AI unplugged #5: Neuronale Netze einfach erklärt

AI unplugged #5: Neuronale Netze einfach erklärt

Bei seinem KI-Podcast „AI unplugged“ spricht KI-Experte und Solvemate-Gründer Erik Pfannmöller regelmäßig mit Experten und Unternehmern über innovative Themen, Gründungen und Trends aus dem Bereich Künstliche Intelligenz und Maschinelles Lernen. Diesmal bringt er mit Merantix Gründer Rasmus Rothe Licht ins Dunkel neuronaler Netze.

  • Neuronale Netze im Einsatz

    Deep Learning, neuronale Netze, der Buzzwordfaktor ist bei diesen Begriffen ziemlich hoch und es scheint, dass neuronale Netze DIE Erfindung der letzten Jahre sind. Dabei gibt es diese schon seit den 50ern. Das erste neuronale Netz wurde in einer Dissertation von 1951 von Marvin Minsky entwickelt, es war allerdings nicht einsetzbar. In den 80ern gab es dann einen ersten großen Hype, damals lernten die Computer Handschriften zu erkennen. Alter Wein also in neuen Schläuchen? Ja und Nein. Merantix-Gründer Rasmus Rothe erklärt, dass die frühen Netze zu klein waren, und es die Datenmenge viel zu gering war. In den letzten 20 Jahren hat sich das enorm geändert, sodass die heutigen neuronalen Netze wesentlich leistungsfähiger sind.

    Was sind neuronale Netze?

    Neuronale Netze sind dem Gehirn nachempfunden. Die kleinsten Einheiten sind die Neuronen, die über Synapsen (Leitungen) verbunden sind. In der Informatik sind, stark vereinfacht, viele Computer oder Recheneinheiten miteinander verbunden. Diese Units tauschen untereinander Informationen aus, sozusagen Daten rein, Daten raus. Je nachdem wie die Units gewichtet sind beeinflussen diese sich gegenseitig oder hemmen sich.

    • Positives Gewicht: Neuron übt auf ein anderes Neuron erregenden Einfluss aus
    • Negatives Gewicht: Neuron hat hemmenden Einfluss
    • Null-Gewicht: Neuron hat auf ein anderes Neuron derzeit keinen Einfluss

    Je mehr dieser Einheiten verknüpft sind, desto mehr Schichten sind vorhanden. 10 Neuronen sind dann 10 Schichten. Das wird dann auch als Tiefe bezeichnet. Heute sind bis zu 100.000 Schichten verknüpft.

    Was können neuronale Netze?

    Vorab, einen Supercomputer wie HAL 9000 in Kubriks Odyssee im Weltraum wird es so schnell nicht geben. Die heutigen Netze sind noch immer auf die Eingabe von Daten angewiesen und neuronale Netze müssen trainiert werden, sie brauchen menschliche Hilfe. Normale Netze werden oft nur für eine Aufgabe trainiert, während der Mensch tausende erledigen kann.

    Neuronale Netze funktionieren gut, aber nicht perfekt. (Rasmus Rothe | CEO Merantix)

    Deswegen unterteilen Forscher den Aufbau eines neuronalen Netzes in zwei Phasen.

    1. Trainingsphase
    2. Testphase

    In der Trainingsphase wird das Netz gefüttert, beispielsweise mit Bildern, auf denen es Tumore erkennen muss, wie es unter anderem bei Merantix der Fall ist. Die Software unterstützt später Radiologen bei der Auswertung von CTs. Diese Phase dient den Data Scientists dazu, auf die Units einzuwirken und deren Verschaltungen zu modifizieren.

    In der Testphase werden dann die Ergebnisse überprüft, ohne auf die Units einzuwirken. Zwei Kernfragen beschäftigen die Forscher:

    1. Hat das neuronale Netz das Material erfasst?
    2. Ist das neuronale Netz darüber hinaus in der Lage, Aufgaben zu lösen?

    Wo werden neuronale Netze eingesetzt?

    Neuronale Netze kommen heute in vielen Branchen zum Einsatz. Zwei große Anwendungsbeispiele lassen sich unterscheiden.

    1. Neuronale Netze, die helfen menschliches Verhalten und das Gehirn zu verstehen
    2. Neuronale Netze, die aufgrund der Rechenleistung helfen, wissenschaftliche Anwendungsproblem zu lösen (Statistik, Wirschaft uvm.)

    Praxisbeispiel: Tumorerkennung bei Merantix

    Ziel: Neuronales Netz soll auf Bildern selbstständig Tumore erkennen.

    Phase 1. Training

    Anhand von 1.000.000 Bildern wird das System trainiert – auf 500.000 Bildern ist ein Tumor, auf den anderen nicht. Dabei werden im Vorfeld unzählige Paramater definiert.

    Je komplexer die Anforderungen, desto mehr Trainingsdaten brauchen wir. Das ist wie beim menschlichen Gehirn. (Rasmus Rothe | CEO Merantix)

    Phase 2. Supervised Learning

    Der Computer gibt am Ende aus: Tumor vorhanden, ja oder nein. Die Scientists passen nun je nach Ergebnis, die Parameter an.

    Im Prinzip versucht man, die Fehler zu minimieren, auf Null zu kommen ist zu schwer. (Rasmus Rothe | CEO Merantix)

    Phase 3: Test

    in dieser letzten Phase bekommt der Algorithmus ein Test Set mit über 100.000 Bildern zusätzlich, die der Computer noch nie gesehen hat. Es werden etwa fünf bis sechs Testsets eingespielt. Dann wird der Algorithmus immer weiter verfeinert.

  • Darum solltest Du reinhören

    Dieser Podcast gibt Dir einen guten Überblick über neuronale Netze und Deep Learning. Du verstehst…

    • …was genau neuronale Netze sind
    • …wie sie aufgebaut sind
    • …wie Du neuronale Netze einteilen kannst
    • …warum das Schichtenmodell für die Intelligenz wichtig ist
    • …wie Algorithmen für Deep Learning trainiert werden
    • …wo die Grenzen von intelligenten Netzen liegen
    • …weshalb Deep Learning nur ein RE-Branding einer alten Sache ist
    • …wohin die Reise gehen wird

    Last, but not least: Nach dieser Folge weißt Du, was neuronale Netze und Kinder gemeinsam haben.

  • Darüber sprechen wir mit Rasmus Rothe

    Im „AI unplugged“-Podcast werden diese Themen rund um Künstliche Intelligenz behandelt (Links führen zum Track):

    Hä? Bonus? – ganz einfach, wenn du Unterstützer von digital kompakt auf Patreon wirst, hast du die Möglichkeit, extralange Podcasts ohne Werbung von uns zu bekommen 😍.


Dauer:  36 Minuten

Abonnieren:

Die Podcasts von digital kompakt können auf SoundCloud verfolgt, per RSS-Feed abonniert oder bei iTunes und Spotify abgespielt werden – so können Sie unsere Podcasts ganz bequem via Smartphone in Podcast-Apps abonnieren und hören.

Bildmaterial: digital kompakt


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.