Künstliche Neuronale Netze, Machine Learning, Deep Learning und „Natural Language Processing“ (NLP)
Subsymbolische Systeme setzen KNN ein, die dem menschlichen Gehirn nachempfunden sind, aber natürlich keine Nervenzellen, sondern mathematische Gleichungen und formale Modelle sind. Die Ähnlichkeit zum menschlichen Gehirn besteht darin, dass die Neuronen geschichtet, angeordnet und auf vielfältige Weise über Synapsen miteinander verknüpft sind. Die Neuronen senden Signale elektrischer oder chemischer Natur. Wird ein bestimmter Signalpegel überschritten, gibt ein Neuron Signale an die anderen mit ihm verbundenen Neuronen weiter, es befeuert sie sozusagen. Allerdings sind die Synapsen zwischen den Neuronen nicht gleich stark, sondern gewichtet(55), sodass nicht jedes Neuron die mit ihm verbundenen Neuronen in gleicher Weise befeuert. Die Neuronen sind in verschiedenen Schichten angeordnet, wobei die Neuronen jeder Schicht klassischerweise nur mit den Neuronen der ihnen über- bzw. untergeordneten Schichten verbunden sind. Die Neuronen höherer Schichten, der sogenannten Hidden Layers(56), empfangen ihren Input nur durch die Neuronen der unteren Schichten. Üblicherweise unterscheidet man zwischen einer Eingabeschicht, mittels derer die Informationen ins System gelangen, verschiedenen Zwischenschichten, in denen das eigentliche Lernen stattfindet, und einer Ausgabeschicht, die Antworten erteilt.(57)
Man kann hierbei von einem lernenden System sprechen, da das System selbstständig startet, bei einem falschen Ergebnis werden die Gewichte der Verbindungen solange verändert, bis das Ergebnis stimmt, ein oft mehrfache Testläufe umfassender Prozess. Anders als symbolische Systeme werden KNN nicht programmiert, sondern trainiert. Es gibt dementsprechend niemand von Hand ein, was die Neuronen zu tun haben. Was im Innern der KNN geschieht, kann auch niemand sagen. Sie sind sozusagen eine „black box“, auch für die Experten und Forscher, die sie entwickelt haben. Sie geben, wie gesagt, auch keinerlei Auskunft darüber, wie sie zu einem Ergebnis gelangt sind, wohl aber über die Zuverlässigkeit ihrer Aussagen. Entscheidend ist bei KNN, viel mehr als bei den symbolbasierten Expertensystemen, die Anzahl der Daten, die zur Verfügung stehen: Je höher die Anzahl der Daten ist, desto besser und zuverlässiger arbeiten die sich selbst verbessernden Systeme, die in immer mehr Bereichen eingesetzt werden. KNN leisten einen wichtigen Beitrag zum sogenannten Deep Learning, einem Sonderfall des Machine Learnings (Maschinen, die aus ihren eigenen Fehlern lernen und nicht händisch neu programmiert werden müssen), allerdings der Sonderfall, der die heute wichtigste Rolle spielt(58).
Hierbei lassen sich verschiedene Ansätze miteinander kombinieren – etwa das Deep Learning mit dem Reinforcement Learning.(59) Aus dem Deep Learning und dem Reinforcement Learning wird dann das Deep Reinforcement Learning. Aber auch das Machine Learning gewinnt insgesamt rasant an Bedeutung und wird u. a. in den Bereichen Predictive Maintenance (die Maschine informiert, wann Ersatzteile zu bestellen sind), Predictive Logistics (etwa die Vorhersage von Auftrags- und Absatzvolumina sowie von Prozessparametern wie Durchlaufzeiten und Lieferzeitpunkten), Gesundheitswesen, digitale Assistenten, Verkehr und Mobilität, IT-Security, Recht und Verwaltung eingesetzt.
Ebenfalls an Bedeutung gewinnt das „Natural Language Processing“ (NLP), das sich mit dem Sprachverständnis von Computern befasst und menschliche Sprache verstehen und interpretieren soll. NLP dient der Kommunikation zwischen Mensch und Computer – Beispiele Alexa und Siri – und wird ebenfalls in immer mehr Bereichen eingesetzt.(60) NLP-Bereiche sind die „Spracherkennung und Segmentierung der erfassten Laute in Wörter und Sätze, die Unterscheidung der Grundformen der Wörter und grammatikalischen Zusammensetzung, das Ausmachen der Funktionen einzelner Wörter und ihrer Bedeutung für den Satz, die Schlussfolgerung auf die Bedeutung einzelner Satzteile und schließlich ganzer Sätze sowie das Erkennen von Satz-Zusammenhängen und Beziehungen“.(61)
Lesen Sie auf der nächsten Seite:
Ausblicke
Quellen:
55.) Vgl. M. Lenzen, S. 53
56.) Vgl. J. Kaplan, S. 46
57.) Vgl. F. Raschke, S. 28
58.) Vgl. J. Kaplan, S. 51
59.) https://de.wikipedia.org/wiki/Best%C3%A4rkendes_Lernen, aufgerufen am 5.11.2019
60.) https://www.agile-im.de/2018/02/08/anwendungsgebiete-fuer-machine-learning/
61.) S. F. Raschke, S. 32-33