Rashomon Memory: KI-Agenten nutzen argumentationsbasierte Suche für Erinnerungen

In der Welt der künstlichen Intelligenz sammeln Agenten über lange Zeiträume hinweg Erfahrungen, die gleichzeitig mehreren Zielen dienen. Dabei entstehen häufig widersprüchliche Interpretationen derselben Ereignisse – etwa wenn ein Zugeständnis in einer Verhandlung sowohl als Vertrauensaufbau für ein Ziel als auch als vertragliche Haftung für ein anderes gilt.

Aktuelle Speicherarchitekturen gehen meist von einer einzigen, korrekten Darstellung aus oder erlauben lediglich mehrere Ansichten über ein gemeinsames Speichersystem. Das neue Konzept „Rashomon Memory“ schlägt dagegen eine völlig andere Herangehensweise vor: Parallel laufende, zielabhängige Agenten kodieren ihre Erlebnisse nach ihren Prioritäten und führen bei jeder Abfrage ein argumentatives Austarieren durch.

Jede Perspektive besitzt ihr eigenes Ontologie- und Wissensgraphenmodell. Beim Abruf schlagen die Agenten ihre Interpretationen vor, kritisieren einander anhand asymmetrischer Domänenkenntnisse, und die Dung‑Argumentationssemantik entscheidet, welche Vorschläge bestehen bleiben. Das daraus resultierende Angriffsnetzwerk liefert nicht nur die gewählte Interpretation, sondern dokumentiert auch die abgelehnten Alternativen und die Gründe dafür – ein transparentes Erklärungsmodell.

Ein Proof‑of‑Concept zeigt, dass aus der Topologie des Angriffsnetzwerks verschiedene Abrufmodi – Auswahl, Zusammensetzung und Konfliktsichtbarmachung – entstehen. Besonders die Konfliktsichtbarmachung ermöglicht Entscheidungsträgern, echte Meinungsverschiedenheiten zu erkennen, anstatt sie zu erzwingen, und eröffnet damit neue Wege für nachvollziehbare KI‑Entscheidungen.