close

Standort Krefeld

acadon AG
Königsberger Straße 115
47809 Krefeld

Tel.: +49 (0) 21 51 96 96-0
Fax.: +49 (0) 21 51 96 96-96
E-Mail: info@acadon.de

close

Support

Hotline _timber
Skype: +49 (0) 21 51 96 96-103
E-Mail: support@acadon.de

Hotline _packaging
Skype: +49 (0) 21 51 96 96-303
E-Mail: packaging@acadon.de

Hotline _cooperations / _furniture
Skype: +49 (0) 21 51 96 96-0
E-Mail: verbundgruppen@acadon.de

Hotline _venture
Skype: +49 (0) 21 51 96 96-803
E-Mail: venture@acadon.de

Weitere Kontakte

Hotline _technology
Skype: +49 (0) 21 51 96 96-200
E-Mail: technik@acadon.de

Administration/Marketing
Skype: +49 (0) 21 51 96 96-0
E-Mail: marketing@acadon.de

Künstliche Intelligenz – Neuronale Netze  

Um die Reihe über Machine Learning/Künstliche Intelligenz fortzusetzen, werde ich im Folgenden über die häufigste Art des Machine Learning schreiben: Neuronale Netzwerke .

Das Ziel neuronaler Netzwerke besteht darin, die Funktionsweise des menschlichen Gehirns nachzuahmen. Hierdurch soll erreicht werden, Probleme zu abstrahieren und dadurch auch mit einer kleinen Trainingsmenge zu lösen. 

Ein Neuron besitzt beliebig viele Eingänge und einen Ausgang. Jeder dieser Eingänge beinhaltet eine Zahl, das Ausgangssignal wird ausgelöst, wenn ein bestimmter Schwellwert überschritten wird. Diese Signalaktivierung wird auch Axon genannt. Neuronen sind untereinander stark vernetzt. Ein neuronales Netz ist inspiriert an dem menschlichen Gehirn, jedoch ist es bisher nicht möglich die Komplexität für einen Computer darzustellen, also wird das Neuronale Netz in Schichten sog. Layern eingeteilt. Die verschiedenen Schichten könnten auch Filter genannt werden. Je höher die Schicht desto komplexer ist das worauf das Neuron im Eingabebereich regiert. Ein jedes Netz besteht aus einem Input Layer und einem Output Layer (die höchste Ebene der Abstraktion), dazwischen liegen die sog. Hidden Layer. In diesen erfolgt der eigentliche Verarbeitungsprozess.

Deep Neural Network  

Da es sehr schwer ist mit einem Neuron komplexe Probleme, wie z.B. Bilderkennung zu bewältigen, werden hierzu häufig mehrere „Layer“ in einem Neuronalen Netzwerk miteinander verschränkt. Im Normalfall wird hierzu jedes Neuron von Layer n mit jedem Neuron von Layer n+1 miteinander verknüpft. In jedem dieser Layer können hierzu noch unterschiedliche Aktivierungsfunktionen verwendet werden. Dies ermöglicht es, sehr komplexe Probleme zu bewältigen.  

Jedes Neuronales Netzwerk mit 3 oder mehr Layern wird als „Deep Neural Network“ bezeichnet. 

Veranschaulichung des Algorithmus durch ein Beispiel:

Ziel ist es das durch ein neuronales Netz handschriftliche Zahlen erkannt werden.  Die Zahlen sind alle in weiß auf schwarzen Untergrund geschrieben und ein jedes Bild ist 28×28 Pixel groß. Jeder Pixel repräsentiert einen neuronalen Eingang des Input Layers sodass 784 Eingangssignale entstehen. Jedes Neuron enthält einen Wert zwischen 0 und 1, dieser steht für die Grauabstufung des Pixels; weiß = eins, schwarz = null.

Die letzte Schicht enthält nur 10 Neuronen, je eine für die Zahlen zwischen 0 und 9. Die hellsten Neuronen dieser Schicht bestimmen das Endergebnis. Zwischen den beiden Schichten sind zwei Hidden Layer mit je 16 Neuronen.

Damit die Zahlen erkannt werden müssen diese zerlegt werden. Eine Neun und auch eine acht bestehen aus einem oberen Kreis. Die einzelenen Eigenschaften einer Ziffer bilden die zweite Ebene der Hidden Layer.

Jede acht oder neun egal wie geschrieben aktiviert das  Neuron.

Ein Kreis und auch ein gerade Strich bestehen aus verschiedenen Einzelstrichen. Diese Einzelstriche ergeben die Eigenschaften der ersten Hidden Layer Ebene. Diese Unterteilung in Teilstriche wird Abstraktion genannt und ist bei Bilderkennungen immer im Einsatz.

Ein Neuron der zweiten Schicht wird aktiviert, wenn die Eingangssignale zusammen einen weißen Strich in einem bestimmten Bereich ergeben. Um die Positionierung zu erreichen wird jede Verbindung zu den Hidden Layern gewichtetet.  Die beiden beschriebenen Unterteilungen sind Vorstellung wie das Modell trainieren könnte. Jedoch ist es in der Realität so, dass die Modelle anders tranieren als erwartet, die Trainingsweise ist nicht unbedingt logisch nachvollziehbar, deswegen werden die Hidden Layer auch als Black Box bezeichnet. Das gewünschte Ergebnis könnte erreicht werden, wenn jede Verbindung von einem Menschen einzeln konfiguriert wird, das würde allein für dieses Modell ca. 13.000 Konfigurationen bedeuten. Dies ist zu zeitaufwendig.

Um ein Modell mit einem neuronalen Netz tranieren zu können werden anfangs zufällige Wichtung generiert und damit traniert, natürlich stimmen die Ergebnisse nicht. Jedes der zehn Endneuronen hat eine Zahl von 0 bis 1 welche die Trefferquote im Bezug auf die Zahl repräsentiert.

Ein Mensch definiert die gewünschten Werte für die zehn Ergebnisse. Die (falsch) berechnetet Werte und die gewünschten Werte werden miteinander verrechnet und daraus bildet sich ein Erfolgsfaktor. Je niedriger der Wert desto besser ist das Modell traniert. Der errechnete Erfolgsfaktor fließt in den nächsten Trainingslauf ein.

Fazit  

Bisher sind neuronale Netzwerke ausgezeichnet darin eine gute und schnelle Lösung für ein bestimmtes Problem zu finden, aber können noch keine Aufgaben gleichzeitig erledigen. Die Forschung ist aktiv an dieser Einschränkung dran und verersucht dieses Ziel zu erreichen um dadurch immer komplexere Netzwerke erschaffen zu können.  

Trotz dieser Einschränkung sind neuronale Netze  in Unternehmen beliebt, speziell in der Entscheidungsfindung und Datenanalyse,um z.B. das Kaufverhalten zu analysieren. Durch diese Kaufanalyse erhält der Endverbraucher personalisierte Werbung, die nahzu perfekt auf die Bedürnisse zugeschnitten ist.

Mich persönlich fasziniert der Gedanken Algorithmen zu entwickeln, welche auf nahezu jedes Problem eine Lösung finden können, vorausgesetzt sie werden mit genung Daten gefüttert. Es erstaunlich, wie häufig Neuronale Netze eingesetzt werden und wie wenig wir über den Prozess der Problemfindung wissen.

Ich glaube dieses Thema wird uns in naher Zunkunft immer stärker beschäftigen und unsere Arbeitswelt sowie das Leben beeinflussen.