Symbolische Künstliche Intelligenz (KI) ist ein Teilbereich der KI, der sich auf die Verarbeitung und Manipulation von Symbolen oder Konzepten statt auf numerische Daten konzentriert. Das Ziel symbolischer KI ist es, intelligente Systeme zu bauen, die mithilfe logischer Regeln Wissen darstellen, verarbeiten und wie Menschen schlussfolgern können.
Symbolische KI einfach erklärt
Algorithmen der symbolischen KI arbeiten, indem sie Symbole verarbeiten, die Objekte oder Konzepte in der Welt und deren Beziehungen repräsentieren. Der zentrale Ansatz ist logikbasierte Programmierung, bei der Regeln und Axiome genutzt werden, um Schlussfolgerungen und Ableitungen zu ziehen.
Nehmen wir ein symbolisches KI-System, das medizinische Diagnosen anhand der vom Patienten gemeldeten Symptome stellt. Das System verfügt über einen Satz von Regeln und Axiomen, die es nutzt, um Rückschlüsse auf den Zustand des Patienten zu ziehen.
Meldet der Patient zum Beispiel Fieber, könnte das System folgende Regel anwenden:
IF patient has a fever AND patient has a cough AND patient has difficulty breathing THEN patient may have pneumonia.
Das System prüft dann, ob zusätzlich Husten und Atembeschwerden vorliegen, und kommt in diesem Fall zu dem Schluss, dass eine Lungenentzündung vorliegen könnte.
Dieser Ansatz ist sehr gut nachvollziehbar, weil sich der Denkweg klar auf die angewandten logischen Regeln zurückführen lässt. Außerdem können wir die Regeln des Systems leicht anpassen und erweitern, sobald neue Informationen verfügbar sind.
Symbolische KI nutzt formale Sprachen wie Logik zur Wissensrepräsentation. Dieses Wissen wird von Reasoning-Engines verarbeitet, die mithilfe von Algorithmen Symbole manipulieren. So lassen sich Expertensysteme und Entscheidungsunterstützungssysteme entwickeln, die auf vordefinierten Regeln und Wissen Deduktionen und Schlussfolgerungen ziehen.
Beispiele für symbolische KI in der Praxis
Symbolische KI findet in vielen Bereichen Anwendung, etwa in der Sprachverarbeitung, in Expertensystemen und in der Robotik. Konkrete Beispiele sind:
- Siri und andere digitale Assistenten nutzen symbolische KI, um natürliche Sprache zu verstehen und passende Antworten zu geben.
- Medizinische Diagnosesysteme empfehlen Ärztinnen und Ärzten Behandlungen auf Basis von Symptomen (wie oben gezeigt).
- Autonome Fahrzeuge treffen mithilfe symbolischer KI Entscheidungen über ihre Umgebung, etwa beim Erkennen von Stoppschildern und Ampeln.
- Computer-Vision-Systeme erkennen Objekte und Muster in Bildern.
So unterscheidet sich symbolische KI von anderen KI-Ansätzen
Symbolische KI unterscheidet sich von anderen KI-Methoden wie Machine Learning und Deep Learning dadurch, dass sie keine riesigen Trainingsdatenmengen benötigt. Stattdessen basiert sie auf Wissensrepräsentation und logischem Schließen und eignet sich damit für Domänen, in denen Wissen klar definiert und in logischen Regeln darstellbar ist.
Machine Learning hingegen braucht große Datensätze, um Muster zu lernen und Vorhersagen zu treffen. Deep Learning nutzt neuronale Netze, um Merkmale direkt aus Daten zu lernen, und ist damit prädestiniert für komplexe, unstrukturierte Daten.
Welche Methode sinnvoll ist, hängt von Problemstellung und Datenlage ab. Symbolische KI passt zu Bereichen mit klar strukturiertem Wissen, während Machine Learning und Deep Learning ihre Stärken bei großen Datenmengen und komplexen Mustern ausspielen.
Welche Vorteile bietet symbolische KI?
Symbolische KI hat mehrere Stärken:
- Nachvollziehbarkeit: Sie macht den Schlussprozess transparent und zeigt, wie ein System zu einem Ergebnis kommt.
- Wissensrepräsentation: Komplexes Wissen lässt sich formal und strukturiert abbilden, was gezielte Manipulation und Schlussfolgerungen ermöglicht.
- Flexibilität: Die Regeln und die Wissensbasis können angepasst werden, sodass sich Systeme leicht auf neue Domänen übertragen lassen.
Wo liegen die Grenzen symbolischer KI?
Symbolische KI hat auch Einschränkungen:
- Unvollständiges Wissen: Sie setzt vollständiges, gut definiertes Wissen voraus. In Bereichen mit Wissenslücken stößt sie an Grenzen.
- Skalierbarkeit: Mit wachsender Zahl an Symbolen und Regeln steigen die Rechenkosten, was den Einsatz in sehr großen Domänen erschwert.
- Umgang mit Unsicherheit: Sie beruht auf präzisen, eindeutigen Repräsentationen und tut sich daher schwer mit unsicheren oder mehrdeutigen Informationen.
- Begrenztes Lernen und Anpassen: Symbolische Systeme werden meist manuell programmiert und erlauben oft kein Lernen oder Anpassen in Echtzeit.
Du möchtest mehr über KI erfahren? Sieh dir diese Ressourcen an:
FAQs
Was ist der Unterschied zwischen symbolischer KI und Machine Learning?
Symbolische KI basiert auf Wissensrepräsentation und logischem Schließen, während Machine Learning Muster direkt aus Daten lernt.
Was ist ein Expertensystem?
Ein Expertensystem ist eine Form symbolischer KI, die eine Wissensbasis und einen Regelsatz nutzt, um Empfehlungen oder Lösungen für Probleme zu liefern.
Lässt sich symbolische KI mit anderen KI-Methoden kombinieren?
Ja, symbolische KI lässt sich mit anderen KI-Methoden wie Machine Learning und Deep Learning kombinieren, um hybride Modelle zu bauen, die die Stärken beider Ansätze vereinen. Ein System, das symbolische KI für Wissensrepräsentation und Schlussfolgern und Machine Learning für Mustererkennung nutzt, kann oft bessere Ergebnisse erzielen als jeder Ansatz für sich allein.
Für welche Probleme eignet sich symbolische KI am besten?
Symbolische KI eignet sich besonders für Aufgaben, die logisches Schlussfolgern, regelbasierte Entscheidungen und Expertenwissen erfordern. Beispiele sind Diagnose und Behandlungsplanung in der Medizin, Planung und Ressourcenallokation in der Fertigung sowie Betrugserkennung im Finanzwesen.
Welche aktuellen Forschungsthemen gibt es in der symbolischen KI?
Aktuelle Forschungsthemen in der symbolischen KI sind unter anderem Explainable AI (erklärbare KI), die KI-Systeme entwickelt, die ihren Denkweg für Menschen nachvollziehbar machen, kognitives Computing, das menschliche Kognition nachbilden will, sowie Commonsense Reasoning, das Alltagswissen und -schlüsse in KI-Systeme bringt.
Wie steige ich in symbolische KI ein?
Starte mit den Grundlagen von Wissensrepräsentation und logischem Schließen, Logikprogrammierung und Expertensystemen. Es gibt viele Open-Source- und kommerzielle Tools für symbolische KI, zum Beispiel Prolog, CLIPS und Drools.