Enable

Vlotte start met data

Build

Oplossingen op maat

Optimize

Optimaal rendement

Symbolic AI

Wat is Symbolic AI?

Symbolic AI, ook bekend als klassieke AI, good old-fashioned AI (GOFAI) of regelgebaseerde AI, is een benadering van kunstmatige intelligentie waarin menselijke kennis wordt gemodelleerd met behulp van symbolen en regels. In plaats van te leren uit gegevens, zoals bij machine learning, is Symbolic AI gebaseerd op expliciet gedefinieerde regels, logica en symbolische representaties om problemen op te lossen en redenering na te bootsen.

Symbolic AI maakt gebruik van formele logica, zoals propositielogica, predicaatlogica en eerste-orde logica, om de relaties tussen symbolen en regels te beschrijven. Deze symbolen kunnen objecten, concepten, eigenschappen of relaties vertegenwoordigen, terwijl regels de manier definiëren waarop symbolen kunnen worden gecombineerd om nieuwe kennis te genereren.

Enkele kenmerken van Symbolic AI zijn:

  •  Kennisrepresentatie: Symbolic AI gebruikt expliciete symbolische representaties om kennis op te slaan en te manipuleren.
  • Redeneren: Symbolic AI-systemen passen logische redenering toe om problemen op te lossen, conclusies te trekken en beslissingen te nemen.
  • Zoeken en optimalisatie: Symbolic AI maakt gebruik van zoek- en optimalisatiealgoritmen om de beste oplossing te vinden voor een bepaald probleem

Symbolic AI was de dominante benadering van AI in de jaren ’50 tot ’80 van de vorige eeuw. Het werd gebruikt in expertsystemen, kennisgebaseerde systemen, logisch programmeren en automatisch redeneren. Hoewel Symbolic AI in sommige gevallen succesvol was, had het ook beperkingen, zoals het onvermogen om onvolledige of onzekere informatie te verwerken, een gebrek aan schaalbaarheid en de moeilijkheid om menselijke kennis expliciet in regels vast te leggen.

Met de opkomst van machine learning en neurale netwerken is de focus in het AI-onderzoek verschoven naar datagedreven benaderingen. Toch blijft Symbolic AI relevant in sommige toepassingen en onderzoeksgebieden, zoals formele methoden, kennisengineering, en de integratie van symbolische en subsymbolische benaderingen in hybride AI-systemen.

Hoe werkt Symbolic AI?

Symbolic AI werkt door menselijke kennis en intelligentie te modelleren met behulp van symbolen, regels en logische redenering. Het fundament van Symbolic AI ligt in de formele logica en taal, waarmee relaties tussen symbolen en regels kunnen worden beschreven. Hier is een algemeen overzicht van hoe Symbolic AI werkt:

  • Kennisrepresentatie: De eerste stap is het representeren van de kennis die nodig is om een probleem op te lossen met behulp van symbolen. Symbolen kunnen objecten, concepten, eigenschappen of relaties vertegenwoordigen. Deze symbolen worden georganiseerd in structuren zoals logische uitspraken, semantische netwerken, frames of productieregels.
  • Regels en logica: Vervolgens worden regels gedefinieerd die de relaties en interacties tussen symbolen beschrijven. Deze regels worden meestal uitgedrukt in formele logica, zoals propositielogica, predicaatlogica of eerste-orde logica. Regels kunnen ook worden geïmplementeerd als productieregels in een productiesysteem (ook wel een regelgebaseerd systeem genoemd).
  • Redeneren en inferentie: Symbolic AI maakt gebruik van logische redenering en inferentie om nieuwe kennis te genereren of beslissingen te nemen op basis van de bestaande symbolen en regels. Inferentieprocessen kunnen deductief, inductief of abductief zijn, afhankelijk van de benadering en het probleem dat wordt aangepakt.
  • Zoeken en optimalisatie: Om de beste oplossing voor een probleem te vinden, gebruikt Symbolic AI zoek- en optimalisatiealgoritmen. Deze algoritmen navigeren door de ruimte van mogelijke oplossingen, rekening houdend met de gedefinieerde regels en beperkingen. Voorbeelden van zoekalgoritmen zijn diepte-eerst zoeken, breedte-eerst zoeken en heuristische zoekmethoden zoals A*.
  • Controle en uitvoering: Het Symbolic AI-systeem controleert de voortgang en past zijn redenering en zoekstrategieën aan indien nodig. Als een oplossing wordt gevonden, wordt deze uitgevoerd om het gewenste resultaat te bereiken.

Symbolic AI voor beginners

Om te beginnen met Symbolic AI, moet je je vertrouwd maken met de basisconcepten, kennisrepresentatie, formele logica en redeneertechnieken. Hier zijn enkele stappen die je kunt volgen om aan de slag te gaan met Symbolic AI:

  • Leer de basis van kunstmatige intelligentie: Voordat je je op Symbolic AI richt, is het belangrijk om een goed begrip te hebben van de basisprincipes van kunstmatige intelligentie, zoals kennisrepresentatie, redeneren en machine learning.
  • Bestudeer formele logica: Omdat Symbolic AI is gebaseerd op formele logica, moet je jezelf vertrouwd maken met verschillende logische systemen, zoals propositielogica, predicaatlogica en eerste-orde logica. Er zijn veel boeken en online bronnen beschikbaar om deze concepten te leren.
  • Kennisrepresentatietechnieken: Leer over verschillende kennisrepresentatietechnieken die in Symbolic AI worden gebruikt, zoals semantische netwerken, frames, productieregels en ontologieën.
  • Redeneertechnieken: Verdiep je in de verschillende redeneertechnieken die in Symbolic AI worden gebruikt, zoals deductief redeneren, inductief redeneren en abductief redeneren.
  • Zoek- en optimalisatiealgoritmen: Bestudeer zoek- en optimalisatiealgoritmen die worden gebruikt om de beste oplossing voor een probleem te vinden in Symbolic AI, zoals diepte-eerst zoeken, breedte-eerst zoeken en heuristische zoekmethoden zoals A*.
  • Programmeertalen en tools: Leer programmeertalen en tools die geschikt zijn voor het werken met Symbolic AI, zoals Prolog, Lisp, en ontologiebewerkingsprogramma’s zoals Protégé.
  • Implementeer eenvoudige Symbolic AI-projecten: Begin met het implementeren van eenvoudige Symbolic AI-projecten om hands-on ervaring op te doen. Je kunt bijvoorbeeld een eenvoudig expert-systeem, een logisch programma of een redeneerprogramma bouwen.
  • Verdiep je in hybride AI-systemen: Leer over hybride AI-systemen die symbolische en subsymbolische benaderingen combineren, zoals neurale-symbolische integratie en cognitieve architecturen.
  • Blijf op de hoogte van onderzoek en ontwikkelingen: Volg de nieuwste onderzoeken en ontwikkelingen op het gebied van Symbolic AI door wetenschappelijke artikelen te lezen, conferenties bij te wonen en lid te worden van relevante online gemeenschappen.
Symbolic AI boeken

Boeken

  • Artificial Intelligence: A Modern Approach” door Stuart Russell en Peter Norvig: Dit boek is een toonaangevend leerboek over kunstmatige intelligentie en bevat uitgebreide informatie over Symbolic AI, waaronder kennisrepresentatie, logisch redeneren en planning.
  • Artificial Intelligence: Structures and Strategies for Complex Problem Solving” door George F. Luger: Dit boek biedt een grondige behandeling van Symbolic AI-technieken, waaronder expertsystemen, zoekalgoritmen, logica en natuurlijke taalverwerking.
Symbolic AI Online cursussen

Online curcussen

  • Coursera – Introduction to Artificial Intelligence (AI) (https://www.coursera.org/learn/introduction-to-ai): Deze cursus, aangeboden door IBM, biedt een inleiding tot kunstmatige intelligentie, met inbegrip van symbolische en subsymbolische benaderingen
  • edX – Artificial Intelligence (https://www.edx.org/course/artificial-intelligence-ai): Deze cursus, aangeboden door Columbia University, behandelt verschillende aspecten van kunstmatige intelligentie, waaronder symbolische benaderingen zoals zoekalgoritmen, logica en kennissystemen.
Symbolic AI onderzoeksartikelen

Onderzoeksartikelen en tijdschriften

  • Artificial Intelligence Journal (https://www.journals.elsevier.com/artificial-intelligence): Dit toonaangevende tijdschrift publiceert onderzoek over alle aspecten van kunstmatige intelligentie, waaronder Symbolic AI.
  • IEEE Transactions on Knowledge and Data Engineering (https://www.computer.org/csdl/journal/tk): Dit tijdschrift richt zich op de ontwikkeling van theorieën, methoden en toepassingen met betrekking tot kennis- en datatechniek, waaronder Symbolic AI.
Symbolic AI websites

Websites en blogs

  • Association for Computational Linguistics (ACL) Wiki (https://aclweb.org/aclwiki/): Dit is een wiki die informatie biedt over verschillende aspecten van computationele taalkunde en kunstmatige intelligentie, waaronder Symbolic AI.
  • AI Topics (https://aitopics.org/): Deze website, gehost door de Association for the Advancement of Artificial Intelligence (AAAI), biedt een breed scala aan informatie over kunstmatige intelligentie, waaronder Symbolic AI.

Voor- en nadelen van Symbolic AI

Voorbeelden van Symbolic AI

  • Interpretabel en verklaarbaar: Symbolic AI-modellen zijn vaak gemakkelijker te interpreteren en te verklaren dan black-box-modellen zoals diepe neurale netwerken. De regels en logica die ten grondslag liggen aan de redenering zijn expliciet en kunnen door mensen worden begrepen, wat helpt bij het verklaren van de besluitvorming van het AI-systeem.
  • Modellering van menselijke expertise: Symbolic AI is bijzonder geschikt voor het modelleren van domeinspecifieke menselijke expertise, zoals die van artsen, advocaten of ingenieurs. Expertsystemen die zijn gebaseerd op Symbolic AI kunnen deze kennis expliciet representeren en gebruiken om problemen op te lossen en beslissingen te nemen.
  • Robuustheid in beperkte domeinen: In goed gedefinieerde en beperkte domeinen kan Symbolic AI zeer effectief en betrouwbaar zijn, omdat het systeem gebaseerd is op expliciete regels en logica die door experts zijn vastgesteld.
  • Onafhankelijkheid van grote datasets: In tegenstelling tot veel moderne AI-methoden die afhankelijk zijn van grote hoeveelheden gegevens voor training, kan Symbolic AI effectief werken met beperkte gegevens, omdat het gebaseerd is op expliciete regels en kennis in plaats van op data-gedreven leren.
  • Redeneren met onvolledige of inconsistente informatie: Symbolic AI kan worden aangepast om te redeneren met onvolledige of inconsistente informatie met behulp van technieken zoals niet-monotone logica, paraconsistente logica of waarschijnlijkheidslogica.
  • Integratie met andere AI-benaderingen: Symbolic AI kan worden gecombineerd met andere AI-benaderingen, zoals machine learning of neurale netwerken, om hybride systemen te creëren die profiteren van de sterke punten van beide benaderingen.

Nadelen van symbolic AI

  • Vastleggen van kennis: Het kan moeilijk zijn om menselijke kennis en ervaring expliciet te vertalen naar regels en symbolen. Dit probleem staat bekend als het “kennisacquisitie knelpunt”. Experts hebben vaak moeite om hun kennis expliciet te maken, en het proces van het extraheren en vastleggen van deze kennis kan tijdrovend en arbeidsintensief zijn.
  • Omgaan met onzekerheid: Symbolic AI heeft over het algemeen moeite om onzekere of onvolledige informatie te verwerken, omdat het gebaseerd is op formele logica en expliciete regels. Er zijn benaderingen om dit probleem aan te pakken, zoals waarschijnlijkheidslogica, maar deze zijn vaak minder efficiënt en minder robuust dan probabilistische methoden zoals Bayesiaanse netwerken of machine learning.
  • Schaalbaarheid: Symbolic AI kan problemen ondervinden met schaalbaarheid en rekencomplexiteit, vooral bij het werken met grote kennisbanken of complexe redeneringstaken. Zoek- en optimalisatiealgoritmen die in Symbolic AI worden gebruikt, kunnen inefficiënt zijn en lijden onder de “combinatorische explosie” van mogelijke oplossingen.
  • Leer- en aanpassingsvermogen: In tegenstelling tot data-gedreven AI-benaderingen, zoals machine learning, is Symbolic AI over het algemeen minder flexibel en adaptief als het gaat om het leren van nieuwe kennis of het aanpassen aan veranderende omstandigheden. Het systeem is afhankelijk van expliciete regels die door mensen zijn gedefinieerd en kan niet gemakkelijk nieuwe kennis extraheren uit gegevens.
  • Verwerking van ongestructureerde gegevens: Symbolic AI is minder effectief in het omgaan met ongestructureerde gegevens, zoals afbeeldingen, audio of tekst, in vergelijking met moderne machine learning- en deep learning-methoden. Neurale netwerken, bijvoorbeeld, hebben een groter succes gehad bij het leren van patronen en het uitvoeren van taken met betrekking tot ongestructureerde gegevens.

Wanneer is het gebruik van Symbolic AI interessant?

  • Goed gedefinieerde en beperkte domeinen: In situaties waar het probleemdomein goed gedefinieerd en beperkt is, kan Symbolic AI effectief en betrouwbaar zijn. Voorbeelden zijn wiskundige bewijsvoering, logische puzzels en sommige bordspellen zoals schaken.
  • Domeinspecifieke expertise: Symbolic AI is geschikt voor het modelleren van menselijke expertise in specifieke domeinen, zoals medische diagnostiek, juridisch redeneren of technische probleemoplossing. Expertsystemen gebaseerd op Symbolic AI kunnen de kennis van experts expliciet vastleggen en gebruiken om complexe problemen op te lossen of beslissingen te nemen.
  • Interpretabiliteit en uitlegbaarheid: Wanneer het belangrijk is om de besluitvorming van het AI-systeem te begrijpen en uit te leggen, kan Symbolic AI een voordeel bieden ten opzichte van black-box-modellen zoals diepe neurale netwerken. De regels en logica die ten grondslag liggen aan de redenering zijn expliciet en kunnen door mensen worden begrepen.
  • Beperkte gegevensbeschikbaarheid: In situaties waar er beperkte gegevens beschikbaar zijn voor training, kan Symbolic AI een voordeel bieden omdat het gebaseerd is op expliciete regels en kennis in plaats van op data-gedreven leren.
  • Redeneren met onvolledige of inconsistente informatie: Hoewel Symbolic AI over het algemeen moeite heeft met onzekerheid, kan het worden aangepast om te redeneren met onvolledige of inconsistente informatie met behulp van technieken zoals niet-monotone logica, paraconsistente logica of waarschijnlijkheidslogica.
  • Hybride AI-systemen: Symbolic AI kan interessant zijn in combinatie met andere AI-benaderingen, zoals machine learning of neurale netwerken, om hybride systemen te creëren die profiteren van de sterke punten van beide benaderingen. Dit kan leiden tot systemen die beter in staat zijn om complexe problemen op te lossen en zich aan te passen aan veranderende omstandigheden.
Wanneer is Symbolic AI interessant

Zijn er bepaalde Standaarden binnen Symbolic AI?

  • Logische systemen: Formele logica, zoals propositielogica, predicaatlogica en eerste-orde logica, vormt de basis van Symbolic AI. Deze logische systemen bieden een gestandaardiseerde manier om kennis te representeren en redeneren.
  • Kennisrepresentatie-talen: Er zijn verschillende standaardtalen en notaties om kennis te representeren in Symbolic AI, zoals KIF (Knowledge Interchange Format), RDF (Resource Description Framework) en OWL (Web Ontology Language). Deze talen stellen ontwikkelaars in staat om op een gestandaardiseerde manier kennis en relaties tussen entiteiten te beschrijven.
  • Programmeertalen: Er zijn programmeertalen die speciaal zijn ontworpen voor symbolische AI-toepassingen, zoals Lisp en Prolog. Deze talen bevatten ingebouwde functionaliteiten en structuren die het werken met symbolische kennis en redenering vergemakkelijken.
  • Redeneer- en zoekalgoritmen: Er zijn gestandaardiseerde algoritmen voor het uitvoeren van redenering en zoekopdrachten binnen Symbolic AI, zoals resolutie, unificatie, diepte-eerst zoeken en breedte-eerst zoeken. Deze algoritmen vormen de basis voor het oplossen van problemen en het afleiden van nieuwe kennis in symbolische AI-systemen.
  • Ontologieën: Ontologieën zijn gestructureerde, formele beschrijvingen van concepten en relaties binnen een bepaald domein. Ze bieden een gestandaardiseerde manier om kennis te organiseren en te delen tussen verschillende AI-systemen. Enkele bekende ontologie-standaarden zijn OWL (Web Ontology Language) en Cyc.
  • Inference engines: Inference engines, ook wel redeneermachines genoemd, zijn softwarecomponenten die redeneertaken uitvoeren op basis van de opgeslagen kennis en regels. Er zijn verschillende standaard inference engines beschikbaar, zoals Jena, Pellet en CLIPS.

Welke technologieën, programmeertalen, tools, … worden vaak gebruikt in samenwerking met Symbolic AI?

Programmeertalen

  • Lisp: Een van de oudste programmeertalen, speciaal ontworpen voor symbolische AI-toepassingen. Het is bijzonder geschikt voor het manipuleren van symbolische uitdrukkingen en het uitvoeren van recursieve algoritmen.
  • Prolog: Een programmeertaal gebaseerd op formele logica, die veel wordt gebruikt voor kennisrepresentatie en logisch redeneren in Symbolic AI-systemen.
  • Python: Een populaire, veelzijdige programmeertaal die veel wordt gebruikt in AI en data science. Er zijn verschillende bibliotheken beschikbaar voor symbolische AI-toepassingen, zoals SymPy, Pyke en LogPy.

Kennisrepresentatie-talen:

  • KIF (Knowledge Interchange Format): Een formele taal voor het representeren van kennis in symbolische AI-systemen.
  • RDF (Resource Description Framework): Een gestandaardiseerd model voor het beschrijven van relaties tussen entiteiten en het uitwisselen van kennis op het web.
  • OWL (Web Ontology Language): Een semantische webtaal die wordt gebruikt om ontologieën te definiëren en kennis op een gestructureerde manier te beschrijven.

Redeneer- en zoekalgoritmen:

  • Resolutie: Een basisalgoritme voor logisch redeneren op basis van clausules en regels.
  • Unificatie: Een procedure voor het vinden van een algemene instantie van twee termen in eerste-orde logica.
  • Diepte-eerst zoeken en breedte-eerst zoeken: Twee fundamentele zoekalgoritmen die worden gebruikt voor het verkennen van de ruimte van mogelijke oplossingen in symbolische AI-systemen.

Interence engines:

  • Jena: Een open-source Java-framework voor het bouwen van semantische web- en linked data-applicaties, inclusief een inference engine voor redeneren met RDF en OWL.
  • Pellet: Een open-source OWL-DL redeneermachine die in Java is geschreven en wordt gebruikt voor het valideren en redeneren met ontologieën.
  • CLIPS (C Language Integrated Production System): Een expertsystemen-tool die veel wordt gebruikt voor het ontwikkelen van op regels gebaseerde AI-systemen.

Ontologieën en kennissystemen

  • Cyc: Een langlopend project om een uitgebreide ontologie en kennissysteem te creëren dat algemene menselijke kennis en redenering simuleert.
  • DBpedia: Een community-project dat gestructureerde informatie extrahiert uit Wikipedia en deze beschikbaar maakt op het web als RDF en ontologieën.

Symbolic AI automatisatie

  • Expertsystemen: Symbolic AI kan worden gebruikt om expertsystemen te ontwikkelen die menselijke expertise in specifieke domeinen modelleren, zoals medische diagnostiek, financiële analyse of technische probleemoplossing. Deze systemen kunnen besluitvorming en probleemoplossing automatiseren op basis van expliciete kennis en regels.
  • Planning en scheduling: Symbolic AI kan worden toegepast op planning- en schedulingproblemen, zoals het plannen van productieprocessen, het toewijzen van middelen of het plannen van transportroutes. AI-systemen kunnen automatisch optimale plannen en schema’s genereren op basis van vooraf gedefinieerde doelen en beperkingen.
  • Natural language processing (NLP): Symbolic AI kan worden gebruikt voor het automatiseren van taalverwerkingstaken, zoals syntactische analyse, semantische interpretatie of tekstgeneratie. Symbolische grammatica’s en kennisrepresentaties kunnen worden gebruikt om de structuur en betekenis van natuurlijke taal te analyseren en te genereren.
  • Automatisch redeneren en bewijsvoering: Symbolic AI kan worden toegepast op het automatisch afleiden van nieuwe kennis uit bestaande kennis en het bewijzen van stellingen in formele logica. Dit kan bijvoorbeeld worden gebruikt in wiskundige bewijsvoering, logische puzzels of formele verificatie van software en hardware.
  • Kennisontdekking en -integratie: Symbolic AI kan worden gebruikt om automatisch kennis te extraheren en te integreren uit verschillende bronnen, zoals tekst, databases of het web. Dit kan bijvoorbeeld het automatisch bouwen van ontologieën en kennissystemen omvatten, of het uitvoeren van automatische gegevensintegratie en -transformatie.

AWS voorbeelden

Expertstsystemen

Symbolic AI kan worden gebruikt om expertsystemen te ontwikkelen die menselijke expertise in specifieke domeinen modelleren, zoals medische diagnostiek, financiële analyse of technische probleemoplossing. Deze systemen kunnen besluitvorming en probleemoplossing automatiseren op basis van expliciete kennis en regels.

Wiskundige bewijsvoering

Symbolic AI is gebruikt in geautomatiseerde stellingbewijssystemen, zoals Otter en E, om wiskundige stellingen te bewijzen met behulp van formele logica en deductief redeneren.

Planning & schedueling

Symbolic AI is toegepast in planning- en schedulingproblemen, zoals het plannen van productieprocessen, het toewijzen van middelen, of het plannen van transportroutes. Een bekend voorbeeld is het STRIPS-planningssysteem, dat werd ontwikkeld om automatisch plannen te genereren voor het manipuleren van objecten in een roboticacontext.

Schaken en bordspellen

Symbolic AI is gebruikt in schaakprogramma’s zoals Deep Blue, die schaakstrategieën en tactieken modelleerden met behulp van expliciete kennis en regels. Hoewel moderne schaakprogramma’s meestal machine learning en neurale netwerken gebruiken, legde Symbolic AI de basis voor het automatiseren van dergelijke spellen.

NLP

Symbolic AI is gebruikt in NLP-toepassingen, zoals het analyseren en genereren van natuurlijke taal. Bijvoorbeeld, het SHRDLU-systeem van Terry Winograd was in staat om Engelstalige commando’s te begrijpen en uit te voeren in een gesimuleerde wereld van blokken.

 

Ontologieën en kennissystemen

Symbolic AI is toegepast in het bouwen van ontologieën en kennissystemen, zoals Cyc, dat gericht is op het creëren van een uitgebreide kennisbank die algemene menselijke kennis en redenering simuleert.

 

Formele verificatie

Symbolic AI is gebruikt voor het automatisch verifiëren van de correctheid van software- en hardwareontwerpen met behulp van formele methoden en logisch redeneren. Bijvoorbeeld, model-checking tools zoals SPIN en nuXmv maken gebruik van Symbolic AI om ontwerpfouten op te sporen en te corrigeren.

Symbolic AI VS Subsymbolic AI

Symbolic AI:

  • Kennisrepresentatie: Symbolic AI maakt gebruik van expliciete, symbolische representaties van kennis, meestal in de vorm van logische uitdrukkingen, regels of formele grammatica’s. Deze symbolen vertegenwoordigen direct concepten en relaties in de wereld.
  • Redenering: Symbolic AI maakt gebruik van logisch redeneren en algoritmen om nieuwe kennis af te leiden uit bestaande kennis. Dit omvat methoden zoals resolutie, unificatie en zoekalgoritmen om problemen op te lossen en conclusies te trekken.
  • Toepassingen: Symbolic AI wordt vaak gebruikt voor expertsystemen, planning, natuurlijke taalverwerking, formele verificatie, en wiskundige bewijsvoering.
  • Voordelen: Het biedt een transparante en begrijpelijke manier om kennis en redenering te representeren, waardoor het gemakkelijker is om de werking van het AI-systeem te begrijpen en uit te leggen.
  • Nadelen: Symbolic AI heeft moeite met het omgaan met onzekerheid, ongestructureerde gegevens en complexe redeneerprocessen. Bovendien kan het moeilijk zijn om de benodigde kennis expliciet te modelleren en bij te houden naarmate het systeem groeit.

Subsymbolic AI:

  • Kennisrepresentatie: Subsymbolic AI maakt gebruik van gedistribueerde, niet-symbolische representaties van kennis, zoals neurale netwerken, genetische algoritmen of fuzzy logica. Deze benaderingen representeren kennis op een indirecte manier, door het aanpassen van gewichten, connecties of parameters in het systeem.
  • Redenering: Subsymbolic AI leert en redeneert door het aanpassen van deze gewichten en parameters op basis van ervaring en gegevens. Dit omvat methoden zoals backpropagation, genetische operators of fuzzy inferentie.
  • Toepassingen: Subsymbolic AI wordt vaak gebruikt voor patroonherkenning, beeld- en spraakverwerking, robotica en machine learning-toepassingen zoals deep learning.
  • Voordelen: Het is in staat om te leren en zich aan te passen aan nieuwe situaties op basis van ervaring en gegevens, en het kan omgaan met onzekerheid en ongestructureerde gegevens.
  • Nadelen: Subsymbolic AI is vaak moeilijk te begrijpen en uit te leggen, vanwege de complexiteit en opaciteit van de kennisrepresentaties en leerprocessen.

In welke sectoren wordt vaak gebruikt gemaakt van Symbolic AI?

  • Gezondheidszorg: Symbolic AI wordt gebruikt om expertsystemen te ontwikkelen voor medische diagnostiek, het voorschrijven van behandelingen en het beheren van patiëntgegevens. Systemen zoals MYCIN en CADUCEUS zijn voorbeelden van medische expertsystemen gebaseerd op Symbolic AI.
  • Financiën: In de financiële sector wordt Symbolic AI ingezet voor risicobeoordeling, kredietverlening, portefeuillebeheer en fraudeopsporing. Expertsystemen kunnen helpen bij het analyseren van financiële gegevens en het nemen van beslissingen op basis van vooraf gedefinieerde regels en criteria.
  • Productie en logistiek: Symbolic AI wordt gebruikt voor planning en scheduling in productieprocessen en logistieke operaties. Het helpt bij het optimaliseren van productieplanning, voorraadbeheer en transportroutes, rekening houdend met verschillende beperkingen en doelstellingen.
  • Onderwijs: In het onderwijs wordt Symbolic AI gebruikt om intelligente tutoring systemen te ontwikkelen die studenten gepersonaliseerde feedback en begeleiding bieden op basis van hun voortgang en prestaties. Deze systemen kunnen ook helpen bij het ontwerpen van lesplannen en het evalueren van onderwijsmethoden.
  • Recht en regelgeving: Symbolic AI wordt toegepast in juridische expertsystemen die juridische kennis en redenering modelleren om juridische analyse, geschilbeslechting en naleving van wet- en regelgeving te ondersteunen.
  • Ruimtevaart en defensie: Symbolic AI wordt gebruikt voor missieplanning, satellietcontrole en autonome voertuigbesturing in de ruimtevaart- en defensie-industrie. Het helpt bij het analyseren van complexe systemen en het nemen van beslissingen op basis van vooraf gedefinieerde doelen en beperkingen.
  • Onderzoek en wetenschap: In wetenschappelijk onderzoek wordt Symbolic AI gebruikt voor het modelleren van kennis en het automatisch afleiden van nieuwe inzichten uit bestaande gegevens. Het wordt toegepast op gebieden zoals genetica, moleculaire biologie, milieuwetenschappen en sociale wetenschappen.