Expert System

Expertensysteme (Expert Systems) waren die dominierende KI-Technologie der 1980er Jahre — regelbasierte Systeme, die das Wissen menschlicher Experten in Wenn-Dann-Regeln kodierten und für Diagnose, Konfiguration oder Planung einsetzten.

MYCIN (Stanford, 1976) diagnostizierte bakterielle Infektionen anhand von etwa 600 Regeln und empfahl Antibiotika. R1/XCON (DEC, 1980) konfigurierte Computersysteme und sparte DEC geschätzt 40 Millionen Dollar jährlich. DENDRAL identifizierte chemische Strukturen aus Massenspektrometrie-Daten.

Der Boom der 1980er — die „Goldene Ära der Expertensysteme" — führte zu Milliarden-Investitionen. Japan startete das Fifth Generation Computer Project. Unternehmen kauften Lisp-Maschinen und bauten Knowledge-Engineering-Teams auf. Die Industrie erwartete, dass Expertensysteme die KI-Zukunft seien.

Das Scheitern: Knowledge Acquisition Bottleneck. Das Extrahieren von Expertenwissen in formale Regeln war langwierig, teuer und brüchig. Sobald sich die Domäne änderte, mussten die Regeln manuell angepasst werden. Expertensysteme konnten nicht lernen, nicht generalisieren und nicht mit Unsicherheit umgehen. Das führte zum zweiten AI Winter (Ende der 1980er).

Die Ironie: Was Expertensysteme versuchten (Fachwissen anwenden, Diagnosen stellen, Empfehlungen geben), leisten heutige LLMs auf eine fundamental andere Weise — statistisch statt regelbasiert. LLMs haben keines der Probleme von Expertensystemen (Wissensextraktion, Wartung, Skalierung), aber andere: Halluzinationen, fehlende Erklärbarkeit und mangelnde Garantien. Die Kombination neuronaler und symbolischer Ansätze (Neurosymbolic AI) versucht, die Stärken beider Welten zu vereinen.