4 Symbolverarbeitende KI vs. Konnektionistische KI

Die Künstliche Intelligenz kann grundsätzlich in zwei methodische Ansätze unterteilt werden: die symbolverarbeitende KI und die konnektionistische KI. Beide verfolgen unterschiedliche Paradigmen zur Modellierung von Intelligenz und haben spezifische Stärken und Schwächen.

4.1 Symbolverarbeitende KI

Die symbolverarbeitende KI, auch klassische KI oder Good-Old-Fashioned AI (GOFAI) genannt, basiert auf der Annahme, dass Intelligenz durch die Manipulation symbolischer Repräsentationen erreicht werden kann. Dabei werden explizite Regeln und logische Ableitungen genutzt, um Probleme zu lösen.

4.1.1 Merkmale der symbolverarbeitenden KI:

• Wissensrepräsentation erfolgt durch Symbole und formale Logik.
• Regeln (z. B. „Wenn-Dann“-Strukturen) bestimmen das Verhalten des Systems.
• Schlussfolgerungen werden durch deduktive oder heuristische Methoden gezogen.
• Beispiele sind Expertensysteme, regelbasierte Systeme und semantische Netze.

4.1.2 Vorteile:

• Erklärbarkeit: Entscheidungen sind nachvollziehbar, da die Regeln explizit definiert sind.
• Deduktives Schließen: Formale Logik erlaubt mathematisch korrekte Schlussfolgerungen.
• Präzise Steuerung: Das Verhalten des Systems kann gezielt durch Regeln angepasst werden.

4.1.3 Nachteile:

• Starre Regeln: Systeme sind wenig flexibel und reagieren schlecht auf unbekannte Eingaben.
• Wissensakquisition: Das manuelle Erstellen von Regeln ist aufwendig.
• Skalierbarkeit: Die Methode stößt bei komplexen Problemen mit vielen Variablen an Grenzen.

4.2 Konnektionistische KI

Die konnektionistische KI, die oft mit neuronalen Netzen gleichgesetzt wird, basiert auf biologisch inspirierten Modellen. Hierbei stehen mathematische Strukturen im Vordergrund, die durch Gewichtsveränderungen lernen und Muster erkennen.

4.2.1 Merkmale der konnektionistischen KI:

• Kein explizites Wissen, sondern verteilte Repräsentationen in Form von Gewichten.
• Lernen erfolgt durch Trainingsdaten und Anpassung der Verbindungen zwischen künstlichen Neuronen.
• Modelle sind oft probabilistisch und nutzen Methoden wie Backpropagation und Gradientenabstieg.

4.2.2 Vorteile:

• Lernfähigkeit: Systeme können sich an neue Situationen anpassen.
• Mustererkennung: Besonders leistungsfähig bei Sprach- und Bilderkennung.
• Verarbeitung großer Datenmengen: Skalierbar für komplexe Aufgaben.

4.2.3 Nachteile:

• Fehlende Erklärbarkeit: Entscheidungen sind oft schwer nachvollziehbar („Black-Box“-Problem).
• Hoher Rechenaufwand: Training erfordert große Datenmengen und spezialisierte Hardware.
• Überanpassung: Modelle können auf Trainingsdaten überfitten und schlecht auf neue Eingaben reagieren.

4.3 Vergleich und Anwendungen

Moderne KI-Ansätze kombinieren oft beide Methoden, um von den jeweiligen Stärken zu profitieren. So nutzen hybride Systeme symbolische Logik zur Erklärung von Entscheidungen und neuronale Netze zur Erkennung komplexer Muster.