Kurz gesagt sind künstliche neuronale Netzwerke das wohl mächtigste Werkzeug in der künstlichen Intelligenz.

Ein neuronales Netzwerk ist ein künstliches System, das versucht Informationen so zu verarbeiten, wie das menschliche Gehirn. Ein KNN ist sozusagen ein erster Versuch, mit künstlicher Intelligenz die Struktur und Funktion des Gehirns nachzuahmen, um komplexe Aufgaben zu lernen und zu bewältigen. Doch wie funktioniert das?

Die oberflächliche Antwort lautet: Die Technologie basiert auf einer großen Menge mathematischer Algorithmen und Berechnungen, die in komplexen Schaltkreisen angeordnet sind und so Neuronen Netzwerke des Hirns imitieren.

Ein neuronales Netzwerk ist eigentlich nur ein sehr vereinfachtes Modell des menschlichen Gehirns: Zoomen wir rein, besteht ein KNN aus einer Reihe von “Neuronen”, die miteinander verbunden sind. Bei diesen Neuronen handelt es sich um kleine Schaltkreise, die in einer Reihe angeordnet sind.

Jeder dieser Neuronen verarbeitet einen Teil der Eingabe-Daten und gibt dann seine Ausgabe-Werte weiter, an die nächsten Neuronen in der Reihe. So entsteht eine Art Kette der Verarbeitung, bis am Ende ein Output generiert wird. Auf einer höheren Flugebene lernt das ganze System, indem es versucht, seinen generierten Output mit den tatsächlichen Ergebnissen zu vergleichen. Es passt dann eigenständig die Verbindungen zwischen den Neuronen so an, dass es beim nächsten Durchlauf einen treffenderen Output erzielt. Das Besondere an diesem Ansatz ist, dass das Netzwerk also selbst herausfindet, welche Merkmale der Input wichtig sind und welche Muster es generalisieren kann. Das macht es sehr mächtig. Aber auch für den Menschen undurchschaubar. Denn anders als beim Machine Learning weiß die Außenstehende nicht genau, was das Netzwerk gerade lernt.

Für viele Aufgaben ist dieses unvorhersehbare Verhalten jedoch genau das, was es braucht. Wenn es beispielsweise darum geht, eine in einer Bilderdatenbank Katzen von Hunden zu unterscheiden, ist es vorteilhaft, wenn das Netzwerk selbst herausfindet, welche Eigenschaften der Bilder relevant sind (Farbe, Form, Größe) und welche Muster es generalisieren kann (Katzen haben meistens Schnurrhaare).

Wenn wir noch genauer verstehen wollen, was KNNs so besonders macht, lohnt sich ein kleiner Vergleich mit em Machine Learning. Durch das Nebeneinanderhalten ist es leichter die Möglichkeiten und Limitationen beider Systeme besser zu greifen.

Machine Learning

Durch maschinelles Lernen erhalten Systeme die Möglichkeit, selbstständig aus verschiedenen Datensätzen zu lernen und sich kontinuierlich zu verbessern. Dabei ist es nicht notwendig, diese explizit programmieren zu müssen. Vielmehr erschließt sich die KI die Zusammenhänge, aus den eingegebenen Daten. Machine Learning erkennt also die unterliegenden Strukturen in Datensätzen, um sie später auch auf unbekannte Daten anzuwenden. 

Eine Gemeinsamkeit zwischen Machine Learning uns KNNs ist also, dass beide Technologien selbstständig Schlüsse aus den eingegebenen Daten ziehen.

Damit das klappt, braucht es jedoch ein eine zwingende Voraussetzung: Die eingegebenen Daten müssen bekannte Zusammenhänge haben. 

Künstliche Neuronale Netze

Künstliche Neuronale Netze dagegen, gehen noch einen Schritt weiter. Oder besser gesagt “tiefer”. Denn KNNs gehören zum Teilbereich der KI, der als Deep Learning bezeichnet wird – und somit versucht sich vom einfachen Machine Learning abzugrenzen. 

Deep Learning ist ein Lernverfahren, das das menschliche Lernverhalten nachahmt. Dies geschieht mittels großer Datenmengen. In einem sogenannten tiefen Lernalgorithmus bildet das System Zwischenschichten. In Abgrenzung zum Machine Learning, bildet neuronales Netzwerk bildet also zwischen den Input und Output Daten weitere Ebenen. 

Pudel oder Hähnchen Nugget?

Bevor es zu abstrakt und theoretisch wird, sehen wir uns ein Beispiel an:

Eine KNN in Form einer Bilderkennungssoftware soll unterscheiden, ob es sich um einen Pudel oder ein Hähnchennugget handelt.

Es stellt sich heraus, dass Labradoodles tatsächlich große Ähnlichkeit zu frittiertem Federvieh haben. Auf den ersten Blick also auch für uns Menschen gar nicht so einfach 😉 

• Die erste Schicht des KNN, ist noch sichtbar: Die Eingangsebene, verarbeitet die eingegebenen Bilder, und zerlegt sie in ihre einzelnen Pixel. 
  
  
• Dann geht es weiter mit den verborgene Ebene werden die Informationen aus den Pixeln weiterverarbeitet, komprimiert, geclustert… All diese Informationsverarbeitungsschritte sind für den Menschen eine Black Box: Es ist nicht sichtbar was innerhalb der KI passiert.
  
  
• In der Ausgabeebene präsentiert die KI schließlich ihr Ergebnis und lässt als Output wissen, ob es sich um einen Hund oder Fastfood handelt.

Beim betrachten des Beispiels wird klar: Der Mensch kann nur sehen, was auf der Eingangs- und Ausgangsebene geschieht. In den verborgenen Zwischenebenen werden die Daten eigenständig durch die KI neu verknüpft, sortiert, analysiert…

Anhand des Outputs ist nicht mehr nachvollziehbar, welche Entscheidungen die KI weshalb getroffen hat: Vielmehr verfeinert die KI – wie ein menschliches Gehirn – autonom die Regeln, nach der sie entscheiden, ob es sich um ein Haustier oder frittiertes Fleisch handelt.

Das Potential von KNNs lässt in den meisten Menschen erstmal ein mulmiges Gefühl entstehen: Eine künstliche Intelligenz, die selbst denkt und das menschliche Hirn imitiert. So mächtig diese Tools in der Theorie auch auch sind: Sie können immer nur soweit gehen, wie die Akzeptanz des Menschen ist, der mit ihr kollaboriert.  Es empfiehlt sich daher vor der Implementierung einer so fortgeschrittenen Technologie, wie einem KNN unbedingt eine Schulung der Mitarbeitenden: Um optimal aufzuklären, Ängste zu nehmen, und Mythen aus der Welt zu schaffen. 

Zugegeben, das war viel Inhalt und kein leicht zu verdauender Blog Artikel. Deshalb hier nochmal die wichtigsten Fakten im Überblick:

• Künstliche Neuronale Netzwerke imitieren in Teilen die Funktionsweise des menschlichen Gehirns.
  
  
• Dies geschieht über mehrere Schichten von „Neuronen“.
  
  
• Neuronen kann man sich als kleine Schaltkreise und individuelle Algorithmen vorstellen, die in mehreren Ebenen angeordnet sind.  
  
  
• Der Vorteil von Künstlichen Neuronalen Netzwerken ist, dass sie sehr tief abstrahieren: Sie können komplexe, nicht-zusammenhängende Datensätze verarbeiten.
  
• KNNs trainieren sich selbst: Sie werden mit jedem Datendurchlauf besser.
  
  
• Neuronale Netzwerke sind der Bereich der KI, auf den sich die Entwicklungsbestrebungen fokussieren. KNNs sind die Technologie der Zukunft.

Künstliche neuronale Netze sind eine Schlüsseltechnologie für die Zukunft: Denn KNNs ermöglichen die Automatisierung von Prozessen, das Lösen komplexer Aufgaben in Echtzeit und den wirtschaftlicheren Einsatz von – menschlichen aber auch materiellen – Ressourcen.

Dazu direkt ein Disclaimer: Wir haben KNNs hier mehrfach als die mächtigste Form von KI bezeichnet. Natürlich ist der Superlativ “mächtigste” auch immer im Kontext des Bedarfs zu sehen. Nicht immer braucht es das potenteste Werkzeug, um den Job zu erledigen. Manchmal reicht schon ein simpler Algorithmus, um einen leidigen Prozess zu beschleunigen. Es muss also nicht gleich das komplexe KNN sein, um eine Herausforderung zu meistern. Das wäre nicht wirtschaftlich. Schließlich wollen wir auch nicht mit der KI Kanone auf Spatzen schießen. 😉

Die Aufgabe von Managern und strategischen Entscheidungsträgern ist es, die rasante Entwicklung dieser Technologie genau zu beobachten und zu erkennen, wie sie diese am besten für die Unternehmensziele einsetzen können.

Und genau bei diesem Prozess, stehen wir Ihnen gerne zur Seite – wenn Sie das möchten. Unsere ersten Beratungsgespräche sind für Sie natürlich vollkommen kostenlos und unverbindlich.