© StonePictures/Shutterstock.com
Teil 3: Maschinelle Schlussfolgerung

Was zwischen den Zeilen steht


Während Ärzte, Rechtsanwälte und andere Berater ihren Patienten bzw. Klienten zuhören, versuchen sie, aus der gesamten Konversation Fakten herauszufiltern. Sie dienen ihnen als Basis, um effektiv behandeln und beraten zu können. Fakten zu sammeln und daraus zu schlussfolgern, ist für Menschen selbstverständlich. Für Maschinen ist dies jedoch eine große Herausforderung. In diesem Artikel möchten wir den Cogniology-Ansatz zur Wissensbasis und deren Umgang mit Fakten und Schlussfolgerungen erläutern.

Menschen stellen sich selber Fragen, etwa: „Wo habe ich meinen Schlüssel hingelegt?“, „Wer ist Frau Wagner?“ oder „Woraus besteht Luft?“. Wenn wir uns solche Fragen stellen, versuchen wir, in unseren Erinnerungen nach Informationen zu suchen, die uns gerade auf Anhieb nicht einfallen. Das ist auch der Fall, wenn wir aus unserem bestehenden Wissen verschiedene Informationen zusammenstellen möchten, um daraus eine Antwort auf eine Frage zu geben. In diesem Zusammenhang geht Cogniology davon aus, dass Menschen Informationen aus ihrem Gedächtnis unbewusst durch W-Fragen abrufen und aus logischen Zusammenhängen zwischen diesen Informationen Schlussfolgerungen ziehen. Analog zu dieser Vorstellung organisieren wir auch die Informationen bzw. die Fakten in unserer Wissensbasis über W-Fragen.

Nehmen wir folgende W-Fragen und deren Antworten als Beispiel und zeigen, wie die Fakten in der Wissensbasis gespeichert und abgerufen werden.

Frage: Wo ist Berlin? Antwort: Berlin ist in Deutschland.

Frage: Wer ist Frau Wagner? Antwort: Frau Heidi Wagner ist Zahnarzthelferin in der Praxis für Kiefer- und Gesichtschirurgie in Frankfurt.

Frage: Woraus besteht Luft? Antwort: Die Atmosphäre der Erde enthält rund 78 Prozent Stickstoffgas (N2), 21 Prozent Sauerstoffgas (O2), das restliche Prozent besteht aus Kohlendioxid (CO2), Wasserstoff (H2) und weiteren Gasen in minimalen Mengen.

Die inhaltlichen Elemente des ersten Frage-Antwort-Paars sind Berlin und Deutschland. Nach unserem Ansatz werden diese inhaltlichen Elemente als zwei Objekte betrachtet, die durch eine entsprechende W-Frage miteinander assoziiert werden. Ein solches Frage-Antwort-Paar wird in einem Tripel (W-Frage, Fakten in Frage, Fakten in Antwort) gespeichert (Abb. 1).

Für das Frage-Antwort-Paar „Wo ist Berlin?“ – „Berlin ist in Deutschland.“ fügen wir z. B. das Tripel („wo.ist“, „Berlin“, „Deutschland“) in die Wissensbasis ein. Die beiden Objekte werden durch die Angabe einer Zeichenkette assoziiert, die immer mit einem W-Fragewort anfängt und durch weitere Wörter konkretisiert wird. Dabei geht es nicht um die grammatisch korrekte Formulierung der W-Frage, sondern um das Erfassen der wichtigsten Information in einer Kurzform.

Fügen wir ein zweites Tripel („wo.ist“, „Frankfurt“, „Deutschland“) der Wissensbasis hinzu, wird das System prüfen, ob es für eines der beiden Objekte ein ähnliches Objekt in der Wissensbasis gibt. Trifft dies zu, wird das Objekt an dieser Stelle hinzugefügt (Abb. 1).

amri_cogniology_1.tif_fmt1.jpgAbb. 1: Frage-Antwort-Paar in einem Tripel

Somit können die Informationen in Form von Tripeln durch beliebige Sentence Components unabhängig voneinander der Wissensbasis hinzugefügt und es kann damit das Wissen in Form eines Baums immer stärker erweitert werden. Umfangreiche Fakten in der Wissensbasis allein reichen jedoch nicht aus, um daraus Schlussfolgerungen zu ziehen. Eine einfache Schlussfolgerung wie beispielsweise „Berlin ist in Deutschland“ kann aus einfachen Verfahren gezogen werden. Komplexere Schlussfolgerungen, wie zum Beispiel bei Rechtsberatungen, die aus den Konversationen mit Mandanten einen rechtsverbindlichen bzw. logischen Schluss ziehen sollen, lassen sich mit einfachen Verfahren nicht bewältigen.

Unser Verfahren zum Schlussfolgern basiert auf drei Gruppen von Sentence Components. Die ersten sammeln die Information bzw. die Fakten aus einer Aussage. Wir nennen sie Faktensammler. Die zweiten erstellen Themen (Themenersteller) und die dritten interpretieren die Themen in Zusammenhang mit den Fakten aus der Wissensbasis und ziehen daraus Schlussfolgerungen. Wir bezeichnen sie als Fakteninterpreten. Ein praktisches Beispiel für Faktensammler ist eine Sentence Component, die das Frage-Antwort-Paar „Wer ist Frau Wagner?“ und „Frau Heidi Wagner ist Zahnarzthelferin in der Praxis für Kiefer- und Gesichtschirurgie in Frankfurt.“ bearbeitet. Die Satzdefinition einer Sentence Component bezieht sich immer auf die Antwort einer W-Frage, also nicht auf die Frage selbst. Die folgende Sentence Component implementiert dafür einen Faktensammler.

Listing 1: Faktensammler implementieren

public class PersonenFaktenSammler { Person person = null; Job job = null; @Sentence("Irgendeine Person hat irgendeinen J...

Neugierig geworden? Wir haben diese Angebote für dich:

Angebote für Gewinner-Teams

Wir bieten Lizenz-Lösungen für Teams jeder Größe: Finden Sie heraus, welche Lösung am besten zu Ihnen passt.

Das Library-Modell:
IP-Zugang

Das Company-Modell:
Domain-Zugang