regelbasierte

Regelbasierte Systeme, auch regelbasierte Ansätze genannt, sind Systeme der künstlichen Intelligenz und Wissensrepräsentation, die Entscheidungen oder Schlussfolgerungen überwiegend auf explizit formulierten Wenn-Dann-Regeln aufbauen. Die zentrale Wissensbasis (Regelbasis) wird durch Fachwissen aus einem Anwendungsgebiet gefüllt, während eine Schlussfolgerungsmaschine (Inferenz-Engine) aus bekannten Fakten neue Erkenntnisse ableitet oder Ziele verfolgt. Typischerweise bestehen Regeln aus einer Bedingung (Wenn-Klausel) und einer Aktion (Dann-Klausel). Regeln werden in Form von Wenn-Bedingung-Dann-Aktions-Ausdrücken gespeichert und von der Engine bei Bedarf aktiv überprüft.

Es gibt zwei verbreitete Vorgehensweisen: Forward Chaining (Vorwärtsverkettung), bei der aus bekannten Fakten neue Fakten abgeleitet werden, und Backward Chaining (Rückwärtsverkettung), bei der Ziele durch gezielte Abfragen der Regeln erfüllt werden. Konflikte zwischen mehreren passenden Regeln müssen gelöst werden, etwa durch Prioritäten, Spezifität oder Wahrscheinlichkeiten.

Anwendungsgebiete umfassen Expertensysteme, Diagnostik, Entscheidungsunterstützung, Unternehmens- und Geschäftsregeln sowie Automatisierung in Produktion und IT. Historisch zählen Systeme wie MYCIN oder XCON zu frühen Pionieren; heute sind Business Rules Management Systeme (BRMS) wie Drools oder IBM ODM weit verbreitet.

Vorteile sind Transparenz, Erklärbarkeit und einfache Anpassung durch Domänenexperten. Nachteile sind der Aufwand der Wissensakquise, begrenzte Skalierbarkeit bei komplexen Domänen, potenzielle Konflikte zwischen Regeln und der oft fehlende Lernfähigkeit aus Daten. Moderne Anwendungen integrieren regelbasierte Komponenten mit datengetriebenen Ansätzen, um Stabilität, Compliance und Nachvollziehbarkeit mit statistischer Leistungsfähigkeit zu verbinden.