Ein neuronales Netzwerk ist eine Rechenstruktur aus Schichten verbundener Einheiten. Jede Verbindung trägt ein Gewicht, und diese Gewichte sind das, was beim Training angepasst wird.
- Neuronales Netzwerk
Rechenstruktur aus Schichten verbundener Einheiten, deren Verbindungen beim Training gewichtet werden.
Beispiel: „Ein neuronales Netzwerk gibt die Eingabe von Schicht zu Schicht weiter und verstärkt dabei, was zum Ergebnis beiträgt.“Auch: künstliches neuronales Netz, KNN, Neural Network. Das Wort „neuronal“ verweist auf das Vorbild im Gehirn, die Ähnlichkeit endet aber bei der Anordnung in Schichten.
Abgrenzung zum biologischen Vorbild: Ein künstliches Neuron summiert Zahlen und gibt das Ergebnis durch eine Funktion weiter. Mit der Arbeitsweise einer Nervenzelle hat das wenig zu tun; das Bild erklärt den Aufbau, nicht den Vorgang.
Wie es aufgebaut ist
Die Beschreibung des britischen Parlamentsbüros trifft es knapp: eine große Menge verbundener Recheneinheiten, in Schichten angeordnet, bei der die Ausgaben einer Schicht die Eingaben der nächsten sind. Dazwischen können Hunderte solcher Schichten liegen.
Drei Arten von Schichten kommen vor: die Eingabeschicht, die die Daten aufnimmt, eine oder mehrere verborgene Schichten dazwischen und die Ausgabeschicht mit dem Ergebnis. Verborgen heißen die mittleren, weil von außen weder ihre Eingaben noch ihre Ausgaben zu sehen sind.
Wie es lernt
Über die Gewichte. Zu Beginn sind sie zufällig, die Ausgabe ist entsprechend falsch. Der Unterschied zwischen Ausgabe und gewünschtem Ergebnis wird als Fehlerwert berechnet und von hinten nach vorn durch das Netz zurückgerechnet, wobei jedes Gewicht ein wenig in die Richtung verschoben wird, die den Fehler verkleinert.
Dieses Rückrechnen heißt Backpropagation und ist seit den 1980er-Jahren das Standardverfahren. Wiederholt man es millionenfach, nähert sich das Netz einer Zuordnung, die auch für ungesehene Eingaben trägt. Damit ist ein neuronales Netzwerk ein Sonderfall des maschinellen Lernens: Die Regeln entstehen aus Daten.
Warum es eine Blackbox bleibt
Weil das gelernte Wissen in Millionen von Zahlen steckt und in keiner davon einzeln. Man kann nachsehen, welches Gewicht welchen Wert hat, aber nicht, warum das Netz einen bestimmten Fall so entschieden hat. Bei den vielen Schichten des Deep Learning verschärft sich das.
Aus unserer Arbeit an über 2.500 Website-Projekten ist das der Punkt, an dem Erwartungen auseinandergehen: Ein Regelwerk lässt sich auditieren, ein Netz nicht. Wo eine Entscheidung begründet werden muss, bleibt die nachvollziehbare Regel die bessere Wahl.