Neuronale Netze: Funktionsweise, Arten und Anwendung

Gerade in den Bereichen Statistik und Informatik gibt es viele Problemstellungen, die so komplex sind, dass kein Mensch sie allein lösen könnte. Künstliche Intelligenz eröffnet hier jedoch ganz neue Wege: Maschinen sind dazu teilweise durchaus in der Lage.

Das gilt zumindest dann, wenn sie über neuronale Netze verfügen, die ihnen dabei helfen, Daten zu erkennen, sie zu interpretieren und Muster daraus abzuleiten. Im Folgenden erfahren Sie, was neuronale Netze sind, wie sie funktionieren, wie sie lernen und in welchen Bereichen sie zum Einsatz kommen.

Was sind neuronale Netze?

Künstliche neuronale Netze (KNN) sind dem menschlichen Gehirn nachempfunden. Sie basieren auf Algorithmen, die durch Knoten, auch Neuronen genannt, miteinander verbunden sind und dienen dem maschinellen Lernen. KNN ermöglichen es Maschinen, selbstständig Datensätze auszuwerten und zu interpretieren und so eigenständig Probleme zu lösen.

Wie funktionieren neuronale Netze?

Neural Networks, beziehungsweise neuronale Netze arbeiten ähnlich wie das menschliche Gehirn. Sie dienen dem sogenannten Deep Learning. Bei diesen Anwendungsfunktionen kommen Algorithmen zum Einsatz, die ohne große Vorbereitung Strukturen innerhalb von Datensätzen erkennen können. Das ist selbst dann möglich, wenn immens große Datenpools mit teilweise stark voneinander abweichenden Inhalten vorhanden sind.

Der Aufbau der neuronalen Netze setzt sich aus mindestens zwei (Eingabe- und Ausgabeschicht), meist jedoch drei Schichten zusammen:

Eingabeschicht

In der Eingabeschicht erhalten die neuronalen Netze sogenannte Input-Neuronen. Diese Knoten dienen als Grundlage aller späteren Analysen und Auswertungen. Hier nehmen die Algorithmen bereits eine erste Gewichtung vor, bevor die Daten in die verborgene Schicht weitergegeben werden.

Verborgene Schicht

Im Unterschied zur Eingabe- und Ausgabeschicht, die jeweils aus einer Ebene bestehen, können die Netzwerke in der verborgenen Schicht nahezu unbegrenzt viele Ebenen an Neuronen einsetzen. In dieser Schicht erfolgt eine weitere Gewichtung der einzelnen Informationen, die jedoch nicht sichtbar ist. Daher leitet sich der Name der Schicht ab. Nachdem die Algorithmen sämtliche Informationen gewichtet und sortiert haben, leiten sie diese an die Ausgabeschicht weiter.

Ausgabeschicht

In der Ausgabeschicht liegen Output-Neuronen vor, aus denen eine bestimmte Entscheidung oder Lösung abgeleitet wird. Die Anwendenden empfangen diese als Informationsfluss und können die ausgegebenen Daten dann für ihre eigenen Entscheidungen beziehungsweise zur Lösung konkreter Probleme einsetzen.

Welche neuronalen Netze gibt es?

Ist der grundlegende Aufbau der neuronalen Netze auch gleich, gibt es dennoch verschiedene Arten der künstlichen Netze mit jeweils unterschiedlichen Zielsetzungen und Funktionsweisen. Die vier bekanntesten sind Perzeptron, Feed Forward, rekurrente neuronale Netzwerke sowie faltende neuronale Netzwerke:

Perzeptron

Perzeptron ist das älteste und einfachste neuronale Netz. Es arbeitet mit der Addition von Eingabeparametern. Die Ergebnisse sind binär und entsprechen somit einer Ja-Nein-Entscheidung. Um Ergebnisse daraus ableiten zu können, werden die Ergebnisse der Ausgabeschicht mit einem jeweiligen Schwellwert verglichen. Wird dieser überschritten, so handelt es sich um eine Ja-Entscheidung, bleibt das Ergebnis unter dem Schwellwert, wird dem Ergebnis ein Nein zugeordnet.

Feed Forward

Feed Forward stammt aus den 1950er Jahren. Die Schichten sind bei diesem neuronalen Netzwerk zwar mit der jeweils nächsten Schicht verbunden, es gibt jedoch keine Verbindungen zurück. Die Aktivierung läuft dementsprechend entlang der einzelnen Schichten von der Eingabe- bis zur Ausgabeschicht.

Grundsätzlich ist es möglich, unterschiedlich viele Schichten zwischen der Eingabe- und Ausgabeschicht einzubauen, es muss jedoch mindestens eine vorliegen. Bei vielen Schichten an Neuronen wird vom sogenannten Deep Feed Forward gesprochen.

Rekurrente neuronale Netze

Rekurrente neuronale Netze (RNN) sind mit Feed Forward vergleichbar. Der Hauptunterschied ist, dass diese Netzwerke sogenannte wiederkehrende Zellen enthalten. Über diese ist es den Algorithmen möglich, aus früheren Analysen und Entscheidungen zu lernen. Die einzelnen Untersuchungen sind somit nicht in sich abgeschlossen, sondern haben Einfluss auf die spätere Arbeit des Systems.

Faltende neuronale Netze

Faltende neuronale Netze, oder Convolutional Neural Networks (CNN), können hervorragend mit 2D- und 3D-Eingabedaten umgehen. Die Netzwerke sind somit besonders gut für die Bildanalyse geeignet. Bei den Convolutional Neural Networks arbeitet die verborgene Schicht mit Faltungsoperationen (Convolutions). Sie ermöglichen es den Algorithmen, wichtige von unwichtigen Informationen zu unterscheiden und lediglich die wichtigen weiterzugeben.

Wie lernen neuronale Netze?

Als Teil des Machine Learning und abhängig von der Art der Daten, welche sie verarbeiten, lernen neuronale Netze auf zwei mögliche Arten: durch das überwachte Lernen oder durch das unüberwachte Lernen.

Beim überwachten Lernen geben Menschen ein konkretes Ergebnis vor. Das System arbeitet somit anhand klarer Regeln und Vorgaben. Die Personen, welche die Anwendung überwachen, prüfen die Zuordnungen, die die neuronalen Netze vornehmen, genau. Für die ausgegebenen Ergebnisse erhält das System Feedback, sodass es für spätere Aufgaben weiß, was gut gelaufen ist und was verbessert werden muss.

Eine zweite Strategie ist das unüberwachte Lernen. Hierbei ist ein konkretes Ergebnis noch nicht bekannt und kann dem System entsprechend nicht vorgegeben werden. Stattdessen ist es die Aufgabe der Algorithmen, Strukturen innerhalb der vorliegenden Daten zu erkennen. Dies gelingt ihnen anhand bestimmter Informationen, die dem System von den Anwendenden mitgeteilt werden. In beiden Fällen nutzen neuronale Netze Deep Learning, um sich weiterzubilden.

Wie kommen neuronale Netze zum Einsatz?

Neuronale Netze kommen in ganz unterschiedlichen Bereichen zum Einsatz. Beispielsweise werden sie zur Sprach- und Bilderkennung genutzt. So ist es ihnen möglich, Bilder auszuwerten und bestimmte Inhalte darin zu erkennen. Als KI im Marketing sind neuronale Netze vor allem nützlich, um das Verhalten von Kundschaft zu analysieren und personalisiertes Marketing zu betreiben. Des Weiteren helfen neuronale Netze unter anderem bei der Betrugserkennung, bei Wettervorhersagen und beim autonomen Fahren.

Anwendungsbeispiel: Neuronale Netze in der Bildbearbeitung

In der Bildbearbeitung sollen Computer mit Hilfe neuronaler Netzwerke verschiedene Inhalte voneinander unterscheiden. Als Beispiel kann es notwendig sein, unterschiedliche Fahrzeuge zu erkennen. Hierzu müssen neuronale Netze in der Lage sein, Autos von Motorrädern, E-Rollern und Fahrrädern zu unterscheiden. Sie benötigen somit einen bestimmten Input, anhand dessen sie die Berechnungen vornehmen.

Anschließend werten sie die verschiedenen vorliegenden Bilder aus, um die unterschiedlichen Fahrzeuge zu erkennen. In der Ausgabeschicht sortieren sie die einzelnen Fahrzeuge dann und geben sie als Ergebnisse aus. Sind die Ergebnisse korrekt, arbeitet das neuronale Netz bereits hervorragend, sind die Ergebnisse falsch, muss das neuronale Netz weiterlernen.

Fazit: Neuronale Netze als fester Bestandteil der Zukunft

Die Anwendungsbeispiele neuronaler Netzwerke könnten vielfältiger kaum sein, es ist also kaum verwunderlich, dass sie in unserer Alltagswelt schon heute eine große Rolle spielen. Das maschinelle Lernen ermöglicht es, Aufgaben zu lösen, zu denen Menschen allein nicht in der Lage wären.

Insbesondere der Einsatz von künstlicher Intelligenz (KI) und das maschinelle Lernen sind auf neuronale Netze angewiesen, sodass wir in diesem Forschungsfeld wohl auch zukünftig große Fortschritte erwarten können.

Titelbild: Nitat Termmee / iStock / Getty Images Plus