Das menschliche Gehirn ist Vorbild für künstliche neuronale Netze. Diese Netze können lernen, eigenständig zu handeln und damit helfen, automatisiertes Fahren zu realisieren. Doch wie funktionieren sie?
Künstliches neuronales Netz
ktsimage / Getty Images / iStock
Künstliche neuronale Netze (KNN) bilden die Informationsverarbeitung nach dem Vorbild des menschlichen Gehirns nach. Begründet liegt dies darin, dass "konventionelle Computerprogramme nicht für alle Aufgaben gut geeignet sind, während das menschliche Denken diese problemlos lösen kann", erklären die Springer-Autoren Styczynski, Rudion und Naumann im Kapitel Künstliche Neuronale Netzwerke aus dem Buch Einführung in Expertensysteme. Beispiele hierfür sind die Mustererkennung, Spracherkennung oder Prognosen.
Entsprechend werden KNN nach dem Vorbild des menschlichen Gehirns entwickelt und durch eine Menge von Daten trainiert. "Das Ziel künstlicher neuronaler Netze ist es, das Prinzip des Lernens in Form eines Computerprogramms nachzubilden", fasst Springer-Autor Sebastian Dörn im Kapitel Neuronale Netze aus dem Buch Programmieren für Ingenieure und Naturwissenschaftler zusammen.
Das Lernen funktioniert dann wie folgt: Neue Fähigkeiten werden durch Nachahmung mit dem Prinzip von Versuch und Irrtum erlernt. Wie im menschlichen Gehirn spielen auch bei KNN das Neuron und die Vernetzung von Neuronen untereinander eine entscheidende Rolle. Die künstlichen Neuronen, auch Knoten genannt, sind dabei in Schichten (Layer) angeordnet, die unterschiedliche Funktionen erfüllen. "Jede Schicht besteht aus sehr vielen einzelnen Neuronen, wobei die Anzahl je nach Architektur unterschiedlich ist. Jedes Neuron einer Schicht besitzt eine der Architektur zugrundeliegende Vernetzung mit den Neuronen der darauffolgenden Schicht", erklärt Bertrandt im Artikel Maschinelles Lernen für das automatisierte Fahren aus der ATZ 12-2019. Von einem Fully Connected Layer (FCL) wird gesprochen, wenn jedes Neuron einer Schicht mit allen Neuronen der Folgeschicht verbunden ist. Die Zwischenschichten werden als versteckte Schichten (Hidden Layers) bezeichnet, da typischerweise nur die erste und letzte Schicht für den In- beziehungsweise Output angesprochen werden.
Je mehr Daten, desto besser
Beim Lernen verändern die Netze alle Informationen beziehungsweise Zahlenwerte an den Verbindungen zwischen den Knoten so lange, bis die Ergebnisse gut genug sind. "In ihren inneren Schichten entwickeln die Netze aus den Rohdaten selbstständig kompakte Darstellungen, wodurch viele Vorverarbeitungsprogramme überflüssig werden und die eigentliche Aufgabe leichter lernbar wird", erklärt Springer-Autorin Verena Fink im Kapitel Überwachen oder bestärken – Lernverfahren im Vergleich aus dem Buch Quick Guide KI-Projekte – einfach machen. Anschließend lässt sich das vom KKN entwickelte Modell auf neue, potenziell unbekannte Daten derselben Art anwenden.
Generell gilt: Die Anzahl der Schichten bestimmt unter anderem den Grad der Komplexität, den ein künstliches neuronales Netz abbilden kann. KKN, die über besonders viele Hidden Layers zwischen der Eingabe- und der Ausgabeschicht verfügen, machen ein neuronales Netz "tief", was zur Begrifflichkeit des tiefen Lernens (Deep Learning) führt. Und je mehr Daten zur Verfügung stehen, desto besser wird das neuronale Netz arbeiten. "Big Data und Künstliche Intelligenz ergänzen sich also hier vortrefflich: Neuronale Netze benötigen Big Data, um gut trainiert zu werden, und Big Data benötigen neue Rechnermodelle (speziell neuronale Netze), da herkömmliche Computer die großen Datenmengen nicht mehr effizient genug verarbeiten können", so die Springer-Autoren Kohn und Tamm im Kapitel Einführung in neuronale Netze aus dem Mathematik für Wirtschaftsinformatiker.
Illustration eines neuronalen Netzes mit verschiedenen Lagen. Aus: Maschinelles Lernen für das automatisierte Fahren, S. 49, ATZ 12-2019
Bertrandt
KI hilft beim automatisierten Fahren
Maschinelles Lernen und neuronale Netze spielen für die Softwareentwicklung und das automatisierte Fahren eine große Rolle. "Beispiele für die Nutzung von KI-Lösungen sind die Ableitung von Fahrstrategien aus großen Mengen an Eingabedaten aus unstrukturierten Umgebungen oder die Vorhersage von Verkehrssituationen mit einem Zeithorizont von mehreren Sekunden", gibt Elektrobit im Artikel Wie neuronale Netze die Entwicklung von Automobilsoftware verändern aus der ATZelektronik 1-2-2020 an.