Information Technology Reference
In-Depth Information
gegeben, wenngleich diese in praktischer Hinsicht sicherlich eine Herausforderung darstellen. We-
sentlich aber ist, dass symbolverarbeitende und konnektionistische Systeme nicht nur wechselseitig
ersetzt, sondern vielmehr sinnvoll miteinander kombiniert werden können. Insofern sind gemäß
dieser Sichtweise auch konnektionistische Systeme zumindest auf der Ebene der Implementierung
symbolisch strukturiert.
Das „Wissen“ in konnektionistischen Modellen ist im ganzen System verteilt, es ist ge-
speichert in der Struktur und der Gewichtung des Netzes. Konzeptuelle Entitäten werden
nicht notwendigerweise „lokal“ durch einzelne Elemente repräsentiert, sondern „verteilt“
durch ein bestimmtes Aktivitätsmuster, an dem mehrere Verarbeitungseinheiten beteiligt
sind. Man spricht dann auch von einer „verteilten Repräsentation“ von Konzepten, im
Gegensatz zu einer „lokalen Repräsentation“, bei der jedem Konzept der modellierten Do-
mäne eine Verarbeitungseinheit zugeordnet wird. Diese verteilte Repräsentation scheint
vollkommen neue Möglichkeiten zu bieten, die im Rahmen dieses Buches dem Paradigma
der Symbolverarbeitung zur Seite gestellt wird. Konnektionistische Modelle bieten gerade
unter den Aspekten „Wissensrepräsentation und -verarbeitung“, „Lernen“, „Selbst-Orga-
nisation“ und „Fehlertoleranz“ neue, erfolgversprechende Möglichkeiten.
Der Ansatz der Symbolverarbeitung, der oft zu nur unzureichenden Lösungen beispiels-
weise bei der Behandlung von Ausnahmen, vagen Werten und unvollständigem Wissen
führt, wird in konnektionistischen Modellen ersetzt durch ein inexaktes, „evidentielles“
Schließen, das auf einer verteilten Repräsentation von Entitäten der realen und abstrakten
Welt, also Objekten, Fakten, Ereignissen usw., basiert. Assoziative Beziehungen zwischen
Repräsentationen von Entitäten der realen und abstrakten Welt, die sich im Eingabe-/Aus-
gabeverhalten der Systeme widerspiegeln, entsprechen in konnektionistischen Modellen
eher einer statistischen Korrelation als einer exakten „Wenn-dann“ - Beziehung und ge-
nauen 1:1-Abbildung. So werden beispielsweise ähnliche Eingabemuster auch ähnliche
Ausgabemuster erzeugen und ein Eingabemuster, das nur leicht von einem bekannten
Standardmuster abweicht, wird die gleiche, dem Standardmuster zugeordnete Ausgabe
erzeugen. Da an einem Entscheidungsprozess in einem konnektionistischen Modell eine
Vielzahl von Verarbeitungseinheiten beteiligt sind, erfordert das Erkennen einer gegebe-
nen Situation nicht einen genau spezifizierten Zustand des Systems, sondern eine hin-
reichende Übereinstimmung zwischen dem gespeicherten Muster und der vorliegenden
Situation
.
Dies ermöglicht auch eine Behandlung von Defaults, Grenzfällen und Abwei-
chungen, was in Systemen mit ausschließlich exaktem logischem Schließen im Rahmen
einer Symbolverarbeitung nicht ohne weiteres realisiert werden kann. Da nicht für alle
Entscheidungen und Fähigkeiten ein klar bestimmter Satz logischer Regeln angegeben
werden kann, sind konnektionistische Modelle in diesen Fällen logik-basierten Systemen
überlegen. Ein weiterer Vorteil, der sich aus der Tatsache des verteilten Wissens ergibt, ist
die Fehlertoleranz konnektionistischer Modelle. Da viele Verarbeitungseinheiten an einem
Verarbeitungsprozess beteiligt sind, spielt die Funktion einer Einheit keine ausschlagge-
bende Rolle, so dass der Ausfall eines Elementes keine ernsthaften Funktionsstörungen im
Gesamtsystem zur Folge haben dürfte.
