Ein interessanter Teilbereich der Künstlichen Intelligenz sind die wissensbasierten Systeme. Wie kann Wissen im Computer dargestellt werden? Mit welchen Hilfsmitteln kann die menschliche Fähigkeit, Entscheidungen zu treffen, imitiert werden? Darum geht es in Methoden wissensbasierter Systeme, das im Vieweg Verlag erschienen ist.

Nach der Einleitung folgt ein grober Überblick über wissensbasierte Systeme, ihre Einsatzgebiete und ihre Geschichte. Im dritten Kapitel steigt man dann mit der Logikbasierten Wissensrepräsentation und Inferenz bereits voll ein. Neben einer Erklärung, was Inferenz denn eigentlich bedeutet, findet der Leser hier auch eine Einführung in die Aussagenlogik und die Prädikatenlogik 1. Stufe, die wohl verbreitetsten Logiken.

Kapitel vier führt regelbasierte Systeme ein. Hier wird auch das Problem von Widersprüchen angesprochen - was ist zu tun, wenn zwei Regeln angewendet werden können, die zu unterschiedlichen Ergebnissen führen?
Es folgt das maschinelle Lernen, das heißt, im Gegensatz zum vorhergehenden Kapitel gibt man die Regeln nicht mehr selbst ein, sondern das System findet diese durch die Eingabe von Beispielen, sogenannten Instanzen. Hier werden verschiedene Lernverfahren und einige Anwendungsmöglichkeiten besprochen.

Danach folgt das sogenannte Fallbasierte Schließen. In diesem Ansatz werden bereits erfolgte Entscheidungen benutzt, um zusammen mit anderem Wissen, zum Beispiel den bereits erwähnten Regeln, zu einer Lösung zu kommen.

In Kapitel sieben werden Truth-Maintenance-Systeme angesprochen. Dabei geht es darum, Widersprüche zu vermeiden und gegebenenfalls Regeln auch wieder zu löschen, wenn sie einen Konflikt hervorrufen.
Einen ähnlichen Zweck verfolgen Default-Logiken. Mit ihnen kann man Ausnahmen behandeln, zum Beispiel, dass Pinguine, obwohl sie Vögel sind, nicht fliegen können. Mit den bisher vorgestellten Methoden ist dies nicht ohne Weiteres möglich.

Man kann auch mit Logik programmieren und genau dies wird im zehnten Kapitel behandelt. Direkt darauf folgt ein Kapitel über Aktionen und Planen, denn häufig ist ein Problem nicht nur in einem, sondern in mehreren Schritten zu lösen. In diesem Zusammenhang wird auch das bekannte STRIPS-System angesprochen, das es ermöglicht, einen Plan zur Lösung eines Problems zu erstellen.
Danach werden Agenten besprochen, das heißt, Systeme, die autonom agieren können, ohne von einem Menschen ein Problem gestellt zu bekommen (zum Beispiel die heutigen "intelligenten" Thermostate, die es ermöglichen, die Temperatur in einem Raum konstant zu halten, ohne selbst den Temperaturregler zu bedienen).

Mit zwei Kapiteln über quantitative Methoden wie etwa Markov-Netze oder die Fuzzy-Theorie schließt der Hauptteil des Buches. Im Anhang werden noch Grundlagen für die Wahrscheinlichkeitsrechnung zum einen und zur Graphentheorie zum anderen bereitgelegt.

Das Buch ist auf einem konstant hohen Level an Anspruch und Qualität geschrieben. Dabei ergibt sich die Zielgruppe wie von selbst: für Studenten der Informatik und verwandter Fachrichtungen ist dieses Buch genau richtig. Wer sich aus Spaß an der Sache dafür interessiert, allerdings keine Freude an Mathematik hat, der sollte die Finger von diesem Buch lassen. Denn ein gutes Verständnis der mathematischen Grundlagen wird vorausgesetzt, auch wenn diese kurz erklärt sind, einen Einführungskurs in Statistik und Logik sollte man doch schon mal gehört haben.
Mit vielen Beispielen und Übungsaufgaben wird dem Leser alles Wissenswerte näher gebracht. Dabei wäre es wünschenswert gewesen, auch die Lösungen zu den Aufgaben abzudrucken. In den einfacheren Kapiteln kann man sich vielleicht noch so durchschlagen, spätestens aber ab dem Maschinellen Lernen braucht man doch die Unterstützung eines Lehrers, um mit Problemen klarzukommen.

Fazit: ein gut geschriebenes Buch, perfekt für die Zielgruppe. Auch wer sich sonst für KI interessiert und etwas Spaß an Mathematik hat, wird sich über dieses Buch freuen.