Muster erkennen und Wissen verknüpfen

Künstliche Intelligenz hat in den vergangenen Jahren enorme Fortschritte erzielt. Vor allem neuronale Netze haben das Bild von maschineller Intelligenz geprägt – mit beeindruckenden Leistungen in der Bild- und Sprachverarbeitung oder bei generativen Modellen. Doch diese Systeme stoßen an Grenzen: Sie sind oft schwer nachvollziehbar, wenig transparent und neigen gelegentlich zu Fehlern. Genau hier setzt Hybrid AI an – ein Forschungsfeld, das am L3S intensiv weiterentwickelt wird. Es kombiniert die Stärken neuronaler und symbolischer Methoden und schafft damit KI-Systeme, die nicht nur lernen, sondern auch erklären können.

Mehr als Mustererkennung

Neuronale Netze erkennen komplexe Muster in großen Datenmengen. Symbolische Verfahren hingegen ermöglichen logisches Schließen, formale Repräsentationen und nachvollziehbare Argumentationsketten. In der Kombination entsteht ein neues Potenzial: Systeme, die lernfähig sind und zugleich erklären können, warum sie eine Entscheidung treffen. Diese Verbindung ist entscheidend für Anwendungen, in denen Vertrauen, Transparenz und Anpassungsfähigkeit gefragt sind – von personalisierter Medizin über autonome Systeme bis hin zu Bildungs- und Wissensdiensten.

Wissen organisieren: Ein Blick in die Praxis

„Wie Hybrid AI in der Praxis aussieht, zeigt unsere Arbeit an der Plattform Open Research Knowledge Graph (ORKG). Dort werden wissenschaftliche Publikationen nicht nur gespeichert, sondern in strukturierte Wissensgraphen überführt“, erklärt Prof. Dr. Sören Auer, Mitglied des erweiterten L3S-Direktoriums und Direktor der TIB. Statt lange in Texten zu suchen, können Forscher gezielt Fragen stellen – etwa: Welche Methoden wurden in der Krebsforschung in den letzten fünf Jahren am häufigsten eingesetzt?

Mit ORKG ASK entstehen intelligente Assistenten, die auf Basis hybrider Methoden komplexe Forschungsfragen beantworten können. Neuronale Modelle erkennen relevante Textpassagen in Publikationen, symbolische Verfahren ordnen dieses Wissen logisch ein. So lassen sich die Antworten transparent und überprüfbar darstellen. Forschung wird damit nicht nur effizienter, sondern auch nachvollziehbarer.

Von der Forschung in den Alltag

Das Prinzip lässt sich auch auf alltägliche Anwendungen übertragen. Ein Navigationssystem könnte neuronale Verfahren nutzen, um Verkehrsmuster und Staus in Echtzeit zu erkennen. Symbolische Methoden würden diese Daten mit Regeln und Zielen kombinieren – etwa „schnellste Route“ oder „umweltfreundlichste Route“. Das Ergebnis: ein System, das nicht nur reagiert, sondern auch begründet, warum es eine bestimmte Empfehlung gibt.

Werkzeuge für die Zukunft

„Am L3S entwickeln wir Werkzeuge für multimodale Fusion – also die Kombination unterschiedlicher Datenquellen wie Text, Bild, Audio – sowie Methoden zur Integration von Wissensgraphen in KI-Systeme“, sagt Auer. Damit entstehen Grundlagen, die weit über aktuelle Anwendungen hinausreichen: von der Medizin über Mobilität bis hin zu einer neuen Qualität des digitalen Wissensmanagements.

„Hybrid AI steht exemplarisch für unseren Anspruch, KI nicht nur leistungsfähiger, sondern auch verantwortungsvoller zu gestalten“, betont Auer. „Denn wenn Maschinen nicht nur lernen, sondern auch erklären können, entsteht die Basis für Vertrauen in die KI-Systeme der Zukunft.“