Das Training von Modellen des maschinellen Lernens (ML) erfordert viele annotierte Trainingsdaten und ist ein Hauptkostentreiber für neue KI-Anwendungen, insbesondere im Deep Learning für die Objekterkennung. Die Kombination von statistischen und regelbasierten Verfahren bietet erhebliche Einsparpotenziale. Subsymbolische KI-Ergebnisse können mit Kontextmodellen angereichert werden, was die Wiederverwendung von ML-Modellen ermöglicht. Labels können durch Anpassung der Ontologie neu interpretiert werden, oft genügen kleine individuelle Modelle, die mit bestehenden kombiniert werden.Im besten Fall können frei verfügbare Erkennungsmodelle verwendet werden, wodurch das Training neuronaler Netze entfällt. Das folgende Kapitel zeigt Anwendungsarchitekturen und Einsparpotentiale dieser Technologiekombination auf.