Melden Sie sich hier an, um auf Kommentare und die Whitepaper-Datenbank zugreifen zu können.

Kein Log-In? Dann jetzt kostenlos registrieren.

Falls Sie Ihr Passwort vergessen haben, können Sie es hier per E-Mail anfordern.

Der Zugang zur Reseller Only!-Community ist registrierten Fachhändlern, Systemhäusern und Dienstleistern vorbehalten.

Registrieren Sie sich hier, um Zugang zu diesem Bereich zu beantragen. Die Freigabe Ihres Zugangs erfolgt nach Prüfung Ihrer Anmeldung durch die Redaktion.

06.12.1985

Wissensverarbeitung: Viele Gesichter prägen die Szene

Wenn von der Wissensverarbeitung - häufig auch unter der irreführenden Bezeichnung "Künstliche Intelligenz" - die Rede ist, wird meist an Expertensysteme gedacht. Dabei stellt diese Gruppe nur eine der zahlreichen Anwendungsmöglichkeiten dieser neuen Disziplin der Informationsverarbeitung dar. Einblicke in weitere Einsatzgebiete gibt Peter Wurr im nachfolgenden Beitrag.

Wissen, also Informationen, Modelle, allgemeingültige Regeln und Erfahrungsregeln verarbeiten und Folgerungen ziehen zu können, hilft bei der Lösung vieler komplexer Aufgabenstellungen in Forschung und Entwicklung, im Büro sowie in der Fabrik und schließlich auch beim Software-Engineering. Die Wissensverarbeitung, auch als Symbolverarbeitung bekannt, ist eine neue Kategorie der Informationsverarbeitung die sich der Methoden der Künstlichen Intelligenz (KI) bedient.

Letztlich ist sie die Anwendung computergestützter Werkzeuge und Techniken, die dazu dienen, auf effiziente Weise Wissen und Konzepte darzustellen, zu speichern und zu manipulieren. Das heißt nichts anderes, als daß die Wissensverarbeitung Informationen intelligent verknüpft und interpretiert, Folgerungen aufgrund dynamischer Regelwerke zieht und ihre Schlüsse erklärt. Damit liefert sie die Begründung ihrer Arbeitsschritte und Ergebnisse.

Ein weiterer Gegensatz zur Datenverarbeitung liegt darin, daß die Wissensverarbeitung nicht nur mit Ziffern und streng strukturierten Daten, sondern ebenso mit Datentypen wie natürlicher Sprache und Bildern arbeiten kann.

Damit erschließt sie auch höchst komplexe Anwendungsbereiche und eine Arbeitsweise, die eher als intuitiv zu bezeichnen ist. Die Wissensverarbeitung ist deshalb auch nicht eine Konkurrenz für die herkömmlichen Formen der Informationsverarbeitung, sondern ihre logische Ergänzung. Sie umfaßt den großen Bereich der KI-Programmierung sowie einige andere in der Technik und im Training angesiedelte Formen der Symbolverarbeitung (Abbildung 1). In speziellen Anwendungen der numerischen Verarbeitung, der Datenverarbeitung und der Bürokommunikation fügt sie vorhandenen Lösungen die Wissenskomponente hinzu.

Waren es in den Anfängen der KI-Forschung die Wissenschaftler an den Universitäten, die mit den Methoden der Wissensverarbeitung Grundlagenarbeit betrieben, so befinden wir uns jetzt in der Phase der Applikationsentwicklung und Inhouse-Benutzung in den unterschiedlichsten Industriezweigen. Vorreiter waren zunächst die sogenannten High-Tech-Branchen, allen voran - aufgeschreckt durch die Nachrichten über die von den Japanern geplante fünfte Rechner-Generation - die Computer-lndustrie.

Eine Befragung der Benutzer von Symbolics-Systemen Anfang dieses Jahres zeigt, welche Anwendungsschwerpunkte die Wissensverarbeitung heute hat. 60 Prozent aller Befragten bei einer Basis von 1000 dedizierten Lisp-Maschinen für die Wissensverarbeitung nutzen ihre Systeme für die Entwicklung von Expertensystemen, aber auch mit steigender Tendenz für eine Reihe von anderen Aufgaben (Abbildung 2).

Den Blick in die Zukunft eröffnet eine - verglichen mit anderen Vorhersagen eher konservative - Prognose von DM Data Inc. (Abbildung 3). Sie sieht den größten Anwendungsbereich in der Mustererkennung, gefolgt von Expertensystemen und natürlichsprachlichen Systemen.

Alle Aufgaben, für deren Lösung sich die Wissensverarbeitung anbietet, haben gemeinsam, daß sie einen hohen Grad an Komplexität aufweisen und Folgerungen sowie Problemlösungstechniken erfordern, die im weiteren Sinne dem menschlichen Vorgehen verwandt sind.

Ein solches Beispiel sind die natürlichsprachlichen Systeme, die den Versuch darstellen, Menschen in natürlicher Sprache mit Computern kommunizieren zu lassen. Dadurch soll den Anwendern erspart werden mühsam die recht starre Syntax zu erlernen, die für die meisten konventionellen interaktiv arbeitenden Programme typisch ist.

Die Hauptbemühungen wurden bisher darauf verwendet, Eingabemechanismen für unstrukturierte Anfragen in natürlicher Sprache zu entwickeln und mit ihnen spezifische

Informationen aus einer Masse von Daten zu extrahieren. Denkt man an die Unberechenbarkeit grammatischer Strukturen und die Mehrdeutigkeit vieler Wörter, so wird klar, daß die Verarbeitung natürlicher Sprache wissensintensiv ist und Systeme erfordert, die nicht nur einen riesigen Sprachschatz beherrschen, sondern auch in der Lage sind, Bedeutungen aus dem Zusammenhang verstehen und benutzerspezifische Eigenarten im Sprachgebrauch zu erlernen.

Wie wichtig solche natürlichsprachlichen Interfaces jetzt und in Zukunft durch die wachsende Verbreitung informationsverarbeitender Geräte und Systeme sind, wird jedem klar, der an die Aversion breiter Bevölkerungsschichten gegen die Computertechnik mit ihren heute verbreiteten Benutzeroberflächen denkt.

Maschinelle Spracherkennung kämpft um kleine Erfolge

Das sogenannte CAI (Computer-Assisted Instruction) soll im Grunde das tun, wofür auch die Expertensysteme gedacht sind, nämlich das Wissen einzelner möglichst vielen, die es benötigen, verfügbar machen. Deshalb wird CAI von Fachleuten auch als eine Abart der Expertensysteme angesehen.

Hält man sich die unterschiedlichen Voraussetzungen der Schüler, wie Vorwissen, Neigungen und Lernerfahrung, vor Augen, dann gehen die Anforderungen an CAI-Systeme noch über diejenigen von Expertensystemen hinaus. Sie müssen Ereignisse simulieren und das Antwortverhalten der Schüler messen können. Interaktive Lernkontrollen müssen ebenso durchführbar sein wie die Anpassung der Lernschritte an individuelle Bedürfnisse.

Vorreiter beim computergestützten Lernen und der Simulation ist die NASA mit ihren Programmen für die Astronautenschulung.

Die maschinelle Spracherkennung mit herkömmlichen Mitteln hat nur bescheidene Erfolge zu verzeichnen. Sie ist außerordentlich komplex, bietet allerdings eine enorme Anwendungsbreite. Deshalb wird intensiv daran gearbeitet, diesen Forschungsbereich voranzutreiben.

Die Techniken der Spracherkennung durch den Computer zerlegen typischerweise Sätze in einzelne Wörter und phonetische Silben. Sie versuchen damit, kontinuierliche Sprache mit Hilfe der Kontextprüfung und/oder anhand von Sprachmustervergleichen in eindeutige Information umzusetzen. Dieser Prozeß wird durch die große Variationsbreite in der Aussprache durch verschiedene Sprecher enorm erschwert.

Traditionelle Architektur wirkt als Bremsklotz

Die Vielfalt der Möglichkeiten erfordert eine Technik wie die Wissensverarbeitung, um den Vorgang menschlichen Hörens und Verstehens sinnvoll abbilden zu können.

Die kontinuierliche sprecherunabhängige Spracherkennung liegt sicherlich noch Jahre in der Zukunft. Wie das sprachgestützte Bestellwesen eines Automobilherstellers zeigt, ist es allerdings schon heute möglich, mit Computern einzelne Wörter aus einem begrenzten Wortschatz zu verstehen und weiterzuverarbeiten.

Ähnlich komplex wie die Spracherkennung, ist die maschinelle Mustererkennung heute noch durch herkömmliche Kameratechnik und traditionelle Computer-Architekturen stark eingeschränkt. Die besonderen Schwierigkeiten liegen in der Erkennung der Ränder von Objekten sowie der Einschätzung ihrer Tiefe. Das liegt einfach daran, daß dem Computer die Möglichkeit fehlt, visuelle Anhaltspunkte zu nutzen, wie es der Mensch instinktiv tut.

Die für die Mustererkennung angewandten Techniken der Wissensverarbeitung versuchen, Maschinen mit der Fähigkeit visueller Vergleiche und dem Lernen durch Erfahrung zu versehen. Dabei müssen auch die Mehrdeutigkeiten bei Scanner-Bildern beseitigt und die hohen Rechenleistungen zum Vergleich erkannter Objekte mit gespeicherten Mustern sichergestellt werden.

Die maschinelle Mustererkennung wird in zahlreichen Anwendungsbereichen zu großen Fortschritten beitragen. Dazu zählen die " Seh"- Fähigkeit von Robotern, Verbesserungen in der Kartografie und ihrer Interpretation, die Verbesserung der Förderzeuge und der Montage in der Fertigung sowie die optische Zeichenerkennung.

Die meisten der heute eingesetzten Roboter sind unintelligente Substitute menschlicher Arbeit in Betriebsbereichen mit gefährlichen monotonen Arbeitsverrichtungen. Sie können vorgegebene Schritte mit relativ großer Zuverlässigkeit durchführen, nicht jedoch auf unvorhergesehene Ereignisse reagieren oder daraus lernen. Die Nutzung der Wissensverarbeitung - einschließlich der Expertensysteme und der Mustererkennung - wird den Einsatz der mechanischen "Handlanger" in diversifizierten Aufgaben mit größerer Zielorientierung ermöglichen. Dazu werden auch neuartige Sensoren beitragen. Die potentiellen Anwendungsbereiche der "intelligenten" Roboter-Generation liegen in hochkomplexen Prozeßsteuerungen, in der automatisierten Qualitätskontrolle und in autonomen erdgebundenen und Weltraumfahrzeugen.

Die Wissensverarbeitung wird heute vorwiegend in den Forschungs und Entwicklungsabteilungen der Industrie eingesetzt. Die Ursachen dafür sind offenkundig. Unter dem Druck der internationalen Konkurrenz, immer vielfältigere, innovative Produkte zu entwickeln, sehen sich die Entwickler vor ständig komplexer werdende Aufgaben gestellt. Die Wissensverarbeitung ist heute das wohl wirksamste Werkzeug, die Arbeit an neuen Projekten und Produkten überschaubar zu machen und - wie alle Benutzer im technischen Bereich bestätigen - erheblich zu beschleunigen.

So sind denn auch die meisten Anwender in der schnellebigen "High-Tech"-Welt zu finden. Mit 60 dedizierten Lisp-Systemen einer der größten Symbolics-Kunden, sei hier beispielhaft das MCC (Microelectronics and Computer Technology Corp.) in Austin/Texas genannt. Wie der Name schon sagt, geht es hier um die Entwicklung zukünftiger Computer-Systeme und ihrer Komponenten,

Mit dieser Gemeinschaftsaktivität wollen 18 amerikanische Hersteller die Antwort auf die japanische Herausforderung, die sogenannte fünfte Computer-Generation, erarbeiten. Die wichtigsten Entwicklungsprogramme liegen in den Bereichen VLSI-Design, Software-Technologie, Datenbank-Management, Mensch-Maschine-Interfaces und wissensbasierte Systeme.

Daß die Wissenskomponente auch Anwendungsfehler anreichern kann, in denen schon andere Forsten der Informationsverarbeitung etabliert sind, etwa in der Industrie-Automation einschließlich der Bereiche Konstruktion und Engineering, zeigt das starke Engagement von Unternehmen der Luftfahrt (Boeing, Ford Aerospace, Hughes, MacDonnell Douglas), der Elektronik (Fairchild, Gould, Analog Devices), der klassischen CAD/CAE-Industrie (Calma, Computervision, Evans & Sutherland) sowie des Automatisierungs-Giganten General Electric.

Auch hierzulande ist die Industrie nicht untätig geblieben. Besonders im Rahmen übernationaler Verbundprojekte wie ECRC (Zusammenarbeit Siemens, Bull, ICL) und Esprit sind eine Reihe von deutschen Firmen mit dem "Entwicklungsbeschleuniger" Wissensverarbeitung befaßt.

Der starken Verwendung der Wissensverarbeitung in der industriellen Entwicklung wird die sogenannte Delivery-Phase, also die Zeit der Verfügbarkeit generell nutzbarer, anwendungsreifer Produkte und Dienstleistungen auf der Basis wissensverarbeitender Systeme folgen. Schon jetzt gibt es solche Produkte für den Einsatz im Büro, etwa für

Ingenieure, Designer, Übersetzer und auch Programmierer.

- Peter Wurr ist Geschäftsführer der PRW- Unternehmensberatung GmbH, Kördorf/Taunus