Symbolische KI

Symbolische KI, oft auch als Good Old-Fashioned AI (GOFAI) bezeichnet, ist ein Zweig der Künstliche Intelligenz (KI), die sich auf auf hochrangigen, für den Menschen lesbaren Problemdarstellungen und expliziten Regeln zur Verarbeitung von Informationen beruht. Im Gegensatz zu modernen datengesteuerten Ansätzen, die Muster aus riesigen Datensätzen lernen, beruht die symbolische KI auf der Prämisse, dass Intelligenz durch die Manipulation von Symbolen anhand logischer Regeln erreicht werden kann. Dieses Paradigma dominierte die KI den 1950er bis 1980er Jahren, vertreten durch Pioniere wie John McCarthy, und ist auch heute noch sehr relevant für Anwendungen, die eine strikte Einhaltung logischer Beschränkungen und eine klare Interpretierbarkeit erfordern.

Kernbestandteile von symbolischen Systemen

Symbolische KI-Systeme ahmen das menschliche Denken nach, indem sie explizit definiertes Wissen verarbeiten. Sie bestehen in der Regel aus zwei architektonischen Hauptkomponenten:

• Wissensdatenbank: Ein zentraler Speicher, der Fakten und Informationen über die Welt enthält, oft strukturiert als Wissensgrafik oder eine Reihe von IF-THEN Aussagen. Diese Datenbank stellt das "Was" der Intelligenz des Systems dar.
• Inferenzmaschine: Die Verarbeitungseinheit, die logische Regeln auf die Wissensbasis anwendet, um neue Informationen abzuleiten neue Informationen abzuleiten oder Entscheidungen zu treffen. Durch die Verwendung von deduktiven Denkens navigiert die Maschine durch die Symbole, um zu einer Schlussfolgerung zu gelangen, wobei sichergestellt wird, dass das Ergebnis auf der Grundlage der Eingaben mathematisch beweisbar ist.

Diese Struktur ermöglicht ein hohes Maß an erklärbare KI (XAI), da der Entscheidungsweg des Systems Entscheidungsweg des Systems Schritt für Schritt durch die angewandten Regeln zurückverfolgt werden kann.

Symbolische KI vs. Statistische KI

Um die moderne KI-Landschaft zu verstehen, ist es wichtig, zwischen symbolischer KI und Statistischer KI.

• Die symbolische KI verfolgt einen Top-down-Ansatz. Programmierer kodieren explizit die Regeln des Systems. Es zeichnet sich durch abstraktes Denken, Mathematik und Planung aus, hat aber Probleme mit Mehrdeutigkeit und unübersichtlichen unstrukturierten Daten wie Rohpixel oder Audio.
• Statistische KI, die Folgendes umfasst Maschinelles Lernen (ML) und Deep Learning (DL), verwendet einen Bottom-up-Ansatz. Modelle wie Faltungsneuronale Netze (CNNs) lernen Muster implizit aus Trainingsdaten, anstatt als dass ihnen gesagt wird, wie sie sie erkennen sollen.

Während ein YOLO11 Modell hervorragend in der Objekterkennung durch Lernen aus Tausenden von Bilder lernt, würde ein rein symbolisches System an dieser Aufgabe scheitern, weil es unmöglich ist, manuell Regeln für jede mögliche visuelle Variation eines Objekts zu schreiben.

Anwendungsfälle in der Praxis

Trotz des Aufschwungs der neuronalen Netze wird die symbolische KI immer noch häufig eingesetzt, oft in Verbindung mit anderen Methoden.

1. Expertensysteme: Dies waren die ersten erfolgreichen kommerziellen KI-Produkte, die die Entscheidungsfähigkeit Entscheidungsfähigkeit eines menschlichen Experten zu emulieren. Systeme wie MYCIN verwendeten Hunderte von Regeln zur Diagnose bakterieller Infektionen. Eine ähnliche Logik treibt heute Geschäftsregel-Engines im Finanz- und Versicherungswesen, um die Kreditwürdigkeit automatisch zu bestimmen.
2. Robotik und Planung: Unter autonomen Fahrzeugen und der Robotik ist die Planung auf Planung oft symbolisch. Während ein neuronales Netz die Wahrnehmung der Straße übernehmen kann, verwendet ein symbolischer Planer Logik, um über Aktionen wie "bei roter Ampel anhalten" oder "Fußgängern Vorfahrt gewähren" zu entscheiden und sicherzustellen Sicherheitsbestimmungen eingehalten werden.
3. Verarbeitung natürlicher Sprache (NLP): Frühe Natürliche Sprachverarbeitung (NLP) stützte sich stark auf symbolische Grammatikregeln. Moderne Systeme wie Large Language Models (LLMs) sind statistisch, aber die jüngsten Trends in der Neuro-symbolischen KI zielen darauf ab, die Geläufigkeit von LLMs mit der faktischen Zuverlässigkeit der symbolischen Logik zu kombinieren, um Halluzinationen zu reduzieren.

Hybride neuro-symbolische Arbeitsabläufe

Eine der leistungsstärksten Möglichkeiten, symbolische KI zu nutzen, besteht heute in der Kombination mit statistischen Modellen. Dieser Ansatz nutzt die Wahrnehmungsfähigkeiten des Deep Learning mit der logischen Schlussfolgerung symbolischer Systeme.

Sie könnten zum Beispiel ein statistisches Modell zur detect Objekten verwenden und dann symbolische Regeln anwenden, um auf diese Erkennungen.

from ultralytics import YOLO

# Load a statistical model (YOLO11) for visual perception
model = YOLO("yolo11n.pt")

# Perform inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Apply Symbolic Logic (Rule-based reasoning) on top of statistical predictions
# Rule: If a 'person' is detected with high confidence (>0.8), trigger a specific action.
for result in results:
    for box in result.boxes:
        if box.cls == 0 and box.conf > 0.8:  # Class 0 is 'person' in COCO dataset
            print(f"Action Triggered: High-confidence person detected at {box.xywh}")

Vorteile und Einschränkungen

Der Hauptvorteil der symbolischen KI ist ihre Transparenz. In Branchen wie dem Gesundheits- oder Finanzwesen, wo KI-Ethik und die Einhaltung von Vorschriften von größter Bedeutung sind, ist es ist es von unschätzbarem Wert, die Regeln hinter einer Entscheidung überprüfen zu können. Außerdem benötigen symbolische Systeme keine großen Mengen große Datenmengen, um zu funktionieren; sie brauchen nur einen gültigen Satz Regeln.

Der "Engpass bei der Wissenserfassung" stellt jedoch eine erhebliche Einschränkung dar. Die manuelle Kodierung aller notwendigen Wissen in Regeln zu kodieren, ist zeitaufwändig und spröde. Das System kann nicht aus Fehlern lernen oder sich an neue Umgebungen anpassen ohne menschliches Eingreifen an neue Umgebungen anpassen, bekannt als Rahmenproblem. Diese Starrheit ist der Grund, warum die moderne KI-Forschung hybride Ansätze bevorzugt, die neuronale Netze neuronale Netze zum Lernen mit symbolischer Logik für Schlussfolgerungen.