3 EXPERTENSYSTEME IN DEN AGRARWISSENSCHAFTEN

3.1 Expertensysteme im Kontinuum agrarwissenschaftlicher Entscheidungsunterstützender Systeme

Der aus dem amerikanischen eingedeutschte Begriff der "Entscheidungsunterstützenden Systeme" (Decision Support Systems: DSS) hat sich aus einem evolutionären Prozeß der Informations- bzw. Datenverarbeitung entwickelt (vgl. HARSH, 1987, S. 2 ff.). Nach ersten landwirtschaftlichen Anwendungen der Computertechnologie (in erster Linie Lineare Programmierung als Optimierungstechnik) wurden - verursacht durch neue Computertechnologien und die Einsicht in den eher limitierten Nutzen dieser frühen Anwendungen als Hilfestellung für den Entscheidungsprozeß des "decision makers" - erste Schritte in Richtung der Management-Informations-Systeme (MIS) unternommen. Obwohl der MIS-Ansatz progressiver und eher eine Hilfestellung für die Entscheidungsfindung des Landwirts war, wiesen diese Systeme doch Defizite auf, die zusammen mit weiteren Fortschritten in der Computertechnologie zur Definition der DSS führten, in deren Kontext schließlich auch Expertensysteme eingereiht werden können. SPRAGUE und CARLSON definieren DSS als: "interactive computer-based systems, that help decision makers utilize data and models to solve unstructured problems. The unique contribution of DSS results from the key italicized words." (SPRAGUE und CARLSON, 1982, S.4). Im Gegensatz zu strukturierten Entscheidungen sind "ill-structured decisions" solche, deren Art und Weise der Entscheidungsableitung nicht klar definiert und a priori festgelegt ist. So würde beispielsweise die Optimierung einer Futterration eine strukturierte Entscheidung darstellen, die Planung einer Unternehmenserweiterung oder einer neuen Einstallungspolitik für einen Schweinestall hingegen stellt eine weniger strukturierte Entscheidung dar.

DSS, die auch auf das letztgenannte Entscheidungsniveau zugeschnitten sind, besitzen prinzipiell den von SPARGUE vorgeschlagenen und in Abbildung 18 dargestellten Aufbau. Gemäß dieser Darstellung besteht ein DSS mindestens aus fünf Komponenten: Einer Daten-, Modell- und Hilfestellungsbank, einer Benutzerschnittstelle und einem Entscheidungssuchenden, dem Entscheidungsträger. Für den vorliegenden Anlaß ist die Einordnung von Expertensystemen in das Modellkontinuum agrarwissenschaftlicher Managementhilfen bedeutsam. Im folgenden wird daher nicht auf DSS im allgemeinen, sondern lediglich auf die Komponente der Modellbank eingegangen. In dieser Modellbank sind eine Reihe verschiedener Modelle unterschiedlicher Zielsetzungen enthalten.

ALTER (1983, S.32 ff.) klassifiziert die in einem DSS relevanten Entscheidungshilfen als entweder daten- oder modellorientiert. Er definiert drei Typen von datenorientierten Entscheidungshilfen (möglicherweise ist die deutsche Übersetzung nicht immer treffend, die original englischsprachigen Begriffe sind deshalb in Klammern gesetzt):

Zur Veranschaulichung sollen einige Beispiele dienen:

Karteisysteme verarbeiten Informationen, die traditionellerweise auf Karteikarten oder in Notizbüchern niedergelegt sind. Solche Systeme dienen lediglich der Beschleunigung und der Flexibilitätssteigerung des Informationszugriffes.

Datenmanipulationssysteme erlauben den Zugriff auf und die Zusammenstellung von Daten nach bestimmten, idealerweise frei definierbaren Mustern etwa zur weiteren Analyse. Dieses Konzept ist eines der Hauptcharakteristika heutiger relationaler Datenbanksysteme.

Analyse-/Informationssysteme stellen ein Set von Modellen dar (etwa Finanz- oder Lohnbuchführung), die wiederum Zugriff zu verschiedenen Datenbanken haben.

Neben diesen datenorientierten Systemen beschreibt ALTER folgende vier modellorientierten Entscheidungshilfen:

Wieder sollen Beispiele dazu dienen, die hinter diesen Konzepten stehenden Ideen zu veranschaulichen:

Kalkulationsmodelle sind in dem hier vorliegenden Kontext, im Gegensatz zu den bereits erwähnten, datenorientierten Buchführungsprogrammen, eher Planungsmodelle, wie etwa ein Natural- oder Kassenvoranschlag.

Konnektive Modelle dienen dazu, die mannigfaltigen Interaktionen bzw. Verbindungen der Elemente komplexer Systeme zu verdeutlichen oder etwa die Auswirkung der Manipulation eines Elementes (z.B. Düngerinput für Weizen) auf ein Gesamtsystem (z.B. die Ökonomik eines landwirtschaftlichen Betriebes) zu zeigen.

Beide vorgenannten Arten von Modellen sind ihrem Wesen nach Simulationsmodelle, die keine normativen Antworten geben. Der Entscheidungsträger ist vielmehr auf seine Erfahrungen und heuristischen Fähigkeiten bzw. Kenntnisse angewiesen, um befriedigende, seinen Entscheidungsprozeß unterstützende Lösungen identifizieren zu können.

Optimierungsmodelle haben einen gänzlich anderen Charakter: Ihr Ergebnis ist gewissermaßen eine genaue Handlungsanweisung nach Maßgabe der zu grundeliegenden Algorithmen und den problemimmanenten Restriktionen. Solche Modelle sind klassischerweise die verschiedenen Ansätze linearer Programmierung.

In die Gruppe der Vorschlagsmodelle lassen sich Expertensysteme einordnen. Diese Art von Modellen haben die Aufgabe, für definierte Probleme spezifische Empfehlungen zu geben.

Die folgende Beschreibung einiger, bereits bestehender Expertensysteme wird eine Idee für diese Gruppe geben.

Zuvor sei noch ein Abschnitt der Benutzer-Schnittstelle, die in engem Zusammenhang zur Hilfestellungsbank steht, als möglicherweise kritischstes Element eines DSS gewidmet. Auch hier können Expertensysteme einen maßgeblichen Beitrag leisten, die Handhabung solchermaßen komplexer Modelle zu erleichtern und die Benutzerakzeptanz zu erhöhen. Der Gebrauch von DSS sollte nicht nur den adressierten Aufgabenstellungen entsprechend einfach sein, vielmehr sollte die Komponente "Benutzer-Schnittstelle" dem Anwender Hilfestellung in Verfahrensfragen geben können. Kurz: Ein Expertensystem kann dem Anwender bei der Wahl des geeigneten Modells für sein spezifisches Problem assistieren.

3.2 Vorliegende Expertensystem-Anwendungen in den Agrarwissenschaften

Expertensysteme stellen einen relativ jungen Zweig der Computeranwendung in den Agrarwissenschaften dar, trotzdem liegen bereits einige anwendungsreife Expertensysteme vor, die überwiegend in den USA entwickelt wurden. Obwohl Informationen über Expertensystemanwendungen nur verstreut vorliegen und die folgende, selektive Beschreibung einiger Expertensysteme daher keinen Anspruch auf Vollständigkeit erheben kann, wird auch bei eingehendem Literaturstudium schnell deutlich, daß Entwicklungen von Expertensystemen in der landwirtschaftlichen Betriebslehre rar sind.

Eine umfassende Beschreibung von Expertensystemen ist im "The CRI Directory of Expert Systems" zu finden (LEARNED INFORMATION, 1986). Dieses Directory enthält eine Beschreibung aller geplanter, in der Entwicklung befindlicher und fertiggestellter Expertensysteme nach Wissenschaftsdisziplinen geordnet, darunter auch die Agrarwissenschaften. Es enthält allerdings nur Publikationen über Expertensysteme, die vor Ende 1985 veröffentlicht wurden (eine Neuauflage ist geplant).

Eine umfassende Beschreibung vorliegender Expertensysteme in den Agrarwissenschaften (auf den angelsächsischen Sprachraum beschränkt) haben BARRET und JONES (1989) erarbeitet. Einige der dort beschriebenen Modelle werden auch hier erörtert, wohingegen nicht alle hier erwähnten Systeme bei BARRET und JONES zu finden sind.

Aktueller, wenn auch nicht umfassend, ist eine wissensbasierten Systemen gewidmete Sonderausgabe von "Computers and Electronics in Agriculture" (WHITTAKER und THIEME, 1990). Hier werden schlaglichtartig, allerdings auch auf den angelsächsischen Sprachraum beschränkt, einige Expertensysteme vorgestellt.

Für den deutschsprachigen Raum liefert SCHIEFER (1989) als Herausgeber eines Bandes mit den Vorträgen einer Fachtagung einen Überblick, der allerdings - von Ausnahmen abgesehen - mehr allgemeine Probleme als spezielle Anwendungen hervorhebt.

Eine ganze Reihe von Expertensystemen unterschiedlichster Wissensdomänen der Agrarwissenschaften sind anläßlich der Internationalen Computerkongresse 1988 und 1990 vorgestellt worden. Die Ergebnisse sind in den jeweiligen Tagungsbänden dokumentiert (DLG, 1988) und (KUHLMANN, 1990c).

Die Literaturanalyse erweckt insgesamt den Eindruck, daß von den derzeitigen Entwicklungen nur wenige als wirklich abgeschlossen angesehen werden können. Viele befinden sich noch im Prototypenstadium. Nicht alle der entwickelten Expertensysteme im Bereich der Agrarwissenschaften sind für die direkte Anwendung auf einem landwirtschaftlichen Unternehmen gedacht. Dies wird in den jeweiligen Beschreibungen deutlich werden. Die Beschreibungen sind, soweit möglich, nach Problemtyp bzw. Funktion geordnet. Hier werden zwischen Diagnose-/Therapie- und Beratungs-/Hilfestellungssystemen unterschieden.

Der Themenstellung der vorliegenden Arbeit folgend werden in Kapitel 4.3 einige Expertensysteme Erwähnung finden, die zwar nicht im Bereich der Agrarwissenschaften anzusiedeln sind, dafür aber die Unternehmensanalyse zum Gegenstand haben.

3.2.1 Diagnose-/Therapie-Systeme

3.2.1.1 An Expert-System-Application to the Financial Analysis of Lender Case Farm Records

Dieses Expertensystem wurde 1986-87 an der Michigan State University entwickelt (PHILLIPS, 1987). Das zugrundeliegende ESBT ist das regelbasierte System INSIGHT 2+ bzw. LEVEL FIVE, das Expertensystem wurde auf einem Microcomputer (PC/XT) programmiert.

Zweck dieses Expertensystem ist es, landwirtschaftliche Betriebe anhand vorliegender Daten (Bilanzkennzahlen, G+V-Kennzahlen) auf ihre Kreditwürdigkeit hin zu überprüfen. Es ist auf Futterbaubetriebe (Dairy Farms) beschränkt. Das Expertensystem kommuniziert mit dem Tabellenkalkulationsprogramm LOTUS 123, in das die Daten des Betriebs eingegeben, verrechnet und an das Expertensystem übergeben werden.

Zielgruppe sind sowohl Landwirte als auch Institutionen der Kreditvergabe. Es war jedoch die eigentliche Intention des Projektes zu zeigen, daß ein Buchführungsergebnisse analysierendes Expertensystem zu den gleichen Schlußfolgerungen kommen kann wie menschliche Experten (PHILLIPS und HARSH, 1988, S.1).

Der Prozeß der Wissensakquisition vollzog sich nach einer Methode, die sich zwischen "Experte und Wissensingenieur in einer Person" bzw. "Experte und Wissensingenieur in Zusammenarbeit" bewegt, d.h., zuerst wurde ein Prototyp entwickelt, dessen Wissen mittels Literaturanalyse vom Programmentwickler erworben wurde. Dieser Prototyp wurde dann Experten vorgestellt, die so in einem iterativen Prozeß um Verbesserungsvorschläge und Kritik gebeten wurden. Die während dieses Entwicklungsprozesses gemachten Erfahrungen bezüglich der Wissensakquisition fassen PHILLIPS und HARSH wie folgt zusammen: "... the first knowledge engineering interviews with the experts were difficult and challenging because they were either not able to articulate their decision making process or did not feel confident in their expertise. Better results were obtained when experts were presented a working model that they could react on" (PHILLIPS und HARSH, 1987, S.2).

Das Ergebnis einer Sitzung mit dem Expertensystem mündet in eine Gesamtbewertung der finanziellen Position und eines vorausgeschätzten Liquiditätstrends des jeweiligen Betriebs. Dazu werden maßgebliche Kostenfaktoren des Analysebetriebes mit passenden Standardwerten verglichen, Fütterungs- und Anbaupraktiken nach Maßgabe von "rules of thumb" bewertet und Aufwandspositionen analysiert. Das hierzu benötigte Fachwissen ist in der Wissensbasis des Systems verankert.

Ein möglicher Modell-Output (Endergebnis), beispielsweise für einen finanziell schlecht gestellten Betrieb, ist in Übersicht 8 gezeigt.

Die dort gezeigte Schlußfolgerung basiert auf der in Übersicht 9 gezeigten Regel, welche die letzte (enthält das GOAL "solvency trend determined") eines komplexen Regelsatzes ist. Die Klauseln der Prämisse sind jeweils Schlußfolgerungen vorausgegangener Regeln.

Festzuhalten bleibt hier, wie relativ nahe die formulierte Regel an der Alltagssprache orientiert ist, womit ihre Verständlichkeit - abgesehen von den verwendeten Variablennamen - auch für Außenstehende gewährleistet bleibt.

Modelltests gegen landwirtschaftliche Finanzexperten zeigten Übereinstimmung in der gleichen Größenordnung wie die Bewertungen der einzelnen Fallstudien der Experten untereinander. Das Expertensystem erfüllt somit offensichtlich seine intendierte Bestimmung.

3.2.1.2 An Expert System for Soybean Disease Diagnosis

Das Expertensystem PLANT/DS wurde ursprünglich 1979/80 an der University of Illinois mit einem induktiven Tool namens AQ11 entwickelt (vgl. MICHALSKI und CHILAUSKY, 1980). Es ist heute Bestandteil des allgemeinen Systems PLANT, welches dem Anwender für verschiedene Pflanzen bei der Diagnose und der Entscheidungsfindung von Krankheiten und Insektenbefall zur Seite stehen soll (vgl. LEARNED INFORMATION, 1986, S.208). Die beiden Autoren (MICHALSKI und CHILAUSKY, 1980) vergleichen zwei Methoden der Wissensakquisition, welche sie zu Versuchszwecken für die Entwicklung der beiden Expertensysteme zur Diagnose von Sojabohnenerkrankungen anwendeten (basierend auf jeder der beiden Methoden wurde ein spezielles Expertensystem programmiert). Die Repräsentation des Wissens erfolgt mittels Regeln, im ersten Expertensystem durch Interviews mit einem Experten ermittelt. Die Regeln des zweiten Expertensystems wurden induktiv aus Beispielen, in denen ein Experte die spezielle Erkrankung bereits diagnostiziert hatte, abgeleitet.

Der Leistungsvergleich der Expertensysteme - basierend auf den beiden unterschiedlichen Methoden - ergab, daß das induktiv abgeleitete Expertensystem eine höhere "Treffsicherheit" (97.6% korrekte Diagnose) als das aus Experten-Interviews abgeleitete (71.8% korrekte Diagnose) aufwies (MICHALSKI und CHILAUSKY, 1980, S.150). Eine korrekte Diagnose lag dann vor, wenn das jeweilige Expertensystem zum gleichen Ergebnis gekommen ist wie ein Phytopathologe. Die Autoren überprüften weiterhin die "Sauberkeit" der beiden verschiedenen Regelsätze mittels einer Kennzahl, die sie "Indecision ratio" nennen, was etwa einem "Unzweifelhaftigkeitsfaktor" entspricht. Diese Kennzahl lag für das induktiv abgeleitete System bei 2.64, für das andere bei 2.9. Je kleiner dieser Wert, desto "sauberer" ist der Regelsatz, d.h., desto eindeutiger und unzweifelhafter fällt eine Entscheidung aus (vgl. MICHALSKI und CHILAUSKY, 1980, S.147 ff.). Die Autoren führen zwei mögliche Begründungen für das schlechtere Abschneiden des durch Experteninterviews gewonnenen Regelsatzes an:

1. Experten sind geübt zu entscheiden, aber nicht ihre Entscheidungen zu erklären. Möglicherweise sind deshalb die Ergebnisse aus den induktiv abgeleiteten Regeln günstiger ausgefallen.

2. Die Autoren geben zu: Wenn sie mehr Zeit für die Interviews und die Formalierungsphase investiert hätten, wäre der Vergleich möglicherweise weniger drastisch oder sogar günstiger für die auf Interviewbasis gewonnenen Regeln ausgefallen.

Für das schlechtere Abschneiden des mittels Interviews entwickelten Expertensystems mag noch ein dritter Faktor eine Rolle spielen: Es besteht ein Unterschied zwischen den im Bereich Pflanzen-/Tierproduktion und den in der Agrarökonomik angesiedelten Diagnose-/Therapie-Problemen. Sollen beispielsweise Krankheiten aus den beiden erstgenannten Wissenschaftsdisziplinen diagnostiziert werden, so ist der Experte auf den Gebrauch seiner fünf Sinne angewiesen. Er wird sehen, fühlen, evtl. hören und riechen wollen, um eine sichere Diagnose abgeben zu können. Solchermaßen gewonnene Daten sind unzweifelhaft schwieriger in eine verbale Beschreibung - aus der sich die Regeln schließlich ableiten - zu bringen, als die Diagnose von "Krankheiten" in ökonomischen Wissenschaftsdisziplinen. Der Experte hier wird sich im wesentlichen auf vorliegendes Zahlenmaterial stützen, er kann somit seine Entscheidungsregeln einfacher in Worte fassen. Sie beruhen hauptsächlich auf Vergleichen von Sachverhalten, die relativ einfach zu formulieren und objektiv nachvollziehbar sind. Mit anderen Worten: Das von MICHALSKI und CHILAUSKY durchgeführte Experiment hätte für ein ökonomisch gelagertes Problem zu anderen Ergebnissen führen können.

Trotz besserer Ergebnisse der induktiv abgeleiteten Wissensbasis zeigt diese Methode gravierende Schwächen auf und ist nicht für jedes Problem gleichermaßen geeignet. Für Probleme, die zwischen den involvierten Variablen viele Interdependenzen aufweisen, kann die induktive Methode nur eingeschränkt Verwendung finden. Für eher limitierte Probleme allerdings oder für einen "schnellen" Start (Prototyp) auch komplizierterer Probleme kann diese Methode ausgezeichnete Dienste leisten.

In Übersicht 10 ist noch eine Beispielsregel zur Diagnose einer bestimmten Krankheit gezeigt, wie sie in diesem Expertensystem Verwendung findet. Hier wird der Wandel in der Entwicklung der ESBT's selbst, insbesondere der Trend hin zur natürlichen (geschriebenen) Sprache, deutlich.

3.2.1.3 Grain Marketing Advisor (GMA)

Der GMA wurde 1985 an der Purdue University in Indiana entwickelt (vgl. THIEME et al., 1985). Das auf IBM-kompatiblem Microcomputer lauffähige ESBT PERSONAL CONSULTANT dient als Grundlage dieses regelbasierten Systems. Wenn auch die grundlegende Funktion dieses Expertensystems die Selektion einer geeigneten Marketingalternative für Getreide ist, so gehört es doch in die Klasse der Diagnose-/Therapie-Modelle: Ausgehend von einer vorliegenden Situation wird auf eine Empfehlung hingearbeitet.

Die Marketingentscheidung ist im wesentlichen auf folgende Faktoren (in Klammer mögliche Ausprägungen) gestützt, die vom Expertensystem als Frage formuliert und vom Benutzer im Laufe des Dialoges beantwortet werden müssen (UHRIG et al., 1986, S.3):

Zu den einzelnen Marketingstrategien, die in Form eines Entscheidungsbaumes dargestellt werden können, führt je nach Maßgabe der Benutzerantworten ein bestimmter Pfad, ausgehend von einem Standpunkt (root). Ein partieller Entscheidungsbaum, d.h., ein bestimmter Pfad aus dem Kontext des gesamten Entscheidungsbaums ist in Abbildung 19 dargestellt.

Die nachstehend dargestellte, diesem Pfad folgende Beispielssitzung gibt einen guten Eindruck über die Art und Weise des Dialoges zwischen dem GMA und dem Anwender (in Anlehnung an THIEME et al., 1985, S.10).

In dieser Beispielssitzung sind die Abfragen bzw. Kommentare des Expertensystems fett gedruckt. Die zur Auswahl stehenden Antworten sind in Großbuchstaben dargestellt, die jeweilige Benutzerantwort ist mit einem Stern versehen.

Die Sitzung startet mit einer kurzen Einführung:

CURRENT OBJECTIVE:

Welcome to the Grain Marketing Advisor. This program is a rule-based decision support system that uses human expertise to analyze information that you provide. A marketing alternative will be chosen that is appropriate for the situation that is described.

Die anschließende, erste Frage entscheidet darüber, welcher Pfad, ausgehend von der Wurzel des Entscheidungsbaumes, gewählt wird:

Would you like to CHOOSE a marketing alternative, or RESERVE a previously made decision?

*CHOOSE-AN-ALTERNATIVE

RESERVE-A-DECISION

Are you willing to speculate for higher return?

*YES

NO

What is the current futures price trend?

*UP

DOWN

What is the current basis trend?

IMPROVING

*WEAKENING

Do you expect the basis trend to reverse soon?

YES

*NO

What is the time of year?

PREHARVEST

*HARVEST

POSTHARVEST

What type of storage will you use, if storage is needed?

FARM

*COMMERCIAL

NONE

Do you desire a marketing alternative that provides downside price insurance?

*YES

NO

Are storage revenues from forward contracting greater than storage costs?

*YES

NO

Hier endet die Befragung für diesen Pfad.

The marketing recommendation is as follows:

FORWARD CONTRACT YOUR GRAIN at the elevator of your choice and BUY CALL OPTIONS. In this way you will lock in the weakening basis and still receive the higher price level if the price rises. If the price falls, you still have price protection. If you are certain that prices will rise, it would be more profitable to buy futures contracts, because you do not need to pay a premium to buy futures contracts as you do when you buy call options.

** End - RETURN/ENTER to continue.

Bedingt durch die große Zahl der möglichen Pfade ist das hier beschriebene Expertensystem tatsächlich komplexer als es durch diese kurze Beispielssitzung erscheinen mag. In jedem Fall allerdings bleibt es dem Anwender überlassen, über die am schwierigsten zu beantwortende Frage im Entscheidungsprozeß zur Wahl einer Vermarktungsalternative für Getreide zu entscheiden: Die Vorhersage des Preises und der Basistrends.

Hierdurch wird die Bedeutung von Expertensytemen unterstrichen, die sie im Zusammenspiel mit anderen Modellen zur Unterstützung der Entscheidungsfindung erlangen können; im vorliegenden Fall böte sich ein Modell zur Analyse und Prognose von Preistrends mit Schnittstelle zum GMA an.

Die während der Entwicklung des GMA gemachten Erfahrungen fassen die Autoren in Form von sieben Regeln zusammen, die im Einklang mit dem oben beschriebenen allgemeinen Vorgehen für die Entwicklung eines Expertensystems stehen:

" 1) Choose a problem of high value to your organization. Define the problem as explicitly as possible.

2) Calculate the value of the outcome in advance -- if possible. This may require some good extension estimates.

3) Expert systems must have access to an expert.

There are several possibilities here. You can use people either from other departments, or from your own department near retirement, or in retirement.

4) Develop a prototype to determine if a usable system is feasible.

Once the prototype is operational, then you can use an incremental development process to add additional items. The knowledge engineer (programmer) is also on a learning curve, and will become much more knowledgeable on the subject matter as the project progresses.

5) Finalize the development of the program and integrate the knowledge-based system in the environment where it will be used. As with all research, it's a good practice to keep a record of what was done at various stages of development. Often when a project is begun, the solution is not obvious.

6) Validation

This can be done by using case studies, or by exhaustive testing for small systems.

7) Maintenance of knowledge-based systems." (UHRIG et al., 1986, S.8)

3.2.1.4 SOYBUG - an Expertsystem for Making Insect Control Decisions in Soybeans

Dieses Expertensystem zur Schädlingskontrolle in Sojabohnen wurde 1985/86 an der University of Florida entwickelt, als "Tool" diente das regelbasierte System INSIGHT 2+. Das System ist somit für IBM und kompatible Microcomputer entwickelt (vgl. JONES, 1986c). Das Expertensystem bearbeitet ein reines "on-Farm" Problem, für das üblicherweise ein Pflanzenschutzexperte herangezogen wird. Abhängig von einem festgestellten Schädlingsbefall ist es Aufgabe des Systems, über die Schadschwelle und mögliche Maßnahmen zu befinden.

Der Entscheidungspfad ist, wie bei dem GMA, als Ausschnitt eines Entscheidungsbaumes darstellbar; anstelle von Marketingmaßnahmen repräsentieren hier die Enden eines jeden Pfades ein oder mehrere spezifische Insektizide.

Aufgrund der Ähnlichkeit der Muster wird auf die Darstellung von Einzelheiten verzichtet. Die Autoren haben sich allerdings der verdienstvollen Mühe unterzogen, ihre Erfahrungen bezüglich der Wissensakquisition zu dokumentieren (JONES et al., 1986b). Die weiteren Ausführungen sind dieser Problematik gewidmet, indem einige generelle Beobachtungen aus der zitierten Quelle wiedergegeben werden.

Die Autoren bedauern, daß den technischen Hintergründen und dem der Expertensysteme typischen Jargon (Vokabular) erheblich mehr Zeit gewidmet wird als dem Kernproblem bei der Entwicklung eines Expertensystems - der Wissensakquisition.

Den "Grenznutzen" der Wissensakquisition stellen die Autoren mit einer in Abbildung 20 wiedergegebenen Grafik dar. Hier wird der Zusammenhang des drastischen Anwachsens der benötigten Zeit zur Wissensakquisition, je mehr das Wissen in Expertensystemen sich dem des Experten nähert, präsentiert. Entsprechend dieses Zusammenhangs verdient die genaue Festlegung, wie exakt ein zu entwickelndes Expertensystem das Wissen des Experten wiedergeben soll, besondere Beachtung. Vor allem, wenn der Wissenszuwachs hauptsächlich auf "Ausnahmen von der Regel" beschränkt ist, kann der Prozeß der Wissensakquisition - falls das spezielle Problem dies zuläßt - erheblich abgekürzt werden. Dies geht einher mit dem von AIKINS niedergelegten Zusammehang: "... to obtain a 10% increase in performance, PUFF, an expert system for interpreting pulmonary test data required an increase from 100 to 400 rules." (AIKINS et al. zitiert in JONES et al., 1986b, S.2).

So muß in jedem Fall gesondert entschieden werden, ob der Grenznutzen an Leistungszuwachs durch den zusätzlichen Aufwand gerechtfertigt ist.

Obwohl der Prozeß der Wissensakquisition "is not understood well enough to outline a standard sequence of steps that will optimize the expert-system-building-process" (BUCHANAN et al., zitiert in JONES et al., 1986b, S.3), zeigen die Autoren in Anlehnung an WATERMAN einige generelle Regeln und deren zeitliche Abfolge (WATERMAN, zitiert in JONES et al., 1986b, S.3):

" 1. Observe the expert solving real problems on the job.

2. Discuss the kinds of data, knowledge, and procedures required for particular types of problems.

3. Develop description with the expert of prototypical problems associated with each category of answers in the domain.

4. Have the expert solve a series of realistic problems aloud, ask for the rationale behind each decision step.

5. Solve problems provided by the expert using rules developed from the interviews.

6. Have the expert review and criticize the rules and control structure.

7. Have outside experts solve problems already presented to the prototypic system and expert."

Diesen Empfehlungen folgten auch die Autoren, die in der Phase der ersten Interviews Schwierigkeiten hatten, geeignete Interviewtechniken zu finden. Sie nahmen schließlich ein Tonbandgerät, um die Interviews aufzuzeichnen und benutzten konkrete Fälle zum Einstieg in die Interviews.

Die Autoren stellten im Vergleich der Entscheidungen des Experten und der Standard-Empfehlungen der Pflanzenschutzberatung fest, daß letztere eher dazu geneigt sind, Pflanzenschutzmittel einzusetzen als der Experte. Dies bedeutet, daß Standard-Empfehlungen dahin tendieren, vorsichtshalber zu oft Schädlinge zu bekämpfen, als das Risiko einer finanziellen Einbuße durch Nichtbekämpfung einzugehen. Basierend auf dieser Feststellung formulierten sie das Ziel des Expertensystems, an dem sie seine Leistungsfähigkeit messen konnten: Die Expertensystem-Entscheidungen sollten immer konsistent mit denen des Experten sein und niemals empfehlen zu bekämpfen, wenn die Standard-Empfehlung "nicht bekämpfen" lauten würde. Um die Erreichung des Ziels zu testen, entwickelten die Autoren 19 Testszenarien, die von verschiedenen Experten, den "Standard-Empfehlungen" und dem Expertensystem bewertet wurden. Eine wichtige Beobachtung hier war, daß die Szenarien, die auf das "Verständnispotential" des Expertensystems zugeschnitten waren (z.B. die Bewertung des Entwicklungsstadiums des Schädlings auf einer dreistufigen Skala - so wie auch die Regeln für das Expertensystem konzipiert waren), auf Kritik von den Experten stieß. Diese Skalen seien nicht von befriedigender Präzision. Dies ließ unmittelbar den Schluß zu, daß auch das Expertensystem in dieser Beziehung zu ungenau war.

Die Kritik an der formalen Gestaltung der Szenarien und den damit einhergehenden Verfeinerungen bzw. Veränderungen zeigten die Richtung, die für die Entwicklung des Expertensystems und die Formulierung der Regeln der Wissensbasis einzuschlagen waren. Weiterhin boten diese Szenarien einen guten Ansatzpunkt zur Diskussion, wie der Experte zu seiner Entscheidung gekommen ist, was wiederum dem Wissensingenieur Aufschluß für die Gestaltung der Wissensbasis gab. Hierzu haben die Experten ihre Empfehlungen in schriftlicher Form geben müssen.

Die Autoren weisen darauf hin, daß sowohl dem (den) Experten als auch dem (den) Programmentwickler(n) bewußt sein muß, wieviel Zeit der Prozeß der Wissensakquisition wirklich in Anspruch nimmt, und daß dazu viele lange und detaillierte Sitzungen bzw. Interviews notwendig sind. Es wird nur in den allerseltensten Fällen möglich sein, den Experten direkt nach seinen Methoden und Regeln zu fragen, nach denen er ein Probelm löst. Vielmehr muß der Wissensingenieur in der Lage sein, in den gleichen Mustern wie der Experte zu denken und daraus die einzelnen Schritte zur Problemlösung abzuleiten.

Abschließend stellen die Autoren ihre gewonnenen Erfahrungen dar, die, obwohl sehr hilfreich für die Wissensakquisition, noch einer Weiterentwicklung bedürfen (JONES et al., 1986b, S.10 ff.):

" 1. Tape recordings should be made during interviews and should be reviewed between interviews. This will help to avoid excessive redundancy which can become particularly tedious for the expert.

2. The expert should be directly asked for facts (parameters) that he feels are essential or helpful in reaching decisions in his general area of expertise. It is not necessary to become overly specific about the domain during early interviews, instead a general extensive parameter list should be developed.

3. The expert should be asked for any broad or commonly accepted rules-of-thumb if they exist. Within agriculture such heuristic rules are often documented in extension bulletins. These should be thoroughly considered.

4. The expert should be encouraged to relate any favorite or typical or instructive anecdotes about his area of expertise. Such stories tend to organize and connect parameters into coherent patterns of cause and effect.

5. Experts that often work by telephone should be asked to create typical telephone scenarios. They should describe who their client might be, what they might already know about the client, what information they might receive, and so forth.

6. Based on the first five procedures the knowledge engineer should always bring something to the interview. Initially, it could be a verbal scenario, a scripted telephone conversation, or procedural schematics. Later decision trees that lead to specific recommendations should be presented to the expert for criticism.

7. As soon as a debugged prototype version of the expert system is available with reasonable user interface, it should be shown to the expert. The expert should be encouraged to comment out loud as he runs the system. This should be repeated as versions evolve.

8. The expert should be presented with simple, specific, pivotal scenarios in which secondary parameters vary. This serves as a sensitivity analysis for identifying crucial interactions between variables.

9. The expert should be provided with more robust scenarios that encourage open ended comment as opposed to simple answers. Repetition of scenarios at different times can also reveal the stability of recommendations.

10. Without the expert's direct knowledge, scenarios from 'clients' can be planted. Such conversations could provide the most accurate, non-academic response to pivotal scenarios possible. Several cases of this type could be very useful for validation."

3.2.1.5 Weitere Expertensysteme

Insbesondere in der Klasse der Diagnose-/Therapie-Systeme existieren noch eine Reihe anderer Expertensysteme.

Ein kommerziell genutztes und nicht an einer Universität entwickeltes Expertensystem ist WHEAT COUNSELLOR, welches in Großbritannien zur Prognose von Erkrankungen, zur Planung von Pflanzenschutzmaßnahmen und Empfehlung geeigneter Mittel in Winterweizen seit 1984 Anwendung findet. Der Farmer hat Zugang zu diesem, auf einem Großrechner residierenden Expertensystem über das englische VIDEOTEX System (vgl. JONES und CRATES, 1984).

Andere Expertensysteme arbeiten beispielsweise Bodenbearbeitungsprogramme aus, um Erosion entgegenzuwirken (vgl. HAWKINS et al., 1987), helfen Bodenerosion vorherzusagen bzw. zu verhüten (vgl. ENGEL et al., 1988) oder geben Düngeempfehlungen (hier für Kalk) auf tropischen Böden (vgl. YOST, 1986). Weitere Expertensysteme behandeln Fruchtfolgeprobleme, hier speziell "Double Cropping" in Sojabohnen (vgl. HALTERMAN et al., 1988), Trocknungsprobleme in Getreide (vgl. PEART und BARRETT, 1985) oder "troubleshooting in grain combine performance", ein Expertensystem, welches eine natürlich-sprachliche Benutzerschnittstelle aufweist, d.h., der Benutzer kann (in beschränktem Umfang) Formulierungen aus der Alltagssprache über die Tastatur eingeben (vgl. SCHUELLER et al., 1986).

Abschließend seien zu diesem Punkt noch zwei jüngere Systeme zitiert, deren Einordnung in die Gruppe der Diagnose-/Therapie-Systeme nur im weiteren Sinne zulässig erscheint.

Ein an der Universität Gießen entwickeltes Expertensystem dient der Entscheidungsunterstützung bei der Gestaltung von Marketingplänen für Pflanzenschutzmittel (BRIEGEL, 1990). Durch die Verknüpfung eines quantitativen Teiles (Tabellenkalkulation) mit einem qualitativen Programmodul (PROLOG) werden nach Maßgabe der Analyse der Produktnachfrage, der Konkurrenz, der Industriestruktur und des zu vermarktenden Produktes Empfehlungen bezüglich eines situationsspezifischen Marketing-Planes auf der Basis von detaillierten Aktionen der vier Marketing-Mix-Variablen gegeben.

CHESS (Computerized Herd Evaluation System for Sows) ist an der landwirtschaftlichen Universität zu Wageningen entwickelt worden (HUIRNE, 1990). HUIRNE beschreibt die Aufgabe des Programms wie folgt: "CHESS is primarily intended to support farm managers and other livestock specialists in analyzing the economic situation of individuel sow-herds" (HUIRNE, 1990, S.151). Das Gesamtmodell besteht aus einem DSS und drei Expertensystemen (ES). "The DSS identifies and assesses the importance of relevant deviations between performance and standards. Its output is used in the ES that try to find strengths and weaknesses by combining and evaluating the previously identified deviations" (HUIRNE, 1990, S.152). Insbesondere der Ermittlung von "Standards", also den Werten, an denen die Abweichungen des Analysebetriebes gemessen und bewertet werden und der Gewichtung dieser Abweichung, wurde bei diesem Projekt große Bedeutung zugemessen (vgl. HUIRNE und DIJKHUIZEN, 1990, S.3 ff.).

Hierin ist m.E. einem wichtigen Problemkreis erstmals in der vorliegenden Literatur die ihm gebührende Beachtung zugemessen worden. Die Methode der Abweichungsbewertung war auch mit ein Schlüsselproblem bei der Entwicklung von FARMEXPERT, wie die späteren Ausführungen in Kapitel 5.2.2.3.1 noch zeigen werden.

3.2.2 Beratungs-/Hilfestellungs-Systeme

3.2.2.1 Expert System Interpreter for a Farm Management Linear Program

Der Expertensystem Interpreter für eine LP Anwendung wurde 1985 an der Texas A&M University mit dem regelbasierten ESBT Personal Consultant entwickelt. Das Expertensystem selbst ist auf einem Industriestandard PC lauffähig, das zugrundeliegende LP Modell läuft auf einer VAX 11/750. Das Bindeglied beider Komponenten ist das Kommunikationsprogramm CROSSTALK (vgl. BENDER et al., 1985).

Das gesamte Ensemble erhält durch die Verwendung zweier unterschiedlicher Computer und mehrerer Softwarepakete eine komplizierte Struktur. Die Input-Daten werden in Form einer Art Stammdaten (SETUP data) und Bewegungsdaten (FARM data) dem LP-Programm REPFARM angeboten, welches die Ausgangsmatrix erstellt. Die Matrix wird nur von MINOS, dem eigentlichen LP Algorithmus bearbeitet. Der Output des LP-Laufes wird von REPORT WRITER, einem weiteren Softwaremodell, erstellt. CROSSTALK übergibt schließlich die Daten an das eigentliche Expertensystem zur Evaluierung. Der gesamte Prozeß ist in Abbildung 21 aufgezeigt.

Ziel des gesamten Systems ist es, durch die Empfehlung des optimalen Maschineneinsatzes auf einem landwirtschaftlichen Betrieb dessen Rentabilität zu verbessern. Nach einem LP-Lauf analysiert das Expertensystem die aus dem Lauf gewonnenen Daten und Strategien bezüglich der Maschinenselektion und "erarbeitet" Empfehlungen, die zu einer Verbesserung der ökonomischen Effizienz des Betriebes führen. Das Expertensystem kann seine gefundenen Ergebnisse verifizieren, indem ein erneuter Lauf des LP Modells mit den aktuellen Empfehlungen gestartet wird. Dieser Prozeß wird solange wiederholt, bis eine befriedigende Erhöhung des Gewinns erreicht wird. Die Autoren heben hervor, daß dies das gleiche iterative Vorgehen ist, wie das eines menschlichen Experten (vgl. BENDER et al., 1985, S.7).

Die Integration eines Expertensystems in ein Entscheidungsmodell mit einem mathematischen Algorithmus zeigt das enorme Potential, welches dieser integrative Ansatz beinhaltet.

3.2.2.2 COMAX (Cotton Management Expert)

COMAX wurde an der Mississippi State University in Kooperation mit anderen Institutionen in einem interdisziplinären Forschungsprojekt 1984-86 entwickelt (vgl. LEMMON, 1986). Es ist ein regelbasiertes System, geschrieben in LISP, lauffähig auf IBM und kompatiblen Microcomputern. Es enthält etwa 50 Regeln.

COMAX steht in Interaktion mit einer Wetterstationmit und mit GOSSYM, einem Simulationsprogramm für das Wachstum von Baumwollpflanzen. Das Gesamtmodell ist entworfen, um täglich über die gesamte Wachstumsperiode die bestmögliche Beregnungszeit, die benötigte Düngermenge und das erwartete Erntedatum zu berechnen. Das vom Programm prognostizierte Wetter wird jeweils von dem tatsächlich eingetretenen Wetter auf täglicher Basis ersetzt, so daß in diesem Fall die Notwendigkeit für eine Wetterstation auf dem Betrieb besteht.

Ohne auf weitere Einzelheiten dieses Expertensystems einzugehen, wird auch in diesem Beispiel die Mächtigkeit des Integrationsansatzes von konventionellen Algorithmen und Expertensystemen deutlich. Testläufe haben eindrucksvoll die Leistungsfähigkeit dieses Systems bestätigt, obwohl der Kern des Expertensystems lediglich ca. 50 Regeln umfaßt und zum Testzeitpunkt in 1986 noch nicht zu Ende entwickelt war (vgl. LEMMON, 1986, S.32).

3.2.2.3 Monitoring-/Control-Systems - Echtzeitüberwachung und -kontrolle von Gewächshäusern (CHAMBER)

CHAMBER wurde 1985 an der University of Florida mit dem regelbasierten ESBT INSIGHT 2+ entwickelt und läuft auf einem üblichen IBM oder kompatiblen PC (vgl. JONES und HALDEMAN, 1986). Der PC ist über ein Telefonkabel mit einem Controller/Monitor verbunden, der seinerseits, wie in Abbildung 22 dargestellt, die Sensoren und Aktoren im Gewächshaus ansteuert. Die Kommunikation zwischen den Komponenten gewährleistet ein relativ kompliziertes Softwaresystem (vgl. JONES et al., 1986a, S.3 ff.), welches hier nicht Gegenstand der Betrachtung sein soll. Das Expertensystem erhält die von den Sensoren ermittelten Daten in Form von ASCII-Dateien zur Verfügung gestellt. Anhand des Abgleichs dieser Daten mit dem Regelsystem der Wissensbasis entscheidet CHAMBER dann über einzuleitende Maßnahmen. Eine besondere Charakteristik dieses Expertensystems ist, daß es während des Normalbetriebs vollkommen ohne einen Anwenderdialog arbeitet. Darüber hinaus betonen die Autoren, daß die Entwicklung des gesamten Systems mit kommerziell verfügbarer Software durchgeführt wurde (JONES und HALDEMAN, 1986, S.239) und somit ihre Konzentration auf den wesentlichen Teil, der Entwicklung der Wissensbasis, gerichtet bleiben konnte.

3.2.2.4 ARTIFACT: Ein Echtzeitsystem für intelligente Feedback-Kontrolle

Dieses experimentelle Forschungs-Expertensystem wurde an der Heriot-Watt-University in Edinburgh im Kern als eine PROLOG-Anwendung entwickelt. Die eigentliche Echtzeitkomponente, also die Verbindung des Computers zu den Sensoren und Aktoren, ist unter Verwendung der Programmiersprache C geschrieben worden. Das adressierte Problem an sich ist die Kontrolle des Flüssigkeitslevels in zwei verbundenen Tanks (vgl. JONES und CRATES, 1984, S.157). Die Autoren begründen das System wie folgt (vgl. FRANCIS und LEITCH, 1984, S.151): "The conventional analytic methods of control necessarily assume a description of a process in terms of differential or difference equations. For complex systems ... the essential modelling assumptions are seldom valid under the normal range of conditions. ... Furthermore, the human understanding of a system and its mathematical description are often alien, resulting in a lack of comprehension and loss of confidence in the control decisions. ... Knowledge based control offers considerable advantages when contrasted with analytic methods". Neben grundsätzlichen Aspekten schneiden die Autoren hier das wichtige Problem der Benutzer-Akzeptanz an, welches bereits in Kapitel 2.1.5 "Schnittstelle zum Endbenutzer" ausführlich diskutiert wurde.


Zurück  Inhalt  Weiter