Deep Learning in künstlichen neuronalen Netzen

Ein künstliches neuronales Netzwerk ist – stark vereinfacht – ein Verbund mathematischer Funktionen. Jedem Neuron wird eine Funktion zugeordnet. Mehrschichtig wird ein neuronales Netzwerk dann, wenn Funktionen in mehreren Ebenen hintereinandergeschaltet werden. Je mehr Ebenen, desto tiefer wird ein neuronales Netz. Als Deep Learning wird der Vorgang bezeichnet, bei dem das neuronale Netz selbstständig herausfindet, welche und wie viele dieser Funktionsebenen gewünschte Ergebnisse liefern. Bei diesem Vorgang werden Datenmengen verarbeitet, die ein menschliches Gehirn nicht verarbeiten könnte. Beispiel Bilderkennung: Nehmen wir ein Bild mit einer Auflösung von 10x10, also 100 Pixeln. Jedem Pixel wird ein Neuron zugeordnet. Das Neuronale Netz besteht in der ersten Ebene also aus 100 Neuronen. Diese übersetzen den Farbwert jedes Pixels in Zahlenwerte. In weiteren Ebenen folgen nun sogenannte Konzepte, die in den Zahlenwerten nach Mustern suchen und anhand wiederkehrender Muster Ergebnisse ausspucken. Indem Menschen die Ergebnisse als richtig und falsch bewerten, trainieren sie die Netzwerke, sodass am Ende nur die Konzepte übrig bleiben, die stimmige Ergebnisse liefern.

Neuronale Netze sind begrifflich zwar dem neuronalen Netz des menschlichen Gehirns entlehnt, funktionieren aber ganz anders. Der gravierende Unterschied besteht derzeit (noch) darin, dass künstliche neuronale Netze im Gegensatz zu menschlichen zu keinen Transferleistungen in der Lage sind. Die Fähigkeiten, die sie lernen, können sie nicht auf andere Aufgaben transferieren. Ein Schachcomputer, egal wie schlau er ist, wird seine Fähigkeiten nicht einsetzen können, um damit ein Auto zu fahren.