Suchen

Definition Was sind neuronale Netze?

Autor / Redakteur: Laimingas / Sarah Böttcher

Neuronale Netze haben in den vergangenen Jahren als grundlegendes Konzept entscheidend zu den Erfolgen in der Künstlichen Intelligenz (KI), im Machine Learning (ML) und Deep Learning (DL) beigetragen.

Firmen zum Thema

Grundlagenwissen zum IT-Business
Grundlagenwissen zum IT-Business
(Bild: © adiruch na chiangmai - Fotolia.com)

Bezogen auf den Menschen sind neuronale Netze Verbindungen von Neuronen, die einen spezifischen Zusammenhang innerhalb des Nervensystems bilden. Das menschliche Gehirn ist im Grunde ein riesiges Netz aus neuronalen Netzen. In der Informatik und im Bereich der Künstlichen Intelligenz (KI), aber auch in der Robotik, spricht man von künstlichen neuronalen Netzen, wenn Menschen als Vorbilder dienen und technisch nachgebildet und simuliert werden.

Woraus bestehen künstliche neuronale Netze?

Ein künstliches neuronales Netz besteht aus mehreren Schichten – Ein- und Ausgabeschicht, dazwischen versteckte Schichten – im Englischen als Layer bezeichnet. Die Schichten ihrerseits sind aus zahlreichen Knotenpunkten (englisch Nodes) zusammengesetzt, die sich mit den Neuronen im menschlichen Gehirn vergleichen lassen. An diesen Knotenpunkten werden Informationen verarbeitet, aber nicht in Form elektrischer Reize wie im Hirn, sondern in Form numerischer Werte.

Funktionsschema an Hand eines Fotos

Soll ein Bild mit 1.024 x 1.024 Pixeln im RGB-Modus mit einem neuronalen Netz verarbeitet werden, ergibt das eine Zahl von 1.024 x 1.024 x 3 = 3.145.728 Eingabewerten. Diese 3 Millionen Werte werden von der Eingabeschicht von jedem Knoten an alle mit ihm verbundenen Knoten geschickt. Damit sich ein Lernerfolg einstellen kann, wird jede Knotenverbindung mit einem Bias und einem Gewicht (einem zusätzlichen Neuron) für die Interpretation und Bewertung der eingegangenen Information versehen.

Nun werden wichtige Eingabewerte mit einer Änderung an den Gewichten und Biases für eine eindeutige Klassifizierung verstärkt, andere werden abgeschwächt. Anschließend kann das Bild beispielsweise zum Abgleich mit ähnlichen Motiven genutzt werden.

Deep Learning mit neuronalen Netzen

Deep Learning findet statt, wenn neuronale Netze über mehr als eine versteckte Schicht verfügen. Je mehr davon vorhanden sind, desto tiefer das Lernen. Fügt man Knotenpunkte in jeder Schicht hinzu, kann man in die Breite gehen. Der englische Fachausdruck lautet Wide Learning. Neuronale Netze lassen sich für verschiedene Zwecke optimieren, indem man verschieden tiefe und weite Schichten mit einander kombiniert und Varianten ausprobiert. Weitere Optimierungen entstehen mit individuellen Architekturen im Deep Learning.

Typische Anwendungsbereiche für neuronale Netze

Für neuronale Netze gibt es vielfältige Einsatzmöglichkeiten, vor allem überall dort, wo große Datenmengen verarbeitet werden müssen. Einige Beispiele sind:

  • Bild- und Mustererkennung,
  • Spracherkennung und -synthese,
  • Schrifterkennung,
  • Frühwarnsysteme,
  • Zeitreihenanalysen,
  • Simulationen und Prognosen für komplexe Systeme,
  • maschinenbasiertes Übersetzen,
  • Berechnen von Wirtschaftsmodellen,
  • Einsatz in biometrischen Systemen.

(ID:45906199)