Neuronale Netze in der künstlichen Intelligenz: Wie funktioniert das?

Nachdem wir über künstliche Intelligenz und Machine Learning gesprochen haben, ist es an der Zeit, sich mit einem der faszinierendsten (und manchmal mystifizierten) Konzepte der modernen KI zu befassen: neuronalen Netzen.

Hinter diesem vom menschlichen Gehirn inspirierten Namen verbirgt sich eine leistungsstarke Technologie, die im Mittelpunkt vieler Fortschritte in der Computervision, der Verarbeitung natürlicher Sprache, der Spracherkennung und der maschinellen Übersetzung steht. In diesem Artikel erklären wir Ihnen, was neuronale Netze sind, wie sie funktionieren und warum sie so wichtig sind.

‍

‍

‍

‍

Ein von der Biologie inspirierter Ursprung

Die Idee künstlicher neuronaler Netze geht auf die 1950er Jahre zurück, als Forscher wie Warren McCulloch und Walter Pitts ein mathematisches Modell des Neurons entwarfen. Ihr Ziel war es, die Funktionsweise biologischer Neuronen vereinfacht nachzubilden: Zellen, die Signale empfangen, sie verarbeiten und entscheiden können, ob sie eine Information weiterleiten oder nicht.

Künstliche neuronale Netze bestehen daher aus Einheiten, die Neuronen genannt werden und in Schichten organisiert sind. Jedes Neuron empfängt Eingaben, transformiert sie (über eine Aktivierungsfunktion) und gibt dann eine Ausgabe an die nächsten Neuronen weiter.

‍

‍

‍

‍

‍

‍

‍

‍

‍

‍

‍

‍

Architektur eines neuronalen Netzes

Ein klassisches neuronales Netz besteht aus drei Arten von Schichten:

1. Die Eingabeschicht: Sie empfängt die Rohdaten (z. B. die Pixel eines Bildes).
2. Versteckte Schichten: Sie führen die Berechnungen, Transformationen und Zwischenentscheidungen durch. Je mehr sie vorhanden sind, desto tiefer ist das Netzwerk (man spricht dann von deep learning).
3. Die Ausgabeschicht: Sie liefert das Endergebnis (z. B. "Katze" oder "Hund").

Jede Verbindung zwischen Neuronen ist mit einem Gewicht verbunden, das die Wichtigkeit der übertragenen Information modelliert.

‍

‍

‍

‍

‍

‍

‍

Wie lernt ein Netzwerk?

Das Lernen eines neuronalen Netzes erfolgt in zwei großen Phasen: der Propagation und der Backpropagation.

1. Propagation (oder Forward Pass): Man schickt die Daten durch das Netzwerk, Schicht für Schicht, bis zum Ausgang.
2. Vergleich mit der Realität: Man misst den Fehler zwischen der Vorhersage des Netzwerks und der erwarteten wahren Antwort.
3. Rückwärtspropagation (oder Backpropagation): Das Netzwerk passt seine Gewichte an, indem es Informationen vom Ausgang zum Eingang zurückführt, um den Fehler beim nächsten Versuch zu verringern.

Dieser Vorgang wird bei Tausenden oder gar Millionen von Beispielen wiederholt, und zwar bei jedem Beispiel Hunderte oder Tausende Male oder mehr, bis das Netzwerk korrekt generalisiert.

‍

Aktivierungsfunktionen: die kleine magische Zutat

Jedes Neuron wendet eine Aktivierungsfunktion auf seine kombinierten Eingaben an. Diese Funktionen ermöglichen die Einführung von Nichtlinearität, die für das Netz zur Modellierung komplexer Probleme unerlässlich ist. Die bekanntesten sind :

• Sigmoid: für Ausgaben zwischen 0 und 1
• ReLU (Rectified Linear Unit): max(0,x), wird wegen seiner Einfachheit und Effizienz häufig verwendet.
• Softmax: um Wahrscheinlichkeiten über mehrere Klassen zu erzeugen

‍

Beispiele für Anwendungen

Neuronale Netze stehen im Mittelpunkt vieler Innovationen:

• Bilderkennung: Fotos klassifizieren, Gesichter erkennen, MRTs analysieren
• Sprachverarbeitung: Übersetzen von Texten, Erstellen von Zusammenfassungen, Beantworten von Fragen
• Selbstfahrende Autos: visuelle Umgebung interpretieren, Hindernisse erkennen
• Videospiele: KIs, die Menschen in sehr komplexen Spielen schlagen können (z. B. AlphaGo)
• Sprachassistenten: Spracherkennung und -synthese

‍

Warum ist es wichtig, neuronale Netze zu verstehen?

Weil sie eine neue Art der Gestaltung von Werkzeugen darstellen, die ihre Umgebung wahrnehmen, verstehen und mit ihr interagieren können. Die Grundlagen zu verstehen, bedeutet :

• Besseres Verständnis der Grenzen und Möglichkeiten von KI
• Einen kritischen Blick auf die von uns genutzten Technologien entwickeln
• Ethische Herausforderungen erfassen (Bias, Undurchsichtigkeit von Modellen etc.)

‍

Was wäre, wenn man ein neuronales Netz selbst manipulieren könnte?

Genau das ermöglicht AlphAI, die Lösung von Learning Robots. Mit oder ohne Code kann man dort in Echtzeit beobachten, wie ein neuronales Netz lernt, zu reagieren, Fehler zu machen, sich zu verbessern usw. Eine konkrete und spielerische Art, sich mit diesen mächtigen Konzepten vertraut zu machen.

Hier sind unsere Aktivitäten, um Schritt für Schritt speziell neuronale Netze zu entdecken :

👉 Mit dem Roboter AlphAI :

• Beginnen Sie damit, die Verbindungen im neuronalen Netz mit den Aktivitäten "Manuelles Bearbeiten" (Blockiert vs. Bewegung, Ultraschall, Linienverfolgung) selbst zu bearbeiten.
• Entdecken Sie dann an einem einfachen Beispiel, wie ein neuronales Netz mit der Aktivität lernt. Überwachtes Lernen - Linienverfolgung die sehr visuell ist, an einem einfachen neuronalen Netz

• Um (viel) weiter zu gehen, entdecken Sie mit unserem TP Erkennung von Eindringlingen die Rolle der neuronalen Zwischenschichten.

‍

👉 Bei den anderen Robotern empfehlen wir Ihnen die Aktivitäten, die mit den ersten Demonstrationskonfigurationen der Kategorien "Manuelle Bearbeitung" und "Überwachtes Lernen" verbunden sind.

‍