Einführung in neuronale Netzwerke

künstliche neuronale Netze sind das zentrae´le Element im Deep Learning

Künstliche neuronale Netze (KNN) sind dem menschlichen Gehirn nachempfunden und werden für maschinelles Lernen und künstliche Intelligenz eingesetzt. Computerbasiert lassen sich damit diverse Problemstellungen lösen, die für uns Menschen fast unmöglich wären.

Definition: künstliches neuronales Netzwerk

Künstliche neuronale Netze sind Algorithmen, die zu einem gewissen Grad dem menschlichen Gehirn nachempfunden sind. Dieses abstrahierte Modell von verbundenen künstlichen Neuronen, ermöglicht komplexe Aufgaben aus den Bereichen Statsitik, Informatik und oder Wirtschaft durch Computer zu lösen. Neuronale Netze sind ein sehr aktives Forschungsgebiet und gelten als Grundlage für die künstliche Intelligenz.

Sie interpretieren verschiedene Datenquellen wie wie Bilder, Geräusche, Texte, Tabellen oder Zeitreihen, um Informationen zu extrahieren und Muster zu erkennen.

Wenn ein künstliches neuronales Netzwerk genutzt wird, dann spricht man von Deep Learning.

Aufbau eines künstlichen neuronalen Netzes

Vereinfacht kann man sich den Aufbau eines KNN folgendermaßen vorstellen: Das Modell des neuronalen Netzes besteht aus Knoten, auch Neuronen genannt, die Informationen von anderen Neuronen oder von außen aufnehmen, modifizieren und als Ergebnis ausgeben. Dazu gibt es drei Arten Neuronen: solche für den Input (Eingabeschicht), für den Output (Ausgabeschicht) und die sogenannten Hidden-Neuronen (verborgene Schichten).

Aufbau künstlicher neuronaler Netze
Einfacher Aufbau eines künstlichen neuronalen Netzes.

Die Information wird durch die Input-Neuronen aufgenommen, durch die Output-Neuronen ausgegeben. Die Hidden-Neuronen liegen dazwischen und bilden innere Informationsmuster ab. Die Neuronen sind miteinander über sogenannte Kanten verbunden. Je stärker die Verbindung ist, desto größer die Einflussnahme auf das andere Neuron.

Wie funktioniert ein KNN?

Tiefes Lernen ist eine Hauptfunktion eines KNN und funktioniert wie folgt: Bei einer vorhandenen Netzstruktur bekommt jedes Neuron ein zufälliges Anfangsgewicht zugeteilt. Dann werden die Eingangsdaten in das Netz eingegeben und von jedem Neuron mit seinem individuellen Gewicht gewichtet.

Das Ergebnis dieser Berechnung wird an die nächsten Neuronen der nächsten Schicht oder des nächsten Layers weitergegeben. Am Outputlayer wird das Gesamtergebnis berechnet.

Wie funktioniert ein neuronales Netz?
Wie funktioniert ein neuronales Netz?

Natürlich sind, wie bei jeder maschinellen Lern-Methode, nicht alle Ergebnisse (Outputs) richtig und es kommt zu Fehlern. Diese Fehler sind berechnenbar und ebenso wie der Anteil, den ein einzelnes Neuron an dem Fehler hatte. So wird im nächsten Lern-Durchlauf das Gewicht jedes Neurons so verändern, dass der Fehler minimiert wird.

Dann kommt der nächste Durchlauf, danach eine neue Messung des Fehlers nebst Anpassung und immer so weiter. Auf diese Weise „lernt“ das neuronale Netz mit jedem Mal besser, von den Inputdaten auf bekannte Outputdaten zu schließen.

Arten von künstlichen neuronalen Netzen

Es gibt unzählig viele Typen von neuronalen Netzwerk-Architekturen. Wir zeigen hier die wichtigsten Arten von neuronalen Netzen:

Perceptron

Das einfachste und älteste neuronale Netz. Es nimmt die Eingabeparamenter, addiert diese, wendet die Aktivierungsfunktion an und schickt das Ergebnis an die Ausgabeschicht.

Feed forward neural networks

Der Ursprung dieser neuronalen Netze liegt in den 1950 Jahren. Der Trainingsprozess eines Feed Forward Neural Network (FF) läuft in der Regel so ab:

  1. alle Knoten sind verbunden
  2. Aktivierung läuft von Eingangs- zu Ausgangsschicht
  3. mindestens eine Schicht (Layer) zwischen Eingangs- und Ausgangsschicht

Wenn mehr als eine verborgene Schicht zwischen Eingangs- und Ausgangsschicht ist, spricht man von “Deep Feed Forward Neural Networks

Recurrent Neural Networks (RNN)

Recurrent Neural Networks (RNN) fügen den KNN wiederkehrende Zellen hinzu. Das erste künstliche neuronale Netzwerk dieser Art war das Jordan-Netwerk, bei dem jede versteckte Zelle ihre eigene Ausgabe mit fester Verzögerung – eine oder mehrere Iterationen – erhielt. Ansonsten war es wie ein normales Feed Forward Netz.

Natürlich gibt es viele Variationen – wie die Übergabe des Zustands an Eingangsknoten, variable Verzögerungen usw., aber die Grundidee bleibt die gleiche. Diese Art von NNs wird hauptsächlich verwendet, dann ist der Kontext wichtig – wenn Entscheidungen aus vergangenen Iterationen oder Proben aktuelle beeinflussen können.

Die häufigsten Beispiele für solche Zusammenhänge sind Texte – ein Wort kann nur im Zusammenhang mit früheren Wörtern oder Sätzen analysiert werden.

Künstliche Neuronale Netzwerke Anwendungen

Wo finden denn nun solche Netzwerke Anwendungen? Nun, da gibt es zahlreiche Möglichkeiten. Typischerweise sind sie prädestiniert für solche Bereiche, bei denen wenig systematisches Wissen vorliegt, aber eine große Menge unpräziser Eingabeinformationen (unstrukturierte Daten) verarbeitet werden müssen, um ein konkretes Ergebnis zu erhalten. Das kann zum Beispiel in der Spracherkennung, Mustererkennung, Gesichtserkennung oder Bilderkennung der Fall sein. Weitere Anweundgsfälle für neuronale Netze:

  • Steuerung von komplexen Systemen
  • autonomes Fahren
  • Frühwarnsysteme (Raumfahrt, Luftfahrt, Verteidigung)
  • Waffensysteme
  • verstehen von natürlicher Sprache
  • deuten von natürlicher Sprache
  • Empfehlungssysteme im E-Commerce
  • Betrugserkennung
  • Bilderkennung
  • Erzeugen von Stimmen
  • Übersetzung von Sprache
  • Wettervorhersagen
  • Wirtschaftssysteme
  • Zeitreihenprognosen
  • Vorhersage von Kundenverhalten
  • Medzinische Systeme (Krankheitsanalysen)
  • Biometrische Systeme
  • und viele weitere

Neuronale Netze sind die Grundlage für künstliche Intelligenz und sind heute schon in der Lage durch gezieltes Training sehr spezifische Aufgaben (schwache KI) zu übernehmen.

Ihr Ansprechparnter: Laurenz Wuttke

Wir entwickeln Künstliche Intelligenz, mit der Sie mehr aus Ihren Kundendaten machen – für wachsende Umsätze und eine nachhaltig hohe Kundenzufriedenheit.

Auch interessant für Sie