Database Reference
In-Depth Information
4.3
Inferenz in einem regelbasierten System
Die grundlegende Inferenzregel in einem regelbasierten System ist der
modus po-
nens
:
if
A
then
B
(Regel)
Awahr
(Faktum)
B wahr
(Schlussfolgerung)
Die Regel ist dabei Teil des abstrakten Wissens, wahrend das Faktum im Allgemei-
nen auf Beobachtungen basiert, also Teil des konkreten Wissens ist.
Beispiel 4.6
Der Inferenzprozess im obigen Geldautomaten-Beispiel lasst sich also
formal wie folgt darstellen:
if
Kontostand = nicht ausreichend
(Regel GA-6')
then
Auszahlung = soll nicht erfolgen
Kontostand = nicht ausreichend
(Faktum)
Auszahlung = soll nicht erfolgen
Der
modus ponens
benutzt jeweils
eine
Regel zur Inferenz. Damit sind aber die
Moglichkeiten zur Ableitung von Wissen noch langst nicht erschopft. Die eigentliche
Leistung eines regelbasierten Systems zeigt sich in seiner Fahigkeit, komplexe Infor-
mation durch die
Verkettung von Regeln
, die wir durch
Regelnetzwerke
visualisieren,
zu verarbeiten. Dabei spielt die Richtung des Inferenzprozesses eine große Rolle;
man unterscheidet
Vorwartsverkettung (forward chaining)
bzw.
datengetriebene In-
ferenz (data-driven inference)
und
Ruckwartsverkettung (backward chaining)
bzw.
zielorientierte Inferenz (goal-oriented inference)
.
4.3.1
Regelnetzwerke
Da das Geldautomaten-Beispiel nicht die Moglichkeit der Regelverkettung bietet,
wollen wir die verschiedenen Arten der Inferenz an einem komplexeren abstrakten
Beispiel illustrieren.
Beispiel 4.7
Unsere Wissensbasis enthalte die
Objekte
:
A, B, C, D, E, F, G, H, I, J, K, L, M ,
jeweils mit den Werten
{
true
,
false
}
, und die folgenden
Regeln
:
R1:
if
A
∧
B
then
H
R2a:
if
C
then
I
R2:
if
C
∨
D
then
I
R2b:
if
D
then
I
R3:
if
E
∧
F
∧
G
then
J
R4a:
if
H
then
K
R4:
if
H
∨
I
then
K
R4b:
if
I
then
K
R5:
if
I
∧
J
then
L
R6:
if
K
∧
L
then
M
