Traditionelle (symbolische) KI verständlich erklärt

Bevor Chatbots, neuronale Netze und selbstlernende Systeme aufkamen, gab es eine andere Art von KI, die das Geschehen bestimmte. Sie heißt traditionelle KI und wird auch liebevoll symbolische KI oder GOFAI (Good Old-Fashioned AI) genannt. Stellen Sie sich darunter das „Regelbuch-Gehirn“ der künstlichen Intelligenz vor – klar, logisch und in seiner Denkweise sehr menschlich.

In den 1980er-Jahren half ein Programm namens MYCIN Ärzten bei der Diagnose bakterieller Infektionen. Es stellte eine Reihe von Fragen und folgte einem Baum logischer Regeln, die Experten verfasst hatten, um Behandlungsempfehlungen zu geben. Kein maschinelles Lernen, keine neuronalen Netze. Nur reine, regelbasierte Intelligenz. Und wissen Sie was? In einigen Tests schnitt das Programm genauso gut ab wie echte Ärzte!

Ein weiteres frühes KI-Programm, ELIZA, ahmte eine Psychotherapeutin nach, indem es vorgegebenen Mustern folgte. Nach heutigen Maßstäben war es nicht „intelligent“, doch Menschen bauten eine emotionale Bindung zu ihm auf. Das zeigte: Selbst einfache, logikbasierte Maschinen können ... menschlich wirken.

Was ist symbolische KI?

Lernen wir traditionelle KI kennen

Symbolische KI basiert auf Logik, Symbolen und expliziten Regeln – auf einer Denkweise, wie man sie aus klassischen Detektivgeschichten kennt, in denen Schlussfolgerungen, Deduktion und Fakten den Fall lösen. Sie versucht nachzubilden, wie wir logisch denken und Probleme mithilfe von Wissen und Strukturen lösen.

Stellen Sie sich vor, Sie bringen einem Computer etwas bei wie einem Kind – mit Lernkarten und Wenn-dann-Regeln:

Wenn die Ampel rot ist, dann anhalten ODER wenn es regnet, dann einen Regenschirm mitnehmen.

Anwendungsbereiche symbolischer KI

• Logikbasierte Regeln: Denken Sie an Wenn-dann-Aussagen.

• Wissensdatenbanken: Strukturierte Faktensammlungen, vergleichbar mit Enzyklopädien für Maschinen.

• Ontologien und Inferenzmaschinen: Sie verknüpfen Informationen und leiten neue Erkenntnisse ab.

Das ist, als würden Sie einem Computer ein Handbuch geben – und er würde die Anweisungen genau befolgen.

Warum sprechen wir noch über symbolische KI?

Auch wenn maschinelles Lernen und Deep Learning im Rampenlicht stehen, ist symbolische KI nach wie vor sehr wichtig:

• Regulierte Systeme und Expertenlogik: In vielen Branchen wie Recht, Finanzwesen und Medizin ist erklärbare KI nach wie vor unverzichtbar. Entscheidungen müssen sich auf klare Regeln zurückführen lassen und dürfen nicht in mathematischen Gewichtungen einer Blackbox verborgen bleiben.

• Sicherheit und Durchsetzung von Richtlinien: In der Cybersicherheit und Compliance wird symbolisches Schlussfolgern genutzt, um Richtlinien durchzusetzen, Regelverstöße zu erkennen und logikbasierte Entscheidungen zu treffen.

• Hybride KI: Die leistungsfähigsten Systeme von heute verbinden oft beide Ansätze: maschinelles Lernen zur Mustererkennung und symbolische KI zum Schlussfolgern.

Kernkomponenten symbolischer KI

Bevor KI denken konnte, musste sie wissen. Symbolische KI nutzte Strukturen wie:

1. Wissensrepräsentation: Sie gibt uns einen Einblick darin, was die Maschine „weiß“.

2. Inferenzmaschinen: Diese Systeme ermöglichen es der KI, wie ein kleiner digitaler Sherlock Holmes zu schlussfolgern, abzuleiten und Erkenntnisse zu gewinnen.

3. Planungssysteme: Wenn Sie einer Maschine ein Ziel vorgeben, etwa ein Rätsel zu lösen oder Kaffee zuzubereiten, braucht sie einen Plan. Hier kommen Planungssysteme ins Spiel, zum Beispiel: 

• STRIPS (Stanford Research Institute Problem Solver): Ein legendärer Planer, der große Ziele in kleinere, erreichbare Schritte zerlegte. 

• ODER-Zielbäume: Ähnlich wie Entscheidungsbäume, aber umgekehrt. Sie beginnen mit einem Ziel und fragen: „Was muss ich tun, um es zu erreichen?“

Stärken traditioneller KI

• Transparenz und Interpretierbarkeit: Bei symbolischer KI können Sie jede Entscheidung, jede Regel und jede Begründung nachvollziehen. Das ist, als würden Sie einen klaren „Gedankengang“ auf Papier lesen.

• Deterministisch und vorhersagbar: Bei gleicher Eingabe verhält sich symbolische KI jedes Mal genau gleich. Es gibt keine Überraschungen, keinen Zufall und keine Geheimnisse.

• Stark in regelbasierten Bereichen: Traditionelle KI glänzt in Bereichen mit klaren Regeln und strukturiertem Wissen. Im Rechtswesen hilft KI beispielsweise dabei, juristische Dokumente mithilfe regelbasierter Logik zu analysieren und Widersprüche zu erkennen.

• Einfach zu debuggen und zu überprüfen: Wenn in einem symbolischen KI-System etwas schiefläuft, brauchen Sie keinen Datenwissenschaftler mit einem höheren Abschluss in neuronalen Netzen – sondern jemanden, der Logik versteht. Symbolische KI ist wie Lego. Wenn etwas kaputtgeht, sehen Sie, wo das Problem liegt, und können das Teil wieder einsetzen.

In Umgebungen mit hohen Risiken und strengen Regeln ist sie nach wie vor die erste Wahl – nicht, weil sie lernt, sondern weil sie weiß, was sie tut. Manchmal ist die beste KI nicht die, die rät, sondern die, die ihre Entscheidungen erklärt.

Grenzen traditioneller KI

Traditionelle (symbolische) KI eignet sich hervorragend für ihren vorgesehenen Einsatz: klar definierte, regelbasierte Systeme, in denen Logik und Nachvollziehbarkeit zählen. Doch wenn die Welt unberechenbar wird, stößt symbolische KI an ihre Grenzen. Mit Mehrdeutigkeit tut sie sich schwer: Vage Begriffe wie „bald“ oder „in der Nähe“ verwirren sie. Wenn nicht jeder Sonderfall sorgfältig definiert ist, kann sie weder aus Mustern lernen noch unübersichtliche, unstrukturierte Daten so verstehen wie ein modernes Modell für maschinelles Lernen. Außerdem ist sie anfällig: Schon kleine Änderungen an der Eingabe können sie aus dem Tritt bringen, und bei jeder Aktualisierung müssen Fachexperten komplexe Regelsätze überarbeiten. Doch gerade diese Starrheit ist in Bereichen wie der Code-Sicherheit eine Stärke.

In diesem Bereich sind insbesondere bei der Nachverfolgung von Aufrufpfaden und der Erkennung von Schwachstellen Konsistenz, Erklärbarkeit und null Toleranz für Halluzinationen nicht einfach nur wünschenswert – sie sind entscheidend. Deshalb bleibt symbolische KI ein starker Verbündeter in Tools wie Snyk: Sie rät nicht, sondern zieht Schlussfolgerungen. Und wenn eine falsche Antwort Entwicklerzeit kostet oder eine Schwachstelle unentdeckt lässt, gewinnt jedes Mal die Vernunft.

Snyks Sicht auf symbolische KI 

Wenn symbolische KI, maschinelles Lernen (ML) und Large Language Models (LLMs) gemeinsam auf einen einzigen Developer-Security-Workflow ausgerichtet werden, sind Ergebnisse möglich, die kein einzelnes Modell allein erreichen kann.

In diesem Beispiel nutzen wir symbolische KI, um Probleme auf Grundlage eines abstrahierten Verständnisses des Datenflusses zu finden. Dadurch werden die Ergebnisse präziser, denn geprüft werden Datenflüsse, Quellen, Bereinigungsfunktionen und Senken statt bloßer Zeichenfolgenübereinstimmungen. Mit ML erzeugen wir neue Regeln, die wir bei der Suche einsetzen können, und verbessern so mit der Zeit Genauigkeit und Abdeckung. Wird eine Schwachstelle gefunden, generieren wir mithilfe eines LLM eine Korrektur. Bevor sie dem Nutzer angezeigt wird, prüfen wir jedoch eine „Version“ des korrigierten Codes, um sicherzustellen, dass die Korrektur funktioniert und keine neuen Probleme verursacht. 

Wenn Sie nur eine dieser Methoden einsetzen – also nur die LLM-Korrektur oder nur ML –, können Sie keine Echtzeitlösung bieten, die einen schnellen und zugleich vollständigen Scan in der IDE, erkannte Probleme und passende Korrekturvorschläge in einem einzigen Ablauf vereint. Andernfalls müsste der Entwickler die Schritte wiederholen, was die Produktivität zunichtemacht, die durch den Einsatz von KI eigentlich gesteigert werden sollte. Oder es würde womöglich eine „Korrektur“ angewendet, die selbst unsicher ist.

Der integrierte Ansatz liefert die besten Ergebnisse, weil jeweils das passende Werkzeug zum richtigen Zeitpunkt eingesetzt wird. Wir verfolgen jeden Zustand der Variablen und was mit ihr geschieht, etwa ob nach einem Lesezugriff geschrieben oder eine Mutex-Sperre zweimal gesetzt wird. Diese Regeln wurden anschließend bewertet und überprüft.

Symbolische KI war, als würde man einer Maschine mithilfe von Lehrbüchern, Flussdiagrammen und Regelwerken etwas beibringen und ihr so Struktur, Ordnung und Logik vermitteln. Zwar konnte sie nicht wie moderne KI aus Daten lernen, doch sie konnte ihre Denkweise erklären – und genau das fällt den Blackbox-Modellen von heute noch schwer.

Letztlich: „Wenn Deep Learning der Instinkt ist, ist symbolische KI die Weisheit.“