Expertensysteme und subsymbolische Systeme
Expertensysteme (oder Wissenssysteme) dienen dazu, wenig verbreitetes menschliches Wissen zu erfassen, abzubilden und zu vervielfältigen. Die typischen Expertensysteme waren „domänenspezifisch“, sprich auf einen bestimmten Bereich spezialisiert(49). Im Prinzip gibt es zwei Arten von Expertensystemen, solche mit symbolbasierten und mit subsymbolischen Lernverfahren. (Hierin unterscheiden sie sich von anderen Lernverfahren, bei denen Abläufe in Abfolgen von Einzelschritten zerlegt werden.)
Symbole sind dabei „einzelne, klar abgegrenzte Entitäten(50)“, etwa Wörter, die wie „Fenster“ für ein Substantiv oder „gehen“ für ein Verb stehen. Subsymbolische Systeme stehen für Strukturen, die sich unterhalb dessen bewegen, was ein Mensch als Symbol erkennen könnte. Das symbolische Lernverfahren beruht auf einer Wissensdatenbank, einer Summe von Fakten, Regeln und Beziehungen für einen bestimmten Bereich, und einer universell einsetzbaren Interferenzmaschine, die – hier setzt die Intelligenz ein – Symbole oder Subsymbole kombiniert und manipuliert(51).
Diese Expertensysteme arbeiten als „vollkommene Logiker“ wie bspw. das Expertensystem Cyc, das mit dem Ziel gebaut wurde, alle Fragen seiner Nutzer zu beantworten. Das auf der symbolbasierten gleichnamigen Programmiersprache erstellte System sollte nach dem Willen seines Erfinders Douglas Lenat alles lernen, was auch ein Kind lernt. 2016, nach mehr als 30 Jahren Entwicklungstätigkeit, gab Lenat bekannt, Cyc sei fertig. So verfüge es nun über 500 000 Begriffe, verbunden über 17 000 verschiedene Arten von Beziehungen, und über sieben Millionen Sätze, die diese Begriffe in streng logischer Form verbinden. Cyc ist imstande, Antworten darauf zu geben, wie es zu den Ergebnissen gelangt ist(52). Kritiker wenden ein, dass formale Logik nur ein kleiner Teil menschlichen Denkens ist und zwar der eher untypische Teil. Die Mr. Spocks sind alles andere als häufig und dementsprechend auch die vollkommenen Logiker.
Hier setzen subsymbolische Systeme ein, die „Künstliche Neuronale Netze“ (KNN) verwenden, auf die noch einzugehen ist. Analoges, paralleles, assoziatives „Denken“ steht hier im Vordergrund, nicht das serielle, logische. Subsymbolische Systeme beginnen bei der bereits genannten Mustererkennung, beim Abschätzen und Lernen.
In diesem Zusammenhang ist das bereits erwähnte KI-System Watson zu nennen, das beim Quiz Jeopardy! gewann. Hinter der Software DeepQA (tiefes Fragen und Antworten) verbergen sich zahlreiche, verschiedene, nebeneinander ablaufende Verfahren. Etwa ein Modul zur Sprachanalyse, das die Frage einer Kategorie zuordnet, Hypothesengeneratoren, die parallel nach möglichen Antworten suchen, ein Modul, das über unterschiedliche Algorithmen prüft, wie plausibel diese Antworten sind, bis nur noch wenige Antworten übrig bleiben. Watson ist so gesehen kein Programm, sondern eine Struktur. Es „beruht nicht auf einer komplett neuen Technologie. Seine Bedeutung für die KI besteht darin, die Kombination verschiedener Verfahren zu perfektionieren.(73)“
Welche Systeme man verwendet, die symbolischen, logischen oder die subsymbolischen, auf KNN beruhenden, hängt ganz von der Anwendung ab. Symbolische Lernverfahren eignen sich für sehr formalisierte Probleme, bspw. die Überprüfung mathematischer Hypothesen, eignen sich aber nicht, um etwa Fahrzeuge zu steuern. Subsymbolische Systeme gewinnen an Bedeutung, da ihre Einsatzbereiche sehr viel vielfältiger sind. Anders als symbolische Systeme können sie nicht angeben, warum sie zu einem bestimmten Ergebnis gelangen, können aber angeben, wie sicher sie sich sind. Das ist bei der Mustererkennung, zum Beispiel bei der Unterscheidung von zivilen und nicht-zivilen Fahrzeugen im militärischen Bereich, auch nicht nötig. Hier steht nicht die Frage im Raum, wie das System zu einem bestimmten Ergebnis gelangt ist, sondern die Frage, wie sicher sich das System ist. Jerry Kaplan spricht davon, dass es sich bei symbolischen Systemen um ein „nicht länger (…) aktuelles Forschungsgebiet“ handelt, „zumindest nicht in seiner ursprünglichen Form(54)“.
Lesen Sie auf der nächsten Seite:
Künstliche Neuronale Netze, Machine Learning, Deep Learning und „Natural Language Processing“ (NLP)
Quellen
49.) Insofern sind sie nicht mit den französischen Enzyklopädisten gleichzusetzen, die den Versuch unternahmen, das gesamte menschliche Wissen zu veröffentlichen.
50.) Vgl. M. Lenzen, S. 69
51.) Vgl. J. Kaplan, S. 38ff.
52.) Vgl. M. Lenzen, S. 71 ff.
53.) Vgl. M. Lenzen, S. 73
54.) Vgl. J. Kaplan, S. 38