Die Einsatzmöglichkeiten für Maschinelles Lernen und Künstliche Intelligenz (KI) scheinen grenzenlos zu wachsen. Doch mit zunehmendem Anwendungsspektrum steigt auch das Sicherheitsrisiko und dadurch die allgemeine Besorgnis. Eine grundlegende Eigenschaft sicherer KI-Systeme ist ihre Transparenz. Mit den „Rule-Based Neural Networks“ stellen wir einen neuartigen Ansatz vor, der die Vorgehensweise von KI-Anwendungen von Grund auf nachvollziehbar macht. Aus der Verbindung Regelbasierter Systeme mit Neuronalen Netzen entsteht eine neue Generation erklärbarer KI’s.In der Europäischen Union wird mit Hochdruck an der Schaffung eines rechtlichen Rahmens für die Erforschung, Herstellung und den Betrieb Künstlicher Intelligenz gearbeitet. Ein wesentlicher Bestandteil wird die Forderung nach Transparenz beim Einsatz von KI-Systemen sein.  Warum ist es so schwer, eine transparente KI zu erschaffen? Das liegt daran, dass Neuronale Netze keine rational denkenden Wesen sind. Ihre Ausgaben haben dieselbe Zuverlässigkeit wie Entscheidungen, die „mit Bauchgefühl“ getroffen werden: Bei der gegebenen Antwort weiß niemand, warum diese so ausgefallen ist – und erst recht nicht, ob sie korrekt ist. Hat die KI alle Eingabedaten berücksichtigt oder hat sie welche übersehen oder sogar vorsätzlich außer Acht gelassen? Welche Annahmen macht die KI bei ihren Berechnungen? Inwieweit geht die Entscheidung kausal aus den Daten und Annahmen hervor?Nur eine scheinbare Lösung ist es, den zeitlichen Verlauf und die lokale Verschaltung der Neuronen-Aktivierung aufzunehmen. Dadurch wird zwar eine Messbarkeit erzeugt, die aber von der Erklärbarkeit noch weit entfernt ist. Ein anderer unbefriedigender Ansatz sind Blackbox-Analysen, wie z. B. Local Interpretable Model-Agnostic Explanations (LIME). Sie können nur lokal weiterhelfen.Was wirklich benötigt wird, ist ein klares Protokoll der von der KI getroffenen Entscheidungen. Ähnlich der kausalen Kette bei einer richterlichen Entscheidung, muss die Vorgehensweise der KI in jeder Stufe nachvollziehbar werden.