Anmerkung der Redaktion: Eine der zentralen Technologien der künstlichen Intelligenz sind neuronale Netzwerke. In diesem Interview erklärt Tam Nguyen, Professor für Informatik an der University of Dayton, wie neuronale Netze, Programme, in denen eine Reihe von Algorithmen versuchen, das menschliche Gehirn zu simulieren, funktionieren.
Welche Beispiele für neuronale Netze sind den meisten Menschen bekannt?
Es gibt viele Anwendungen von neuronalen Netzen. Ein bekanntes Beispiel ist die Fähigkeit Ihrer Smartphone-Kamera, Gesichter zu erkennen.
Fahrerlose Autos sind mit mehreren Kameras ausgestattet, die mit Hilfe von neuronalen Netzen versuchen, andere Fahrzeuge, Verkehrsschilder und Fußgänger zu erkennen und entsprechend abzubiegen oder ihre Geschwindigkeit anzupassen.
Neuronale Netze stecken auch hinter den Textvorschlägen, die Sie beim Schreiben von Texten oder E-Mails sehen, und sogar in den online verfügbaren Übersetzungstools.
Muss das Netz Vorwissen über etwas haben, um es klassifizieren oder erkennen zu können?
Ja, deshalb ist es notwendig, große Datenmengen beim Training neuronaler Netze zu verwenden. Sie funktionieren, weil sie auf riesigen Datenmengen trainiert werden, um dann Dinge zu erkennen, zu klassifizieren und vorherzusagen.
In dem Beispiel mit den fahrerlosen Autos müsste es sich Millionen von Bildern und Videos von allen Dingen auf der Straße ansehen und wissen, was jedes dieser Dinge ist. Wenn Sie beim Surfen im Internet auf die Bilder von Fußgängerüberwegen klicken, um zu beweisen, dass Sie kein Roboter sind, kann dies auch zum Training eines neuronalen Netzwerks verwendet werden. Erst nachdem es Millionen von Zebrastreifen aus allen möglichen Blickwinkeln und Lichtverhältnissen gesehen hat, wird ein selbstfahrendes Auto in der Lage sein, sie zu erkennen, wenn es in der Realität herumfährt.
Kompliziertere neuronale Netzwerke sind tatsächlich in der Lage, sich selbst zu lernen. In dem unten verlinkten Video wird dem Netzwerk die Aufgabe gestellt, von Punkt A nach Punkt B zu gehen, und man kann sehen, wie es alle möglichen Dinge ausprobiert, um das Modell an das Ende des Parcours zu bringen, bis es eines findet, das die beste Arbeit leistet.
Einige neuronale Netzwerke können zusammenarbeiten, um etwas Neues zu schaffen. In diesem Beispiel erzeugen die Netzwerke virtuelle Gesichter, die nicht zu realen Personen gehören, wenn Sie den Bildschirm aktualisieren. Ein Netzwerk macht einen Versuch, ein Gesicht zu erstellen, und das andere versucht zu beurteilen, ob es echt oder gefälscht ist. Sie gehen hin und her, bis das zweite Netzwerk nicht mehr erkennen kann, dass das vom ersten Netzwerk erzeugte Gesicht eine Fälschung ist.
Auch der Mensch nutzt Big Data. Ein Mensch nimmt etwa 30 Frames oder Bilder pro Sekunde wahr, das bedeutet 1.800 Bilder pro Minute und über 600 Millionen Bilder pro Jahr. Deshalb sollten wir neuronalen Netzen eine ähnliche Chance geben, die großen Daten zum Training zu nutzen.
Wie funktioniert ein grundlegendes neuronales Netzwerk?
Ein neuronales Netzwerk ist ein in Software programmiertes Netzwerk aus künstlichen Neuronen. Es versucht, das menschliche Gehirn zu simulieren, daher hat es viele Schichten von „Neuronen“, genau wie die Neuronen in unserem Gehirn. Die erste Schicht von Neuronen empfängt Eingaben wie Bilder, Video, Ton, Text usw. Diese Eingabedaten durchlaufen alle Schichten, da die Ausgabe einer Schicht in die nächste Schicht eingespeist wird.
Lassen Sie uns ein Beispiel für ein neuronales Netzwerk nehmen, das darauf trainiert ist, Hunde und Katzen zu erkennen. Die erste Schicht von Neuronen wird dieses Bild in helle und dunkle Bereiche aufteilen. Diese Daten werden in die nächste Schicht eingespeist, um Kanten zu erkennen. Die nächste Schicht würde dann versuchen, die Formen zu erkennen, die durch die Kombination der Kanten gebildet werden. Die Daten würden auf ähnliche Weise mehrere Schichten durchlaufen, um schließlich zu erkennen, ob es sich bei dem Bild, das Sie ihm gezeigt haben, um einen Hund oder eine Katze handelt, entsprechend den Daten, auf die es trainiert wurde.
Diese Netzwerke können unglaublich komplex sein und aus Millionen von Parametern bestehen, um die Eingaben, die es erhält, zu klassifizieren und zu erkennen.
Warum sehen wir jetzt so viele Anwendungen von neuronalen Netzen?
Eigentlich wurden neuronale Netze schon vor langer Zeit, im Jahr 1943, erfunden, als Warren McCulloch und Walter Pitts ein Rechenmodell für neuronale Netze auf der Basis von Algorithmen erstellten. Danach ging die Idee in einen langen Winterschlaf, da die immensen Rechenressourcen, die zum Aufbau neuronaler Netze benötigt wurden, noch nicht existierten.
In jüngster Zeit ist die Idee dank fortschrittlicher Rechenressourcen wie Grafikprozessoren (GPUs) in großem Stil zurückgekommen. Das sind Chips, die für die Verarbeitung von Grafiken in Videospielen verwendet wurden, aber es hat sich herausgestellt, dass sie sich auch hervorragend für das Crunchen der Daten eignen, die für die Ausführung neuronaler Netzwerke erforderlich sind. Deshalb sehen wir jetzt die Verbreitung von neuronalen Netzen.