Expertensystem

Ein Expertensystem besteht aus zwei zentralen Komponenten. Die Wissensbasis enthält das Fachwissen eines Bereichs in Form von Fakten und Regeln, meist als Wenn-dann-Aussagen formuliert. Ein Beispiel wäre die Regel: Wenn der Patient Fieber und Husten hat, dann liegt der Verdacht auf eine Atemwegsinfektion nahe.

Die zweite Komponente ist die Inferenzmaschine. Sie wendet die Regeln der Wissensbasis auf konkrete Eingaben an und leitet daraus Schlussfolgerungen ab. Dabei verknüpft sie mehrere Regeln logisch miteinander, bis sie zu einer Empfehlung oder Diagnose gelangt. Sie ist damit das Herzstück, das aus statischem Wissen einen aktiven Entscheidungsprozess macht.

Ergänzt werden diese beiden Bausteine oft durch eine Benutzerschnittstelle und eine Erklärungskomponente. Letztere ist ein wichtiges Merkmal: Ein gutes Expertensystem kann nachvollziehbar darlegen, welche Regeln zu einem Ergebnis geführt haben, sodass die Entscheidung für Menschen transparent und überprüfbar bleibt.

Das Wissen für die Wissensbasis stammt von menschlichen Fachleuten. In einem Prozess, der als Wissensakquisition bezeichnet wird, befragen Wissensingenieure Expertinnen und Experten und überführen deren Erfahrung in formale Regeln. Diese manuelle Übertragung von Expertenwissen ist aufwendig, aber sie bestimmt die Qualität des gesamten Systems.

Bei der Anwendung gibt der Nutzer Informationen ein, etwa Symptome oder Messwerte. Die Inferenzmaschine prüft, welche Regeln auf diese Eingaben zutreffen, und arbeitet sich logisch vom bekannten Wissen zu einem Ergebnis vor. Dabei kann sie vorwärts von den Fakten zu den Schlüssen oder rückwärts von einer Hypothese zu den nötigen Bedingungen arbeiten.

Das Ergebnis ist eine nachvollziehbare Empfehlung. Anders als bei vielen modernen KI-Verfahren ist jeder Schritt klar definiert. Genau das macht Expertensysteme dort attraktiv, wo Entscheidungen begründbar und prüfbar sein müssen, etwa in der Medizin, im Recht oder in technischen Diagnosen.

Expertensysteme markieren einen prägenden Abschnitt in der Geschichte der KI. In den 1970er- und 1980er-Jahren galten sie als der vielversprechendste Weg, künstliche Intelligenz praktisch nutzbar zu machen. Bekannte Systeme wie MYCIN zur Diagnose von Infektionskrankheiten oder DENDRAL zur Analyse chemischer Strukturen zeigten erstmals, dass Maschinen anspruchsvolle Fachentscheidungen unterstützen konnten.

In dieser Phase entstand eine ganze Industrie rund um Expertensysteme. Unternehmen versprachen sich erhebliche Produktivitätsgewinne, und das Feld zog viel Forschungsförderung an. Damit gehörten Expertensysteme zu den ersten KI-Technologien, die über reine Forschung hinaus wirtschaftliche Relevanz erlangten.

Ab den späten 1980er-Jahren zeigten sich jedoch die Grenzen. Die Pflege großer Regelwerke wurde extrem aufwendig, und die Systeme waren starr gegenüber neuen Situationen. Dies trug zur sogenannten KI-Winter-Phase bei, in der Erwartungen und Investitionen deutlich zurückgingen.

Der entscheidende Unterschied liegt in der Herkunft des Wissens. Ein Expertensystem erhält seine Regeln von Menschen, die ihr Fachwissen explizit formulieren. Modernes Machine Learning hingegen lernt Muster selbstständig aus großen Datenmengen, ohne dass jede Regel von Hand vorgegeben werden muss.

Daraus ergeben sich gegensätzliche Stärken und Schwächen. Expertensysteme sind vollständig nachvollziehbar und benötigen keine großen Datensätze, sind aber unflexibel und schwer zu pflegen. Machine-Learning-Modelle passen sich an neue Daten an und bewältigen komplexe, unscharfe Probleme, agieren dafür aber häufig als schwer durchschaubare Black Box.

In der Praxis schließen sich beide Ansätze nicht aus. Moderne KI-Lösungen kombinieren regelbasierte Logik mit lernenden Verfahren, um sowohl Nachvollziehbarkeit als auch Anpassungsfähigkeit zu erreichen. Das Verständnis von Expertensystemen bleibt daher wichtig, um die Entwicklung und die Grenzen heutiger KI einordnen zu können.

Auch wenn der Begriff seltener fällt, sind regelbasierte Systeme weiterhin im Einsatz. Überall dort, wo Entscheidungen klar definierten Vorgaben folgen müssen, sind sie nach wie vor die erste Wahl. In der Finanzbranche prüfen sie etwa, ob Transaktionen gegen festgelegte Regeln verstoßen, und in der Steuer- oder Rechtsberatung bilden sie gesetzliche Vorgaben präzise ab.

Ein wesentlicher Vorteil bleibt die Nachvollziehbarkeit. In regulierten Bereichen muss eine Entscheidung oft begründet und auditierbar sein. Ein Expertensystem kann genau benennen, welche Regeln zu einem Ergebnis geführt haben. Das schafft Vertrauen und erfüllt Anforderungen an Transparenz, die rein lernende Verfahren häufig nicht ohne Weiteres bieten.

Zunehmend werden regelbasierte Komponenten mit datengetriebenen Modellen verbunden. Ein lernendes System kann etwa Muster in großen Datenmengen erkennen, während ein Regelwerk sicherstellt, dass verbindliche Vorgaben stets eingehalten werden. Diese Verbindung von Erklärbarkeit und Lernfähigkeit prägt viele praktische Anwendungen heutiger KI.