Regeln & Logik: Expertensysteme

In den 1980er-Jahren gaben Unternehmen Millionen aus, um menschliches Expertenwissen in Computerprogramme zu gießen. Diese "Expertensysteme" diagnostizierten Krankheiten, konfigurierten Computer und analysierten chemische Verbindungen — alles durch Tausende von handcodierten Wenn-Dann-Regeln.

Manche sparten Fortune-500-Unternehmen zweistellige Millionenbeträge pro Jahr. Dann brachen sie unter dem Gewicht ihrer eigenen Regeln zusammen. Ihr Aufstieg und Fall erklärt, warum moderne KI aus Daten lernt, statt Anweisungen zu befolgen.

Kernthese

Expertensysteme repräsentieren den Höhepunkt und den Wendepunkt der symbolischen KI: Die Idee, menschliches Expertenwissen als explizite Regeln zu erfassen, funktionierte beeindruckend in engen Fachgebieten — doch die kombinatorische Explosion realer Komplexität bewies, dass handcodiertes Wissen nicht skaliert. Dieses Scheitern erzwang den Paradigmenwechsel zum maschinellen Lernen.

Die Architektur eines Expertensystems

Grenzen der Analogie: Ein Entscheidungsbaum ist statisch und linear. Echte Inferenz-Engines können Regeln dynamisch verketten und mit Verzweigungen umgehen.

So arbeitet die Inferenz-Engine

MYCIN — ein echtes Expertensystem

MYCIN wurde 1976 an der Stanford University entwickelt und diagnostizierte bakterielle Blutinfektionen mit rund 600 handcodierten Regeln. So sahen zwei vereinfachte MYCIN-Regeln als Pseudocode aus:

REGEL 047
WENN:
  (1) Die Infektion im Blut stattfindet, UND
  (2) Der Erreger in einer Kultur gewachsen ist, UND
  (3) Die Form des Erregers ein Stäbchen ist
DANN:
  Starke Evidenz (0.8), dass der Erreger
  ein Bakterium ist.

REGEL 050
WENN:
  (1) Der Erreger ein Bakterium ist, UND
  (2) Der Patient ein geschwächtes Immunsystem hat
DANN:
  Empfehle Breitbandantibiotika.

Die 0.8 in Regel 047 zeigt, dass MYCIN mit Unsicherheiten rechnen konnte — mehr dazu im Deep Dive am Ende. In Studien erreichte MYCIN eine Genauigkeit von 65 % — nachweislich besser als viele Allgemeinmediziner. Aus rechtlichen und ethischen Gründen wurde es jedoch nie klinisch eingesetzt.

Zwei Schlussfolgerungsstrategien

Interaktiv: Welche Pflanze ist das?

Erlebe ein Expertensystem in Aktion. Beantworte die Fragen über eine unbekannte Pflanze — das System wendet Wenn-Dann-Regeln an und stellt eine Diagnose. Genau so arbeiten echte Expertensysteme wie MYCIN.

Aufstieg und Fall — Der Expertensystem-Boom

In den 1980er-Jahren verließen Expertensysteme die Universitätslabore und lösten einen beispiellosen kommerziellen Boom aus.

Der Hype-Zyklus

DENDRAL (1965) analysierte chemische Verbindungen. MYCIN (1976) diagnostizierte Blutinfektionen. R1/XCON (1980) konfigurierte DEC-Computerbestellungen mit 95-98 % Genauigkeit und sparte dem Unternehmen geschätzte 25-40 Millionen Dollar pro Jahr. Japan startete 1982 das milliardenschwere "Fifth Generation Computer Systems"-Projekt. Westliche Regierungen folgten hastig mit eigenen Subventionen.

Der Wartungsalbtraum

Am Vorzeigeprojekt R1/XCON zeigte sich die Schwäche. Jede neue Festplatte und jedes neue Kabel, das DEC auf den Markt brachte, erforderte das Aktualisieren der Wissensbasis. Ein großes Team teurer Wissensingenieure war permanent nötig, nur um das System am Laufen zu halten. Die Wartungskosten näherten sich den Einsparungen.

Der Expertensystem-Boom ähnelt dem Dotcom-Hype der 2000er-Jahre: Alle glaubten, jedes Unternehmen brauche ein Expertensystem. Berater verkauften millionenteure KI-Lösungen, die oft enttäuschende Resultate lieferten. Die Korrektur war unvermeidlich.

Kombinatorische Explosion — Warum Regeln nicht skalieren

Wenn Expertensysteme so präzise schlussfolgern können, warum baut man heute nicht einfach für jedes Problem eines? Der Grund ist ein mathematisches Phänomen: die kombinatorische Explosion.

Der Wissensflaschenhals

Versuch einmal, einem Außerirdischen das Konzept "lustig" als Wenn-Dann-Regeln zu erklären: "WENN jemand unerwartet hinfällt, DANN ist es lustig — ABER NICHT, wenn er sich verletzt — ABER DOCH, wenn er nur leicht stolpert — ABER NICHT, wenn er ein älterer Mensch ist — ABER..." Die Regeln enden nie. Menschliches Urteil beruht auf implizitem Wissen, das sich expliziter Formalisierung widersetzt.

Beispiel: Autonomes Fahren

"WENN Ampel rot DANN stoppe" ist einfach. Aber: "WENN ein Fußgänger auf der Straße steht UND ein Auto sich schnell nähert UND ein Ausweichen nach links möglich wäre, ABER dort Gegenverkehr herrscht, DANN..." Jeder neue Kontext erzeugt unzählige neue Verzweigungen. Ein regelbasiertes System bräuchte Millionen von Regeln für den Straßenverkehr — und würde dennoch an der ersten unvorhergesehenen Pfütze scheitern.

Der Paradigmenwechsel

Genau deshalb hat maschinelles Lernen Expertensysteme abgelöst. Statt alle Regeln aufzuschreiben, lernen ML-Systeme Muster aus Millionen von Beispielen. Ein selbstfahrendes Auto hat Millionen von Verkehrssituationen "gesehen" und gelernt zu generalisieren — ganz ohne explizite Regeln.