Symbolische KI vs. Machine Learning in der Verarbeitung Natürlicher Sprache

Seit seiner Gründung als akademische Disziplin im Jahr 1955 ist das Forschungsfeld Künstliche Intelligenz (KI) in verschiedene Bereiche unterteilt, wie z.B. die symbolische KI und Machine Learning. Während symbolische KI in den ersten Jahrzehnten dominierte, war Machine Learning in letzter Zeit sehr trendy, also möchten wir versuchen, jeden dieser Ansätze und ihre Hauptunterschiede, wenn diese auf Natural Language Processing (NLP) angewendet werden, zu verstehen.

Was ist Machine Learning?

Laut Wikipedia ist Machine Learning eine Anwendung künstlicher Intelligenz, bei der “Algorithmen und statistische Modelle von Computersystemen verwendet werden, um eine bestimmte Aufgabe auszuführen, ohne explizite Anweisungen zu verwenden, anstatt sich auf Muster und Rückschlüsse zu verlassen. (…) Maschinelle Lernalgorithmen erstellen ein mathematisches Modell, das auf Beispieldaten basiert, die als “Trainingsdaten” bezeichnet werden, um Vorhersagen oder Entscheidungen zu treffen, ohne explizit für die Ausführung der Aufgabe programmiert zu werden.”

In einfacheren Worten verwendet Machine Learning-Technologie einen Algorithmus, um dem Computer beizubringen, wie man Probleme löst und Erkenntnisse aus der Lösung dieser Probleme gewinnt. So lernt der Computer automatisch, ohne menschliches Eingreifen oder Hilfe: durch Beobachtung und Suche nach Mustern in Daten und mithilfe von Feedbackschleifen, um seine Vorhersagen zu überwachen und zu verbessern. Während der Mensch mit Massen von Daten überfordert wäre, gedeiht Machine Learning und ist in der Lage, sein Verständnis weiterzuentwickeln, um in Zukunft bessere Entscheidungen zu treffen, basierend auf den Beispielen, die ihm zur Verfügung gestellt wurden.

Machine Learning auf NLP angewendet

Machine Learning kann auf viele Disziplinen angewendet werden, und eine davon ist Natural Language Processing, die in KI-betriebenen Konversationschatbots verwendet wird.

So funktioniert Machine Learning in diesem speziellen Fall: Die Person, die den Bot überwacht, in der Regel Botmaster genannt, füttert den Motor mit so vielen relevanten Daten wie möglich. Der Bot wird dann Von seinen Benutzern gefragt und er entscheidet automatisch, welche Antwort er für jede Absicht, nach der er gefragt wird, zeigen soll. Der Botmaster muss dann diese Antworten überprüfen und dem Motor manuell mitteilen, welche Antworten richtig waren und welche nicht. So lernt die Maschine, wie man die richtige Antwort auf eine Absicht liefert.

Wie Sie sich leicht vorstellen können, ist dies ein sehr schwerer und zeitaufwändiger Job, da es viele Möglichkeiten gibt, dieselbe Frage zu stellen oder zu formulieren. Und wenn Sie berücksichtigen, dass eine Wissensdatenbank in der Regel durchschnittlich 300 Intents enthält, ist leicht ersichtlich, dass die Pflege einer Wissensdatenbank bei der Verwendung von maschinellem Lernen ein stetiger Prozess ist.

Verstehen Sie uns nicht falsch, Machine Learning ist ein erstaunliches Werkzeug, das es uns ermöglicht, große Potenziale und KI-Disziplinen wie Bilderkennung oder Spracherkennung zu erschließen, aber wenn es um NLP geht, sind wir fest davon überzeugt, dass Machine Learning nicht die beste Technologie ist, die verwendet werden kann.

Was ist symbolische KI?

Symbolic Artificial Intelligence, auch bekannt als Good Old-Fashioned AI (GOFAI), verwendet menschenlesbare Symbole, die reale Entitäten oder Konzepte darstellen, sowie Logik (die mathematisch nachweisbaren logischen Methoden), um “Regeln” für die konkrete Manipulation dieser Symbole zu schaffen, was zu einem regelbasierten System führt.

Kurz gesagt, symbolische KI beinhaltet die explizite Einbettung menschlicher Wissens- und Verhaltensregeln in Computerprogramme.

Der symbolische Ansatz für NLP

Einer der vielen Anwendungen der symbolischen künstlichen Intelligenz ist mit Natural Language Processing für Konversationschatbots. Mit diesem Ansatz, auch “deterministisch” genannt, besteht die Idee, der Maschine beizubringen, wie man Sprachen versteht, auf die gleiche Art und Weise wie wir Menschen das Lesen und Schreiben gelernt haben. Dazu gingen wir zur Schule und lernten, wie man Sprache durch Regeln, Grammatik, Konjugation und Vokabular strukturiert.  Computerlinguisten  tun genau dasselbe: Sie verwenden Regeln, ein Lexikon und  Semantik,  um der Engine des Bots beizubringen, wie man eine Sprache versteht.

Mit symbolischer KI ist alles sichtbar, verständlich und erklärbar, was zu einer so genannten “transparenten Box” führt, im Gegensatz zu der “Black Box”, die durch Machine Learning geschaffen wird.

Infolgedessen ist der Job des Botmasters bei der Verwendung der Symbolic AI-Technologie völlig anders als bei Machine Learning-basierter Technologie, da er sich darauf konzentrieren kann, neue Inhalte für die Wissensdatenbank zu schreiben, anstatt Fragevariationen vorhandener Inhalte hinzuzufügen. Er hat auch volle Transparenz darüber, wie man den Motor feinabstimmen kann, wenn er nicht richtig funktioniert, da er den Entscheidungsprozess nachvollziehen kann und über die Tools verfügt, diesen anzupassen.

 

Zusammenfassend lässt sich also sagen, dass einer der Hauptunterschiede zwischen Machine Learning und traditioneller symbolischer KI im Lern-Prozess besteht. Beim Machine Learning lernt der Algorithmus Regeln, während er Korrelationen zwischen Input und Output herstellt. In symbolischer Argumentation werden die Regeln durch menschliches Eingreifen erstellt und dann in ein statisches Programm hartcodiert.

Wenn Machine Learning zunächst als revolutionärer Ansatz erscheinen kann, sind sein Mangel an Transparenz und die erforderlichen großen Mengen an Daten, damit das System lernen kann, seine beiden Hauptfehler. Unternehmen erkennen jetzt, wie wichtig es ist, eine transparente KI zu haben, nicht nur aus ethischen Gründen, sondern auch aus betrieblichen Gründen, und der deterministische (oder symbolische) Ansatz wird jetzt wieder populär.

 

Wir hoffen, dass Sie inzwischen davon überzeugt sind, dass symbolische KI ein Muss ist, wenn es um auf Chatbots angewendete NLP geht. Ebenfalls empfehlen wir unser E-Book, wie man einen erfolgreichen Chatbot erstellt.

Ebook : how to build a successful chatbot

Inbenta Team
by Inbenta Team