Das menschliche Gehirn mag nicht so schnell rechnen können wie ein Supercomputer, es mag fehleranfälliger sein und sich ab und an irren, was einzelne Entscheidungen betrifft. Aber eine Sache beherrscht die menschliche Schaltzentrale des Denkens doch sehr gut: Neues und unbekanntes Wissen können wir sehr schnell lernen und adaptieren. Und je bekannter und vertrauter uns eine Sache ist, desto problemloser können wir damit hantieren und das neu Erlernte in unseren Alltag integrieren.
Das ist der Moment, an dem der Begriff „Neuronales Netz“ ins Spiel kommt. Denn auf diesem Fundament der Künstlichen Intelligenz basiert im Grunde alles, was mit den aktuellen KI-Anwendungen verknüpft ist. Ob das Large Language Modelle sind, wie sie in der Generativen KI zum Einsatz kommen oder Convolutional Neural Networks, die bei der Bilderkennung eine wichtige Rolle spielen – diese auf Neuronen basierenden Netze sind die Basis allen maschinellen Lernens.
So sind neuronale Netze aufgebaut
Der Aufbau eines neuronalen Netzes ist im Grunde ganz einfach: Es besteht aus drei Schichten: Eine für die Eingabe, eine für die Ausgabe der erlernten Daten und eine dazwischen, die sogenannte verborgene Schicht. Diese besteht meist aus einer Vielzahl an Schichten, die jede für sich die Eingabedaten bewertet, gewichtet und diese schließlich an die Ausgabeschicht weiterreicht. Besteht die verborgene Schicht aus vielen Einzelschichten, findet dort eine besondere Art des maschinellen Lernens names Deep Learning statt.
Neuronale Netze kommen zu Trainingszwecken für eine Vielzahl an Anwendungen zum Einsatz. Dazu gehören unter anderen Applikationen der Bildbearbeitung, der Spracherkennung, dem autonomen Fahren, Wettervorhersagen, Betrugserkennung, Krankheitsanalysen, und viele mehr.
4 Arten von Neuronalen Netzen
Derzeit existieren vier wesentliche Arten von neuronalen Netzen. Dazu gehören: Perceptron, Feed Forward Neural Network, Recurrent Neural Network und Convolutional Neural Network.
Das Perceptron ist quasi die Mutter aller neuronalen Netze. Es besteht aus genau einem Neuron, das anhand der gewichteten Eingabedaten ein Ergebnis abliefert. Eine Funktion, die mit diesem Ergebnis gefüttert wird, bestimmt dann, ob das Neuron „feuert“, also aktiv wird – oder eben auch nicht,
Ein Feed Forward Neural Network (FFN) lernt nur in eine Richtung, nämlich in die nächsthöhere Schicht. Daher müssen sämtliche Schichten miteinander verbunden sein. Außerdem ist mindestens eine verborgene Schicht erforderlich.
Recurrent Neural Networks (RNN) wiederum weisen sowohl vorwärts- als auch rückwärts gerichtete Verbindungen auf, woraus eine Art Gedächtnis des neuronalen Netzes entsteht. Dies ist vor allem bei kontextsensitiven KI-Anwendungen wichtig. Das ist speziell bei textbasierten Applikationen wie ChatGPT der Fall.
Im Gegensatz zu RNNs spielen die Convolutional Neural Networks bei bildverarbeitenden KI-Anwendungen eine wichtige Rolle. Wie der Begriff Convolution (engl. für „Faltung“) verrät, besteht die verborgene Schicht aus einer Reihe von Faltungen, die bestimmte Filter repräsentieren, die wiederum Berechnungen durchführen, was am Schluss einen Wert ergibt, der an die nächste „Faltschicht“ weitergereicht wird. Das Ausgabeergebnis wird in Form eines Vektors dargestellt, der darüber befindet, mit welcher Wahrscheinlichkeit das Ergebnis zutrifft.
Weitere KI-Lexikon-Begriffe
„L“ wie Long Short-Term Memory (LSTM)
„N“ wie Natural Language Processing
„N“ wie NPU (Neural Processing Unit)
Leseempfehlungen zum Begriff Neuronale Netze
Erklärungen zu neuronalen Netzen auf Studiflix.de inkl. eines anschaulichen Videos
Bigdata Insider: Was ist ein neuronales Netz?
Wirtschaftsförderung Bremen: Was ist ein neuronales Netz?
IBM: Was ist ein neuronales Netz?