Symbolische KI vs. Subsymbolische KI

Das Feld der Künstlichen Intelligenz (KI) wird oft in zwei Hauptkategorien unterteilt: symbolische und subsymbolische. Symbolische KI beinhaltet die Verwendung von formaler Logik und regelbasierten Systemen zur Repräsentation von Wissen und zur Entscheidungsfindung, während subsymbolische KI maschinelles Lernen zur Entwicklung intelligenter Verhaltensweisen basierend auf Mustern und statistischer Analyse einsetzt. Diese beiden Ansätze zur KI haben grundsätzlich unterschiedliche Herangehensweisen an die Darstellung der Welt, das Lernen und die Problemlösung, was zu anhaltenden Debatten darüber führt, welcher Ansatz überlegen ist. Dieser Aufsatz wird die Stärken und Schwächen jedes Ansatzes untersuchen.

Kurze Erklärung der Konzepte der Symbolischen KI & Subsymbolischen KI

Symbolische KI, auch bekannt als regelbasierte KI, ist ein Ansatz zur Künstlichen Intelligenz, der den Einsatz von Symbolen zur Repräsentation von Konzepten für die Durchführung logischer Operationen und die Manipulation von Wissen beinhaltet. Symbolische KI basiert auf formaler Logik und regelbasierten Systemen, was sie für Expertensysteme und Anwendungen, die auf logischem Denken basieren, geeignet macht. Andererseits ist die subsymbolische KI, auch bekannt als konnektionistische KI, ein Ansatz, der neuronale Netzwerke und andere Techniken des maschinellen Lernens einsetzt, um die Funktionsweise biologischer Neuronen zu simulieren. Das resultierende System kann lernen und sich an neue Situationen anpassen, ohne explizit programmiert zu werden.

Übersicht über die vergleichende Analyse, die in dem Artikel untersucht wird

In diesem Artikel werden wir die vergleichende Analyse von symbolischer und subsymbolischer KI untersuchen. Wir beginnen mit einem Überblick über die beiden Modelle und die theoretischen Grundlagen jedes Ansatzes. Danach werden wir die Stärken und Einschränkungen jedes Modells sowie deren jeweilige Anwendungen in verschiedenen Bereichen eingehender betrachten. Schließlich werden wir das Potenzial für hybride Modelle untersuchen, die symbolische und subsymbolische Ansätze zur KI kombinieren, und die damit verbundenen Vorteile und Herausforderungen berücksichtigen. Letztendlich wird diese vergleichende Analyse Licht auf die anhaltende Debatte zwischen symbolischer und subsymbolischer KI und deren Auswirkungen auf das Gebiet der Künstlichen Intelligenz werfen.

Ein wesentlicher Nachteil der symbolischen KI besteht in ihrer Unfähigkeit, große Datenmengen zu verarbeiten. Da die symbolische KI auf vordefinierten Regeln und logischen Strukturen basiert, hat sie Schwierigkeiten, umfangreiche Datensätze zu verarbeiten. Im Gegensatz dazu ist die subsymbolische KI in der Lage, massive Datensätze zu verarbeiten und mithilfe von maschinellem Lernen und neuronalen Netzwerken aussagekräftige Muster zu extrahieren. Diese Fähigkeit, auf große Datenmengen zurückzugreifen, ist ein wichtiger Vorteil der subsymbolischen KI gegenüber der symbolischen KI.

Symbolische KI

Symbolische KI bezieht sich auf die Verwendung von Symbolen und Regeln zur Darstellung und Manipulation von Wissen. Der symbolische Ansatz basiert hauptsächlich auf Logik und Linguistik. Er beinhaltet den Aufbau von wissensbasierten Systemen, die logisches Denken nutzen, um Schlussfolgerungen auf Basis eines Satzes von Prämissen zu ziehen. Symbolische KI-Systeme sind gut darin, Objekte und Konzepte in der Welt darzustellen und über diese zu schlussfolgern. Sie werden oft in Expertensystemen, der Verarbeitung natürlicher Sprache und intelligenten Lernsystemen verwendet. Die Hauptproblematik bei diesem Ansatz ist die Schwierigkeit, Wissen darzustellen, das mehrdeutig oder kontextabhängig ist.

Definition der Symbolischen KI

Symbolische KI, auch bekannt als regelbasierte KI oder logikbasierte KI, ist eine Art von Künstlicher Intelligenz, die logische Regeln und symbolische Darstellung verwendet, um Probleme zu lösen und Entscheidungen zu treffen. Die Symbolische KI-Systeme repräsentieren Wissen und Informationen mit Symbolen, wie Wörtern, Zahlen und Icons, und verwenden logische Inferenz und Deduktion, um neues Wissen abzuleiten und Probleme zu lösen. Symbolische KI ist gut geeignet für Probleme, die komplexe Logik, Planung und Entscheidungsfindung beinhalten, wie Expertensysteme, die Verarbeitung natürlicher Sprache und kognitive Modellierung.

Schlüsselmerkmale und Eigenschaften der Symbolischen KI

Symbolische KI, auch als regelbasierte KI bekannt, basiert auf der Annahme, dass komplexe Logik durch die Manipulation von Symbolen und die Anwendung von vordefinierten Regeln erreicht werden kann. Die Schlüsselmerkmale der Symbolischen KI umfassen ihre Fähigkeit, Wissen zu repräsentieren und aus diesem Wissen Schlussfolgerungen zu ziehen, Pläne oder Ziele zu erstellen und auf strukturierte Weise über Unsicherheit und Mehrdeutigkeit nachzudenken. Symbolische KI ist auch sehr interpretierbar, was bedeutet, dass ihre Denkprozesse und Entscheidungen von Menschen verstanden werden können. Allerdings kann die Symbolische KI Probleme haben, mit großen Datenmengen umzugehen, was sie weniger effektiv in Aufgaben wie Bild- oder Spracherkennung macht.

Beispiele für Anwendungen der Symbolischen KI und ihre Einschränkungen

Ein Beispiel für Anwendungen der symbolischen KI sind Expertensysteme, die darauf ausgelegt sind, Aufgaben zu erledigen, die normalerweise einen menschlichen Experten erfordern würden. Diese Systeme verarbeiten Wissen in einem bestimmten Bereich und verwenden Denk- und Problemlösungstechniken, um Lösungen oder Empfehlungen bereitzustellen. Allerdings sind die Grenzen von Expertensystemen die Tatsache, dass sie sich auf explizites Wissen verlassen und nur Probleme innerhalb ihres spezifischen Bereichs bewältigen können. Zudem ist ihre Effektivität durch die Qualität und Relevanz der Wissensbasis, auf die sie sich stützen, begrenzt.

Eine der Hauptprobleme der subsymbolischen KI besteht darin, dass sie nicht in der Lage ist, auf die gleiche Weise abstrakt zu lernen und zu schlussfolgern wie Menschen. Während die subsymbolische KI in Aufgaben wie Bild- und Spracherkennung erfolgreich war, hat sie Schwierigkeiten mit Aufgaben, die komplexere Logik und Entscheidungsfindung erfordern. Symbolische KI hingegen wurde entwickelt, um diese Art von Herausforderungen zu bewältigen, indem sie einen Rahmen für die Darstellung abstrakter Konzepte und deren Manipulation zur Problemlösung bietet. Aber auch sie hat Einschränkungen und wird oft dafür kritisiert, dass sie in ihrem Ansatz zur Problemlösung zu starr ist.

Subsymbolische KI

Die subsymbolische KI stützt sich im Gegensatz zur symbolischen KI nicht auf logische Regeln oder symbolische Darstellungen. Sie arbeitet auf einer niedrigeren Abstraktionsebene und verwendet statistische Modelle und Mustererkennung für Entscheidungen. Beispiele für subsymbolische KI sind künstliche neuronale Netze, genetische Algorithmen und Systeme der unscharfen Logik. Diese Modelle werden mit großen Datensätzen trainiert und können lernen, Muster zu erkennen und Vorhersagen zu treffen, ohne explizit programmiert zu sein. Subsymbolische KI eignet sich gut für komplexe Aufgaben wie Bild- und Spracherkennung, aber ihre mangelnde Interpretierbarkeit kann in bestimmten Anwendungen eine Herausforderung sein.

Definition der Subsymbolischen KI

Subsymbolische KI, auch bekannt als konnektionistische KI, ist ein Ansatz der Künstlichen Intelligenz, der sich darauf konzentriert, Modelle zu erstellen, die als vereinfachte Versionen der Funktionsweise des menschlichen Gehirns dienen sollen. Dies beinhaltet die Erstellung von künstlichen neuronalen Netzen, die aus miteinander verbundenen Knoten bestehen, die die Funktionsweise der Neuronen im Gehirn simulieren sollen. Durch die Analyse von Daten und Anpassung der Gewichte des Netzwerks können subsymbolische KI-Modelle “lernen”, Muster zu erkennen und Vorhersagen zu treffen, ähnlich wie das Gehirn Informationen verarbeitet.

Schlüsselmerkmale und Eigenschaften der Subsymbolischen KI

Subsymbolische KI ist eine Art von KI, die sich mit Lern- und datengetriebenen Prozessen befasst, die neuronale Netze und Maschinenlernalgorithmen involvieren. In der subsymbolischen KI liegt weniger Betonung auf dem Aufbau komplexer logischer Strukturen und mehr auf der Entwicklung von Modellen, die Muster in Daten verarbeiten und erkennen können. Subsymbolische KI-Systeme sind geschickt darin, Trends zu erkennen und vorherzusagen, was sie in verschiedenen Bereichen wie Finanzen, Medizin und Marketing nützlich macht. Eine bemerkenswerte Eigenschaft von subsymbolischen KI-Systemen ist ihre Fähigkeit, zu lernen und sich an wechselnde Umgebungen anzupassen, was sie hochflexibel und anwendbar in verschiedenen Kontexten macht.

Beispiele für Anwendungen der Subsymbolischen KI und ihre Einschränkungen

Subsymbolische KI-Techniken basieren auf neuronalen Netzen und Maschinenlernalgorithmen, um intelligente Anwendungen zu erstellen, die mit Erfahrung lernen und sich verbessern können. Beispiele für Anwendungen der subsymbolischen KI sind Spracherkennungssysteme, Bilderkennungssysteme und selbstfahrende Autos. Allerdings haben diese Systeme Einschränkungen in ihrer Fähigkeit, ihre Entscheidungen zu erklären, was zu Bedenken hinsichtlich Transparenz, Rechenschaftspflicht und möglichen Verzerrungen führt. Darüber hinaus benötigt subsymbolische KI große Datenmengen und Rechenleistung, was ihre Implementierung in ressourcenbeschränkten Umgebungen erschwert.

Einer der Vorteile des subsymbolischen Ansatzes ist seine Fähigkeit, große Datenmengen schnell und genau zu verarbeiten. Dies ist besonders nützlich in Bereichen wie Bilderkennung und natürliche Sprachverarbeitung. Im Gegensatz zur symbolischen KI stützt sich die subsymbolische KI auf neuronale Netze, die aus großen Datensätzen lernen und sich an neue Informationen anpassen können. Ein Nachteil des subsymbolischen Ansatzes ist jedoch seine mangelnde Transparenz, die es schwierig macht, zu verstehen, wie Entscheidungen getroffen werden.

Vergleich von Symbolischer und Subsymbolischer KI

Abschließend sind symbolische KI und subsymbolische KI zwei wesentliche Ansätze zur KI, die sich darin unterscheiden, wie sie Informationen darstellen und verarbeiten. Symbolische KI basiert auf expliziten Darstellungen von Wissen und Schlussfolgerungen und eignet sich gut für Bereiche, in denen Logik, Planung und Verarbeitung natürlicher Sprache benötigt werden. Subsymbolische KI hingegen basiert auf verteilten Darstellungen und ist eher geeignet für Aufgaben, die Mustererkennung, Lernen und Optimierung beinhalten. Beide Ansätze haben ihre Stärken und Schwächen, und Forscher erforschen ständig Möglichkeiten, sie für bessere KI-Systeme zu kombinieren.

Untersuchung der Stärken und Schwächen der Symbolischen KI & Subsymbolischen KI

Abschließend hat die symbolische KI den Vorteil, dass sie Erklärungen für ihre Entscheidungs- und Schlussfolgerungsprozesse liefern kann, hat jedoch große Nachteile hinsichtlich ihrer Unfähigkeit, mit Unsicherheit umzugehen, und der Kombinationsexplosion, die mit komplexeren Problemen einhergeht. Andererseits mag die subsymbolische KI mit der Erklärung zu kämpfen haben, aber sie hat die Fähigkeit, große Datenmengen zu verarbeiten und ist besser geeignet, mit Unsicherheit umzugehen. Letztendlich hängt die Entscheidung, welchen Ansatz man wählt, stark von dem spezifischen Problem ab, das angegangen wird, und den Vorlieben des Implementierers.

Diskussion über die mögliche Integration dieser beiden Ansätze in der KI-Entwicklung

Zusammenfassend ist der symbolische Ansatz durch ein hohes Maß an menschlicher Intervention und sorgfältige Erstellung von Regeln gekennzeichnet, die befolgt werden müssen. Andererseits konzentriert sich der subsymbolische Ansatz mehr auf maschinelles Lernen und die Erstellung von neuronalen Netzen, die Maschinen das Lernen aus Erfahrungen ermöglichen. Während diese beiden Ansätze traditionell als miteinander in Konflikt stehend betrachtet wurden, erforschen Forscher zunehmend Möglichkeiten, die beiden Ansätze zu integrieren und hybride KI-Systeme zu erstellen, die die Stärken beider nutzen. Eine solche Integration wird wahrscheinlich den Weg für wirklich bahnbrechende KI-Software ebnen, die Wissen mit beispielloser Effizienz erstellen und anwenden kann.

Andererseits ist subsymbolische KI ein weiterer Ansatz zur KI, der auf maschinelles Lernen und künstliche neuronale Netze basiert. Sie stützt sich auf Mustererkennung und statistische Analyse, um die Beziehungen zwischen Eingabe und Ausgabe zu identifizieren. Subsymbolische KI-Systeme haben in der Regel eine große Anzahl von miteinander verbundenen Knoten, die durch einen Prozess, der als Training bekannt ist, aus Daten lernen können. Dieser Ansatz ist besonders nützlich für Aufgaben wie Bilderkennung und Spracherkennung, bei denen die zu erkennenden Muster komplex und schwierig explizit zu beschreiben sind.

Kontroversen und Debatten

In der KI-Forschung sind Kontroversen aus den Unterschieden zwischen symbolischen und subsymbolischen Ansätzen entstanden. Das symbolische Lager argumentiert, dass der menschliche Geist und die Sprache auf einer logischen Ebene operieren, die durch symbolische Manipulation repliziert werden kann, während die subsymbolische Perspektive behauptet, dass der menschliche Geist mit Mehrdeutigkeit und Unsicherheit umgeht und dass die symbolische Verarbeitung diese komplexen Phänomene nicht erfassen kann. Darüber hinaus wurde der subsymbolische Ansatz für seine fehlende Transparenz und Interpretierbarkeit kritisiert, was es schwierig macht zu verstehen, wie das Modell zu seinen Schlussfolgerungen gelangt ist.

Untersuchung von Kontroversen in der Verwendung und Entwicklung von Symbolischer KI und Subsymbolischer KI

Eine wichtige Kontroverse in der symbolischen KI ist ihre Abhängigkeit von handcodierten Regeln und Expertenwissen. Kritiker argumentieren, dass dieser Ansatz die Fähigkeit der KI, zu lernen und sich an neue Situationen anzupassen, einschränkt. Auf der anderen Seite hat die Abhängigkeit der subsymbolischen KI von maschinellem Lernen und statistischen Algorithmen zu Bedenken hinsichtlich der mangelnden Transparenz und Interpretierbarkeit ihrer Entscheidungsprozesse geführt. Außerdem argumentieren einige, dass der datengetriebene Ansatz der subsymbolischen KI Vorurteile perpetuiert und gesellschaftliche Ungleichheiten verstärkt. Beide Ansätze haben ihre Stärken und Schwächen, und es ist wichtig, ihre Implikationen und potenziellen Risiken in der Entwicklung und Verwendung von KI-Technologie sorgfältig zu betrachten.

Diskussion über ethische Fragen bei der Implementierung von KI

Eine der drängendsten Fragen, die aus der Entwicklung von KI entsteht, sind die ethischen Implikationen bei ihrer Implementierung. Da KI immer intelligenter und unabhängiger wird, wächst weltweit unter Experten die Sorge, dass die Technologie in einer Weise verwendet werden könnte, die der Gesellschaft schadet. So gibt es Bedenken darüber, wie KI zu militärischen Zwecken genutzt werden könnte, und ob der Einsatz von KI in Bereichen wie Gesundheitswesen und Strafrecht zu unbeabsichtigten Vorurteilen und Ungleichheiten führen könnte. Daher ist es von entscheidender Bedeutung, dass Politiker und Entwickler die ethischen Implikationen der KI berücksichtigen und Maßnahmen ergreifen, um ihre Risiken zu minimieren.

Eine der bedeutendsten Einschränkungen von symbolischen KI-Systemen ist ihre mangelnde Flexibilität. Diese Systeme hängen von vordefinierten Regeln und Anweisungen ab, um zu funktionieren, und haben nicht die Fähigkeit, sich an neue Situationen oder Daten anzupassen. Im Gegensatz dazu nutzen subsymbolische KI-Systeme, wie neuronale Netzwerke, einen flexibleren Ansatz, der es ihnen ermöglicht, aus Erfahrungen zu lernen und ihr Verhalten entsprechend anzupassen. Diese Anpassungsfähigkeit macht subsymbolische KI-Systeme besonders gut geeignet für komplexe Aufgaben, die Mustererkennung und Entscheidungsfindung in unsicheren Umgebungen erfordern.

Zukünftige Aussichten

Mit dem Fortschritt der Technologie scheinen die Zukunftsaussichten sowohl für symbolische als auch für subsymbolische KI vielversprechend. Im Falle der symbolischen KI erforschen Wissenschaftler derzeit Möglichkeiten, die Fähigkeiten zur Vernunft und zur Verarbeitung natürlicher Sprache zu verbessern, was letztendlich zu ausgefeilteren und menschenähnlichen Interaktionen mit Maschinen führen könnte. Ähnlich hat der Fortschritt in der subsymbolischen KI bereits bedeutende Durchbrüche in Bereichen wie Computer Vision und Spracherkennung erzielt, und weitere Fortschritte in den Techniken des tiefen Lernens könnten Maschinen ermöglichen, in Zukunft noch komplexere Aufgaben auszuführen. Insgesamt sieht die Zukunft sowohl für die symbolische als auch für die subsymbolische KI vielversprechend aus.

Einblicke in die Zukunft der Symbolischen und Subsymbolischen KI

Die Zukunft der KI beinhaltet eine fortgesetzte Evolution sowohl der symbolischen als auch der subsymbolischen Ansätze. Während die symbolische KI Erfolg in regelbasierten Systemen gezeigt hat, haben ihre Beschränkungen die Entwicklung von subsymbolischen KI-Techniken wie tiefes Lernen und neuronale Netzwerke inspiriert. Wenn diese subsymbolischen Methoden weiter voranschreiten, könnten sie möglicherweise die traditionelle symbolische KI in ihrer Fähigkeit zu lernen und Vorhersagen zu treffen, übertreffen. Es ist jedoch auch möglich, dass eine Kombination beider Ansätze am effektivsten bei der Lösung komplexer Probleme ist und potenziell neue Wege für Forschung und Innovation im Bereich der KI eröffnet.

Implikationen dieser Technologien für die Zukunft der Arbeit und der Gesellschaft

Mit dem Fortschreiten der KI-Technologien werden ihre Auswirkungen auf die Zukunft der Arbeit und der Gesellschaft immer tiefergehend. Zunächst wird erwartet, dass der Aufstieg der KI zahlreiche Arbeitsplätze automatisiert und in verschiedenen Sektoren Arbeitslosigkeit schafft. Dies kann jedoch auch zur Schaffung neuer Arbeitsplätze führen, die menschliche Fähigkeiten und Intelligenz erfordern, die KI nicht nachbilden kann. Darüber hinaus kann KI Präzision und Genauigkeit in verschiedenen Aufgaben ermöglichen, die Produktivität erhöhen und die Qualität von Produkten und Dienstleistungen verbessern. Allerdings wird die Gesellschaft sich mit den sozialen und ethischen Herausforderungen auseinandersetzen müssen, die die KI mit sich bringt.

Trotz ihrer Einschränkungen hat die symbolische KI immer noch ihren Platz im Bereich der künstlichen Intelligenz. Einer ihrer Hauptvorteile ist ihre Fähigkeit, transparente und erklärliche Modelle zu liefern. Symbolische Modelle können von Menschen interpretiert und verstanden werden, eine entscheidende Eigenschaft in Bereichen wie Medizin und Finanzen. Darüber hinaus bleiben symbolische Ansätze effektiv in Problemgebieten, in denen nur eine begrenzte Menge an Trainingsdaten zur Verfügung steht, da sie auf logischen Regeln und Wissensbasen beruhen. Daher sollte die symbolische KI nicht vollständig abgeschrieben, sondern dort eingesetzt werden, wo sie am effektivsten sein kann.

Schlussfolgerung

Zusammenfassend lässt sich sagen, dass das Feld der künstlichen Intelligenz in den letzten Jahren bedeutende Fortschritte gemacht hat, mit der Entwicklung sowohl symbolischer als auch subsymbolischer KI-Systeme. Es gibt jedoch immer noch Einschränkungen und Herausforderungen zu überwinden, insbesondere bei der Erreichung menschenähnlicher Fähigkeiten in Bezug auf Vernunft und Entscheidungsfindung. Während die symbolische KI sich auf Vernunft und Wissensrepräsentation konzentriert, legt die subsymbolische KI den Schwerpunkt auf Mustererkennung und maschinelles Lernen. Die Zukunft der KI-Forschung wird wahrscheinlich eine Kombination dieser Ansätze beinhalten, sowie eine fortgesetzte Erforschung neuer Techniken und Methoden.

Zusammenfassung der vergleichenden Analyse von Symbolischer & Subsymbolischer KI

Zusammenfassend ergab die vergleichende Analyse der Symbolischen und Subsymbolischen KI, dass die Symbolische KI regelgebunden und deklarativ ist, während die Subsymbolische KI adaptiv ist und durch Feedback und Erfahrung lernen kann. Symbolische KI erfordert a priori Wissen und Experten, die die Regeln entwerfen und den Operationsbereich abbilden, während die Subsymbolische KI unabhängig funktionieren und von Grund auf lernen kann. Symbolische KI eignet sich besser für regelbasierte Bereiche, während die Subsymbolische KI besser in unstrukturierten und dynamischen Umgebungen funktioniert, was sie zu einer besseren Wahl für Anwendungen in der realen Welt macht.

Schlussreflexionen über die Bedeutung von KI im modernen Zeitalter

Zum Abschluss kann die Bedeutung der künstlichen Intelligenz im modernen Zeitalter nicht überbewertet werden. Die Entwicklung von KI-Technologien hat bereits einen erheblichen Einfluss auf verschiedene Aspekte unseres Lebens gehabt, einschließlich Gesundheitswesen, Bildung und Wirtschaft. Da die KI weiterhin fortschreitet, kann man sich nur die unzähligen Möglichkeiten vorstellen, die sie in der Zukunft bringen könnte. Es gibt jedoch auch Herausforderungen und ethische Überlegungen, die berücksichtigt werden müssen. Es ist von entscheidender Bedeutung, dass wir uns vorsichtig der Entwicklung von KI nähern, um sicherzustellen, dass ihre Vorteile ihre potenziellen Risiken überwiegen.

Mit freundlichen Grüßen

Quellenangabe:

• Division on Engineering and Physical Sciences. ‘Information Technology and the U.S. Workforce.’ Where Are We and Where Do We Go from Here?, National Academies of Sciences, Engineering, and Medicine, National Academies Press, 4/18/2017
• Bernd Carsten Stahl. ‘Artificial Intelligence for a Better Future.’ An Ecosystem Perspective on the Ethics of AI and Emerging Digital Technologies, Springer Nature, 3/17/2021
• Sergio Scheer. ‘Proceedings of the 18th International Conference on Computing in Civil and Building Engineering.’ ICCCBE 2020, Eduardo Toledo Santos, Springer Nature, 7/14/2020
• Thomas H. Davenport. ‘Artificial Intelligence.’ The Insights You Need from Harvard Business Review, Harvard Business Review, Harvard Business Review Press, 1/1/2019
• Carlos E. García. ‘Fundamental Process Control.’ Butterworths Series in Chemical Engineering, David M. Prett, Butterworth-Heinemann, 10/22/2013
• Franz Kurfess. ‘From Synapses to Rules.’ Discovering Symbolic Rules from Neural Processed Data, Bruno Apolloni, Springer Science & Business Media, 12/6/2012
• A. Krijgsman. ‘Application of Artificial Intelligence in Process Control.’ Lecture Notes Erasmus Intensive Course, L. Boullart, Elsevier, 10/22/2013
• Risto Miikkulainen. Subsymbolic Natural Language Processing.’ An Integrated Model of Scripts, Lexicon, and Memory, MIT Press, 1/1/1993
• Anna Echterhölter. ‘Beyond Quantity.’ Research with Subsymbolic AI, Andreas Sudmann, Transcript Verlag, 11/1/2023
• Krysia B. Broda. ‘Neural-Symbolic Learning Systems.’ Foundations and Applications, Artur S. d’Avila Garcez, Springer Science & Business Media, 12/6/2012
• Christian Breunig. ‘Comparative Policy Agendas.’ Theory, Tools, Data, Frank R. Baumgartner, Oxford University Press, 1/1/2019
• F. Lécué. ‘Knowledge Graphs for eXplainable Artificial Intelligence: Foundations, Applications and Challenges.’ I. Tiddi, IOS Press, 5/6/2020