Neural Network (NN)

Ein Neuronales Netzwerk (NN) ist ein Rechenmodell im Kern der Künstlichen Intelligenz (KI), das darauf ausgelegt ist, Muster zu erkennen, Sensordaten zu interpretieren und Informationen zu gruppieren. Inspiriert von der biologischen Struktur des menschlichen Gehirns bestehen diese Netzwerke aus miteinander verbundenen Knoten, den sogenannten „Neuronen“, die in Schichten angeordnet sind. Während ein biologisches Gehirn chemische Signale zur Kommunikation über Synapsen verwendet, nutzt ein digitales neuronales Netzwerk mathematische Operationen zur Übertragung von Informationen. Diese Systeme bilden die grundlegende Technologie hinter modernem maschinellem Lernen (ML) und ermöglichen es Computern, komplexe Aufgaben wie Gesichtserkennung, Sprachübersetzung und das Steuern autonomer Fahrzeuge zu lösen, ohne für jede einzelne Regel ausdrücklich programmiert worden zu sein.

Neuronale Netzwerke im Vergleich zu Deep Learning#

Obwohl die Begriffe häufig synonym verwendet werden, ist es wichtig, zwischen einem einfachen neuronalen Netzwerk und Deep Learning (DL) zu unterscheiden. Der wichtigste Unterschied liegt in der Tiefe und Komplexität. Ein standardmäßiges oder „flaches“ neuronales Netzwerk verfügt möglicherweise nur über eine oder zwei verborgene Schichten zwischen Eingabe und Ausgabe. Im Gegensatz dazu verwendet Deep Learning „tiefe“ neuronale Netzwerke mit Dutzenden oder sogar Hunderten von Schichten. Diese Tiefe ermöglicht eine automatische Merkmalsextraktion, sodass das Modell hierarchische Muster verstehen kann – aus einfachen Kanten werden Formen und aus Formen erkennbare Objekte. Eine ausführlichere technische Einführung bietet MIT News mit einer Erklärung zu Deep Learning und seiner Entwicklung aus einfachen Netzwerken.

Wie neuronale Netzwerke lernen#

Der Prozess des „Lernens“ in einem neuronalen Netzwerk umfasst die Anpassung der internen Parameter, um Fehler zu minimieren. Daten gelangen durch eine Eingabeschicht, durchlaufen eine oder mehrere verborgene Schichten, in denen Berechnungen stattfinden, und verlassen das Netzwerk als Vorhersage über eine Ausgabeschicht.

• Gewichte und Bias: Jede Verbindung zwischen Neuronen verfügt über ein „Gewicht“, das die Stärke des Signals bestimmt. Während des Trainings passt das Netzwerk diese Gewichte auf Grundlage von Trainingsdaten an.
• Aktivierungsfunktionen: Um zu entscheiden, ob ein Neuron „feuern“ oder aktiviert werden soll, verwendet das Netzwerk eine Aktivierungsfunktion wie ReLU oder Sigmoid. Dadurch wird Nichtlinearität eingeführt, sodass das Netzwerk komplexe Grenzen lernen kann.
• Backpropagation: Wenn das Netzwerk eine Vorhersage trifft, vergleicht es das Ergebnis mit der tatsächlichen richtigen Antwort. Liegt ein Fehler vor, sendet ein als Backpropagation bezeichneter Algorithmus ein Signal rückwärts durch das Netzwerk, um die Gewichte fein abzustimmen und die Genauigkeit im Laufe der Zeit zu verbessern.
• Optimierung: Algorithmen wie der stochastische Gradientenabstieg (SGD) helfen dabei, den optimalen Satz von Gewichten zur Minimierung der Verlustfunktion zu finden. Weitere Informationen findest du in den Optimierungsalgorithmen von AWS.

Anwendungen in der Praxis#

Neuronale Netzwerke sind die Grundlage vieler Technologien, die das moderne Zeitalter prägen.

1. Computer Vision: Im Bereich der Computer Vision (CV) werden spezialisierte Netzwerke, sogenannte Faltungsneuronale Netze (CNNs), zur Analyse visueller Daten eingesetzt. Fortschrittliche Modelle wie Ultralytics YOLO26 verwenden tiefe neuronale Netzwerkarchitekturen für die Objekterkennung in Echtzeit. Diese Systeme sind entscheidend für KI in der Landwirtschaft, wo sie den Zustand von Nutzpflanzen überwachen, sowie für Sicherheitssysteme zur Erkennung von Anomalien.

2. Verarbeitung natürlicher Sprache: Für Aufgaben mit Text haben Architekturen wie rekurrente neuronale Netze (RNNs) und Transformer die Art und Weise revolutioniert, wie Maschinen menschliche Sprache verstehen. Diese Netzwerke bilden die Grundlage für Werkzeuge zur maschinellen Übersetzung und virtuelle Assistenten. Die Auswirkungen dieser Technologien zeigen sich in der KI im Gesundheitswesen, wo sie bei der Transkription medizinischer Notizen und der Analyse von Patientenakten helfen.

3. Prädiktive Analytik: Unternehmen nutzen neuronale Netzwerke zur Zeitreihenanalyse, um Aktienkurse oder den Bedarf an Lagerbeständen vorherzusagen. IBM bietet einen hervorragenden Überblick über neuronale Netzwerke in der Geschäftsanalytik.

Praktische Umsetzung#

Moderne Softwarebibliotheken erleichtern die Bereitstellung neuronaler Netzwerke, ohne dass du die mathematischen Operationen von Grund auf selbst schreiben musst. Mit Werkzeugen wie der Ultralytics Platform können Nutzer diese Netzwerke unkompliziert mit benutzerdefinierten Datensätzen trainieren. Der folgende Python-Code zeigt, wie ein vortrainiertes neuronales Netzwerk – konkret das hochmoderne Modell YOLO26 – geladen und mit dem Paket ultralytics eine Inferenz auf einem Bild ausgeführt wird.

from ultralytics import YOLO

# Load a pretrained YOLO26 neural network model
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

Herausforderungen und Überlegungen#

Obwohl neuronale Netzwerke leistungsfähig sind, bringen sie besondere Herausforderungen mit sich. Für überwachtes Lernen benötigen sie typischerweise große Mengen gekennzeichneter Daten. Ohne ausreichende Datenvielfalt neigt ein Netzwerk zur Überanpassung, bei der es sich die Trainingsbeispiele merkt, anstatt eine gute Verallgemeinerungsfähigkeit zu erlernen. Darüber hinaus werden tiefe neuronale Netzwerke häufig als „Blackboxes“ bezeichnet, da nur schwer nachvollziehbar ist, wie genau sie zu einer bestimmten Entscheidung gelangt sind, was die Forschung zu erklärbarer KI (XAI) vorantreibt. Organisationen wie die IEEE Standards Association arbeiten aktiv an Standards, um sicherzustellen, dass diese leistungsfähigen Netzwerke ethisch und sicher eingesetzt werden.