Download - Wi1-mertens.wiso.uni-erlangen.de
Download - Wi1-mertens.wiso.uni-erlangen.de
Download - Wi1-mertens.wiso.uni-erlangen.de
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
5.4.4.1 Multi-Agenten-Architektur<br />
Gedächtnis<br />
Benutzer<br />
persönlicher<br />
Agent<br />
Gedächtnis<br />
Informationsbedarf<br />
KQML<br />
Gedächtnis<br />
Benutzer<br />
persönlicher<br />
Agent<br />
Gedächtnis<br />
Wissensquellen<br />
Abbildung 6: Multi-Agenten-Architektur<br />
Informationspush<br />
Intelligente Agenten han<strong>de</strong>ln unabhängig<br />
im Sinne <strong>de</strong>s Nutzers, ohne <strong>de</strong>ssen<br />
explizites Eingreifen nötig zu machen.<br />
Sie filtern beispielsweise Emails, fin<strong>de</strong>n<br />
geeignete Partner auf <strong>de</strong>m Datenhighway<br />
o<strong>de</strong>r speichern kooperationsrelevante<br />
Daten (im Agent Memory). Neben<br />
<strong>de</strong>n persönlichen Agenten sind auch<br />
Rollen-, Gruppen- und Unternehmensagenten<br />
in einer Multi-Agenten-Architektur<br />
vorzusehen. Für <strong>de</strong>n Wissensaustausch<br />
von Agenten gibt es bereits die<br />
Knowledge Query and Manipulation<br />
Language (KQML) (s. [FFMM94]). So<br />
greifen etwa Agenten auch auf Teamwissen<br />
(vgl. Team Memory aus Abschnitt<br />
2.3) zurück. Der Intelligente<br />
Agent kennt das kontextbezogene Anfor<strong>de</strong>rungsprofil<br />
<strong>de</strong>s Nutzers sowie<br />
seine Informationsbedürfnisse, selektiert<br />
aus <strong>de</strong>r Masse <strong>de</strong>r theoretisch verfügbaren<br />
Daten die notwendigen heraus<br />
und gibt sie selbständig nach <strong>de</strong>m Push-<br />
Prinzip an <strong>de</strong>n Nutzer (vgl. Abbildung<br />
6).<br />
5.4.4.2 Beispiel grapeVINE<br />
Dokumente aus <strong>de</strong>n externen und internen Quelldatenbanken (Source Databases) wer<strong>de</strong>n mit Hilfe<br />
<strong>de</strong>s grapeVINE Profilers (s. [Mars95]) gefiltert. Dieser benutzt dazu die Knowledge Charts, um<br />
Schlüsselworte zuzuweisen. Dann vergleicht <strong>de</strong>r Profiler diese Schlüsselworte mit <strong>de</strong>m Interessenprofil<br />
<strong>de</strong>r Nutzer (Interest Profiles) und<br />
Knowledge<br />
Chart<br />
Source<br />
Databases<br />
Interest<br />
Profiles<br />
Escalations<br />
gV Profiler<br />
Mail<br />
In-Tray<br />
Abbildung 7: Architektur von grapeVINE<br />
Users<br />
mel<strong>de</strong>t je<strong>de</strong>m (entwe<strong>de</strong>r via Email<br />
o<strong>de</strong>r grapeVINE In-Tray) die Zahl<br />
<strong>de</strong>r übereinstimmen<strong>de</strong>n Dokumente<br />
(vgl. Topological Memory in<br />
Abschnitt 2.3). Der Nutzer kann diese<br />
lesen und auch neue Schlüsselworte<br />
hinzufügen bzw. die Wichtigkeit<br />
eines Dokumentes erhöhen. Die<br />
Kommentare und Meinungen <strong>de</strong>r<br />
Nutzer, neue Schlüsselworte und erhöhte<br />
Wichtigkeiten wer<strong>de</strong>n vom<br />
Profiler ausgewertet und mit <strong>de</strong>n Interessenprofilen<br />
<strong>de</strong>r User verglichen.<br />
Das System grapeVINE ermöglicht<br />
es, gemeinsame Interessen aufzu<strong>de</strong>cken<br />
(vgl. Abbildung 6).