Intelligente technische Systeme mit der Fähigkeit zum kollaborativen Wissenserwerb

Die Weitergabe und der Austausch von Wissen sind zentrale Bestandteile des fortwährenden Lernprozesses von Individuen innerhalb einer menschlichen Gesellschaft. Dieses Verhalten stellt eine sehr effiziente Form des Wissenserwerbs dar, bei dem nicht jedes Individuum sein gesamtes Wissen selbst erarbeiten muss, sondern von dem Wissen anderer profitieren kann. Es eröffnet gleichzeitig die Möglichkeit des proaktiven Handelns: Lernt ein Mensch von einem anderen Menschen Regeln bzw. Verhaltensweisen für eine neuartige Situation, so kann er bei ihrem Auftreten geeignet reagieren, ohne zuvor selbst mit ihr konfrontiert worden zu sein. Menschen werden dadurch in die Lage versetzt, in der hochgradig dynamischen Umgebung des täglichen Lebens sehr effektiv zu agieren. Mit Hilfe von Methoden des maschinellen Lernens ist es auch technischen Systemen möglich, bei Bedarf (semi-)autonom neues Wissen für die Erfüllung ihrer Aufgabe zu erlernen. Werden mehrere derart „intelligente“ Systeme in einer verteilten Anwendung eingesetzt, in der aufgrund der Dynamik ihrer Umgebung der Bedarf an neuem Wissen entstehen kann, ist es unter gewissen Voraussetzungen auch für sie von Vorteil, dem menschlichen Vorbild folgend, lokal erlerntes Wissen untereinander auszutauschen. Die vorliegende Arbeit entwickelt neue Methoden, um technische Systeme, die Klassifikationsaufgaben erfüllen, mit dieser Fähigkeit auszustatten. Dazu wird zunächst eine geeignete Wissensrepräsentation basierend auf einem probabilistischen Modell erarbeitet, die gewährleistet, dass das Wissen eines Systems auch für andere potentiell nützlich ist. Für die Schätzung der Parameter des Modells anhand von Beispieldaten wird ein existierendes Trainingsverfahren erweitert und an die Anforderungen der vorliegenden Zielsetzung angepasst. Um den Änderungen einer dynamischen Umgebung Rechnung zu tragen, werden neuartige Techniken entwickelt, die den Bedarf an neuem Wissen erkennen und bestehendes, aber nicht länger benötigtes Wissen identifizieren können. Die Adaption des Wissensmodells an diese Änderungen erfolgt erneut mit Hilfe des Trainingsverfahrens, das dazu geeignet weiterentwickelt wird. Damit ein technisches System das Wissen anderer nutzen kann, werden innovative Techniken erarbeitet, die ein bestehendes Wissensmodell mit extern erzeugtem Wissen anreichern. Diese sind auch in der Lage, bestehendes Wissen mit neuem zu fusionieren. Mit einigen neu entwickelten Maßen wird darüber hinaus die Möglichkeit geboten, das erzeugte Wissen unter verschiedenen Gesichtspunkten numerisch zu bewerten und dies bei der Akzeptanz von empfangenem Wissen zu berücksichtigen. Eine Reihe von Experimenten untersucht anhand von künstlich generierten Daten sowie realen Daten aus dem Bereich der Angriffserkennung auf Computersysteme die präsentierten Methoden und demonstriert die Vorteile des kollaborativen Wissenserwerbs.