Regelbasiert (Expertensysteme)
Bevor Daten regierten, regierten Regeln. Hier ist, wie das aussah.
Regelbasierte KI-Systeme
Stell dir vor, du bist ein Detektiv, der einen Fall löst. Du sammelst Hinweise und wendest logische Regeln an, um zu einer Schlussfolgerung zu gelangen.
Wenn du findest, dass 'der Verdächtige war zur Tatzeit am Tatort' UND 'seine Fingerabdrücke sind auf der Waffe', dann kannst du schließen: 'Er ist wahrscheinlich der Täter'.
Genau so funktionieren regelbasierte KI-Systeme: Sie verwenden 'WENN-DANN'-Regeln, um aus vorhandenen Fakten neue Erkenntnisse abzuleiten.
Es ist wie ein digitaler Detektiv, der systematisch Logik anwendet!
Analogie:
Stell dir vor, du bist ein Detektiv, der einen Fall löst. Du sammelst Hinweise und wendest logische Regeln an, um zu einer Schlussfolgerung zu gelangen.
Wenn du findest, dass 'der Verdächtige war zur Tatzeit am Tatort' UND 'seine Fingerabdrücke sind auf der Waffe', dann kannst du schließen: 'Er ist wahrscheinlich der Täter'.
Genau so funktionieren regelbasierte KI-Systeme: Sie verwenden 'WENN-DANN'-Regeln, um aus vorhandenen Fakten neue Erkenntnisse abzuleiten.
Es ist wie ein digitaler Detektiv, der systematisch Logik anwendet!
Definition:
Ein regelbasiertes System ist ein KI-Ansatz, der explizite Regeln und logische Schlussfolgerungen verwendet, um Probleme zu lösen.
Es besteht aus drei Hauptkomponenten:
- Faktenbasis: Sammlung von bekannten Informationen und Daten
- Regelbasis: WENN-DANN-Regeln, die definieren, wie aus Fakten neue Schlüsse gezogen werden
- Inferenzmaschine: Die Logik-Engine, die Regeln anwendet und neue Fakten ableitet
Diese Systeme sind transparent, erklärbar und deterministisch - perfekt für Anwendungen, wo Nachvollziehbarkeit wichtig ist.
Wie funktioniert die Simulation?
Diese interaktive Simulation zeigt, wie regelbasierte KI-Systeme funktionieren. Du spielst einen Detektiv, der durch systematisches Sammeln von Hinweisen und Anwenden von Regeln Fälle löst.
Die drei Komponenten des Systems
- Hinweise (Faktenbasis):Informationen, die du sammelst und als Grundlage für deine Schlussfolgerungen verwendest
- Regeln (Regelbasis):Logische WENN-DANN-Regeln, die definieren, wie aus Hinweisen Schlüsse gezogen werden
- Schlussfolgerung (Inferenzmaschine):Der Prozess der automatischen Anwendung von Regeln auf gesammelte Hinweise
So verwendest du die Simulation
- Wähle einen Fall aus der Dropdown-Liste aus
- Sammle Hinweise durch Klicken auf die verfügbaren Indizien
- Beobachte, wie das System automatisch Regeln anwendet
- Löse den Fall durch systematische Schlussfolgerung
💻Fall: Der Fall des technologisch verwaisten Diebs
Ein modernes Bürogebäude nach Feierabend, jene geheimnisvolle Stunde, wenn die Geschäftswelt in den Tiefschlaf fällt und nur noch die sanften Schritte der Reinigungskraft das Schweigen durchbrechen.
Interaktive Detektiv-Simulation
Sammle Hinweise und löse Kriminalfälle durch systematische Anwendung regelbasierter Logik. Diese interaktive Demo zeigt, wie KI-Systeme Schritt für Schritt zu Lösungen gelangen.
Detektiv-Anleitung
Hinweise
Gesammelte Hinweise
Noch keine Hinweise gesammelt.
Klicke auf verfügbare Hinweise, um sie zu sammeln.Verfügbare Hinweise
Regeln
Schnellaktionen und Status
Regelbasierte KI erklärt
Theorie regelbasierter Systeme
Regelbasierte KI-Systeme verwenden explizite Wenn-Dann-Regeln zur Problemlösung. Im Gegensatz zu lernenden Systemen wie neuronalen Netzen basieren sie auf menschlichem Expertenwissen, das in Form von logischen Regeln kodiert wird.
Diese Systeme arbeiten nach dem Prinzip der deduktiven Logik: Aus bekannten Fakten und definierten Regeln werden neue Schlussfolgerungen gezogen. Jede Regel hat eine Bedingung (WENN) und eine Konsequenz (DANN). Wenn die Bedingung erfüllt ist, wird die Konsequenz ausgeführt.
Vorteile
- Transparent und nachvollziehbar: Jede Entscheidung kann auf die angewendeten Regeln zurückgeführt werden
- Erklärbare Entscheidungen: Das System kann genau erklären, warum eine bestimmte Schlussfolgerung getroffen wurde
- Einfach zu warten und zu erweitern: Neue Regeln können hinzugefügt werden, ohne das gesamte System neu zu trainieren
- Zuverlässig bei bekannten Problemdomänen: Wenn die Regeln korrekt definiert sind, liefert das System konsistente Ergebnisse
Einschränkungen
- Wird komplex bei vielen Regeln: Mit wachsender Regelbasis wird das System schwer zu überblicken
- Aufwändige Pflege der Regelbasis: Regeln müssen manuell erstellt und aktualisiert werden
- Keine automatische Lernfähigkeit: Das System kann nicht aus Erfahrungen lernen oder sich an neue Situationen anpassen
Praktische Anwendungen
Typische Anwendungen: Expertensysteme in der Medizin und Diagnostik, Compliance-Prüfung in Banken und Versicherungen, Qualitätskontrolle in der Produktion, Troubleshooting-Systeme in der IT, und rechtliche Entscheidungsunterstützung.
Probiere die Demo aus! Löse die Detektivfälle und erlebe, wie Wenn-Dann-Regeln logische Schlussfolgerungen ermöglichen.
1
# Regelbasiertes System
2
funktion regelbasierte_ki(eingabe):
3
# Hauptfunktion: Wendet Regeln auf Eingabe an
4
regeln = lade_alle_regeln()
5
wissensbasis = lade_wissen()
6
7
solange system_läuft:
8
# Eingabe empfangen und verstehen
9
eingabe = hole_benutzereingabe()
10
fakten = analysiere(eingabe)
11
12
# Passende Regeln finden
13
für jede regel in regeln:
14
wenn bedingung_erfüllt(regel, fakten):
15
führe_aus(regel.aktion)
16
ergebnisse.hinzufügen(regel.ergebnis)
17
wenn regel.exklusiv: stop
18
19
# Nach Priorität sortieren
20
ergebnisse = sortiere_nach_priorität(ergebnisse)
21
wende_beste_regel_an(ergebnisse[0])
22
23
# Antwort generieren
24
antwort = formatiere_ausgabe(ergebnisse)
25
gebe_zurück(antwort)
26
27
# Optional: Regeln verbessern
28
wenn lernen_aktiviert:
29
aktualisiere_regeln(feedback)
30
31
return regelbasiertes_system
📚 Regeln laden
Lade alle Wenn-Dann-Regeln und Wissensbasis. Jede Regel hat Bedingungen und Aktionen. Expertenwissen wird in Regeln codiert.
regeln = lade_alle_regeln()
wissensbasis = lade_wissen()
📝 Eingabe
Benutzer stellt Frage oder gibt Information ein. System empfängt Text, Zahlen oder strukturierte Daten.
🔤 Parsing
Eingabe wird analysiert und in Fakten zerlegt. Schlüsselwort-Erkennung, Pattern-Matching, Tokenisierung.
🎯 Regel-Matching
Fakten werden mit Regel-Bedingungen verglichen. Forward-Chaining oder Backward-Chaining Strategien.
⚙️ Ausführung
Aktionen der gefeuerten Regeln werden ausgeführt. Inferenz-Engine arbeitet Regeln ab.
💡 Ausgabe
Ergebnis wird formatiert und ausgegeben. Antwort, Empfehlung oder Aktion wird dem Benutzer präsentiert.
Regelbasierte KI Verständnisquiz
Was ist eine Inferenzmaschine in einem regelbasierten System?
1. Was ist eine Inferenzmaschine in einem regelbasierten System?
- ☐ A) Eine Datenbank für Fakten
- ☐ B) Die Logik-Engine, die Regeln anwendet
- ☐ C) Eine Sammlung von WENN-DANN-Regeln
- ☐ D) Eine Benutzeroberfläche
2. Welche Vorteile haben regelbasierte Systeme? (Mehrere Antworten möglich)
- ☐ A) Transparenz der Entscheidungen
- ☐ B) Erklärbarkeit der Schlussfolgerungen
- ☐ C) Automatisches Lernen aus Daten
- ☐ D) Einfache Wartung bei bekannten Domänen
3. In welcher Situation sind regelbasierte Systeme besonders geeignet?
- ☐ A) Bilderkennung mit tiefen neuronalen Netzen
- ☐ B) Verarbeitung natürlicher Sprache
- ☐ C) Medizinische Diagnosehilfe mit klaren Regeln
- ☐ D) Autonomes Fahren in unbekannten Umgebungen
Verwandte Inhalte
Artikel
Die KI-Winter
Warum die Künstliche Intelligenz mehrfach abgeschrieben wurde, ohne sich darum zu scheren.
Die Geburt der KI
Die ersten Jahre der KI — voller Optimismus, der ungefähr 15 Jahre lang anhielt.
Bewusstsein vs. Wahrscheinlichkeit
Die philosophische Frage, ob LLMs verstehen, was sie sagen — sortiert ohne Hochmut.
Kontrollstrukturen
Kontrollstrukturen: alles, was zwischen "tu dies" und "tu das" entscheidet.
Regeln & Logik: Expertensysteme
Die KI, bevor sie aus Daten lernte: Experten gefragt, Regeln aufgeschrieben, gehofft.
Sicherheit & Betrugsschutz
Was zu tun ist, wenn die Stimme am Telefon zwar wie ein Verwandter klingt, aber keiner ist.
Function Calling — Wenn KI Knöpfe drückt
Wenn die KI nicht mehr nur redet, sondern auf den Knopf drückt — wie das technisch geht.
Suche im Graphen — Die Anfänge
Graphsuche: das erste, was KI tatsächlich konnte — und immer noch nützlich ist.
MinMax & Pruning
MinMax in der Praxis: rückwärts denken, vom schlimmsten Gegner ausgehen, abkürzen wo möglich.
Programmieren vs. Trainieren
Wie sich das Programmieren veränderte, als man aufhörte, jede Regel selbst aufzuschreiben.
Sicherheit & Prompt Injections
Die unangenehme Wahrheit: Sprachmodelle können nicht zuverlässig unterscheiden, was Befehl und was Eingabe ist.
Was ist ein Algorithmus?
Was Euklid, IKEA-Anleitungen und Google-Suche gemeinsam haben — alle drei sind Algorithmen.
Demo
ELIZA
Begegne ELIZA - dem charmanten Urahn aller Chatbots, der 1966 Menschen in MIT-Büros zum Schmunzeln und Nachdenken brachte. Ein köstlicher Einblick in die Kunst des cleveren Zuhörens.
MinMax (Spieltheorie)
Erlebe Spieltheorie hautnah: Spiele gegen eine KI und beobachte, wie sie den optimalen Zug berechnet.
Pathfinding (Graphsuche)
Interaktive Visualisierung von Wegfindungsalgorithmen wie A*, Dijkstra und mehr