IAI | HSLU | Jana Köhler

Symbolische KI (klassische KI):
Verwendet explizite Symbole und Regeln zur Wissensrepräsentation und Problemlösung.
Basiert auf Logik und symbolischer Repräsentation.
Zum Beispiel: Expertensysteme.
-> thinking rationally 

Subsymbolische KI:
Verarbeitet Informationen auf nicht-symbolischen, statistischen oder neuronalen Ebene.
Nutzt maschinelles Lernen, insbesondere tiefe neuronale Netzwerke.
Geeignet für Aufgaben wie Bilderkennung und natürliche Sprachverarbeitung.
-> thinking humanly

Complex Computer Applications:
Bezieht sich auf komplexe Anwendungen von Computertechnologie, die verschiedene Aufgaben und Funktionen in verschiedenen Bereichen unterstützen.
Enthält Anwendungen wie Datenbankmanagement, Finanzmodellierung und Simulationen.

Artificial Intelligence (Künstliche Intelligenz):
Eine spezialisierte Technologie im Bereich der Informatik, die Maschinen die Fähigkeit gibt, menschenähnliche Intelligenz auf Aufgaben wie Lernen, Entscheidungsfindung und Problembehandlung anzuwenden.
Enthält Techniken wie maschinelles Lernen, neuronale Netzwerke und natürliche Sprachverarbeitung.

Find a definition
- Describe a concept by listing explicitly its essential properties
• Challenge: what is essential?
- Apply automated reasoning procedures to infer that an object meets the
concept definition by verifying the explicitly stated properties

*Use many different (arbitrary) features to describe the concept
- Features can be given implicitly through pictures or unstructured text or explicitly as a list of feature-value pairs
- Show object examples to the system and let it learn a generalization pattern

 - Each example must be annotated if it belongs to the concept that the system must learn or not (positive and negative examples)
* If the generalized pattern is correct, the system has «learned» the concept without using an explicit definition

No feedback is given, the algorithm detects patterns in the sensory input data,

e.g., clustering and association algorithms

Algorithm processes example input–output pairs and learns a function that maps from input to output, e.g., decision trees and neural networks

Algorithm learns from a series of reinforcements (rewards or punishments)

returned from the environment when the agent executes actions, e.g., AlphaZero