Neuronales Netz – was ist das?

Wie Künstliche Intelligenz auf der Basis des menschlichen Gehirns aufgebaut wird.

Ein Künstliches Neuronales Netz (KNN) bietet computerbasierte Lösungen für die verschiedensten Problemstellungen. Die Grundüberlegungen der KNN sind inspiriert durch das menschliche Gehirn. Man setzt KNN in der Forschung für das Spezialgebiet der Neuroinformatik schon erfolgreich für maschinelles Lernen in der Künstlichen Intelligenz ein.

Sie bestehen quasi aus einer Abstraktion des menschlichen Vorbilds miteinander verbundener Neuronen. Spezielle Anordnungen und Verknüpfungen stellen Lösungen für Anwendungsprobleme aus Bereichen der Statistik, der Technologien oder der Wirtschaftswissenschaften zur Verfügung. Bevor sie tatsächlich Probleme lösen können, muss man sie allerdings trainieren.

Der Aufbau eines Neuronalen Netzes

Stark vereinfacht kann man sagen, dass der Aufbau und die Funktionsweise eines Neuronalen Netzes aus Neuronen, auch Units oder Knoten genannt, besteht. Nun muss man sich das so vorstellen: Diese Neuronen nehmen Informationen von außen oder auch von anderen Neuronen auf und leiten diese dann abgewandelt an andere Neuronen weiter und kommen so zu einem Resultat. So entsteht eine eigenständige Programmierung und eine individuelle Vernetzung.

Man unterscheidet hier zwischen Input-Neuronen, Hidden-Neuronen und Output-Neuronen. Input-Neuronen nehmen Informationen der Außenwelt  in Form von Mustern oder Signalen auf, Hidden-Neuronen bilden zwischen den Input- und den Output-Neuronen interne Informationsmuster ab und Output-Neuronen geben Informationen und Signale dann als Ergebnis an die Außenwelt.

Untereinander sind die Neuronenarten über sogenannte Kanten verknüpft, sodass jeder Output eines Neurons zum Input des nächsten Neurons werden kann. Die Kanten haben je nach Bedeutung der Verbindung eine bestimmte Gewichtung, die je nach der Stärke der Gewichtung, einen umso größeren Einfluss über die Verbindung auf ein anderes Neuron ausüben können.

KI durch unterschiedliche Gewichtungen

Man unterscheidet in neutrale, positive und negative Gewichtungen, die somit gar keinen (Gewichtung = Null) oder einen fördernden bzw. hemmenden Einfluss ausüben können. Diese einzelnen spezifischen Gewichtungen bilden in ihrer Gesamtheit das Wissen oder eben die Künstliche Intelligenz eines Neuronalen Netzes. Und natürlich gilt: Je mehr Neuronen, Neuronenschichten und Verbindungen untereinander, desto größer die Fähigkeit zur Problemlösung. 

Während des Lernprozesses und durch das Training des Neuronalen Netzwerks verändern sich die Gewichtungen der Verbindungen in Anhängigkeit von den Lernregeln und den damit verbundenen Ergebnissen. Die Anzahl der Neuronen im Netz ist eigentlich unbegrenzt, jedoch muss man bedenken, dass mit steigender Neuronenzahl und somit Schichten und Verbindungen die benötigte Rechenleistung steigt!

Neuronale Netze und ihre Strukturen

Die wichtigste Unterscheidung in der Vielzahl der Strukturen, die ein Neuronales Netz annehmen kann, sind sogenannte Feedforward-Netze und Rekurrente Netze.  Feedforward-Netze haben einen ausschließlich vorwärts gerichteten Informationsfluss von den Input-Neuronen über die Hidden-Neuronen zu den Output-Neuronen. Demzufolge sind die in Rekurrenten Netzen (auch rückgekoppelte Neuronale Netze) existierenden Verbindungen Informationen, bei denen die Neuronen-Verbindungen das Netzwerk rückwärts und dann wieder vorwärts durchlaufen können.

Wofür benötigt man genau Neuronale Netzwerke?

Neuronale Netze kommen vor allem zum Einsatz, wenn für Anwendungssysteme nur ein kleines Lösungswissen vorhanden ist und große Mengen von ungenauen Eingabeinformationen zu einem präzisen Ergebnis führen müssen. Beispielsweise im Bereich der  Sprach-, Muster- oder Bilderkennung. Auch wenn Simulationen benötigt werden oder Prognosen und Zusammenhänge oder Steuerungen für komplexe Systeme erstellt werden müssen, hier z. B. für Frühwarnsysteme bei Wettervorhersagen, bei der Medizindiagnostik oder generell in Wirtschaftsprozessen und für Prognosen.

Wie trainiert man ein Neuronales Netzwerk?

Wir sagten, dass man ein Neuronales Netzwerk vor seinem effektiven Einsatz zunächst trainieren muss. Hierfür gibt man Lernmaterial und Lernregeln vor und gewichtet die Verbindungen der Neuronen im Netz solange, bis eine bestimmte Intelligenz Grundlage ist.

Nun schreiben diese Lernregeln vor, wie das Erlernte das Neuronale Netz verändert. Man unterscheidet hier zwischen überwachtem und unüberwachtem Lernen.

Das überwachte Lernen gibt ein konkretes Ergebnis vor, anhand dessen das Netzt in einem permanenten Vergleichs zwischen Soll- und Ist-Ergebnis steht. Hierdurch lernt das Netz nun, die Neuronen passend zu verknüpfen.

Unbeaufsichtigtes Lernen lässt sämtliche Muster offen. Das Netz lernt alleine aufgrund der vielfältigen Informationen der verschiedenen eingegebenen Muster und verändert nun nur anhand der Eingabemuster. Hierfür gibt man anfangs die Lernregeln vor. Hier erwähnen wir als gängige Architekturkonzepte kurz die adaptive Resonanztheorie (einfaches System in der Klasse der nicht überwacht lernenden Algorithmen) oder die Hebbsche Lernregel. Bei dieser hat der Psychologe Donald Olding Hebb anhand von Veränderungen der synaptischen Übertragung zwischen Neuronen nachgewiesen, d. h., je häufiger ein Neuron A gleichzeitig mit Neuron B aktiv ist, umso bevorzugter werden die beiden Neuronen aufeinander reagieren.

Diesen Beitrag bewerten

0 Kommentare

Dein Kommentar

Möchtest du mitdiskutieren?
Fühl dich frei, beizutragen!

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.