Das Integrationspattern „Ontologie als Constraint” kombiniert symbolische und neuronale KI auf die folgende Weise: eine vorgegebene Ontologie, Logiktheorie oder formale Regelmenge dient als Constraint, der den Lern- oder Inferenzprozess eines neuronalen Modells strukturiert. Das Lernen ist dann nicht mehr frei in einem unbeschränkten Funktionsraum, sondern arbeitet innerhalb der durch die Logik definierten Grenzen.
Vertreter sind insbesondere Logic Tensor Networks (Badreddine, Garcez, Serafini und Spranger, Artificial Intelligence Journal Vol. 303, Art. 103649, 2022), die First-Order-Logik in einen differenzierbaren Constraint auf neuronale Embeddings übersetzen; AlphaProof (DeepMind, Nature 12. November 2025), das den Lean-Theorembeweiser als Constraint des Beweisgenerierungsprozesses nutzt; und Knowledge-Graph-grounded Reasoning, das eine Domänen-Ontologie als Faktenbasis für die neuronale Inferenz verwendet.
Personseinsontologisch ist dieses Pattern ein Spezialfall der neuro-symbolischen KI. Architektonisch interessant: das Pattern ist eng verwandt mit dem rein symbolischen Validierungslauf — eine OWL-Konsistenzprüfung mit HermiT oder eine SHACL-Validierung folgt derselben Grundidee. Der Unterschied liegt darin, dass die ontologische Struktur hier nicht nur am Ende prüft, sondern während des Trainings oder der Inferenz lenkt.
Ontologische Einordnung: Oberbegriff: Neuro-symbolische KI.
Methodische Pointe
Das Pattern adressiert eine zentrale Schwäche rein neuronaler Systeme: ihre Tendenz, plausibel klingende, aber inkonsistente Ausgaben zu generieren — die Halluzinationen großer Sprachmodelle sind das prominenteste Beispiel. Wenn die Ontologie als Constraint mitläuft, werden Inkonsistenzen mit der Wissensbasis im Lern- oder Inferenzprozess mitbestraft; das System kann sich von der Wissensstruktur nicht beliebig wegbewegen.
Der Preis ist die Abhängigkeit von der Qualität und Vollständigkeit der Constraint-Ontologie. Was die Ontologie nicht abbildet, kann das System nicht von außen über sie lernen — und falsche Constraints engen den Lernraum falsch ein.
Anschlussstelle zur eigenen Ontologie
Das Pattern hat eine besondere Resonanz mit der personalontologischen Arbeit hier: die Personsein-Ontologie ist selbst eine Constraint-Struktur in diesem Sinn — sie hält fest, welche Aussagen über Person, Substanz und Akt logisch zusammen bestehen können. Neuro-symbolische Systeme, die Ontologien als Constraint nutzen, machen damit greifbar, was eine philosophische Ontologie auch leisten kann: nicht nur Klassifikation, sondern strukturierende Vorgabe.
Quellenangaben: Recherchestand 7. Juni 2026 (Dossier Neuro-symbolische KI — weltweite Recherche).
Weitere Quellen:
- Badreddine, Samy, d’Avila Garcez, Artur, Serafini, Luciano & Spranger, Michael (2022): Logic Tensor Networks. Artificial Intelligence Vol. 303, Art. 103649. DOI 10.1016/j.artint.2021.103649.
- DeepMind (2025): AlphaProof. Methodik publiziert in Nature, 12. November 2025.
- Mileo, Alessandra, Confalonieri, Roberto & Guizzardi, Giancarlo (2025): On the multiple roles of ontologies in explanations for neuro-symbolic AI. Neurosymbolic Artificial Intelligence (NAI) Journal. DOI 10.3233/NAI-240754.
Siehe auch
- Neuro-symbolische KI
- Symbolische KI
- Neuronale KI
- Neural als Prädikat
- Wissensgraph-Retrieval als Grundlage
- Abgeleitete Intentionalität
Generiert via Abfrage aus der Personsein-Ontologie.