Regelbasierte Modelle (auch Symbolische KI genannt) können Zusammenhänge plausibel darstellen und zeichnen sich durch ihre Nachvollziehbarkeit aus.

Aus symbolischen Modellen wie logischen Regeln, Entscheidungsbäumen und Wissensgrafen kann genau der Lösungsweg, der zu einer Entscheidung führt, bestimmt werden.

Demgegenüber stehen subsymbolische Modelle wie tiefe Künstliche Neuronale Netzwerke, die sehr komplex sind und auf großen Datenmengen basieren. Entscheidungen, die diese Modelle treffen, sind kaum nachvollziehbar.

Die symbolische KI wird auch oft als regelbasierte KI bezeichnet. Es handelt sich um ein Ansatz bei dem Entscheidungen auf Basis von expliziten Regeln und logischen Schlussfolgerungen abgeleitet werden. Im Wesentlichen wird das Wissen bei diesem Ansatz über „wenn-dann“-Regeln definiert. Wenn das System mit einer Anfrage konfrontiert wird, durchsucht es seine Regelbasis (die Gesamtheit der definierten Regeln) und prüft, ob deren Bedingungen mit den gegebenen Eingaben übereinstimmen. Anschließend werden die entsprechenden Schlussfolgerungen gezogen und die entsprechenden Aktionen ausgeführt.

Das Herzstück solcher Systeme ist der sogenannte „Inferenzprozess“. Er nutzt verschiedene Methoden, um die Logik entsprechend den Regeln umzusetzen. Die zwei am häufigsten vertretenen Methoden sind:

• Forward Chaining - Das System hat zum Ziel soviel Schlussfolgerungen wie möglich zu ziehen.
• Backward Chaining - Das System versucht ein klar definiertes Ziel zu erreichen.

Symbolische KI-Systeme haben den Vorteil, dass sie aufgrund explizit definierter Regeln transparent und leicht zu verstehen sind. Daher wird dieser Ansatz oft für Expertensystemen verwendet. Sie können jedoch bei komplexen Problemen, die eine große Menge an Wissen erfordern untauglich werden, da sie nicht in der Lage sind aus Erfahrung zu lernen.

• Maschinelles Lernen. Eine Analyse zu Kompetenzen, Forschung und Anwendung (2018)
  Fraunhofer Gesellschaft zur Förderung der angewandten Forschung e.V. (Hrsg.)
• A Logical Characterization of Forward and Backward Chaining in the Inverse Method (2008)

  Kaustuv Chaudhuri, Frank Pfenning, Greg Price Journal of Automated Reasoning 40/2-3 p133-177

  Springer Science and Business Media LLC DOI:10.1007/s10817-007-9091-0
• Einblick in die Welt der künstlichen Intelligenz (2021)

  Börteçin Ege Semantische Datenintelligenz im Einsatz p1-17

  Springer Fachmedien Wiesbaden DOI:10.1007/978-3-658-31938-0_1
• Grenzen der KI – theoretisch, praktisch, ethisch (2022)

  Klaus Mainzer, Reinhard Kahle Technik im Fokus

  Springer Berlin Heidelberg DOI:10.1007/978-3-662-65011-0
• Forward and Backward Chaining, and Whole Task Methods (1981)

  Richard T. Walls, Thomas Zane, William D. Ellis Behavior Modification 5/1 p61-74

  SAGE Publications DOI:10.1177/014544558151005