Die drei Neuerungen der regelbasierten KI
Haben die neuronalen Netze die regelbasierten Systeme abgehängt? Es ist nicht zu übersehen: Die korpusbasierte KI hat die regelbasierte KI um Längen überholt. Neuronale Netze machen das Rennen, wohin man schaut. Schläft die Konkurrenz? Oder sind regelbasierte Systeme schlicht nicht in der Lage, gleichwertige Ergebnisse wie neuronale Netze zu erzielen? Meine Antwort ist, dass die beiden Methoden aus Prinzip für sehr unterschiedliche Aufgaben prädisponiert sind. Ein Blick auf die jeweiligen Wirkweisen macht klar, wofür die beiden Methoden sinnvollerweise eingesetzt werden. Je nach Fragestellung ist die eine oder die andere im Vorteil. Trotzdem bleibt das Bild: Die regelbasierte Variante scheint auf
Präzisierung der Herausforderungen an die regelbasierte KI
Die regelbasierte KI ist im Hintertreffen Die Unterscheidung zwischen regelbasierter und korpusbasierter KI ist in mehrerer Hinsicht sinnvoll, denn die beiden Methoden funktionieren völlig unterschiedlich. Das bedeutet nicht nur, dass die Herausforderungen ganz andere sind, sondern in der Folge auch die Entwicklungsverläufe zeitlich nicht parallel erfolgen. Wenn heute von KI gesprochen wird, ist eigentlich nur die korpusbasierte gemeint, die regelbasierte scheint deutlich abgehängt zu sein. Meines Erachtens hat das aber nur damit zu tun, dass die regelbasierte KI in eine Sackgasse gekommen ist, aus der sie erst herausfindet, wenn sie ihre spezifischen Herausforderungen richtig erkennt. Deshalb sollen hier die Herausforderungen
Logodynamik
Was sind die Kriterien für eine korrekte Logik? Dieser Text handelt von den zwei Formen der Logik, der statischen und der dynamischen. Bekannt ist den meisten Wissenschaftlern die statische Form, welche sich hervorragend dafür eignet, Beweise zu führen. Demgegenüber steht die dynamische Form der Logik, welche es erst möglich macht, Beweise zu finden.
Non-Monotonic Reasoning (NMR)
Concept Molecules and NMR In the article Two types of coding 1, I described the challenge of getting computers to ‘understand’ the incredibly diverse range of medical diagnoses that may crop up in a text. To meet this challenge, the computer has to convert the various diagnostic formulations encountered into a consistent format that represents all the semantic details in an easily retrievable form. With concept molecules we have succeeded in doing this. We were aided here by two properties of the concept molecules method: a) the consistently composite representation of semantics, and b) a non-monotonic reasoner. At the time,
