Strukturlernen graphbasierter Modelle auf der Basis verteilten Wissens

Inhaltlich unvernderte Neuauflage. Noch vor wenigen Jahrzehnten galt es in der Wissenschaft im Allgemeinen und der Knstlichen Intelligenz im Besonderen den Faktor Unsicherheit mglichst zu vermeiden. Diese Einstellung hat sich in den letzten Jahren grundlegend gendert. Vielmehr wird heute die Auseinandersetzung mit Unsicherheit als wichtiger Faktor in der Modellbildung betrachtet, was es in vielen Situationen erst ermglicht, passende approximative Modelle zu kreieren, deren Komplexitt sich in Grenzen hlt. Die Knstliche Intelligenz bietet verschiedenste Anstze zur Behandlung von Unsicherheit. Stichworte sind beispielsweise: Nichtmonotone Logik, Regeln mit Unsicherheitsfaktoren, Fuzzy-Logik oder graphbasierte Reprsentationen 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 Knstlichen Intelligenz vereint, die Unzulnglichkeiten der eng verwandten Neuronalen Netze (z. B. in Bezug auf ihre Interpretierbarkeit) berwindet und einmal der Schlssel fr erfolgreiche intelligente Anwendungen und Produkte sein wird.