Neural Networks: Was können künstliche neuronale Netze?

Ein großer Traum der Informatik könnte bald Wirklichkeit werden: Computer erschaffen, deren Fähigkeiten Menschen nicht nur komplett ebenbürtig sind, sondern sie um ein Vielfaches übertreffen. Die Forschung zu künstlicher Intelligenz hat in den vergangenen Jahren riesige Sprünge gemacht. Eine zentrale Technologie, um Maschinen das eigenständige Denken beizubringen, sind künstliche neuronale Netze.

Neuronale Netze sind ein Forschungszweig der Informatik bzw. der Neuroinformatik. Es existieren verschiedene Arten von künstlichen neuronalen Netzen, die jeweils unterschiedliche Möglichkeiten der Informationsverarbeitung bieten.

Neuronale Netze zeichnen sich dadurch aus, dass Computer mit ihrer Hilfe eigenständig Probleme lösen und ihre Fähigkeiten verbessern können. Ob sie hierfür zu Beginn Training durch Menschen benötigen oder nicht, ist abhängig von der verwendeten Methode der künstlichen Intelligenz.

Neuronale Netze orientieren sich am Aufbau des menschlichen Gehirns, das Informationen über ein Netz von Neuronen verarbeitet.

Künstliche neuronale Netze lassen sich als Modelle aus mindestens zwei Schichten beschreiben – einer Eingabe- und einer Ausgabeschicht – sowie in der Regel weiterer dazwischen liegender Schichten (Hidden Layers). Je komplexer das Problem, das mithilfe des künstlichen neuronalen Netzes gelöst werden soll, desto mehr Schichten werden benötigt. Auf jeder Schicht des Netzes liegt eine Vielzahl von spezialisierten künstlichen Neuronen.

Die Informationsverarbeitung im neuronalen Netz folgt immer dem gleichen Ablauf: Informationen treffen in Form von Mustern oder Signalen auf die Neuronen der Eingangsschicht, wo sie verarbeitet werden. Dabei ist jedem Neuron ein Gewicht zugeordnet, sodass Neuronen unterschiedliche Wichtigkeiten erhalten. Das Gewicht entscheidet zusammen mit einer Übertragungsfunktion über die Eingabe, die nun weitergeleitet wird.

Eine Aktivierungsfunktion und ein Schwellenwert berechnen und gewichten im nächsten Schritt den Ausgabewert des Neurons. Je nach Informationsbewertung und -gewichtung werden weitere Neuronen verknüpft und mehr oder weniger stark aktiviert.

Durch diese Verknüfung und Gewichtung wird ein Algorithmus modelliert, der für jeden Input ein Ergebnis erzeugt. Mit jedem Training wird die Gewichtigung und damit der Algorithmus angepasst, sodass das Netz immer genauere und bessere Ergebnisse liefert.

Neuronale Netze können zur Bilderkennung eingesetzt werden. Anders als Menschen kann ein Computer nicht mit einem Blick erkennen, ob auf einem Bild ein Mensch, eine Pflanze oder ein Gegenstand zu sehen ist. Er muss das Foto auf einzelne Merkmale untersuchen. Welche Merkmale relevant sind, weiß der Computer durch den implementierten Algorithmus oder er findet es durch Datenanalyse selbst heraus.

In jeder Schicht des Netzes prüft das System die Eingangssignale, d. h. die Bilder, auf einzelne Kriterien wie Farbe, Ecken, Formen. Mit jeder Prüfung kann der Computer besser bewerten, was auf dem Bild zu sehen ist.

Zunächst werden die Ergebnisse relativ fehlerbehaftet sein. Erhält das neuronale Netz Feedback von einem menschlichen Trainer und kann dadurch seinen Algorithmus anpassen, spricht man von maschinellem Lernen. Beim Deep Learning kann das menschliche Training entfallen. Das System lernt in diesem Fall aus der eigenen Erfahrung und wird umso besser, je mehr Bildmaterial ihm vorliegt.

Am Ende steht im Idealfall ein Algorithmus, der fehlerfrei den Inhalt der Bilder identifizieren kann, je nach Training auch unabhängig davon, ob diese Bilder schwarzweiß sind oder in welcher Pose oder aus welcher Perspektive das Dargestellte zu sehen ist.

Es werden unterschiedliche Strukturen von neuronalen Netzen verwendet, abhängig vom eingesetzten Lernverfahren und vom Anwendungszweck.

Die einfachste Form des neuronalen Netzes bezeichnete ursprünglich ein „Netz“ aus einem einzigen Neuron, das über Gewichtungen und einen Schwellenwert verändert wird. Mittlerweile wird der Begriff „Perzeptron“ auch für einlagige Feedforward-Netze verwendet.

Die Netzwerke sind eine Unterform der mehrschichtigen Netze. Sie bestehen aus mindestens fünf Schichten. Auf jeder Schicht wird eine Mustererkennung durchgeführt, wobei das Ergebnis einer Schicht in die nächste übertragen wird. Diese Art von neuronalen Netzen wird in der Bildererkennung eingesetzt.

Damit die Verbindungen in künstlichen neuronalen Netzen passend geknüpft werden, um die Aufgabenstellung zu lösen, müssen die Netze zunächst trainiert werden. Dabei lassen sich zwei grundlegende Verfahren unterscheiden:

Beim überwachten Lernen (engl. Supervised Learning) wird für unterschiedliche Eingabeoptionen jeweils ein konkretes Ergebnis definiert. Sollen beispielsweise Katzenbilder als solche vom System erkannt werden, kontrollieren Menschen die Zuordnung des Systems und geben Rückmeldung, welches Bild richtig und welches falsch erkannt wurde. So werden die Gewichtungen im Netz verändert und der Algorithmus optimiert.

Beim unbeaufsichtigten Lernen wird das Ergebnis für die Aufgabenstellung nicht vorgegeben. Stattdessen lernt das System ausschließlich anhand der Eingangsinformationen. Zum Einsatz kommen hierfür die Hebbsche Lernregel oder die Adaptive Resonanztheorie.

Neuronale Netzwerke lassen sich besonders dann erfolgreich einsetzen, wenn eine Vielzahl von auszuwertenden Daten und nur wenig systematisches Lösungswissen vorhanden ist. Klassische Anwendungsfälle sind die Text-, Bild- und Spracherkennung – Fälle, in denen Computer Daten auf bestimmte Merkmale untersuchen, um eine Zuordnung vorzunehmen.

Künstliche neuronale Netze können auch zum Einsatz kommen, um Prognosen zu ermitteln und Simulationen zu erstellen, z. B. in der Wettervorhersage, der medizinischen Diagnostik oder auf den Aktienmärkten.

In der Industrie werden Neural Networks teilweise in der Regelungstechnik eingesetzt, in der sie Soll-Werte überwachen und bei Abweichungen automatisiert Gegenmaßnahmen ergreifen oder in der sie eigenständig Soll-Werte anhand ihrer Datenauswertung vorgeben.

Die Entwicklungen im Bereich des unüberwachten Lernens von künstlichen neuronalen Netzen sind im Begriff, den Einsatzbereich und die Leistungsfähigkeit der Netze massiv auszuweiten. Zu den prominentesten Anwendungsfällen der selbstlernenden neuronalen Netze gehören die Sprachassistenten Alexa, Siri und Googles Sprachassistent.

Neural Networks sind in den vergangenen zehn Jahren im Zug der Diskussion um künstliche Intelligenz ins öffentliche Bewusstsein gerückt, doch die Technologie ist in ihrem Kern bereits viele Jahrzehnte alt.

Überlegungen zu künstlichen neuronalen Netzen reichen bis in die frühen 1940er-Jahren zurück. Warren McCulloch und Walter Pitts beschrieben damals ein Modell, das elementare Einheiten verknüpft und im Aufbau dem menschlichen Gehirn nachempfunden war. Mit ihm sollte sich so gut wie jede arithmetische Funktion berechnen lassen. 1949 entwickelte Donald Hebb seine Hebbsche Lernregel, die bis heute in vielen neuronalen Netzen verwendet wird.

1960 wurde ein neuronales Netz entwickelt, das weltweite kommerzielle Verwendung in der Echofilterung in Analogtelefonen fand. Danach geriet die Forschung auf dem Gebiet ins Stocken. Zum einen, weil führende Wissenschaftler zu dem Schluss kamen, dass das Modell der neuronalen Netze wichtige Probleme nicht lösen konnte; zum anderen, weil für ein effektives Lernen der Systeme große digitale Datenmengen erforderlich waren, die damals nicht vorlagen. Erst mit dem Aufkommen von Big Data änderte sich das: Das Interesse an künstlicher Intelligenz und neuronalen Netzen kehrte zurück.

Seitdem geht die Entwicklung in diesem Bereich in einem rasanten Tempo voran. So vielversprechend die Ergebnisse sind, neuronale Netze sind nicht die einzige Technologie, um künstliche Intelligenz in Computer zu implementieren. Sie stellen nur eine Möglichkeit dar, auch wenn sie in der öffentlichen Debatte häufig als der einzige praktikable Weg dargestellt werden.