{'de': '

Das menschliche Gehirn verfügt über etwa 86 Milliarden Neuronen. Sie empfangen, verarbeiten und übertragen Informationen in Form von elektrischen Signalen oder chemischen Reizen. Sie bilden Nervennetze, die bestimmte Aufgaben erfüllen, und dadurch unsere Wahrnehmung ermöglichen. Künstliche neuronale Netze sind an den Aufbau menschlicher Gehirne und Nervennetze angelehnt, doch sie bestehen bislang lediglich aus etwa 100.000 Neuronen – in den 1990ern waren es noch 100 Neuronen, die miteinander verschaltet waren.

\n

Ein Beispiel: Während das menschliche Gehirn sehr schnell eine unsauber geschriebene Zahl erkennt, braucht ein neuronales Netz viele Referenzwerte. Durch viele hunderte Bilder handgeschriebener Zahlen findet es Muster und lernt so zum Beispiel eine 3 von einem B zu unterscheiden. Je mehr Beispiele das Netzwerk bekommt, umso mehr lernt es über Handschrift, wie sie aufgebaut ist und wird besser.

\n

In neuronalen Netzen sind Algorithmen miteinander verschaltet. Erkannte Muster in Bildern, Tönen, Text werden in Zahlen, die in Vektoren bzw Matrizen erhalten sind, übersetzt. Jedes Pixel wird einem Neuron zugeordnet. Das ankommende Signal ist dann zum Beispiel ein Bild von einer Schraube. Durch das vorausgehende Training mit großen Datensätzen von fehlerhaften und fehlerfreien Schrauben entsteht eine Verschaltung von Algorithmen – jedes Neuron erkennt eine Pixelanordnung, kategorisiert sie, weitere Neuronen übernehmen und verfeinern das Ergebnis. Ein Bild durchläuft eine Kaskade von Algorithmen und die Neuronen ordnen zu. Mit jedem Durchlauf passen sich Algorithmen und Neuronen an und werden besser – was als deep Learning bezeichnet wird.

\n

Das neuronale Netz wird häufig mit dem Label “Blackbox” versehen, wenn nicht mehr nachvollzogen werden kann, warum bestimmte Entscheidungen getroffen wurden. Es gibt heute jedoch Systeme, die den Entscheidungsprozess von neuronalen Netzen visuell abbilden, um eben einen Einblick in die Blackbox zu ermöglichen.

'}