Künstliche Intelligenz
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.
Golo Roden ist Gründer und CTO von the native web GmbH. Er beschäftigt sich mit der Konzeption und Entwicklung von Web- und Cloud-Anwendungen sowie -APIs, mit einem Schwerpunkt auf Event-getriebenen und Service-basierten verteilten Architekturen. Sein Leitsatz lautet, dass Softwareentwicklung kein Selbstzweck ist, sondern immer einer zugrundeliegenden Fachlichkeit folgen muss.
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.
(Bild: Golden Sikorka/Shutterstock)
Die Online-Konferenz LLMs im Unternehmen am 29. Oktober zeigt, wie man das passende Modell auswählt, die Infrastruktur aufbaut und die Sicherheit im Griff behält. Außerdem gibt der Thementag von iX und dpunkt.verlag einen Ausblick auf Liquid Foundation Models als nächste Generation von LLMs.
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)
Künstliche Intelligenz
Kurz erklärt: Confidential Computing und wie es funktioniert
Die Sicherheitsarchitekturen heutiger IT-Systeme basieren auf einem fundamentalen Vertrauensmodell: Verschlüsselt sind Daten immer dann, wenn sie gespeichert oder übertragen werden – „Data at Rest“ und „Data in Transit“. Während der Verarbeitung liegen sie aber unverschlüsselt im Arbeitsspeicher vor, wo sie ausgelesen werden können – Angreifer bewerkstelligen das zum Beispiel über Seitenkanalattacken.
Confidential Computing schließt diese Lücke mit einer hardwarebasierten Ausführungsumgebung (Trusted Execution Environment, TEE). Sie soll die Daten auch während der Ausführung (Data in Use) vor unbefugtem Zugriff schützen. Das ist insbesondere dann relevant, wenn Cloud-Computing im Spiel ist und es dadurch notwendig wird, dem Cloud-Anbieter zu vertrauen, dass keine sensiblen Daten abfließen.
- Ein Confidential-Computing-fähiger Prozessor kann geschützte Ausführungsumgebungen – Enklaven – erstellen, um den Zugriff auf Daten während ihrer Verarbeitung zu unterbinden.
- Enklaven können weder durch Software- noch durch Hardware-Debugger analysiert werden. Nur der in der Enklave vorhandene Code kann mit den Daten darin interagieren. Zur Verschlüsselung dienen Schlüssel, die direkt in die CPU-Hardware geschrieben sind.
- Enklaven verfügen über Einschränkungen, sowohl in der Funktion als auch in der Performance. Einschlägige SDKs und Frameworks wie SCONE dienen dazu, Software für die entsprechenden Anforderungen aufzubereiten.
Dafür braucht es bestimmte CPUs mit Confidential-Computing-Fähigkeiten. 2015 implementierte Intel die Funktion unter dem Namen SGX (Software Guard Extension) als erster Hersteller in seinen x86-Skylake-Prozessoren. Mittlerweile haben auch andere Hersteller vergleichbare Ansätze – ARM mit TrustZone und AMD mit Secure Processor.
Das war die Leseprobe unseres heise-Plus-Artikels „Kurz erklärt: Confidential Computing und wie es funktioniert“.
Mit einem heise-Plus-Abo können Sie den ganzen Artikel lesen.
Künstliche Intelligenz
TSMC widerspricht Intel-Gerüchten | heise online
Der weltweit größte Chipauftragsfertiger TSMC plant weiterhin keine Partnerschaft mit Intel. Das machte TSMC ein weiteres Mal gegenüber taiwanischen Medien wie Taipei Times klar. Zuvor hatte das Wall Street Journal berichtet, dass Intel wegen möglicher Investitionen auf TSMC zugegangen sei.
TSMC hat laut eigenen Aussagen niemals Gespräche mit einem anderen Unternehmen über Investitionen oder die Gründung einer gemeinsamen Tochterfirma (Joint Venture) geführt – abseits der bestehenden Joint Ventures in Japan (JASM) und Deutschland (ESMC). Auch soll es keine Gespräche über die Vergabe von Lizenzen oder den Transfer von Technologien gegeben haben.
Dementis häufen sich
Gerüchte und Spekulationen über einen TSMC-Einstieg bei Intel halten sich hartnäckig. Zum Jahresanfang erschienen Berichte, wonach sich die US-Regierung verschiedene Kooperationsmodelle gewünscht hätte. Die Spekulationen gingen so weit, dass TSMC den Betrieb von Intels Halbleiterwerken zur Chipproduktion hätte übernehmen können. Im April folgten Gerüchte über ein Joint Venture. TSMC widersprach stets.
Ausgangslage ist Intels wirtschaftlich schlechte Lage. Insbesondere die Halbleiterwerke machen momentan jedes Quartal Verlust in Milliardenhöhe. Aktuell sucht Intel nach Großinvestoren, um sich mehr Zeit zur Rückkehr in die grünen Zahlen zu verschaffen. Erst sollte die Fertigungsgeneration 18A neue Chipkunden anlocken, inzwischen vertröstet Intel auf den Nachfolger 14A fürs Jahr 2027.
Die US-Regierung ist mit einem Anteil von 9,9 Prozent bei Intel eingestiegen. Dafür hat sie zusätzlich zu vorherigen Subventionen 5,7 Milliarden US-Dollar gezahlt. Der japanische Investor Softbank steigt mit zwei Milliarden Dollar ein. Zudem kommt eine Milliarde durch den Teilverkauf der Automotive-Sparte Mobileye rein, weitere 4,5 Milliarden folgen durch den anstehenden Teilverkauf des FPGA-Designers Altera.
Intels Aktie profitiert derweil deutlich von Investitionsgerüchten. Insbesondere Meldungen über einen Apple-Stieg ließen das Wertpapier kürzlich hochschießen. Seit TSMCs Stellungnahme sank der Wert moderat um etwa zwei Prozent.
(mma)
Künstliche Intelligenz
Konsortium kauft Electronic Arts für 55 Milliarden US-Dollar
Der kriselnde US-Spielepublisher Electronic Arts wird gekauft und von der Börse genommen. Das teilte EA am Montagnachmittag gemeinsam mit dem Käuferkonsortium mit. Die Kosten liegen demnach bei 55 Milliarden US-Dollar.
Bei den Käufern handelt es sich um den saudi-arabischen Staatsfonds (Public Investment Fund, PIF) sowie Silver Lake und die Investmentfirma, Affinity Partners, die von Donald Trumps Schwiegersohn Jared Kushner gegründet wurde. Die Transaktion soll zu Beginn des Fiskaljahrs 2027 abgeschlossen werden, erklärten die Firmen. Die Summe von 55 Milliarden US-Dollar teilt sich auf in ein Eigenkapital-Investment von 36 Milliarden US-Dollar und einen Schuldenanteil von 20 Milliarden US-Dollar.
Im Rahmen der fremdfinanzierten Übernahme wird Electronic Arts privatisiert. Der US-Publisher hinter der Fußballreihe „EA FC“ (früher „FIFA“) soll weiterhin in Redwood City ansässig bleiben. Auch CEO Andrew Wilson bleibt im Amt, teilten die Firmen mit. Ob diese Jobgarantie auch für die Angestellten gilt, blieb zunächst offen. Erst vor wenigen Monaten hat EA ein „Black Panther“-Spiel eingestampft und Angestellte entlassen. Zuvor hatte EA bereits Angestellte von Codemasters gefeuert und Mitarbeiter von traditionsreichen Studios wie Bioware abgezogen, um an den finanziell erfolgreichen Sportsimulationen im eigenen Portfolio zu arbeiten.
Zweitgrößter Deal der Spielebranche
Der Deal könnte hinter dem Kauf von Activision Blizzard durch Microsoft für 69 Milliarden US-Dollar zur zweitgrößten Übernahme in der Geschichte der Spielebranche werden. Er unterliegt aber noch der Freigabe von Aufsichtsbehörden und EA-Aktionären. Die dürften zufrieden sein: Nachdem bereits am Sonntag mehrere US-Wirtschaftszeitungen über den bevorstehenden Deal berichtet hatten, stieg der EA-Aktienkurs um über 15 Prozent.
Der saudi-arabische Investmentfonds PIF gehört mit einem Anteil von rund zehn Prozent bereits zu den größten Anteilseignern von Electronic Arts. Die 1982 gegründete US-Firma zählt zu den zehn umsatzstärksten Spielefirmen der Welt. Erfolgsgaranten sind vor allem Sportspiele wie „EA FC“ und „Madden“, die sich maßgeblich über den Verkauf von Lootboxen finanzieren. Zum Portfolio von EA gehören aber auch Spielereihen wie „Mass Effect“, „Battlefield“, „F1“ und „Die Sims“.
(dahe)
-
UX/UI & Webdesignvor 1 Monat
Der ultimative Guide für eine unvergessliche Customer Experience
-
UX/UI & Webdesignvor 1 Monat
Adobe Firefly Boards › PAGE online
-
Social Mediavor 1 Monat
Relatable, relevant, viral? Wer heute auf Social Media zum Vorbild wird – und warum das für Marken (k)eine gute Nachricht ist
-
Entwicklung & Codevor 1 Monat
Posit stellt Positron vor: Neue IDE für Data Science mit Python und R
-
Entwicklung & Codevor 4 Wochen
EventSourcingDB 1.1 bietet flexiblere Konsistenzsteuerung und signierte Events
-
UX/UI & Webdesignvor 2 Wochen
Fake It Untlil You Make It? Trifft diese Kampagne den Nerv der Zeit? › PAGE online
-
Digital Business & Startupsvor 3 Monaten
10.000 Euro Tickets? Kann man machen – aber nur mit diesem Trick
-
Apps & Mobile Entwicklungvor 2 Monaten
Firefox-Update 141.0: KI-gestützte Tab‑Gruppen und Einheitenumrechner kommen