Künstliches Neuronales Netz (ANN)
Was ist ein künstliches neuronales Netzwerk (ANN)?
Ein künstliches neuronales Netzwerk (ANN) ist das Teil eines Computersystems, das die Art und Weise simuliert, wie das menschliche Gehirn Informationen analysiert und verarbeitet. Es ist die Grundlage der künstlichen Intelligenz (KI) und löst Probleme, die sich nach menschlichen oder statistischen Maßstäben als unmöglich oder schwierig erweisen würden. ANNs verfügen über selbstlernende Funktionen, mit denen sie bessere Ergebnisse erzielen können, sobald mehr Daten verfügbar sind.
Die zentralen Thesen
- Ein künstliches neuronales Netzwerk (ANN) ist die Komponente der künstlichen Intelligenz, die die Funktion eines menschlichen Gehirns simulieren soll.
- Verarbeitungseinheiten bilden ANNs, die wiederum aus Ein- und Ausgängen bestehen. Die Eingaben sind das, woraus der ANN lernt, um die gewünschte Ausgabe zu erzeugen.
- Backpropagation ist ein Satz von Lernregeln, die zur Steuerung künstlicher neuronaler Netze verwendet werden.
- Die praktischen Anwendungen für ANNs sind weit und breit und umfassen Finanzen, persönliche Kommunikation, Industrie, Bildung und so weiter.
Verständnis eines künstlichen neuronalen Netzwerks (ANN)
Künstliche neuronale Netze sind wie das menschliche Gehirn aufgebaut, wobei Neuronenknoten wie ein Netz miteinander verbunden sind. Das menschliche Gehirn hat Hunderte von Milliarden von Zellen, die als Neuronen bezeichnet werden. Jedes Neuron besteht aus einem Zellkörper, der für die Verarbeitung von Informationen verantwortlich ist, indem er Informationen zum Gehirn hin (Eingänge) und von diesen weg (Ausgänge) transportiert.
Ein ANN hat Hunderte oder Tausende von künstlichen Neuronen, die als Verarbeitungseinheiten bezeichnet werden und durch Knoten miteinander verbunden sind. Diese Verarbeitungseinheiten bestehen aus Eingabe- und Ausgabeeinheiten. Die Eingabeeinheiten erhalten verschiedene Formen und Strukturen von Informationen basierend auf einem internen Gewichtungssystem, und das neuronale Netzwerk versucht, die präsentierten Informationen zu lernen, um einen Ausgabebericht zu erstellen. Genau wie Menschen Regeln und Richtlinien benötigen, um ein Ergebnis oder eine Ausgabe zu erzielen, verwenden ANNs auch eine Reihe von Lernregeln, die als Backpropagation bezeichnet werden, eine Abkürzung für die Rückwärtsausbreitung von Fehlern, um ihre Ausgabeergebnisse zu perfektionieren.
Ein ANN durchläuft zunächst eine Trainingsphase, in der er lernt, Muster in Daten visuell, akustisch oder textuell zu erkennen. Während dieser überwachten Phase vergleicht das Netzwerk seine tatsächlich produzierte Leistung mit der beabsichtigten Leistung – der gewünschten Ausgabe. Die Differenz zwischen beiden Ergebnissen wird mithilfe der Backpropagation angepasst. Dies bedeutet, dass das Netzwerk rückwärts arbeitet und von der Ausgabeeinheit zu den Eingabeeinheiten wechselt, um das Gewicht seiner Verbindungen zwischen den Einheiten anzupassen, bis die Differenz zwischen dem tatsächlichen und dem gewünschten Ergebnis den geringstmöglichen Fehler erzeugt.
Während der Schulungs- und Überwachungsphase wird dem ANN anhand von Ja / Nein-Fragetypen mit Binärzahlen beigebracht, wonach zu suchen ist und wie seine Ausgabe aussehen soll. Zum Beispiel, dass eine Bank will Kreditkarte erkennen, Betrug auf Zeit hat vier Eingabeeinheiten mit diesen Fragen geführt: (1) Ist die Transaktion in einem anderen Land vom Benutzer Heimatland? (2) Wird die Website, auf der die Karte verwendet wird, mit Unternehmen oder Ländern auf der Beobachtungsliste der Bank verbunden? (3) Ist der Transaktionsbetrag größer als 2.000 USD? (4) Entspricht der Name auf der Transaktionsrechnung dem Namen des Karteninhabers?
Die Bank möchte, dass die Antworten „Betrug erkannt“ Ja Ja Ja Nein lauten, was im Binärformat 1 1 1 0 wäre. Wenn die tatsächliche Ausgabe des Netzwerks 1 0 1 0 ist, passt sie ihre Ergebnisse an, bis eine Ausgabe geliefert wird, die mit der übereinstimmt 1 1 1 0. Nach dem Training kann das Computersystem die Bank über ausstehende betrügerische Transaktionen informieren und so der Bank viel Geld sparen.
Praktische Anwendungen für künstliche neuronale Netze (ANNs)
Künstliche neuronale Netze ebnen den Weg für die Entwicklung lebensverändernder Anwendungen für den Einsatz in allen Wirtschaftsbereichen. Plattformen für künstliche Intelligenz, die auf ANNs basieren, stören die traditionellen Vorgehensweisen. Von der Übersetzung von Webseiten in andere Sprachen über die Online-Bestellung von Lebensmitteln durch einen virtuellen Assistenten bis hin zum Gespräch mit Chatbots zur Lösung von Problemen vereinfachen KI-Plattformen Transaktionen und machen Dienste für alle zu vernachlässigbaren Kosten zugänglich.
Künstliche neuronale Netze wurden in allen Einsatzbereichen eingesetzt. E-Mail-Dienstanbieter verwenden ANNs, um Spam im Posteingang eines Benutzers zu erkennen und zu löschen. Vermögensverwalter verwenden es, um die Richtung der Aktien eines Unternehmens vorherzusagen. Rating Unternehmen nutzen es, um ihre Kredit-Scoring-Methoden zu verbessern. E-Commerce-Plattformen verwenden es, um Empfehlungen an ihre Zielgruppe zu personalisieren. Chatbots werden mit ANNs für die Verarbeitung natürlicher Sprache entwickelt. Deep-Learning-Algorithmen verwenden ANN, um die Wahrscheinlichkeit eines Ereignisses vorherzusagen. Die Liste der ANN-Eingliederungen erstreckt sich über mehrere Sektoren, Branchen und Länder.