CORG - Cognitive Reasoning

• Antragstellerinnen / Antragsteller: Professor Dr. Ulrich Furbach; Professorin Dr. Claudia Schon; Professor Dr. Frieder Stolzenburg
• Fachliche Zuordnung: Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik ; Theoretische Informatik
• Förderung: Förderung von 2017 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 388853480

Mittels Cognitive Computing sind Probleme lösbar, die durch Mehrdeutigkeit und Unsicherheit charakterisiert sind, mit denen Menschen im täglichen Leben konfrontiert werden. Wenn sich solch ein System wie ein Mensch verhalten soll, ist eine Beschänkung auf Methoden des automatischen Theorembeweisens unmöglich, da menschliches Denken nicht den Regeln klassischer Logik folgt. Daher sind Menschen zwar anfällig für logische Fehlschlüsse und Täuschungen, aber in der Lage, Schlussfolgerungen zu ziehen, zu denen automatische Theorembeweiser nicht in der Lage sind. Menschen können trotz unvollständigem und inkonsistentem Wissen Schlussfolgerungen ziehen und mit (ggf. widersprüchlichen) Normen umgehen. Diese Vielseitigkeit menschlichen Denkens legt nahe, dass eine Kombination von vielen verschiedenen Techniken eingesetzt werden muss.Ziel des Projekts ist die Erstellung eines System zum Cognitive Computing, welches Aspekte menschlichen Schließens wie Emotion und zwischenmenschliche Interaktion modelliert. Dazu erweitern wir das logische Schließen um nicht-monotone Schlussweisen wie der defeasible und normativen Logik in Kombination mit dem maschinellen Lernen. Dies wird nicht nur auf theoretischer Ebene durchgeführt werden, sondern die verschiedenen Komponenten werden zu einem System für Cognitive Computing kombiniert. Dieses wird durch Benchmarks evaluiert.Wir wollen folgende Herausforderungen angehen:(C1) Suche nach geeigneten Logiken zum Cognitive Computing: Es gibt wesentliche Unterschiede zwischen menschlichem und automatischem Schließen: Menschen sind in der Lage, mit unvollständigem und inkonsistentem Wissen umzugehen und zusätzlich Hintergrundwissen zu berücksichtigen. Logiken zum Cognitive Computing müssen diese Vielseitigkeit des menschlichen Denkens beachten.(C2) Umgang mit großen Datenbasen an Hintergrundwissen: Kognitive Argumentation erfordert die Einbeziehung enormer Mengen an Hintergrundwissen, die das von Menschen verwendete Alltagswissen beschreiben. Dieses Hintergrundwissen muss aus den verfügbaren Quellen konstruiert werden. Außerdem müssen Mechanismen da sein, um mit dieser Menge an Wissen umzugehen.(C3) Schlussfolgern in verschiedenen Formaten: Klassische Logik allein reicht nicht aus, um menschliches Denken zu modellieren. Ein kognitives System muss in der Lage sein, mit natürlicher Sprache umzugehen und zwischen unterschiedlichen, möglicherweise widersprüchlichen Schlussfolgerungen zu entscheiden. Dazu sollten verschiedene Methoden effizient in einer geeigneten Infrastruktur kombiniert werden.Diese Herausforderungen ergeben sich bei der Konstruktion eines Systems zum Cognitive Computing, sind aber gegenwärtig noch nicht ausreichend angegangen. Aus der Kombination von Schlussfolgerungsmechanismen für das Cognitive Computing, großen Mengen an Hintergrundwissen und anderen Techniken wie das Maschinelle Lernen soll ein kognitives System entstehen, welches Probleme lösen kann, die keine der Techniken allein hätte lösen können.

• DFG-Verfahren: Sachbeihilfen