Was bedeutet Neuronales Netzwerk?

Ein neuronales Netzwerk ist ein Rechenmodell aus vielen einfachen Einheiten, die in Schichten angeordnet und über gewichtete Verbindungen verknüpft sind. Jede Einheit addiert ihre Eingangswerte, wendet eine Aktivierungsfunktion an und gibt das Ergebnis an die nächste Schicht weiter. Die Bezeichnung stammt aus der Biologie, mit der Arbeitsweise von Nervenzellen hat die Rechnung wenig gemein.

Ein Netz besteht aus einer Eingabeschicht, mehreren verdeckten Schichten und einer Ausgabeschicht. Aktivierungsfunktionen wie ReLU sorgen dafür, dass das Netz auch krumme Zusammenhänge abbilden kann und nicht auf gerade Linien beschränkt bleibt. Im Training verschiebt der Gradientenabstieg die Gewichte schrittweise so, dass der Fehler kleiner wird. Für Bilder eignen sich Convolutional Networks, für Folgen wie Text oder Zeitreihen heute überwiegend Transformer.

Ein neuronales Netz lohnt sich dort, wo viele Einflussgrößen zusammenwirken und ihr Zusammenhang nicht als Formel vorliegt. Beispiele sind die Vorhersage von Messwerten aus Sensordaten, die Erkennung von Objekten im Bild und die Schätzung von Restlaufzeiten technischer Anlagen. Bei wenigen Merkmalen und klarer Struktur liefern Entscheidungsbäume vergleichbare Ergebnisse bei geringerem Aufwand und offener Regel.

Der Vorteil gegenüber einer von Hand aufgestellten Formel liegt darin, dass die Gewichtung aus den Daten stammt und nicht geschätzt werden muss. Kommen neue Jahrgänge hinzu, wird nachtrainiert, ohne die Struktur zu ändern. Die Abweichung zwischen Vorhersage und tatsächlichem Wert lässt sich für jeden Fall beziffern.

Ein neuronales Netz liefert einen Zahlenwert und keine Begründung. Wo eine Entscheidung Menschen betrifft, braucht es deshalb zusätzliche Verfahren der erklärbaren KI oder ein einfacheres Modell mit offen liegender Regel. Welcher Weg passt, hängt an der Prüfpflicht im jeweiligen Verfahren.