Agenten im Dienst des Data-Mining
Im Prozess zum Extrahieren von unbekannten Erkenntnissen aus großen Datenbanken ist das Data-Mining ein zentrales Element. Techniken zur Automatisierung der Gewinnung von wiederholenden Mustern wurden zunächst für zentralisierte Daten entwickelt. Mit der zunehmenden Nutzung von geografisch verteilten IT-Ressourcen durch Industrie und Wissenschaft kamen Methoden für verteiltes Data-Mining auf. In der Tat werden zahlreiche Lösungen genutzt, die Techniken wie etwa verteilte Clusterung, Klassifikation und Regression umfassen. Nur wenige von ihnen verlassen sich jedoch auf intelligente Software-Agenten, die eine wachsende Zahl von Data-Mining-Aufgaben kontrollieren können. Das EU-finanzierte Projekt "Agent-oriented distributed data mining using computational statistics" (ADMIT) erforscht den Mehrwert der Konzepte, die Software-Agenten nutzen. In Multi-Agenten-Systemen hängen die individuellen und kollektiven Verhalten der Agenten von den beobachteten Daten ab. ADMIT-Forscher befassten sich mit dezentralen Datenverarbeitungstechniken, einschließlich Regressions-Forecasting und Change-Point-Analyse, um zu ermitteln, ob und wann eine Änderung in einem Datensatz eingetreten ist. Diese Daten-Koordinationsmodelle wurden für die Entscheidungsfindung eingesetzt und wiesen eine ähnliche Performance wie bei einer zentralen Behörde auf. Die Synergien zwischen solchen Gemeinschaften von Agenten und Cloud-Computing bieten zusätzliche Perspektiven für neue Technologien. Die ADMIT-Forscher untersuchten die dezentrale Daten-Clusterung, ein wichtiger Schritt bei der Datenvorverarbeitung in Cloud-Daten-Repositorien. Durch das Gruppieren ähnlicher Daten war es möglich, genauere Datenvertreter zu schaffen, die etwa zur Auswahl der optimalen Route und zur Anpassung der Geschwindigkeit im Straßenverkehr genutzt werden können. Die vielen Ergebnisse von ADMIT wurden bei 11 internationalen Konferenzen vorgestellt. Außerdem wurden 16 Artikel in Tagungsbänden und begutachteten Fachzeitschriften veröffentlicht. Noch wichtiger ist, dass die vorgeschlagenen Methoden in intelligente Verkehrssysteme für Verkehrsmanagement und Umweltüberwachung integriert und mit realen Verkehrsdaten aus Hannover validiert wurden.
Schlüsselbegriffe
Data-Mining, Software-Agenten, Cloud-Computing, Clusterung von Daten, intelligenter Verkehr
