Transparenz

Künstliches neuronales Netz

Was bedeutet Künstliches Neuronales Netz?

Ein künstliches neuronales Netzwerk ist ein Berechnungsmodell, das die Funktionsweise der Nervenzellen im menschlichen Gehirn nachahmt.

Künstliche neuronale Netze (englisch: Artificial Neural Network, kurz: ANN) verwenden lernende Algorithmen, die selbständig Anpassungen vornehmen können – oder in gewissem Sinne lernen – wenn sie neue Eingaben erhalten. Dies macht sie zu einem sehr effektiven Werkzeug für die nichtlineare statistische Datenmodellierung.

Deep Learning ANNs spielen eine wichtige Rolle beim maschinellen Lernen (ML) und unterstützen den breiteren Bereich der Technologie der künstlichen Intelligenz (KI).

Techopedia erklärt künstliche neuronale Netze

Ein künstliches neuronales Netzwerk besteht aus drei oder mehr Schichten, die miteinander verbunden sind. Die erste Schicht besteht aus Eingangsneuronen. Diese Neuronen senden Daten an die tieferen Schichten, die wiederum die endgültigen Ausgabedaten an die letzte Ausgabeschicht weiterleiten.

Alle inneren Schichten sind versteckt und werden von Einheiten gebildet, die die von Schicht zu Schicht empfangenen Informationen durch eine Reihe von Transformationen adaptiv verändern. Jede Schicht fungiert sowohl als Eingabe- als auch als Ausgabeschicht, die es dem ANN ermöglicht, komplexere Objekte zu verstehen. Zusammen werden diese inneren Schichten als neuronale Schicht bezeichnet.

Die Einheiten in der neuronalen Schicht versuchen, aus den gesammelten Informationen zu lernen, indem sie diese nach dem internen System des ANN gewichten. Anhand dieser Richtlinien können die Einheiten ein umgewandeltes Ergebnis erzeugen, das dann als Ausgabe an die nächste Schicht weitergegeben wird.

Ein zusätzlicher Satz von Lernregeln nutzt die Backpropagation, einen Prozess, durch den das ANN seine Ausgabeergebnisse unter Berücksichtigung von Fehlern anpassen kann. Durch Backpropagation wird jedes Mal, wenn die Ausgabe während der überwachten Trainingsphase als Fehler eingestuft wird, die Information rückwärts gesendet. Jedes Gewicht wird proportional dazu aktualisiert, wie stark es für den Fehler verantwortlich war.

Der Fehler wird also dazu verwendet, die Gewichtung der einzelnen Verbindungen des ANN neu zu kalibrieren, um die Differenz zwischen dem gewünschten und dem tatsächlichen Ergebnis zu berücksichtigen. Mit der Zeit “lernt” das ANN, wie es die Wahrscheinlichkeit von Fehlern und unerwünschten Ergebnissen minimieren kann.

Das Training eines künstlichen neuronalen Netzes beinhaltet die Auswahl aus zulässigen Modellen, für die es mehrere zugehörige Algorithmen gibt.

Ein ANN hat mehrere Vorteile, aber einer der bekanntesten ist die Tatsache, dass es tatsächlich aus der Beobachtung von Datensätzen lernen kann. Auf diese Weise wird ANN als Werkzeug zur Annäherung an Zufallsfunktionen verwendet. Diese Art von Werkzeugen hilft bei der Schätzung der kostengünstigsten und besten Methoden, um bei der Definition von Berechnungsfunktionen oder Verteilungen zu Lösungen zu gelangen.

ANN verwenden Datenstichproben anstelle ganzer Datensätze, um zu Lösungen zu gelangen, was sowohl Zeit als auch Geld spart. ANN gelten als relativ einfache mathematische Modelle, die bestehende Datenanalysetechniken erweitern.

Sie können für viele praktische Anwendungen eingesetzt werden, z. B. für die prädiktive Analyse im Bereich Business Intelligence, die Erkennung von Spam-E-Mails, die Verarbeitung natürlicher Sprache in Chatbots wie ChatGPT und vieles mehr.

 

Verwandte Begriffe

Margaret Rouse
Redaktion

Margaret Rouse ist eine preisgekrönte technische Autorin und Dozentin. Sie ist für ihre Fähigkeit bekannt, komplexe technische Themen simpel und nachvollziehbar zu erklären. In den letzten zwanzig Jahren sind ihre Erklärungen auf TechTarget-Websites erschienen und sie wurde in Artikeln der New York Times, des Time Magazine, USA Today, ZDNet, PC Magazine und Discovery Magazine als Quelle und Expertin zitiert. Wenn Sie einen Vorschlag für eine neue Definition haben oder eine technische Erklärung verbessern möchten, schicken Sie einfach Margaret eine E-Mail oder kontaktieren Sie sie auf LinkedIn oder Twitter.