DE10222687A1 - Modellauswahl für Entscheidungsunterstützungssysteme - Google Patents
Modellauswahl für EntscheidungsunterstützungssystemeInfo
- Publication number
- DE10222687A1 DE10222687A1 DE10222687A DE10222687A DE10222687A1 DE 10222687 A1 DE10222687 A1 DE 10222687A1 DE 10222687 A DE10222687 A DE 10222687A DE 10222687 A DE10222687 A DE 10222687A DE 10222687 A1 DE10222687 A1 DE 10222687A1
- Authority
- DE
- Germany
- Prior art keywords
- model
- sub
- matter
- underlying
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
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, . . ., wn
ist eine konditionale Wahrscheinlichkeitstabelle P(v/w1,
. . . wn) 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) CA, 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:
- - PM(M = y): Die Wahrscheinlichkeit, daß M das Problem, das im Teilmodell berechnet wurde, löst.
- - PM(M = y|eM): Die Wahrscheinlichkeit, daß M das Problem, angesichts des Beweises eM, der im Teilmodell errechnet wurde, im Teilmodell löst.
- - Ps(M = y|P): Die Wahrscheinlichkeit, daß M das Problem angesichts der Tatsache, daß P das Problem ist, das im Supermodell spezifiziert ist, löst.
- - es: Der Beweis im Supermodell, z. B. Antworten auf Fragen im Supermodell.
Ps(M = y|P) wird durch einen Domänenexperten beim Konstruie
ren des Supermodells hervorgerufen. PM(M = y) und PM(M = y|eM)
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
PM(M = y) unter Verwendung der Gleichung 1 unten berechnet:
PM(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 PM (M = y|eM) und PM(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
(es) als auch der Beweis im Teilmodell (eM) 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, ECRM(e),
(wobei e = {es, eM}), für dieses Modell angesichts des aktu
ellen Beweises. Sowohl Ps{M = y|e) und ECRM(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 PM(M = y|eM) 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 PM(M = y|eM,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 (36)
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.
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.
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.
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.
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.
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.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US09/866411 | 2001-05-26 | ||
US09/866,411 US6957202B2 (en) | 2001-05-26 | 2001-05-26 | Model selection for decision support systems |
Publications (2)
Publication Number | Publication Date |
---|---|
DE10222687A1 true DE10222687A1 (de) | 2002-12-12 |
DE10222687B4 DE10222687B4 (de) | 2005-10-06 |
Family
ID=25347550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10222687A Expired - Fee Related DE10222687B4 (de) | 2001-05-26 | 2002-05-22 | Modellauswahl für Entscheidungsunterstützungssysteme |
Country Status (3)
Country | Link |
---|---|
US (1) | US6957202B2 (de) |
JP (1) | JP2003050988A (de) |
DE (1) | DE10222687B4 (de) |
Families Citing this family (58)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6876991B1 (en) | 1999-11-08 | 2005-04-05 | Collaborative Decision Platforms, Llc. | System, method and computer program product for a collaborative decision platform |
US20040143561A1 (en) * | 2002-11-14 | 2004-07-22 | Jensen Finn Verner | Method for problem solving in technical systems with redundant components and computer system for performing the method |
FR2848006A1 (fr) * | 2002-11-29 | 2004-06-04 | Thales Sa | Procede permettant d'expliquer une decision prise par un modele d'agregation multicritere compensatoire |
US7526465B1 (en) * | 2004-03-18 | 2009-04-28 | Sandia Corporation | Human-machine interactions |
US7908163B2 (en) * | 2005-07-15 | 2011-03-15 | The Board Of Trustees Of The University Of Alabama | Method and system for parallel scheduling of complex dags under uncertainty |
US7599900B2 (en) * | 2005-11-23 | 2009-10-06 | Electronics And Telecommunications Research Institute | Method and system for using Bayesian network models in distributed sensor environment |
US20070283389A1 (en) * | 2006-06-01 | 2007-12-06 | Sharp Laboratories Of America, Inc. | Method and system for helping operate a media-playing set |
US9300920B2 (en) | 2006-03-03 | 2016-03-29 | Sharp Laboratories Of America, Inc. | Method and system for configuring media-playing sets |
US20070282812A1 (en) * | 2006-03-08 | 2007-12-06 | Superior Edge, Inc. | Process execution support system |
US20070245373A1 (en) * | 2006-03-31 | 2007-10-18 | Sharp Laboratories Of America, Inc. | Method for configuring media-playing sets |
US7369932B2 (en) * | 2006-05-04 | 2008-05-06 | Honeywell International, Inc. | System and method for turbine engine fault detection using discrete event system modeling |
JP4711077B2 (ja) | 2006-06-09 | 2011-06-29 | 富士ゼロックス株式会社 | 故障診断システム、画像形成装置および故障診断プログラム |
US7992086B2 (en) | 2006-06-30 | 2011-08-02 | Sharp Laboratories Of America, Inc. | System and method for adjusting a media-playing set |
US8589523B2 (en) | 2006-08-08 | 2013-11-19 | Sharp Laboratories Of America, Inc. | Personalized assistance with setup of a media-playing set |
US20080040430A1 (en) * | 2006-08-10 | 2008-02-14 | Sharp Laboratories Of America, Inc. | System and method to facilitate operating a media-playing set |
US20080178214A1 (en) * | 2007-01-19 | 2008-07-24 | Sharp Laboratories Of America, Inc. | Context relevant controls |
US7647326B2 (en) * | 2007-01-29 | 2010-01-12 | Sharp Laboratories Of America, Inc. | Method and system for evaluating media-playing sets |
US20110106720A1 (en) * | 2009-11-05 | 2011-05-05 | Jerome Dale Johnson | Expert system for gap analysis |
US20080228685A1 (en) * | 2007-03-13 | 2008-09-18 | Sharp Laboratories Of America, Inc. | User intent prediction |
JP5115023B2 (ja) * | 2007-05-11 | 2013-01-09 | 富士ゼロックス株式会社 | 障害診断装置、方法及びプログラム |
KR101364851B1 (ko) * | 2007-09-21 | 2014-02-20 | 한국과학기술원 | 데이터베이스 구축하는 방법 및 상기 데이터베이스를이용한 질병분석 방법 |
US8037001B2 (en) * | 2008-04-14 | 2011-10-11 | Honeywell International Inc. | Determining corrective actions using a geometrically-based determination of sufficient confidence |
US20090276379A1 (en) * | 2008-05-04 | 2009-11-05 | Rachel Tzoref | Using automatically generated decision trees to assist in the process of design and review documentation |
US20100062409A1 (en) * | 2008-09-10 | 2010-03-11 | International Business Machines Corporation | Method of developing and provisioning it state information of complex systems utilizing a question/answer paradigm |
US9542139B2 (en) * | 2009-01-13 | 2017-01-10 | Canon Europa N.V. | Network printing system having a print server and a logon server |
US8532839B2 (en) | 2009-06-22 | 2013-09-10 | Johnson Controls Technology Company | Systems and methods for statistical control and fault detection in a building management system |
US8600556B2 (en) | 2009-06-22 | 2013-12-03 | Johnson Controls Technology Company | Smart building manager |
US9196009B2 (en) | 2009-06-22 | 2015-11-24 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US11269303B2 (en) | 2009-06-22 | 2022-03-08 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US8788097B2 (en) | 2009-06-22 | 2014-07-22 | Johnson Controls Technology Company | Systems and methods for using rule-based fault detection in a building management system |
US9286582B2 (en) | 2009-06-22 | 2016-03-15 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US10739741B2 (en) | 2009-06-22 | 2020-08-11 | Johnson Controls Technology Company | Systems and methods for detecting changes in energy usage in a building |
US9753455B2 (en) * | 2009-06-22 | 2017-09-05 | Johnson Controls Technology Company | Building management system with fault analysis |
US8532808B2 (en) | 2009-06-22 | 2013-09-10 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy savings in buildings |
US8731724B2 (en) | 2009-06-22 | 2014-05-20 | Johnson Controls Technology Company | Automated fault detection and diagnostics in a building management system |
US9606520B2 (en) | 2009-06-22 | 2017-03-28 | Johnson Controls Technology Company | Automated fault detection and diagnostics in a building management system |
EP2460105B1 (de) | 2009-07-30 | 2014-10-01 | Hewlett-Packard Development Company, L.P. | Aufbau eines bayesschen netzes auf der basis von empfangenen ereignissen im zusammenhang mit netzeinheiten |
US8694454B2 (en) | 2011-02-17 | 2014-04-08 | Superior Edge, Inc. | Methods, apparatus and systems for generating, updating and executing a vegetation control plan |
US8935153B2 (en) * | 2012-03-28 | 2015-01-13 | Xerox Corporation | Natural language incident resolution |
US9390388B2 (en) | 2012-05-31 | 2016-07-12 | Johnson Controls Technology Company | Systems and methods for measuring and verifying energy usage in a building |
WO2014014470A1 (en) * | 2012-07-20 | 2014-01-23 | Hewlett-Packard Development Company, L.P. | Problem analysis and priority determination based on fuzzy expert systems |
US9113590B2 (en) | 2012-08-06 | 2015-08-25 | Superior Edge, Inc. | Methods, apparatus, and systems for determining in-season crop status in an agricultural crop and alerting users |
US9489576B2 (en) | 2014-03-26 | 2016-11-08 | F12 Solutions, LLC. | Crop stand analysis |
US10088984B2 (en) | 2014-06-12 | 2018-10-02 | Brigham Young University | Decision based learning |
US9778639B2 (en) | 2014-12-22 | 2017-10-03 | Johnson Controls Technology Company | Systems and methods for adaptively updating equipment models |
CN105068528B (zh) * | 2015-07-10 | 2018-01-30 | 深圳市元征科技股份有限公司 | 汽车诊断系统的通讯装置 |
WO2017027709A1 (en) | 2015-08-11 | 2017-02-16 | Cognoa, Inc. | Methods and apparatus to determine developmental progress with artificial intelligence and user input |
CA3053245A1 (en) | 2017-02-09 | 2018-08-16 | Cognoa, Inc. | Platform and system for digital personalized medicine |
MX2019005576A (es) | 2017-05-12 | 2019-07-04 | Procter & Gamble | Composiciones con agentes para la salud del cuero cabelludo con deposito incrementado. |
US11699116B2 (en) * | 2018-04-16 | 2023-07-11 | Interset Software Inc. | System and method for custom security predictive methods |
MX2020012226A (es) | 2018-05-15 | 2021-01-29 | Procter & Gamble | Composiciones antioxidantes sinergicas. |
US11172873B2 (en) | 2018-05-17 | 2021-11-16 | The Procter & Gamble Company | Systems and methods for hair analysis |
WO2019222340A1 (en) | 2018-05-17 | 2019-11-21 | The Procter & Gamble Company | Systems and methods for hair coverage analysis |
US11384357B2 (en) | 2018-06-29 | 2022-07-12 | The Procter And Gamble Company | Aptamers for personal care applications |
JP2022511961A (ja) | 2018-12-20 | 2022-02-01 | ザ プロクター アンド ギャンブル カンパニー | 改善された安定性を有する頭皮ケア組成物 |
MX2021011493A (es) | 2019-03-22 | 2022-01-04 | Cognoa Inc | Métodos y dispositivos de terapia digital personalizados. |
EP3956451A1 (de) | 2019-04-16 | 2022-02-23 | The Procter & Gamble Company | Aptamere für geruchsunterdrückungsanwendungen |
WO2021075927A1 (ko) * | 2019-10-16 | 2021-04-22 | (주)아인스에스엔씨 | 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2734069B1 (fr) * | 1995-05-12 | 1997-07-04 | Inst Francais Du Petrole | Methode pour predire, par une technique d'inversion, l'evolution de la production d'un gisement souterrain |
US6678669B2 (en) * | 1996-02-09 | 2004-01-13 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
US6266442B1 (en) * | 1998-10-23 | 2001-07-24 | Facet Technology Corp. | Method and apparatus for identifying objects depicted in a videostream |
US6535865B1 (en) * | 1999-07-14 | 2003-03-18 | Hewlett Packard Company | Automated diagnosis of printer systems using Bayesian networks |
US7225174B2 (en) * | 1999-07-14 | 2007-05-29 | Hewlett-Packard Development Company, L.P. | Investment analysis tool and service for making investment decisions |
US6618716B1 (en) * | 1999-07-30 | 2003-09-09 | Microsoft Corporation | Computational architecture for managing the transmittal and rendering of information, alerts, and notifications |
US7385716B1 (en) * | 1999-09-02 | 2008-06-10 | Hewlett-Packard Development Company, L.P. | Authoring tool for bayesian network troubleshooters |
US6591146B1 (en) * | 1999-09-16 | 2003-07-08 | Hewlett-Packard Development Company L.C. | Method for learning switching linear dynamic system models from data |
US6345001B1 (en) * | 2000-09-14 | 2002-02-05 | Sandisk Corporation | Compressed event counting technique and application to a flash memory system |
-
2001
- 2001-05-26 US US09/866,411 patent/US6957202B2/en not_active Expired - Lifetime
-
2002
- 2002-04-15 JP JP2002111615A patent/JP2003050988A/ja active Pending
- 2002-05-22 DE DE10222687A patent/DE10222687B4/de not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
DE10222687B4 (de) | 2005-10-06 |
JP2003050988A (ja) | 2003-02-21 |
US6957202B2 (en) | 2005-10-18 |
US20020183988A1 (en) | 2002-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE10222687A1 (de) | Modellauswahl für Entscheidungsunterstützungssysteme | |
Biazzo | Process mapping techniques and organisational analysis: Lessons from sociotechnical system theory | |
DE60007587T2 (de) | Automatische diagnostik von drucker-systemen mittels bayesianischen netzwerken | |
Hall et al. | A psychological success cycle and goal setting: Goals, performance, and attitudes | |
DE102012102770B9 (de) | System und Verfahren zur Fehlereingrenzung und Fehlerabschwächung basierend auf einer Netzwerkmodellierung | |
Palazzolo | Organizing for information retrieval in transactive memory systems | |
Hughes et al. | Turning new product development into a continuous learning process | |
Kolfschoten et al. | The collaboration engineering approach for designing collaboration processes | |
Cooke et al. | Procedural network representations of sequential data | |
DE10036737A1 (de) | Verfassungswerkzeug für Fehlersucheinrichtungen in Bayesschen Netzwerken | |
US7016056B2 (en) | Authoring tool for bayesian network diagnostic systems | |
Zapata-Rivera et al. | Inspectable Bayesian student modelling servers in multi-agent tutoring systems | |
Kelly | Practical knowledge engineering | |
DE19703964C1 (de) | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz | |
EP1264253B1 (de) | Verfahren und anordnung zur modellierung eines systems | |
EP3716058A1 (de) | Verfahren zum ansteuern eines geräts mit einem neuen programmcode | |
Yoo | Predicting groupware usage | |
Hester et al. | A review of problem structuring methods for consideration in prognostics and smart manufacturing | |
Carod et al. | A cognitive psychology approach for balancing elicitation goals | |
Sharif et al. | Knowledge dependencies in fuzzy information systems evaluation | |
EP2287835B1 (de) | Automatisiertes Auswerten der Nutzbarkeit eines Sprachdialogsystems | |
Fournier‐Bonilla et al. | Quality Planning in Engineering Education: Analysis of Alternative Implementations of a New First‐Year Curriculum at Texas A&M University | |
Singh et al. | Idea selection in design teams: a computational framework and insights in the presence of influencers | |
Nadkarni et al. | Expert systems and organizational decision making | |
Freedy et al. | in Crisis Management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8127 | New person/name/address of the applicant |
Owner name: HEWLETT-PACKARD DEVELOPMENT CO., L.P., HOUSTON, TE |
|
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |