Et kunnskapsbasert system (KBS) er et dataprogram som bruker et kunnskapsgrunnlag for å løse problemer. Her er nøkkelkomponentene:

1. Kunnskapsbase:

* fakta: Grunnleggende, atomiske informasjon om domenet. Eksempler:"Himmelen er blå," "Vann koker på 100 grader Celsius."

* regler: Logiske uttalelser som representerer sammenhenger mellom fakta. Eksempler:"Hvis det regner, er bakken våt," "Hvis temperaturen er over 100 grader Celsius, vil vann koke."

* Heuristics: Tommelfingerregler eller beste praksis som kan bidra til å lede systemets resonnement, spesielt i tilfeller av usikkerhet.

2. Inferensmotor:

* Resonnementsmekanisme: Dette er kjernen i KBS. Den bruker kunnskapsbasen for å trekke konklusjoner og løse problemer.

* Inferensmetoder: Det er forskjellige tilnærminger:

* Fremoverkjeding: Starter med kjente fakta og bruker regler for å trekke nye fakta.

* bakoverkjeding: Starter med et mål og fungerer bakover, og prøver å finne støttende fakta og regler.

* Modellbasert resonnement: Bruker en modell av domenet for å resonnere om atferden.

* Case-basert resonnement: Løser problemer ved å hente og tilpasse løsninger på lignende problemer fra en database med tidligere saker.

3. Brukergrensesnitt:

* hvordan brukeren samhandler med systemet: Lar brukere legge inn spørsmål, gi informasjon og motta resultater fra systemet.

* typer brukergrensesnitt: Tekstbasert, grafisk, naturlig språk osv.

4. Knowledge Acquisition:

* prosessen med å bygge kunnskapsbasen: Dette innebærer:

* Knowledge ELICITASJON: Å trekke ut kunnskap fra eksperter på domenet.

* Kunnskapsrepresentasjon: Velge passende datastrukturer og språk for å kode kunnskapen.

* Kunnskapsvalidering: Å sikre at kunnskapsbasen er nøyaktig og fullstendig.

5. Forklaring Facility:

* gir åpenhet og forståelse: Forklarer systemets resonnementsprosess for brukeren.

* Hjelper med:

* Feilsøking av systemet

* Økende brukertillit

* Gir innsikt i domenet

Eksempel:

Vurder en enkel KBS for å diagnostisere bilproblemer:

* Kunnskapsbase: Fakta om bildeler, regler om symptomer og mulige årsaker, heuristikk for vanlige feil.

* Inferensmotor: Bruker bakoverkjeding - starter med et symptom (f.eks. "Bil vil ikke starte") og prøver å finne matchende regler og fakta for å diagnostisere problemet (f.eks. "Hvis batteriet er dødt, vil ikke bilen starte").

* Brukergrensesnitt: Lar brukeren legge inn symptomene og få en mulig diagnose.

* Forklaringsanlegg: Forklarer resonnementstrinnene, og viser hvilke regler som ble brukt og hvorfor.

Fordeler med KBS:

* ekspertkunnskap fanget og gjenbrukt.

* konsistens og nøyaktighet forbedret.

* problemløsning i komplekse domener.

* Beslutningsstøtte og automatisering.

Ulemper ved KBS:

* Kunnskapsinnsamling er dyrt og tidkrevende.

* vedlikehold og oppdatering av kunnskapsbasen kan være utfordrende.

* KBS kan være ufleksible og vanskelig å tilpasse seg nye situasjoner.

Totalt sett er kunnskapsbaserte systemer kraftige verktøy for å fange og bruke kompetanse, spesielt innen komplekse domener der menneskelig resonnement kan være vanskelig eller tidkrevende.