Neuro-Symbolic KI

Im Bereich der künstlichen Intelligenz existieren historisch zwei grobe Einteilungen: Symbolische und konnektionistische KI.

Symbolische KI ist der Inbegriff konzeptioneller und logischer Klarheit und basiert auf der Formalisierung von Wissen in Fakten, Regeln und anderen symbolischen Strukturen. Ein Symbol ist ein Muster, das für andere Dinge steht. Das Ziel kann ein Gegenstand, ein anderes Symbol oder eine Beziehung sein. Man stelle sich eine große Bibliothek vor, in der jedes Buch eine Regel ist und jedes Kapitel ein Weg zu logischer Deduktion - symbolische KI in Analogie zu den Denkprozessen des menschlichen Denkens.

Konnektionistische KI, inspiriert vom Aufbau des menschlichen Gehirns, nutzt künstliche neuronale Netze und Algorithmen des maschinellen Lernens, um Wissen als verteilte Aktivierungsmuster über ein Netzwerk von Einheiten darzustellen. Dieser Bereich hat in den letzten Jahren durch wachsende Datenmengen und Rechenleistung an Bedeutung gewonnen und zeichnet sich durch Robustheit aus. Konnektionistische Modelle eignen sich gut für „Best-Match“-Probleme und sind flexibler als symbolische Repräsentationen, da sie mit unvollständigen, approximativen und inkonsistenten Informationen sowie Ausnahmesituationen umgehen können. . Allerdings erfordern sie eine große Anzahl von Trainingsdaten, um einfache Konzepte zu erfassen, die Menschen mit wenigen oder einzelnen Beispielen begreifen können.

In jüngster Zeit wird zunehmend erkannt, dass sich die beiden Ansätze nicht gegenseitig ausschließen. Es gibt immer mehr Versuche, beide Methoden miteinander zu kombinieren, um die jeweiligen Stärken zu nutzen – ein Ansatz, der als „Neuro-Symbolic“ etabliert hat.

Im Bereich der Bilderkennung beispielsweise zeigen konnektionistische Modelle, die von tiefen neuronalen Netzen angetrieben werden, ihre Stärken bei der Erkennung subtiler Muster in Pixeldaten, ähnlich wie unser Gehirn Gesichter in einer Menschenmenge erkennt. Diese Stärke beweisen sie auch bei bildgebenden Verfahren in der Medizin. In Expertensystemen für die medizinische Diagnostik hingegen glänzt die Symbolik durch die methodische Anwendung vordefinierter Regeln bei der Diagnose von Krankheiten und ahmt damit den logischen Ablauf des Denkprozesses eines Arztes nach. Kombiniert kann beispielsweise die Klassifikation von Bildern mittels konnektionistischer Modelle als Grundlage für die Weiterverarbeitung durch symbolische KI dienen. Ein weiteres Beispiel für die Anwendung neuro-symbolischer Paradigmen ist das Zusammenspiel von Large Language Models (LLM) und Knowledge Graphs. LLMs spilen ihre Stärke beim Umgang mit der natürlichen Sprache und dem Common-Sense-Reasoning aus,während Knowledge Graphs explizites Fachwissen verarbeiten..