Database Reference
In-Depth Information
+
B
V
+
J
4
J
0
−
+
J
2
D
n
⊥
S
+
J
3
+
J
1
+
Z
B
+
Abbildung 7.5
Truth Maintenance-Netzwerk zu Beispiel 7.24
Dieses TMN ist in Abbildung 7.5 graphisch dargestellt. Die Begrundung J
0
(“Wenn
das Auto nicht startet und nicht bekannt ist, dass ein Defekt vorliegt, nimm an, dass
zu wenig Benzin im Tank ist”) ist ahnlich allgemein gehalten wie J
2
im Tweety-
Beispiel 7.22.
Bei Diagnosen in komplexeren Bereichen (z.B. in der Medizin) kommt es kaum
vor, dass eine Diagnose auf der Basis vorliegender Symptome klar ausgeschlossen
werden kann. Hier geht es eher darum, dass Diagnosen relativ oder absolut siche-
rer werden oder auch nicht. Daher bieten sich hier quantitative Methoden an, wie
sie z.B. in MYCIN implementiert wurden. In Kapitel 13 werden wir mit den sog.
Bayesschen Netzen
eine moderne und e
ziente Methode vorstellen, um quantifi-
zierte Abhangigkeiten zwischen Aussagen umzusetzen.
Ein weiteres Beispiel soll die mogliche Rolle eines JTMS im Rahmen eines
Fertigungsprozesses illustrieren.
Beispiel 7.25 (Fertigung)
In einer Fabrik werde ein Produkt C gefertigt. Zu sei-
ner Herstellung werden alternativ die beiden Rohstoffe A
1
und A
2
eingesetzt, wobei
im Normalfall A
1
gewahlt wird. Liegen jedoch besondere, zunachst nicht naher
spezifizierte Umstande vor, so wird C mit A
2
produziert. Ein solcher “besonderer
Umstand” tritt z.B. bei Lieferproblemen fur A
1
ein.
Hier bietet sich folgendes TMN an (vgl. Abbildung 7.6):
Knoten:
C
:
Endprodukt
B
:
besondere Umstande
A
1
,A
2
:
Rohstoffe
L
1
:
Lieferprobleme fur A
1
Begrundungen:
J
0
:
C
|
B
→
A
1
J
1
:
C, B
|∅ →
A
2
J
2
:
L
1
|∅ →
B
J
3
:
∅|∅ →
C
