Title: Modelling the human memorization process in an autonomous agent
Other Titles: Modelling the Human Memorization Process in an Autonomous Agent
Language: English
Authors: Himmelbauer, Verena 
Qualification level: Diploma
Advisor: Dietrich, Dietmar 
Assisting Advisor: Wendt, Alexander 
Issue Date: 2015
Number of Pages: 109
Qualification level: Diploma
Abstract: 
Mit steigender Leistungsfähigkeit neuer Technologien wachsen gleichzeitig die Anforderungen an die Leistungsfähigkeit der modernen Datenverarbeitung. Konventionelle Systeme, wie sie derzeit in Verwendung sind, werden in Zukunft an ihre Grenzen stoßen, wenn es darum geht, den zunehmenden Strom an Daten in einer vertretbaren Zeit zu verarbeiten. Daher ist es nötig, neue Lösungsansätze zu erforschen, um den Anforderungen der Zukunft gewachsen zu sein. Die Effizienz statischer Programmabläufe nimmt immer mehr ab, während gleichzeitig die Komplexität exponentiell zu steigen droht. Die klassische künstliche Intelligenz war bisher nicht in der Lage, eine effiziente Lösung für die Verarbeitung großer Datenmengen zu finden und jene Systeme, die heutzutage erfolgreich eingesetzt werden, beschränken sich daher auf begrenzte Anwendungsgebiete mit kleinen abgekapselten Aufgabenbereichen und Informationsinputs. Im Gegensatz zu computergesteuerten Systemen ist der menschliche Wahrnehmungsapparat perfekt in der Lage, komplexe Situationen zu analysieren und sich an diese in kürzester Zeit anzupassen. Aus diesem Grund beschäftigt sich diese Arbeit mit einem bionisch inspirierten Ansatz von menschenähnlicher Wahrnehmung, basierend auf Theorien der Psychoanalyse. Wie der Mensch auch, müssen Systeme der Zukunft in der Lage sein, flexibel auf neu aufkommende Situationen zu reagieren. Gleichzeitig ist es erforderlich, dass bei wiederholtem Auftreten eines bereits gelösten Problems diese Aufgabe schneller und effizienter gelöst würde als zuvor. Die bereits existierende kognitive Architektur wurde daher im Verlauf dieser Arbeit um einen permanenten Datenspeicher ergänzt, um das System in die Lage zu versetzen, Erinnerungen über mehrere Simulationsläufe zu speichern und zu verwerten. Weiters wurde das existierende dateibasierte deklarative semantische Gedächtnis in die neue Datenbank transferiert. In einem letzten Schritt wurde ein Prozess zum Speichern episodischer Erinnerungen in das System implementiert. Diese Umstellungen werden dem Agenten in der Zukunft ermöglichen seine bereits gemachten Erfahrungen zur Verbesserung seines Entscheidungsprozesses zu benutzen.

With growing capabilities of nowadays technical equipment the amount of data that has to be processed is constantly increasing. Conventional systems that are in use until now will be reaching their limits when it comes to handling the increasing flood of data in a reasonable amount of time. Therefore new approaches have to be explored in order to provide solutions for future systems. State of the art solutions with static programming flows are going to be less and less efficient while exponentially rising in complexity, whereas classical Artificial Intelligence has not yet provided sufficient solutions to the problem of vast amounts of data. Those systems that are currently successfully used are limited to very small application areas dealing with small and separated tasks and information. In contrast to artificial systems the human mind is perfectly able to comprehend complex situations and process vast amounts of data that is associated to them in almost no time. Therefore a new bionic model for human-like perception based on psychoanalytical theories is followed in this work. Like for a human mind it is necessary that the systems of the future adapt to newly arising situations and also to perform better if the same situation arises again. The existing cognitive architecture is therefore supplemented by a new permanent store in order to enable the system to store and use experiences over several simulation runs. Furthermore the existing file-based declarative semantic memory was parsed into the new database. Finally a first episodic memorization process is implemented, which will allow the agent in the future to use prior experiences in its decision process.
Keywords: Künstliche Intelligenz; SiMA; Agent; Memory; Datenbank; RDF
Artificial Intelligence; SiMA; Agent; Memory; Database; RDF
URI: https://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-84420
http://hdl.handle.net/20.500.12708/4910
Library ID: AC12631886
Organisation: E384 - Institut für Computertechnik 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:


Page view(s)

16
checked on Jul 30, 2021

Download(s)

81
checked on Jul 30, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.