Künstliche neuronale Netze stehen im Mittelpunkt der spektakulären Fortschritte, die die künstliche Intelligenz in letzter Zeit gemacht hat. Wie funktionieren sie und was macht ihre Stärke aus?
Das mathematische Modell der künstlichen neuronalen Netze (KNN) wurde ursprünglich 1943 von zwei Forschern der Universität Chicago, Warren McCullough und Walter Pitts, vorgestellt. In einem Artikel der Zeitschrift Brain Theory entwickelten sie eine Theorie, die das Neuron als grundlegendes Element der Reaktionstätigkeit auf externe Ereignisse betrachtet.
Es dauerte bis 1957, bis der erste Prototyp entwickelt wurde, der die KNN nutzte: das Perceptron von Frank Rosenblatt. Dieses versuchte, Aufgaben der Erkennung mithilfe eines wiederholten Lernalgorithmus zu erfüllen. Jedoch waren die Computer damals nicht leistungsfähig genug, um die Datenmengen zu verarbeiten, die für eine praktische Bewertung von Situationen in der realen Welt erforderlich waren. Das stellten Marvin Minsky und Seymour Papert in ihrem Buch Perceptrons (1969) fest, in dem sie die Einschränkungen der neuronalen Netze aufzeigten. Die Forschung machte daraufhin fast zwei Jahrzehnte Pause.
Ein erster Durchbruch gelang 1986, als David Rumelhart, Geoffrey Hinton und Ronald Williams einen Aufsatz über das progressive Rückpropagation entwickelten, eine Lerntechnik, die das Interesse an neuronalen Netzwerken wiederbelebte.
Allerdings dauerte es bis zum Aufstieg von Big Data und massiv-parallelen Computern, bis neuronale Netze über eine angemessene Verarbeitungskapazität verfügten. 2012 wurde ein Meilenstein erreicht, als das Team von Alex Krizhevsky den ImageNet-Wettbewerb für Bilderkennung gewann.
Was ist ein künstliches neuronales Netz?
Ein künstliches neuronales Netz lernt, indem es vordefinierte Beispiele analysiert. Es trainiert darauf, ein vorhersagendes mathematisches Modell zu entwickeln, zum Beispiel das Erkennen von Objekten in einem Bild. Dazu stützt sich ein KNN auf eine große Anzahl von Prozessoren, die in Schichten organisiert und parallel arbeiten. Drei Arten von Schichten sind zu berücksichtigen.
1. Eingabeschicht
Diese Schicht ist diejenige, die die rohen Informationen empfängt. Im Vergleich dazu können wir sagen, dass die optischen Nerven ein Bild wahrnehmen, bevor es analysiert wird.
2. Versteckte Zwischenschichten
Die Rohdaten durchlaufen mehrere Schichten, von denen jede eine partielle Analyse der Information durchführt, bevor sie an die nächste weitergegeben wird.
3. Ausgabeschicht
Die letzte Schicht liefert das Endergebnis, also die analysierte Information.
Anpassung der Schichten
Tatsächlich kann dieser Prozess mehrmals durchgeführt werden, wobei das KNN eine Lernphase durchläuft, bei der es seine Gewichte, also die Bedeutung jeder Schicht, anpasst.
Inferenzen
Das Netzwerk kann allmählich Inferenzen vornehmen, also Vorhersagen oder Schlussfolgerungen, die auf neue Daten angewendet werden können.
Welche Arten von neuronalen Netzen gibt es?
Feedforward-Netzwerke
In einem solchen KNN fließt die Information nur in eine Richtung, von der Eingabe bis zur Ausgabe.
Rekurrente Netzwerke (RNN)
Die RNN verwalten rekurrente Schichten: Sie „merken sich“ Informationen aus vorherigen Schritten. Dies macht sie effektiv für Aufgaben wie Spracherkennung (sie können Wörter erkennen, indem sie vorherige Laute berücksichtigen), maschinelle Übersetzung oder die Textanalyse (indem sie Beziehungen zwischen bereits analysierten Wörtern herstellen).
Generative Antagonistische Netzwerke (GAN)
Dieses Modell der künstlichen Intelligenz nutzt zwei konkurrierende neuronale Netze, um realistische Daten zu erzeugen.
Konvolutionale Netzwerke (RCNN)
Sie werden hauptsächlich zur Verarbeitung von Rasterdaten verwendet, wie Bilder, und sind daher sehr effektiv für Anwendungen wie Gesichtserkennung.
Welche konkreten Anwendungen gibt es?
Die KNN bilden die Grundlage der enormen Fortschritte der letzten Zeit in der künstlichen Intelligenz und sind in einer Vielzahl von Anwendungen zu finden.
Computer Vision
Die DeepFace-Algorithmen von Facebook zur Gesichtserkennung erwiesen sich als so effektiv (eine Genauigkeit von 97,35 % im Jahr 2014), dass Meta es vorgezogen hat, deren Einsatz angesichts diverser Kontroversen über die Privatsphäre auszusetzen.
Kunst und Kreativität
Die generativen IAs wie Midjourney, Leonardo (Bilder), aber auch Suno (Lieder), Gen 3 von Runway (Videos), die in der Lage sind, Werke aus textuellen Beschreibungen zu erstellen, sind eines der bemerkenswertesten Beispiele für die Verwendung von KNN.
Verarbeitung natürlicher Sprache
Sprachassistenten wie Siri, Alexa, Google Assistant oder Cortana stützen sich auf KNNs.
Spiele und Entscheidungsfindung
Im Jahr 2016 besiegte AlphaGo, ein von DeepMind, einer Tochtergesellschaft von Google, entwickeltes Tool, den Weltmeister im Go-Spiel, das für seine Komplexität und die Vielzahl möglicher Kombinationen bekannt ist, mit einem klaren Ergebnis von 5 zu 0. Ein solcher Erfolg schien zehn Jahre zuvor unmöglich.
Finanzen
Das von PayPal implementierte KNN zur Erkennung betrügerischer Transaktionen hat die Betrugsrate bis 2024 auf 0,28 % reduziert.
Automobilbranche
Ein autonomes Fahrzeug wie Waymo (auch bekannt als Google Car) verwendet KNN (stößt auf CNN), um in Echtzeit Umgebungsbilder zu analysieren.
Meteorologie
GraphCast von Google DeepMind kann das Wetter mit einer verbesserten Genauigkeit von 90 bis 99,7 % im Vergleich zu traditionellen Modellen vorhersagen und kann Vorhersagen für bis zu 10 Tage im Voraus erstellen.
