Definition

Was ist ein Neuronales Netz?

| Autor / Redakteur: Stefan Luber / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Künstliche Neuronale Netze (KNN) sind inspiriert durch das menschliche Gehirn und lassen sich für maschinelles Lernen und die Künstliche Intelligenz einsetzen. Es lassen sich mit diesen Netzen verschiedene Problemstellungen computerbasiert lösen.

Das Künstliche Neuronale Netz (KNN) ist bis zu einem gewissen Grad dem Aufbau des biologischen Gehirns nachempfunden. Es besteht aus einem abstrahierten Modell miteinander verbundener Neuronen, durch deren spezielle Anordnung und Verknüpfung sich Anwendungsprobleme aus verschiedenen Bereichen wie der Statistik, der Technik oder der Wirtschaftswissenschaften computerbasiert lösen lassen. Das Neuronale Netz ist ein Forschungsgegenstand der Neuroinformatik und Teilgebiet der Künstlichen Intelligenz. Neuronale Netze müssen, bevor sie Problemstellungen lösen können, trainiert werden.

Aufbau eines Neuronalen Netzes

Stark vereinfacht kann der Aufbau und die Funktionsweise eines Neuronalen Netzes folgendermaßen beschrieben werden: Das abstrahierte Modell eines Neuronalen Netzes besteht aus Neuronen, auch Units oder Knoten genannt. Sie können Informationen von außen oder von anderen Neuronen aufnehmen und modifiziert an andere Neuronen weiterleiten oder als Endergebnis ausgeben.

Grundsätzlich kann zwischen Input-Neuronen, Hidden-Neuronen und Output-Neuronen unterschieden werden. Die Input-Neuronen nehmen Information in Form von Mustern oder Signalen von der Außenwelt auf. Die Hidden-Neuronen befinden sich zwischen den Input- und den Output-Neuronen und bilden interne Informationsmuster ab. Output-Neuronen geben Informationen und Signale als Ergebnis an die Außenwelt weiter. Die verschiedenen Neuronen sind untereinander über die so genannten Kanten verbunden. Damit kann der Output eines Neurons zum Input des nächsten Neurons werden. Je nach Stärke und Bedeutung der Verbindung hat die Kante eine bestimmte Gewichtung. Je stärker die Gewichtung, desto größeren Einfluss kann ein Neuron über die Verbindung auf ein anderes Neuron ausüben.

Positive und negative Gewichtungen

Es existieren positive und negative Gewichtungen, die erregenden oder hemmenden Einfluss darstellen. Ist die Gewichtung Null, übt ein Neuron über die Verbindung keinen Einfluss auf das andere Neuron aus. Das Wissen und damit die Künstliche Intelligenz eines Neuronalen Netzes ist letztlich in den Verbindungen und deren Gewichtungen gespeichert. Die Anzahl der Neuronen und Neuronenschichten sowie der Verbindungsmöglichkeiten der Neuronen verschiedener Schichten bestimmt die Komplexität (die Tiefe) des Neuronalen Netzes und dessen Fähigkeit, Problemstellungen zu lösen.

Während des Trainings des Neuronalen Netzwerks, also dem Lernen, verändern sich die Gewichtungen der Verbindungen, abhängig von den angewandten Lernregeln und erzielten Ergebnissen. Die Anzahl von Neuronen in einem künstlichen Neuronalen Netz ist theoretisch unbegrenzt. Allerdings steigt mit der Anzahl der Neuronen sowie der vorhandenen Schichten und Verbindungen die benötigte Rechenleistung für das Trainieren und den Betrieb.

Typische Strukturen Neuronaler Netze

Neuronale Netze können eine Vielzahl verschiedener Strukturen besitzen, deren Beschreibung den Rahmen dieser Definition sprengen würde. Prinzipiell ist eine Unterscheidung in Feedforward-Netze und Rekurrente Netze möglich. In Feedforward-Netzen findet der Informationsfluss ausschließlich vorwärtsgerichtet von den Input-Neuronen über die Hidden-Neuronen zu den Output-Neuronen statt. In Rekurrenten Netzen existieren Verbindungen, bei denen Informationen bestimmte Neuronen-Verbindungen des Netzwerks rückwärts und anschließend erneut vorwärts durchlaufen können. Diese Netze werden auch als Feedback-Netze oder rückgekoppelte Neuronale Netze bezeichnet.

Typische Anwendungen für Neuronale Netzwerke

Neuronale Netze kommen in vielen Bereichen zum Einsatz. Sie sind prädestiniert für Anwendungen, bei denen nur geringes systematisches Lösungswissen vorliegt und eine große Menge von teils unpräzisen Eingabeinformationen zu einem konkreten Ergebnis verarbeitet werden müssen. Anwendungsbereiche sind beispielsweise die Spracherkennung oder die Bilderkennung. Neuronale Netze können zudem Simulationen und Prognosen für komplexe Systeme und Zusammenhänge erstellen wie in der Wettervorhersage, der medizinischen Diagnostik oder in Wirtschaftsprozessen. Typische Anwendungsgebiete der Künstlichen Intelligenz und Neuronaler Netze sind:

  • Bilderkennung
  • Spracherkennung
  • Mustererkennung
  • Sprachsynthese
  • Schrifterkennung
  • Steuerung komplexer Prozesse
  • Prognosen für komplexe Systeme
  • Frühwarnsysteme
  • Zeitreihenanalysen
  • maschinenbasiertes Übersetzen
  • Simulationen komplexer Systeme
  • biometrische Systeme
  • Wirtschaftsmodelle
  • und weitere

Training eines Neuronalen Netzwerks

Bevor ein Neuronales Netzwerk für die vorgesehen Problemstellung oder Aufgabe verwendbar ist, muss es zunächst trainiert werden. Anhand von vorgegebenem Lernmaterial und Lernregeln gewichtet das Neuronale Netz die Verbindungen der Neuronen, bis es eine bestimmte „Intelligenz“ entwickelt hat. Die Lernregeln geben vor, wie das Lernmaterial das Neuronale Netz verändert. Grundsätzlich kann zwischen dem überwachten Lernen und dem unüberwachten Lernen unterschieden werden. Beim überwachten Lernen wird ein konkretes Ergebnis für die unterschiedlichen Eingabemöglichkeiten vorgegeben. Anhand des ständigen Vergleichs zwischen Soll- und Ist-Ergebnis lernt das Netz die Neuronen passend zu verknüpfen.

Unbeaufsichtigte Lernen gibt kein Ergebnis vor. Der Lernvorgang basiert alleine auf den Informationen der vielen verschiedenen eingegebenen Muster. Das Neuronale Netz nimmt die Veränderungen nur anhand der Eingabemuster vor. Hierfür existieren verschiedene Lernregeln wie die adaptive Resonanztheorie oder die Hebbsche Lernregel.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

Künstliche Intelligenz – wohin geht die Reise?

KI-Trends 2020 von CB Insights

Künstliche Intelligenz – wohin geht die Reise?

Das Marktforschungsinstitut CB Insights hat anhand von Daten aus vielen Quellen wichtige KI-Trends für das Jahr 2020 herausdestilliert. Sie sind zum Teil spannend und stimmen optimistisch. Der hohe Energieverbrauch der Künstlichen Intelligenz muss sich allerdings ändern. lesen

Einfacher Einstieg in KI-basierte Bildverarbeitung

Industrielle Bildverarbeitung

Einfacher Einstieg in KI-basierte Bildverarbeitung

IDS NXT Ocean ist eine Komplettlösung, die Anwendern den Einstieg in KI-basierte Bildverarbeitung einfach machen soll. lesen

Per Algorithmus zum Kaufabschluss

Big Data Analytics in der Versicherungsbranche

Per Algorithmus zum Kaufabschluss

Die SV SparkassenVersicherung und Detecon zeigen, wie die Digitalisierung in der Versicherungsbranche aussehen kann: Kaufwahrscheinlichkeiten lassen sich über Big-Data-Analysen berechnen. lesen

Was beschäftigt einen KI-Prozessor-Spezialisten wie Graphcore gerade?

Silizumbasierte Neuro-Mathematik

Was beschäftigt einen KI-Prozessor-Spezialisten wie Graphcore gerade?

Künstliche Intelligenz benötigt gigantische Rechenleistung. KI-Spezialprozessoren sind direkt in ihrer Hardware für diese Anforderungen konzipiert, die einen mehr für Neuronale Netze, andere in Richtung Deep Learning, wieder andere für Maschinelles Lernen. Zu letzteren gehören die „C2“-Prozessoren von Graphcore. Die Roadmap der Neuro-Mathematiker aus Bristol sieht wie folgt aus. lesen

So automatisiert KI die Entwicklung von KI-Modellen

AutoML

So automatisiert KI die Entwicklung von KI-Modellen

Schon jetzt gibt es laut Bitkom nicht genügend Fachkräfte, um den steigenden Bedarf an Datenanalysen zu decken. Automatisierung kann hier der Schlüssel sein, der Data Scientists von wiederholenden und zeitaufwendigen Tätigkeiten befreit. Genau hier setzt die Idee an, Künstliche Intelligenz einzusetzen, um den gesamten Modellierungsprozess zu automatisieren und zu beschleunigen. lesen

Maschinelles Lernen ohne großen Datensatz ermöglichen

Induktive Programmierung

Maschinelles Lernen ohne großen Datensatz ermöglichen

Die Informatikerin Ute Schmid forscht an der Methode der induktiven Programmierung – einem Ansatz, der es ermöglicht, ein System des maschinellen Lernens ohne großen Datensatz aufzubauen. Vor allem in der Medizin und der Industrie soll die Methode nützlich sein. lesen

Intrafind nennt KI-Trends für 2020

Von Mehrwert bis Datenschutz

Intrafind nennt KI-Trends für 2020

Der KI-Software-Spezialist Intrafind hat fünf zentrale Trends rund um das Thema Künstliche Intelligenz ermittelt. Im Mittelpunkt steht vor allem die Chancennutzung, statt nur Risiken in den Fokus zu nehmen. lesen

Die passende Machine Learning IDE finden

Entwicklungsumgebungen und Cloud-Plattformen

Die passende Machine Learning IDE finden

Integrierte Entwicklungsumgebungen, kurz IDEs, bieten Funktionen wie Syntax Highlighting, Code Completion, Debugging-Möglichkeiten, Variableneditoren oder Paketmanagement. Damit Entwickler davon auch im Machine-Learning-Umfeld profitieren, mpssen sie aber zunächst die passende IDE finden. lesen

Maschinelles Lernen verändert die Abläufe in der Fabrik

Automatisierung

Maschinelles Lernen verändert die Abläufe in der Fabrik

Damit Maschinen und Anlagen – auch die der Umformtechnik – effizienter produzieren können, muss aus vorhandenen Daten spezielles Wissen werden. So ziehen die Maschinenbauer künftig mit den Data Scientists an einem Strang. Denn nur so lassen sich Prozesse weiter automatisieren. Praktische Beispiele aus der Fabrik verdeutlichen: Maschinen laufen schneller, Nebenzeiten werden kürzer und Kosten sinken spürbar. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 45140541 / Definitionen)