Expertensysteme: als KI zum Geschäft wurde (1980er)

Während der 1970er-Jahre war künstliche Intelligenz eine Universitätsdisziplin mit bescheidenen Budgets und großen Versprechen. Mitte der 1980er war sie eine Milliardenindustrie. Die Technologie, die diesen Wandel antrieb, war das Expertensystem, und die Geschichte seines Aufstiegs und Falls bleibt eine der lehrreichsten Warngeschichten der KI.

Was Expertensysteme waren

Ein Expertensystem ist ein Programm, das die Entscheidungsfindung eines menschlichen Spezialisten nachahmt. Es besteht aus zwei Kernteilen:

• Eine Wissensbasis, Hunderte oder Tausende von „Wenn-dann”-Regeln, die Fachwissen kodieren (wenn der Patient Fieber und Nackensteifigkeit hat, ziehe Meningitis in Betracht).
• Eine Inferenzmaschine, Software, die die Regeln verkettet, um Schlussfolgerungen zu ziehen, manchmal mit Konfidenzwerten für den Umgang mit Unsicherheit.

Die Idee stammt von Edward Feigenbaum in Stanford, der argumentierte, dass „intelligente Systeme ihre Stärke aus dem Wissen beziehen, das sie besitzen, und nicht aus den spezifischen Formalismen und Inferenzschemata, die sie verwenden.” Dies war ein bewusster Bruch mit früherer KI-Forschung, die versucht hatte, universelle Problemlöser zu bauen. Expertensysteme waren eng gefasst, praktisch und, entscheidend, kommerziell nutzbar.

Die Pioniere

Die ersten bemerkenswerten Expertensysteme kamen in den 1970ern aus Stanford:

• DENDRAL (ab 1965) identifizierte organische Moleküle aus Spektraldaten, das erste System, das zeigte, dass kodiertes Spezialwissen allgemeine Heuristiken übertreffen kann.
• MYCIN (ab 1972) diagnostizierte bakterielle Infektionen und empfahl Antibiotika. Es wurde nie klinisch eingesetzt, aber es zeigte, dass Schließen unter Unsicherheit formalisierbar ist. In Blindtests erreichte MYCIN die Treffsicherheit von Fachärzten für Infektionskrankheiten, oder übertraf sie.

Diese akademischen Erfolge zogen die Aufmerksamkeit der Industrie auf sich.

Der Boom

Die kommerzielle Explosion begann um 1980, als Digital Equipment Corporation (DEC) das Expertensystem XCON (auch R1 genannt) einsetzte, um Bestellungen für VAX-Minicomputer zu konfigurieren. Mitte der 1980er enthielt XCON Tausende von Regeln und sparte DEC geschätzt 40 Millionen Dollar jährlich an vermiedenen Fehlern und Arbeitsaufwand.

Ähnliche Systeme tauchten in der Ölexploration (Shells PROSPECTOR), im Finanzwesen (Kreditprüfung), in der Fertigung und Logistik auf. Ein neuer Beruf entstand, der Wissensingenieur, dessen Aufgabe es war, Expertise aus menschlichen Spezialisten zu extrahieren und als Regeln zu kodieren. Feigenbaum und die Journalistin Pamela McCorduck fingen den Geist der Ära ein: Wissen musste „mühsam aus den Köpfen der Experten geschürft werden, ein Juwel nach dem anderen.”

Startups vermehrten sich. Unternehmen wie Teknowledge, IntelliCorp und Carnegie Group verkauften Expertensystem-Shells, generische Inferenzmaschinen, die Kunden mit eigenen Regeln füllen konnten. Zwei Drittel der Fortune-500-Unternehmen nutzten Ende der 1980er Expertensysteme.

Die geopolitische Dimension

Der Boom wurde durch internationalen Wettbewerb verstärkt. 1982 startete Japan das Projekt der fünften Generation (FGCS), eine zehnjährige Regierungsinitiative zum Bau von Maschinen, die logische Inferenz und natürliche Sprache beherrschen sollten. Westliche Regierungen gerieten in Panik. Die USA antworteten mit der Strategic Computing Initiative; Großbritannien startete das Alvey Programme. Fördermittel flossen in einem Tempo in die KI-Forschung, das man zuvor nicht gesehen hatte, und erst in der Ära des Deep Learning wieder sehen sollte.

Der Zusammenbruch

Ende der 1980er wurden die Risse sichtbar:

• Wissenserwerbsflaschenhals: Regeln aus Experten zu extrahieren war langsam, teuer und fragil. Experten konnten oft nicht artikulieren, wie sie tatsächlich Entscheidungen trafen.
• Sprödigkeit: Expertensysteme funktionierten innerhalb ihrer kodierten Regeln, versagten aber an den Rändern unvorhersehbar. Ihnen fehlte gesunder Menschenverstand und die Fähigkeit, aus neuen Daten zu lernen.
• Wartung: Mit zunehmender Regelanzahl wurden Systeme schwer aktualisier- und debugbar. Widersprüche schlichen sich ein.
• Hardwarekosten: Viele Expertensysteme liefen auf teuren dedizierten Lisp-Maschinen, die gegen immer leistungsfähigere Allzweck-Workstations nicht bestehen konnten.

Japans Fünfte-Generation-Projekt wurde still beendet, ohne seine Versprechen einzulösen. Der Lisp-Maschinen-Markt brach zusammen. KI-Firmen gingen bankrott oder wechselten die Richtung. Fördermittel versiegten. Der zweite KI-Winter war da.

Warum es zählt

Expertensysteme bewiesen, dass domänenspezifische KI echten kommerziellen Wert liefern kann, allein XCON rechtfertigte die Investitionen des gesamten Feldes. Aber sie zeigten auch die Grenzen symbolischer KI: handkodierte Regeln skalieren nicht mit der Unordnung der realen Welt.

Die Lehren prägten, was danach kam. Als maschinelles Lernen in den 1990ern und 2000ern zurückkehrte, gelang ihm genau dort der Durchbruch, wo Expertensysteme gescheitert waren: Muster aus Daten lernen statt sie manuell zu kodieren. Heutige große Sprachmodelle sind gewissermaßen die Antwort auf den Wissenserwerbsflaschenhals, sie absorbieren Expertise aus Text in einem Ausmaß, das kein Wissensingenieur erreichen könnte.