Neuronale-Symbolische Hybridisierung
Nordshop Insights · Knowledge Graphs
Die Lösung des Halluzinationsproblems
Ein Sprachmodell soll nicht mehr allein entscheiden, was „wahr“ ist. Es übernimmt vor allem das Verstehen und Formulieren. Ein Wissensgraph übernimmt dagegen die Rolle einer kontrollierten, strukturierten Fakten- und Regelbasis.
Stellen wir uns das am Beispiel eines Industrieunternehmens vor. Ein klassisches Sprachmodell bekommt die Frage:
„Welche Maschine steht im Werk Bremen, wann wurde sie zuletzt gewartet und darf sie mit Material X betrieben werden?“
Das Sprachmodell kann die Frage hervorragend verstehen. Es erkennt beispielsweise:
Werk Bremen = Standort Maschine = technische Anlage letzte Wartung = Servicehistorie Material X = Werkstoff „darf betrieben werden“ = technische Regel bzw. Zulässigkeitsprüfung
Das Problem ist aber: Ein reines Sprachmodell erzeugt seine Antwort anhand statistischer Wahrscheinlichkeiten. Es berechnet vereinfacht gesagt:
Welche Wörter beziehungsweise Aussagen passen aufgrund meiner Trainingsdaten und des gegebenen Kontextes wahrscheinlich am besten zusammen?
Das ist etwas völlig anderes als: Ist diese Aussage tatsächlich wahr? Genau an dieser Stelle kommt die neuro-symbolische Architektur ins Spiel.
- Die neuronale Ebene: Das Sprachmodell
Die neuronale Komponente könnte beispielsweise GPT, Claude, Gemini oder ein spezialisiertes industrielles Sprachmodell sein. Ihre Stärke liegt insbesondere in der Verarbeitung unstrukturierter Informationen:
E-Mails, PDFs, Wartungsberichte, Handbücher, Serviceprotokolle, Gesprächsnotizen oder natürlichsprachliche Fragen.
Nehmen wir an, ein Mitarbeiter schreibt: „Kann die XL-6020 in Bremen eigentlich auch 8-mm-Aluminium schneiden?“
Das Sprachmodell versteht daraus ungefähr:
Maschine = XL-6020
Standort = Bremen
Material = Aluminium
Materialstärke = 8 mm
Operation = Laserschneiden
Frage = technische Zulässigkeit
Das ist die neuronale Stärke: Sprache verstehen, Zusammenhänge erkennen, Informationen extrahieren und anschließend eine verständliche Antwort erzeugen. Aber das Modell weiß noch nicht zuverlässig, ob die Maschine tatsächlich dafür geeignet ist.
- Die symbolische Ebene: der Wissensgraph
Der Wissensgraph funktioniert völlig anders.
Er speichert nicht einfach Texte, sondern strukturierte Aussagen.
DANN
Das ist keine statistische Vermutung mehr. Es ist eine formalisierte Regel.
- Genau hier entsteht die Hybridisierung
Jetzt werden beide Welten miteinander verbunden.
Der Anwender fragt:
„Kann unsere Maschine in Bremen 8-mm-Aluminium schneiden?“
Das LLM interpretiert die Frage.
Welche Maschine?
→ XL-6020
Standort?
→ Bremen
Laserleistung?
→ 6 kW
Material?
→ Aluminium
Materialdicke?
→ 8 mm
Zulässige Materialdicke Aluminium?
→ maximal 10 mm
Weitere Bedingungen erfüllt?
→ Schneidgas vorhanden
Der Wissensgraph beziehungsweise eine darauf arbeitende Regel-Engine kommt dann zu:
Erst jetzt formuliert das Sprachmodell daraus:
„Ja. Die im Werk Bremen eingesetzte XL-6020 ist laut hinterlegter Maschinenspezifikation für Aluminium bis 10 mm freigegeben. Bei einer Materialstärke von 8 mm liegt die Anwendung innerhalb des zulässigen Bereichs.“
Das ist der entscheidende Unterschied.
Das LLM hat die Antwort nicht erfunden. Es hat sie formuliert.
- Warum reduziert das Halluzinationen?
Ein reines LLM könnte theoretisch antworten:
„Die XL-6020 kann Aluminium bis 12 mm schneiden.“
Vielleicht hat es ähnliche Maschinen in seinen Trainingsdaten gesehen.
Vielleicht klingt diese Zahl plausibel.
Aber sie könnte falsch sein.
Für die Architektur sollte deshalb die Regel gelten:
LLM-Aussage > Faktenprüfung > Wissensgraph > Regelprüfung > Konsistenzprüfung > Antwort
Wenn das Sprachmodell behauptet: XL-6020 → Aluminium bis 12 mm, der Wissensgraph aber enthält: XL-6020 → Aluminium maximal 10 mm entsteht ein Widerspruch. Die Aussage wird also nicht freigegeben. Das System könnte stattdessen antworten: „Für 12-mm-Aluminium liegt nach den hinterlegten Maschinendaten keine Freigabe vor.“ Das ist der eigentliche Sicherheitsgewinn.
- Noch wichtiger: Der Graph kann Beziehungen prüfen
Ein Wissensgraph kann beispielsweise enthalten:
Jetzt fragt jemand: „Muss die Maschine demnächst gewartet werden?“ Das System kann mehrere Fakten kombinieren und das Sprachmodell formuliert dann:
„Die XL-6020 nähert sich ihrem Wartungsintervall. Nach den aktuell hinterlegten Betriebsdaten verbleiben etwa 30 Betriebsstunden bis zur nächsten planmäßigen Wartung.“
Das LLM hat hier praktisch nur noch die Aufgabe, das Ergebnis verständlich zu kommunizieren.
- Die symbolische Ebene kann zusätzlich Regeln enthalten
Und damit wird aus einem Wissensgraphen mehr als nur eine Datenbank.
Zum Beispiel:
WENN
BetriebsstundenseitWartung > 500
DANN
Wartungsstatus = überfällig
Oder:
WENN
Fehlercode = E471
UND
Maschinentemperatur > 80°C
DANN
Maschine_stoppen = JA
Oder:
WENN
Lieferant = nicht_freigegeben
DANN
Bestellung = blockieren
Oder im Controlling:
WENN
Bestellwert > 100.000 €
DANN
Vier-Augen-Freigabe erforderlich
Das LLM kann diese Regeln nicht einfach „wegdiskutieren“.
Die Regel ist deterministisch.
- Warum nennt man das „neuro-symbolisch“?
Weil zwei grundsätzlich unterschiedliche Arten von KI kombiniert werden. Die neuronale KI ist besonders gut bei:
Sprache Interpretation Mustererkennung Zusammenfassung Klassifikation Generierung unstrukturierten Daten
Die symbolische KI ist besonders gut bei:
Fakten Logik Regeln Beziehungen Konsistenz Constraints Nachvollziehbarkeit
Vereinfacht:
Neuro-symbolisches System „Ich verstehe deine Frage und überprüfe meine Antwort gegen definierte Fakten und Regeln.“
Das ist ein „intelligenten Unternehmens“ ein enorm wichtiger Unterschied.
- Und jetzt kommt der vielleicht wichtigste Punkt: Nachvollziehbarkeit
Bei einer normalen LLM-Antwort bekommt man beispielsweise: „Die Maschine sollte morgen gewartet werden.“
Dann stellt ein Produktionsleiter zu Recht die Frage: „Warum?“
Ein neuro-symbolisches System könnte antworten:
Empfehlung: Wartung innerhalb der nächsten 30 Betriebsstunden.
Begründung: Maschine: XL-6020 | Letzte Wartung: 8.450 Betriebsstunden | Aktueller Zähler: 8.920 | Betriebsstunden Wartungsintervall: 500 Betriebsstunden | Berechnung: 8.920 – 8.450 = 470 | Restintervall: 30 Betriebsstunden | Quelle: Serviceplan Version 4.2
Jetzt ist die Entscheidung überprüfbar.
Das ist für industrielle KI sehr viel wichtiger als ein besonders eloquent klingender Chatbot.
- „Jede Ausgabe des Sprachmodells wird … gegen die Fakten und Regeln des Wissensgraphen logisch geprüft und validiert.“
ist als Zielarchitektur hervorragend. Technisch ist das aber ein sehr hoher Anspruch. Nicht jede natürlichsprachliche Aussage lässt sich automatisch mathematisch vollständig beweisen oder widerlegen.
Ich würde deshalb unterscheiden zwischen:
verifizierbar nicht verifizierbar widersprüchlich
Dann könnte das System beispielsweise sagen:
Aussage A:
Im Graph bestätigt ✓
Aussage B:
Aus einer Regel abgeleitet ✓
Aussage C:
Keine ausreichenden Daten vorhanden ⚠
Aussage D:
Widerspruch zu Unternehmensdaten ✕
Das ist konzeptionell stärker als zu behaupten, Halluzinationen vollständig zu eliminieren.
- Die Architektur könnte deshalb vereinfacht so aussehen
Das Sprachmodell wird nicht zur Wissensquelle des Unternehmens.
Der Wissensgraph beziehungsweise die angebundenen Unternehmensdaten werden zur maßgeblichen Wissens- und Regelbasis.
Das LLM wird zur intelligenten Schnittstelle zwischen Mensch und Unternehmenswissen.
Damit verändert sich das Prinzip von:
„Frag die KI – vielleicht weiß sie es.“
zu:
„Frag das Unternehmen – die KI versteht deine Frage und liefert dir die belegbare Antwort.“