Definition Was ist symbolische KI?

Anbieter zum Thema

Fsas Technologies GmbH

Bei symbolischer KI handelt es sich um regelbasierte Künstliche Intelligenz. Sie verfolgt einen Top-down-Ansatz und repräsentiert Wissen durch Logik und abstrakte Symbole. Aufgabenstellungen löst sie, indem sie logische Regeln anwendet. Gegenüber der subsymbolischen KI, die auf dem Bottom-up-Ansatz basiert und ihr Wissen per Training mit großen Datenmengen selbstständig gewinnt, ist symbolische KI weniger flexibel und nur für eingegrenzte Aufgabenstellungen einsetzbar.

Symbolische KI wird auch als regelbasierte oder logikbasierte Künstliche Intelligenz bezeichnet. Die symbolische KI verfolgt einen klassischen Top-down-Ansatz. Sie verwendet logische Regeln und abstrakte Symbole wie Zahlen, Wörter und mathematische Operatoren, um Wissen zu repräsentieren. Die Grundidee dahinter ist, dass menschliches Denken über eine logisch-symbolische Ebene rekonstruiert werden kann. Fakten und Zusammenhänge werden gesammelt und in ein abstrahiertes, logisches Modell überführt. Daraus lassen sich Schlussfolgerungen ableiten und komplexere Problemstellungen lösen. Das Verhalten der Künstlichen Intelligenz ist berechenbar und basiert auf transparenten Lösungswegen.

Erste Formen symbolischer KI gibt es bereits seit den 1950er-Jahren. Diese Art der Künstlichen Intelligenz kann im Gegensatz zu der subsymbolischen KI ihr Wissen nicht selbst aus Daten ableiten. Sie benötigt von Menschen erstellte beziehungsweise programmierte logische Regeln, um Aufgabenstellungen und Probleme zu lösen oder Entscheidungen zu treffen. Symbolische KI wird für eine spezifische Aufgabe entworfen. Ihre Methodik ist nur sehr begrenzt zu „echter menschlicher“ Intelligenz fähig. Der Einsatzbereich symbolischer KI ist auf Aufgabenstellungen beschränkt, die sich mithilfe logischer Zusammenhänge darstellen und lösen lassen. Aktuelle KI-Systeme wie große Sprachmodelle oder Chatbots und Bildgeneratoren verfolgen einen anderen Ansatz. Sie basieren auf künstlichen neuronalen Netzwerken, die mit großen Datenmengen trainiert werden. Einen Großteil ihres Wissens und ihrer Fähigkeiten erwerben sie in diesem Training.

Typische Einsatzbereiche symbolischer Künstlicher Intelligenz

Symbolische KI eignet sich für Einsatzbereiche, die auf Logik basieren. Typische Anwendungen sind Experten- und Lernsysteme, Spracherkennung, Textverarbeitung oder logik- und regelbasierte Spiele.

Expertensysteme mit symbolischer KI übernehmen in einem definiertem Wissensgebiet die Rolle eines menschlichen Experten. Sie stellen auf Logik und systematischen Problemlösungstechniken basierendes Expertenwissen bereit. Beispiele sind medizinische Expertensysteme, die Ärzte bei ihren Diagnosen unterstützen, indem sie Symptome und Krankheitsgeschichten der Patienten regelbasiert verarbeiten und daraus ihre Schlussfolgerungen ableiten.

In der Textverarbeitung und Spracherkennung nutzt symbolische KI Grammatikregeln und von Wörtern oder Sätzen abgeleitete Symbole, um Texte zu analysieren, ihre Bedeutung zu erfassen, sie zu manipulieren oder zu generieren. Ein Beispiel für eine sehr frühe symbolische KI aus dem Bereich der Spracherkennung und Textverarbeitung ist der von Joseph Weizenbaum in den 1960er-Jahren entwickelte Chatbot ELIZA. ELIZA arbeitet skriptbasiert und imitiert mithilfe von Wörterbüchern, identifizierten Schlüsselwörtern, vordefinierten Phrasen und Transformations- und Konstruktionsregeln die Kommunikation eines menschlichen Gesprächspartners, zum Beispiel eines Psychotherapeuten.

Im Spielebereich lässt sich symbolische KI für Spiele verwenden, die nach festen logischen Regeln funktionieren. Typische Beispiele dafür sind das Schachspiel und der von IBM entwickelte Schachcomputer Deep Blue. Er schlug 1996 mit symbolischer KI und enormer Rechenleistung als erster Computer den damaligen Schachweltmeister Garri Kasparow. Weitere Einsatzbereiche und Beispiele für symbolische KI sind die Optimierung industrieller Prozesse, Qualitätskontrollen und Fehlerdiagnosen.

Abgrenzung zwischen symbolischer und subsymbolischer KI

Künstliche Intelligenz lässt sich hinsichtlich der angewandten Methodik in symbolische und subsymbolische KI (konnektionistische KI) unterteilen. Während die symbolische KI nach dem Top-down-Ansatz arbeitet, verfolgt die subsymbolische KI einen Bottom-up-Ansatz. Subsymbolische KI generiert ihre Fähigkeiten und ihr Wissen größtenteils eigenständig. Sie nutzt statistische Modelle, lernt durch in Daten erkannte Muster und ist in der Lage, sich flexibel anzupassen. Subsymbolische KI benötigt für die Problemlösung, Entscheidungsfindung oder für Vorhersagen keine von Menschen programmierten Regeln. Hinsichtlich der erlernten und angewandten Lösungswege ist sie aber nur wenig transparent und verhält sich wie eine Black Box. Besonders gut eignet sich subsymbolische KI zum Lösen komplexer Problemstellungen und Erkennen von Zusammenhängen in großen Mengen von unstrukturierten Daten wie Bilder oder natürliche Sprache. Die Informationsverarbeitung ist der eines biologischen Gehirns nachempfunden. Subsymbolische KI nutzt künstliche neuronale Netzwerke, maschinelles Lernen und Deep Learning.

Beide KI-Ansätze, die symbolische und die subsymbolische KI, haben ihre spezifischen Stärken und Schwächen. Es gibt Bestrebungen, die Ansätze zu kombinieren, um die Fähigkeiten und die Leistungsfähigkeit Künstlicher Intelligenz weiter zu steigern.

Die Stärken und Schwächen symbolischer KI

Symbolische KI eignet sich sehr gut für logikbasierte Aufgabenstellungen und abgegrenzte Themenbereiche. Ihre Arbeitsweise ist transparent, Lösungswege sind nachvollziehbar und die Ergebnisse gut interpretierbar. Allerdings hat sie auch Grenzen und Nachteile gegenüber subsymbolischer KI. Zu den Schwächen der symbolischen KI zählen:

• aufwendiges, zeitraubendes und fehleranfälliges Abstrahieren der Wissensbasis in einem logischem Modell

• Schwierigkeiten im Umgang mit unscharfen, unstrukturierten, mehrdeutigen, kontextabhängigen oder unvollständigen Informationen

• Schwierigkeiten im Umgang mit großen Datenmengen und kein selbstständiges Ableiten oder Darstellen von Wissen aus Daten

• unflexibel und nur beschränkt anpassungsfähig

• auf spezifische Domänen beschränkt

(ID:49879603)