Kognitive Architektur zum Konzeptlernen in technischen Systemen

Durch die Komplexität technischer Systeme und die benötigte Flexibilität für Systemänderungen werden innovative Ansätze benötigt die schnell an neue Situationen angepasst werden können. In dieser Arbeit wird die Implementierung der Architektur CATS (Cognitive Architecture for Technical Systems) beschrieben. Im Vergleich mit bestehen Architekturen existieren einige Unterschiede: Die Kommunikation zwischen System und Bediener wird über natürliche Sprache realisiert, wobei die Sprachverarbeitung auf dem automatischen Lernen von Konzepten besteht. Da technische Systeme ihr Verhalten über die Zeit ändern, kann CATS nicht auf statische Textdokumente als Wissensbasis zurückgreifen. Stattdessen müssen die nötigen Informationen aus Echtzeitdaten extrahiert werden. Um die Funktion von CATS zu validieren, wurde die Architektur auf einem Demonstrator implementiert. Das Stanford CoreNLP Framework wurde darin zur Sprachverarbeitung benutzt. Die Wissensmodellierung wird durch die Web Ontology Language (OWL) realisiert und die Vorverarbeitung der Maschinendaten mit verschiedenen maschinellen Lernalgorithmen implementiert. Der Demonstrator ist in der Lage 84% der Eingabetexte richtig zu beantworten. Durch die Benutzung von CATS in technischen Systemen kann der Installations- und Adaptionsaufwand reduziert werden, da Ansätze für maschinelles Lernen Informationen über das System automatisch gewinnen. Weiterhin wird der Informationsaustausch zwischen Bediener und Maschine durch natürliche Sprache und Konzepte vereinfacht.