Hybride Symbolische und Subsymbolische Verarbeitung am Beispiel der Sprachverarbeitung

Zur Motivation hybrider Systeme: Seit wenigen Jahrenn, nach der Einführung neuer mächtiger konnektionistischer Lernverfahren, hat sich das Gebiet hybrider symbolischer und subsymbolischer Ansätze für die Künstliche Intelligenz sehr schnell entwickelt. Symbolische Ansätze verwenden traditionell Verfahren zur Manipulation von diskreten symbolischen Objekten, wie etwa in regelbasierten Produktionssystemen oder regelbasierten Parsern. Subsymbolische Ansätze verwenden neue konnektionistische Verfahren zur Manipulation von kontinuierlichen konnektionistischen Objekten, wie etwa in überwachten künstlichen neuronalen Netzwerken. Die Motivation hybrider symbolischer und subsymbolischer Verfahren kommt dabei aus verschiedenen Richtungen. Vom Standpunkt kognitiver Architekturen sind hybride symbolische und subsymbolische Verfahren plausibel, da auf einer unteren Ebene das Gehirn des Menschen eine neuronale Struktur besitzt und auf einer höheren Ebene damit symbolische Verarbeitung durchgeführt wird. Vom Standpunkt des Knowledge Engineering für KI-Systeme sind hybride Verfahren wünschenswert, da sich damit unterschiedliche ergänzende Eigenschaften vorteilhaft integrieren lassen. Dabei haben symbolische Repräsentationen Vorteile bezüglich der Interpretierbarkeit, der relativ leichten expliziten Kontrolle und der Wissensabstraktion. Auf der anderen Seite besitzen konnektionistische Repräsentationen Vorteile bei gradueller Plausibilität von Wissen, beim Lernen robuster Verarbeitung und bei der Generalisierung für neue ähnliche oder sogar fehlerhafte Eingaben.

@InCollection{W94,
 	 author =  {Wermter, Stefan},
 	 title = {Hybride Symbolische und Subsymbolische Verarbeitung am Beispiel der Sprachverarbeitung},
 	 booktitle = {Herbstschule Konnektionismus und Neuronale Netze},
 	 journal = {}
 	 editors = {Duwe I.; Kurfess, F; Paass, G.; Vogel, S},
 	 number = {}
 	 volume = {}
 	 pages = {229--243},
 	 year = {1994},
 	 month = {Sep},
 	 publisher = {}
 	 doi = {}
 }