DE10222687A1

DE10222687A1 - Modellauswahl für Entscheidungsunterstützungssysteme

Info

Publication number: DE10222687A1
Application number: DE10222687A
Authority: DE
Inventors: Claus Skaanning; James Schreckengast
Original assignee: Hewlett Packard Co
Current assignee: Hewlett Packard Development Co LP
Priority date: 2001-05-26
Filing date: 2002-05-22
Publication date: 2002-12-12
Anticipated expiration: 2022-05-23
Also published as: DE10222687B4; JP2003050988A; US6957202B2; US20020183988A1

Abstract

Eine Modellauswahl wird ausgeführt. Die ersten Informationen über eine anstehende Angelegenheit werden von einem Benutzer erhalten. Die ersten Informationen werden in einem Supermodell verwendet, um eine zugrundeliegende Angelegenheit und ein zugeordnetes Teilmodell zum Liefern einer Lösung für die zugrundeliegende Angelegenheit zu identifizieren. Eine Bayes-Netzwerkstruktur wird verwendet, um die zugrundeliegende Angelegenheit und das zugeordnete Teilmodell zu identifizieren. Das Teilmodell erhält zusätzliche Informationen über die zugrundeliegende Angelegenheit vom Benutzer. Das Teilmodell verwendet die zusätzlichen Informationen, um eine Lösung für die zugrundeliegende Angelegenheit zu identifizieren.

Description

Der Gegenstand der vorliegenden Patentanmeldung ist ver wandt mit dem Gegenstand, der von Claus Skaanning, Uffe Kjærulff und Finn V. Jensen in der US-Patentanmeldung, Se riennr. 06/261.769, eingereicht am 3. März 1999 mit dem Ti tel "A METHOD FOR KNOWLEDGE ACQUISITION FOR DIAGNOSTIC BAYESIAN NETWORKS", dargelegt ist, mit dem Gegenstand, der von Claus Skaanning, Finn V. Jensen, Uffe Kjærulff, Paul A. Pelletier, Lasse Rostrup Jensen, Marilyn A. Parker und Ja nice L. Bogorad in der US-Patentanmeldung, Seriennr. 09/353.727, eingereicht am 14. Juli 1999 mit dem Titel "AUTOMATED DIAGNOSIS OF PRINTER SYSTEMS USING BAYESIAN NETWORKS" (entspricht EP 1069487 A1) dargelegt ist, und mit dem Gegenstand, der von Claus Skaanning in der US- Patentanmeldung, Seriennr. 09/388.891, eingereicht am 2. September 1999 mit dem Titel "AUTHORING TOOL FOR BAYESIAN NETWORK TROUBLESHOOTERS" (entspricht DE 100 36 737 A1) darge legt ist.

Die vorliegende Erfindung bezieht sich auf probabilistische Störungssucher und diagnostische Systeme und bezieht sich speziell auf eine Modellauswahl für Entscheidungsunterstüt zungssysteme.

Entscheidungsunterstützungssysteme sind als Erfassungssys teme für Diagnose, Störungssuche, Auswahl, Klassifizierung, Prädiktion und allgemeine Entscheidungsunterstützung defi niert.

Derzeit ist es für Hersteller äußerst kostspielig, die Sys teme ihrer Kunden zu diagnostizieren. Eine Automatisierung dieses Verfahrens ist unter Verwendung von probabilisti schen Störungssuchern und anderen diagnostischen Systemen versucht worden. Einige dieser Systeme basieren auf Bayes- Netzwerken.

Ein Störungssucher basierend auf Bayes-Netzwerken ist durch D. Heckerman, J. Breese und K. Rommelse (1995), Decision theoretic Troubleshooting, Communications of the ACM, 38: 49-57 (hierin als "Heckerman et al. 1995" bezeichnet) beschrieben.

In der Fachliteratur werden Bayes-Netzwerke mit verschiede nen Namen bezeichnet: Bayes-Netze, kausale probabilistische Netzwerke, Bayes-Überzeugungsnetzwerke oder einfach Über zeugungsnetzwerke. Lose definierte Bayes-Netzwerke sind ei ne präzise (azyklische) graphische Struktur zum Modellieren von probabilistischen Beziehungen unter diskreten Zufalls variablen. Bayes-Netzwerke werden verwendet, um Problemdo mänen, die eine gewisse Ungewißheit aufweisen, effizient zu modellieren, und darin liegt ihr Nutzen. Da sie auf einem Computer ohne weiteres modelliert werden können, sind sie der Gegenstand wachsenden Interesses und steigender Verwen dung bei automatisierten Entscheidungsunterstützungssyste men, sei es für eine medizinische Diagnose, eine automati sierte Störungssuche in Automobilen, Wirtschafts- oder Ak tienmarktprognosen oder in anderen Bereichen, bei denen es um so subjektive Dinge wie das Prognostizieren von wahr scheinlichen Anforderungen eines Computerbenutzers geht.

Im allgemeinen besteht ein Bayes-Netzwerk aus einem Satz von Knoten, die diskretwertige Variablen darstellen, die durch Bögen verbunden sind, die die kausalen Abhängigkeiten zwischen den Knoten darstellen. Eine Menge von konditiona len Wahrscheinlichkeitstabellen, eine für jeden Knoten, de finiert die Abhängigkeit zwischen den Knoten und ihren El tern. Und Knoten ohne Eltern, die manchmal als Quellenkno ten bezeichnet werden, ist eine vorherige Randwahrschein lichkeitstabelle zugeordnet. Bei spezifischen Anwendungen werden die Daten für die Wahrscheinlichkeitstabellen für alle anderen Knoten durch sogenannten Domänenexperten in einem beliebigen Bereich, der gerade modelliert wird, ge liefert. Dies umfaßt das Zuordnen von vorherigen Wahr scheinlichkeiten für alle Knoten ohne Eltern und von kondi tionalen Wahrscheinlichkeiten für alle Knoten mit Eltern. Bei diagnostischen Bayes-Netzwerken können Knoten Ursachen darstellen oder Ergebnisse von Aktionen und Fragen. Bei sehr großen diagnostischen Bayes-Netzwerken sind die meis ten der Ereignisse bei Wahrscheinlichkeiten im Bereich von 0,001 bis 0,000001 sehr selten. Da es jedoch ein primäres Ziel eines Computerentscheidungs-Unterstützungssystem ist, genaustmögliche Entscheidungen zu liefern, ist es zwingend erforderlich, daß die Domänenexperten probabilistische In formationen liefern, die höchst zuverlässig sind und Situa tion am besten einschätzen.

Bayes-Netzwerke liefern eine Möglichkeit, Problembereiche unter Verwendung einer Wahrscheinlichkeitstheorie zu model lieren. Die Bayes-Netzwerkdarstellung eines Problems kann verwendet werden, um Informationen über eine Teilmenge von Variablen angesichts von Informationen über andere zu lie fern. Ein Bayes-Netzwerk besteht aus einem Satz von Variab len (Knoten) und einem Satz von gerichteten Kanten (Verbin dungen zwischen Variablen). Jede Variable weist einen Satz von sich gegenseitig ausschließenden Zuständen auf. Die Va riablen bilden zusammen mit den gerichteten Kanten einen gerichteten azyklischen Graphen (DAG; DAG = directed acyc lic graph). Für jede Variable v mit den Eltern w₁, . . ., w_n ist eine konditionale Wahrscheinlichkeitstabelle P(v/w₁, . . . w_n) definiert. Wenn v keine Eltern hat, verringert sich diese Tabelle offenbar auf die Randwahrscheinlichkeit P(v).

Bayes-Netzwerke sind in vielen Anwendungsdomänen, die eine Ungewißheit aufweisen, wie z. B. medizinische Diagnose, Stammbaumanalyse, Planung, Schuldenerfassung, Engpaßerfas sung etc. verwendet worden. Einer der Hauptanwendungsberei che ist jedoch die Diagnose gewesen. Die Diagnose (d. h. zugrundeliegende Faktoren, die Krankheiten/Fehlfunktionen bewirken, die wiederum Symptome verursachen) eignet sich sehr gut für die Modellierungsverfahren der Bayes- Netzwerke.

Die Modellauswahl ist die Fähigkeit, einem Benutzer eines diagnostischen Systems beim Bestimmen des korrekten Modells zur Bewältigung eines Problems oder beim Unterstützen des Benutzers, eine Entscheidung zu treffen, zu helfen.

Eine menübasierte Auswahl von Modellen kann einen Modell baum von Menüs und Untermenüs enthalten. Dies ermöglicht einem Benutzer einen Überblick über die verfügbaren Model le, doch kann es schwierig sein, das korrekte Modell in ei nem großen Modellbaum zu finden. Auch ist es eventuell für einen unerfahrenen Benutzer nicht möglich, das korrekte Mo dell zu identifizieren. Zum Beispiel ist "Blasendruck" ein klar definiertes Druckqualitätsproblem bei Druckern, jedoch sind nur fachmännische Benutzer in der Lage, ein unbekann tes Druckqualitätsproblem als "Blasendruck" zu klassifizie ren.

Eine Textsuchauswahl von Modellen funktioniert, indem eine Textsuche innerhalb von Teilmodellen verwendet wird, um zu bestimmen, welches Teilmodell zu verwenden ist. Die Textsu che ermöglicht gelegentlich, eine Abkürzung direkt zum ge wünschten Modell zu nehmen, wenn jedoch dem Benutzer die Beschreibung des Problems unbekannt ist (z. B. "Blasen druck"), ist der Benutzer nicht in der Lage, einen guten Text zu liefern, um das beste Modell zu finden.

Fallbasierte Systeme können für die Modellauswahl verwendet werden, da solche fallbasierten Systeme Benutzern dabei helfen sollen, Probleme durch Stellen einer Folge von Fra gen zu identifizieren. Fallbasierte Systeme für die Mo dellauswahl leiden jedoch in der Tat unter den gleichen Problemen wie alle anderen fallbasierten Systeme. Das Kon struieren eines fallbasierten Systems erfordert ausführli ches technisches Wissen über fallbasierte Systeme, da das Verhalten des Systems stark von der Qualität von Fällen, die zur Inferenz verwendet werden, abhängt.

Es ist eine Aufgabe der vorliegenden Erfindung, ein Verfah ren und ein System zu schaffen, die eine verbesserte Mo dellauswahl für Entscheidungsunterstützungssysteme ermögli chen.

Diese Aufgabe wird durch ein Verfahren gemäß Anspruch 1 und ein System gemäß Anspruch 19 gelöst.

Gemäß einem bevorzugten Ausführungsbeispiel der vorliegen den Erfindung wird die Modellauswahl ausgeführt. Die ersten Informationen über ein anstehendes Problem werden von einem Benutzer erhalten. Die ersten Informationen werden in einem Supermodell verwendet, um ein zugrundeliegendes Problem und ein zugeordnetes Teilmodell zum Liefern einer Lösung für das zugrundeliegende Problem zu identifizieren. Eine Bayes- Netzwerkstruktur wird verwendet, um das zugrundeliegende Problem und das zugeordnete Teilmodell zu identifizieren. Das Teilmodell erhält vom Benutzer zusätzliche diagnosti sche Informationen über das zugrundeliegende Problem. Das Teilmodell verwendet die diagnostischen Informationen, um eine Lösung für das zugrundeliegende Problem zu identifi zieren.

Bevorzugte Ausführungsbeispiele der vorliegenden Erfindung werden nachfolgend Bezug nehmend auf die beiliegenden Zeichnungen näher erläutert. Es zeigen:

Fig. 1 einen Überblick einer diagnostischen Umgebung,

Fig. 2 ein vereinfachtes Blockdiagramm eines Webservers,

Fig. 3 ein vereinfachtes Blockdiagramm von Komponenten in einem Kunden-Personal-Computer, der in dem diagnostischen Verfahren verwendet wird,

Fig. 4 ein vereinfachtes Diagramm, das ein Supermodell gemäß einem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung darstellt,

Fig. 5 ein vereinfachtes Diagramm, das ein Supermodell gemäß einem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung darstellt, in dem ein Teilmodell eine Mehrzahl von Problemen in einem Supermodell lösen kann,

Fig. 6 ein vereinfachtes Flußdiagramm, das ein Verfahren gemäß einem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung darstellt, durch das ein Supermodellsystem verwendet wird, um eine Lösung für ein Problem zu finden.

Die vorliegende Erfindung ist für die Modellauswahl von Nutzen. Zum Beispiel ist das bevorzugte Ausführungsbeispiel der vorliegenden Erfindung nützlich, um ein beliebiges Mo dell oder System auszuwählen, das folgendes ausführen kann: (1) Erzeugen einer Wahrscheinlichkeit von einem oder mehre ren Problemen (auch als Diagnosen oder Ursachen bekannt); (2) Erzeugen einer nächsten Frage oder eines nächsten Tests und (3) Erzeugen einer Wahrscheinlichkeit von jeder mögli chen Antwort auf diese nächste Frage oder diesen nächsten Test angesichts der Informationen, die dem System bekannt sind.

Obgleich das bevorzugte Ausführungsbeispiel der vorliegen den Erfindung für ein beliebiges Modell oder System gilt, das die oben aufgelisteten Funktionen ausführen kann, wird ein diagnostisches Bayes-Netzwerksystem bei der Beschrei bung eines speziellen Ausführungsbeispiels der Erfindung verwendet. Die ausgewählten Modelle müssen keine Bayes- Netzwerke sein, sondern können ein beliebiger Typ von Sys tem sein, z. B. fallbasierte Systeme, Fuzzy-Systeme, regelbasierte Systeme etc.

Nachstehend wird das bevorzugte Ausführungsbeispiel zum Auswählen von Teilmodellen in einer diagnostischen Umgebung beschrieben. Fachleute mit Durchschnittsqualifikation wer den jedoch darauf hingewiesen, daß die Lehren der vorlie genden Erfindung ausreichend sind, um die Erfindung in ei ner Vielfalt von Anwendungsbereichen, wie z. B. Entschei dungsunterstützung, Auswahl, Klassifizierung, Prädiktion, Makeln, zu verwenden. Ein Beispiel des Makelns ist das Ma keln von Aktien bei Firmen.

Fig. 1 ist ein Überblick über eine diagnostische Umgebung. Fig. 1 zeigt einen Webserver 200, einen Kunden-Personal- Computer (PC) 205, einen Druckerserver 209 und einen Dru cker 210. Ein diagnostisches System 201 eines Druckersys tems arbeitet auf einem Webserver 200.

Ein diagnostisches System wird z. B. für die Entscheidungs unterstützung, Auswahl, Klassifizierung, Prädiktion und/oder zum Makeln verwendet. Bei der Entscheidungsunter stützung wird ein Benutzer durch eine Folge von Fragen ge leitet, die ihn zur optimalen Lösung für ein Problem füh ren. Zum Beispiel hilft die Entscheidungsunterstützung ei nem Benutzer dabei, die richtige Entscheidung im Hinblick auf ein bestimmtes Problem zu treffen. Zum Beispiel verwen det ein System für eine Entscheidungsunterstützungsmaschine für automatisierte Kundenunterstützungsoperationen (SACSO = system for automated customer support operations) eine Fol ge von Fragen, um das wahre zugrundeliegende Problem zu bestimmen, und kann dann Lösungen für das Problem vorschla gen.

Um eine Wissensakquisition auszuführen, die zum Liefern ei ner Entscheidungsunterstützung verwendet wird, wird eine Domäne, in der die Entscheidungsunterstützung ausgeführt werden soll, identifiziert. Es werden auch mögliche Situa tionen innerhalb der Domäne, mögliche Teilsituationen der möglichen Auswahl an und Informationsschritte identifi ziert. Die Informationsschritte werden an die möglichen Si tuationen und die möglichen Teilsituationen angepaßt. Die Wahrscheinlichkeiten werden für die möglichen Situationen, die möglichen Teilsituationen eingeschätzt. Die Wahrschein lichkeiten für Aktionen und Fragen, die in den Informati onsschritten aufgeführt sind, werden ebenfalls geschätzt sowie die Kosten für Aktionen und Fragen, die in den Infor mationsschritten aufgeführt sind.

Bei der Auswahl läuft ein diagnostisches System durch eine Folge von Fragen, die dem Benutzer dabei hilft, aus einer Anzahl von Möglichkeiten auszuwählen. Es können mehrere Auswahlen getroffen werden. Zum Beispiel verwendet ein Schüler das diagnostische System, um einen optimalen Stun denplan zu erstellen. Indem es ihm Fragen stellt, versucht das diagnostische System, die Bereiche zu bestimmen, wo der Student Nachhilfe benötigt (Wissenslückenanalyse), und das diagnostische System kann dann Unterrichtsstunden vorschla gen, die auf diese spezifischen Bereiche abzielen. Dabei geht es sich nicht gänzlich um eine allgemeine Entschei dungsunterstützung. Es ist dahingehend eine Entscheidungs unterstützung, da sie dem Benutzer dabei hilft, die Situa tion zu identifizieren, auf die die Verwendung gerichtet ist, und dann eine Lösung vorschlägt. Ursachen entsprechen Situationen. Die Informationsschritte entsprechen diagnos tischen Schritten. In diesem Fall liefern Aktionen Lösungen und Fragen sammeln Informationen wie in einem diagnosti schen System.

Um die Wissensakquisition auszuführen, die zum Bereitstel len einer Auswahl verwendet wird, wird eine Domäne, in der die Auswahl ausgeführt werden soll, identifiziert. Es wer den auch mögliche Situationen in der Domäne, mögliche Teil situationen der möglichen Auswahlen und Informationsschrit te identifiziert. Die Informationsschritte sind den mögli chen Situationen und möglichen Teilsituationen angepaßt. Für die möglichen Situationen und Teilsituationen werden Wahrscheinlichkeiten eingeschätzt. Wahrscheinlichkeiten für Aktionen und Fragen, die in den Informationsschritten aus geführt sind, und Kosten für Aktionen und Fragen, die in den Informationsschritten aufgeführt sind, werden ebenfalls eingeschätzt. Die Ursachen entsprechen getroffenen Auswah len. Die Informationsschritte entsprechen den diagnosti schen Schritten und werden verwendet, um Informationen zu sammeln, die zum Eingrenzen einer Auswahl nützlich sind.

Bei der Klassifizierung kann ein diagnostisches System ver wendet werden, um etwas gemäß einer Anzahl von Kategorien zu klassifizieren. Das diagnostische System kann z. B. für eine Pfadanalyse, z. B. Leiten einer Kunden-Feedback-E-Mail an die richtige Person, verwendet werden. Kunden-Feedback- E-Mails an die richtige Person zu leiten könnte z. B. das Klassifizieren einer E-Mail in eine einer Anzahl von Kate gorien basierend auf Etiketten oder Schlüsselwörtern, die aus der E-Mail extrahiert werden, umfassen.

Bei der Prädiktion kann ein diagnostisches System verwendet werden, um Prädiktionssysteme zu erzeugen. Im Grunde werden mögliche zukünftige Ursachen anstelle von aktuellen Ursa chen modelliert, und es werden Fragen, die nach Symptomen von zukünftigen Probleme suchen, modelliert.

Das Makeln ist eine Variante der Auswahl, wo ein diagnosti sches System verwendet wird, um in einer Liste von mögli chen Lösungen zu makeln. Zum Beispiel kann ein e-Sprach- Makler, der ein intelligenteres Makeln zwischen konkurrie renden e-Diensten ausführen muß, ein diagnostisches System verwenden, um dies durch Ausführen eines intelligenteren Vergleichs von e-Dienstbarometern vorzunehmen.

Ein diagnostisches Druckersystem 210 wird hierin als ein Beispiel eines diagnostischen Systems verwendet. Das dia gnostische Druckersystem 201 wird zum Diagnostizieren der Operation eines Drucksystems verwendet. Ein Benutzer am Kunden PC 205 kann auf das diagnostische System 201 über das Internet 202 zugreifen. Ein Webbrowser 206 im Kunden PC 205 wird verwendet, um auf den Webserver 200 zuzugreifen.

Ansprechend auf die Interaktion des Kunden mit dem diagnos tischen System 201, antwortet das diagnostische System 201 mit dem Vorschlag 203 von diagnostischen Schritte, die der Kunde ausführen kann. Das diagnostische System 201 funktio niert im wesentlichen als Expertensystem, das eine künstli che Intelligenz nutzt. Der Kunde liefert Informationen 204 zurück an das diagnostische System 201, das das diagnosti sche System 201 über das Ergebnis des Handelns bezüglich der Vorschläge 201 informiert. Die Informationen 204 können Informationen 207 umfassen, die der Kunde vom Druckerserver 209 erhält und/oder Informationen 208, die der Kunden vom Drucker 210 erhält.

Fig. 2 ist ein vereinfachtes Blockdiagramm des Webservers 200. Das diagnostische System 201 wird in einem Speicher 301 des Webservers 200 ausgeführt. Das diagnostische System 201 nutzt sekundäre Speichervorrichtungen 303 zur Speiche rung von diagnostischen Modellen. Eine Videoanzeige 304 kann durch einen Techniker verwendet werden, um den dia gnostischen Prozeß zu überwachen und die diagnostischen Mo delle zu bewahren. Der Webserver 200 umfaßt auch eine Ein gabevorrichtung 305, wie z. B. eine Tastatur, eine CPU 306 und eine Netzwerkkarte 307 zur Kommunikation mit dem Web- Browser 206 im Kunden PC 205.

Fig. 3 ist ein Überblick über die Komponenten des diagnos tischen Verfahrens. Der Webserver 200 ist gezeigt. Der Kun de kommuniziert mit dem diagnostischen System 201 (das in Fig. 1 gezeigt ist) im Webserver 200 durch den Web-Browser 206, der auf dem Kunden-PC 401 läuft. Der Kunde empfängt Empfehlungen 203 vom diagnostischen System 201 und liefert dafür die Antworten 204. Der Kunde verwendet das diagnosti sche System 201, wenn er eine Störung im Druckersystem er lebt, das aus dem Druckerserver 209 und dem Drucker 210 be steht. Im allgemeinen, wenn ein Kunde versucht, aus einer Anwendung 406 zu drucken, geht die Druckaufgabe zuerst an einen Druckertreiber 407, dann durch einen lokalen Spooler 408, falls diese verwendet wird, und dann an eine Betriebs systems-Umleitung 409 (Betriebssystem = operating system = O/S). Die O/S-Umleitung 409 ist der Teil des Betriebssys tems, der bestimmt, welchen Weg die Druckaufgabe geht, d. h. an eine Netzwerkverbindung 413 über einen Netzwerktrei ber 410 und eine Netzwerkkarte 411 oder an einen lokalen Port 412 im Falle eines lokalen, parallel geschalteten Dru ckers. Wenn die Druckaufgabe an einen lokalen, parallel verbundenen Drucker geht, läuft die Druckaufgabe durch ein paralleles Kabel 415, bevor sie den Drucker 210 erreicht. Wenn die Druckaufgabe an einen Netzwerkdrucker geht, geht sie entweder durch die Netzwerkverbindung 413 zum Drucker server 209 oder durch eine direkte Netzwerkverbindung 414 zum Drucker 210. Die direkte Netzwerkverbindung 414 kann für bestimmte Drucker genutzt werden, z. B. den HP LaserJet 5Si, der bei der Hewlett-Packard Company mit Geschäftsad resse in 3000 Hannover Street, Palo Alto, Kalifornien 94304 erhältlich ist. Wenn der Drucker 210 durch den Druckerser ver 209 gesteuert wird, geht die Druckaufgabe durch eine Druckerwarteschlange 420 in den Druckerserver 209, und dann wird die Druckaufgabe entweder über eine Netzwerkverbindung 417 an den Drucker 210 oder ein paralleles Kabel 418, ab hängig davon, wie der Drucker 210 mit dem Druckerserver 209 verbunden ist, gesendet.

Die Anwendung 406, der Druckertreiber 407, der Spooler 408 und die O/S-Umleitung 409 werden alle in einem Betriebssys tem 405 auf dem Kunden-PC 205 ausgeführt. Beim Drucken ei ner Druckaufgabe aus der Anwendung 406 folgt die Druckauf gabe auf ihrem Weg zum Drucker 210, abhängig von der Sys temeinstellung, einem der oben beschriebenen Pfade. Wenn auf diesem Weg irgend etwas schief geht, kann dies zu einer nicht erfolgenden Ausgabe oder einer unerwarteten Ausgabe führen. Das Diagnosesystem 201 versucht durch Tests an den Komponenten im System zu bestimmen, welche Komponente(n) das Problem verursachten.

Ein effizienteres Verfahren zum Sammeln von Informationen, die notwendig sind, um Diagnosesysteme basierend auf Bayes- Netzwerken, Verfahren zur Darstellung dieser Informationen in einem Bayes-Netzwerk und Verfahren zum Bestimmen von op timalen Folgen diagnostischer Schritte in Diagnosesystemen zu konstruieren, wird durch Claus Skaanning, Finn V. Jen sen, Uffe Kjærulff, Paul A. Pelletier, Lasse Rostrup Jen sen, Marilyn A. Parker und Janice L. Bogorad in der mitan hängigen Patentanmeldung, Seriennr. 09/353.727, die am 14. Juli 1999 für AUTOMATED DIAGNOSIS OF PRINTER SYSTEMS USING BAYESIAN NETWORKS (nachstehend bezeichnet als "die AUTOMATED-DIAGNOSIS-Patentanmeldung") eingereicht wurde, beschrieben, deren Gegenstand hierin durch Bezugnahme auf genommen worden ist.

Ein Verfasserwerkzeug, das das Wissensakquisitionsverfahren für diagnostische Systeme basierend auf Bayes-Netzwerken effizient unterstützt, wird durch Claus Skaanning in einer mitanhängigen Patentanmeldung, Seriennr. 09/388.891, die am 2. September 1999 für AUTHORING TOOL FOR BAYESIAN NETWORK TROUBLESHOOTERS (nachstehend bezeichnet als "die AUTHORING- TOOL-Patentanmeldung") eingereicht wurde, beschrieben, de ren Gegenstand hierin durch Bezugnahme aufgenommen wurden.

Ein Bayes-Netzwerk kann eine sehr einfache Struktur aufwei sen. Zum Beispiel weist ein einzelner Elternknoten, der ei ne Ursache darstellt, Kinderknoten auf, die Aktionen und Fragen darstellen. Bögen werden vom Elternknoten zu den Kinderknoten geleitet, wodurch uns aufgrund der Einfachheit der Struktur ein sogenanntes naives Bayes-Netzwerk gelie fert wird. Der Elternknoten enthält bezüglich der Ursachen eine vorherige Wahrscheinlichkeitsverteilung. Die Ursachen schließen sich gegenseitig aus, da sie als Zustände dieses Knotens dargestellt werden. Im Hinblick auf Aktionen und Fragen verfügen wir, bedingt durch die Ursachen, über kon ditionale Wahrscheinlichkeitsverteilungen gegenüber ihren Antworten. Die AUTOMATED DIAGNOSIS-Patentanmeldung und die AUTHORING-TOOL-Patentanmeldung beschreiben Verfahren zum Erhalten dieser Wahrscheinlichkeiten von Domänenexperten und von Verfahren zum Berechnen guter Schrittfolgen basie rend auf dieser Darstellung.

Bei dem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung wird die Modellauswahl durch Bayes-Netzwerke aus geführt. Dies ermöglicht einem Domänenexperten, ein "Super modell" für die Modellauswahl unter Verwendung eines Wis sensakquisitionswerkzeugs, das dann angewendet und als ein diagnostisches System verwendet werden kann, zu konstruie ren.

Bei seiner Verwendung, stellt das Supermodell dem Benutzer eine Folge von Fragen und wählt aufgrund der Antworten das optimale Modell zur Bewältigung des Problems des Benutzers aus. Bei dem bevorzugten Ausführungsbeispiel stellt das Su permodell die Fragen in einer optimierten Reihenfolge, um das Problem schnellstmöglich zu identifizieren. Sobald das Problem identifiziert worden ist, kann ein Teilmodell ein gesetzt werden, um bei der Auflösung des Problems zu hel fen. Ein Teilmodell ist ein Modell innerhalb des Supermo dells, das untergeordnet ist. Wenn ein Benutzer Antworten auf Fragen gibt, die durch das Supermodell gestellt wurden, verwendet das Supermodell diese Antworten, um die Fragen folge weiter zu optimieren.

Die Teilmodelle können sich auf mehreren Ebenen befinden, so daß eine Hierarchie von Teilmodellen gebildet wird. Auf diese Weise kann die vorliegende Erfindung zum Organisieren einer Hierarchie von Teilmodellen verwendet werden, um z. B. eine Modellanhäufung oder einen Wettbewerb zwischen Mo dellen auszuführen. Die Teilmodelle müssen keine Bayes- Netzwerke sein. Bei dem bevorzugten Ausführungsbeispiel liefern die Teilmodelle folgende Informationen:

1. P(M = y|e) - die Wahrscheinlichkeit, daß das Modell das Problem angesichts der aktuellen Beweise lösen kann.
2. C(e) - die Kosten des Modells, das das Problem angesichts der aktuellen Beweise löst.
3. Die Überzeugung in Modell M, das ange sichts der aktuellen Beweise das rich tige Modell ist.

Bei dem bevorzugten Ausführungsbeispiel ist die Übergabe der Steuerung vom Supermodell zum Teilmodell transparent, so daß der Benutzer nicht realisiert, daß es eine Mo dellauswahlphase und dann eine anschließende Phase zur Pro blemlösung gibt. Statt dessen betrachtet der Benutzer die gesamte Frage/Antwort-Folge als einen homogenen Prozeß.

Bei dem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung gibt ein Teilmodell die Steuerung zurück zum Su permodell, wenn das Teilmodell entdeckt, daß es nicht in der Lage ist, ein Problem zu lösen. Das Supermodell kann dann dem Benutzer zusätzliche Fragen stellen, um ein geeig neteres Teilmodell zu identifizieren, das das Problem be wältigen soll.

Das bevorzugte Ausführungsbeispiel der vorliegenden Erfin dung ermöglicht daher, daß die Modellauswahl und die Prob lemlösungsphasen in einen homogenen Prozeß integriert wer den.

Ferner ermöglicht die vorliegende Erfindung dem Domänenex perten, Bayes-Netzwerke für die Modellauswahl zu konstruie ren, die die Identifizierung von unbestimmten Problemen, wie z. B. "Blasendruck", ermöglichen. Das Supermodell kann dem Benutzer Fragen stellen, die die inhärente Ungewißheit bei der Identifizierung dieser Probleme erfassen, und dem Benutzer eine ausreichende Erklärung und visuelle Mittel bereitstellen, um ihm dabei zu helfen, die Fragen richtig zu beantworten.

Ferner kann bei dem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung ein Teilmodell ausgewählt werden, auch wenn eine Ungewißheit bezüglich der Richtigkeit dieses Modells bestehen bleibt. Es gibt viele realistische Situa tionen, in denen ein Benutzer nicht in der Lage ist, ein richtiges Modell auszuwählen. Diese Situationen sollten nicht dadurch gehandhabt werden, indem ein nahezu zufälli ges Teilmodell ausgewählt wird, wie es durch bekannte Ver fahren erledigt wurde. Bei dem bevorzugten Ausführungsbei spiel der vorliegenden Erfindung werden diese Situationen durch Auswählen des Teilmodells gehandhabt, das aller Wahr scheinlichkeit nach Schritte in Bezug auf die Antworten des Benutzers auf vorhergehende Fragen liefert.

Fig. 4 zeigt ein Supermodell, das durch ein Feld 59 abge grenzt ist. Ein Supermodell ist ein Modell, das bei der Identifizierung des Problems (d. h. Angelegenheit) hilft und dann ein Teilmodell (auch als Kindermodell bezeichnet) aus wählt, das das spezifische Problem lösen kann. Das Konzept kann in einem Baum von Modellen mit mehr als zwei Ebenen von Modellen verallgemeinert werden. Ferner kann das Kon zept verallgemeinert werden, um der Steuerung zu ermögli chen, von einem Supermodell zu einem Teilmodell und wieder zurück, und dann zu einem weiteren Teilmodell zu schalten.

In Fig. 4 ist eine Beispielsituation mit einer Gesamtprob lemvariable P (d. h. dem anstehenden Problem oder der an stehenden Angelegenheit) gezeigt. Ein Problem P₁, ein Prob lem P₂ und ein Problem P₃ befinden sich innerhalb der Ge samtproblemvariable P. Das Problem P₁, das Problem P₂ und das Problem P₃ sind zugrundeliegende Probleme (oder zugrun deliegende Angelegenheiten) des anstehenden Problems P. Ein Teilmodell M₁ löst das Problem P₁. Ein Teilmodell M₂ löst das Problem P₂. Ein Teilmodell M₃ löst das Problem P₃.

In Fig. 4 ist das anstehende Problem P mit 62 bezeichnet. Das zugrundeliegende Problem P₁ ist mit 63 bezeichnet. Das zugrundeliegende Problem P₂ ist mit 64 bezeichnet. Das zu grundeliegende Problem P₃ ist mit 65 bezeichnet.

In einem Feld 60 ist das Teilmodell M₁ mit einer Ursache C₁, einer Ursache C₂, einer Ursache C₃, einem Schritt S₁ und einem Schritt S₂ gezeigt. In einem Feld 61 ist das Teilmo dell M₂ mit einer Ursache C₄, einer Ursache C₅, einer Ursa che C₆, einem Schritt S₃ und einem Schritt S₄ gezeigt.

Wie in Fig. 4 dargestellt ist, sind die Teilmodelle M₁, M₂ und M₃ nicht in einem großen Bayes-Netzwerk, sondern in ei ner Hierarchie verbunden, in der Überzeugungen zwischen den Teilmodellen propagiert werden.

In dem Supermodell, das in Fig. 4 gezeigt ist, gibt es für jedes Teilmodell einen Knoten. Der Knoten stellt das Ereig nis dar, wenn das Teilmodell das Problem löst. Die Informa tionen werden vom Teilmodell als weicher Beweis zum ent sprechenden Knoten im Supermodell geleitet. Ein Teilmodell erhält z. B. Informationen, indem es Einem Benutzer Fragen stellt und die Antworten, die vom Benutzer geliefert wer den, aufzeichnet.

Die Supermodelle ähneln gewöhnlichen diagnostischen Model len mit der Erweiterung, daß die Aktionen Teilmodelle dar stellen können. Gewöhnliche Schrittauswahlalgorithmen kön nen verwendet werden, wobei das Modell als Aktion behandelt wird. Für eine Aktion benötigen wir zwei Informationen, um ihre Effizienz zu berechnen: (i) P(A|C), die Wahrschein lichkeit, daß die Aktion das Problem angesichts der Ursache löst, und (ii) C_A, die Kosten des Ausführens der Aktion.

Um die Wahrscheinlichkeit eines Teilmodells M (Teilmodell M ist äquivalent zu z. B. M₁, das in Fig. 1 gezeigt ist), das das Gesamtproblem angesichts eines spezifischen Problems P (spezifisches Problem P ist äquivalent zu z. B. P₁, das in Fig. 1 gezeigt ist) löst, zu berechnen, werden die folgen den vier Informationen miteinander kombiniert:

- P_M(M = y): Die Wahrscheinlichkeit, daß M das Problem, das im Teilmodell berechnet wurde, löst.
- P_M(M = y|e_M): Die Wahrscheinlichkeit, daß M das Problem, angesichts des Beweises e_M, der im Teilmodell errechnet wurde, im Teilmodell löst.
- P_s(M = y|P): Die Wahrscheinlichkeit, daß M das Problem angesichts der Tatsache, daß P das Problem ist, das im Supermodell spezifiziert ist, löst.
- e_s: Der Beweis im Supermodell, z. B. Antworten auf Fragen im Supermodell.

P_s(M = y|P) wird durch einen Domänenexperten beim Konstruie ren des Supermodells hervorgerufen. P_M(M = y) und P_M(M = y|e_M) werden festgestellt, indem die Wahrscheinlichkeit, daß zu mindest eine der Aktionen im Teilmodell beim Lösen des Pro blems erfolgreich ist, berechnet wird. Zum Beispiel wird P_M(M = y) unter Verwendung der Gleichung 1 unten berechnet:

P_M(M = y) wird vor dem Starten der Diagnosesitzung festge stellt und kann in jedem anschließenden Schritt wieder ver wendet werden.

Die Gleichung 1 wird verwendet, um die Wahrscheinlichkeit, daß zumindest eine der Aktionen im Teilmodell das Problem löst, als Eins minus die Wahrscheinlichkeit, daß alle Akti onen im Modell scheitern, zu berechnen. Unter der Annahme, daß die Ereignisse, bei denen Aktionen scheitern, ursachen bedingt unabhängig sind, kann die Berechnung weiter fakto risiert werden, und die Wahrscheinlichkeit, daß alle Aktio nen bedingt durch eine spezifische Ursache scheitern, kann als das Produkt der Wahrscheinlichkeiten der Aktionen, die scheitern, berechnet werden. Die Gleichung 1 kann ferner vereinfacht werden, um auszuwerten, daß die Wahrscheinlich keit einer Aktion von allen Beweisen unabhängig ist, wenn die Ursache basierend auf einer Einzelfehlerüberzeugung und der Darstellung des diagnostischen Systems in einem naiven Bayes-Netz gegeben ist. Da die Wahrscheinlichkeiten von Ak tionen angesichts spezifischer Ursachen im voraus gesammelt werden können, wird dabei eine sehr effiziente Berechnung berücksichtigt, sobald ein neuer Beweis erhalten worden ist. Die Einzelfehlerüberzeugung erfordert, daß genau eine Komponente defekt ist und daß diese Komponente die Ursache des Problems ist.

Die Gleichung 1 weist nicht die Wahrscheinlichkeit auf, daß Fragen, die Ursachen identifizieren, in Betracht gezogen werden. Der Grund dafür ist, daß es keinen Sinn macht, die se Wahrscheinlichkeit bedingt durch eine Ursache zu berech nen, wenn die Ursache bereits identifiziert worden ist. Die Gleichung 1 liefert die Gesamtwahrscheinlichkeit, daß das Problem gelöst wird.

Die Gleichung 2 beinhaltet, daß die Wahrscheinlichkeit, daß die Ursache identifiziert wird, jedoch nicht notwendiger weise in einem Modell mit N Fragen und k Aktionen gelöst wird.

Wenn P_M (M = y|e_M) und P_M(M = y) bekannt sind, wird ein "weicher Beweis" oder ein Wahrscheinlichkeitsbeweis für das Teilmo dell in den Knoten eingebracht, der das Teilmodell im Su permodell darstellt. Der weiche Nachweis wird verwendet, um die Wahrscheinlichkeit zu aktualisieren, daß das Teilmodell das Problem lösen können wird. Typischerweise, wenn im Teilmodell mehrere Schritte ohne Erfolg probiert worden sind, sinkt die Gesamtwahrscheinlichkeit, daß das Teilmo dell das Problem lösen kann. Diese neuen Informationen müs sen in das Supermodell eingebaut werden. Dafür wird der weiche Beweis in den Knoten eingebracht, der das Teilmodell im Supermodell darstellt. Der weiche Nachweis wird unter Verwendung des Verhältnisses gespeichert, das in der Glei chung 3 unten aufgeführt ist:

Wenn der weiche Beweis für alle Teilmodelle berechnet und in das Supermodell eingebracht worden ist, wird eine Über zeugungspropagierung im Supermodell ausgeführt. Dies führt zu aktualisierten Wahrscheinlichkeiten für sowohl Ursachen als auch Aktionen, wobei sowohl der Beweis im Supermodell (e_s) als auch der Beweis im Teilmodell (e_M) berücksichtigt werden. Im Supermodell und den Teilmodellen wird der Beweis eingeholt, z. B. indem Antworten auf Fragen, die dem Benut zer gestellt wurden, aufgezeichnet werden.

Die Kosten eines Modells, wenn dieses als Aktion betrachtet wird, entsprechen den erwarteten Reparaturkosten, ECR_M(e), (wobei e = {e_s, e_M}), für dieses Modell angesichts des aktu ellen Beweises. Sowohl P_s{M = y|e) und ECR_M(e) müssen jedes mal neu berechnet werden, wenn ein neuer Beweis in das Mo dell eingebracht wird.

Das bevorzugte Ausführungsbeispiel ist effizienter, wenn ein Domänenexperte spezifizieren kann, wie die Ursachen im Teilmodell den Problemen zugeordnet sind, die durch das Mo dell im Supermodell gelöst werden.

In Fig. 5 z. B., ist das Supermodell, das in Fig. 4 gezeigt ist, modifiziert worden, so daß das Teilmodell M₁ die bei den Probleme P₁ und P₂ im Supermodell lösen kann. Der Domä nenexperte spezifiziert auch, wie die Ursachen des Teilmo dells M₁ P₁ und P₂ zugeordnet sind. Speziell sind die Ursa chen C₁ und C₂ P₁ zugeordnet, und die Ursache C₃ ist P₂ zu geordnet.

Wenn Ursachenassoziationen spezifiziert sind, kann die Be rechnung von P_M(M = y|e_M) viel präziser sein, da nur die Bei träge der Aktionen enthalten sind, die die Ursachen, die P zugeordnet sind, lösen.

Die Nutzung des Wissens des Domänenexperten über die Zuord nungen zwischen den Ursachen in den Teilmodellen und den Problemen im Supermodell sollte zu einem Supermodellaus wahlalgorithmus einer größeren Potenz führen. Wenn der Do mänenexperte für jede Ursache in einem Teilmodell spezifi zieren kann, wie das Teilmodell den verschiedenen Problemen im Supermodell zugeordnet ist (z. B. 20% bei Problem P), wird P_M(M = y|e_M,P) berechnet, wie in der Gleichung 4 unten ausgeführt ist:

Bei der Gleichung 4 ist β(C,P) der Prozentsatz, daß die Ur sache C dem Problem P im Supermodell zugeordnet ist, und C ~ P bedeutet C ist P zugeordnet.

Fig. 6 ist ein vereinfachtes Flußdiagramm, das einen Prozeß darstellt, durch den ein Supermodellsystem verwendet wird, um eine Lösung für ein Problem zu finden. In einem Schritt 71 beginnt der Prozeß, wenn ein Benutzer das Supermodell verwendet, um die Diagnose auszuführen, z. B. um ein anste hendes Problem zu lösen. In einem Schritt 72 erhält das Su permodell Informationen, um ein zugrundeliegendes Problem des anstehenden Problems zu identifizieren. Das Supermodell stellt unterschiedliche Fragen, die dabei helfen, das zugrundeliegende Problem zu identifizieren. Wenn das Super modell über eine ausreichende Gewißheit verfügt, daß es das Problem identifiziert hat, leitet das Supermodell in Schritt 73 die Steuerung an das entsprechende Teilmodell weiter. Zum Beispiel wird die erforderliche Randwahrschein lichkeit (Gewißheit), bevor ein Teilmodell ausgewählt wird, durch den Benutzer spezifiziert.

Das Teilmodell besitzt die Steuerung, bis das Teilmodell entweder das Problem löst oder die Bemühungen, das Problem zu lösen, verwirft. In einem Schritt 74 erhält das Teilmo dell Informationen über das Problem, z. B., indem es dem Benutzer Fragen stellt. In einem Schritt 75 bestimmt das Teilmodell, ob die Informationen ausreichen, um eine Lösung für das Problem zu identifizieren. Ist dies der Fall, wird dem Benutzer in einem Schritt 76 die Lösung mitgeteilt. Dies erfolgt z. B. dadurch, daß das Teilmodell dem Benutzer die Lösung direkt mitteilt oder indem die Lösung, durch das Supermodell nach oben zum Benutzer geleitet wird. In einem Schritt 77 ist die Diagnose komplett.

Wenn das Teilmodell in Schritt 75 bestimmt, daß die Infor mationen das Problem nicht lösen, wird in einem Schritt 76 eine Entscheidung gefällt, ob das Teilmodell aufgegeben werden soll. Wie nachstehend weiter beschrieben ist, wird diese Entscheidung, abhängig von der Implementierung, ent weder durch das Teilmodell oder durch das Supermodell ge fällt. Wenn das Teilmodell nicht aufgegeben werden soll, dann erhält das Teilmodell in Schritt 74 zusätzliche Infor mationen.

Wenn in Schritt 76 eine Entscheidung gefällt wird, daß das Teilmodell aufgegeben werden soll, erhält das Supermodell in Schritt 72 zusätzliche Informationen, um das Problem zu identifizieren, um zur Fortsetzung des Prozesses ein weite res Teilmodell zu identifizieren. Das Supermodell stellt nun neue Fragen, um das Problem zu identifizieren, und lei tet schließlich die Steuerung an ein weiteres Teilmodell weiter.

Es gibt zumindest zwei Möglichkeiten, zu entscheiden, wann ein Teilmodell aufgegeben und die Steuerung zurück zum Su permodell geleitet werden soll. Die erste Möglichkeit ist, die Effizienz des Teilmodells (P/C) im Supermodell zu ver folgen und das Teilmodell aufzugeben, sobald die Effizienz nicht mehr die höchste ist. Um unlogische Folgen bei einem zu starken Modellumschalten zu verhindern, können dem Um schalten zwischen Modellen zusätzliche Kosten auferlegt werden, was im wesentlichen die Verwendung von konditiona len Kosten im Schrittauswahllogarithmus erfordert. Für ei ne Erörterung bezüglich der konditionalen Kosten siehe H. Langseth, Conditional cost in the SACSO troubleshootere, Technical Report, Department for Computer Science [Abtei lung für Informatik], Universität Aalborg, Dänemark (2000).

Die zweite Möglichkeit zu entscheiden, wann ein Teilmodell aufgegeben und die Steuerung zurück zum Supermodell gelei tet werden soll, ist die Verfolgung des Konfliktmaßes im Inneren des Teilmodells, das die Steuerung besitzt, und die Abschaffung des Teilmodells, sobald das Konfliktmaß einen bestimmten Schwellwert überschritten hat. Diese Möglichkeit erlaubt dem Teilmodell, unabhängig zu entscheiden, wann es aufgeben soll, ohne das Supermodell zu konsultieren. Unter Verwendung von Verfahren des Stands der Technik ist es je doch sehr schwierig, ein Konfliktmaß zu konstruieren, das zwischen einem ungewöhnlichen Fall, der durch das Teilmo dell gehandhabt werden kann, und einem Fall, der nicht durch das Teilmodell gehandhabt werden kann, unterscheiden kann.

Für ein Beispiel eines Konfliktmaßes siehe das Hugin- Konfliktmaß, das durch F. V. Jensen, B. Chamberlain, T. Nordahl und F. Jensen, Analysis in HUGIN of Date Conflict, Proceedings of the Sixth Conference or Uncertainty in Arti ticial Intelligence, 1990, vorgeschlagen wurde.

Bei dem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung wird die Identität der Schritte beibehalten, so daß, wenn für einen Schritt ein Beweis erhalten wird, die ser bei jedem anderen Auftreten dieses Schritts in andere Modelle eingebracht wird. Dies erzeugt ein hochdynamisches und intelligentes System. Außerdem kann es bei dem bevor zugten Ausführungsbeispiel der vorliegenden Erfindung keine Überlappung der Ursachen zwischen Modellen geben, da dies die Einzelfehlerüberzeugung verletzen würde.

Bei dem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung wird dem Benutzer ein hohes Maß an Kontrolle über die Schrittauswahlalgorithmen und das Schalten von Modellen gegeben. Dem Benutzer wird z. B. die Fähigkeit gegeben, die erforderliche Randwahrscheinlichkeit (Gewißheit) zu spezi fizieren, bevor ein Teilmodell ausgewählt wird. Dem Benut zer wird die Fähigkeit gegeben, zu spezifizieren, daß alle Fragen gestellt werden, bevor ein Teilmodell ausgewählt wird. Dem Benutzer wird die Fähigkeit gegeben, die Kosten für das Einschalten eines Kundendiensts zu spezifizieren. Dem Benutzer wird die Fähigkeit gegeben, zu spezifizieren, ob ein dynamisches Springen in und aus Teilmodellen erlaubt wird. Dem Benutzer wird die Fähigkeit gegeben, die erfor derliche Randwahrscheinlichkeit eines "anderen Problems" zu spezifizieren, bevor ein Teilmodell aufgegeben wird. Dem Benutzer wird die Fähigkeit gegeben, die zusätzlichen Kos ten zum Schalten von Modellen zu spezifizieren usw.

Claims

1. Verfahren zum Auswählen eines Teilmodells (60, 61), wo bei das Verfahren folgende Schritte aufweist:

a) Erhalten von ersten Informationen über eine an stehende Angelegenheit (62) von einem Benutzer;
b) Verwenden der ersten Informationen in einem Su permodell (59), um eine zugrundeliegende Angele genheit (63, 64, 65) und ein zugeordnetes Teilmo dell (60, 61) zum Liefern einer Lösung für die zugrundeliegende Angelegenheit (63, 64, 65) zu identifizieren, mit folgendem Teilschritt:
- 1. (b.1) Verwenden einer Bayes-Netzwerkstruk tur, um die zugrundeliegende Angelegen heit (63, 64, 65) und das zugeordnete Teilmodell (60, 61) zu identifizieren;
c) Erhalten, durch das Teilmodell (60, 61), von zu sätzlichen Informationen über die zugrundeliegen de Angelegenheit (63, 64, 65) von dem Benutzer; und
d) Verwenden der zusätzlichen Informationen durch das Teilmodell (60, 61), um eine Lösung für die zugrundeliegende Angelegenheit (63, 64, 65) zu identifizieren.

2. Verfahren gemäß Anspruch 1, bei dem in Schritt (a) die ersten Informationen zur Produktdiagnose gehören.

3. Verfahren gemäß Anspruch 1, bei dem in Schritt (a) die ersten Informationen zu einer Entscheidungsunterstüt zung gehören.

4. Verfahren gemäß Anspruch 1, bei dem in Schritt (a) die ersten Informationen zu einer Auswahl gehören.

5. Verfahren gemäß Anspruch 1, bei dem in Schritt (a) die ersten Informationen zu einer Klassifizierung gehören.

6. Verfahren gemäß Anspruch 1, bei dem in Schritt (a) die ersten Informationen zu einer Prädiktion gehören.

7. Verfahren gemäß Anspruch 1, bei dem in Schritt (a) die ersten Informationen zu einem Makeln gehören.

8. Verfahren gemäß Anspruch 1, bei dem in Schritt (a) die ersten Informationen zu einem Makeln von Aktien in Firmen gehören.

9. Verfahren gemäß einem der Ansprüche 1 bis 8, bei dem Schritt (d) den nachfolgenden Teilschritt aufweist:

1. (d.1) Verwenden von zusätzlichen Informationen durch das Teilmodell (60, 1), um eine zugrundeliegende Teilangelegenheit und ein zugeordnetes Teilmodell (60, 61) zum Liefern einer Lösung für die zugrundeliegende Teil angelegenheit zu identifizieren.

10. Verfähren gemäß einem der Ansprüche 1 bis 9, bei dem in Schritt (a) jedes Teilmodell (60, 61) folgendes an das Supermodell liefert:
eine Wahrscheinlichkeit, daß eine Lösung für die zugrundeliegende Angelegenheit (63, 64, 65), die durch das Teilmodell (60, 61) geliefert wird, die anstehende Angelegenheit (62) angesichts des aktuellen Beweises löst;
Kosten für das Teilmodell (60, 61), das die anstehende Angelegenheit (62) angesichts des aktuellen Beweises löst; und
ein Maß einer Überzeugung, daß das Teilmodell (60, 61) ein richtiges Modell zur Handhabung der anstehenden Angelegenheit (62) angesichts des aktuellen Beweises ist.

11. Verfahren gemäß einem der Ansprüche 1 bis 10, bei dem Schritt (d) die folgenden Teilschritte umfaßt:

1. (d.1) Bestimmen, ob verfügbare Informationen aus reichen, um die Lösung für die zugrundelie gende Angelegenheit (63, 64, 65) zu identi fizieren;
2. (d.2) wenn in Teilschritt (d.1) die verfügbaren Informationen ausreichend sind, um die Lö sung für die zugrundeliegende Angelegenheit (63, 64, 65) zu identifizieren, Mitteilen der Lösung an den Benutzer; und
3. (d.3) wenn in Teilschritt (d.1) die verfügbaren Informationen nicht ausreichen, um die Lö sung für die zugrundeliegende Angelegenheit (63, 64, 65) zu identifizieren, Bestimmen, ob die Steuerung vom Teilmodell (60, 61) an das Supermodell (59) zurückgegeben werden soll, oder ob mehr Informationen durch das Teilmodell (60, 61) vom Benutzer erhalten werden sollen.

12. Verfahren gemäß Anspruch 11, bei dem in Teilschritt (d.3) die Steuerung vom Teilmodell (60, 61) an das Su permodell (59) zurückgegeben wird, wenn das Supermo dell (59) bestimmt, daß eine Effizienz des Teilmodells (60, 61) unter den verfügbaren Teilmodellen (60, 61) nicht mehr die höchste ist.

13. Verfahren gemäß Anspruch 11, bei dem in Teilschritt (d.3) die Steuerung vom Teilmodell (60, 61) zum Super modell (59) zurückgegeben wird, wenn das Teilmodell (60, 61) bestimmt, daß ein Konfliktmaß einen vorbe stimmten Schwellenwert überschreitet.

14. Verfahren gemäß einem der Ansprüche 1 bis 13, bei dem Schritt (d) die folgenden Teilschritte umfaßt, die durch das Teilmodell (60, 61) ausgeführt werden:

1. (d.1) Erzeugen einer Wahrscheinlichkeit von einer oder mehreren Angelegenheiten;
2. (d.2) Erzeugen von entweder einer nächsten Frage oder einem nächsten Test; und
3. (d.3) Erzeugen einer Wahrscheinlichkeit von jeder möglichen Antwort von entweder der nächsten Frage oder dem nächsten Test, basierend auf Informationen, die dem Teilmodell (60, 61) bekannt sind.

15. Verfahren gemäß einem der Ansprüche 1 bis 14, bei dem in Teilschritt (b.1) die Bayes-Netzwerkstruktur Knoten für zugrundeliegende Angelegenheiten (63, 64, 65) um faßt, die die anstehende Angelegenheit (62) bewirken, und für jede anstehende Angelegenheit (62) ein Teilmo dell (60, 61) verwendet werden soll, um zu versuchen, eine Lösung für die zugrundeliegende Angelegenheit (63, 64, 65) zu liefern.

16. Verfahren gemäß Anspruch 15, bei dem in Teilschritt (b.1) für jede zugrundeliegende Angelegenheit (63, 64, 65) ein und nur ein Teilmodell (60, 61) im Bayes- Netzwerk aufgelistet ist.

17. Verfahren gemäß Anspruch 15, bei dem in Teilschritt (b.1) für jede zugrundeliegende Angelegenheit (63, 64, 65) mehr als ein Teilmodell (60, 61) im Bayes-Netzwerk aufgelistet sein kann.

18. Verfahren gemäß einem der Ansprüche 1 bis 17, das zu sätzlich folgenden Schritt aufweist:

a) dem Benutzer ermöglichen, zumindest eines der folgenden Merkmale zu spezifizieren:
eine erforderliche Randwahrscheinlichkeit, bevor ein Teilmodell (60, 61) durch das Supermodell (59) ausgewählt wird;
eine Anforderung, daß alle verfügbaren Fragen durch das Supermodell (59) gestellt werden, bevor ein Teilmodell (60, 61) ausgewählt wird;
Kosten zum Anrufen eines Kundendienstmitarbei ters;
ob ein dynamisches Springen in und aus den Teil modellen (60, 61) erlaubt ist;
eine erforderliche Randwahrscheinlichkeit einer "anderen Angelegenheit", bevor ein Teilmodell (60, 61) aufgegeben wird;
zusätzliche Kosten zum Schalten von Modellen.

19. System zum Ausführen eines Auswählens unter Teilmodel len (60, 61), wobei das System folgende Merkmale auf weist:
ein Supermodell (59) zum Erhalten von ersten Informa tionen über eine anstehende Angelegenheit (62) von ei nem Benutzer, wobei das Supermodell (59) unter Verwen dung einer Bayes-Netzwerkstruktur implementiert ist; und
eine Mehrzahl von Teilmodellen (60, 61), wobei jedes Teilmodell (60, 61), wenn es aktiviert ist, zusätzliche Informationen über eine zugrundeliegende Angelegenheit (63, 64, 65) vom Benutzer erhält, wobei die zusätzli chen Informationen durch das Teilmodell (60, 61) ver wendet werden, um eine Lösung für die zugrundeliegende Angelegenheit (63, 64, 65) zu identifizieren;
wobei das Supermodell (59) die ersten Informationen zum Identifizieren der zugrundeliegende Angelegenheit (63, 64, 65) und eines von der Mehrzahl von Teilmodel len (60, 61) zum Liefern einer Lösung für die zugrunde liegende Angelegenheit (63, 64, 65) verwendet.

20. System gemäß Anspruch 19, bei dem die ersten Informa tionen zu einer Produktdiagnose gehören.

21. System gemäß Anspruch 19, bei dem die ersten Informa tionen zu einer Entscheidungsunterstützung gehören.

22. System gemäß Anspruch 19, bei dem die ersten Informa tionen zu einer Auswahl gehören.

23. System gemäß Anspruch 19, bei dem die ersten Informa tionen zu einer Klassifizierung gehören.

24. System gemäß Anspruch 19, bei dem die ersten Informa tionen zu einer Prädiktion gehören.

25. System gemäß Anspruch 19, bei dem die ersten Informa tionen zu einem Makeln gehören.

26. System gemäß Anspruch 19, bei dem die ersten Informa tionen zu einem Makeln von Aktien in Firmen gehören.

27. System gemäß einem der Ansprüche 19 bis 26, das zu sätzlich folgende Merkmale aufweist:
eine zweite Mehrzahl von Teilmodellen (60, 61), wobei die zusätzliche Mehrzahl von Teilmodellen (60, 61) durch die Mehrzahl von Teilmodellen (60, 61) zum Lie fern von Lösungen für zugrundeliegende Teilangelegen heiten verwendet wird, die durch die Mehrzahl von Teilmodellen (60, 61) identifiziert werden, wodurch ei ne Hierarchie von Teilmodellen (60, 61) gebildet wird.

28. System gemäß einem der Ansprüche 19 bis 27, bei dem jedes Teilmodell (60, 61) folgendes an das Supermodell liefert:
eine Wahrscheinlichkeit, daß eine Lösung für die zugrundeliegende Angelegenheit (63, 64, 65), die durch das Teilmodell (60, 61) geliefert wird, die anstehende Angelegenheit (62) angesichts des aktuellen Beweises lösen wird;
Kosten des Teilmodells (60, 61), das die anstehende An gelegenheit (62) angesichts des aktuellen Beweises löst; und
ein Maß einer Überzeugung, daß das Teilmodell (60, 61) das richtige Modell ist, um die anstehende Angelegen heit (62) angesichts des aktuellen Beweises zu handha ben.

29. System gemäß einem der Ansprüche 19 bis 28, bei dem, wenn es aktiviert ist, jedes Teilmodell (60, 61) be stimmt, ob verfügbare Informationen ausreichen, um die Lösung zu identifizieren, und, wenn dies der Fall ist, die Lösung für die zugrundeliegende Angelegenheit (63, 64, 65) identifiziert.

30. System gemäß einem der Ansprüche 19 bis 29, bei dem jedes Teilmodell (60, 61) die Steuerung an das Supermo dell (59) zurückgibt, wenn das Supermodell (59) be stimmt, daß die Effizienz des Teilmodells (60, 61) un ter den verfügbaren Teilmodellen (60, 61) nicht mehr die höchste ist.

31. System gemäß einem der Ansprüche 19 bis 30, bei dem jedes Teilmodell (60, 61) die Steuerung an das Supermo dell (59) zurückgibt, wenn das Supermodell bestimmt, daß ein Konfliktmaß einen vorbestimmten Schwellwert überschreitet.

32. System gemäß einem der Ansprüche 19 bis 31, bei dem jedes Teilmodell (60, 61) eine Wahrscheinlichkeit von einer oder mehreren Angelegenheiten erzeugt, entweder eine nächste Frage oder einen nächsten Test erzeugt und eine Wahrscheinlichkeit von jeder möglichen Ant wort entweder der einen nächsten Frage oder des nächs ten Tests basierend auf bekannten Informationen er zeugt.

33. System gemäß einem der Ansprüche 19 bis 32, bei dem die Bayes-Netzwerkstruktur Knoten für zugrundeliegende Angelegenheiten (63, 64, 65), die die anstehende Ange legenheit (62) verursachen, umfaßt, und für jede an stehende Angelegenheit ein Teilmodell (60, 61) umfaßt, das verwendet werden soll, um zu versuchen, eine Lö sung für die zugrundeliegende Angelegenheit (63, 64, 65) zu liefern.

34. System gemäß Anspruch 33, bei dem für jede zugrunde liegende Angelegenheit (63, 64, 65) ein und nur ein Teilmodell (60, 61) im Bayes-Netzwerk aufgelistet ist.

35. System gemäß Anspruch 33, bei dem für jede zugrunde liegende Angelegenheit (63, 64, 65) mehr als ein Teil modell (60, 61) im Bayes-Netzwerk aufgelistet sein kann.

36. System gemäß einem der Ansprüche 19 bis 35, bei dem das Supermodell (59) dem Benutzer ermöglicht, zumin dest eines der folgenden Merkmale zu spezifizieren:
eine erforderliche Randwahrscheinlichkeit, bevor ein Teilmodell (60, 61) durch das Supermodell (59) ausge wählt wird;
eine Anforderung, daß alle verfügbaren Fragen durch das Supermodell (59) gestellt werden, bevor ein Teil modell (60, 61) ausgewählt wird;
Kosten zum Anrufen eines Kundendienstmitarbeiters;
ob ein dynamisches Springen in und aus Teilmodellen (60, 61) erlaubt ist;
eine erforderliche Randwahrscheinlichkeit einer "ande ren Angelegenheit", bevor ein Teilmodell (60, 61) auf gegeben wird;
zusätzliche Kosten zum Schalten von Modellen.