Hybride KI

1. Hybride Künstliche Intelligenz (KI) kombiniert verschiedene Methoden der Künstlichen Intelligenz oder unterschiedlicher Wissensrepräsentation, um die Stärken der einzelnen Verfahren zu nutzen und ihre Schwächen auszugleichen. 
   In der Medizin kann ein solches lernendes System klinische Daten mit Leitlinienwissen kombinieren, um Diagnosen oder Therapieempfehlungen besser einzuordnen. Im juristischen Bereich können modellbasierte Vorschläge anhand komplexer Regelwerke oder Vertragslogiken geprüft werden – stets mit dem Ziel, Kontextwissen und datenbasierte Analyse zu vereinen.
2. Durch hybride KI werden Systeme robuster und verlässlicher. Sie sind weniger anfällig für Verzerrungen (Bias) und kommen mit kleineren Datenmengen aus. Für Unternehmen bedeutet das: Fundiertere Entscheidungen, weniger Kosten für die Datenannotation und größere Nachvollziehbarkeit.
3. Hybride KI ist das Fundament für Agentic AI. Weil die Technologie Maschinelles Lernen mit Wissen, Logik und Kontextverständnis verbindet, können KI-Agenten bessere Entscheidungen treffen.
    

Hybride KI zeigt ihre Stärken überall dort, wo Entscheidungen sowohl datenbasiert als auch wissensgestützt getroffen werden müssen. Besonders in regulierten und sicherheitskritischen Bereichen – etwa in der Finanz- und Rechtsbranche, im Gesundheitswesen oder in der öffentlichen Verwaltung – ist sie ein Schlüssel, um komplexe Prozesse zuverlässig, nachvollziehbar und effizient zu gestalten.

Durch die Verbindung von lernenden und regelbasierten Verfahren kann hybride KI Fachwissen, Richtlinien oder Prozesslogik direkt in KI-Systeme integrieren. Das ermöglicht Anwendungen, die nicht nur Muster erkennen, sondern deren Bedeutung verstehen und kontextgerecht handeln – beispielsweise beim Prüfen regulatorischer Vorgaben, beim automatisierten Umgang mit sensiblen Daten oder bei der Qualitätssicherung in industriellen Prozessen.

Wir forschen am Fraunhofer IAIS an hybriden KI-Systemen aus unterschiedlichen Komponenten: Maschinelles Lernen von symbolischen Verfahren bis Generativer KI, KI-basierte Optimierung und Forecasting, Wissen und Logik sowie Quantum Machine Learning. Dabei können auch größte Mengen strukturierter und unstrukturierter Daten verarbeitet werden. Neben dem üblichen zentralen Lernen setzen wir auch auf verteiltes Lernen, das besonders hohe Anforderungen an den Datenschutz bedient. Zudem entwickeln wir Edge-ML-Modelle, die auf Geräten ohne Internetzugang funktionieren. Zur besseren Verschränkung von Software- und Modellentwicklung setzen wir MLOps-Methoden ein. Mit Agentic AI-Technologien entwickeln wir intelligente Agenten, die ausgewählte KI-Modelle, Wissen aus strukturierten Daten, externe Informationsquellen und Werkzeuge nach Bedarf nutzen, um komplexe Aufgaben zu lösen.