Lernalgorithmus

Das Wissen, das zur Initialisierung eines Netzes (sogenanntes Erstlernen) benötigt wird, unterscheidet sich von der Adaption, mit der ein Modell Schritt für Schritt den Gegebenheiten angepaßt wird.
Die ,,Intelligenz`` des Intelligent Assistant besteht auch darin, daß Bayessche Netze von den vorhergehenden Abläufen wissen, welche Fehler besonders häufig auftreten. Mit diesem Zusatzwissen wird die Frage ausgewählt, die den kleinsten Erwartungswert der Kosten bis zum Ende der Diagnose besitzt. Dafür ist kein neuer Algorithmus zu implementieren, vielmehr ist der Aufbau Bayesscher Netze passend zu machen. Es muß ein Netz sein, bei dem es Sinn macht, die Evidenzen aus den vorhergehenden Diagnosesitzungen zu übernehmen.
Die ,,historischen`` Wahrscheinlichkeiten müssen in den Knoten des Bayesschen Netzes hinterlegt werden. Dabei ist zu unterscheiden zwischen globalen Variablen, deren bedingte Wahrscheinlichkeiten übernommen werden und lokalen Variablen, deren bedingte Wahrscheinlichkeiten in jeder Sitzung und bei jedem Benutzer neu berechnet werden.
Ein Problem ist dabei aufzuzeigen:
Durch die Konzentration der Wahrscheinlichkeit in einem Zustand eines Knotens kann es im Falle der Behebung des Fehlers einige Zeit dauern, bis sich die Wahrscheinlichkeit wieder umverteilt und normalisiert. Dieser Nachlauf der Wahrscheinlichkeiten bezüglich der Realität kann nur dadurch vermieden werden, daß für jede Fehlerdiagnose mit neutralen Wahrscheinlichkeiten, wie dies in den lokalen Variablen geschieht, eine neue Berechnung begonnen wird.