IT Center Blog

Quelle: Freepik

Neural Networks (neuronale Netzwerke) sind Modelle, die von der Funktionsweise des menschlichen Gehirns inspiriert sind. Sie bestehen aus künstlichen Neuronen, die Informationen verarbeiten und miteinander kommunizieren. Diese Netzwerke ermöglichen Maschinen, aus Daten zu lernen und Muster zu erkennen, ganz ohne explizite Programmierung für jede Aufgabe. Beispiele dafür sind virtuelle Assistenten wie Alexa und Siri, Übersetzungstools wie Google Translate oder kreative KI-Systeme wie ChatGPT. In diesem Artikel werden wir uns damit beschäftigen, wie neuronale Netzwerke funktionieren, welche Vor- und Nachteile sie haben und wie die RWTH sie einsetzt.

Wie funktionieren sie?

Jede Verbindung zwischen den Neuronen in einem neuronalen Netzwerk hat ein sogenanntes Gewicht. Dieses Gewicht bestimmt, wie stark ein Signal von einem Neuron zum nächsten weitergeleitet wird. Man kann sich das wie einen Lautstärkeregler vorstellen: Ein höheres Gewicht verstärkt das Signal, ein niedrigeres Gewicht schwächt es ab.

Während des Trainingsprozesses des Netzwerks werden diese Gewichte angepasst, um die Leistung des Modells zu verbessern. Dabei vergleicht das Netzwerk seine Vorhersagen mit den tatsächlichen Ergebnissen in einem sogenannten Trainingsdatensatz.

Ein konkretes Beispiel:

• Nehmen wir an, das Netzwerk soll Bilder von Katzen und Hunden unterscheiden.
• Zu Beginn sind die Gewichte zufällig gesetzt, und das Netzwerk trifft ungenaue oder falsche Entscheidungen.
• Durch einen Algorithmus wird berechnet, wie groß der Fehler der Vorhersage war.
• Dieser Fehler wird genutzt, um die Gewichte anzupassen, sodass das Netzwerk in zukünftigen Durchläufen genauer wird.

Der Prozess der Gewichtsanpassung ist das, was das Netzwerk „lernen“ lässt. Mit der Zeit wird das Netzwerk in der Lage sein, Muster in den Eingabedaten zu erkennen (zum Beispiel die Form der Ohren oder die Textur des Fells) und basierend darauf zuverlässige Entscheidungen zu treffen.

Wie sind sie aufgebaut?

Ein neuronales Netzwerk besteht aus mehreren Schichten:

1. Eingabeschicht: Hier werden die Daten in numerischer Form aufgenommen. Die Daten können beispielsweise Bilder, Texte, Zahlen oder Tonaufnahmen sein. Sie stammen oft aus externen Quellen, wie Datenbanken, Sensoren, Kameras oder Nutzendeninteraktionen, und werden vor Eingabe in das Netzwerk häufig aufbereitet oder angepasst, um sie für die Analyse nutzbar zu machen. Beispielsweise könnten Pixelwerte eines Bildes oder Worte eines Textes verarbeitet werden.
2. Versteckte Schichten: Diese Schichten enthalten die eigentlichen Rechenprozesse des Netzwerks. Sie analysieren die Daten, erkennen Muster und treffen Entscheidungen. Jede Verbindung zwischen den Neuronen hat ein sogenanntes Gewicht, das während des Trainings angepasst wird.
3. Ausgabeschicht: Das Ergebnis (zum Beispiel die Vorhersage oder Klassifikation) wird hier bereitgestellt. Diese Schicht ist für die Interpretation und Weitergabe der Ergebnisse an die Nutzenden oder andere Systeme zuständig. Je nach Anwendungsfall kann das Ergebnis eine Zahl, eine Kategorie oder sogar ein vollständiger Text sein. Die Genauigkeit und Nützlichkeit der Ausgabeschicht hängen stark von der Qualität der Daten und der Effizienz der vorangegangenen Verarbeitung in den versteckten Schichten ab.

Es ist jedoch wichtig zu beachten, dass neuronale Netzwerke nicht immer korrekte Ergebnisse liefern. Besonders wenn die Eingabedaten fehlerhaft, unvollständig oder ungeeignet sind, kann es zu falschen Ausgaben kommen. Der Trainingsprozess spielt daher eine zentrale Rolle: Er hilft dem Netzwerk, aus vielen Beispielen zu lernen und präzisere Ergebnisse zu liefern. Trotzdem sind die Ergebnisse stark von der Qualität der Daten und der Trainingsmethodik abhängig.

Wo werden neuronale Netzwerke eingesetzt?

Neuronale Netzwerke begegnen uns in vielen Bereichen des Alltags:

• Bilderkennung: Zum Beispiel bei der Gesichtserkennung auf dem Handy (FaceID) oder medizinischen Bildanalyse.
• Sprachverarbeitung: Anwendungen wie Übersetzungs-Tools oder Sprachassistenten wie Alexa oder Siri nutzen neuronale Netzwerke.
• Autonome Systeme: Selbsterfahrende Autos und Drohnen nutzen sie, um ihre Umgebung zu verstehen.
• Personalisierung: Empfehlungsalgorithmus in sozialen Medien oder Streaming-Diensten basieren ebenfalls auf neuronale Netzwerke.

Herausforderungen und Zukunftsperspektiven

Trotz ihrer Vielseitigkeit gibt es Herausforderungen:

• Datenhunger: Neuronale Netzwerke benötigen große Mengen an Trainingsdaten.
• Rechenaufwand: Das Training ist oft zeit- und ressourcenintensiv.
• Transparenz: Ihre Entscheidungen sind oft schwer nachvollziehbar, was bei sensiblen Anwendungen problematisch sein kann. Das liegt daran, dass sie komplexe mathematische Operationen in mehreren versteckten Schichten durchführen, die für Menschen nicht ohne Weiteres zu interpretieren sind. Diese Intransparenz kann bei sensiblen Anwendungen, wie in der Medizin oder im Finanzwesen, problematisch sein. Beispielsweise möchte man wissen, warum ein KI-System eine bestimmte Diagnose gestellt oder einen Kreditantrag abgelehnt hat.

Um diese Herausforderung anzugehen, arbeitet die Forschung an Konzepten wie „Explainable AI“ (XAI). Dieser Ansatz zielt darauf ab, die Entscheidungsprozesse von KI-Systemen verständlicher und nachvollziehbarer zu machen. Bei Explainable AI werden Techniken eingesetzt, die aufzeigen, welche Merkmale der Eingabedaten (zum Beispiel bestimmte Pixel in einem Bild oder Worte in einem Text) besonders wichtig für die Entscheidung des Netzwerks waren. Ein Beispiel hierfür ist die Visualisierung von Aktivierungen in den Schichten des Netzwerks, die anzeigen, welche Bereiche eines Bildes das Modell als relevant eingestuft hat.

Neuronale Netzwerke an der RWTH

Die RWTH Aachen gehört zu den Vorreitern in der Integration von Künstlicher Intelligenz in den Hochschulalltag. Mit dem Projekt RWTHgpt, das seit Juli 2024 verfügbar ist, nutzt die Hochschule generative KI-Technologien wie GPT-4o, GPT-o1 und in Kürze auch GPT-o3, um in der Forschung, Lehre und Verwaltung neue Maßstäbe zu setzen. Mehr dazu könnt ihr in unserem einführenden Blogbeitrag lesen. Außerdem findet ihr einen weiteren Beitrag, der speziell auf die Verfügbarkeit für Studierende eingeht. Das KI-Tool wurde in Zusammenarbeit zwischen dem IT Center und dem Center für Lehr- und Lernservices (CLS) entwickelt und ermöglicht den Nutzenden, textbasierte Aufgaben zu stellen und multimodale Inhalte zu analysieren. Dabei wird besonderen Wert auf Datenschutz gelegt, sodass alle Daten ausschließlich auf Servern in der EU verarbeitet werden. Die Nutzung von RWTHgpt ist datenschutzkonform und ermöglicht einen schnellen und sicheren Zugriff auf die neuesten KI-Modelle, was sowohl für Mitarbeitende als auch für Studierende einen erheblichen Mehrwert bietet.

Die Integration von KI an der RWTH Aachen zeigt, wie moderne Technologien genutzt werden können, um bestehende Prozesse zu optimieren und neue Möglichkeiten zu schaffen. Schulungsmaterialien und How-Tos zum zielgerichteten Einsatz generativer KI-Systeme für das Lehren, Lernen und Prüfen stellt euch die RWTH LehrBar bereit. Durch RWTHgpt in der Forschung, Lehre und Verwaltung und durch andere KI-Systeme, setzt die RWTH auf innovative Ansätze, um Herausforderungen effizient zu meistern. Mit einem klaren Fokus auf Datenschutz und Nutzerfreundlichkeit bleibt die Hochschule ein Vorreiter im Einsatz von KI.

Verantwortlich für die Inhalte dieses Beitrags ist Malak Mostafa.

Als Informationsgrundlage für diesen Beitrag dienten folgende Quellen:

• [1] Ionos
• [2] IBM

Kategorie: KI
Schlagworte: ChatGPT, KI, Neural Networks, Neuronales Netzwerk
Optionen: Antwort schreiben » | Trackbacks sind derzeit nicht möglich;