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 zu den späten 1980er Jahren. Im Gegensatz zu modernen datengesteuerten Methoden basiert die symbolische KI auf dem Prinzip, dass Intelligenz durch die Manipulation von Symbolen erreicht werden kann, die reale Konzepte darstellen und durch eine Reihe logischer Regeln gesteuert werden. Die Kernidee, die von Pionieren wie John McCarthy vertreten wurde, war der Aufbau von Systemen, die über die Welt auf eine Weise denken können, die der menschlichen deduktiven Logik ähnelt.

Wie symbolische KI funktioniert

Symbolische KI-Systeme bestehen typischerweise aus zwei Hauptkomponenten: einer Wissensbasis und einer Inferenzmaschine.

• Knowledge Base: 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 findet sich in Knowledge Graphs.
• Inferenz-Engine: Eine Reihe von Regeln und Algorithmen, die logische Ableitungen auf die Wissensbasis anwenden, um neue Informationen abzuleiten oder Entscheidungen zu treffen. Es verwendet formale Logik, wie z. B. IF-THEN Aussagen, um Abfragen zu verarbeiten und Probleme zu lösen. Dieser Prozess ist sehr transparent und macht ihn zu einem Eckpfeiler von Erklärbare KI (XAI).

Programmiersprachen wie Lisp und Prolog wurden speziell entwickelt, um diesen regelbasierten Programmierstil zu unterstützen.

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 fortschrittlicher Computer Vision (CV)-Modelle wie Ultralytics YOLO.

Der Hauptunterschied liegt in der Art und Weise, wie Wissen erworben wird:

• Symbolische KI ist ein Top-Down-Ansatz. Ein menschlicher Experte programmiert die Regeln und das Wissen explizit in das System. 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, indem sie riesige Mengen an Trainingsdaten analysieren. Beispielsweise lernt ein YOLO-Modell, Objekterkennung durchzuführen, indem es mit Tausenden von beschrifteten Bildern trainiert wird und nicht, indem ihm die expliziten Regeln dessen mitgeteilt werden, was ein „Auto“ oder eine „Person“ ausmacht.

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

Anwendungen und Beispiele aus der Praxis

Obwohl Symbolic AI heute weniger verbreitet ist, hat sie mehrere wichtige Anwendungen ermöglicht, und ihre Prinzipien sind nach wie vor relevant.

1. Expertensysteme: Diese gehörten 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 war beispielsweise ein berühmtes Expertensystem, das in den 1970er Jahren entwickelt wurde, um Bakterien zu identifizieren, die schwere Infektionen verursachen, und Antibiotika zu empfehlen. Es verwendete eine Wissensbasis von etwa 600 Regeln, die von medizinischen Experten abgeleitet wurden.
2. Frühe Verarbeitung natürlicher Sprache (NLP): Vor dem Aufstieg statistischer Methoden und 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 automatisierte Grammatikprüfungen und maschinelle Übersetzungssysteme basierten auf diesen Prinzipien.

Die Zukunft: Hybride KI

Die Einschränkungen von Symbolic AI – insbesondere ihre Anfälligkeit in neuen oder mehrdeutigen Situationen und die Schwierigkeit, ihre Wissensbasis zu skalieren – führten zum Aufstieg von ML. Die Zukunft liegt jedoch wahrscheinlich in hybriden KI-Modellen, die die Stärken beider Ansätze kombinieren. Durch die Integration der logischen Schlussfolgerungen von Symbolic AI mit der Mustererkennungsfähigkeit von ML können Entwickler robustere, transparentere und leistungsfähigere KI-Systeme schaffen. Diese hybriden Systeme zielen darauf ab, das strukturelle Wissen symbolischer Systeme zu nutzen, um den Lernprozess von Foundation Models zu verbessern, ein Konzept, das in Bereichen wie Neuro-Symbolic AI untersucht wird. Plattformen wie Ultralytics HUB rationalisieren die Bereitstellung von ML-Modellen, die eines Tages diese hybriden Techniken beinhalten könnten.