X ist_vater_von y falls y ist_tochter von X

Nun könnte die Fragewer IST_VATER _VON monika beantwortet werden Dieses Beispiel veranschaulicht einige wichtige Aspekte der generellen Arbeitsweise eines wissensbasierten Systems. Es zeigt auf, wie aus Wissen in Form von Fakten und Regeln neues Wissen hergeleitet werden kann. Damit sind auch Architektur und wesentliche Bestandteile eines wissensbasierten Systems beschrieben.

Problemlösungen

Das schwierigste und bisher am unbefriedigsten gelöste Problem ist die vollständige Erfassung des zur Lösung einer Problemstellung benötigten Wissens. Dieses Problem liegt ursächlich daran Wissen explizit zu machen. Offensichtlich wird dies am Beispiel „Kuchen“: Es ist relativ einfach, die Abfolge der Handlungen beim Zubereiten des Kuchenteiges und die verwendeten Zutaten anzugeben, aber es ist bei weitem schwerer zu sagen, wie aus dem Teig ein fertig gebackener Kuchen wird. Daraus kann man schließen, dass technisches Spezialwissen in der Regel viel einfacher erfaßbar und modellierbar ist als Allgemeinwissen. Gerade bei Dingen, die uns der Alltag lehrt. z.B. wo rechts oder links ist, was süß, bitter, salzig..... schmeckt. Es ist offensichtlich, weshalb es so viele Probleme bereitet, Allgemeinwissen zu formalisieren. Es ist überaus komplex und umfangreich, und ist schwer strukturierbar. Oft ist es nur unvollständig oder nur vage vorhanden, außerdem kann es in manchen Fällen auch widersprüchlich sein. Diese Eigenschaften machen deutlich, dass Allgemeinwissen schwer zugänglich ist, und so schwer einer künstlichen Intelligenz beizubringen ist.

Leider gibt es bisher in der Praxis noch keine Systeme, deren Lernfähigkeit mit der des Menschen vergleichbar ist. Menschliches Lernen ist vielfältig und daher noch nicht vollständig verstanden und deshalb auch nicht modellierbar. Einzelne eingeschränkte Fähigkeiten, z.B. das Lernen aus Fehlern und positiven Erfahrungen sind nur in einfachen Ansätzen maschinell nachvollziehbar. Große Hoffnung wird derzeit in eine andere Art von Lernen im Zusammenhang mit künstlichen neuronalen Netzen wissenschaftlich vorangetrieben. Um sich damit zu beschäftigen muß man sich erst einmal mit dem menschlichen Gehirn auseinandersetzen. Denn während der symbolische Ansatz der künstlichen Intelligenz sowohl eine Begriffswelt als auch ein Ausführungsmodell zur Verfügung stellt, versucht man mit Hilfe von künstlichen neuronalen Netzen die Modellierung menschlicher Denkprozesse am biologischem Vorbild Gehirn zu orientieren. Eine vollständige Nachbildung ist jedoch aufgrund der Größe und Komplexität des Originals nicht möglich. Die Modellbildung wird daher auf der Basis eines extrem vereinfachten Abstraktion des physiologischen Aufbaus des Gehirns durchgeführt. Diese Modelle werden als künstliche neuronale Netze bezeichnet. Dies jedoch entpuppt sich als sehr schwer, da man heute zwar alle Einzelheiten und Funktionsbereiche kennt, jedoch nur wenig von der Funktion und dem Zweck der Gesamtheit versteht. Die neuronale Informationsverarbeitung ist dazu auch noch verglichen mit den herkömmlichen Methoden kostspielig. Große Datenmengen müssen gespeichert werden, und um den extremen Rechenzeitbedarf einzuschränken muß man auf Spezialprozessoren zurückgreifen. Dadurch wird ständig auf die nächste Generation von Hardwareelementen gewartet, um bessere Netzmodelle herstellen zu können. Dadurch eröffnen sich ständig neue Anwendungen und Anwendungsgebiete