Im Folgenden erhalten Sie einige kurze Informationen über künstliche neuronale Netze sowie Hinweise, wie sie im Unterricht behandelt werden können.
Sie möchten wissen, was neuronale Netze eigentlich sind und wie sie funktionieren? Erfahren Sie, wieso ihr Aufbau von der Natur inspiriert ist, was sie mit maschinellem Lernen zu tun haben und warum sie so vielfältige Aufgaben erfüllen können wie z. B. Gesichter zu erkennen, Texte zu übersetzen oder Hochwasser-Pegelstände vorherzusagen.
Man spricht von „künstlichen neuronalen Netzen“, da die einzelnen Bestandteile eines künstlichen neuronalen Netzes ähnlich wie Neuronen des Gehirns zusammenwirken – das künstliche neuronale Netz ist also von der Natur des Gehirns inspiriert.
Die zentralen Verarbeitungseinheiten in einem Gehirn sind Milliarden von vernetzten Nervenzellen, die auch als Neuronen bezeichnet werden. Neuronen verfügen über Tausende von Eingängen („Dendriten”), welche Eingabesignale, die von anderen Neuronen an das Neuron herangetragen werden, entgegennehmen können. Übersteigen die Eingabesignale einen Schwellenwert, dann wird das Neuron aktiv und sendet über seine Ausgabeleitung („Axon”) einen kurzen Impuls an nachgeschaltete Neuronen. Man sagt: „es feuert” (Kinnebrock, S. 13f).
Künstliche Neuronen ahmen die Funktionsweise natürlicher Neuronen nach. Auch sie verfügen über mehrere Eingänge (hier x1, x2, bis xn), über die sie Eingaben in Form von Zahlenwerten entgegennehmen. Die Eingänge haben jeweils ein Gewicht (hier w1, x2 bis wn), welches bestimmt, wie viel Einfluss der Eingabewert auf das Ergebnis nimmt, also darauf, ob das Neuron feuert oder nicht.
Die gewichteten Eingaben werden zur gewichteten Summe aufaddiert (im Bild: x1*w1 + x2*w + ... + xn*wn) . Übersteigt die gewichtete Summe einen vorgegebenen Schwellenwert, dann leitet die Aktivierungsfunktion den Wert 1 an den Ausgang weiter. Andernfalls leitet sie 0 weiter. Die Aktivierungsfunktion simuliert dadurch das „Feuern“ des Neurons.
Künstliche neuronale Netze entstehen, indem mehrere künstliche Neuronen miteinander vernetzt werden. In einer Eingabeschicht werden Eingangssignale (hier x1, x2, x3 und x4) erfasst, an die Neuronen in mindestens einer verborgenen Schicht weitergegeben und mindestens ein Ausgabewert ermittelt (hier a1, a2).
Jede Verbindung zwischen zwei Neuronen ist dabei mit einem Zahlenwert versehen, einem sogenannten Gewicht - hier dargestellt durch mehr oder weniger dunkle Linien. Wie das „echte“ Neuron wird ein künstliches Neuron aktiv, sobald die Eingabesignale einen bestimmten Schwellenwert überschreiten. Je „tiefer” ein künstliches neuronales Netz ist, desto mehr verborgene Schichten hat das Netz.
Ein menschliches Gehirn lernt, indem es auf die Reize seiner Umwelt reagiert und im Laufe der Zeit die optimale Reaktion darauf lernt. Das so erlernte Reaktionsverhalten wird als Verbindungsmuster zwischen den Neuronen gespeichert (Kinnebrock, S. 13).
Wie das natürliche Gehirn kann auch das künstliche neuronale Netz lernen. Seine Struktur ist unabhängig vom Einsatzzweck und daher nach seiner Lernphase, die als „Trainingsphase” bezeichnet wird, flexibel einsetzbar. So kann man ein künstliches neuronales Netz für ganz unterschiedliche Zwecke trainieren und nutzen: zur Klassifizierung von Bildern, zum Übersetzen von Texten, zur Bestimmung von Hochwasser-Pegelständen oder zur Gesichtserkennung u. v. m.
Welche Phasen ein neuronales Netz bis zu seiner Anwendung durchläuft, soll Ihnen anhand des folgenden illustrierten Beispiels verdeutlicht werden.
Stellen Sie sich vor, Sie möchten, dass Ihr Computer lernt, Katzen auf Fotos zu erkennen. Zur Verfügung steht Ihnen ein ein beliebiges, quasi „unwissendes“ neuronales Netz, das noch nicht trainiert wurde.
Nun folgt die Trainingsphase des künstlichen neuronalen Netzes, in der das eigentliche Lernen stattfindet. Wie das Neugeborene Reize aus der Umwelt zum Lernen braucht, benötigt das künstliche neuronale Netze passendes Lernmaterial, sogenannte Trainingsdaten.
Als Trainingsdaten in unserem Beispiel dienen klassifizierte Bilder, also Bilder von Katzen und anderen Tieren, die jeweils mit der entsprechenden Bezeichnung versehen wurden. Bilder von Katzen sollen zum Ausgabewert 1 für „Katze”, Bilder anderer Tiere sollen zum Ausgabewert 0 für „keine Katze” führen.
Zu Beginn der Trainingsphase ordnet das künstliche neuronale Netz einem eingegebenen Bild einen zufälligen Ausgabewert zu, da es ja noch unwissend ist. Dieser Ausgabewert wird nun mit der vorgegebenen korrekten Klassifikation des Bildes verglichen. Weicht die vom neuronalen Netz aufgestellte Vermutung über den Bildinhalt von der korrekten Klassifikation des Bildes ab, dann werden Anpassungen an den Gewichten im neuronalen Netz vorgenommen. Dieser Vorgang wird als „back propagation“ bezeichnet, da eine rückwirkende Anpassung des Netzes vorgenommen wird.
Der Vorgang aus Eingabe verarbeiten, Ausgabewert bestimmen, Vergleich mit korrektem Wert und Korrektur der Gewichte wird mit allen Bildern aus dem Trainingsmaterial wiederholt. Bei jedem Durchlauf dieses Vorgangs wird das künstliche neuronale Netz etwas verbessert. Je geeigneter und umfangreicher das Trainingsmaterial ist, desto besser wird das künstliche neuronale Netz nach der Trainingsphase in der Lage sein, ein unbekanntes Bild richtig zu klassifizieren.
Sie sehen an dieser Stelle schon, welch wichtige Rolle die Trainingsdaten für die Entscheidungen spielen, die das neuronale Netz trifft: Das neuronale Netz kann nur so gut sein wie die Daten, anhand derer es trainiert wurde.
Werden als Trainingsdaten Wörter und ihre korrekte Übersetzung, Hochwasserpegelstände und ihre Folgen, Personenfotos und Namen der abgebildeten Personen verwendet, dann kann ein künstliches neuronales Netz auch trainiert werden, entsprechende Vorhersagen bei weiteren Wörtern, Hochwasserpegelständen und Personenfotos zu treffen.
Im Anschluss an die Trainingsphase können Anwender das neuronale Netz nutzen. Das Netz aus dem illustrierten Beispiel wurde darauf trainiert, Katzen zu identifizieren. Also sollte es idealerweise bei einem Bild, auf dem ein Hund zu erkennen ist, den Wert „0“ für „keine Katze“ zurückmelden. Analog gilt: Wurde das Netz darauf hin trainiert, Texte zu übersetzen, dann sollte es idealerweise bei Eingabe eines Textes eine korrekte Übersetzung des Textes liefern, bei Personenfotos die Namen der abgebildeten Personen u. s. w.
Ein auf die Erkennung von Katzen trainiertes künstliches neuronales Netz kann bestimmen, ob sich eine Katze auf einem Bild befindet.
Bei diesem Bild muss das künstliche neuronale Netz ausreichend gut trainiert sein, dass es trotz ablenkender Spiegelungen und einer nicht vollständig sichtbaren Katze die Ausgabe „Katze” liefert.
Falls Sie tiefer einsteigen oder mit Ihren Schülerinnen und Schülern das Thema künstliche neuronale Netze bearbeiten wollen, finden Sie hier geeignetes Material:
Christoph Gräßl stellt Unravel als eine Webanwendung vor, mit der die Lernenden mit Hilfe einer Kamera und einem Rechner ein neuronales Netz trainieren können, Früchte zu klassifizieren.
Zielgruppe: Informatikunterricht ab 11. Jahrgangsstufe
Art des Materials: Unterrichtsentwurf
Dieses Unterrichtmaterial von aiunplugged enthält auf den Seiten 8-11 einen möglichen Ablauf einer Unterrichtseinheit sowie einen allgemeinverständlichen Hintergrund-Text für Lehrkräfte, mit dem am Beispiel der Bilderkennung neuronale Netze vorgestellt werden.
Zielgruppe: ab 5. Jahrgangsstufe
Art des Materials: Unterrichtsmaterial
acatech (Deutsche Akademie der Technikwissenschaften e.V.) stellt auf seiner Plattform „Lernende Systeme - die Plattform für künstliche Intelligenz” unter anderem Videos zur Verfügung, die Grundlagen und Anwendungen des maschinellen Lernens leicht verständlich erklären sollen. Video #6 gibt in knapp 6 min einen Überblick über Aufbau und Funktionsweise künstlicher neuronaler Netze.
Zielgruppe: ab Sekundarstufe 2
Art des Materials: Video
Ein künstliches neuronales Netz wurde trainiert, „richtig” klingende Musik zu erzeugen - tatsächlich wird versucht, aus den vom Nutzer gespielten Tasten eine Improvisation zu rekonstruieren.
Zielgruppe: ab Jahrgangsstufe 9
Art des Materials: Webseite
Am Beispiel Handschrifterkennung erarbeiten die Lernenden schrittweise und interaktiv wie ein neuronales Netz funktioniert.
Zielgruppe: ab Jahrgangsstufe 9
Art des Materials: Selbstlernmaterial
Spielerisch und anschaulich wird der Gradientenabstieg allgemein verständlich dargestellt.
Zielgruppe: ab Jahrgangsstufe 11
Art des Materials: Selbstlernmaterial
Erfahren Sie mehr über das Potenzial starker Künstlicher Intelligenz (KI), die ähnlich einem menschlichen Gehirn eigenständig denken und lernen kann.
Textbasierte KI-Technologien didaktisch zielführend im Unterricht einsetzen - Ideen und Beispiele
Was ist „Künstliche Intelligenz”? Erste Antworten
KI verändert unser Leben rasant und tiefgreifend. Aber kann KI das Leben auf unserem Planeten nachhaltig verbessern?
Woher haben Chatbots ihr Können und was bedeutet das für uns?
Der Verkehr wird in Zukunft zunehmen. Im Unterricht sollte diskutiert werden, ob autonome Fahrzeuge eine mögliche Lösung darstellen.