Symbolische AI is de klassieke aanpak van kunstmatige intelligentie, waarbij het systeem redeneert door expliciete regels en logica te volgen die mensen met de hand hebben uitgeschreven. In plaats van te leren uit voorbeelden bewerkt het symbolen en feiten volgens als-dan-uitspraken, en daarom was het van de jaren vijftig tot de jaren tachtig het heersende idee.
Een helder voorbeeld is een belastingberekening of een beslisboom in een expertsysteem. Als het inkomen boven een grens ligt en de aftrek geldt, dan is het tarief dit, elke keer, zonder twijfel. Die voorspelbaarheid is de grote kracht, en het staat lijnrecht tegenover machine learning, dat vage patronen uit data leert en niet altijd kan uitleggen waarom het iets besliste. Symbolische systemen bewaren hun feiten vaak in zoiets als een kennisgraaf, een web van entiteiten en de relaties ertussen.
De zwakte is de echte wereld, die zelden in nette regels past. Een kat herkennen op een foto of een losse zin begrijpen versloeg de symbolische methoden, en precies daar namen moderne neurale netwerken het over. De interessante grens vandaag is de twee combineren, een lerend model koppelen aan een regellaag zodat je flexibiliteit en navolgbare logica krijgt.
Er zit een verborgen prijs aan die het weten waard is. Omdat elke regel met de hand wordt geschreven, kan een groot symbolisch systeem uitgroeien tot duizenden clausules die op elkaar inwerken op manieren die niemand helemaal volgt, en een nieuwe uitzondering kan stilletjes een oude tegenspreken. Die broosheid, geen gebrek aan intelligentie, maakte deze systemen lastig te onderhouden op schaal. Maar waar de regels echt stabiel zijn, zoals btw-schijven of veiligheidschecks, is precies die starheid de hele bedoeling.
Bij TopDevs grijpen we nog naar symbolische, regelgebaseerde logica als een klant beslissingen exact en controleerbaar wil hebben, en mengen we het met AI waar de input te rommelig is voor regels alleen.
