auch als modifizierte Gesamtkompatibilität bezeichnet.
Die Verknüpfung sollte durch einen UND-Operator vorgenommen werden, weil eine
Schlußfolgerung nur dann gilt, wenn die Vorbedingung und die Regel erfüllt sind.
Hierzu wurde der Minimumoperator implementiert. Eine absolut sichere Regel
(
c
j
=
1
) wird dabei keine Veränderung der Gesamtkompatibilität hervorrufen, wäh-
rend eine absolut unsichere Regel (
c
j
=
0
) als ungültig erklärt wird, da der definierte
Schwellenwert nicht überschritten wird.
Hybride Wissensverarbeitung in der Diagnostik 88
4.5 Konsistenz und Vollständigkeit
Für den kommerziellen Einsatz zählen wissensverarbeitende Systeme derzeit wohl zu
den erfolgversprechendsten Anwendungsgebieten. Allerdings zeigt die Praxis, daß
viele Entwicklungen über das Prototypenstadium nicht hinausgekommen sind.
Obwohl die Wissensidentifikation als der Flaschenhals in der Entwicklung verstan-
den wird, reicht es nicht, sich alleine mit der Machbarkeit derartiger Systeme, unter-
schiedlichen Wissensrepräsentationsformen und ausgefeilten Inferenzstrategien zu
beschäftigen. Die Forderung nach Transparenz und Erweiterbarkeit durch die Ein-
haltung des Prinzips der Trennung von Wissen und Wissensverarbeitung und die
dadurch erreichte Flexibilität kann zu unerwarteten Problemen führen. Kleine Ände-
rungen können enormen Einfluß auf das Gesamtverhalten des Systems haben, da die
dynamische Verkettung nun ganz anders ablaufen kann. Da fachspezifisches Wissen
meist dynamisch angelegt ist, stellt sich die Frage, wie hybride intelligente Systeme
auf Änderungen innerhalb der Wissensbasis reagieren. Das Problem der Aktualisie-
rung und Pflege darf daher bei der Entwicklung von solchen Systemen nicht unter-
schätzt werden.
Grundsätzlich unterscheidet man dabei zwischen syntaktischen und semantischen
bzw. strukturellen Checks. Die im vorliegenden Werkzeug integrierten Editoren sind
so entwickelt worden, daß syntaktische Fehler nicht auftreten können. Die Instantiie-
rung von Regeln beispielsweise erfolgt dialoggesteuert genau anhand der erwarteten
Syntax.
Bei den semantischen Checks gestalten sich die Verfahren wesentlich schwieriger, da
hier oftmals der Kontext eine Rolle spielt. Man unterscheidet im wesentlichen zwi-
schen zwei Fehlerklassen:
• Inkonsistenz: In diese Klasse fallen alle Situationen, welche mit dem Begriff
Fehlerhaftigkeit in Verbindung gebracht werden können. Dabei handelt es
sich hauptsächlich um Widersprüche. Auch Redundanzen fallen in diese Klas-
se, obwohl sie nicht als direkte Fehler interpretiert werden. Sie führen ledig-
lich zu einem schlecht kontrollierbarem und fehleranfälligem Overhead in der
Wissensbasis.
• Unvollständigkeit: Hierunter werden alle Situationen zusammengefaßt, in de-
nen eine unvollständige Wissensbasis vorliegt.
Hybride Wissensverarbeitung in der Diagnostik 89
Jedes Wissensrepräsentationsmodell stellt in Verbindung mit der zugehörigen Infe-
renzstrategie unterschiedliche Anforderungen an die jeweiligen Testverfahren.
Tab. 3:Verfahren zur Überprüfung der Konsistenz eines Regelsystems
Prüfung auf Bedeutung
Redundante Regeln Zwei oder mehr Regeln haben dieselben Prä-
missen und Konklusionen.
Widersprüche in Prämissen Zwei oder mehrere Prämissen einer Regel ent-
halten einen Widerspruch.
Diese Regel wird nie feuern, da die Bedingun-
gen nie erfüllt sein können.
Widersprüche in Konklusionen Zwei oder mehrere Konklusionen einer Regel
enthalten einen Widerspruch.
Wenn diese Regel feuert, ensteht in der Wis-
sensbasis ein inkonsistenter Zustand.
Regel-Attribut-Abgleich Ein Abgleich zwischen Regeln und Attributen
stellt sicher, daß alle in Prämissen und Konklu-
sionen verwendeten Objektdefinitionen als Fra-
mes in der Wissenbasis vorhanden sind.
Subsumierte Regeln Zwei Regeln haben das gleiche Ergebnis. Eine
Regel hat allerdings mehr Prämissen als die
andere, stellt also lediglich einen Spezialfall dar.
Eine Regel überdeckt somit eine andere.
Zirkuläre Regelketten Schleifen oder Zyklen in der Regelverkettung
führen zum Nichtterminieren des Ableitungs-
vorganges.
Regeltypen Die Shell unterscheidet zwischen Regeln vom
Typ fuzzy, welche nur innerhalb von Fuzzy-
Controlle-Blocks verwendet werden dürfen, und
vom Typ non-fuzzy, welche in diesen nicht vor-
kommen dürfen.
Basierend auf Regelverarbeitung und Backwardchaining sind im Sinne der Verifika-
tion und Validierung im vorliegenden Fall zum einen hierfür standardisierte, zum
anderen spezielle Prüfverfahren implementiert worden. Dabei muß allerdings fest-
gehalten werden, daß auf dem Gebiet Wartung und Pflege regelverarbeitender Sys-
teme derzeit noch erhebliche Modelleinschränkungen zu machen sind, um die von
der Expertensystemforschung zur Verfügung gestellten Tests effizient und sicher
durchführen zu können.
Hybride Wissensverarbeitung in der Diagnostik 90
Tab. 4:Verfahren zur Überprüfung der Vollständigkeit eines Regelsystems
Prüfung auf Bedeutung
Dead-End-Condition Die Blätter des Entscheidungsbaumes dürfen
nicht mit Wissensquelle Heuristik markiert sein.
Dies würde bedeuten, daß dieses Faktum nicht
hergeleitet werden kann, und es kommt zu ei-
nem toten Ende beim Ableitungsprozeß.
Unreferenced Rules Nicht referenzierte Regeln innerhalb des Ent-
scheidungsbaumes sind entweder überflüssig,
oder es fehlt die entsprechende Einbindung in
den Baum.
Eine solche Regel kommt während der Inferenz
nicht zur Anwendung.
Unreferenced Facts analog zu unreferenced rules
Unreferenced Facts in Prämis-
sen Ein derartiges Faktum findet in keiner Prämisse
Verwendung ⇒ partielle Redundanz.
Unreferenced Facts in Konklu-
sionen Ein derartiges Faktum findet in keiner Konklu-
sion Verwendung ⇒ partielle Redundanz.
Unreferenced Facts in Prämis-
sen und Konklusionen ⇒ vollständige Redundanz
Die implementierten Prüfroutinen machen auf ein breites Feld von Fehlersituationen
aufmerksam und unterstützen die Phase der Wartung und Pflege. Sie wurden wäh-
rend des Aufbaus der Wissensbasis intensiv benutzt, so daß Fehlerzustände im Sys-
tem vermieden werden konnten. Sie wurden nicht als Teil der Shell implementiert,
sondern in Form von Tools, die auf eine bereits existierende Wissensbasis angewen-
det werden.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 91
5 VITAL&aktiv: Ein „intelligentes“ Gesund-
heitsberatungssystem
Der in der vorliegenden Arbeit dargestellte hybride Ansatz zur Verarbeitung von
Wissen wurde im Rahmen eines mehrjährigen interdisziplinären Projektes modell-
haft entwickelt und geichzeitig praxisnah erprobt.
In diesem Kapitel soll zunächst in die Thematik des Projektes eingeführt und an-
schließend die problemspezifischen Realisierungen an Beispielen erläutert werden.
5.1 Gesundheitsberatung als Aufgabe der Präventivmedizin
Den Begriff Gesundheit − im Volksmund oft als die Abwesenheit von Krankheit
verstanden − definiert die Weltgesundheitsorganisation (WHO) als das körperliche,
geistige und soziale Wohlbefinden. Unter ganzheitlichem Gesichtspunkt stellen dabei
die Aspekte Ernährung und Bewegung die tragenden Säulen der Gesundheit dar
[117]. Gesundheit und Glück gelten als Voraussetzung für Lebenszufriedenheit und
Lebensqualität.
Zur Diagnose von Gesundheit oder Krankheit wird in der medizinischen Theoriebil-
dung vor allem nach krankmachenden Faktoren gesucht. Sogenannte Risikofakto-
ren63 dienen dabei als Hinweis für die Entstehung von Krankheiten. Der medizini-
sche Fortschritt im apparativen und intensivmedizinischen Bereich kann jedoch nicht
darüber hinwegtäuschen, daß die Zahl der chronischen Erkrankungen deutlich zuge-
nommen hat.
Während im vorigen Jahrhundert Hunderttausende an Epidemien und Krankheiten
wie der Cholera oder Tuberkulose starben, hat der Mensch heute Gesundheitsprob-
leme, die mit Bewegungsarmut, Überernährung, Nikotin und zu hohem Alkoholkon-
63 Das Vorliegen eines Risikofaktors zeigt eine erhöhte Wahrscheinlichkeit für eine spätere Fol-
geerkrankung an. Diese Definition besagt jedoch nicht, daß ein ursächlicher Zusammenhang
zwischen der Erkrankung und dem Risikofaktor existiert.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 92
sum in Zusammenhang stehen. Auch die moderne Medizin kann bei vielen dieser
Beschwerdebilder keine Heilung herbeiführen.
Die Präventivmediziner sind sich darin einig, daß eine verbesserte Gesundheitsvor-
sorge dieser Entwicklung entgegenwirken kann. So bestätigen zahlreiche wissen-
schaftliche Untersuchungen die positiven Auswirkungen von gesundheitsfördernden
Maßnahmen auf das Wohlbefinden und die Leistungsfähigkeit. Sporttreibende sind
weniger anfällig für Krankheiten als Bewegungsmuffel. Besonders deutlich wird dies
bei Erkrankungen des Gefäß- und Herz-Kreislauf-Systems.
Ein weiteres Beispiel für sinnvolle Prävention ist die Ernährungsberatung. Ein Drittel
der Bevölkerung in der Bundesrepublik ist übergewichtig. Gleichzeitig liegt eine
Fehl- und Mangelernährung vor. Chronische Erkrankungen, die Knochen-, Band-
scheiben- und Gelenkbeschwerden verursachen, können dadurch ausgelöst oder un-
terstützt werden. Auch Krankheiten wie Gicht, Diabetes, Bluthochdruck oder Ma-
gen-Darm-Beschwerden können durch eine angepaßte und ausgewogene Ernährung
positiv beeinflußt werden.
Die Diskussion um Gesundheit und Gesunderhaltung als Voraussetzung für mehr
Lebensqualität nutzten die Krankenkassen, um mit präventiven Maßnahmen Kun-
denwerbung zu betreiben. Die AOK nennt sich aus diesen Gründen seitdem Gesund-
heitskasse. Die Kostenexplosion im Gesundheitswesen und zum Teil die inkompe-
tenten und wissenschaftlich nicht haltbaren präventiven Maßnahmen der Kranken-
kassen führten zur Rücknahme ihrer Finanzierung durch den Gesetzgeber. Es wird
nun verstärkt an die Eigenverantwortung des Menschen appelliert. Die Folge sind
gesundheitsorientierte Aktivitäten wie Wellness-Konzepte oder der Fitneßboom.
Diese werden nicht nur Trends der heutigen Zeit sein, sondern das Sozialverhalten
der kommenden Jahre mitbestimmen.
Die Grundregeln für eine gesunde Lebensweise müssen jedoch erlernt und trainiert
werden. Für die Methoden der präventiven Selbstmedikation scheint demnach Auf-
klärungsarbeit in der Bevölkerung notwendig zu sein. Ein ausgeprägtes Gesundheits-
bewußtsein erfordert neben der Eigenverantwortung jedoch auch die Kompetenz des
Menschen.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 93
5.2 Neue Wege der Selbstverantwortung durch Neue Medien
Die Bausteine Ernährung und Bewegung sind unter ganzheitlichem Gesichtspunkt
eng miteinander verknüpft und verlieren bei isolierter Betrachtung an Informations-
gehalt. Diese Interdependenzen sollten demzufolge interdisziplinär erörtert werden.
Die Präventivmedizin als die Medizin am Gesunden sieht ihre Aufgabe unter ande-
rem darin, in Zusammenarbeit mit anderen Wissenschaftsgebieten Präventivmaß-
nahmen zur Gesundheitsförderung zu erarbeiten und in Form von Beratungen anzu-
bieten. Die entwickelten Beratungskompetenzen müssen − z.B. durch den Einsatz
von Computern − allgemein verfügbar gemacht werden. Dabei müssen Beratungs-
programme nach LEITZMANN [83] folgende Bedingungen erfüllen:
• Die Gesundheitsberatung muß professionell sein. Es genügt nicht, Informatio-
nen nur zu präsentieren.
• Der Wissenstransfer muß mit einem Angebot zur Verhaltensänderung gekop-
pelt sein. Handlungsanweisungen zeigen dem Anwender den richtigen Weg zur
positiven Beeinflussung seines Organismus.
• Wer Gesundheitsförderung aus eigener Tasche bezahlt, möchte erst recht einen
echten Nutzen erkennen. Der Anwender muß imstande sein, Informationen und
Handlungsanweisungen umsetzen und dabei auch die positiven Aspekte erken-
nen können.
• Das vermittelte Fachwissen der Gesundheitsberatung muß auf dem aktuellen
Stand der Forschung und umfassend sein.
Das Ziel zukünftiger Gesundheitsförderung muß vor allem sein, jedem einzelnen
erkennbar zu machen, daß er zur Erhaltung seiner Gesundheit bzw. zu ihrer Wieder-
herstellung aktiv beitragen muß. Nach HOLLMANN [60] darf sich der Mensch „nicht
einfach nur passiv hinsetzen und sich etwas verschreiben oder hinlegen und sich ope-
rieren lassen“. Er muß selbst mitwirken, sich informieren und ggf. bereit sein, seine
Lebensweise zu ändern. Diese Erkenntnis eröffnet die Chance, Krankheiten nicht als
schicksalhaft anzusehen, sondern durch eigenes Zutun selbst zur Vorbeugung oder
Gesundung beizutragen [70].
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 94
5.3 Projektbeschreibung
Die interdisziplinären Entwicklungen auf den Gebieten Öcotrophologie, Sportmedi-
zin, Sportwissenschaft, Sportpsychologie und Informatik zum Aufbau eines Gesund-
heitsberatungsprogrammes halfen, ein Softwareprodukt zu realisieren, welches die
o.g. Bedingungen nach LEITZMANN [83] erfüllt.
5.3.1 Zielsetzung
Das Projekt stand unter der Zielsetzung, eine Software zu entwickeln, welche in der
Lage ist, die Beratungskompetenzen hinsichtlich der Themen Ernährung und Bewe-
gung hinreichend zu besitzen.
Das Präventionsprogramm soll den Nutzer in der Gesundheitsdiagnostik unterstützen
und ihm gezielte Ansätze zur individuellen Gesundheitsoptimierung bieten. Als Ziel-
gruppe kommen gesundheitsinteressierte Bevölkerungsschichten in Betracht, wobei
sich folgende Nutzergruppen unterscheiden lassen:
• Private Anwender (Eigenmotivation),
• Niedergelassene Ärzte (Gesundheitsberatung),
• Apotheker (Ernährungsanalyse, Substitutionshinweise) und
• Betreiber öffentlicher Anlagen (Bahnhöfe, Schulen, Flugplätze etc.), die ihr
Dienstleistungsangebot ausweiten wollen (Info-Terminals).
5.3.2 Interdisziplinäres Projektteam
VITAL&aktiv wurde in interdisziplinärer Zusammenarbeit verschiedener wissen-
schaftlicher Einrichtungen entwickelt. Für den Themenschwerpunkt Bewegung wa-
ren Mitarbeiter des Sportmedizinischen Institutes der Universität Dortmund sowie
Sportwissenschaftler und Sportpsychologen des Institutes für Prävention und Nach-
sorge, Köln verantwortlich.
Der Teil Ernährung wurde von Ernährungswissenschaftlern des Sportmedizinischen
Institutes und des Bereiches Hauswirtschaftslehre der Universität Paderborn entwi-
ckelt. Die Leitung des Projektes sowie die systemtechnische Umsetzung fand eben-
falls im Sportmedizinischen Institut der Universität Paderborn statt.
Im Rahmen der Fertigstellung als multimediales Programm wurde mit einer Multi-
media-Konzeptionistin und einer Werbeagentur kooperiert.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 95
5.4 Programmaufbau
Die nachfolgend beschriebenen Konzepte geben einen kurzen Einblick in die inhalt-
lichen Aspekte des Programms. Auf Detailausführungen muß an dieser Stelle ver-
zichtet werden.
Abb. 35:Das Programm VITAL&aktiv als Informationssystem.
VITAL&aktiv kann grundsätzlich als Informationssystem verstanden werden und
richtet sich an den gesundheitsinteressierten Menschen. Abb. 35 verdeutlicht die drei
informationellen Komponenten individuelle Information, allgemeine Information und
datenbankgestützte Information.
5.4.1 Individuelle Information
Die individuelle Gesundheitsberatung ist das zentrale Instrument des Systems. Hier
kommen die in der vorliegenden Arbeit beschriebenen Methoden und Verfahren zur
hybriden Wissensverarbeitung zum Einsatz und tragen zur Entscheidungsunterstüt-
zung und -findung im komplexen diagnostischen Prozeß bei.
Durch die Umsetzung des präventivmedizinischen Wissens kann dezentral eine com-
puterunterstützte, individuelle und gesundheitsorientierte Beratung durchgeführt
werden. Dabei ist auf die diagnostischen Strukturmerkmale zurückzugreifen, welche
in Kapitel 2.4 beschrieben wurden.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 96
Profilanalyse
Bilanzierung
Optimierung
Ernährung Bewegung
G e s u n d h e i t
Abb. 36:Ablauf einer individuellen Gesundheitsberatung
Im Rahmen eines Beratungsverlaufes sind grundsätzlich folgende drei Phasen zu
durchlaufen, welche der Abb. 36 entnommen werden können:
1. Profilanalyse durch interaktive Befragungstechniken und Erstellung von Soll-
wertempfehlungen im Rahmen der Diagnostik
2. Bilanzierung der aus den Profildaten diagnostizierten Ergebnisse mit den er-
rechneten Sollwerten, um quantitative und qualitative Aussagen zu erhalten.
3. Optimierung des gesundheitsorientierten Verhaltens durch Generierung von
optimierten Plänen zum Thema Ernährung und Bewegung.
5.4.1.1 Datenerfassung
Im Rahmen der Diagnostik ist eine umfangreiche Erfassung persönlicher Daten not-
wendig, um das zu beurteilende Gesundheitsprofil zu erstellen. VITAL&aktiv erlaubt
als dynamisch intelligentes System die schrittweise Eingabe der Daten. Durch inter-
aktive Befragungstechniken werden die einzelnen Diagnosechecks in beliebiger Rei-
henfolge „abgearbeitet“. Nach jedem Schritt erhält der Anwender die diagnostische
Auswertung und Beratung, die mit zunehmendem Wissen des Systems über den An-
wender komplexer wird.
Folgende Checks (Abb. 37) wurden entwickelt, um ein aussagekräftiges Gesund-
heitsprofil zu ermitteln:
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 97
Stammdaten:
Die Stammdatenanalyse dient im wesentlichen dazu, Sollwerte zu ermitteln bzw.
zu initialisieren. Hier werden anthropometrische Daten wie Alter, Größe und
Gewicht erfaßt und bewertet, die anschließend in die Ernährungs- bzw. Bewe-
gungsanalyse einfließen.
Fett-Check:
Dieser Check verrät in Kürze, wie fettreich die Ernährung ist, die sich der An-
wender zuführt.
Alkohol-Check:
Dieser Fragebogen erfaßt Aussagen über die Trinkgewohnheiten und verrät, ob
der Alkoholkonsum vertretbar ist.
Ernährungs-Kurzcheck:
Ob die Ernährung ausgewogen ist, verrät der Ernährungs-Check in 5 Minuten.
Verzehrs-Check:
Das zentrale Diagnoseinstrument im Ernährungsbereich ist der Verzehrs-Check.
Dieser befragt den Anwender am Bildschirm über die Verzehrmenge- und häu-
figkeit von 170 Lebensmitteln. Die der Ernährungsanalyse zugrundeliegende
Food-Frequency-Methode64 (d.h. die Erfassung der Häufigkeit des Verzehrs)
und deren diagnostische Bewertungsmethodik wurde im Sportmedizinischen In-
stitut der Universität-GH Paderborn im Rahmen eines Pilotprojektes auf seine
Gültigkeit und Reproduzierbarkeit hin untersucht und validiert.
Activity-Check:
Über Fragen zur körperlichen Beanspruchung werden persönliche Bilanzen hin-
sichtlich der körperlichen Aktivität in den 3 Lebensbereichen Alltag, Beruf und
Freizeit aufgestellt sowie qualitativ bewertet. Meßinstrument hierfür ist der zu-
sätzliche Kalorienumsatz durch gezielte Bewegung.
Typologie-Check:
Der Typologie-Check erfaßt zwei wichtige Komponenten, die Auswirkungen auf
die Gesundheit und das Wohlbefinden haben. Dies ist einerseits der Faktor
64 siehe Kapitel 5.5.1
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 98
Streß, welcher nicht grundsätzlich als schlecht zu bezeichnen ist, dessen Extre-
me jedoch negative Folgen für den Menschen haben kann. Die Komponente
Seelische Gesundheit stellt einen weiteren wichtigen Einflußfaktor auf das all-
gemeine Gesundheitsbefinden dar und gibt Hinweise über Selbsbewußtsein und
Unabhängigkeit.
Sporttypologie-Check:
Dieser Fragebogens beurteilt Ziele und Wünsche des Anwenders hinsichtlich
sportlicher Betätigung.
Fitneß-Check:
Die Messung und Beurteilung des Fitneßneveaus wird mit Hilfe verschiedener
Übungen bzgl. der vier motorischen Grundfähigkeiten Beweglichkeit, Koordina-
tion, Ausdauer und Kraft durchgeführt.
Mein
7-Tage-Plan
__
_
__
Activity-
Check Typologie
Check
Sport-
typologie-
Check
Fett-
Check Alkohol-
Check Ernähr.-
Check Verzehrs-
Check
Fitneß-
Check
Gesundheits-
interessierter
Mensch
Abb. 37:Komponenten der Datenerfassung in VITAL&aktiv
5.4.1.2 Datenbewertung
Die Auswertung der über interaktive Befragungstechniken ermittelten Profildaten
unter diagnostischen Gesichtspunkten und ihre Umsetzung in Handlungsanweisun-
gen im Sinne einer Gesundheitsberatung und -optimierung stellt neben der diagnosti-
schen Modellierung den schwierigsten Prozeß innerhalb der Entwicklung des wis-
sensverarbeitenden Systems dar.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 99
Dafür sind mehrere Gründe anzuführen:
1. Die diagnostischen Bewertungen müssen durch umfangreiche Tests und Pilot-
phasen abgesichert werden, um dezentral einsetzbar zu sein.
2. Das wissensverarbeitende System zur Umsetzung der diagnostischen Prozesse
bedarf einer nicht zu unterschätzenden Validierung und Wartung.
3. Die zugrundeliegende Datenvielfalt (vor allem jedoch die daraus resultierende
kombinatorische Vielfalt im Rahmen einer individuellen Bewertung) wird weit
unterschätzt. So gibt es beispielsweise bei einer einfachen Bewertung (3 Klas-
sen) der Versorgungszustände bei 20 Nährstoffen insgesamt 3,5 Milliarden
(320) Kombinationsmöglichkeiten!
Eine qualitativ hochwertige Individualisierung der computerunterstützten Beratung
läßt sich nur unter strenger Einhaltung der strukturellen Grundkonzepte erreichen.
Beim Entwurf der diagnostischen Empfehlungsstrukturen hinsichtlich einer Gesund-
heitsoptimierung wurde besonderer Wert darauf gelegt, unter Beibehaltung der Mo-
delle die Erweiterbarkeit des Differenzierungsgrades für Folgeversionen des Pro-
grammes sowohl in der Breite als auch in der Tiefe zu gewährleisten.
Für die Bewertung der über Fragebögen generierten Profildaten werden zwei Ansät-
ze realisiert: die Einzelbewertung der Fragebögen und die Gesamtbewertung.
Einzelbewertung:
Die Einzelbewertung jedes Fragebogens hat den Vorteil, daß die hierfür nötige Da-
tenmenge überschaubar und detailliert auswertbar vorliegt. Weiterhin besteht die
Möglichkeit, gezielter auf Einzelbeobachtungen (z.B. Streßverhalten, seelische Ge-
sundheit) einzugehen, als dies in der Gesamtbewertung möglich ist.
Dennoch ist auch hier nicht zu unterschätzen, daß eine exakte Individualisierung der
Empfehlungen eine beachtliche Variationsbreite an Informationseinheiten voraus-
setzt.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 100
Gesamtbewertung:
Die Gesamtbewertung im Sinne einer umfassenden Handlungsempfehlung (ganz-
heitliche Pläne zur Gesundheitsanalyse und -optimierung) steht jedoch als grundle-
gendes diagnostisches Ziel im Mittelpunkt des Interesses. Bei diesem Ansatz werden
alle Profileinzeldaten zusammengefaßt und in ihrer Gesamtheit bewertet.
Zur Reduktion der Auswertungsvielfalt werden dabei zwei Techniken eingesetzt: Mit
Hilfe einer reduktiven Diagnostik lassen sich die umfangreichen Profildaten stark
einschränken. Für die Bewertung werden anschließend lediglich die Diagnosen he-
rangezogen.
Die zweite Technik läßt sich mit dem Begriff Rasterbildung beschreiben. Dabei wer-
den Empfehlungen in voneinander unabhängige Teilempfehlungen gegliedert, für
deren Erstellung weniger Parameter berücksichtigt werden müssen, ohne dabei die
Individualität der Empfehlung zu beeinträchtigen.
5.4.1.3 Verknüpfungsansätze
Neben der rein isolierten Betrachtungsweise der Themenschwerpunkte Ernährung
und Bewegung findet eine Verknüpfung der Diagnostik in beiden Bereichen auf kalo-
rischer Ebene statt. Die individuellen Empfehlungen im Bewegungsbereich (z.B.
Auswahl der Sportarten) werden durch Faktoren wie Gewichtsklasse und Kalorien-
zufuhr beeinflußt. Weiterhin berücksichtigen die praktischen Ernährungsrichtlinien
das Aktivitätsverhalten (siehe Sportliche Vorerfahrung) des Benutzers. Daraus resul-
tiert unter dem Aspekt der Gesunderhaltung bzw. Leistungssteigerung für den aktiv
Sporttreibenden eine erhöhte Zufuhrempfehlung an Flüssigkeit, Kohlenhydraten so-
wie Mineralstoffen und Spurenelementen (durch Verweis auf entsprechende Nah-
rungsmittel oder Änderung der Ernährung).
5.4.2 Allgemeine Information
Im Rahmen der individuellen Gesundheitsberatung wird auf viele Informationen zu-
rückgegriffen, welche keiner Individualisierung bedürfen. Dabei handelt es sich um
allgemeingültige Definitionen und Beschreibungen von präventivmedizinischen In-
halten, die als index- und themenorientierte Konzepte realisiert wurden. Diese sind
im Programm in einer Art Bibliothek abgelegt. Der Benutzer kann in Lexika stöbern
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 101
oder sich detaillierte Informationen zu den Bereichen Ernährung und Bewegung aus
bereitstehenden Büchern (Datenbanken) holen.
5.4.3 Datenbankgestützte Information
Dem Programm liegen u.a zwei umfangreiche Datenbanken zugrunde. Die Lebens-
mitteldatenbank enthält ca. 1000 Datensätze und dokumentiert für jedes eingetragene
Lebensmittel 35 Nährstoffwerte. Die Energieverbrauchstabelle beinhaltet kalorische
Daten für eine umfangreiche Sammlung von Alltags-, Berufs- und Freizeitaktivitä-
ten.
Auf diesen beiden Datenbanken wurden Rechercheroutinen implementiert.
Die über Suchanfragen selektierten Lebensmittel und Aktivitäten lassen sich in ei-
nem Tagebuch protokollieren, um eine exakte Nährstoffüberwachung zu gewähr-
leisten.
Weiterhin steht ein 333 Menüs umfassendes Kochbuch zur Verfügung. Die Rezepte
können eigenen Bedürfnissen und Vorlieben angepasst und erweitert werden. Sie
lassen sich auf Nährstoffbasis bilanzieren und werden schwerpunktmäßig in der Er-
nährungsoptimierung eingesetzt.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 102
5.5 Wissensverarbeitende Techniken in der Gesundheitsberatung
In Kapitel 3 wurden die wichtigsten grundlegenden intelligenten Techniken zur Wis-
sensverarbeitung konzeptionell dargestellt65. Auch die Integrationsmöglichkeiten der
einzelnen Verfahren zu einem hybriden Gesamtsystem und die praxisnahmen Ent-
wurfsentscheidungen wurden erläutert.
Unter der Zielsetzung der Modellierung und Entwicklung eines qualitativ hochwerti-
gen Softwareinstrumentes für den wissensintensiven Bereich Gesundheitsberatung
war der Einsatz verschiedener Techniken zur Lösung unterschiedlicher Teilprobleme
unerläßlich. Bei der Anwendung der einzelnen Verfahren zur Lösung von Problemen
wurde dabei jedoch oft pragmatisch gehandelt. Eine experimentelle Analyse und
Gegenüberstellung der Ergebnisse unterschiedlicher, allerdings auf gleiche Teil-
probleme angewandte Verfahren zur Etablierung einer Technik, war aus praktischer
Sicht nicht notwendig und unter zeitlichen Gesichtspunkten nicht durchführbar.
Im folgenden wird der praxisnahe Umgang mit dem im Rahmen dieser Arbeit entwi-
ckelten wissensverarbeitenden System erläutert.
5.5.1 Symbolische Wissensverarbeitung
Der Einsatz regelbasierter Techniken, so wie sie in der klassischen Expertensystem-
technologie Verwendung finden, wurde bei der Implementierung der problemspezifi-
schen Verfahren weitestgehend favorisiert. Während der Entwurf der diagnostischen
Komponenten den Einsatz aller in Kapitel 3 vorgestellten Techniken realisiert, wurde
bei der Entwicklung der Planungskomponente zur Generierung von Handlungsemp-
fehlungen ausschließlich mit dieser Methodik gearbeitet. Dadurch konnten die Kau-
salzusammenhänge bei der Auswahl einzelner Therapiemaßnahmen sichergestellt
werden.
Die bereits angesprochenen Vorteile der symbolischen Wissensverarbeitung mittels
regelverarbeitender Verfahren, nämlich Modularität, Strukturierbarkeit und Erwei-
terbarkeit, ermöglichten den schrittweisen und strukturierten Aufbau einer umfang-
reichen Wissens- und Regelbasis. Nur dadurch konnte die Komplexität des zugrun-
deliegenden präventivmedizinischen Problems adäquat modelliert werden. Weiterhin
65 Im Rahmen dieser Arbeit sind natürlich nur Ausschnitte der einzelnen wissenschaftlichen Ge-
biete skizzierbar.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 103
erleichterte die Erklärungsfähigkeit des entwickelten wissensverarbeitenden Werk-
zeuges − unter Verwendung von Entscheidungsbäumen − die Validierungs- und
Wartungsphase.
Als Beispiel einer symbolischen Wissensverarbeitung in VITAL&aktiv sei das Teil-
problem der Food-Frequency-Analysis [143] näher erläutert, welches im Rahmen der
Ernährungsberatung als Analyse-, Diagnose- und Beratungsinstrument eingesetzt
wird. Hierbei handelt es sich um einen klassischen Fall eines diagnostischen medizi-
nischen Prozesses, so wie er in Kapitel 2.4 formalisiert wurde.
5.5.1.1 Problemstellung
Nachfolgend wird ein Ansatz für eine rechnergestützte Ernährungsanalye im Rahmen
des Präventionsprogrammes vorgestellt. Primäres Ziel ist eine quantitative und qua-
litative Bewertung der Nährstoffversorgung in präventivmedizinisch wichtigen Be-
reichen, die darüber hinaus Rückschlüsse auf den Ernährungsstatus und die Ernäh-
rungsgewohnheiten ermöglichen.
In den Ernährungswissenschaften werden zur Ermittlung von Ernährungsinformatio-
nen verschiedene Methoden eingesetzt, die sich grundsätzlich in prospektive und
retrospektive Verfahren einteilen lassen [125]. Während die prospektiven Erhe-
bungsmethoden die Erfassung der aktuellen Ernährungssituation zum Ziel haben,
analysieren retrospektive Methoden das Ernährungsverhalten eines festgelegten zu-
rückliegenden Zeitraumes. Erhebungen können die Ernährung kürzerer oder längerer
Zeiträume abbilden. Die Auswahl der richtigen Methode hängt dabei von verschie-
denen Faktoren ab, wie
• Fragestellung und Zielsetzung der Erhebung
• Zielgruppe: Individuum, Haushalt, Bevölkerungsgruppe, Nationalität,
• Erforderliche Meßgenauigkeit,
• Kosten und andere Ressourcen,
• Zeitraum der Ernährungserhebung,
Die Vor- und Nachteile der einzelnen Methoden hinsichtlich des praktischen Einsat-
zes sind demnach sorgfältig zu analysieren. Im Rahmen dieser Arbeit kann jedoch
auf die Auswahlkriterien der Food-Frequency-Analysis-Methode nicht näher einge-
gangen werden ([143],[125]). Theoretische wie praktische Gesichtspunkte favori-
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 104
sierten dieses retrospektive Instrument zur Erhebung von Informationen über die
langfristige Ernährungsweise. Das Analyseverfahren und deren diagnostische Be-
wertungsmethodik wurden im Sportmedizinischen Institut der Universität Paderborn
in mehreren Pilotprojekten auf ihre Gültigkeit und Reproduzierbarkeit hin untersucht
und validiert.
Mit Hilfe der Food-Frequency-Analysis-Methode werden die Verzehrshäufigkeiten
von Lebensmitteln pro Zeiteinheit erfaßt. Um effektive Verzehrsmengen berechnen
zu können, werden die Verzehrsfrequenzen algorithmisch mit festgelegten Portions-
größen kombiniert und mit Datenbankwerten verrechnet. Als Grundlage dient dabei
ein Fragebogen häufig verzehrter Lebensmittel, der mittels Ankreuztechnik ausge-
füllt wird.
Abb. 38:Auszug aus dem Ernährungsfragebogen von VITAL&aktiv.
Die Nährwertberechnung erfolgt datenbankgestützt für zwanzig aus präventivmedi-
zinischer Sicht wichtige Nährstoffe. Die Bilanzierung und Bewertung der Nährstoff-
zufuhr setzt Richtwerte für die Zufuhrempfehlungen voraus. Die Empfehlungen der
Deutschen Gesellschaft für Ernährung (DGE) für die Nährstoffzufuhr sind zur De-
ckung des physiologischen Bedarfs an Nährstoffen in der gesunden Bevölkerung
konzipiert. Im Programm VITAL&aktiv wurden diese Richterte dem heutigen Wis-
sensstand angepaßt. Die eingebrachten Korrekturfaktoren berücksichtigen den er-
höhten Bedarf für einzelne Nährstoffe in Abhängigkeit von Alter, Geschlecht und
vor allem von individuellen Situationen, z.B. Nikotin- und Alkoholkonsum, psychi-
schem Stress, intensiver körperlichen Belastung oder Schwangerschaft. Dadurch
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 105
wird versucht, neueren Erkenntnissen zur Gesunderhaltung bis hin zur sekundären
Prävention chronischer Erkrankungen Rechnung zu tragen.
5.5.1.2 Modellrealisierung
Beim Aufbau und der Implementierung der Wissensbasis für das vorliegende dia-
gnostische Teilproblem aus dem Bereich Ernährung wurde streng nach diesem kon-
zeptionellen Schema vorgegangen66. Dabei wurde der Beratungsprozeß in die Ar-
beitsschritte Befragung, Interpretation, Diagnostik und Planung unterteilt.
Befragung
In der Befragung werden die für den diagnostischen Vorgang benötigten fallspezifi-
schen Symptome bzw. Rohdaten erhoben. Die Befragungsstrategie ist dabei durch
das Regelsystem mittels Metaregeln67 steuerbar.
Stamm-
daten
Befragung
Verzehr-
daten
personen-
spezifische
Daten
Energie-
umsatz Streß
antropome-
trische
Daten
Risiko-
faktoren
Nährstoff-
zufuhr Lebensmittel-
zufuhr
Abb. 39:Struktureller Aufbau des Teilproblems Befragung der realisierten Food-
Frequency-Analysis
Das vorliegende ernährungswissenschaftliche Beratungsproblem macht allerdings
eine Vorverarbeitung der über den Food-Frequency-Fragebogen eingegebenen Daten
notwendig. Dabei werden mit Hilfe der Einträge der Tabelle (Häufigkeit und Ver-
66 An dieser Stelle sei darauf hingewiesen, daß auch alle anderen Teilprobleme in VITAL&aktiv,
welche mittels der symbolischen Wissensverarbeitung bearbeitet werden, dieser formalen Mo-
delierung unterliegen, um eine saubere diagnostische Struktur zu realisieren.
67 Metaregeln werden auch als Wissen über das Wissen bezeichnet.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 106
zehrmenge) zunächst über entsprechende Datenbankzugriffe68 die numerischen Zu-
fuhrwerte der zu betrachtenden essentiellen Nährstoffe ermittelt. Die Ergebnisse die-
ser Datenbankanalyse dienen dem wissensverarbeitenden System bei der symboli-
schen Lösung des Teilproblems Food-Frequency-Analysis als initiale Befragungs-
daten.
Interpretation
In der Phase der Interpretation werden die Befragungsdaten gemäß praxisnaher Er-
kenntnisse modifiziert und mit ernährungswissenschaftlichen Referenzwerten bilan-
ziert. Durch eine Modifikation der Nährstoffzufuhrwerte können beispielsweise
Verluste von Vitaminen und Mineralstoffen bei der Nahrungszubereitung modelliert
werden, die im Fragebogen nicht berücksichtigt werden können. In VITAL&aktiv
liegen die Werte der DGE zugrunde.
Voraussetzung für die in dieser Phase durchgeführten Ernährungsbilanz (Bilanz auf
Nährstoffebene und auf Lebensmittelgruppenebene) sind zwei Referenztabellen: Die
individuelle Nährstofftabelle, die für jeden der betrachteten essentiellen Nährstoffe
den numerischen Empfehlungswert definiert, und eine weitere Tabelle, welche Aus-
kunft über den Bedarf an bestimmten Lebensmittelgruppen für die entsprechende
Person gibt.
Die individuellen Bedarfsempfehlungen für Nährstoffe in VITAL&aktiv unterschei-
den sich in einigen Punkten von denen der DGE. Neueste wissenschaftliche Erkennt-
nisse sprechen dafür, daß eine gute Versorgung mit Folsäure, Vitamin C und E, ß-
Carotin, Calcium, Magnesium und Zink der Entstehung bestimmter degenerativer
Erkrankungen, wie z.B. Krebs und Arteriosklerose, entgegenwirken kann.
Die Werte der individuellen Nährstofftabelle werden im Laufe der Konsultationen
des Benutzers mit dem wissensverarbeitenden System ständig neu angepaßt.
Folgende Parameter finden dabei Berücksichtigung: Alter, Geschlecht, Energiehaus-
halt, Schwangerschaft, Stillen, Rauchen und Streß.
Als Referenzwerte für die individuellen Empfehlungen bzgl. der Verzehrsmenge
einzelner Lebensmittelgruppen konnten die Ergebnisse einer Studie von
68 Dem Programm liegt eine umfangreiche Lebensmittedatenbank von ca. 1000 Lebensmitteln
zugrunde, die speziell für VITAL&aktiv erstellt wurde.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 107
WESTENHÖFER [138] herangezogen werden. Die von ihm publizierten Werte werden
in Abhängigkeit von der über die Nahrung zugeführten Energiemenge ermittelt.
Die individuelle Ernährungsbilanz, die diese Interpretationsphase abschließt, be-
schränkt sich nun auf folgende einfache Verrechnungen:
• Ermittlung der prozentualen Versorgungszustände mit Nährstoffen
• Ermittlung der prozentualen Anteile an der Energiezufuhr bei Fett, Eiweiß und
Kohlenhydraten
• Berechnung der prozentualen Zufuhr von Nährstoffen zur Deckung des ermit-
telten individuellen Bedarfs
Diagnostik
In der Teilphase Diagnostik werden die vorinterpretierten Werte nun zur Klassifika-
tion herangezogen und durch die Zuweisung linguistischer Symbole eindeutig be-
wertet. Da in der Phase der Interpretation bei der Bilanzierung der Nährstoffzufuhr-
werte bereits die ernährungswissenschaftlich relevanten persönlichen Daten Berück-
sichtigung finden, kann dieser Klassifikationsprozeß sehr einfach konzipiert und
implementiert werden. Die prozentualen Zufuhrwerte der einzelnen Nährstoffe wer-
den dabei in Klassen wie wenig, bedenklich, gut und sehr gut eingeteilt. Jeder Nähr-
stoff besitzt ein individuelles Klassifikationsmuster.Ein einfaches Beispiel ist der
Tab. 5 zu entnehmen.
Tab. 5:Bewertung der Zufuhr an Kalorien (GCAL) durch eine einfache Klassifikation
des zugrundeliegenden Bilanzwertes (GCAL_%), in dem die ernährungswissen-
schaftlich relevanten Informationen berücksichtigt sind.
Zufuhr an Kolorien =wenig ⇔GCAL_% < 75
(GCAL) =normal ⇔75 <= GCAL_% < 100
=gut ⇔100 <= GCAL_% < 125
=viel ⇔125 < GCAL_% < 150
=sehr_viel ⇔150 <= GCAL_%
Analog dazu werden auch die Werte der zugeführten Lebensmittelgruppenmengen
mit Hilfe eines einfachen Klassifikationverfahren beurteilt und diagnostiziert.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 108
Planung
Die Bewertung der Diagnosen − unter Berücksichtigung von Rohdaten und Zwi-
schenergebnissen − findet in der Phase der Planung statt, in der basierend auf den
diagnostischen Zielsetzungen, die im Diagnoseprofil festgelegt sind, Handlungsemp-
fehlungen in Form von mediendidaktisch aufbereiteten Informationseinheiten bereit-
gestellt werden.
Voraussetzungen für die Planungskomponente ist ein Protokoll-Plan, der mit Hilfe
der Skeletting-Planing-Technik [108] konzeptioniert und implementiert werden
kann. Dabei wird das Konstruktionswissen hierarchisch in einem nicht-rekursiven
Und-Oder-Graphen strukturiert, dessen Expansion mit heuristischen Regeln gesteuert
wird.
Der individuell zusammengesetzte Protokoll-Plan wird mittels eines Schablonenver-
fahrens repräsentiert. Durch die geforderte und zur Verfügung stehende Hypermedia-
Technik werden die Gesamtinformationen der Handlungsanweisungen mediendidak-
tisch so konzipiert, daß die Informationseinheiten strukturiert und übersichtlich wei-
tergegeben werden können69. Seitenorientierte Darstellungen werden durch Schablo-
nen realisiert, welche aus statischen und dynamischen Elementen bestehen. Durch
entsprechende Importroutinen, die beliebig anpaßbar und erweiterbar sind, werden
die entsprechenden Seiten vor der Weitergabe an den Benutzer individuell zusam-
mengestellt. Mit Hilfe eines „Drehbuches“ können diese Schablonen dokumentiert
werden.
5.5.2 Subsymbolische Wissensverarbeitung
Subsymbolische bzw. konnektionistische und somit numerische Verfahren werden in
diagnostischen Problemlösungen eingesetzt, um Aufgaben synthetischer Natur zu
bearbeiten. Diese lassen sich meist nicht durch kausale Logiken definieren und z.B.
mittels symbolischer Repräsentationen formalisieren. Weitere Entscheidungsgründe
für diese Technik wurden bereits in Kapitel 3.3 aufgeführt.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 109
Während der Modellierung von Problemstellungen aus der präventivmedizinischen
Diagnostik wurde in einigen Fällen erkannt, daß eine strukturierte und analytische
Lösung hierfür zu aufwendig ist. Aufgrund des qualitativ komplexen und quantitativ
umfangreichen Wissens fließen oft zu viele Parameter in die diagnostischen Überle-
gungen ein, die dazu noch ungenau sind oder unvollständig zur Verfügung stehen.
Eine Entscheidungsfindung kann in diesem Fall meist nur assoziativ durchgeführt
werden.
Ziel einer dynamisch intelligenten und situationsgemäßen Gesundheitsberatung ist
es, bei Bedarf individuelle Handlungsempfehlungen auszusprechen, auch wenn z.B.
nicht alle diese Werte zur Verfügung stehen.
Der Verzicht bzw. Verlust von Kausalität kann bei einer adäquaten subsymbolischen,
also numerischen Modellierung im Sinne einer assoziativen Diagnostik oftmals in
Kauf genommen werden.
5.5.2.1 Problemstellung
Im Rahmen der komplexen präventivmedizinischen Diagnostik liegt die Beratungs-
kompetenz von VITAL&aktiv beispielsweise darin, nach Abarbeitung eines oder
mehrerer Checks eine Anzahl von 45 Sportarten individuell so zu bewerten und ein-
zustufen, wie sie für den Gesundheitsinteressierten gemäß seiner Vorgaben (Para-
meter) geeignet sind. Bei der Modellierung dieser Aufgabenstellung lagen die oben
genannten Entscheidungsgründe vor. Ein kausales Modell in Form von Regeln zur
diagnostischen Bewertung der einzelnen Sportarten wäre in diesem Ansatz nicht
vertretbar gewesen. Auch unter der Voraussicht, daß nicht immer alle Parameter zur
Verfügung stehen und dazu noch aufgrund von vielleicht unsicheren Vordiagnosen
ungenau sind, wurde hierfür ein assoziativer Ansatz mittels konnektionistischer Me-
thoden gewählt.
5.5.2.2 Modellrealisierung
Die Bewertungseinheiten einzelner Sportarten werden mit Hilfe sogenannter assozi-
ativer Matrizen [91] verwaltet. Diese Tabellen sind aus diagnostischer Sicht beliebig
erweiterbar, zum einen durch Hinzufügen neuer Sportarten, zum anderen durch Ein-
69 An dieser Stelle kann man von einem verteilten Informationssystem sprechen.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 110
beziehung neuer diagnostischer Parameter. Ein Ausschnitt einer solchen Tabelle ist
der Abb. 40 zu entnehmen.
Abb. 40:Auszug der assoziative Matrix für die individuelle Bewertung von verschiedenen
Sportarten
In der assoziativen Matrix sind Bewertungen für Sportarten nach dem Prinzip des
Ausschlusses eingetragen und präventivmedizinisch begründet. Der Wert 0 für einen
vorliegenden Parameter signalisiert absolut nicht geeignet bzw. aus präventivmedizi-
nischer Sicht verboten, während eine 1 ohne Bedenken definiert. Jeder individuelle
Parameter, der in diese assoziative Diagnostik einfließt − ausgedrückt durch eine
Anzahl von Spalten gemäß seiner Ausprägung − , wird darüber hinaus nach seiner
präventivmedizinischen Relevanz im Rahmen dieses Teilproblemes gewichtet. So ist
beispielsweise ein bestehendes Übergewicht wichtiger für den Ausschluß von Sport-
arten als ein seelisches Ungleichgewicht.
Die Bewertung einzelner Symptome kann im vorliegenden Verfahren auch mit Hilfe
der Fuzzy-Logik vorgenommen werden (vgl. hierzu Kapitel 3.4.2).
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 111
Die mehrdimensionale Bewertung der individuellen Parameter läßt sich durch ent-
sprechende mathematische Konnektoren erreichen. Für die Darstellung der logischen
Verknüpfung UND wurden in Kapitel 4.4.3.1 das harmonische, das geometrische
und das arithmetische Mittel erwähnt. Auch der klassische Minimum-Operator wird
an dieser Stelle häufig verwendet.
An einen UND-Operator für die Anwendung in der mehrdimensionalen individuellen
Bewertung von Sportarten wird folgende Anforderung gestellt: Der Operator muß
auf jeden Fall den Wert 0 erzeugen, wenn auch nur ein einziger Wert der Spalte eine
0 besitzt. Das Ausschlußkriterium darf nicht durch andere positive Bewertungen
kompensierbar sein.
Von den Durchschnittsoperatoren, die für die Realisierung einer UND-Verknüpfung
eingesetzt werden können, fällt der Operator der arithmetischen Mittelung wegen der
Verletzung dieser Forderungen aus. Die beiden Operatoren geometrische Mittelung
und harmonische Mittelung zeigen die gewünschten Eigenschaften. Im praktischen
Einsatz im Rahmen der individuellen Bewertung von Sportarten wird die harmoni-
sche Mittelung eingesetzt.
Für jede Sportart wird eine derartige mehrdimensionale Bewertung durchgeführt,
wobei nur Parameter in die Berechnung eingehen, die vorhanden sind. Die Unge-
nauigkeit von Werten drückt sich durch einen Sicherheitsfaktor (certainty factor)
aus, so wie er für die generelle Verarbeitung von unsicherem Wissen eingeführt wur-
de (siehe hierzu Kapitel 3.4).
Das Ergebnis dieser mehrdimensionalen Bewertung drückt sich in einem numeri-
schen Wert im Intervall von 0 bis 1 aus. Auch hier bedeutet der Wert 0 für eine
Sportart absolut nicht geeignet und führt dazu, daß diese Sportart aus Liste gestri-
chen wird, während eine 1 ohne Bedenken definiert. An Hand dieser Gesamtbewer-
tungen ist nun ein Ranking anzugeben, welches darüber Auskunft gibt, welche
Sportarten aus präventivmedizinischer Sicht für den Benutzer am besten geeignet
sind.
Die Assoziativität dieses Verfahrens läßt keine Introspektion in den diagnostischen
Hergang zu. Begründungen für die Präferenzliste können demnach nicht gegeben
werden.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 112
5.5.3 Fuzzy-Logik
Teilbereiche des vorliegenden diagnostischen Prozesses aus dem Bereich der Prä-
ventivmedizin kann man als klassische Anwendungsfälle für die unscharfe Logik
betrachten. Das fachspezifische Wissen zur Erstellung wichtiger Diagnosen baut
nämlich auf vielen unscharfen Informationen und vagen quantitativen sowie qualita-
tiven Entscheidungen auf. Dies ist zum einen darauf zurückzuführen, daß der Infor-
mationsgehalt scharfer Parameter in der medizinischen Theorie unterschiedlich be-
urteilt wird, und zum anderen die praktischen Meßgrößen nur eine indirekte Begrün-
dung für objektive Sachverhalte darstellen.
Das im Rahmen dieser Arbeit entwickelte System zur hybriden Wissensverarbeitung
realisiert die Anwendung von Fuzzy-Logik für verschiedene Einsatzbereiche. Die
praxisnahe Umsetzung wird nachfolgend beispielhaft erläutert.
5.5.3.1 Problemstellung
Die unscharfe Logik ermöglicht als Erweiterung der klassischen zweiwertigen Logik
die Modellierung von Bewertungsverfahren, die durch numerische Klassifkationme-
chanismen nur schlecht realisierbar sind70.
Im Rahmen der Ernährungsberatung müssen bei der Lösung von Teilproblemen die
Zufuhrwerte71 von essentiellen Nährstoffen bewertet werden. Die der Bilanzierung
zugrundeliegenden Referenzwerte (z.B. Empfehlungen der DGE) gelten zwar als
wissenschaftlich gesichert, können allerdings aufgrund der komplexen biochemi-
schen Zusammenhänge im Organismus nur sehr vage definiert werden.
5.5.3.2 Modellrealisierung
Die Zugehörigkeitsfunktionen zur linguistischen Bewertung der Zufuhrwerte von
Nährstoffen lassen sich im Anwendungsfall dabei wie in Abb. 41 typisieren. Ein
Nährstoff, der durch den Typ 1 repräsentiert wird, repräsentiert die ernährungswis-
senschaftlichen Empfehlung, daß dieser aus gesundheitlichen Gründen nur in be-
70 Die Bewertungskriterien und -verfahren basierend auf der Theorie unscharfer Mengen mittels
Zugehörigkeitsfunktionen wurde im Kapitel 3.4.1 erläutert.
71 Bereits die Zufuhrwerte unterliegen zum Teil gravierender intrapersoneller Schwankungen
(z.B. aufgrund von Fehleinschätzungen von Portionsgrößen). Diese Werte gelten daher als un-
sicher.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 113
grenzten Maßen aufgenommen werden sollte („je weniger, desto besser“). Dahinge-
gen wird die Aufnahme von Typ 2 - Nährstoffen vermehrt empfohlen („je mehr desto
besser“). Eine Zwischenstellung nimmt der Typ 3 ein („nicht zuwenig und nicht zu-
viel“).
0
1
0
1
0
1
z.B. Cholesterin
Typ 1 Typ 2 Typ 3
z.B. Vitamin C z.B. Eisen
Abb. 41:Einteilung der Zugehörigkeitsfunktionen, so wie sie bei der Bewertung der Nähr-
stoffzufuhrwerte verwendet werden, in drei Typklassen.
Die Parameter zur Definition der Zugehörigkeitswerte werden während des Bera-
tungsprozesses dynamisch gesetzt. Die im Rahmen dieser Arbeit entwickelte und in
das hybride System integrierte Inferenzmaschine ist in der Lage, im Aktionsteil einer
Regel implementierte Sonderfunktionen zu verarbeiten72. Für spezielle Aufgaben im
Umgang mit Zugehörigkeitsfunktionen stehen mehrere Routinen zur Verfügung. Die
Aufrufparameter dieser Funktionen werden mittels eines implementierten Formelin-
terpreters73 ausgewertet, und können somit aus komplexen mathematischen Berech-
nungsverfahren bestehen.
Die Inferenzroutine fuzzyinit:
Linguistischen Variablen und deren Zugehörigkeitsfunktionen werden beim Aufbau
einer Wissensbasis Standardwerte zugewiesen. Diese Parameter dienen als Initialisie-
rungswerte im wissensverarbeitenden Prozeß. Um diese Variableneinstellungen zur
72 Neben diesen hier dargestellten Inferenz-Routinen können im vorliegenden Modellansatz Ak-
tionen wie STOP oder CANCEL im Aktionsteil einer Regel definiert werden, um den Infe-
renzprozeß zu steuern.
73 Die grundlegenden Entwurfsentscheidungen bei der Definition von Grammatiken und Imple-
mentierung von Parsern zum Aufbau eines Formelinterpreters sind der entsprechenden Com-
pilerbau-Literatur, wie z.B. AHO et al. [1], zu entnehmen.
Die Grammatik zur Definition der implementierten Formelsyntax ist dem Anhang zu entneh-
men.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 114
Laufzeit des Programmes wiederherzustellen, kann im Aktionsteil einer Regel die
Inferenz-Routine fuzzyinit verwendet werden.
Der Aufruf fuzzy_var = fuzzyinit() setzt die Parameter der Variablen fuzzy_var auf
seine Standardwerte zurück.
Die Inferenzroutine fuzzyset:
Die Parameter zur Definition von Zugehörgkeitsfunktionen von linguistischen Vari-
ablen sind meist zu Beginn eines Problemlösungsprozesses nicht vorhanden. Sowohl
die Datenerhebung als auch der Inferenzprozeß ermitteln die hierfür notwendigen
Werte. Mit Hilfe der Inferenz-Routine fuzzyset() können die Parameter zur Definition
der repräsentierenden Zugehörigkeitsfunktion zur Laufzeit gesetzt werden.
So definiert ein Aufruf von fuzzy_var = fuzzyset(m1,m2,α, β) das Aussehen der Zu-
gehörigkeitsfunktion74 fuzzy_var.
m1m2
ymax
ymin
α
β
x
)(x
µ
xmin xmax
MFE_bedarf_num
11,25 18,75
1
x
)(x
µ
30
15
0
Abb. 42:Inferenz-Routine fuzzyset am Beispiel Eisen (MFE)75
Für den Typ 2-Nährstoff Eisen gilt exemplarisch:
MFE_fuzzy = fuzzyset(
MFE_bedarf_num*0.75, à m1
MFE_bedarf_num*1.25, à m2
MFE_bedarf_num*0.75 à α
MFE_bedarf_num*0.75 ) à β
74 Zugehörigkeitsfunktionen zu Fuzzy-Sets werden im vorliegenden Modellansatz durch Trapez-
funktionen repräsentiert und implementiert. Vgl. hierzu Kapitel 4.4.3.
75 MFE_bedarf_num ist der numerische Bedarf am Nährstoff Eisen. ymin=0, ymax
=1
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 115
Die resultierende Zugehörigkeitsfunktion bei einem individuellen Eisenbedarf
(MFE_bedarf_num) von 15 mg sind der Abb. 42 zu entnehmen.
Die Inferenzroutine fuzzymod:
In Kapitel 3.4.1 wurde bereits erläutert, wie Randbedingungen in einem diagnosti-
schen (Teil-)Lösungsprozeß, der mit Hilfe der Fuzzy-Logik realisiert wird, Berück-
sichtigung finden können. Es wurde darauf hingewiesen, daß die Festlegung der Pa-
rameter von unscharfen Mengen ein meist individuelles Bewertungsschema festsetzt
und durch statistische Tests objektiviert werden kann. Durch Rechts-/ Linksverschie-
bungen von Zugehörigkeitsfunktionen lassen sich Veränderungen der linguistischen
Bewertung von skalaren Größen durchführen.
Das entwickelte wissensverarbeitende System bietet daher innerhalb der Regelverar-
beitung einen Mechanismus an, um die Bewertung auf Grundlage der Zugehörig-
keitsfunktionen von linguistischen Variablen online modifizieren zu können.
Durch einen Aufruf der Inferenz-Routine fuzzymod(mod) ist eine Rechts-/ Linksver-
schiebung um den numerischen Faktor mod durchführbar.
Raucher
+40 mg VC
Abb. 43:Veränderung der linguistischen Bewertung durch Rechtsverschiebung des Fuzzy-
Sets
So kann beispielsweise die ernährungswissenschaftliche Erkenntnis, daß ein Raucher
einen erhöhten Bedarf an Vitamin C (VC) hat, durch eine Rechtsverschiebung der
Bewertungsfunktion modelliert werden. Abb. 43 macht diesen Sachverhalt deutlich
und läßt sich zur Laufzeit mittels der Inferenz-Routine fuzzymod() realisieren.
Die Bewertungen von unsicheren Daten mittels Fuzzy-Methoden können allerdings
auch komplexer Art sein. Im vorliegenden praktischen Anwendungsgebiet für das
entwickelte hybride System zur Wissensverarbeitung gilt es, Teilprobleme durch
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 116
eine Verknüpfung mehrerer linguistischer Bewertungen zu lösen. Das in Kapitel
3.4.2 angesprochene Verfahren zur Ermittlung des Prerow-Wertes ist Teil der Prob-
lemlösungsebene.
So werden im Rahmen der Ernährungsberatung nicht nur detaillierte Diagnosen und
Handlungsempfehlungen auf Nährstoffbasis gegeben. Im Sinne einer Kurzauswer-
tung werden parallel zu Feindiagnosen auch Grobdiagnosen (z.B. Versorgungszu-
stand mit Vitaminen allgemein) ermittelt.
Diese mehrdimensionale Bewertung eines spezifizierten Versorgungszustandes läßt
sich durch entsprechende Konnektoren erreichen. Für die Darstellung der logischen
Verknüpfung UND wurden in Kapitel 4.4.3.1 das harmonische, das geometrische
und das arithmetische Mittel vorgestellt [89]. Auch der klassische Minimum-
Operator wird an dieser Stelle häufig verwendet. Tatsächlich zeigt der Minimum-
Operator bei der Anwendung auf Probleme der mehrdimensionalen Bewertung der
Nährstoffzufuhr zwei schwerwiegende Nachteile: Zum einen ist er völlig unsensitiv
gegen alle nicht an der Operation beteiligten Fuzzy-Sets, d.h. Kompensationseffekte
können mit ihm nicht abgebildet werden. Zum anderen ist er im Allgemeinen nicht
glatt, was zu numerischen Schwierigkeiten bei der Anwendung von Optimierungsal-
gorithmen führen kann. Trotz dieser Nachteile für eine Optimierung ist der Mini-
mum-Operator für die Ernährungsanalyse und die Bewertung von großer Bedeutung
[145].
Folgende Anforderungen werden an einen UND-Operator für die Anwendung in der
Ernährungsberatung gestellt [145]:
• Der Operator muß auf jeden Fall den Zugehörigkeitsgrad 0 erzeugen, wenn
auch nur ein einziger Zugehörigkeitsgrad eines einzelnen Nährstoffes den Wert
0 besitzt, denn die Toxizität durch Unter- oder Überversorgung eines Nährstof-
fes innerhalb einer mehrdimensionalen Bewertung wird kaum durch die ande-
ren Zugehörigkeitsgrade kompensiert werden können.
• Für den Fall gleicher oder sehr dicht beieinanderliegender Ergebnisse des Mi-
nimum-Operators wird verlangt, daß die durchschnittliche Güte der übrigen,
nicht am Minimum beteiligten Nährstoffe den Ausschlag gibt.
Von den Durchschnittsoperatoren, die für Realisierung einer UND-Verknüpfung
eingesetzt werden können, fällt der Operator der arithmetischen Mittelung wegen
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 117
Verletzung gleich zweier Forderungen aus. Die beiden Operatoren geometrische
Mittelung und harmonische Mittelung zeigen die gewünschten Eigenschaften.
Im praktischen Einsatz im Rahmen der Ernährungsberatung und -optimierung wird
die harmonische Mittelung eingesetzt.
Die implementierten Datenstrukturen und Algorithmen erlauben in diesem Zusam-
menhang eine individuelle Gewichtung der einzelnen Zugehörigkeitsgrade. Dadurch
lassen sich im Rahmen der Aggregierung mehrerer Fuzzy-Sets Bewertungsschwer-
punkte setzen. Bei der Gesamtbewertung der Zufuhr an Spurenelementen wurde bei-
spielsweise folgende Gewichtung gewählt: Eisen (1), Zink (2), Selen (1) und Jod (2).
Diese Einteilung weist den beiden Spurenelementen Zink und Jod eine höhere Wer-
tigkeit zu als Eisen und Selen.
Diese Gewichtungsfaktoren können auch interpersonell variiert werden. So können
in der Ernährungsberatung individuelle Einflußfaktoren wie Aversionen, Unverträg-
lichkeit gegenüber Nährstroffen oder Präferenzen abgefangen und adäquat modelliert
werden.
5.6 Diagnostik und Multimedia
Hinsichtlich einer praxisnahen Realisierung war es Ziel dieser Arbeit, die entwickel-
ten Komponenten des wissensverarbeitenden Systems in eine anwendungsorientierte
Umgebung einzubetten.
Der aktuelle Trend heißt Multimedia. Dabei handelt sich jedoch nicht nur um ein
Schlagwort, mit dem Hard- und Softwarehersteller ihre Produktpalette erweitern und
neue Absatzmärkte akquirieren, Multimedia ist mehr. Die Vielfalt an Definitionen,
die aus allen möglichen wissenschaftlichen wie industriellen Bereichen stammen,
verwirrt allerdings zunächst.
Der Begriff Multimedia tauchte bereits in den 60er und 70er Jahren in der Pädagogik
auf. Darunter verstand man neue Medien zur Unterstützung der Lernprozesse im
Klassenunterricht [40].
Allgemein versteht man unter diesem Begriff die Integration von Text, Grafik, Ton,
Animation und Video zur Informationsvermittlung. In diesem Zusammenhang
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 118
kommt dem Begriff Interaktion76 eine große Bedeutung zu. Der Anwender steht im
Mittelpunkt des Geschehens, da er durch gezielte Eingriffe den Ablauf und die Art
der Informationsvermittlung beeinflussen kann. Interaktive Systeme bilden daher die
intelligenteste Art der Informationsvermittlung, da der Einsatz als methodisches
Lernsystem erst durch Interaktion ermöglicht wird [40].
Bei der Einbettung des vorgestellten Systems zur hybriden Wissensverarbeitung in
eine anwendungsorientierte und multimediale Umgebung lag der Schwerpunkt der
methodisch-didaktischen Überlegungen auf dem Begriff Interaktion. VITAL&aktiv
sieht als diagnostisches Instrument seine Stärke vor allem in diesem Aspekt. Der
Einsatz multi-medialer Effekte zur Erleichterung des Informationstransfers sollte die
wissenschaftliche Qualität des Inhaltes nicht überdecken. Dennoch wurde die Aus-
wahl der Medien zur Darstellung von Beratungsergebnissen und Handlungsempfeh-
lungen zielgerichtet und unter mediendidaktischen Gesichtspunkten getroffen.
VITAL&aktiv wurde konzipiert, um neue Wege zur Eigenverantwortung im Um-
gang mit dem Thema Gesundheit aufzuzeigen. Das Programm läßt unter interaktiven
Gesichtspunkten dem Anwender viele Freiheiten, sich selbstverantwortlich im Bezug
auf seine Ernährung und Bewegung zu organisieren. Er wird dazu angeregt, Eigen-
kompetenzen zu entwickeln.
Realisiert wurden diese methodisch-didaktischen Überlegungen durch eine klare
Trennung zwischen den wissens- bzw. datenverarbeitenden Basiskomponenten und
der Interaktionsebene, so wie es Abb. 44 zu entnehmen ist. Im Sinne eines modula-
ren Entwurfes mit klar definierten Schnittstellen ist somit eine Anpassung und Er-
weiterung des Systems sowohl aus Benutzersicht wie auch aus inhaltlicher Sicht ge-
währleistet. Neue Benutzeroberflächen − z.B. für unterschiedliche Zielgruppen −
sind ebenso leicht zu realisieren wie diagnostische Änderungen, wie z.B. die Auf-
nahme weiterer präventivmedizinischer Symptome in das diagnostische Modell.
76 Der Begriff Interaktion bedeutet im Computerbereich, daß der Ablauf eines Programmes ab-
hängig von der Eingabe des Anwenders ist. Der Anwender kann also aktiv den Programmab-
lauf steuern.
VITAL&aktiv: Ein „intelligentes“ Gesundheitsberatungssystem 119
Benutzer
Wissens- und Datenverarbeitungsebene
Interaktionsebene
Abb. 44:VITAL&aktiv realisiert eine klare Trennung zwischen der Wissens- bzw. Daten-
verabeitung und der Benutzeroberfläche im Sinne eines modularen Entwurfes.
Zusammenfassung und Ausblick 120
6 Zusammenfassung und Ausblick
Komplexe Aufgaben- und Problemstellungen präventivmedizinischer Art beschäfti-
gen die Praxis sportmedizinischer, wissenschaftlicher Einrichtungen. Langjährige
Erfahrungen zeigen, daß die Betrachtung gesundheitsrelevanter Fragestellungen un-
ter einem ganzheitlichen Ansatz einer hochgradig interdisziplinären Ausrichtung
bedarf. In dieser Konstellation ist die Informatik mit ihren Theorien und praktischen
Implementierungsmöglichkeiten in der Lage, einen wesentlichen Beitrag zur Model-
lierung von Beratungskompetenzen zu leisten, um diese z.B. durch Computerpro-
gramme der Allgemeinheit leicht und vor allem individuell zugänglich zu machen.
Die Methoden und Techniken des Wissenschaftsbereiches der Künstlichen Intelli-
genz (KI) − insbesondere die der Expertensysteme − liefern in diesem Zusammen-
hang eine Vielzahl von Ansätzen im Umgang mit komplexen und wissensintensiven
Prozessen. Sowohl aus Sicht der kognitiven Psychologie als auch der KI fordert eine
adäquate Verarbeitung komplexer Handlungsmuster und hochgradig vernetzten Wis-
sens eine kooperative Kopplung verschiedenartiger Lösungsansätze.
Die beteiligten Einzeldisziplinen im Bereich der KI haben sich in der Praxis bereits
weitreichend bewährt, erschließen jedoch bei isolierter Betrachtung unterschiedliche
Anwendungsgebiete. Der vorliegende hybride Systementwurf erlaubt, Teilprobleme
diagnostischer Aufgaben mit unterschiedlichen Verfahren, die kognitiv adäquat sind,
zu lösen. Zum einen mit symbolischen Techniken, wenn kausales Wissen bekannt,
formalisierbar und somit aus denkpsychologischer Sicht analytischer Art ist. Zum
anderen mit Hilfe von konnektionistischen Methoden, wenn assoziative Handlungen
bzw. synthetische Operationen abgebildet werden sollen. Unscharfes und unsicheres
Wissen hingegen läßt sich mit Hilfe der Fuzzy-Logik im Rahmen des Gesamtsystems
modellieren.
Zusammenfassung und Ausblick 121
Der gewählte integrative Ansatz ist sowohl um intelligente (unkonventionelle) sowie
um konventionelle Techniken erweiterbar, wie z.B. Fallvergleich, genetische Algo-
rithmen bzw. Evolutionsstrategien oder Simulationen. Auch diese Verfahren sind in
diagnostischen Problemlösungen einsetzbar und kognitiv begründbar.
Zielsetzung der informations- und systemtechnischen Überlegungen in dieser Arbeit
war ein anwendungsunabhängiger Ansatz. Durch klar strukturierte Modellierungs-,
Formalisierungs- und Implementierungsverfahren wurde auf der Basis der Hybridi-
sierung unkonventioneller (intelligenter) Techniken ein Software-Werkzeug konzi-
piert und in eine praxisnahe Anwendung integriert. Es ist in der Lage, komplexe und
wissensintensive Problemstellungen aus verschiedenen Anwendungsbereichen zu
bearbeiten.
Die zugrundeliegende präventivmedizinische Problemstellung stellte zum Teil große
Anforderungen an die Akquisition, die Modellierung, die Verarbeitung und das Ma-
nagement des hochgradig interdiziplinären Wissens. Die Vernetzung dieses qualitativ
komplexen und quantitativ umfangreichen Wissens läßt nur schwerlich eine Erfas-
sung in seiner Gesamtheit zu. Einem solch visionären Anspruch kann diese Arbeit
nicht gerecht werden.
Allerdings zeigt sich, daß die vorliegende Grundlagenarbeit einen wesentlichen Bei-
trag dafür leisten kann, das Thema Gesundheitsberatung im interdisziplinären Kon-
text einzuordnen und dort weiter zu bearbeiten. Die Modelle und Implementierungen
werden Gegenstand zukünftiger Arbeiten in wissensintensiven Bereichen sein.
Der modulare Systementwurf − vor allem die Trennung zwischen den implemen-
tierten Techniken und der Interaktionsebene (Benutzeroberfläche) − erlaubt einen
flexiblen Einsatz in bereits laufenden und in zukünftigen Projekten, die nicht unbe-
dingt präventivmedizinischer Art sein müssen. Softwareentwicklungen in neuen Me-
dien profitieren von diesem intelligenten Hybridansatz. Eine Internetversion von
VITAL&aktiv befindet sich beispielsweise derzeit in Fertigstellung. In weitere Kon-
zepte bzw. Projekte aus dem Bereich der Präventivmedizin werden nicht nur die Er-
fahrungen, sondern auch die Implementierungen dieser Arbeit eingehen.
Zusammenfassung und Ausblick 122
Aus Sicht von VITAL&aktiv sind Erweiterungen konzipiert, die eine problemspezi-
fischere Einbindung von Krankheitsbildern wie Diabetes mellitus, Herz-Kreislauf-
Erkrankungen oder Fettstoffwechselstörungen vorsehen. Auch Zielgruppen wie Ve-
getarier oder Hochleistungssportler sollten einer gezielteren Gesundheitsberatung
auf der Basis einer Ernährungs- und Bewegungsoptimierung unterzogen werden, z.B
durch die Einbindung von Substitutionsmaßnahmen.
Diese Beispiele für Spezialprogramme von VITAL&aktiv verfolgen den Ansatz, das
bereits akquirierte und modellierte Basiswissen zur Gesundheitsberatung wiederzu-
verwenden und die diagnostische Leistung des Systems im Differenzierungsgrad zu
verbessern.
Durch die Verwendung angepaßter Benutzeroberflächen ist die Anwendung auch
anderen Nutzergruppen, wie z.B. dem Arzt, zugänglich. Infoterminals mit gesund-
heitsorientierter Software auf der Basis der in dieser Arbeit entwickelten Ergebnisse
stehen derzeit in verschiedenen Variationen in der Entwicklung.
Literaturverzeichnis 123
7 Literaturverzeichnis
[1] AHO, A.V., SETHI, R., ULLMANN, J.D.: Compilerbau. Addison-Wesley,
Bonn, 1988
[2] AIKIN, J.: Prototypical Knowledge for Expert Systems. Artificial Intelligence
20 (1983), S. 163-210.
[3] AJJANAGADDA, V., SHASTRI, L.: Rules and Variables in Neural Networks.
Neural Computation, 3(1), 121-34, 1991
[4] ANGELE, J., FENSEL, D., LANDES, D., NEUBERT, S., STUDER, R.: Model-
based and Incremental Knowledge Engineering: The MIKE-Approach.
Proc. of the IFIP TC12 Workshop on Artificial Intelligence from the Infor-
mation Processing Perspectice - AIFIPP '92, Madrid. Elsevier Science Pub-
lisher B.V., Amsterdam, 1993
[5] ANGELE, J., FENSEL, D., STUDER, R.: A Model of Expertise in KARL. Proc.
of the 2nd World Congr. on Expert Systems, Lisbon/Estoril, 1994
[6] ANGELE, J., FENSEL, D., STUDER, R.: Vorgehensmodelle für die Entwicklung
wissensbasierter Systeme. In: KNEUPER R., MÜLLER-LUSCHNAT, G.,
OBERWEIS, A. (Hrsg.): Vorgehensmodelle für die betriebliche Anwendungs-
entwicklung. B.G. Teubner, Stuttgart/Leipzig, 1998, S. 168-188
[7] ANGELE, J., STUDER, R.: G-KARL, A Graphical, Formal and Executable
Specification Language. Proc. der 4. Deutschen Tagung „Wissensbasierte
Systeme“, XPS'97, Bad Honnef, 1997
[8] ARETOULAKI, M., TSUJII, J.: A Symbolic-Connectionist Hybrid Abstract Ge-
neration System. Proc. of the 11th European Conf. on Artificial Intelligence,
Combining Symbolic and Connectionist Processing - ECAI'94, Amsterdam,
Netherlands, 1994
[9] AUSWERTUNGS- UND INFORMATIONSDIENST FÜR ERNÄHRUNG, LAND-
WIRTSCHAFT UND FORSTEN (aid) e.V.: Nährstoffberechnung per PC: Com-
puterprogramme und ihre Funktionen - ein Überblick. aid Special 9,
3334/1995, Neuss, 1995
[10] BARKER, R., MEEHAN, A., TRANTER I.: Towards a Knowledge-Level Model
for Concurrent Design. In: Methodology and Tools in Knowledge-Based
Systems, 11th Int. Conf. on Industrial and Engineering Application of AI and
Expert Systems, EA-98-AIE, Castellón, 1998
[11] BARR, A., FEIGENBAUM, E.A.: The Handbook of Artificial Intelligence.
Band 1, Morgan Kaufmann, Mass., 1981
[12] BARRETT, E. (HRSG.): Text, ConText, and HyperText: Writing with and for
the Computer. MIT Press, 1988
Literaturverzeichnis 124
[13] BENSE, H./BODROW, W.: Objektorientierte und regelbasierte Wissensverar-
beitung. Spektrum, Akad. Verl., Heidelberg, 1995
[14] BRAUSE, R.: Neuronale Netze. Teubner, Stuttgart, 1991
[15] BREUKER, J., BOER, A.: So You Want to Validate Your Problem Solving
Methods. Proc. of the 11th Workshop on Knowledeg Acquisition, Modeling
and Management - KAW'98, Alberta, Canada, 1998
[16] BRUNAK, S., LAUTRUP, B.: Neural Networks, Computers with Intuition.
World Scientific, Koppenhagen, 1990
[17] BRUNNER, J.: Interaktive Fuzzy Optimierung. Physica-Verl., Heidelberg,
1994
[18] BUCHANAN, B., SHORTLIFFE, E.: Rule-Based Expert Systems - The MYCIN
Experiments. Mass., Addison Wesley, 1985
[19] CAIRÓ, O.: The KAMET Methodology: Content, Usage and Knowledge Mo-
deling. Proc. of the 11th Workshop on Knowledeg Acquisition, Modeling
and Management - KAW'98, Alberta, Canada, 1998
[20] CARLING, A.: Introducing Neural Networks. Sigma Press, Wilmslow, 1992
[21] CHACHOUA, M., PACHOLCZYK, D.: Qualitative Reasoning Under Uncertain
Knowledege. In: Methodology and Tools in Knowledge-Based Systems, 11th
Int. Conf. on Industrial and Engineering Application of AI and Expert Sys-
tems, EA-98-AIE, Castellón, 1998
[22] CHANDRASEKARAN, B., JOHNSON, T.R.: Generic Tasks and Task Structures:
History, Critique and New Directions. In: Second Generation Expert Sys-
tems, Springer, Berlin, 1993
[23] CLANCEY, W.: Heuristic Classification. AI Journal 27, 1985
[24] COOPER, R., FRANKS, B.: How Hybrid Should a Hybrid Model Be? Proc. of
the 11th European Conf. on Artificial Intelligence, Combining Symbolic and
Connectionist Processing - ECAI'94, Amsterdam, Netherlands, 1994
[25] CREVIER, D.: AI: The Tumultuous History of The Search For Artificial In-
telligence. Basic Books, New York, 1993
[26] DAGLI, C. H. (Hrsg.): Artificial Neural Networks for Intelligent Manufactu-
ring. Chapmann & Hall, London, 1994
[27] DAVID, J., KRIVINE, J., SIMMONS, R.: Second Generation Expert Systems: A
Step in Knowledge Engeneering. In: Second Generation Expert Systems,
Springer, Berlin, 1993
[28] DE HOOG, R., MARTIL, R., WIELINGA, B., TAYLOR, R., BRIGHT, C., VAN DE
VELDE, W.: The Common KADS Model Set. Lloyd´s Register, Brüssel, 1994
[29] DELGADO, M., GÓMEZ-SKARMETA, A.F.: Fuzzy Hybrid Techniques in Mo-
deling. In: Methodology and Tools in Knowledge-Based Systems, 11th In-
ternational Conf. on Industrial and Engineering Application of AI and Ex-
pert Systems, EA-98-AIE, Castellón, 1998
[30] DEUTSCHE GESELLSCHAFT FÜR ERNÄHRUNG (Hrsg.): Empfehlungen für die
Nährstoffzufuhr. 5. Überarbeitung, Umschau Verlag, Frankfurt, 1991
Literaturverzeichnis 125
[31] DI PRIMIO, F.: Hybride Wissensverarbeitung am Beispiel von BABYLON.
Wiesbaden, Dt. Univ.-Verl., 1993
[32] DINSMORE, J. (Hrsg.): The Symbolic and Connectionist Paradigms: Closing
the Gap. Lawence Erlbaum, 1992
[33] DORFFNER, G.: Konnektionismus. Teubner, Stuttgart, 1991
[34] DÖRNER, D.: Problemlösen als Informationsverarbeitung. 2. Aufl., Kohl-
hammer, Stuttgart, 1979
[35] DREYFUS, H., DREYFUS, S.: Making a Mind Versus Modeling the Brain:
Artificial Intelligence at a Branchpoint. Daedalus, Winter, 1988
[36] DUBOIS, D., PRADE, H.: Fuzzy Sets and Systems - Theory and Applications.
Acad. Press, New York, 1980
[37] FENSEL, D., MOTTA, E.: Structured Development of Problem Solving Me-
thodes. Proc. of the 11th Workshop on Knowledeg Acquisition, Modeling
and Management - KAW'98, Alberta, Canada, 1998
[38] FENSEL, D., V. HARMELEN, F.: A Comparison of Languages which Operati-
onalize and Formalise KADS Models of Expertise. The Knowledge Enge-
neering Review, Vol. 9 (1994), S. 105-146
[39] FLOREZ-MÉNDEZ, R., VAN LEEUWEN, P., LUKOSE, D.: Modeling Expertise
Using KADS and MODEL-ECS. Proc. of the 11th Workshop on Knowledge
Acquisition, Modeling and Management - KAW'98, Alberta, Canada, 1998
[40] FRATER, H., PAULIßEN, D.: Das große Buch zu Multimedia. Data Becker,
Düsseldorf, 1994
[41] GALLANT, S. I.: Connectionist Expert Systems. Communications of the
ACM, 31(2), 1989
[42] GALLANT, S. I.: Neural Network Learning and Expert Systems. MIT. Press,
Massechusetts, 1993
[43] GENESERETH, M., NILSON, N.: Logische Grundlagen der Künstlichen Intel-
ligenz. Vieweg, Braunschweig, 1989
[44] GOONATILAKE, S., KHEBBAL, S. (Hrsg.): Intelligent Hybrid Systems. Chi-
chester, Wiley, 1995
[45] GRAUL, A.: Fuzzy-Logik. Wissenschaftsverlag, Mannheim 1995
[46] GRUBER, T.: A Translation Approach to Portable Ontology Specifications.
Knowledge Acquisition, 5:199-220, 1993
[47] GUTKNECHT, M.: The Postmodern Mind: Hybrid Models of Cognition. Con-
nection science, 4(3 & 4), 1992
[48] HAHN, A., PFEIFFENBERGER, P., WIRSAM, B., LEITZMANN, C.: Bewertung
und Optimierung der Nährstoffzufuhr mit Hilfe der Fuzzy-Logik. Ernäh-
rungsumschau 42 Heft 10, S. 367 ff, 1995
[49] HAWTHORNE, J.: On The Compatibility of Connectionist and Classical Mo-
dels. Philosophical Psychology, 2(1), 1989
[50] HAYES-ROTH, F.: Building Expert Systems. Addison-Wesley, Mass., 1983
Literaturverzeichnis 126
[51] HEISTERMANN, J.: Genetische Algorithmen. Teubner, Stuttgart, 1994
[52] HELBIG, H.: Künstliche Intelligenz und automatische Wissensverarbeitung.
Verlag Technik, Berlin, 1991
[53] HERRMANN, J.: Maschinelles Lernen und Wissensbasierte Systeme. Sprin-
ger, Berlin, 1997
[54] HESEKER, H., ADOLF, T., EBERHARDT, W., HARTMANN, S., KÜBLER, W.,
SCHNEIDER, R.: Die Lebensmittel- und Nährstoffaufnahme in der Bundesre-
publik Deutschland. Ergebnisse der VERA-Studie. Ernährung/Nutrition 18:
158-161, 1994.
[55] HILARIO, M., LALLEMENT, Y., ALEXANDRE, F.: Neurosymbolic Integration:
Unified versus Hybrid Approaches. In: European Symposium of Artificial
Neural Networks (ESANN-95), Brüssel, 1995
[56] HILARIO, M., PELLEGRINI, C., ALEXANDRE, F.: Modular Integration of Con-
nectionist and Symbolic Processing in Knowledge-based Systems. Proc. In-
ternational Symposium on Integrating Knowledge and Neural Heuristics I-
SIKNH'94 (S. 123-132). Pensacola, Florida, 1994.
[57] HILARIO, M.: An Overview of Strategies for Neurosymbolic Integration,
Chapter 2 of R. SUN and F. ALEXANDRE, Connectionist-Symbolic Integrati-
on: From Unified to Hybrid Approaches. Lawrence Erlbaum, Hillsdale,
1997
[58] HINTON, E. G., ANDERSON, J. A.: Parallel Models of Associative Memory.
Lawrence Erlbaum, Hillsdale, 1989
[59] HOFFMANN, N.: Neuronale Netze, Grundlagen, Modelle, Programme. Vie-
weg, Braunschweig, 1993
[60] HOLLMANN, W: Training, Grundlagen und Anpassungsprozesse. Schorn-
dorf, Köln, 1990
[61] HONAVAR, V., UHR, L.: Artificial Intelligence and Neural Networks: Steps
Toward Pricipled Integration, New York, Academic Press, 1994
[62] HONAVAR, V.: Symbolic Artificial Intelligence and Numeric Artificial Neu-
ral Networks: Toward a Resolution of the Dichotomy. Invited chapter. In:
SUN, R. AND BOOKMAN, L. (Hrsg): Computational Architectures Integrating
Symbolic and Neural Processes. S.351-388. Kluwer, New York, 1994.
[63] HRUSKA, S.I., KUNCICKY, D.C., LACHER, R.C.: Hybrid Learning in Expert
Networks, Proc. of the International Conference on Neuronal Networks -
Vol. II, IEEE, New York, S. 117-20, 1994
[64] HUDSON, D.L., COHEN, M.E., BANDA, P.W., BLOIS, M.S.: Medical Diagno-
sis and Treatment Plans Derived from a Hybrid Expert System. In:
KANDAHL, A. (Hrsg.): Hybrid Architectures for Intelligent Systems, CRC-
Press, Florida, 1992
[65] HUSSY, W.: Denkpsychologie. Band 1, Kohlhammer, Stuttgart, 1984
[66] JACKSON, P.: Experten Systeme. Addison-Wesley, Bonn, 1987
Literaturverzeichnis 127
[67] KAHRAMAN, C.,TOLGA, E.: Fuzzy Decision Making Under Uncertainty. In:
Methodology and Tools in Knowledge-Based Systems, 11th International
Conf. on Industrial and Engineering Application of AI and Expert Systems,
EA-98-AIE, Castellón, 1998
[68] KANDEL, A., LANGHOLZ, G.: Hybrid Architectures for Intelligent Systems.
CRC-Press, Florida, 1992
[69] KAUSEN, L.: Numerische Mathematik mit Turbo Pascal. Heidelberg, 1989
[70] KEUL, J., REINDELL, H.: Der sporttreibende Bürger - Gefährdung oder Ge-
sundung. Perimed-Fachbuch-Verl.-Ges , Erlangen, 1983
[71] KIEFER, M., LAUSEN, G., WU, J.: Logical Foundations of Object-Orientated
Frame-Based Languages. In: Technical Report 90/14 (2nd revision), De-
partment of Computer Science, Suny at Stony Brook, New York, 1990
[72] KIRCHNER, B.: Wohlbefinden durch Sport und Ernährung - Eine Evaluati-
onsstudie des Computerprogramms VITAL&aktiv -. Zulassungsarbeit zum
Staatsexamen, Institut für Sport und Sportwissenschaft, Heidelberg, 1998
[73] KLIX, F., SPANDA, H.: Einführung. In: Enzyklopädie der Psychologie :
Themenbereich C, Theorie und Forschung, Serie 2, Kognition ; Bd. 6,
Hogrefe, Verl. für Psychologie, Göttingen, 1998
[74] KNAUS, R.: Representing Expert Knowledge in Neural Networks. In:
KANDAHL, A. (Hrsg.), Hybrid Architectures for Intelligent Systems, CRC-
Press, Florida, 1992
[75] KOWALCZYK, R.: On Linguistic Approximation with Genetic Programming.
In: Methodology and Tools in Knowledge-Based Systems, 11th International
Conference on Industrial and Engineering Application of AI and Expert
Systems, EA-98-AIE, Castellón, 1998
[76] KREMER, R.: Visual Languages for Knowledge Representation. Proc. of the
11th Workshop on Knowledeg Acquisition, Modeling and Management -
KAW'98, Alberta, Canada, 1998
[77] LALLEMENT, Y., ALEXANDRE, F.: Cognitive Aspects of Neurosymbolic In-
tegration, Proc. Workshop IJCAI on Connectionist Symbolic Integration:
Aus: Unified to Hybrid Approaches, R. SUN, F. ALEXANDRE (Hrsg.),
Montréal, (Canada), 1995
[78] LALLEMENT, Y., HILARIO, M., ALEXANDRE, F.: Neurosymbolic Integration:
Cognitive Grounds and Computational Strategies. In: Second World Confe-
rence on Fundamentals of Artificial Intelligence (WOCFAI-95), Paris, 1995.
[79] LALLEMENT, Y.: Intégration Neuro-symbolique et Intelligence Artificielle,
Applications et Implementation Paralèle. Diss., Universtité Henri Poincarré
Nancy, 1996.
[80] LANGER, K.: Flexible Hypermedia-Systeme in der computerunterstützten
Aus- und Weiterbildung. Diss., Wiesbaden, 1995
[81] LÉA SOMBÉ: Schließen bei unsicherem Wissen in der Künstlichen Intelli-
genz: Vergleich von Formalismen eines Beispiels. Vieweg, Braunschweig,
1992
Literaturverzeichnis 128
[82] LEHMANN, M., MEIER, N., HORST, S.: Ernährungsanalyse mit Methoden der
Fuzzy Logik. Berichte der GIL, Bd. 3, München, 1993
[83] LEITZMANN, C.: UGB-Forum (Fachzeitschrift des Verbands für Unabhängi-
ge Gesundheitsberatung), Gießen 1/1997
[84] LIESEN, H., KOLLER, A., SCHMID, A., VÖLKER, K., VÖLKER, G., LA-
GERSTRÖM, D., TRUNZ, E.: Computerunterstützte Gesundheitsberatung für
Ernährung und Bewegung. Dtsch. Z. Sportmed. 48: 442-447, 1997.
[85] LUKOSE, D.: Knowledge Management Using MODEL-ECS. Proc. of AAAI
Spring Symposium on Artificial Intelligence in Knowledge Management,
1997
[86] MADEY, G.R., WEINROTH, J., SHAH, V.: Hybrid Intelligent Systems: In:
DAGLI, C. H. (Hrsg.): Artificial Neural Networks for Intelligent Manufactu-
ring, Chapmann & Hall, London, 1994
[87] MAINZER, K.: Gehirn, Computer, Komplexität. Springer, Berlin, 1997
[88] MARR, D.: Vision. Freeman, San Fracisco, 1982
[89] MAYER, A., MECHLER, B., SCHLINDWEIN, A., WOLKE, R.: Fuzzy Logik,
Einführung und Leitfaden zur praktischen Anwendung. Addison-Wesley,
Bonn, 1993
[90] MCCLELLAND, J.L., RUMMELHART, D.E.: Parallel Distributed Processing,
Explorations in the Microstructure of Cognition. Vol 1: Foundations, MIT
Press, Cambridge, Massachusetts, 1987
[91] MCCLELLAND, J.L., RUMMELHART, D.E.: Parallel Distributed Processing,
Explorations in the Microstructure of Cognition. Vol 2: Psychological and
Biological Models, MIT Press, Cambridge, Massachusetts, 1987
[92] MCMILLAN,C., MOZER, M., SMOLENSKY, P.: Learning explicit rules in a
neural network. Proc. of the International Conference on Neural Networks -
Vol. 2, IEEE, New York, 1994
[93] MEDSKER, L., LIEBOWITZ, J.: Design And Developement of Expert Systems
And Neural Networks. Macmillan, New York, 1994
[94] MEDSKER, L. R., BAILEY, D. L.: Models and Guidelines for Integrating Ex-
pert Systems and Neural Networks. In: KANDAHL, A. (Hrsg.), Hybrid Ar-
chitectures for Intelligent Systems, CRC-Press, Florida, 1992
[95] MEDSKER, L. R.: Hybrid intelligent systems. Kluwer Academic; Boston,
Mass., 1995
[96] MEDSKER, L. R.: Hybrid Neural Network and Expert Systems. Kluwer Aca-
demic, Boston, Mass., 1994
[97] MELLEROWICZ, H.: Gesundheit und Leistung. Springer, Berlin 1985
[98] MENKE, N.: Modellgestützte Leistungsdiagnostik mit wissensbasierten Sys-
temen. Diss., Universität Paderborn; 1995
[99] MENZIES, T.: Evaluation Issues for Problem Solving Methods. Proc. of the
11th Workshop on Knowledge Acquisition, Modeling and Management -
KAW'98, Alberta, Canada, 1998
Literaturverzeichnis 129
[100] MINSKY, M.: A Framework for Representing Knowledge. In: WINSTON, P.
(Hrsg.): The Psychology of Computer Vision. McGraw-Hill, 1975
[101] MONTANA, D., DAVIS, L.: Training Feedforward Neural Networks Using
Genetic Algorithms. Proc. of 11th International Joint Conf. on Artificial In-
telligence, 1989, S. 762 ff
[102] NEWELL, A., SIMON, H. A.: Computer Science as Empirical Inquiry: Sym-
bols and Search. In: HAUGELAND, J. (Hrsg.): Mind Design. MIT Press,
Cambridge, Mass., 1981
[103] NEWELL, A.: The Knowledge Level. Artificial Intelligence, 18:87-127, 1982
[104] NOVAK, V.: Fuzzy Sets and their Application. Hilger, Bristol, 1986
[105] ORSIER, B., AMY, B., RIALLE, V., GIACOMETTI, A.: A Study of the Hybrid
System SYNHESYS. Proc. of the 11th European Conf. on Artificial Intelli-
gence, Combining Symbolic and Connectionist Processing - ECAI'94,
Amsterdam, Netherlands, 1994
[106] PEDRYCZ, W.: Fuzzy Control and Fuzzy Systems. Research Studies Press
Ltd, Taunton, England, 1989
[107] POPOVIC, D., BHATKAR, V.: Methods and Rools for Applied Artificial Intel-
ligence. New York, 1994
[108] POSEY, CH., KANDEL, A.: Fuzzy Hybrid Systems. In: KANDEL, A. (Hrsg.):
Hybrid Architectures for Intelligent Systems. CRC-Press, Florida, 1992
[109] PUPPE, F., GAPPA, U., POECK, K., BAMBERGER, S.: Wissensbasierte Diagno-
se- und Informationssysteme. Springer, Heidelberg, 1996
[110] PUPPE, F.: Einführung in Expertensysteme. Springer, Heidelberg, 1991
[111] PUPPE, F.: Problemlösungsmethoden in Expertensytemen. Springer, Heidel-
berg, 1990
[112] RAASCH, J.: Systementwicklung mit strukturierten Methoden. Hanser, Mün-
chen, 1992
[113] REIMANN, R.: Novizen- und Expertenwissen. In: Enzyklopädie der Psycho-
logie : Themenbereich C, Theorie und Forschung, Serie 2, Kognition, Bd. 6,
Hogrefe, Verl. für Psychologie, Göttingen, 1998
[114] RICH, E.: Artificial Intelligence, McGraw-Hill, New York 1983
[115] RICHTER, M. M.: Prinzipien der künstlichen Intelligenz: Wissensrepräsen-
tation, Inferenz und Expertensysteme. Teubner, Stuttgart, 1989
[116] RUMELHART, D.: Introducing to Human Information Processing. John Wi-
ley & Sons, Inc., New York, 1977
[117] SCHEIDER, R., KIRSCHNER, W.: Ernährung und Wellness: Eine repräsenta-
tive Befragung in Deutschland. Ernährungsumschau 42 Heft 8, 1995
[118] SCHÖNEBURG, E., HANSEN, N., GAWELCZYK, A.: Neuronale Netze, Einfüh-
rung Überblick und Anwendungsmöglichkeiten. Markt&Technik, München,
1990
Literaturverzeichnis 130
[119] SCHÖNEBURG, E., HEINZMANN, F., FEDDERSEN, S.: Genetische Algorithmen
und Evolutionsstrategien. Addison Wesley, Bonn, 1994
[120] SCHÖNEBURG, E.: Industrielle Anwendung neuronaler Netze. Addison-
Wesley, Bonn, 1993
[121] SCHREIBER, TH., AKKERMANS, W., ANJEWIERDEN, A. , DE HOOG, R., VAN
DE VELDE, W., WIELINGA, J.: Engeneering of Knowledge: The Common-
KADS Methodology. University of Amsterdam, 1998.
[122] SCHREIBER, TH., WIELINGA, B., AKKERMANS, W., VAN DE VELDE, W., DE
HOOG, R.: CommonKADS: A Comprehensive Methodology for KBS Deve-
lopment. IEEE Expert, 8(6):28-37, 1994
[123] SCHREIBER, TH., WIELINGA, B.: Knowledge Model Construction. Proc. of
the 11th Workshop on Knowledge Acquisition, Modeling and Management -
KAW'98, Alberta, Canada, 1998
[124] SHARKEY, N.E.: The Ghost in the Hybrid: A Study of Uniquely Connectio-
nist Representations. Artificial Intelligence and the Simulation of Behavi-
our, Quarterly, 79, 10-16, 1992
[125] SICHERT, W., OLTERSDORF, U., WINZEN, U., LEITZMANN, C.: Ernährungs-
erhebungsmethoden. AGEV Schriftenreihe Bd. 4, Umschau Verlag, Frank-
furt, 1984
[126] SIMMONS, R., DAVIS, R.: The Role of Knowledge and Representation in
Problem Solvingg In: Second Generation Expert Systems, Springer, Berlin,
1993
[127] STACEY, D.: Intelligent Systems Architecture: Design Techniques. In:
DAGLI, C. H. (Hrsg.): Artificial Neural Networks for Intelligent Manufactu-
ring, Chapmann & Hall, London, 1994
[128] STARK, R.: Does Hybrid Means More than One? Artificial Intelligence and
the Simulation of Behaviour, Quarterly, 78, 8-10, 1991
[129] SUGENO, M.: An Introductory Survey of Fuzzy Control. In: Information
Science 36, 1985, 59-83
[130] THÜRING, M.: Probabilistisches Denken in kausalen Modellen. Psychologie
Verlags Union, Weinheim, 1991
[131] TSOUKALAS, L.H., IKONOMOPOULOS, A., UHRIG, R.E.: Fuzzy Neural
Control. In: DAGLI, C. H. (Hrsg.): Artificial Neural Networks for Intelligent
Manufacturing, Chapmann & Hall, London, 1994
[132] UHR, L., HONAVAR, V.: Artificial Intelligence and Neural Networks: Steps
Toward Principled Integration. In: HONAVAR, V., UHR, L. (Hrsg.), Artifici-
al Intelligence and Neural Networks: Steps Toward Principled Integration.
Academic Press, New York. 1994
[133] UNSELD, S.: Künstliche Intelligenz und Simulation in der Unternehmung.
Teubner, Stuttgart, 1990
[134] VAN DE VELDE, W.: Issues in Knowledge Level Modelling. In: Second Ge-
neration Expert Systems, Springer, Berlin, 1993
Literaturverzeichnis 131
[135] VILLA, M.F., REILLY, K.D.: Hierarchical Structures in Hybrid Systems. In:
KANDAHL, A. (Hrsg.): Hybrid Architectures for Intelligent Systems. CRC-
Press, Florida, 1992
[136] WEINERT, F.E.: Psychologie der Erwachsenenbildung. In: Enzyklopädie der
Psychologie, Themenbereich D, Praxisgebiete, Serie 1, Pädagogische Psy-
chologie, Bd. 4, Hogrefe Verl. für Psychologie, Göttingen, 1997
[137] WESSELS, M.G.: Kognitive Psychologie. E. Reinhardt, München, 1994
[138] WESTENHÖFER, J.: Gezügeltes Essen und Störbarkeit des Eßverhaltens.
Hogrefe Verl. für Psychologie, Göttingen, 1992.
[139] WIELINGA, B., BREUKER, J.: Models of Expertise. ECAI-86, 1986
[140] WIELINGA, B., SCHREIBER, A.: Knowledge Technology: Moving into the
Next Millennium. In: Methodology and Tools in Knowledge-Based Systems,
11th International Conference on Industrial and Engineering Application of
AI and Expert Systems, EA-98-AIE, Castellón, 1998
[141] WIELINGA, B., SCHREIBER, TH.: Conceptual Modelling of Large Reusable
Knowledge Bases. In: Management and Processing of Complex Data
Structures. Vol 777 of Lecture Notes in Computer Science, 181-200, Berlin,
1994
[142] WIELINGA, B., VAN DE VELDE, W.: Towards a Unification of Knowledge
Modelling Approaches. In: Second Generation Expert Systems, Springer,
Berlin, 1993
[143] WINKLER, G.: Validierung einer Food-Frequency-Erhebung. Diss. TU
München, 1992
[144] WINSTON, P.H.: Artificial Intelligence. Reading, Mass. 1984
[145] WIRSAM, B.: Bewertung der Nährstoffzufuhr durch Fuzzy-Sets. Z. Ernäh-
rungswiss. 33: 230-238, 1994
[146] WIRSAM, B.: Fuzzy-Sets - ein neuer Weg zu einer optimierten Ernährung.
Ernährungsumschau 42 Heft 3, 1995
[147] ZADEH, L.A.: Fuzzy Sets. Information and control 8, 1965
[148] ZELL, A.: Simulation Neuronaler Netze. Addison-Wesley, Bonn 1994
Anhang
Grammatik zur Definition der Formelsyntax
vor Entfernen von Linksrekursionen nach Entfernen von Linksrekursionen
formel ::= expr
|ε
expr ::= expr + term
|expr - term
|term
term ::= term * factor
|term / factor
|factor
factor ::= (expr)
|-expr
|f(expr)
|finv(expr)
|integ(expr, expr)
|diff1(expr)
|diff2(expr)
|grad(expr)
|abs(expr)
|pow(expr, expr)
|exp(expr)
|sqr(expr)
|sqrt(expr)
|sum(id)
|max(id)
|min(id)
|avg(id)
|fuzzymod(expr)
|id
|num
id ::= letter id
|ε
letter ::= a|b|c|d|...|Z
num ::= int_num
|real_num
zfolge ::= ziffer zfolge
|ε
real_num ::= zfolge . zfolge
int_num ::= zfolge
formel ::= expr
|ε
expr ::= term mterms
mterms ::= + term
|- term
|ε
term ::= factor mfactors
mfactors ::= * factor
|/ factor
|ε
factor ::= (expr)
|-expr
|f(expr)
|finv(expr)
|integ(expr, expr)
|diff1(expr)
|diff2(expr)
|grad(expr)
|abs(expr)
|pow(expr, exp)
|exp(expr)
|sqr(expr)
|sqrt(expr)
|sum(id)
|max(id)
|min(id)
|avg(id)
|fuzzymod(expr)
|id
|num
id ::= letter id
|ε
letter ::= a|b|c|d|...|Z
num ::= int_num
|real_num
zfolge ::= ziffer zfolge
|ε
real_num ::= zfolge . zfolge
int_num ::= zfolge
Erklärung
Ich erkläre hiermit, daß ich die vorliegende Arbeit selbständig angefertigt und ohne
Benutzung anderer als der angegebenen Hilfsmittel angefertigt habe. Die aus anderen
Quellen direkt oder indirekt übernommenen Daten und Konzepte sind unter Angabe
der Quelle gekennzeichnet.
Weitere Personen waren an der inhaltlich-materiellen Erstellung der vorliegenden
Arbeit nicht beteiligt. Insbesondere habe ich hierfür nicht die entgeltliche Hilfe von
Vermittlungs- bzw. Beratungsdiensten (Promotionsberater oder anderer Personen) in
Anspruch genommen. Niemand hat von mir unmittelbar oder mittelbar geldwerte
Leistungen für Arbeiten erhalten, die im Zusammenhang mit dem Inhalt der vorge-
legten Dissertation stehen.
Die Arbeit wurde bisher weder im In- noch im Ausland in gleicher oder ähnlicher
Form einer anderen Prüfungsbehörde vorgelegt.
Ich versichere, daß ich nach bestem Wissen die reine Wahrheit gesagt und nichts
verschwiegen habe.
Paderborn, August 1999
Andres Koller
