Wat is Symbolic AI?

Wat is Symbolic AI eigenlijk?

Symbolic AI is een manier om kunstmatige intelligentie te bouwen waarbij je de computer expliciet vertelt wat alles betekent en welke regels er gelden. In plaats van dat het systeem patronen leert uit duizenden voorbeelden (zoals moderne AI doet), programmeer je bij Symbolic AI de kennis en logica rechtstreeks in.

Stel je voor: je wilt een AI-assistent die koffiebestellingen begrijpt. Met Symbolic AI programmeer je regels als "als iemand 'zwart' zegt = geen melk", "als iemand 'latte' zegt = espresso + veel melk", enzovoort. Elk woord is een symbool met een vaste betekenis, en je bouwt relaties tussen die symbolen.

De computer manipuleert deze symbolen volgens logische regels — net zoals je op papier redeneert van "alle mensen zijn sterfelijk" + "Socrates is een mens" naar "Socrates is sterfelijk". Bij Symbolic AI schrijf je die redeneerregels uit in code.

Hoe verschilt dit van moderne AI?

De AI-toepassingen die je nu waarschijnlijk gebruikt — ChatGPT, beeldherkenning, spraakassistenten — werken met machine learning. Die systemen krijgen duizenden voorbeelden, zoeken zelf patronen en bouwen hun eigen interne 'begrip' op. Niemand programmeert expliciet "een kat heeft puntige oren" — het netwerk leert dat vanzelf uit foto's.

Symbolic AI werkt precies andersom: jij schrijft uit wat een kat is, wat oren zijn, en hoe die dingen samenhangen. Het voordeel? Je begrijpt exact waarom de AI een conclusie trekt. Het nadeel? Voor complexe problemen (zoals een foto herkennen of natuurlijke taal begrijpen) moet je zoveel regels schrijven dat het praktisch onmogelijk wordt.

Een concreet voorbeeld

Een medisch diagnostisch systeem uit de jaren '80, MYCIN genaamd, was pure Symbolic AI. Artsen hadden honderden regels ingevoerd: "als koorts >38° + verhoogde witte bloedcellen + bacterie X = waarschijnlijk infectie Y". Het systeem doorliep die regels stap voor stap en kwam tot een diagnose.

Het werkte verrassend goed voor dat ene domein. Maar zodra je het over iets anders wilde laten redeneren, moest je weer helemaal opnieuw beginnen met regels schrijven. En nuance — "soms, maar niet altijd" — was lastig uit te drukken in strikte logica.

Waar kom je het tegen?

Symbolic AI is lang de dominante benadering geweest (jaren '60 tot '90), maar werd vanaf de jaren 2010 grotendeels ingehaald door machine learning. Toch kom je het nog tegen:

• Expert systems in gespecialiseerde industrieën (juridische regelcheckers, sommige medische beslissystemen)

• Kennisgrafen zoals Google's Knowledge Graph — databases waarin concepten en hun relaties expliciet gedefinieerd zijn

• Regelgebaseerde chatbots voor klantenservice ("als vraag = openingstijden, antwoord X")

• Hybrid AI-systemen die neurale netwerken combineren met symbolische logica (bijvoorbeeld AlphaGeometry van DeepMind)

Veel onderzoekers geloven dat de toekomst ligt in het combineren van beide benaderingen: de patroonherkenning van machine learning voor perceptie, en symbolische logica voor redeneren en uitlegbaarheid.

Waarom is dit relevant voor jou?

Als je AI inzet in je organisatie, is het goed te weten dat niet alle AI 'leert uit data'. Soms wil je juist controle en transparantie — dan kan een symbolische component waardevol zijn. Denk aan compliance-checks, contractanalyse of risicobeoordeling: situaties waar je precies moet kunnen uitleggen waarom de AI iets concludeert.

Daarnaast helpt het begrip je realistische verwachtingen te vormen. Moderne AI is indrukwekkend flexibel maar soms een black box. Symbolic AI is doorzichtig maar rigide. De kunst is vaak om beide te combineren: laat een neuraal netwerk de ruwe data interpreteren, en laat symbolische regels de logische vervolgstappen maken.

Begrijp je het verschil tussen deze benaderingen? Dan snap je ook beter waarom sommige AI-toepassingen makkelijk uitlegbaar zijn, en andere — hoewel vaak krachtiger — mysterieus blijven.