Was ist ein neuronales Netz? Was maschinelles Lernen? Begriffe, die oft gleich benutzt werden, sich aber ihrer Definition nach unterscheiden. Wir erklären, was es mit ihnen auf sich hat.
In unserem ersten Teil zum Thema Künstliche Intelligenz (KI) haben wir uns die Frage gestellt, was eine KI ist, was sie kann und wie sie allmählich in unserer Alltagswelt Einzug hält. Jetzt geht es ans Eingemachte: Wie genau funktioniert die derzeit populärste Form der KI, das neuronale Netz?
Die Begriffe KI, maschinelles Lernen und neuronale Netze fallen häufig in Artikeln rund um neue Technologien. Wenngleich die Begriffe alle Ähnlichkeiten aufweisen und immer öfter synonym verwendet werden, ist es doch wichtig, diese zu unterscheiden. KI steht als Überbegriff für den Versuch, einem Computer menschliches oder komplexes Denken beizubringen – im Gegensatz zu dem stumpfen Abarbeiten von feststehenden, einmal vorprogrammierten Funktionen. Der Computer programmiert sich selbst, er lernt aus Erfahrung und ist in der Lage, mit neuen Situationen umzugehen.
Es gibt viele verschiedene Wege, dieses Ziel zu erreichen. So zählen Suchmaschinen wie Google zu den KIs. Eine spezielle Methode innerhalb der KI ist das maschinelle Lernen. Es stellt den Ansatz dar, einem Computer das Lernen aus Erfahrung beizubringen. Das heißt: Ein Computer lernt aus allgemeinen Daten ein Muster, eine Regel abzuleiten, dass diesem bestmöglich entspricht und kann es auf neue Daten anwenden. Etwa einen Apfel von einer Birne zu unterscheiden.
Dabei kommt immer ein Wahrscheinlichkeitswert heraus, denn der Computer wird mit neuen bisher unbekannten Daten konfrontiert. Genau wie bei uns – denn auch wir könnten zum Beispiel eine Nashi-Birne, die aussieht wie ein Apfel, für einen echten Apfel halten. Mit dem Unterschied, dass KIs, einmal trainiert, besser entscheiden als Menschen es tun könnten.
Innerhalb des maschinellen Lernens gibt es verschiedene Ansätze, selbstlernende Systeme zu programmieren. Diese unterteilen sich in einerseits überwachtes und andererseits unüberwachtes Lernen. Während bei Ersterem ein Mensch dem Computer mitteilt, was er lernen soll („Dieses Bild von einem Apfel ist ein Apfel, lerne, auch neue Bilder als Apfel zu erkennen!“) muss der Computer bei Letzterem selbst Strukturen in den Daten finden und diese sortieren – dafür können aber nur Menschen diese interpretieren.
Neuronale Netze sind nun als Teil des überwachten Lernens wiederum das derzeit relevanteste Teilgebiet des maschinellen Lernens. Sie sind für den derzeitigen Trubel um die KI verantwortlich, denn sie sind in der Lage, große Mengen an unstrukturierten Daten besonders gut auszuwerten und Muster in ihnen zu finden. Zu unstrukturierten Daten gehören Bilder, Videos oder Töne, also all jene Daten, wir in unserem Alltag in großer Menge produzieren.
Sie leihen sich ihren Begriff aus der Biologie aus. Im menschlichen Gehirn ist ein Neuron eine Nervenzelle, die mit anderen Nervenzellen verbunden ist und elektrische Signale an diese weitergibt. Aus Milliarden von Neuronen setzt sich das Gehirn zusammen und aus ihrer Aktivität unser Geist.
Ein künstliches neuronales Netz funktioniert ähnlich: Hier ist ein Neuron eine mathematische Formel, die einen Input verarbeitet und daraus einen Output generiert. Die Werte der Formel werden dabei durch die Ausgangsdaten definiert. Viele künstliche Neuronen arbeiten zusammen und ergeben so ein künstliches neuronales Netz (KNN).
Nehmen wir als Beispiel ein neuronales Netz, dass Äpfel von Birnen unterscheiden soll. Damit neuronale Netze funktionieren, benötigen sie Daten, deren Ergebnis sie kennen, um aus diesen zu lernen. In diesem Fall braucht unser Netzwerk also Bilder von Äpfeln und Birnen, die mit einer Beschriftung versehen sind, was von beiden sie sind. Was das neuronale Netz macht ist jetzt folgendes: Es nimmt ein Bild, löst die einzelnen Pixel in Daten aus (zum Beispiel einen Farbwert) und berechnet dann mit diesen Daten in einer komplexen Formel ein Ergebnis, das sie mit der Beschriftung vergleicht.
Stimmen Formel und Beschriftung überein, hat das Netzwerk ein Bild richtig erkannt. Stimmen Formel und Ergebnis nicht überein, stimmt die Berechnung noch nicht.
Das Netzwerk hat in unserem Beispiel eine Input-Ebene, eine Zwischenebene und eine Output-Ebene (siehe Bild unten). Das Neuron der ersten Ebene nimmt nun den Input (den Farbwert des Pixels) und verarbeitet diese Information (berechnet eine Formel) und gibt danach das Ergebnis an die nächste Ebene mit Neuronen weiter. Die letzte Ebene mit Neuronen entspricht dann den beiden möglichen Outputs – Apfel oder Birne. Je nachdem, bei welchem der beiden Output-Neuronen das Ergebnis der Berechnung höher ist (in diesem Fall: näher am Wert 1 liegt), wird der Ausschlag gegeben, ob das Netzwerk nun "Apfel" oder "Birne" als Ergebnis der Berechnung ausgibt.
In unserem Beispiel ist das Ergebnis dieser Berechnung aber falsch - der Wert bei "Birne" ist höher als bei "Apfel", obwohl das Bild einen Apfel zeigt. Das ist aber okay so, denn wenn ein neuronales Netz zum ersten Mal mit Daten gefüttert wird, sind seine Ergebnisse immer zufällig und können daher auch zufällig falsch sein. Das liegt daran, dass die Parameter der mathematischen Formeln zu Beginn zufällig gewählt werden müssen, denn Programmierer kennen die genaue Formel ja nicht, mit der es möglich ist, Äpfel und Birnen voneinander zu unterscheiden (sonst bräuchten sie ja keine KI).
Jetzt kommt aber der wichtige Schritt: Die zufälligen Werte der einzelnen Neuronen werden nun ausgehend vom Ergebnis so angepasst, dass sie das richtige Ergebnis berechnen. Das macht das Netz automatisch durch eine weitere komplexe Formel. Es ist ein bisschen so wie im Matheunterricht: 2+X=4. "2" ist der Input, "4" der Output - welchen Wert muss also "X" haben, damit das korrekte Ergebnis herauskommt?
Ein neuronales Netz löst diese Berechnung durch Ausprobieren - nur dass es tausende von Parametern gibt, die alle gleichzeitig angepasst werden und das Netzwerk in sehr kleinen Schritten Änderungen vornimmt.
Dieses Schritt wird nun wiederholt – viele tausende bis Millionen Male und nicht nur mit einem Bild, sondern mit vielen verschiedenen Bildern von Äpfeln und Birnen. Jedes Mal verändern sich die Neuronenwerte dabei ein wenig und werden ein klein wenig besser darin, Äpfel und Birnen zu unterscheiden, da die Anzahl der Beispiele, die sie richtig zugeordnet haben, stetig wächst. Dieses Prozess heißt „Lernen“ und ist ungeheuer rechenaufwändig.
Am Ende dieses Prozesse sind die Neuronen dann aber so fit, dass sie Bilder von Äpfeln von denen von Birnen unterscheiden können, auch wenn sie diese noch nie gesehen haben - das heißt, wenn sie unbeschriftet sind. Sie haben von den Trainingsbildern ein allgemeines Muster abstrahiert.
Diese Unterscheidungsmerkmale hat das KNN sich selbst beigebracht und sie entsprechen nicht menschlichen Maßstäben. Wir würden diese Objekte unterscheiden nach Merkmalen wie etwa „ist rund und rot“ -> Apfel, „ist länglich und grün“ -> Birne. Ein Computer kann aber mit Begriffen wie „rot“ oder „lang“ nichts anfangen. Er findet eigene Unterscheidungsmerkmale, die vielleicht heißen könnten „hat Durchschnittlich einen Rotwert von X Prozent“ oder die sehr viel abstrakter sind. Sie stehen aber nirgendwo zum Nachlesen, sie sind implizit in der Gesamtformel enthalten, die alle Neuronen ausmachen.
Die Entscheidungswege der KI, also der Grund, warum sich die KI für „Apfel“ entscheidet, sind nicht direkt für uns nachvollziehbar, weshalb man manchmal auch von der „Black Box“ spricht, da für die menschliche Intuition nicht offensichtlich ist, wie ein KNN zu seiner Einschätzung gekommen ist (denn ein Computer denkt nicht in „lang“ oder „grün“).
Jedoch lässt sich der Entscheidungsweg zu jedem einzelnen Bild im Nachhinein genau nachvollziehen, wenngleich sie auch durch eine sehr komplizierte mathematische Formel dargestellt wird, die durch Tausende oder Millionen von Parametern bestimmt wird.
Jedes Neuronale Netz ist nur so gut wie seine Trainingsdaten. Deshalb ist es wichtig, gut sortierte und einheitlich strukturierte Daten zu haben, wenn ein KNN trainiert werden soll. Und hier wird klar, warum Unternehmen wie Facebook oder Google so viele Daten sammeln: Je mehr Daten sie haben, desto besser können sie künstliche Netze auf diese loslassen, diese trainieren und auswerten. Und genau deshalb ist es wichtig für Unternehmen, viele Daten zu sammeln.
Unser Äpfel-und-Birnen-Beispiel zeigt aber zugleich eine Limitierung von KNNs auf: Werden sie plötzlich mit Bildern von Feuerwehrautos konfrontiert, können sie damit nichts anfangen – oder ordnen sie fälschlich als Äpfel ein. Um mit neuen, andersartigen Informationen umgehen zu können, müsste ein KNN wiederum erneut trainiert werden. Es muss also einen Datensatz geben, der Antworten auf ein eng umfasstes Fragengebiet geben kann, damit ein neuronales Netz optimal arbeitet.
Neuronale Netze gibt es in vielen unterschiedlichen Formen und Funktionsweisen, das oben dargestellte ist nur ein Prinzip unter vielen. Bekanntheit erlangten in letzter Zeit die Deep Neuronal Networks, in denen mehrere Ebenen von Neuronen hintereinandergeschaltet werden, um genauer zu arbeiten, ähnlich unseres Beispiels. Andere Netze wie Convolutional Neural Networks werden zur Bilderkennung eingesetzt und können dort bereits treffsicherer Bilder erkennen als Menschen. Genetic Neural Networks nehmen sich die Natur der Evolution zum Vorbild, in ihr treten zahlreiche KNN in einem Wettbewerb gegeneinander an, anstatt das eines immer weiter mit Daten feinjustiert wird; die besten kommen weiter, die schlechtesten werden verworfen.
Die genaue Funktionsweise von Künstlicher Intelligenz zu verstehen ist nicht einfach. Viele verschiedene Seiten und Projekte nehmen sich dieser Aufgabe an. Wir haben hier ein paar gesammelt, die all jenen weiterhelfen, die tiefer in die Materie eindringen wollen. Die meisten davon sind auf Englisch, aber nicht alles.
Und, jetzt neugierig auf KIs geworden? Das Netzwerk Bremen.AI hilft bei allen Fragen rund um die KI weiter und gibt erste Einblicke in die Technologie.
Inis Ehrlich
Die Senatorin für Wirtschaft, Arbeit und Europa
Referentin für Digitalisierung und KI
Zweite Schlachtpforte 3
28195 Bremen
T +49 (0)421 361 41 85
Über New Work ist aller Orten zu lesen. Ist es das nächste Buzzword, der nächste Hype? Warum mehr dahinter steckt – und wie sich in Bremen Firmen austauschen, um gemeinsam den Herausforderungen der neuen Arbeit zu begegnen.
Ein Unternehmen, bei dem Gewinn nicht an erster Stelle steht, sondern Qualität und Engagement für Soziales. Gibt es so etwas noch? Wer in Bremen so jemanden finden will, muss nur seiner Nase folgen – in den Stadtteil Findorff.
Sadia Shakil wurde in Pakistan geboren, hat in Deutschland studiert und mit ihrem Mann die Axtrion GmbH & Co. KG in Bremen gegründet. Dass sie ausgerechnet nach Bremen kam, hat sie einer Bibliothekarin am Goethe-Institut Karachi zu verdanken.
