Page - 32 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

32 A Technologie Gewichtung der Werte ein wesentliches Element des Netzes. Alle eingehenden Werte werden im Neuron in Hinblick auf ihre Gewichtung und den Schwellwert des jeweiligen Neurons zu einer Ausgabe verarbeitet, die es dann wiederum an mehrere Neuronen der Folgeschicht weitergibt. Dieser Prozess wiederholt sich bis zur letzten Ebene. Zwischen der ersten Schicht, den Eingabe-Neuronen, und der letzten Schicht, den Ausgabe-Neuronen, liegen die sogenannten versteckten Neuronen (Hidden Neurons). Aufgrund der Richtung des Informationsflusses nennt man ein solches Netz Feedforward-Netz. Möglich sind selbstverständlich auch komplexere Netzwerk- strukturen, in denen die Informationen gleichzeitig nach vorne und teilweise auch nach hinten fließen. Beispielsweise könnten die verarbeiteten Informationen einer Neuronenschicht nicht nur an die nächste Schicht weiterfließen, sondern auch an die vorhergehende Schicht zurückgekoppelt werden. Solche Netze bezeichnet man als rekurrente Netze. Die Rückkopplung kann eine Art von „Informationserinnerung“ im Netz darstellen und je nach Anwendungsfall sinnvoll werden. Ein leeres Netz muss zunächst trainiert werden, um seine gewünschte Funktion zu erfüllen. Die Gewichtungen an allen Stellen des Netzes müssen so justiert werden, dass das gewünschte Ergebnis erzielt wird. Beispielsweise müsste ein Netz erst ler- nen, ob auf Bildern ein Hund abgebildet ist oder nicht. Dieses Anlernen (Training) des Netzes ist dabei viel aufwendiger und rechenintensiver als die spätere Nutzung des Netzes zur Erkennung von Mustern (Inference). Eine Methode zum Anlernen ist die „Backpropagation“, die zu den überwachten Lernmethoden gehört. Dabei fließen Eingabewerte in das Netz ein und das Netz errechnet Ausgabewerte. Anschließend wird verglichen, wie weit diese errechneten Ausgabewerte von den Ausgabewerten, die sich eigentlich richtigerweise aus den Eingabewerten ergeben müssten, abwei- chen. Diese Abweichung bzw. dieser Fehler muss so weit wie möglich gesenkt wer- den. Dazu werden die Gewichtungen innerhalb des Netzes angepasst. Dann durch- laufen die Eingabewerte wieder das Netz und produzieren neue Ausgabewerte, die wiederum einen gewissen Fehler haben. Dieser Vorgang wird wiederholt, bis der Fehler der Ausgabe ausreichend gering ausfällt. Dazu müssen zu allen Eingabewer- ten die richtigen Ausgabewerte bekannt sein. Beispielsweise könnte das Netz auf 10.000 Bilder trainiert werden, wobei sich auf vielen Bildern Hunde befinden und auf dem Rest nicht. Danach kann es idealerweise auf neuen unbekannten Bildern erken- nen, ob ein Hund abgebildet ist oder nicht. Dabei wird es allerdings manchmal, hof- fentlich möglichst selten, falsch entscheiden. Wenn ein KNN wie oben beschrieben trainiert wird, dann handelt es sich um über- wachtes Lernen. KNN können aber ebenfalls für unüberwachtes und für verstärktes Lernen eingesetzt werden. Für das Beispiel der Erkennung von Hundebildern sind die skizzierten Arten bzw. Funktionen von neuronalen Netzen allerdings noch nicht ausreichend gut. Vielmehr