Neuro-Symbolische KI in Human-Computer Interaction

Das Forschungsprojekt untersucht Neuro-Symbolische KI, d. h. die Kombination von traditionellen Ansätzen der Künstlichen Intelligenz (z. B. wissensbasierte Systeme, Ontologien) mit neuesten datengetriebenen Methoden (z. B. Deep Learning) in einer Art Symbiose. Der Fokus liegt auf dem Bereich Human-Computer Interaction, wobei die konkrete Anwendungsdomäne sekundär ist.

Zentraler Ansatz: Die Wahrnehmung von Maschine und Mensch werden in Einklang gebracht. Systeme lernen nicht nur statistische Korrelationen, sondern ausschließlich solche Muster, die in menschlicher Semantik verankert sind. Dadurch entstehen KI-Systeme, die nachvollziehbarer, zuverlässiger und besser auf reale Anwendungsszenarien übertragbar sind.

Klassische datengetriebene KI-Systeme (z. B. Deep Learning) lernen häufig statistische Korrelationen, die für den Menschen nicht nachvollziehbar sind und sich in neuen Kontexten als fragil erweisen. Neuro-Symbolische KI begegnet diesem Problem, indem sie neuronale Lernverfahren mit symbolischen Wissensrepräsentationen verbindet.

Im Kontext von Human-Computer Interaction bedeutet dies: Die maschinelle Wahrnehmung wird an die menschliche Wahrnehmung angeglichen. Systeme lernen ausschließlich Muster, die semantisch für den Menschen bedeutsam sind. Dies führt zu Ergebnissen, die nicht nur statistisch korrekt, sondern auch inhaltlich plausibel und erklärbar sind.

Das Projekt adressiert damit drei zentrale Herausforderungen moderner KI-Forschung: Explainability (Erklärbarkeit von Modellentscheidungen), Trustworthiness (Vertrauen in KI-Systeme durch nachvollziehbare Ergebnisse) und Transferability (Übertragbarkeit auf reale Anwendungsszenarien durch ökologisch valide Modelle).