Die Idee einer Maschine mit menschenähnlicher Intelligenz ist so verlockend, dass sich trotz mancher dystopischer Fantasie oder Ängste zahlreiche Forscher seit Jahren damit beschäftigen.
Vorbild für die künstlichen, neuronalen Netze ist hierbei das menschliche Gehirn. Es dient als Analogie und Inspiration für die, in Computern simulierten, neuronalen Netze. Die ersten Arbeiten hierzu wurden bereits 1943 von Warren MacCulloch und Walter Pitts veröffentlicht. Die künstliche Intelligenz erwies sich jedoch als sehr schwer umsetzbar und der Fortschritt in Forschung und Umsetzung stagnierte zunächst.
Als jedoch der amtierende Schachweltmeister Gary Kasparov 1986 durch den IBM-Computer Deep Blue geschlagen wurden, erlebte die Arbeit mit und um neuronale Netzwerke und künstlicher Intelligenz einen neuen Aufschwung.
Aber was ist ein neuronales Netzwerk?
Neuronale Netze bestehen aus mehreren Neuronen, die auch als Units bezeichnet werden. Diese Units dienen dazu, Informationen von außen oder von anderen Units aufzunehmen und in modifizierter Form weiterzuleiten. Je nachdem, wie stark das Neuron aktiviert ist, lässt es hierbei mehr oder weniger Information durch.
In neuronalen Netzen unterscheidet man 3 verschiedene Arten von Neuronen.
- Input-Layer: Neuronen, die von der Aussenwelt Signale empfangen
- Hidden-Layer: Neuronen, die sich im inneren des neuronalen Netzes befinden und eine interne Repräsentation der Aussenwelt enthalten
- Output-Layer: Neuronen, die Signale an die Aussenwelt abgeben
Alle Neuronen sind miteinander verbunden, wobei die Stärke der Verbindung zwischen zwei Neuronen als Gewicht bezeichnet wird. Je größer das Gewicht, desto größer ist der Einfluss des Neurons auf das andere Neuron.
Das „Wissen“ eines neuronalen Netzes ist in dessen Gewichten gespeichert, d.h. dass das Lernen eine Netzes zumeist als Änderung in den Gewichten zwischen den einzelnen Units bezeichnet wird. Die Gewichte sind daher das eigentlich Elementare in einem neuronalen Netzwerk.
Foto: fotolia - © peshkov
