Deduktion in der Künstlichen Intelligenz

Deduktion ist das Gegenstück zur Induktion: Statt aus Beispielen zu generalisieren, wird aus allgemeinen, als wahr angenommenen Regeln/Fakten durch logisch zwingende Schlussfolgerung neues, garantiert korrektes Wissen abgeleitet. Sie war historisch sogar der Ausgangspunkt der KI-Forschung ("Good Old-Fashioned AI").

1. Was bedeutet Deduktion hier?

Deduktion geht vom Allgemeinen zum Speziellen – und ist im Gegensatz zur Induktion wahrheitserhaltend: Wenn die Prämissen wahr sind und die Schlussregeln korrekt angewendet werden, ist die Konklusion zwingend wahr (kein "vielleicht", keine Wahrscheinlichkeit).

Klassisches Beispiel:

• Prämisse 1: Alle Menschen sind sterblich.

• Prämisse 2: Sokrates ist ein Mensch.

• Konklusion: Sokrates ist sterblich. → logisch zwingend, nicht nur wahrscheinlich.

2. Historische Rolle: Symbolische KI / GOFAI

Deduktion war das Fundament der klassischen, regelbasierten KI der 1950er–1980er Jahre:

• Logikbasierte Systeme: Prädikatenlogik erster Stufe (First-Order Logic) als Wissensrepräsentation

• Automatisches Theorembeweisen: Resolution (Robinson, 1965), Wang's Algorithm

• Expertensysteme: MYCIN, DENDRAL – Wenn-Dann-Regeln, aus denen per deduktiver Inferenzkette Diagnosen/Schlüsse gezogen wurden

• Logikprogrammierung: Prolog ist im Kern eine deduktive Inferenzmaschine (SLD-Resolution)

3. Zentrale Mechanismen deduktiver Inferenz

4. Formale Grundlagen

• Prädikatenlogik 1. Stufe: Standard-Repräsentationssprache für deduktive Systeme

• Vollständigkeit & Korrektheit (Gödel): Ein deduktives System ist korrekt, wenn es nur wahre Aussagen ableitet, und vollständig, wenn es alle wahren Aussagen ableiten kann

• Entscheidbarkeit: Anders als bei Aussagenlogik ist Prädikatenlogik 1. Stufe nur semi-entscheidbar – das begrenzt praktisch, was deduktive Systeme leisten können

5. Vorteile gegenüber induktiven Verfahren

• Nachvollziehbarkeit/Erklärbarkeit: Jeder Schluss lässt sich als Beweiskette zurückverfolgen – ein großer Vorteil gegenüber "Black-Box"-neuronalen Netzen

• Garantierte Korrektheit: Bei korrekten Prämissen keine "Halluzinationen" oder Wahrscheinlichkeitsfehler

• Keine Trainingsdaten nötig: Funktioniert allein auf Basis von explizitem Wissen (Wissensbasis)

6. Grenzen der Deduktion in der KI

• Wissensakquisitionsproblem: Jemand muss die Regeln/Fakten explizit formulieren – das ist aufwändig, fehleranfällig und skaliert schlecht (im Gegensatz zum automatischen Lernen aus Daten)

• Keine Generalisierung auf unbekannte Muster: Ein deduktives System kann nur das ableiten, was implizit schon in seiner Wissensbasis steckt – es kann nicht wie ein ML-Modell "neue" Muster in Rohdaten entdecken

• Brittleness (Sprödigkeit): Fehlt eine Regel für einen Randfall, versagt das System komplett, statt "ungefähr richtig" zu liegen (das berühmte Problem klassischer Expertensysteme in den 1980ern, das zum "AI Winter" beitrug)

• Rechenkomplexität: Theorembeweisen ist im Allgemeinen NP-hart oder schlimmer

7. Deduktion heute: Nicht verschwunden, sondern integriert

Deduktion ist keineswegs obsolet, sondern lebt in modernen hybriden Ansätzen weiter:

• Neuro-symbolische KI: Kombination aus neuronalem (induktivem) Lernen und symbolischer (deduktiver) Logik – z. B. um Constraints/Regeln zu garantieren, die ein neuronales Netz allein nicht einhalten kann

• Wissensgraphen & Ontologien (z. B. OWL, RDF): Nutzen Description-Logic-Inferenz, um aus expliziten Fakten implizite Beziehungen deduktiv abzuleiten

• Constraint-Satisfaction & Planning: Klassische Planungsalgorithmen (STRIPS) arbeiten deduktiv über Zustandsräume

• Formale Verifikation von KI-Systemen: Um Sicherheitsgarantien für neuronale Netze zu beweisen (z. B. dass ein autonomes Fahrzeug niemals bestimmte Zustände erreicht), braucht man deduktive/formale Methoden – Wahrscheinlichkeit reicht hier nicht

• LLMs + Tool Use: Wenn ein Sprachmodell z. B. einen Theorembeweiser oder eine Logik-Engine als Tool aufruft, um exakte Schlüsse zu ziehen, statt sie "zu erraten"

8. Deduktion vs. Induktion – die Synthese

Der aktuelle Trend – gerade bei LLMs kombiniert mit Tools, Retrieval und symbolischen Solvern – geht klar in Richtung hybrider Systeme, die induktives Mustererkennen mit deduktiver Präzision verbinden, um die jeweiligen Schwächen auszugleichen.