Strukturlernen graphbasierter Modelle auf der Basis verteilten Wissens

Inhaltlich unveränderte Neuauflage. Noch vor wenigen Jahrzehnten galt es in der Wissenschaft im Allgemeinen und der Künstlichen Intelligenz im Besonderen den Faktor Unsicherheit möglichst zu vermeiden. Diese Einstellung hat sich in den letzten Jahren grund­legend geändert. Vielmehr wird heute die Auseinandersetzung mit Un­sicherheit als wichtiger Faktor in der Modellbildung betrachtet, was es in vielen Situationen erst ermöglicht, passende approximative Modelle zu kreieren, deren Komplexität sich in Grenzen hält. Die Künstliche Intelligenz bietet verschiedenste Ansätze zur Behandlung von Unsicherheit. Stichworte sind beispielsweise: Nichtmonotone Logik, Regeln mit Unsicherheitsfaktoren, Fuzzy-Logik oder graphbasierte Repräsentationen wie Bayes'sche Netze und Entscheidungsnetze, welche die zentralen Studienobjekte der vorliegenden Arbeit darstellen. Gerade Bayes'sche Netze werden in den letzten Jahren als das graphische Framework gehandelt, das verschiedenste Aspekte der Künst­lichen Intelligenz vereint, die Unzulänglichkeiten der eng verwandten Neuro­nalen Netze (z. B. in Bezug auf ihre Interpretierbarkeit) überwindet und ein­mal der Schlüssel für erfolgreiche intelligente Anwendungen und Produkte sein wird.

Studierte Informatik an der Universität Dortmund. Seit 2005 arbeitet er im Rahmen seiner Tätigkeit am Lehrstuhl ITM der Ruhr-Universität Bochum an verschiedenen Forschungs- und Industrieprojekten mit dem Ziel, Methoden der Künstlichen Intelligenz auf praktische Anwendungen im Maschinenbauumfeld zu übertragen.