Expertensysteme

Was sind Expertensysteme?

Expertensysteme sind regelbasierte Softwareprogramme, die das Fachwissen menschlicher Spezialisten in einem eng definierten Wissensgebiet nachbilden. Sie bestehen aus einer Wissensbasis mit gespeicherten Fakten und Regeln sowie einer Inferenzmaschine, die diese Regeln auf konkrete Anfragen anwendet. Als einer der ersten praxistauglichen KI-Ansätze prägten sie die Entwicklung intelligenter Systeme von den 1970er bis in die 1990er Jahre maßgeblich.

Wie funktionieren Expertensysteme?

Das Grundprinzip ist vergleichbar mit einem sehr strukturierten Entscheidungsbaum: Wenn Bedingung A und Bedingung B erfüllt sind, dann gilt Schlussfolgerung C. Ein Wissensingenieur befragt zunächst menschliche Experten und überführt deren Erfahrungswissen in Hunderte oder Tausende solcher Wenn-Dann-Regeln. Die Inferenzmaschine arbeitet diese Regeln dann bei jeder Anfrage systematisch durch – entweder vorwärts (von Fakten zur Schlussfolgerung) oder rückwärts (von einer Hypothese zu den nötigen Belegen).

Ein klassisches Beispiel: Das System MYCIN der Stanford University konnte in den 1970er Jahren bakterielle Infektionen diagnostizieren und Antibiotika empfehlen – rein auf Basis explizit kodierter medizinischer Regeln, ohne jegliches maschinelles Lernen. Der entscheidende Unterschied zu Maschinellem Lernen: Expertensysteme lernen nicht aus Daten, sondern wenden manuell eingegebenes Wissen an.

Vorteile für Unternehmen

• Nachvollziehbare Entscheidungen: Jede Ausgabe lässt sich auf konkrete Regeln zurückführen – wichtig überall dort, wo Entscheidungen dokumentiert und begründet werden müssen, etwa in der Qualitätssicherung oder im Compliance-Bereich.
• Wissenserhalt: Wenn erfahrene Mitarbeitende das Unternehmen verlassen, bleibt ihr kodiertes Fachwissen im System erhalten und kann weitergenutzt werden.
• Stabile Ergebnisse: Anders als Large Language Models produzieren Expertensysteme bei gleicher Eingabe immer dasselbe Ergebnis – kein Rauschen, keine Zufälligkeit.
• Geringer Datenbedarf: Es werden keine großen Trainingsdaten benötigt; das Wissen wird direkt durch Experten eingespeist, was den Einsatz in spezialisierten Nischenbereichen ermöglicht.

Praxisbeispiele

Beispiel 1: Technischer Kundendienst im Maschinenbau

Ein mittelständischer Maschinenbauer setzt ein regelbasiertes Diagnosesystem ein, das Servicetechniker bei der Fehlersuche unterstützt. Das System fragt systematisch Symptome ab – Vibration, Temperatur, Fehlercodes – und empfiehlt auf Basis hinterlegter Regeln die wahrscheinliche Ursache und den nächsten Diagnoseschritt. Neu eingestellte Techniker erreichen damit schneller ein Niveau, das früher jahrelange Erfahrung erforderte.

Beispiel 2: Kreditprüfung im Finanzbereich

Banken und Leasinggesellschaften nutzten Expertensysteme jahrelang für die standardisierte Kreditwürdigkeitsprüfung. Fest definierte Regeln zu Einkommenshöhe, Beschäftigungsdauer und Schufa-Score führen zu einer eindeutigen Entscheidungsempfehlung. Diese Transparenz ist regulatorisch oft vorteilhaft, weil jede Ablehnung klar begründet werden kann.

Worauf du achten solltest

Der größte Schwachpunkt von Expertensystemen ist ihr Pflegeaufwand: Jede Änderung im Fachgebiet – neue Gesetze, neue Produktversionen, neue Erkenntnisse – muss manuell in die Wissensbasis eingearbeitet werden. Außerdem stoßen sie bei Ausnahmen und unscharfen Situationen schnell an Grenzen, weil sie nur das abdecken können, was explizit kodiert wurde. Für dynamische, datenreiche Problemstellungen sind moderne Ansätze wie Deep Learning oder Retrieval Augmented Generation flexibler. Expertensysteme lohnen sich dort, wo das Wissensgebiet stabil, klar abgrenzbar und die Erklärbarkeit der Entscheidung geschäftskritisch ist.

Häufige Fragen

Sind Expertensysteme veraltet?

Nicht vollständig. In stark regulierten Bereichen wie Medizin, Recht oder Finanzen werden regelbasierte Systeme nach wie vor eingesetzt – oft ergänzt durch moderne KI-Komponenten. Die reine Form ist seltener geworden, das Grundprinzip lebt jedoch in Guardrails und hybriden Architekturen weiter.

Was unterscheidet Expertensysteme von modernen KI-Modellen?

Expertensysteme lernen nicht – sie wenden nur vor-kodiertes Wissen an. Moderne Modelle wie Foundation Models lernen Muster aus großen Datenmengen und können auch auf unbekannte Situationen generalisieren. Dafür sind ihre Entscheidungswege weniger transparent.

Kann ich ein Expertensystem heute noch selbst aufbauen?

Ja. Für stabile, klar strukturierte Entscheidungsprozesse kann ein regelbasiertes System mit modernen Tools schnell umgesetzt werden – oft einfacher und kostengünstiger als ein vollständiges ML-Projekt. Besonders sinnvoll ist das, wenn du vorhandenes Expertenwissen formalisieren und konsistent anwendbar machen möchtest.

Fazit

Expertensysteme sind kein Relikt, sondern ein nützliches Konzept mit klarem Anwendungsbereich. Wer Entscheidungen dokumentierbar, erklärbar und stabil halten muss und über gut strukturiertes Fachwissen verfügt, sollte regelbasierte Ansätze als Teil seiner KI-Strategie mitdenken – idealerweise kombiniert mit modernen Modellen, wo Flexibilität gefragt ist.