Konflikten mellem maskinlæring og symbolsk logik betegnes ofte som 'neuro-symbolsk AI'. Maskinlæring opererer med vægte og sandsynligheder, mens logik opererer med rigide regler. Løsningen findes primært i at kombinere de to paradigmer, så de understøtter hinanden frem for at modarbejde hinanden.
En udbredt metode er at bruge maskinlæring til perception og symbolsk logik til ræsonnement. Det betyder, at neurale netværk bruges til at identificere objekter i rå data, som derefter transformeres til symbolske repræsentationer. Når data er gjort symbolske, kan de logiske regler anvendes til at drage konklusioner, der er forklarlige og konsistente.
En anden tilgang er probabilistisk logik. Her indføres usikkerhed direkte i de logiske rammeværk. Ved at bruge metoder som Markov Logic Networks kan man formulere regler, der ikke er absolutte, men som har en vis sandsynlighed for at være sande. Dette gør det muligt at håndtere støjende data inden for en logisk struktur. Ved at integrere disse to verdener opnår man systemer, der både er gode til at lære fra data og i stand til at udføre logisk, gennemsigtig ræsonnering.
