Neuro-Symbolische KI: Fortschritte bei Aufgabenorientierten Modellen

Seit den ersten Theorien zur künstlichen Intelligenz fasziniert die Kombination von symbolischer Berechnung mit neuronalen Netzwerken die Forschungsgemeinschaft. Neuro‑Symbolische (NeSy) Ansätze versprechen, Verhaltensschemata zu erkennen oder zu nutzen – ein möglicher Indikator für menschenähnliche Intelligenz.

In der Praxis stoßen NeSy‑Methoden jedoch an Grenzen: die semantische Generalisierbarkeit ist begrenzt und die Anwendung in komplexen Domänen mit vordefinierten Mustern und Regeln gestaltet sich schwierig. Diese Hindernisse erschweren die Umsetzung in realen Szenarien.

Seit dem KI‑Durchbruch 2017 haben konnektionistische Systeme in Bereichen wie natürlicher Sprachverarbeitung und Computer Vision beeindruckende Ergebnisse erzielt. Dadurch stellt sich die Frage, wie wettbewerbsfähig NeSy‑Lösungen in diesen Feldern bleiben können.

Die vorliegende Übersicht untersucht aufgabenorientierte Fortschritte im NeSy‑Bereich und zeigt, wie symbolische Systeme die Erklärbarkeit und das logische Denken verbessern können. Die Ergebnisse sollen Forschern als Leitfaden dienen, die erklärbare NeSy‑Methoden für praxisnahe Anwendungen entwickeln wollen. Alle Reproduzierbarkeitsdetails und ausführliche Kommentare zu den einzelnen Studien sind unter GitHub verfügbar.