Kurz gefasst: Künstliche neuronale Netze in 3 Minuten

Next Big Think Mai 20, 2020

Das menschliche Gehirn ist das komplexeste Organ, das die Natur je hervorgebracht hat. Vereinfacht gesagt besteht das Gehirn aus Nervenzellen (Neuronen), die über chemische und elektrische Prozesse Eingangssignale empfangen, umwandeln und in Form von modifizierten Signalen ausgeben.

Die Funktionsweise künstlicher neuronaler Netze (KNN) orientiert sich am Gehirn und bildet die Signalverarbeitung mit Computern nach. Mithilfe von speziell entwickelten Algorithmen und Deep Learning-Verfahren können Anwendungen mit neuronalen Netzen selbständig lernen und insbesondere komplexe Muster in riesigen Datenmengen (Big Data) erkennen.

Allerdings erreichen die künstlichen neuronalen Netze heute noch nicht ansatzweise die Komplexität ihres biologischen Vorbilds, das aus rund 100 Milliarden Neuronen besteht. Im Vergleich dazu können Computersysteme mit ihrer Rechenleistung neuronale Netze simulieren, die aus etwa 100.000 Neuronen bestehen (Stand: 2018). Das entspricht dem Gehirn einer Fruchtfliege.

Was sind neuronale Netze?

Künstliche neuronale Netze sind ein Forschungsgegenstand der Neuroinformatik, einer relativ neuen Querschnittsdisziplin zwischen Informatik und Neurobiologie, und finden im Bereich der künstlichen Intelligenz Anwendung.

Sie bestehen aus einem abstrahierten Modell miteinander verbundener Neuronen, durch deren spezielle Anordnung und Verbindung sich Problemstellungen, wie zum Beispiel die Klassifizierung unstrukturierter Daten bei der Bild- und Spracherkennung, computerbasiert lösen lassen.

Quelle: rsipvision.com

Künstliche neuronale Netze verfügen über eine sogenannte Eingabeschicht aus Neuronen (Input Layer). Diese wird über mehrere Schichten (Hidden Layer) mit Zwischenneuronen verknüpft. Jede Verbindung hat eine bestimmte Gewichtung. Die letzte Schicht liefert die Ausgabe (Output Layer). Die Ausgabeschicht kann zum Beispiel unterschiedliche Muster klassifizieren und bestimmte Ergebnisse zurückliefern.

Neuronale Netze müssen, bevor sie solche Aufgaben lösen können, trainiert werden. Dabei spielt die Verfügbarkeit von qualifizierten Daten eine entscheidende Rolle. Als Faustformel gilt: Je mehr Daten, desto besser. Ohne ausreichende Trainingsdaten liefern neuronale Netze oft schlechtere Ergebnisse als klassische maschinelle Lernverfahren.

Anhand der Trainingsdaten und mithilfe von Deep Learning-Verfahren lernt das künstliche neuronale Netz, die Verbindungen und die Verbindungsstärke zwischen den Neuronen so anzupassen, dass bestimmte Muster extrahiert und klassifiziert werden können. Konkret bedeutet das, dass bestimmte Eingabemuster immer zu einem bestimmten Ausgabemuster führen. Ein einfaches Beispiel wäre, dass Fotos von beliebigen Haustieren eingegeben werden können, über die Schichten analysiert werden und in der Ausgabeschicht schließlich klassifiziert wird, ob das Foto einen Hund zeigt.

Je mehr Neuronen und Schichten existieren, desto komplexere Sachverhalte lassen sich abbilden.

Wie lernen künstliche neuronale Netze?

Neuronale Netze lernen aus Erfahrung, das heißt durch Trainingsmethoden, die große Datenmengen heranziehen und immer wieder analysieren. Die in jedem Analyseschritt gewonnenen Erkenntnisse lassen sich wiederum mit weiteren Daten korrelieren und verknüpfen.

Schließlich ist das neuronale Netz imstande, Entscheidungen auf Basis der Verknüpfungen zu treffen. Durch kontinuierliches Hinterfragen der Entscheidungen erhalten die Verbindungen zwischen den Neuronen bestimmte Gewichtungen. Bestätigen sich Entscheidungen, erhöht sich deren Gewicht, werden sie widerrufen, verringert sich die Gewichtung.

Die Verbindungsstärke zwischen den Neuronen bestimmt maßgeblich, ob und wie stark ein Neuron von einem anderen beeinflusst wird. Das Wissen eines neuronalen Netzes ist also in den Gewichtungen der Neuronen-Verbindungen gespeichert.

Dieser Prozess erfolgt im Idealfall so lange, bis alle Muster richtig erkannt werden. Es handelt sich um einen iterativen Vorgang, bei dem ein spezieller Algorithmus die Gewichte so lange einstellt, bis der Output dem gewünschten Ergebnis entspricht.

Anwendungsbeispiele

Neuronale Netze entfalten ihre Stärke vor allem in Deep Learning-Verfahren, die immer dann zum Einsatz kommen, wenn andere maschinelle Lernverfahren an ihre Grenzen stoßen. Einsatzbereiche von neuronalen Netzen finden sich damit typischerweise in der Gesichts-, Objekt- oder Spracherkennung (Natural Language Processing) und der automatischen Texterstellung.

Die meisten Menschen kennen Sprachassistenten wie zum Beispiel Alexa, Google Assistant und Siri oder die automatische Gesichtserkennung von Facebook bereits aus ihrem Alltag.

Nachfolgende Grafik zeigt stark vereinfacht, wie Gesichtserkennung mithilfe von Deep Learning Algorithmen und neuronalen Netzwerken funktioniert:

Quelle: spektrum.de

Bei der Gesichtserkennung werden Bilder also in kleinste, bedeutungsrelevante Bestandteile zerlegt. Dadurch lernen Deep Learning-Anwendungen, die dargestellten Gesichter zu identifizieren und können gezielt auf visuelle Gesichtserkennung trainiert werden.

Darüber hinaus hat die automatische Bilderkennung auch eine wichtige Bedeutung in der Medizin. Ärzte werden bei der Diagnose von Krankheiten unterstützt und Röntgenbilder auf Anomalien wie Krebstumore untersucht. Dabei übertreffen die Ergebnisse der automatischen Diagnose selbst die besten menschlichen Spezialisten, weil diese trotz jahrelanger Erfahrung niemals die Millionen an Bilddaten sichten könnten, die beim Training von Anwendungen mit künstlichen neuronalen Netzen zum Einsatz kommen.

Ausblick

Anwendungen, die auf Deep Learning und neuronalen Netzen basieren, entfalten erst mit der Zeit ihr volles Potential. Sie können nicht einmalig programmiert und danach sofort eingesetzt werden. Vielmehr müssen die künstlichen neuronalen Netze zunächst mit einer großen Datenmenge trainiert werden und dabei selbständig die Regeln lernen, um eine spezifische Problemstellung zu lösen.

Dafür treffen Algorithmen bestimmte Annahmen und hinterfragen diese Annahmen kontinuierlich durch den Abgleich mit ihren Testdaten. So lernen neuronale Netze aus ihren Fehlern und Erfolgen und verbessern sich im Laufe der Zeit durch stetige Iteration, bis sie die jeweilige Problemstellung valide lösen können.

Die Stärke von künstlichen neuronalen Netzen liegt auf der Hand: Kein Mensch kann annähernd so viele Daten aus seinem Gedächtnis abrufen wie ein Computer aus den Datenpools dieser Welt.

Doch bei aller Begeisterung darf man nicht vergessen, dass die heutigen künstlichen neuronalen Netze nicht einmal ansatzweise die Komplexität und universelle Einsetzbarkeit des menschlichen Gehirns abbilden können. Bislang sind es stets Spezialaufgaben, in denen Anwendungen der künstlichen Intelligenz dem Menschen überlegen sind.

Auch einen weiteren Vorteil wird das menschliche Gehirn vermutlich noch lange für sich in Anspruch nehmen können: Kein künstliches System ist in der Lage, Rechenoperationen so energieeffizient wie unser Gehirn durchzuführen.

Künstliche Intelligenz verbraucht Unmengen von Energie, weil die Verarbeitung der riesigen Datenmengen extrem rechenintensiv ist. Dadurch entstehen hohe Schadstoffemissionen. So emittiert das Trainieren eines einzigen neuronalen Netzwerks laut einer aktuellen Studie der University of Massachusetts Amherst 313 Tonnen CO2. Dies entspricht etwa fünfmal so viel CO2 wie ein Auto während seines gesamten Lebenszyklus über 10-12 Jahre produziert.

Beim Newsletter anmelden und keinen Artikel mehr verpassen

Die spannendsten Artikel der Woche jeden Freitag direkt in Ihr Postfach

* Pflichtfeld

Gregor Puchalla

Gregor Puchalla ist Gründer und Geschäftsführer von fintechcube. Zukunftstrends sind seine Leidenschaft. Gregor hat 15 Jahre Erfahrung auf operativer und strategischer Ebene im Bereich Digitalisierung