Was sind neuronale Netze?

Ein zentrales Element der künstlichen Intelligenz, künstliche neuronale Netze (KNNs) arbeiten ähnlich wie das menschliche Gehirn. Sie ahmen die Funktionsweise echter biologischer Neuronen nach, um Antworten auf komplexe Fragen und Herausforderungen der Datenverarbeitung zu finden. Die Methode, die Millionen künstlicher Neuronen umfassen kann, gehört zum maschinellen Lernen. Sie erzeugt mathematische Algorithmen, die umfassend zur Mustererkennung und zur Lösung komplexer Probleme in Wissenschaft und Wirtschaft eingesetzt werden.

KNNs, auch als simulierte neuronale Netze (SNNs) bezeichnet, verwenden Schaltkreise, um miteinander zu kommunizieren. Typischerweise basiert ein neuronales Netz auf Knoten, die aus einer Eingabeschicht, einer oder mehreren verborgenen Schichten und einer Ausgabeschicht bestehen. Jedem einzelnen Knoten werden ein Gewicht und ein Schwellenwert zugewiesen. Wird ein Schwellenwert aktiviert, fließen Daten durch den Knoten und werden mit anderen Knoten oder Schichten verbunden. Lösen die Daten keine Reaktion aus, ignoriert das System sie normalerweise.

Ein neuronales Netz verwendet Trainingsdaten, um komplexe und oft verborgene Muster zu erkennen und Algorithmen zu entwickeln. Mit der Zeit und zunehmender Datenmenge verbessert sich seine Genauigkeit. Daher erzeugt diese Technik des maschinellen Lernens Computeralgorithmen, die für eine Vielzahl von Aufgaben wertvoll sind, etwa Spracherkennung, Sprachübersetzung, Bilderkennung, das Verhalten von Robotern und viele andere Bereiche der künstlichen Intelligenz (KI).

Deep-Learning-Systeme – eine Form des unüberwachten maschinellen Lernens – werden zunehmend zusammen mit neuronalen Netzen eingesetzt. Sie werden als „Deep Learning“ bezeichnet, weil sie zahlreiche neuronale Schichten enthalten. Mit unterschiedlichen Ansätzen können Datenwissenschaftler komplexe Aufgaben ausführen, die außerhalb der Fähigkeiten oder des Tätigkeitsbereichs von Menschen liegen. Außerdem können sich diese Systeme kontinuierlich weiterentwickeln, sobald neue Daten verfügbar werden.

Siehe auch: Was ist künstliche Intelligenz

Wie und warum werden neuronale Netze eingesetzt?

Die wachsende Menge an Daten, die von Computern erzeugt wird, enthält Antworten auf zahlreiche Fragen und Probleme. Einige Branchenquellen berichten, dass täglich mehr als 2,5 Trillionen Byte an Daten erzeugt werden und weltweit mehr als 100 Zettabyte an Daten existieren. Dazu gehören unter anderem strukturierte und unstrukturierte Daten aus Datenbanken, Vertriebsmanagementsystemen, Sensoren, Finanzsystemen, Blogs, sozialen Medien, Audio- und Videodateien, Texten und Protokollen sowie Tabellenkalkulationsdateien.

Daher werden auf neuronalen Netzen basierende Deep-Learning-Systeme von Regierungen, Unternehmen, Forschern und anderen eingesetzt, um diese Daten auszuwerten. Das Beratungsunternehmen Gartner berichtet, dass inzwischen mehr als 80 % der Datenwissenschaftler KNNs verwenden und dass die durch Deep Learning ermöglichte Generierung natürlicher Sprache mittlerweile Bestandteil von 90 % der modernen BI- und Analyseplattformen ist. Zu den häufigsten Einsatzgebieten gehören Biowissenschaften, Fertigung, Banken, Einzelhandel und der öffentliche Sektor.

So setzen Gesundheitsunternehmen neuronale Netze für Aufgaben wie prädiktive Diagnostik, biomedizinische Bildgebung und Gesundheitsüberwachung ein. Finanzdienstleister nutzen sie zur Betrugserkennung, für die Kreditprüfung und zur Automatisierung von Beratungsdiensten. Einzelhändler verwenden Deep Learning für Marketing, Chatbots und Augmented Reality, die zunehmend in Smartphone-Apps eingesetzt wird. Hersteller setzen die Technik für maschinelle Bildverarbeitung ein, die Defekte und Sicherheitsverstöße erkennt, sowie zur Automatisierung von Lieferketten und zur Prognose der Nachfrage.

Ein weiterer häufiger Anwendungsfall sind Smart-City-Initiativen. So können neuronale Netze beispielsweise Bilddaten von drahtlosen Kameras verarbeiten, woraufhin das maschinelle Lernsystem lernt, wie es Verkehrssignale und andere Systeme anpassen muss, um den Verkehrsfluss in Echtzeit zu optimieren. Dieser Ansatz ist weitaus kostengünstiger als die Installation von Sensoren in und auf Fahrbahnen. Diese Systeme, die häufig vernetzte Sensoren und Geräte des Internets der Dinge (IoT) einbinden, können außerdem die Leistung von Energiesystemen verbessern und weitere fortschrittliche Automatisierung ermöglichen sowie Sicherheitsfunktionen optimieren.

Siehe auch: KI vs. ML: Künstliche Intelligenz und maschinelles Lernen

Eine kurze Geschichte künstlicher neuronaler Netze

 Die Ursprünge künstlicher neuronaler Netze reichen bis ins Jahr 1943 zurück. Damals stellten Warren McCulloch und Walter Pitts, die beide in den Bereichen Neurowissenschaften und Informatik tätig waren, ein Berechnungsmodell vor, das sogenannte Schwellenlogik verwendete. Das Modell stützt sich auf ein Logikgatter oder einen grundlegenden Baustein – in diesem Fall ein künstliches Neuron –, um ein größeres Berechnungsgerüst aufzubauen.

In den 1940er- und 1950er-Jahren erforschten Wissenschaftler weiterhin Modelle künstlicher neuronaler Netze. 1958 setzte Frank Rosenblatt ein Perzeptron, einen Algorithmus für überwachtes Lernen, in einem echten Computergerät ein. In den 1960er-Jahren entstanden die ersten funktionsfähigen Modelle mit mehreren Schichten, und 1975 entwickelte der Forscher Kunihiko Fukushima das erste mehrschichtige neuronale Netz. In den 1980er-Jahren begannen sich moderne Fähigkeiten des maschinellen Lernens herauszubilden. Die im Laufe der folgenden drei Jahrzehnte deutlich gestiegene Rechenleistung und die Fortschritte auf diesem Gebiet führten zu weitaus leistungsfähigeren Möglichkeiten.

Eine der wichtigsten Entwicklungen auf diesem Gebiet war die Einführung von Grafikprozessoren (GPUs) im Jahr 2010. Diese Systeme bieten erhebliche Vorteile bei Geschwindigkeit und Leistung, darunter die Möglichkeit, Fehler durch eine feinere Abstimmung über die Schichten eines Modells hinweg zu reduzieren. Tatsächlich ermöglichen GPUs Funktionen und Fähigkeiten, die beim Deep Learning andernfalls nicht möglich wären. Die neuronalen Netze von heute nutzen mehrere Techniken und Modelle, um immer komplexere Aufgaben zu bewältigen, die in manchen Fällen die menschlichen Fähigkeiten übersteigen.

Siehe auch: Top-KI-Software

Wie funktionieren neuronale Netze?

Die Grundlage eines neuronalen Netzes ist ein künstliches Neuron. Neuronen werden in drei verschiedene Schichttypen eingeordnet:

• Eingabeschicht: Die Eingabeschicht nimmt Daten auf und wandelt sie in Binärcode um, den der Computer verwenden kann.
• Verborgene Schicht: Die verborgene Schicht führt mithilfe nichtlinearer Verarbeitungstechniken mathematische Berechnungen an den Daten durch, die über die verschiedenen verborgenen Schichten des Modells hinweg arbeiten. Dieser „Gewichtungsprozess“ entwickelt ein hierarchisches mathematisches Gerüst.
• Ausgabeschicht: Die Ausgabeschicht liefert den Algorithmus, der für KI verwendet wird.

Eine Möglichkeit, sich neuronale Netze vorzustellen, besteht darin, dass jeder einzelne Knoten sein eigenes Modell der linearen Regression verarbeitet, das Eingabedaten, Gewichte, einen Bias (oder Schwellenwert) und eine Ausgabe umfasst, so IBM. Sobald das System eine Eingabeschicht erkennt, weist es Gewichte zu, die den Wert einer bestimmten Variablen bestimmen. Diese Eingaben werden in ein mathematisches Modell integriert. Wenn eine Ausgabe den gewünschten kritischen Schwellenwert erreicht, aktiviert sie den Knoten, der die Daten an den nächsten Knoten im Netz weiterleitet. Dieser Prozess wird fortgesetzt, bis ein Algorithmus vorliegt.

In manchen Fällen fließen Daten in einem künstlichen neuronalen Netz in eine Richtung, von der Eingabe- zur Ausgabephase. Es ist jedoch möglich, andere Techniken wie Backpropagation zu verwenden, um Daten von der Ausgabe zurück zur Eingabe zu untersuchen.

Dieser Ansatz ermöglicht es, die Fehlererkennung zu verbessern und verzerrte oder ungenaue Ergebnisse zu reduzieren. Mit dieser Technik lassen sich Gewichtungen ändern sowie ein Deep-Learning-Modell nach Bedarf anpassen und justieren.

Welche Arten künstlicher neuronaler Netze gibt es?

Neurale Netze spiegeln zwar grob die Funktionsweise des menschlichen Gehirns wider, sind im Laufe der Zeit jedoch spezialisierter geworden. Heute gibt es vier grundlegende Arten künstlicher neuronaler Netze. Jede hat je nach vorgesehenem Zweck und Einsatzszenario in der Praxis Vor- und Nachteile. Dazu gehören:

• Faltungsneuronale Netze (CNNs): Diese maschinellen Lernsysteme werden häufig für maschinelle Bildverarbeitung, Objekterkennung, Bildklassifizierung und bestimmte Arten von Prognosen eingesetzt. Ein CNN umfasst fünf unterschiedliche Schichten: Eingabe, Faltung, Pooling, vollständig verbunden und Ausgabe. Diese Systeme benötigen enorme Rechenleistung, die typischerweise von GPUs bereitgestellt wird.
• Rekurrente neuronale Netze (RNNs): Dieser KNN-Ansatz verwendet typischerweise Zeitreihen- und andere Sequenzdaten, um Wahrscheinlichkeitsmodelle zu erzeugen. Mit anderen Worten: Die Eingaben sind nicht unabhängig voneinander. Dadurch eignet er sich ideal für Aufgaben wie die Verarbeitung natürlicher Sprache, Spracherkennung, Sentimentanalyse und textbezogene Anwendungen.
• Feedforward-neuronale Netze (FNNs): Als Nachfolger rekurrenter neuronaler Netze verwenden FNNs keinerlei Zyklus oder Schleife zur Verarbeitung von Daten und Entwicklung eines Modells. Stattdessen fließen die Daten nur in eine Richtung – vorwärts von den Eingabeknoten über etwaige verborgene Knoten bis zu den Ausgabeknoten. Daher werden FNNs häufig für Aufgaben des überwachten Lernens wie digitales Marketing und Vertrieb eingesetzt. 
• Autoencoder-neuronale Netze: Diese unüberwachten maschinellen Lernsysteme, die manchmal als Autoassoziatoren bezeichnet werden, nehmen nicht gekennzeichnete Eingaben auf, codieren die Daten und decodieren sie anschließend wieder, während sie versuchen, die wertvollsten Informationen zu identifizieren und zu extrahieren. Die Methode dient dazu, Datenrauschen zu reduzieren. Eine beliebte Anwendung dieser Methodik ist die Betrugserkennung.

Siehe auch: Die Zukunft der künstlichen Intelligenz

Wie nutzen Datenwissenschaftler neuronale Netze zum Training?

Nachdem ein Datenwissenschaftler einen Anwendungsfall für ein KNN identifiziert und einen bestimmten Ansatz ausgewählt hat, besteht der nächste Schritt darin, das System in Betrieb zu nehmen. Datenwissenschaftler nutzen dafür zwei grundlegende Ansätze: überwachtes Lernen und unüberwachtes Lernen.

Überwachtes Lernen

Wie der Name schon sagt, überwacht ein Mensch diese Art von maschinellem Lernsystem. Der Bediener kennzeichnet Datensätze, um den Algorithmus zu trainieren, damit er Daten klassifizieren und Ergebnisse präzise vorhersagen kann.

So kann ein Mensch beispielsweise Fotos verschiedener Katzenarten kennzeichnen – Löwen, Tiger, Jaguare, Leoparden, Pumas, Rotluchse, Ozelots und Hauskatzen –, damit ein System lernt, sie voneinander zu unterscheiden. Gelegenheitsnutzer erledigen diese Aufgabe möglicherweise unwissentlich, wenn sie beispielsweise E-Mails als Spam markieren. Überwachtes Lernen spielt häufig bei Objekterkennung, prädiktiver Analyse und Sentimentanalyse eine Rolle.

Unüberwachtes Lernen

Diese Systeme lernen aus Daten, die nicht von einem Menschen klassifiziert oder gekennzeichnet wurden. Einfach gesagt, erkennt das System selbstständig Muster und erstellt ein algorithmisches Modell – daher die Bezeichnung „unüberwachtes Lernen“.

In manchen Fällen nutzen Datenwissenschaftler außerdem semi-überwachtes Lernen, das die beiden Ansätze kombiniert, sowie bestärkendes Lernen, bei dem Ergebnisse mithilfe eines Computerprogramms erzeugt werden, das beim Entwickeln eines Modells positive und negative „Belohnungen“ erhält.

Siehe auch: Die Geschichte der künstlichen Intelligenz

Wie beeinflussen künstliche neuronale Netze Unternehmen?

Zu den häufigsten Einsatzgebieten von KNNs gehört die prädiktive Analyse. Eine wachsende Zahl von Unternehmenssoftwareplattformen – einschließlich Cloud-Frameworks – umfasst maschinelles Lernen, Deep Learning und weitere Werkzeuge, die beim Aufbau fortschrittlicher KI-Modelle helfen.

Diese Form der prädiktiven Analyse wird häufig für Aufgaben eingesetzt wie die Bereitstellung gezielterer Inhalte für Kunden, die Ermittlung von Kreditlimits und -genehmigungen, den Aufbau von Chatbots und anderen Werkzeugen für natürliche Sprache sowie die Bereitstellung von Empfehlungen für E-Commerce, soziale Medien und Streamingmedien.

Prädiktive Analyse ist jedoch auch in vielen anderen Branchen auf dem Vormarsch. Im Gesundheitswesen führt beispielsweise KI-gestützte Software Ärzte und andere medizinische Fachkräfte zu relevanten Ergebnissen, indem sie Medikamente und Behandlungen vorschlägt. In der Fertigung hilft maschinelle Bildverarbeitung Herstellern, Fehler und Mängel zu erkennen, die dem menschlichen Auge entgehen würden. Im Flottenmanagement und in der Logistik bestimmt Software Routen und ermittelt, wie sich Ausrüstung und Kraftstoff optimieren lassen – in Echtzeit angepasst an Wetter oder Verkehr. In der Cybersicherheit werden neuronale Netze zunehmend eingesetzt, um Malware und anderes verdächtiges Verhalten in einem Netzwerk zu erkennen.

Diese Systeme halten auch im Alltag Einzug – in der Softwareentwicklung und in Unternehmen. In vielen Fällen verfügen Unternehmensanwendungen über No-Code- oder Low-Code-Oberflächen mit Drag-and-drop-Funktionen, über die Nutzer KI- und ML-Aufgaben zusammenstellen können. KI-generierte Softwaresysteme wie OpenAI Codex, IBM’s Project Wisdom, Amazon’s CodeWhisperer und GitHub’s Copilot dringen ebenfalls in den Mainstream vor. Sie werden mit riesigen Datensätzen trainiert und können aus Eingaben in natürlicher Sprache Code erzeugen.

Unter Nutzung von Cloud-Computing-Ressourcen bewältigen diese Systeme eine wachsende Zahl von Aufgaben – vom Aufbau von Chatbots und digitalen Marketingsystemen bis zur Integration von Automatisierung in unterschiedlichste Aufgaben. Forrester warnt jedoch davor, dass Fortschritte ohne die richtige Technologieplattform ausbleiben. Es ist entscheidend, in Systeme zu investieren, die fortschrittliches maschinelles Lernen und Deep Learning unterstützen. Dazu gehören häufig Clouds, die leistungsstarke GPUs bereitstellen.

Siehe auch: Die besten Plattformen für maschinelles Lernen

Welche ethischen und rechtlichen Bedenken gibt es?

Ein Problem neuronaler Netze besteht darin, dass die von ihnen bereitgestellten Informationen nur so gut sind wie die Daten, mit denen das System gespeist wird. Neben der Möglichkeit, ein schlecht funktionierendes System zu erhalten, haben Forscher zahlreiche Fälle impliziter Verzerrungen festgestellt, die zu Diskriminierung aufgrund des Geschlechts oder der ethnischen Zugehörigkeit führen können.

Dies kann für Versicherungsunternehmen, Gesundheitsdienstleister, Finanzdienstleister und Behörden zu Problemen – einschließlich rechtlicher Konsequenzen – führen. Daher sollten Unternehmen sorgfältig ethische und rechtliche Bedenken abwägen, bevor sie Entscheidungen mithilfe neuronaler Netze und Deep Learning treffen.

Wie sieht die Zukunft künstlicher neuronaler Netze aus?

Immer leistungsfähigere Computer und schnellere GPUs versprechen, KNNs und Deep Learning voranzubringen. In den kommenden Jahren werden diese Systeme Fortschritte in einer vielfältigen Reihe von Bereichen vorantreiben, darunter prädiktive Analyse, autonome Fahrzeuge, Schwarmrobotik, pharmazeutische Forschung und prädiktive Medizin, persönliche Assistenten und Chatbots, Cybersicherheit, Softwareentwicklung sowie die Automatisierung von Fertigung und Lieferketten.

Mit der zunehmenden Ansammlung weiterer Daten – einschließlich Daten von IoT-Sensoren und Fortschritten beim Edge Computing – werden ebenfalls neue Anwendungsfälle entstehen.

Siehe auch: Trends in der Datenanalyse