Neuronale Netze sind das Herzstück vieler KI-Anwendungen, die heute im Unternehmensalltag ankommen: Texterkennung, Sprachassistenten, Übersetzung und Chatbots. Ihr Name verweist auf das Nervensystem, das bei ihrer Entwicklung als Vorbild diente. Mit einem Gehirn haben sie technisch allerdings wenig gemein. Es handelt sich um mathematische Funktionen mit sehr vielen einstellbaren Parametern.
Wie ein neuronales Netz aufgebaut ist
Ein neuronales Netz besteht aus Schichten künstlicher Neuronen:
- Die Eingabeschicht nimmt Daten entgegen, etwa die Bildpunkte eines Fotos oder die Bestandteile eines Textes.
- Eine oder mehrere verborgene Schichten verarbeiten diese Daten schrittweise weiter.
- Die Ausgabeschicht liefert das Ergebnis, zum Beispiel eine Kategorie oder eine Prognose.
Jedes Neuron empfängt Werte aus der vorherigen Schicht, gewichtet sie, summiert sie und gibt das Ergebnis über eine sogenannte Aktivierungsfunktion weiter. Die Gewichte bestimmen, wie stark einzelne Verbindungen wirken.
Gelernt wird im Training: Das Netz verarbeitet ein Beispiel, sein Ergebnis wird mit der richtigen Lösung verglichen und der Fehler berechnet. Ein Verfahren namens Backpropagation ermittelt, wie stark jedes Gewicht zu diesem Fehler beigetragen hat. Anschließend werden die Gewichte schrittweise so angepasst, dass der Fehler kleiner wird. Nach sehr vielen Durchläufen bildet das Netz die Muster in den Daten ab.
Netze mit vielen verborgenen Schichten bilden die Grundlage von Deep Learning.
Typische Bauformen
- Feedforward-Netze für einfache Klassifikations- und Prognoseaufgaben
- Convolutional Neural Networks (CNN) für Bilder, etwa in der optischen Qualitätsprüfung
- Rekurrente Netze (RNN) für Abfolgen wie Messreihen oder Texte
- Transformer, die Grundlage moderner Large Language Models; sie haben rekurrente Netze in der Sprachverarbeitung weitgehend abgelöst
Worauf Unternehmen achten sollten
- Erklärbarkeit: Die Entscheidungslogik ist auf Millionen oder Milliarden Gewichte verteilt und kaum direkt ablesbar. Für nachvollziehbare Entscheidungen braucht es ergänzende Verfahren der Explainable AI.
- Qualität der Trainingsdaten: Ein Netz übernimmt Fehler und Verzerrungen aus seinen Daten.
- Nicht jede Aufgabe braucht ein Netz: Für einfache, gut strukturierte Daten sind klassische Verfahren oft ausreichend, günstiger und leichter zu prüfen.
- Rechenbedarf: Training und Betrieb großer Netze erfordern spezialisierte Hardware oder Cloud-Ressourcen.
Abgrenzung
Der Vergleich mit dem menschlichen Gehirn ist eine Vereinfachung. Ein künstliches Neuron ist eine einfache Rechenformel, und ein neuronales Netz besitzt weder Bewusstsein noch Verständnis im menschlichen Sinn. Es erkennt statistische Zusammenhänge in den Daten, mit denen es trainiert wurde.
KI-Trainings ansehen