KI-Überblick 7: Symbolische KI und hybride Ansätze – altes Wissen neu entdeckt

Die bisherigen Folgen dieser Serie haben sich auf datengetriebene Verfahren konzentriert: Machine Learning, Deep Learning, Transformer und Large Language Models. Sie alle basieren darauf, Muster in großen Mengen von Beispielen zu erkennen und daraus Entscheidungen oder Texte abzuleiten.

Bevor diese Verfahren dominant wurden, galt jedoch ein anderer Ansatz als Königsweg der Künstlichen Intelligenz, vor allem die symbolische KI. Sie beruhte nicht auf statistischem Lernen, sondern auf explizit formuliertem Wissen, Regeln und Logik. Lange Zeit schien sie von neuronalen Netzen verdrängt zu werden. Heute erlebt sie in Kombination mit modernen Verfahren eine Renaissance, weil sie Stärken bietet, die rein datengetriebene Methoden nicht haben.

Grundlagen der symbolischen KI

Symbolische KI beschreibt Systeme, die Wissen explizit speichern und durch logische Regeln verarbeiten. Typische Bestandteile sind:

• Wissensbasen enthalten Fakten über eine Domäne, zum Beispiel „Alle Säugetiere sind Wirbeltiere“ oder „Max ist ein Hund“.
• Regelsysteme leiten aus bekannten Fakten neue Fakten ab, zum Beispiel „Wenn ein Tier ein Hund ist, dann ist es ein Säugetier“.
• Schlussfolgerungsmechanismen prüfen, ob Aussagen wahr oder falsch sind, oder finden Lösungspfade in komplexen Wissensgraphen.

Die bekanntesten Vertreter waren in den 1980er- und 1990er-Jahren Expertensysteme, die etwa in der Medizin Diagnosen oder in der Industrie Fehleranalysen unterstützten. Ihr Vorteil: Die Entscheidungen sind nachvollziehbar, weil jede Schlussfolgerung auf expliziten Regeln beruht.

Stärken und Schwächen der symbolischen KI

Die größte Stärke symbolischer Systeme liegt in ihrer Erklärbarkeit. Sie können ihre Entscheidungen auf konkrete Regeln und Fakten zurückführen. Zudem benötigen sie keine großen Datenmengen, um sinnvoll zu arbeiten – Wissen kann direkt von Expertinnen und Experten eingebracht werden.

Die Schwächen sind jedoch offensichtlich:

• Sie lernen nicht selbstständig aus Beispielen.
• Sie scheitern an unvollständigem, widersprüchlichem oder unscharfem Wissen.
• Sie skalieren schlecht, wenn die Domäne sehr groß oder komplex wird.

Mit dem Aufkommen von Machine Learning und Deep Learning wurden viele symbolische Ansätze daher zurückgedrängt.

Symbolische KI wird wieder interessant

Moderne KI-Systeme zeigen beeindruckende Fähigkeiten, stoßen aber an Grenzen:

• Fehlende Nachvollziehbarkeit: Neuronale Netze sind schwer zu erklären.
• Fehlendes Faktenwissen: LLMs erfinden plausible, aber falsche Aussagen.
• Regelanforderungen: In sicherheitskritischen oder rechtlich regulierten Bereichen müssen Entscheidungen begründbar sein.

Hier spielen symbolische Methoden daher auf einmal wieder eine Rolle. Sie können als eine Art Wissensanker dienen, um maschinell gelernte Modelle abzusichern oder zu steuern.

Hybride Ansätze: Das Beste aus beiden Welten

Statt symbolische und datengetriebene KI gegeneinander auszuspielen, setzen aktuelle Forschungs- und Praxisansätze daher zunehmend auf hybride Systeme. Dabei werden statistische Modelle und explizites Wissen kombiniert:

• Symbolic Reasoning über LLM-Ausgaben: Ein Large Language Model generiert Vorschläge, ein Regelsystem prüft deren Konsistenz.
• Wissensgraphen plus Embeddings: Strukturiertes Wissen wird mit semantischen Vektoren verbunden, um Suche und Schlussfolgerung zu verbessern.
• Constraint-basierte Systeme: Maschinelles Lernen erzeugt Kandidaten, symbolische Regeln filtern unzulässige Lösungen heraus.

Ein Beispiel ist die medizinische Diagnostik: Ein neuronales Netz erkennt Anomalien in Röntgenbildern, während ein regelbasiertes System sicherstellt, dass die Diagnose zu bekannten Krankheitsbildern passt und keine logischen Widersprüche erzeugt.

Ausblick

In der nächsten Folge dieser Serie entzaubere ich gängige Buzzwords und Marketingbegriffe. Ich zeige, was sich tatsächlich hinter Ausdrücken wie „LLM as Judge“, „Few-Shot Learning“ oder „Embeddings“ verbirgt – und wie Sie einschätzen können, ob dahinter Substanz steckt oder nur Schlagwortakrobatik.

(rme)