人工智能可以分为所谓的符号系统和子符号系统：在符号系统中，规则和关系，即所谓的人工智能模型，由人类可以理解的概念来表示。这意味着人们可以理解和阅读该模型。另一方面，子符号系统是黑匣子系统，其内容不容易理解。一个例子说明了不同的概念：目标是识别一群人中的母亲。
在符号系统中，专家们确立了“母亲”概念是“人”概念的特化的规则；即，女性且与另一个人（她们的孩子）至少有一种亲子关系的人。如果存储了此类规则，系统就可以回答母亲的搜索查询 - 即使在搜索的数据中未指定属性“母亲”。该系统仅根据有关存在的关系和人们的性别的信息产生点击。
另一方面，在子符号系统中，专家使用所谓的支持向量机（SVM）或人工神经网络（ANN）来完成相同的任务。专家经常成功地使用这两种方法将数据自动分类（分类）到特定类别。原则上，这些方法也适用于将人分为母亲和非母亲。为此，支持向量机以平面（所谓的超平面）的形式划分多维数据空间，将母亲组和非母亲组分开。在二维的简化示例中，这意味着坐 网络营销联系清单 标系中的点表示要评估的数据，并且 SVM 使用这些点来确定将点分为两类（母/非母）的直线。
神经网络以完全不同的方式解决“母亲/非母亲”分类问题，即从一组网络“神经元”中导出这些分类。神经元代表各种数据转换。神经元被分为几层，相邻层中的神经元通过加权连接相互连接。因此，输入网络的数据经过不同级别的神经元的处理，最终激活“母亲”或“非母亲”类别。
仅这些解释就清楚地表明：子符号系统的过程和功能很难用几句话来表达。了解导致多维空间中层次出现或神经元之间关系加权的过程是非常复杂的。
谁有选择权...
关于业务实践：哪种系统适合取决于应用程序和公司的背景。如果法规要求决策（例如有关贷款承诺或施工程序批准的决策）必须易于理解且透明，则子象征程序将不再适用于公司或当局。因为它们使得提供这样的解释变得困难。
无论选择哪种方法，模型都可以识别联系并提供新的见解。这种能力创造了广泛的可能应用：
机械工程中的预警系统，系统学习解释导致早期机器故障的机制（预测性维护）。
例如在向保险公司报告索赔的过程中，部分或完全自动从文本文档中提取数据，例如名称、数字或理由。
用于检测和防止金融或保险领域欺诈的自动程序，称为欺诈检测。
这些例子和解释表明，“找针”背后有多种不同的方法、程序和技术。为了使人工智能应用取得预期的成功并满足所有监管要求，相关人员在规划过程中必须明确区分。选择单个组件至关重要，以便它们作为一个整体满足透明度和可追溯性的要求。
实现目标的途径通常不止一条，但并非所有途径都对公司开放。