Bechberger, LucasReischuk, Rüdiger2024-10-022024-10-022024978-3-88579-982-5https://dl.gi.de/handle/20.500.12116/44705Ansätze im Bereich der künstlichen Intelligenz (KI) lassen sich grundsätzlich in zwei Gruppen einteilen: Symbolische Ansätze (wie deduktives Schließen) sind interpretierbar, aber tendenziell unflexibel, wohingegen subsymbolische Ansätze (wie maschinelles Lernen) sehr flexibel, aber häufig nicht gut interpretierbar sind. Neurosymbolische KI kombiniert und integriert beide Verfahren, während kognitive KI Wissen über die menschliche Kognition einbezieht. In dieser Arbeit betrachten wir Konzepte als Kern menschlicher Kognition und konzeptuelle Räume als einen neurosymbolischen Ansatz, der Konzepte geometrisch darstellt. Wir entwickeln Lösungen für drei Kernprobleme, welche der breiten Nutzung dieses Ansatzes in der künstlichen Intelligenz aktuell noch im Wege stehen: Eine saubere und umfassende Formalisierung der konzeptuellen Regionen, die Verankerungen der konzeptuellen Räume in Sensordaten, sowie kognitiv plausible Mechanismen für das Lernen der konzeptuellen Regionen.de10.18420/Diss2023-01