Page - 36 - in Künstliche Intelligenz - Technologie | Anwendung | Gesellschaft

36 A Technologie 1. Hardware für KI Markus Schürholz, Eike-Christian Spitzner Die KI ist bereits seit Jahrzehnten ein Thema in der Forschung, wobei die Kon- ferenz „Dartmouth Summer Research Project on Artificial Intelligence“ im Jahr 1956 als Startpunkt systematischer Forschungsanstrengungen gilt. Den wirk- lichen Durchbruch brachte allerdings erst in den vergangenen Jahren der Ein- satz von künstlichen neuronalen Netzen (KNN) mit Methoden des tiefen Ler- nens (Deep Learning, DL), welche rudimentär Abläufe im Nervensystem nach- bilden (siehe auch Einleitung Teil A). Wichtige Treiber sind aber nicht nur die Konzepte der KNN, sondern vor allem auch die Entwicklung der Rechentech- nik, auf der entsprechende Verfahren ausgeführt werden. Während man zu Beginn auf leistungsfähige Allzweckprozessoren (central processing unit, CPU) zurückgriff, werden seit einigen Jahren vorrangig Prozessoren verwendet, die ursprünglich für Grafikkarten zur Bildausgabe gedacht waren (graphics pro- cessing unit, GPU). Aktuell werden diese zunehmend zu Spezialprozessoren (application-specific integrated circuit, ASIC) für KI-Anwendungen weiterent- wickelt. Zusätzlich verfolgt man den Ansatz, die Struktur von KNN direkt in der Architektur eines Prozessors abzubilden (neuromorphe Hardware). Dabei sind erste Versuche erfolgversprechend. Um die Entwicklung der Hardware für KI-Anwendungen besser einordnen zu kön- nen, ist es zunächst hilfreich sich anzusehen, welche Berechnungen bei der Nutzung von KNN mit DL-Ansätzen durchgeführt werden. Hierbei muss man noch klar zwi- schen dem Anlernen des KNN (Training) und seinem späteren Einsatz (Inference) unterscheiden, wobei ersteres sehr rechenaufwendig ist. Die in diesem Beitrag beschriebene Hardware dient insbesondere der Beschleunigung des Trainings. Im Prinzip bestehen KNN aus einzelnen konzeptionellen Neuronen, die in bestimmten Schichten angeordnet sind. Bei mehrschichtigen Netzwerken ist die erste Schicht die Eingabeschicht, die Daten entgegennimmt. Die letzte Schicht, welche das Ergebnis liefert, ist die Ausgabeschicht. Gibt es zwischen Ein- und Ausgabeschicht weitere Schichten (Hidden Neurons), wird das neuronale Netzwerk deutlich leistungsfähiger, und man spricht von DL. Zwischen den einzelnen Schichten bestehen Verbindungen zwischen Neuronen, die das eigentliche Netzwerk bilden. Diese Verbindungen haben verschiedene Strukturen, nach denen neuronale Netze auch klassifiziert werden kön- nen (siehe auch Einleitung Teil A „Entwicklungswege zur KI“). Ein einfacher Fall ist dabei ein Feedforward-Netz, in dem jedes einzelne Neuron einer Schicht über Verbin- V. Wittpahl (Hrsg.), Künstliche Intelligenz, DOI 10.1007/978-3-662-58042-4_2, © Der/die Autor(en) 2019