ARSXAI8 - Algorithmic Recursive Sequence Analysis with Explainable AI

📖 Inhaltsverzeichnis

1. Einführung und Zielsetzung
2. Hauptmerkmale
3. Installation
4. Integrierte Modelle
5. XAI-Komponenten
6. Dateiformate
7. Benutzeroberfläche
8. Bedienungsanleitung
9. Beispiele
10. Exportformate
11. Fehlerbehebung
12. Mitwirken
13. Lizenz

---

🎯 Einführung und Zielsetzung

ARSXAI8 ist eine universelle Analyseplattform für sequenzielle Daten mit Fokus auf Explainable AI (XAI). Das Programm integriert sechs verschiedene Modellierungsansätze, um aus beliebigen Terminalzeichenketten (z.B. Dialogtranskripte, Prozessabläufe, Verhaltenssequenzen) automatisch strukturelle Regeln abzuleiten und diese für den Menschen nachvollziehbar zu erklären.

Kernziele

- Universalität: Analyse beliebiger Sequenzen, nicht nur vordefinierter Domänen
- Multi-Modell-Ansatz: Sechs verschiedene Modelle für unterschiedliche Perspektiven
- Erklärbarkeit: Transparente Darstellung der Ableitungsprozesse und Entscheidungen
- Vergleichbarkeit: Konsens- und Diskrepanzanalyse zwischen Modellen
- Generierung: Synthetische Erzeugung neuer Sequenzen aus gelernten Strukturen

Hauptanwendungsgebiete

| Bereich | Anwendung |
|---------|-----------|
| Dialoganalyse | Verkaufsgespräche, Beratungen, Therapiegespräche |
| Prozessanalyse | Workflow-Muster, Produktionsabläufe, Geschäftsprozesse |
| Verhaltensanalyse | Aktionssequenzen, Interaktionsmuster, Nutzerverhalten |
| Code-Analyse | Programmabläufe, API-Aufrufsequenzen, Log-Analyse |
| Wissenschaft | Sequenzmuster in beliebigen Domänen, Modellvergleiche |

---

🌟 Hauptmerkmale

📊 Multi-Modell-Architektur

- 6 integrierte Modelle mit einheitlichem XAI-Interface
- Gleichzeitiges Training aller Modelle
- Modellvergleich mit Konsensanalyse

🔍 Mehrere Ableitungsstrategien

- Positionsbasierte Kodierung
- Musterbasierte Kodierung
- Statistisch basierte Kodierung
- Konsensbildung über Mehrheitsentscheidung

💡 XAI-Komponenten

- Interaktiver Erklärer ("Warum?")
- Modellvergleich für beliebige Symbole
- Konfidenzmetriken für alle Ableitungen
- Was-wäre-wenn Simulationen

🎨 Umfangreiche Visualisierungen

- Kodierungsvergleich als Heatmap
- Modell-Konfidenzen im Vergleich
- Automaten-Graph (mit Graphviz)
- Textuelle Alternativen bei fehlender Grafik

📤 Multi-Format Export

- JSON (maschinenlesbar)
- CSV (Tabellenkalkulation)
- HTML (interaktiver Bericht)
- LaTeX (wissenschaftliche Publikationen)

---

💻 Installation

Systemvoraussetzungen

- Python: 3.8 oder höher
- RAM: 4 GB (empfohlen)
- Festplatte: 500 MB für Abhängigkeiten
- OS: Windows, macOS, Linux

Automatische Installation

`bash

Repository klonen

git clone https://github.com/yourusername/ARSXAI8.git
cd ARSXAI8

Programm starten (Pakete werden automatisch installiert)

python ARSXAI8.py
`

Manuelle Installation

`bash

Alle Abhängigkeiten installieren

pip install numpy scipy matplotlib hmmlearn sklearn-crfsuite sentence-transformers networkx torch seaborn tabulate graphviz
`

Graphviz (für Automaten-Visualisierung)

Windows:
`bash

Mit Chocolatey (als Administrator)

choco install graphviz

Oder manuell: https://graphviz.org/download/

Installationspfad muss im SYSTEM-PATH sein

`

Linux:
`bash
sudo apt-get install graphviz # Ubuntu/Debian
`

macOS:
`bash
brew install graphviz
`

---

🧠 Integrierte Modelle

| Modell | Klasse | Beschreibung | XAI-Fokus |
|--------|--------|--------------|-----------|
| ARS 2.0 | ARS20 | Einfache Bigramm-Übergangswahrscheinlichkeiten | Transparente Wahrscheinlichkeiten |
| ARS 3.0 | GrammarInducer | Hierarchische Grammatik mit Nonterminalen | Mustererkennung und Kompression |
| HMM | ARSHiddenMarkovModel | Bayessche Netze für latente Phasen | Verborgene Zustände |
| CRF | ARSCRFModel | Conditional Random Fields | Feature-Wichtigkeit |
| Petri-Netz | ARSPetriNet | Ressourcen-basierte Prozessmodellierung | Token und Aktivierung |
| Generator | ChainGenerator | Synthetische Ketten aus Modellen | Generierungserklärung |

Modell-Vergleich

`python

Jedes Modell liefert einheitliche Erklärungen

modell.explain(symbol) -> {
'model': "ARS 2.0",
'confidence': 0.85,
'content': ["Erklärung Zeile 1", "Erklärung Zeile 2"]
}
`

---

🔬 XAI-Komponenten

1. Interaktiver Erklärer (InteractiveExplainer)

`python

Warum wurde Symbol so kodiert?

explainer.why_symbol("KBBd")
>>> 🔍 Erklärung für Symbol 'KBBd':
============================================================
Konsens-Kodierung: 00100
Übereinstimmung: 67%

Positionsbasiert: Kunde | Phase: Bedarf (Pos.3.2) | Basis
Musterbasiert: Kunde | Phase: Bedarf (Nachbarn: VBBd) | Basis
Statistisch: Kunde | Phase: Bedarf (Häufigkeit: 22%) | Basis
`

2. Modellvergleich (XAIModelManager)

`python

Alle aktiven Modelle vergleichen

manager.compare_models("KBBd")
>>> ARS 2.0: Übergang KBBd→VBBd mit 85%
ARS 3.0: KBBd ist Teil von NT_BEDARF
HMM: KBBd in Phase 1 mit 78%
`

3. Konfidenzmetriken

Jede Ableitung wird mit einer Konfidenz versehen:

| Konfidenz | Bedeutung | Darstellung |
|-----------|-----------|-------------|
| > 0.7 | Hohe Konfidenz | ★★★★☆ (grün) |
| 0.4 - 0.7 | Mittlere Konfidenz | ★★★☆☆ (orange) |
| < 0.4 | Niedrige Konfidenz | ★★☆☆☆ (rot) |

4. Was-wäre-wenn Simulation

Simulation alternativer Kodierungen und deren Auswirkungen auf die Modelle.

---

📁 Dateiformate

Eingabeformat (Transkriptdatei)

`txt

Kommentare beginnen mit #

Trennzeichen: Komma, Semikolon oder Leerzeichen

Transkript 1: Standard

KBG, VBG, KBBd, VBBd, KBA, VBA, VAA, KAA, VAV, KAV

Transkript 2: Mit Wiederholung

KBG, VBG, KBBd, VBBd, KBBd, VBBd, KBA, VBA, VAA, KAA, VAV, KAV

Leerzeilen werden ignoriert

`

Formatregeln:
- Eine Kette pro Zeile
- Kommentare mit # am Zeilenanfang
- Symbole durch Trennzeichen getrennt
- Leere Zeilen werden ignoriert

Beispiel: Verkaufsgespräche

Die Beispieltranskripte verwenden folgende Symbole:

| Symbol | Bedeutung |
|--------|-----------|
| KBG | Kunden-Begrüßung |
| VBG | Verkäufer-Begrüßung |
| KBBd | Kunden-Bedarf (konkret) |
| VBBd | Verkäufer-Nachfrage |
| KBA | Kunden-Antwort |
| VBA | Verkäufer-Reaktion |
| KAE | Kunden-Erkundigung |
| VAE | Verkäufer-Auskunft |
| KAA | Kunden-Abschluss |
| VAA | Verkäufer-Abschluss |
| KAV | Kunden-Verabschiedung |
| VAV | Verkäufer-Verabschiedung |

---

🖥️ Benutzeroberfläche

Hauptfenster

`
┌─────────────────────────────────────────────────────────────────┐
│ ARSXAI8 - Algorithmic Recursive Sequence Analysis with Explainable AI │
├──────────────────────┬──────────────────────────────────────────┤
│ EINGABE │ AUSGABE (Notebook-Tabs) │
│ │ │
│ Trennzeichen: │ ┌─────────────────────────────────────┐ │
│ ○ Komma ○ Semikolon │ │ Kodierung | Modelle | Automat | XAI | │
│ ○ Leerzeichen ○ | │ └─────────────────────────────────────┘ │
│ │ │
│ Transkripte: │ Kodierungsergebnisse: │
│ ┌──────────────────┐ │ ╔═════════════════════════════════════╗ │
│ │ KBG, VBG, KBBd, │ │ ║ POSITIONSBASIERTE KODIERUNG ║ │
│ │ KBBd, VBBd, KBA, │ │ ║ Konfidenz: 78% ║ │
│ │ VAA, KAA, VAV │ │ ║ KBG: 00000 ║ │
│ └──────────────────┘ │ ║ VBG: 10000 ║ │
│ │ ║ KBBd: 00100 ║ │
│ [Datei laden] [Parsen]│ ╚═════════════════════════════════════╝ │
│ │ │
│ ✓ 15 Ketten geladen │ │
├──────────────────────┴──────────────────────────────────────────┤
│ Status: Alle Modelle trainiert [=====▶ ] │
└─────────────────────────────────────────────────────────────────┘
`

Tabs im Überblick

| Tab | Funktion | Inhalt |
|-----|----------|--------|
| Kodierung | Ableitungsstrategien | Ergebnisse von Position, Muster, Statistik |
| Modelle | Modellverwaltung | Checkboxen, Trainingsstatus, Konfidenzen |
| Automat | Automaten-Lernen | Gelernte Regeln, Validierung |
| XAI | Erklärungen | Interaktive Fragen, Modellvergleich |
| Generierung | Synthese | Neue Ketten aus Modellen |
| Statistiken | Kennzahlen | Verteilungen, Häufigkeiten |

Menüstruktur

`
Datei
├── Transkripte laden
├── Beispiel laden
├── Exportieren
│ ├── JSON
│ ├── CSV
│ ├── HTML (Bericht)
│ └── LaTeX
└── Beenden

Analyse
├── Alle Strategien anwenden
├── Alle Modelle trainieren
├── Automaten lernen
└── Validierung durchführen

XAI
├── Erklärung für Symbol
├── Modellvergleich
├── Konfidenzen vergleichen
└── Was-wäre-wenn

Generierung
├── Mit ARS 2.0 generieren
├── Mit ARS 3.0 generieren
└── Mit HMM generieren

Visualisierung
├── Kodierungsvergleich
├── Modell-Konfidenzen
└── Automaten-Graph

Hilfe
├── Modulstatus
└── Über
`

---

📘 Bedienungsanleitung

Schritt-für-Schritt

#### 1. Daten laden

Option A - Datei:
- Klicken Sie auf "Datei laden"
- Wählen Sie eine Textdatei mit Transkripten
- Das Programm parst automatisch

Option B - Beispiel:
- Klicken Sie auf "Beispiel"
- Lädt vordefinierte Verkaufsgespräche

Option C - Direkteingabe:
- Geben Sie Ketten direkt ins Textfeld ein
- Eine Kette pro Zeile
- Kommentare mit # möglich

#### 2. Trennzeichen wählen

Wählen Sie das in Ihrer Datei verwendete Trennzeichen:
- Komma (,): KBG, VBG, KBBd
- Semikolon (;): KBG; VBG; KBBd
- Leerzeichen: KBG VBG KBBd
- Benutzerdefiniert: z.B. |

#### 3. Analyse starten

Nach dem Laden startet die Analyse automatisch:

1. Validierung - Prüft Datenqualität
2. Kodierungsstrategien - Drei Strategien werden angewandt
3. Modell-Training - Alle sechs Modelle werden trainiert
4. Konsensbildung - Mehrheitsentscheidung über Kodierung

#### 4. Modelle erkunden

Modelle-Tab:
- Sehen Sie alle registrierten Modelle
- Aktivieren/deaktivieren Sie Modelle per Checkbox
- Trainingsstatus und Konfidenzen werden angezeigt

Kodierung-Tab:
- Vergleichen Sie die drei Ableitungsstrategien
- Sehen Sie den Konsens mit Übereinstimmungswerten
- ⚠️ markiert unsichere Kodierungen

#### 5. XAI-Fragen stellen

XAI-Tab:
- Geben Sie ein Symbol ein (z.B. "KBBd")
- Klicken Sie "Warum?" für detaillierte Erklärung
- Klicken Sie "Modelle vergleichen" für Multi-Perspektive

Was-wäre-wenn:
1. Klicken Sie "Was-wäre-wenn"
2. Wählen Sie Symbol, alternativen Code und Modell
3. Sehen Sie simulierte Auswirkungen

#### 6. Generierung

Generierung-Tab:
- Wählen Sie ein Quellmodell (ARS 2.0, ARS 3.0, HMM)
- Stellen Sie die Anzahl ein
- Klicken Sie "Generieren"
- Neue Ketten werden basierend auf gelernten Strukturen erzeugt

#### 7. Visualisierungen

Kodierungsvergleich:
- Menü: Visualisierung → Kodierungsvergleich
- Zeigt Heatmap der 5-Bit-Codes aller Strategien

Modell-Konfidenzen:
- Menü: Visualisierung → Modell-Konfidenzen
- Balkendiagramm aller Modell-Konfidenzen

Automaten-Graph:
- Menü: Visualisierung → Automaten-Graph
- Zeigt Zustände und Übergänge (mit Graphviz)

#### 8. Exportieren

1. Menü: Datei → Exportieren
2. Wählen Sie Format:
- JSON: Für Weiterverarbeitung
- CSV: Für Tabellenkalkulation
- HTML: Interaktiver Bericht
- LaTeX: Für wissenschaftliche Publikationen

---

💡 Beispiele

Beispiel 1: Einfache Analyse

Eingabe:
`

Einfaches Gespräch

KBG, VBG, KBBd, VBBd, KBA, VBA, VAA, KAA, VAV, KAV
`

Erwartete Ausgabe:
- Alle Modelle werden trainiert
- Hohe Konfidenz (>85%) für alle Ableitungen
- Konsens-Kodierung wird gebildet

Beispiel 2: Modellvergleich

Frage: "Warum ist KBBd = 00100?"

ARS 2.0: "KBBd geht zu 85% in VBBd über"
ARS 3.0: "KBBd ist Teil des Musters KBBd→VBBd→KBA"
HMM: "KBBd ist mit 92% in Phase 1 (Bedarf)"
CRF: "Feature 'prefix_K' (+2.3) unterstützt diese Zuordnung"

Beispiel 3: Generierung

Mit ARS 2.0 generiert:
`
1. KBG → VBG → KBBd → VBBd → KBA → VBA → VAA → KAA → VAV → KAV
2. KBG → VBG → KBBd → VBBd → KBBd → VBBd → KBA → VAA → KAA → VAV → KAV
3. KBG → VBG → KBBd → VBBd → KBA → VBA → KAE → VAE → VAA → KAA → VAV → KAV
`

---

📊 Exportformate

JSON (maschinenlesbar)

`json
{
"coding": {
"KBG": {
"code": "00000",
"agreement": 1.0,
"confidence": 0.95
}
},
"model_comparison": {
"ARS20": {
"name": "ARS 2.0",
"confidence": 0.85,
"trained": true
}
}
}
`

CSV (Tabellenkalkulation)

`csv
Symbol,Code,Konfidenz,Modell
KBG,00000,95%,ARS20
VBG,10000,92%,ARS20
`

HTML (Interaktiver Bericht)

- Kodierungstabellen mit farbigen Konfidenzen
- Modell-Infoboxen mit Beschreibungen
- Export-Datum und Statistiken

LaTeX (Wissenschaftlich)

`latex
\documentclass{article}
\begin{document}
\section{ARSXAI8 Analyseergebnisse}
\begin{tabular}{lll}
Symbol & Code & Konfidenz \\
KBG & 00000 & 95\% \\
\end{tabular}
\end{document}
`

---

🔧 Fehlerbehebung

Häufige Probleme

#### 1. "Keine gültigen Ketten gefunden"
- Ursache: Falsches Trennzeichen oder leere Datei
- Lösung: Trennzeichen überprüfen, Dateiformat kontrollieren

#### 2. Warnung: "Ähnliche Symbole"
- Ursache: Mögliche Tippfehler (z.B. "KBG" und "KBG ")
- Lösung: Symbole auf Konsistenz prüfen

#### 3. Graphviz-Fehler
`
failed to execute WindowsPath('dot')
`
- Ursache: Graphviz Systembibliothek fehlt
- Lösung: Graphviz installieren und PATH setzen

#### 4. Niedrige Konfidenz bei Modellen
- Ursache: Zu wenige Daten oder inkonsistente Muster
- Lösung: Mehr Daten sammeln oder Modelle deaktivieren

Modul-Fehler

| Fehler | Lösung |
|--------|--------|
| "hmmlearn nicht installiert" | pip install hmmlearn |
| "sklearn-crfsuite nicht installiert" | pip install sklearn-crfsuite |
| "sentence-transformers fehlt" | pip install sentence-transformers |

---

🤝 Mitwirken

Beiträge sind willkommen!

Entwicklungsumgebung

`bash

Repository forken

git clone https://github.com/yourusername/ARSXAI8.git
cd ARSXAI8

Virtuelle Umgebung

python -m venv venv
source venv/bin/activate # Linux/Mac
venv\Scripts\activate # Windows

Entwicklungspakete

pip install -r requirements-dev.txt
`

Code-Stil

- PEP 8 für Python-Code
- Docstrings für alle öffentlichen Methoden
- Typannotationen wo sinnvoll
- Kommentare auf Deutsch oder Englisch

Issue-Template

`markdown
Beschreibung:
Kurze Beschreibung des Problems

Schritte zu reproduzieren:
1. ...
2. ...

Erwartetes Verhalten:
...

Tatsächliches Verhalten:
...

Umgebung:
- OS: ...
- Python: ...
- ARSXAI8 Version: ...
`

---

📄 Lizenz

ARSXAI8 ist unter der MIT-Lizenz veröffentlicht.

`
MIT License

Copyright (c) 2024 Explainable AI Research

Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files...
`

---

📚 Zitation

Wenn Sie ARSXAI8 in wissenschaftlichen Arbeiten verwenden, bitte wie folgt zitieren:

`bibtex
@software{ARSXAI8,
author = {Koop, Paul},
title = {ARSXAI8: Algorithmic Recursive Sequence Analysis with Explainable AI},
year = {2024},
url = {https://github.com/yourusername/ARSXAI8}
}
`

---

🙏 Danksagung

- hmmlearn - Für die HMM-Implementierung
- sklearn-crfsuite - Für die CRF-Implementierung
- Graphviz - Für Automaten-Visualisierung
- Sentence-Transformers - Für semantische Analysen

---

Entwickelt mit ❤️ für erklärbare Künstliche Intelligenz