Definition Was ist subsymbolische KI?

Anbieter zum Thema

Fsas Technologies GmbH

INFOMOTION GmbH

Subsymbolische KI verfolgt einen Bottom-up-Ansatz. Im Gegensatz zu symbolischer Künstlicher Intelligenz sind Wissen und Fähigkeiten subsymbolischer KI nicht durch Logik, abstrakte Symbole und vordefinierte Regeln repräsentiert, sondern selbstständig auf Basis von Training und bereitgestellten Daten erlernt. Subsymbolische KI bildet über Modelle die Funktionsweise menschlichen Lernens nach und verwendet künstliche neuronale Netzwerke, maschinelles Lernen und Deep Learning.

Subsymbolische KI wird auch als konnektionistische KI bezeichnet. Sie arbeitet im Gegensatz zu symbolischer KI nicht mit abstrakten Symbolen und vordefinierten Regeln. Subsymbolische KI verfolgt einen Bottom-up-Ansatz und generiert ihre Fähigkeiten und ihr Wissen selbstständig aus Trainingsvorgängen und Daten. Sie nutzt Modelle, die die Arbeitsweise und Lernvorgänge biologischer Gehirne nachbilden. Es kommen künstliche neuronale Netzwerke und Lernverfahren wie Machine Learning und Deep Learning zum Einsatz. Die Modelle werden mit Daten trainiert und sind in der Lage, Muster in den Daten zu erkennen und zu verarbeiten, Sachverhalten zu erlernen, Wissen abzuleiten, Vorhersagen oder Entscheidungen zu treffen und Inhalte zu generieren. Die Ergebnisse subsymbolischer KI basieren häufig auf Wahrscheinlichkeiten. Subsymbolische KI kann sich ohne eine explizite Programmierung durch einen Menschen anpassen.

Sie eignet sich für komplexe Aufgaben- und Problemstellungen. Die subsymbolische Künstliche Intelligenz gilt in der KI-Forschung als eine leistungsfähige und zukunftsträchtige KI-Methode auf dem Weg zu einer starken KI. Aktuelle generative KI aus dem Text-, Sprach- und Bildbereich wie große Sprachmodelle, Chatbots oder Bildgeneratoren zählen zur Kategorie der subsymbolischen KI. Durch Fortschritte in der Verarbeitung großer Datenmengen (Big-Data-Technologien), stetig steigende Rechenkapazitäten und eine freie Verfügbarkeit von Trainingsdaten konnten in den letzten Jahren enorme Fortschritte in der Leistungsfähigkeit subsymbolischer KI erzielt werden.

Typische Einsatzbereiche subsymbolischer KI

Dank der Fähigkeit, Muster und Trends zu erkennen, selbstständig aus Daten zu lernen, sich anzupassen und Vorhersagen zu treffen oder Inhalte zu generieren, eignet sich subsymbolische KI für viele Einsatzbereiche. Subsymbolische KI ist heute in vielen Anwendungen und Branchen zu finden. In Form von generativer KI erstellt sie Texte, Bilder, Videos oder Audiodateien. Chatbots und große Sprachmodelle (Large Language Models – LLMs) kommen beispielsweise im Kundendienst, im Marketing, in der Wissenschaft, in der Medizin und für die Suche im Internet zum Einsatz. Weitere Einsatzbeispiele subsymbolischer KI sind Bild- und Spracherkennungssysteme, autonomes Fahren, Predictive Maintenance (vorausschauende Wartung) und vieles mehr.

Abgrenzung zwischen subsymbolischer und symbolischen KI

Abhängig davon, wie das Wissen einer Künstlichen Intelligenz repräsentiert und erworben wird, lassen sich KI-Systeme in symbolische und subsymbolische Systeme unterteilen. Während die subsymbolische KI mit Modellen arbeitet, die die Arbeitsweise und das Lernverhalten des menschlichen Gehirns nachbilden, basiert die symbolische KI auf vordefinierten Regeln, Logik und abstrakten Symbolen. Subsymbolische KI wird auch als regelbasierte oder logikbasierte Künstliche Intelligenz bezeichnet und verfolgt einen Top-down-Ansatz. Die Grundidee hinter diesem Ansatz ist es, menschliches Denken und Wissen über eine logisch-symbolische Ebene zu repräsentieren.

Bei symbolischer KI werden Daten und Fakten gesammelt und diese mithilfe abstrakter Symbole wie Zahlen, Wörter und mathematischen Operatoren in ein logisches Modell überführt. Die Regeln der symbolischen KI sind transparent und Lösungswege nachvollziehbar. Allerdings benötigt die symbolische KI von Menschen erstellte oder programmierte logische Regeln, da sie nicht wie subsymbolische KI Wissen selbst aus Daten ableiten und generieren kann. Symbolische KI wird für spezifische Aufgaben entworfen, ist nur bedingt anpassbar und bietet nur sehr eingeschränkte, auf einen bestimmten Bereich bezogene Möglichkeiten, echte menschliche Intelligenz zu imitieren.

Der Einsatzbereich bleibt auf Aufgaben- und Problemstellungen beschränkt, die klar strukturiert sind und sich mithilfe logischer Zusammenhänge lösen lassen. Typische Einsatzbereiche symbolischer KI sind Experten- und Lernsysteme, Spracherkennung, Textverarbeitung und logikbasierte Spiele.

Beide Ansätze der Künstlichen Intelligenz, die symbolische und subsymbolische KI, haben ihre spezifischen Stärken und Schwächen. Lange Zeit wurden die beiden Ansätzen konkurrierend betrachtet. Doch symbolische und subsymbolische KI schließen sich gegenseitig nicht aus. Heute gibt es mehr und mehr Bestrebungen, beide Ansätze zu einer hybriden KI zu kombinieren, um noch bessere und leistungsfähigere KI-Systeme zu erhalten.

Stärken und Schwächen subsymbolischer Künstlicher Intelligenz

Eine Stärke der subsymbolischen KI ist es, große Datenmengen zu verarbeiten und selbstständig aus diesen Daten zu lernen. Die subsymbolische KI kann sich flexibel an verschiedene Situationen anzupassen und ist sehr gut darin, Muster und Trends zu erkennen und Vorhersagen zu treffen. Die subsymbolische Methodik hat aber auch ihre Grenzen und Schwächen. Subsymbolische KI verhält sich für den Menschen wie eine Blackbox. Ihre Lösungswege sind intransparent. Es ist nur schwer nachzuvollziehen, wie Entscheidungen oder Ergebnisse zustande gekommen sind. Das Training der Modelle ist mit großem Zeit- und Rechenaufwand verbunden und benötigt große Mengen an Trainingsdaten. Auch in der Anwendungsphase (Inferenz) der KI besteht hoher Bedarf an Rechen- und Speicherleistung. Im Trainingsmaterial enthaltene Verzerrungen oder Voreingenommenheit (Bias) werden von subsymbolischer KI übernommen und beeinflussen ihre Ergebnisse.

(ID:49879675)