Erweiterung der Reasoning-Fähigkeiten des Context-Awareness-Frameworks CAKe

Art der Abschlussarbeit

Bachelorarbeit

Thema

CAKE, das "Context Aware Knowledge and sensor-based Environment", wurde am IMIS als verbesserte Nachfolgearchitektur zu MACK, dem "Modular Awareness Construction Kit", entwickelt.

Im Rahmen dieser Bachelorarbeit sollten die Reasoning-Fähigkeiten von CAKE neben fall- und regelbasiertem Schließen um wissensarme Verfahren maschinellen Lernens erweitert werden. Zu diesem Zweck wurde WEKA, eine Sammlung klassischer Machine-Learning-Algorithmen, integriert und in Beispielszenarien getestet werden.

Bearbeitet von

Kevin Böckler

Betreut von

Aufgabenstellung

Der Einsatz von intelligenten Mensch-Computer-Systemen gewinnt an immer mehr Bedeutung. Dabei erhöht sich stetig der Anspruch nach intelligenter Unterstützung bei Aufgaben, Vorhersage von Ereignissen oder das Einschätzen von Mitmenschen in der unmittelbaren Umgebung. Zu diesem Zweck entstand am Institut für Multimediale und Interaktive Systeme (IMIS) der Universtität zu Lübeck das sogenannte Context Aware Knowledge- and sensorbased Environment (CAKE).

Dieses in Java entwickelte Framework bietet eine Plattform zur Verwaltung von Benutzerdaten und verwendbarer Sensorik und Aktuatorik, um mit Hilfe von logischen Schlüssen den Benutzer ambient in seinen Aufgaben zu unterstützen. Zu diesem Zweck wurde das Framework um zusätzliche Reasoning-Fähigkeiten erweitert. Diese sollen eine höhere Aussagekraft liefern und zudem beliebige Anwendungsdomänen schnell an CAKE adaptierbar machen. Neben einigen Ansätzen zum Reasoning beschreibt diese Arbeit das Maschinelle Lernen (ML), welches heutzutage überwiegend in medizinischen oder biologischen Bereichen Anwendung findet, aber dennoch bereits größere Bedeutung in verschiedenen Computersystemen erfährt. Durch den aktiven Lernprozess bietet es eine gute Verwendung für CAKE im Hinblick auf große Sensor-Datenmengen. In dieser Arbeit wurde das Weka-Framework zur Umsetzung von ML-Verfahren verwendet und in die CAKE-Architektur eingebettet und adaptiert. In dem Zusammenhang finden Beschreibungen von ML-Verfahren statt, wie Naïve Bayes, Nearest-Neighbour-Suchen oder künstliche neuronale Netze. Weka implementiert diese Algorithmen und wird im Verlauf des Entwicklungsprozesses den Spezifikationen von CAKE entsprechend verwendet. Diese Arbeit beschreibt Aufgaben und Eigenschaften, die in der Verwendung eines Reasoners mit CAKE relevant sind und konzipiert einfache Ansätze zur Modellierung von Sensoren und Aktuatoren in ambienten Domänen. Das umgesetzte Maschinelle Lernen in CAKE wird abschließend mit Beispielszenarien evaluiert und technische Eigenschaften erhoben. Dabei werden Geschwindigkeiten in Reasoner-Erzeugung und Reasoning mit Sensorwerten ermittelt und miteinander verglichen.

Abgeschlossen

Dez 2013