Neuronale Netze

Max-Ludwig Stadler

25. September 2024

Einordnung und Historie

Neuronale Netze sind eine Lernform für Künstliche Intelligenz. Sie fallen dabei unter das Teilgebiet Deep Learning, welches wiederum ein Teilgebiet von Machine Learning ist. Beide Begriffe sind Teil von Künstlicher Intelligenz.

Beim Machine Learning (wie demnach auch beim Deep Learning) soll aus historischen Daten gelernt und daraus Vorhersagen ermittelt oder Entscheidungen getroffen werden. Bei den neuronalen Netzen geht es um die letztendliche Umsetzungsform des „tiefen Lernens“ einer Maschine.

Webinar: Künstliche Intelligenz – Grundlagen und Best Practices

Sie möchten gerne mehr zum Thema Künstliche Intelligenz erfahren und wie Ihr Unternehmen davon profitieren kann? In unserem Webinar fassen wir Ihnen die wichtigsten Aspekte zusammen!

zur Anmeldung

Dabei blickt Künstliche Intelligenz bereits auf eine lange Vergangenheit zurück. Bereits in den 1950er-Jahren gab es mit dem Turing-Test die erste Möglichkeit, die Qualität von KI zu messen.

Im Bereich Deep Learning gab es in den 1960er-Jahren erste Versuche, wobei zu diesem Zeitpunkt noch die Rechenpower für die Umsetzung fehlte.

Nachdem die Entwicklung im Bereich KI stockte, bis die Leistung der Computer deutlich anstieg, gab es erst in den 80ern und 90ern wieder signifikante Fortschritte zu verzeichnen. Beispielsweise wurde im Jahr 1996 erstmals der Weltmeister Garri Kasparow in einer Partie Schach von dem von IBM entwickelten Schachcomputer „Deep Blue“ geschlagen.

Heutzutage profitiert die Entwicklung von KI und insbesondere neuronalen Netzen vom Investment großer Unternehmen, die beispielsweise Sprachassistenten wie Siri (Apple) oder Watson (IBM) auf den Markt bringen. In diesem Beitrag gibt es noch genauere Infos zur historischen Entwicklung von KI und neuronalen Netzen: Die historische Entwicklung von KI.

Deep Learning

Deep Learning ist ein Teilbereich von Machine Learning, also des maschinellen Lernens. Es handelt sich um eine spezialisierte Form und unterscheidet sich dementsprechend auch in der Funktionsweise von anderen Formen des Machine Learning, wie beispielsweise Random Forests oder Support Vector Machines.

Der Vorteil ist, dass sich mithilfe von Deep Learning kompliziertere Probleme lösen lassen als mit anderen Machine-Learning-Modellen wie beispielsweise bei der Spracherkennung.

Ein Nachteil ergibt sich allerdings aus der Komplexität der Deep-Learning-Modelle. Oftmals ist es für den Anwender nämlich nur sehr schwer nachvollziehbar, wie die Ergebnisse im Deep Learning und durch neuronale Netze zustande gekommen sind. Es muss also auf die KI vertraut werden. Daher ist Deep Learning, wie auch die anderen Machine-Learning-Modelle, eher als Werkzeug für ganz bestimmte Probleme zu verstehen, dass sich für manche Fälle besser und für andere schlechter eignet. Es gilt je nach Anwendungsfall zu entscheiden.

Neuronale Netze als Form von Deep Learning

Bei der Umsetzung von Deep Learning werden neuronale Netze gebildet. Wie der Name schon sagt, bestehen diese aus Neuronen, die Anzahl variiert je nach Anwendungsfall. Auch das menschliche Gehirn besteht aus einer Vielzahl von Neuronen – der Aufbau eines neuronalen Netzes orientiert sich genau daran.

Ein Neuron verfügt dabei über Eingänge, über die es Signale empfangen kann, und einen Ausgang, über den es Signale versendet. Ein Neuron empfängt also Signale, die unterschiedlich stark sein können. Sobald die Gesamtstärke der empfangenen Signale einen gewissen Schwellwert erreicht, sendet das Neuron selbst ein Signal aus. Wann genau dieser Schwellwert erreicht ist, ist bei jedem Neuron unterschiedlich. Während bei einem Neuron ein schwaches Signal bereits reichen kann, braucht es bei anderen viele stärkere Signale, bis der Wert erreicht ist.

Ein Neuron allein ist allerdings nicht sehr leistungsstark und die Fähigkeiten sind begrenzt. Die Lösung liegt darin, viele Neuronen zu nutzen und zu einem Netz zusammenzuschließen. Das menschliche Gehirn verfügt beispielsweise über so viele Neuronen, wie der Amazonas Bäume hat. Die Anzahl der Verbindungen entspricht hingegen sogar der Anzahl aller Blätter dieser Bäume.

Die Kraft der neuronalen Netze liegt also darin, die Neuronen zu verbinden. Dabei ist es dank der heutigen Rechenpower möglich, Millionen von Neuronen miteinander zu vernetzen. Um letztendlich tiefe neuronale Netze zu bilden, werden Neuronenschichten aneinandergereiht. Das müssen minimal 3 Schichten sein, im Normalfall sind es aber deutlich mehr.

Trainiert werden die neuronalen Netze nicht dadurch, dass man die Neuronen oder die Verbindungen zwischen den Schichten ändert, sondern indem man die Gewichtungen der einzelnen Eingangssignale anpasst. Dazu wird zunächst das Netz mit zufälligen Verbindungen mit bekannten Daten bespielt. Im Normalfall wird so ein „zufälliges“ Netz kaum zuverlässige Ergebnisse liefern können. Daher werden die Parameter anhand von bereits bekannten Trainingsdaten automatisch nachjustiert.

E-Book: Wie Ihr Unternehmen von Künstlicher Intelligenz (KI) profitieren kann

In unserem E-Book erfahren Sie die wichtigsten Inhalte rund um das Thema künstliche Intelligenz & wie Sie davon profitieren können!

Jetzt herunterladen

E-Book: Wie Ihr Unternehmen von Künstlicher Intelligenz (KI) profitieren kann

×

Anwendungsbeispiele zu neuronalen Netzen

Deep Learning und neuronale Netze erreichen vor allem bei komplexeren Problemen große Erfolge, wie beispielsweise bei der Bild- oder Spracherkennung. Siri von Apple, Cortana von Microsoft oder Alexa von Amazon – bei all diesen Sprachassistenten bilden neuronale Netze die Grundlage für die Entwicklung der Künstlichen Intelligenz. Das reicht inzwischen so weit, dass man sich quasi mit dem Computer unterhalten kann und die KI nicht nur die Sprache, sondern auch den Sinn erkennt.

Außerdem werden neuronale Netze noch bei Text-To-Speech-Services, wie beispielsweise Amazon Polly, eingesetzt. Dort erkennt die KI geschriebenen Text und kann daraus gesprochene Sprache ausgeben.

Auch in der Bilderkennung hat der Einsatz von neuronalen Netzen bereits zu exzellenten Ergebnissen geführt. So wurde bereits Künstliche Intelligenz entwickelt, die auf Bildern genau erkennt, welches Objekt abgebildet ist. Das funktioniert inzwischen so gut, dass die KI besser Bilder einordnen kann als der Mensch. Dadurch kann beispielsweise in sozialen Medien die KI automatisiert erkennen, ob es sich um unangemessene Inhalte handelt.

Deep Learning und neuronale Netze tauchen auch dort auf, wo man es vielleicht nicht direkt vermutet. Dadurch, dass das System immer weiter dazu lernt, eignet es sich gut zur Optimierung der Cyber- und Datensicherheit. Dabei lernt die KI, welche Tätigkeiten normal sind, und kann bei Abweichungen und Cyberangriffen direkt Warnungen geben. Außerdem entwickelt sich das System weiter und schließt die Sicherheitslücken automatisch.

Websession: Neuronale Netze

Neuronale Netze gehören zum derzeit relevanteste Teilgebiet des maschinellen Lernens. Sie möchten mehr darüber erfahren? Dann vereinbaren Sie eine kostenlose Websession mit uns.

Websession anfragen

Fazit

Neuronale Netze sind ein Teil von Deep Learning, was wiederum ein Teilgebiet von Machine Learning ist. Es geht also darum, Künstliche Intelligenz zu entwickeln. Neuronale Netze sind dabei vor allem auf komplexere Probleme, wie Bild- oder Spracherkennung, ausgerichtet. Sie funktionieren, indem mehrere Neuronen miteinander verknüpft und in Schichten aneinander gekettet werden. Entscheidend ist dabei die Gewichtung der Signale, die die Neuronen aussenden. Zwar ist das System für den Menschen nicht immer nachvollziehbar, der Vorteil ist aber, dass sich die KI ständig weiterentwickelt.

Wenn Sie noch Fragen zu neuronalen Netzen haben, können Sie uns gerne kontaktieren. Vielleicht haben Sie ja Lust auf einen Potenzialworkshop? Dort werfen wir einen Blick auf Ihre Prozesse und schauen, wo Sie Deep Learning und neuronale Netze nutzen können.