Symbolische kunstmatige intelligentie (AI) is een deelgebied van AI dat zich richt op het verwerken en manipuleren van symbolen of concepten, in plaats van numerieke gegevens. Het doel van symbolische AI is om intelligente systemen te bouwen die kunnen redeneren en denken zoals mensen, door kennis te representeren en te manipuleren en te redeneren op basis van logische regels.
Uitleg van symbolische AI
Algoritmes voor symbolische AI werken door symbolen te verwerken die objecten of concepten in de wereld en hun onderlinge relaties vertegenwoordigen. De belangrijkste aanpak binnen symbolische AI is logica-gebaseerde programmering, waarbij regels en axioma's worden gebruikt om gevolgtrekkingen en deducties te maken.
Stel dat we een symbolisch AI-systeem hebben dat is ontworpen om medische aandoeningen te diagnosticeren op basis van symptomen die door een patiënt zijn gemeld. Het systeem heeft een set regels en axioma's die het gebruikt om gevolgtrekkingen en deducties te maken over de toestand van de patiënt.
Als de patiënt bijvoorbeeld koorts meldt, kan het systeem de volgende regel gebruiken:
IF patient has a fever AND patient has a cough AND patient has difficulty breathing THEN patient may have pneumonia.
Het systeem zou vervolgens controleren of de patiënt ook hoest en moeite heeft met ademhalen, en zo ja, concluderen dat de patiënt mogelijk een longontsteking heeft.
Deze aanpak is zeer goed te interpreteren, omdat we het redeneerproces eenvoudig kunnen herleiden tot de toegepaste logische regels. Het maakt het ook makkelijk om de regels van het systeem aan te passen en bij te werken wanneer er nieuwe informatie beschikbaar komt.
Symbolische AI gebruikt formele talen zoals logica om kennis te representeren. Deze kennis wordt verwerkt door redeneermachines die algoritmes gebruiken om symbolen te manipuleren. Dit maakt het mogelijk om systemen te bouwen zoals expertsystemen en beslissingsondersteunende systemen die op basis van vooraf gedefinieerde regels en kennis deducties en gevolgtrekkingen kunnen doen.
Voorbeelden van symbolische AI in de echte wereld
Symbolische AI is toegepast in verschillende domeinen, waaronder natuurlijke taalverwerking, expertsystemen en robotica. Enkele specifieke voorbeelden zijn:
- Siri en andere digitale assistenten gebruiken symbolische AI om natuurlijke taal te begrijpen en antwoorden te geven.
- Medische diagnosesystemen gebruiken symbolische AI om op basis van patiëntsymptomen aanbevelingen aan artsen te doen (zoals hierboven gedemonstreerd).
- Autonome auto’s gebruiken symbolische AI om beslissingen te nemen op basis van de omgeving, zoals het herkennen van stopborden en verkeerslichten.
- Computervisionsystemen gebruiken symbolische AI om objecten en patronen in beelden te herkennen.
Hoe symbolische AI verschilt van andere AI-technieken
Symbolische AI verschilt van andere AI-technieken, zoals machine learning en deep learning, doordat het geen enorme hoeveelheden trainingsdata vereist. In plaats daarvan is symbolische AI gebaseerd op kennisrepresentatie en redeneren, waardoor het geschikter is voor domeinen waar kennis goed gedefinieerd is en kan worden vastgelegd in logische regels.
Machine learning daarentegen heeft grote datasets nodig om patronen te leren en voorspellingen te doen. Deep learning gebruikt neurale netwerken om kenmerken rechtstreeks uit data te leren, waardoor het geschikt is voor domeinen met complexe en ongestructureerde data.
Wanneer je welke techniek gebruikt, hangt af van het probleemdomein en de beschikbare data. Symbolische AI is geschikt voor domeinen met goed gedefinieerde en gestructureerde kennis, terwijl machine learning en deep learning geschikt zijn voor domeinen met grote hoeveelheden data en complexe patronen.
Wat zijn de voordelen van symbolische AI?
Symbolische AI heeft verschillende voordelen, waaronder:
- Interpretatie: Symbolische AI biedt transparantie in het redeneerproces, waardoor het makkelijker is te begrijpen hoe een systeem tot een conclusie is gekomen.
- Kennisrepresentatie: Symbolische AI kan complexe kennis formeel en gestructureerd weergeven, wat manipulatie en redeneren vergemakkelijkt.
- Flexibiliteit: Symbolische AI is zeer flexibel en kan worden aangepast aan verschillende domeinen door de regels en de kennisbank te wijzigen.
Wat zijn de beperkingen van symbolische AI?
Symbolische AI kent ook beperkingen, waaronder:
- Onvolledige kennis: Symbolische AI vereist volledige en goed gedefinieerde kennis om correct te functioneren. In domeinen waar kennis onvolledig is, kan symbolische AI minder effectief zijn.
- Schaalbaarheid: Symbolische AI kan computationeel kostbaar worden naarmate het aantal symbolen en regels toeneemt, waardoor het lastig is op te schalen naar grote domeinen.
- Moeite met onzekere of ambigue informatie: Symbolische AI is afhankelijk van precieze en ondubbelzinnige representaties van kennis, wat de mogelijkheid beperkt om effectief te redeneren met onzekere of ambigue data.
- Beperkt leer- en aanpassingsvermogen: Symbolische AI-systemen vereisen handmatige programmering en bieden mogelijk geen ruimte voor leren en aanpassen in real time.
Wil je meer leren over AI? Bekijk dan de volgende bronnen:
Veelgestelde vragen
Wat is het verschil tussen symbolische AI en machine learning?
Symbolische AI is gebaseerd op kennisrepresentatie en redeneren, terwijl machine learning patronen rechtstreeks uit data leert.
Wat is een expertsysteem?
Een expertsysteem is een type symbolisch AI-systeem dat een kennisbank en een set regels gebruikt om aanbevelingen of oplossingen voor problemen te bieden.
Kan symbolische AI worden gecombineerd met andere AI-technieken?
Ja, symbolische AI kan worden gecombineerd met andere AI-technieken, zoals machine learning en deep learning, om hybride modellen te creëren die de sterke punten van elke benadering benutten. Een systeem dat bijvoorbeeld symbolische AI gebruikt voor kennisrepresentatie en redeneren, en machine learning voor patroonherkenning, kan beter presteren dan elke benadering afzonderlijk.
Voor welke problemen is symbolische AI het meest geschikt?
Symbolische AI is het meest geschikt voor problemen die logisch redeneren, op regels gebaseerde besluitvorming en deskundige kennis vereisen. Voorbeelden zijn diagnose en behandelplanning in de geneeskunde, planning en toewijzing van middelen in de maakindustrie, en fraudedetectie in de financiële sector.
Wat zijn enkele actuele onderzoeksthema's in symbolische AI?
Enkele actuele onderzoeksthema's in symbolische AI zijn explainable AI, dat zich richt op AI-systemen die hun redenering aan mensen kunnen uitleggen, cognitieve computing, dat AI-systemen wil creëren die menselijke cognitie kunnen nabootsen, en alledaags redeneren (commonsense reasoning), dat draait om AI-systemen die kunnen redeneren over alledaagse situaties en algemeen bekende kennis.
Hoe begin ik met symbolische AI?
Om te beginnen met symbolische AI kun je je verdiepen in kennisrepresentatie en redeneren, logische programmering en expertsystemen. Er zijn ook veel open-source en commerciële tools beschikbaar voor het ontwikkelen van symbolische AI-toepassingen, zoals Prolog, CLIPS en Drools.
