Symbolic AI

Symbolische KI ist ein Teilgebiet der künstlichen Intelligenz, das sich auf übergeordnete, für Menschen lesbare Darstellungen von Problemen, Logik und Suchfunktionen stützt, um komplexe Aufgaben zu lösen. Dieser Ansatz wird häufig als „gute alte KI“ (GOFAI) bezeichnet und versucht, die menschliche Fähigkeit zum logischen Schlussfolgern nachzuahmen, indem Symbole – Zeichenketten, die Konzepte aus der realen Welt darstellen – nach expliziten Regeln verarbeitet werden. Im Gegensatz zu modernem Deep Learning (DL), das Muster aus riesigen Datenmengen lernt, wird symbolische KI manuell mit spezifischem Wissen und logischen Einschränkungen programmiert. Dadurch eignet sie sich besonders gut für Probleme, bei denen die strikte Einhaltung von Regeln und transparente Entscheidungsfindung erforderlich sind.

Die Funktionsweise des symbolischen Schlussfolgerns#

Im Zentrum der symbolischen KI steht die Manipulation von Symbolen mithilfe von Logik. Diese Systeme stützen sich nicht auf die in der statistischen KI eingesetzten neuronalen Netze, sondern verwenden eine Inferenzmaschine, um aus vorhandenen Wissensbasen neue Fakten abzuleiten. So könnte ein symbolisches System beispielsweise die Fakten „Sokrates ist ein Mensch“ und die Regel „Alle Menschen sind sterblich“ speichern. Durch logische Deduktion kann das System daraus selbstständig schließen, dass „Sokrates sterblich ist“.

Diese explizite Struktur ermöglicht ein hohes Maß an erklärbarer künstlicher Intelligenz (XAI). Da das System einer klaren „WENN-DANN“-Logikkette folgt, können Ingenieure genau nachvollziehen, warum eine bestimmte Entscheidung getroffen wurde. Dies steht im deutlichen Gegensatz zur „Blackbox“-Natur vieler Modelle der generativen KI, bei denen der interne Schlussfolgerungsprozess oft undurchsichtig ist.

Symbolische KI vs. statistische KI#

Es ist entscheidend, die symbolische KI vom heute vorherrschenden Paradigma der statistischen KI zu unterscheiden.

• Symbolische KI ist Top-down-orientiert und regelbasiert. Sie ist besonders gut für abstraktes Schlussfolgern, Planung und die Bearbeitung definierter Strukturen wie algebraischer Gleichungen oder Wissensgraphen geeignet. In statischen Umgebungen, in denen sich die Regeln nicht ändern, arbeitet sie fehlerfrei, hat jedoch Schwierigkeiten mit verrauschten Daten wie unstrukturierten Bildern oder mit Mehrdeutigkeit.
• Statistische KI (einschließlich maschinellen Lernens) ist Bottom-up-orientiert und datengetrieben. Modelle wie YOLO26 lernen, Muster zu erkennen, indem sie Tausende von Bildern verarbeiten. Sie sind robust gegenüber Rauschen und hervorragend für Wahrnehmungsaufgaben geeignet, verfügen jedoch ohne zusätzliche Komponenten im Allgemeinen nicht über die Fähigkeit zum logischen Schlussfolgern.

Anwendungen in der Praxis#

Während Deep Learning Wahrnehmungsaufgaben dominiert, bleibt symbolische KI in Branchen, die Präzision und Nachvollziehbarkeit erfordern, unverzichtbar.

• Expertensysteme im Gesundheitswesen: Frühe Formen der KI in der Medizin waren symbolische Expertensysteme. Diese Systeme verwenden eine Datenbank mit medizinischem Wissen und eine Reihe diagnostischer Regeln, um Behandlungen vorzuschlagen. Heute arbeiten diese Logikebenen häufig zusammen mit Bildverarbeitungsmodellen für KI im Gesundheitswesen, um sicherzustellen, dass eine Diagnose den etablierten medizinischen Protokollen entspricht.
• Einhaltung regulatorischer und finanzieller Vorgaben: In der Welt der KI im Finanzwesen sind probabilistische Schätzungen oft nicht akzeptabel. Steuersoftware und automatisierte Prüfsysteme für die Einhaltung von Vorgaben verwenden symbolische Logik, um sicherzustellen, dass jede Berechnung strikt den staatlichen Steuervorschriften entspricht. Eine „99-prozentige Wahrscheinlichkeit“ reicht für eine Steuererklärung nicht aus; die Logik muss exakt sein – eine Stärke der symbolischen Programmierung.

Der Aufstieg der neuro-symbolischen KI#

Ein vielversprechender neuer Trend ist die neuro-symbolische KI, die die Wahrnehmungsleistung neuronaler Netze mit der Schlussfolgerungsfähigkeit symbolischer Logik verbindet. In diesen Hybridsystemen verarbeitet ein Computer-Vision-Modell die sensorischen Eingaben (es nimmt die Welt wahr), während eine symbolische Ebene das Schlussfolgern übernimmt (sie versteht die Regeln).

Du könntest beispielsweise Ultralytics YOLO26 verwenden, um Objekte in einer Fabrik zu erkennen, und anschließend ein einfaches symbolisches Skript einsetzen, um anhand dieser Erkennungen Sicherheitsregeln durchzusetzen.

Das folgende Beispiel veranschaulicht einen grundlegenden neuro-symbolischen Arbeitsablauf: Die neuronale Komponente (Ultralytics YOLO26) nimmt das Objekt wahr, und die symbolische Komponente (Python-Logik) wendet eine Regel an.

from ultralytics import YOLO

# NEURAL COMPONENT: Use YOLO26 to 'perceive' the environment
model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")

# SYMBOLIC COMPONENT: Apply explicit logic rules to the perception
for r in results:
    for c in r.boxes.cls:
        class_name = model.names[int(c)]
        # Rule: IF a heavy vehicle is detected, THEN issue a specific alert
        if class_name in ["bus", "truck"]:
            print(f"Logic Rule Triggered: Restricted vehicle '{class_name}' detected.")

Ausblick#

Während Forscher auf künstliche allgemeine Intelligenz (AGI) hinarbeiten, werden die Grenzen rein statistischer Modelle immer deutlicher. Große Sprachmodelle (LLMs) wie GPT-4 leiden häufig unter „Halluzinationen“, weil sie das nächste Wort probabilistisch vorhersagen, anstatt logisch zu schlussfolgern.

Durch die Integration symbolischen Schlussfolgerns können diese Modelle ihre Ausgaben auf Fakten „gründen“. Diese Entwicklung zeigt sich in Werkzeugen, die natürliches Sprachverständnis mit strukturierten Datenbankabfragen oder mathematischen Lösern verbinden. Für Entwickler, die komplexe Systeme erstellen, bietet die Ultralytics Platform die erforderliche Infrastruktur zur Verwaltung von Datensätzen und zum Trainieren der Bildverarbeitungsmodelle, die als sensorische Grundlage für diese fortschrittlichen, logikgesteuerten Anwendungen dienen.