Skip to content

Was sind neuronale Netze?

Wie Strukturen aus der Biologie für KI genutzt werden.

Neuronale Netze (engl.: artificial neural networks) sind eine Art wie maschinelles Lernen umgesetzt werden kann. Dabei orientiert sich der Aufbau eines neuronalen Netzes an dem des menschlichen Gehirns. Es besteht aus Neuronen und den Verbindungen zwischen diesen, ähnlich der Synapsen. Ein Neuron nimmt über eingehende Verbindungen mehrere Informationswerte auf, führt mit diesen eine Berechnung durch und gibt das Ergebnis wieder auf den ausgehenden Verbindungen aus. Verbindungen leiten Information von einem Neuronenausgang an einen Neuroneneingang weiter. Dabei ändern sie die weitergeleiteten Informationen je nach ihrer Gewichtung ab, d.h., sie schwächen diese ab oder verstärken diese. So kann gesteuert werden, wie stark ein nachfolgendes Neuron auf die weitergeleiteten Informationen reagieren soll.

Neuronen werden aber nicht zufällig verbunden, sondern sind in mehrere Schichten aufgeteilt. Die Neuronen in einer Schicht erhalten jeweils ihre Eingaben ausschließlich von Neuronen aus der vorhergehenden Schicht und senden ihre Ausgaben ausschließlich an Neuronen in der nachfolgenden Schicht. Die allererste Schicht von Neuronen ist dabei die Eingabeschicht. Hier werden die Eingabewerte eingelesen mit denen das Neuronale Netz arbeiten soll. Wenn die Aufgabe des Netzes zum Beispiel die Erkennung von Schriftzeichen auf Bildern ist, dann würden hier die einzelnen Bildpunkte eingespeist werden. Die allerletzte Schicht von Neuronen ist die Ausgabeschicht. Hier beschreiben die Neuronen alle möglichen Ausgabewerte. In unserem Beispiel wären dies etwa dann 26 Neuronen – ein Neuron pro Buchstabe im Alphabet. Zwischen diesen zwei Schichten befinden sich nun mehrere versteckte Schichten, deren Aufgabe es ist, die Ein- und Ausgabeschichten so zu verbinden, dass beim Einlesen eines Eingabewertes der korrekte Ausgabewert ausgegeben wird. So soll zum Beispiel bei der Eingabe eines Bildes einer Null der Ausgabewert „0“ ausgegeben werden und nicht „O“, „Q“, oder „G“.

Die Funktionen, die die Neuronen zur Berechnung der Ergebnisse benutzten, sowie die Anzahl der Schichten, gibt ein Programmierer bei der Erstellung des Netzes an. Diese müssen passend zur Aufgabe gewählt werden. Die Gewichtungen der Verbindungen sind aber Variable und machen die Lernfähigkeit des Neuronalen Netzes aus. Am Anfang sind alle diese Gewichte gleich und die Ergebnisse des neuronalen Netzes mehr oder weniger falsch. Nun durchläuft das Netz ein Training mit Beispieleingaben um die Fehler zu minimieren. Dabei wird dem Netz in der Regel zu jeder Eingabe auch die korrekte Ausgabe angegeben. Stimmt die Ausgabe des Netzes nicht mit der korrekten Ausgabe überein, dann passt es die Gewichte der Verbindung an. So lernt es mit der Zeit den verschiedenen Eingaben die richtigen Ausgaben zuzuordnen, also zum Beispiel Schriftzeichen auf Bildern zu erkennen.

Ein gut trainiertes neuronales Netz kann viele andere Algorithmen für maschinelles Lernen ersetzen und ist oft sogar präziser. Diese breite Anwendbarkeit macht neuronale Netze so beliebt und hat dazu geführt, dass sie heute für viele Aufgaben verwendet werden. Dazu gehören unter anderem die Objekterkennung in Bildern und Videos, Spracherkennung und –synthese, Bildbearbeitung und Stiltransfer, oder maschinelle Übersetzung.

Die Grundlagen für neuronale Netzte wurden schon in den 40er Jahren geschaffen und die ersten konkreten Umsetzungen gab es bereits Mitte der 50er und 60er. Doch Ende der 60er stagnierte die Forschung, da die damaligen Computer nicht leistungsstark genug waren um nützliche neuronale Netze umsetzen zu können. Erst in den 80er Jahren wurde diese Hürde dank neuer technologischer Entwicklungen überwunden.

Newsletter

AI Leaders – We invest in future Technology

Lassen Sie sich den Megatrend KI nicht entgehen!