Symbolische KI

Symbolische KI, oft auch als Good Old-Fashioned AI (GOFAI) bezeichnet, ist ein Zweig der Künstlichen Intelligenz (KI), der sich auf die Darstellung menschlichen Wissens durch explizite Regeln und Symbole konzentriert. Dieser Ansatz war das vorherrschende Paradigma in der KI-Forschung von den 1950er bis in die späten 1980er Jahre. Im Gegensatz zu modernen datengesteuerten Methoden beruht die symbolische KI auf dem Prinzip, dass Intelligenz durch die Manipulation von Symbolen erreicht werden kann, die Konzepte aus der realen Welt darstellen und einer Reihe von logischen Regeln unterliegen. Die Kernidee, die von Pionieren wie John McCarthy vertreten wurde, bestand darin, Systeme zu entwickeln, die ähnlich wie die menschliche deduktive Logik über die Welt denken können.

Wie symbolische KI funktioniert

Symbolische KI-Systeme bestehen in der Regel aus zwei Hauptkomponenten: einer Wissensbasis und einer Inferenzmaschine.

• Wissensdatenbank: Eine strukturierte Datenbank, die Fakten, Konzepte und die Beziehungen zwischen ihnen enthält, die alle in einer symbolischen Sprache kodiert sind. Dieses Wissen wird oft manuell von menschlichen Experten kuratiert. Ein modernes Äquivalent dieses Konzepts sind die Wissensgraphen.
• Inferenzmaschine: Eine Reihe von Regeln und Algorithmen, die logische Schlussfolgerungen auf die Wissensbasis anwenden, um neue Informationen abzuleiten oder Entscheidungen zu treffen. Dabei wird formale Logik verwendet, wie z. B. IF-THEN Anweisungen, um Anfragen zu bearbeiten und Probleme zu lösen. Dieser Prozess ist äußerst transparent und damit ein Eckpfeiler der Erklärbare KI (XAI).

Programmiersprachen wie Lisp und Prolog wurden speziell zur Unterstützung dieses regelbasierten Programmierstils entwickelt.

Symbolische KI vs. Maschinelles Lernen

Symbolische KI unterscheidet sich grundlegend vom maschinellen Lernen (ML), das die Grundlage für die meisten modernen KI-Anwendungen bildet, einschließlich fortgeschrittener Computer-Vision-Modelle (CV) wie Ultralytics YOLO.

Der entscheidende Unterschied liegt darin, wie das Wissen erworben wird:

• Symbolische KI ist ein Top-Down-Ansatz. Ein menschlicher Experte programmiert die Regeln und das Wissen explizit in das System ein. Die Argumentation des Systems ist auf dieses vordefinierte Wissen beschränkt.
• Maschinelles Lernen ist ein Bottom-up-Ansatz. Modelle, insbesondere solche, die Deep Learning und neuronale Netze (NN) verwenden, lernen Muster und Beziehungen implizit durch die Analyse großer Mengen von Trainingsdaten. Ein YOLO-Modell lernt beispielsweise die Objekterkennung, indem es mit Tausenden von beschrifteten Bildern trainiert wird, und nicht, indem ihm die expliziten Regeln mitgeteilt werden, was ein "Auto" oder eine "Person" ist.

Während sich ML-Modelle bei der Verarbeitung komplexer, unstrukturierter Daten auszeichnen, kann ihr Entscheidungsprozess undurchsichtig sein. Im Gegensatz dazu sind die Überlegungen der symbolischen KI leicht nachvollziehbar, was für Anwendungen, bei denen Rechenschaftspflicht und KI-Ethik von größter Bedeutung sind, entscheidend ist.

Praktische Anwendungen und Beispiele

Obwohl sie heute weniger verbreitet ist, hat die symbolische KI mehrere wichtige Anwendungen ermöglicht, und ihre Grundsätze sind nach wie vor relevant.

1. Expertensysteme: Diese gehören zu den erfolgreichsten Anwendungen der symbolischen KI. Ein Expertensystem ist so konzipiert, dass es die Entscheidungsfähigkeit eines menschlichen Experten in einem bestimmten Bereich nachahmt. MYCIN zum Beispiel war ein berühmtes Expertensystem, das in den 1970er Jahren entwickelt wurde, um Bakterien, die schwere Infektionen verursachen, zu identifizieren und Antibiotika zu empfehlen. Es verwendete eine Wissensbasis von etwa 600 Regeln, die von medizinischen Experten abgeleitet wurden.
2. Frühe natürliche Sprachverarbeitung (NLP): Vor dem Aufkommen statistischer Methoden und großer Sprachmodelle (Large Language Models, LLMs) stützten sich NLP-Systeme auf symbolische Ansätze. Sie verwendeten formale Grammatiken und Syntaxregeln, um Sätze zu analysieren und die Sprachstruktur zu verstehen. Frühe automatische Grammatikprüfgeräte und maschinelle Übersetzungssysteme basierten auf diesen Prinzipien.

Die Zukunft: Hybride KI

Die Grenzen der symbolischen KI - insbesondere ihre Sprödigkeit bei neuen oder mehrdeutigen Situationen und die Schwierigkeit, ihre Wissensbasis zu skalieren - führten zum Aufstieg der ML. Die Zukunft wird jedoch wahrscheinlich in hybriden KI-Modellen liegen, die die Stärken beider Ansätze kombinieren. Durch die Integration des logischen Denkens der symbolischen KI mit der Mustererkennungsleistung der ML können Entwickler robustere, transparentere und leistungsfähigere KI-Systeme schaffen. Diese hybriden Systeme zielen darauf ab, das Strukturwissen symbolischer Systeme zu nutzen, um den Lernprozess von Basismodellen zu verbessern, ein Konzept, das in Bereichen wie der neurosymbolischen KI erforscht wird. Plattformen wie Ultralytics HUB rationalisieren die Bereitstellung von ML-Modellen, die eines Tages diese hybriden Techniken einbeziehen könnten.