„Hybride KI mit Machine Learning und Knowledge Graphs“ ist ein praxisnahes Buch, das anhand von konkreten Beispielen auf 420 Seiten zeigt, wie die Stärken von Machine Learning und wissensbasierter KI vereint werden können, um die Limitierungen der jeweiligen Einzelansätze zu überwinden. Das Buch versammelt viele Lösungen aus der Praxis, die wertvolle Einblicke in konkrete Anwendungsfälle bietet.
„Hybride KI mit Machine Learning und Knowledge Graphs“ ist ein Open-Access-Buch, was bedeutet, dass man freien und uneingeschränkten Zugang auf das Buch hat und es unter der folgenden Adresse als PDF oder EPUB herunterladen kann.
https://link.springer.com/book/10.1007/978-3-658-44781-6
Das Buch ist klar in vier Teile gegliedert, die unterschiedliche Arten der Kombination von Machine Learning (ML) und wissensbasierter KI (oft in Form von Knowledge Graphs, kurz KG) beleuchten:
- Machine Learning für wissensbasierte KI
Hier wird gezeigt, wie ML-Verfahren den Aufbau und die Pflege von Wissensgraphen unterstützen können, beispielsweise durch Text-Mining zur Extraktion von Entitäten und Relationen oder zur Klassifikation von Dokumenten für den Aufbau von KGs. - Wissensbasierte KI für Machine Learning
Dieser Teil demonstriert, wie explizites Wissen (z.B. aus Ontologien oder KGs) die Leistungsfähigkeit von ML-Modellen verbessern kann, etwa durch semantische Anreicherung von Trainingsdaten, Feature Engineering oder zur Steuerung von AutoML-Prozessen. - Inhärent hybride KI-Verfahren
Hier werden Ansätze vorgestellt, die von Natur aus Aspekte beider Welten kombinieren, wie Bayes’sche Netze, Graph Neural Networks oder Transfer-Lernen mit ontologischer Unterstützung. - Kombination von Machine Learning und wissensbasierter KI
Der letzte Teil widmet sich Systemen, in denen beide Ansätze als separate, aber interagierende Komponenten eingesetzt werden, um komplexe Probleme zu lösen, beispielsweise in der Entscheidungsunterstützung oder bei autonomen Systemen.
Das einleitende Kapitel beschreibt die Notwendigkeit hybrider Ansätze, indem es die komplementären Stärken und Schwächen von rein datengetriebenen ML-Verfahren und rein wissensbasierten Systemen gegenüberstellt.
Ein besonderes Merkmal des Buches ist die durchgängige Verwendung von „Boxology“-Diagrammen, einer Notation zur Visualisierung hybrider KI-Architekturen. Die Diagramme erleichtern das Verständnis und den Vergleich der verschiedenen vorgestellten Lösungen und schafft eine einheitliche Darstellung der unterschiedlichen Anwendungsfälle.
Die Bandbreite der Anwendungsfälle ist sehr umfangreich und unterstreicht den Praxisbezug des Buches. Sie reicht von der Medizin, über die öffentliche Verwaltung, das Ingenieurwesen und die Landwirtschaft bis hin zu Finanzen/Versicherungen, juristischen Anwendungen und der Vorhersage von Sportergebnissen.
Jedes Kapitel ist in sich abgeschlossen und enthält eine Kernaussage, eine umfassende Beschreibung, die technische Umsetzung und abschließende Empfehlungen zu dem Anwendungsfall. Dies macht das Buch auch als Nachschlagewerk für spezifische Problemstellungen wertvoll.
Zusammenfassend ist „Hybride KI mit Machine Learning und Knowledge Graphs“ eine sehr empfehlenswerte Lektüre für alle, die sich mit der praktischen Anwendung von KI beschäftigen. Da der Fokus auf konzeptionellem Verständnis und praktischen Anwendungsbeispielen liegt, ist das Buch auch für Nicht-Programmierer gut geeignet und setzt nur wenig mathematische Grundkenntnisse voraus. Es bietet eine Fülle an konkreten Beispielen, eine klare Struktur und methodische Werkzeuge, um die Synergien zwischen symbolischer und subsymbolischer KI zu verstehen und für eigene Projekte nutzbar zu machen. Es zeigt eindrücklich, dass hybride KI nicht nur ein theoretisches Konzept ist, sondern bereits heute innovative und wertschöpfende Lösungen in der Praxis ermöglicht.