Künstliche Intelligenz

Wie sich das menschliche Gehirn im Computer nachbilden lässt

07.02.17 | Autor / Redakteur: Rich Miron * / Margit Kuther

Künstliche Intelligenz: Anwendungen hierfür werden zunehmend unsere Welt verändern.
Künstliche Intelligenz: Anwendungen hierfür werden zunehmend unsere Welt verändern. (Bild: Clipdealer 7115879)

Die Herausforderung, die Komplexität des menschlichen Gehirns im Computer nachzubilden, hat eine neue Generation von Wissenschaftlern und Entwicklern von Computeralgorithmen hervorgebracht.

Kontinuierliche Forschung hat zu verstärkter Entwicklung von KI-Anwendungen (häufig auch als „Deep Learning“ oder „Maschinelles Lernen“ bezeichnet) geführt, die zunehmend Teil unserer Welt werden.

Die Grundlagen sind zwar seit langer Zeit bekannt, aber der kommerzielle Einsatz ist nie richtig Wirklichkeit geworden. In den letzten Jahren ist der Umfang der generierten Daten sprunghaft angewachsen und es gelang Entwicklern nach langer und mühevoller Arbeit Algorithmen zu entwickeln, mit denen daraus nützliche Daten und Statistiken extrahiert werden können.

Ein weiterer entscheidender Faktor ist die Verfügbarkeit von skalierbaren Computerressourcen. Hier bot sich die Cloud als ideale Technologie an. Auf Ihrem Smartphone werden vielleicht die sprachgesteuerten Anwendungen „Now“ von Google („OK Google“) oder „Siri“ von Apple eingesetzt. Diese verwenden Algorithmen für das maschinelle Lernen – sogenannte künstliche neuronale Netze, die Spracherkennung und Lernfähigkeit ermöglichen.

Neben der Bequemlichkeit und dem Spaß, sich mit dem Telefon zu unterhalten, profitieren auch ganze Industriezweige wie Automobilbau und Unternehmen, die Anwendungen entwickeln, in denen maschinell lernende neuronale Netze eingesetzt werden.

Konvolutionale neuronale Netze

Bevor wir einen Blick auf einige dieser Anwendungen werfen, wollen wir untersuchen, wie neuronale Netze funktionieren und welche Ressourcen sie benötigen. Wenn wir allgemein von neuronalen Netzen sprechen, sollten wir diese genauer als künstliche neuronale Netze bezeichnen. In einer Implementierung als Software-Algorithmus stützen sich diese auf biologische neuronale Netze – das zentrale Nervensystem – von Mensch und Tier.

Im Laufe der Jahre wurden verschiedene Typen von Architekturen neuronaler Netze entwickelt. Dabei fanden convolutione neuronale Netze (Convolutional Neural Network, CNN) die weiteste Verbreitung. Einer der Hauptgründe dafür besteht darin, dass diese aufgrund ihres Ansatzes für Parallelverarbeitungstechniken geeignet sind, die von einer Hardwarebeschleunigung in Form von GPUs und FPGAs ermöglicht werden.

Ein weiterer Grund für die Beliebtheit von CNNs besteht darin, dass sie sich für die Arbeit mit räumlich verteilten Daten eignen – und dafür sind Bildverarbeitungsanwendungen ideal. Räumliche Verteilung bezieht sich auf Pixel in der Nachbarschaft einer bestimmten Stelle mit ähnlichen Helligkeits- und Farbattributen. CNNs setzen sich aus verschiedenen Schichten zusammen, von denen jede einen bestimmten Zweck hat. Bei ihrer Arbeit treten zwei unterschiedliche Phasen auf.

Die Lernphase, der erste Teil der CNN

Der erste Teil ist eine Lernphase, während der der Verarbeitungsalgorithmus erkennt, um welche Daten es sich handelt und welche Beziehung oder Kontext zwischen den einzelnen Datenelementen besteht. Das CNN wird als Lern-Framework aus strukturierten und unstrukturierten Daten mit vom Computer geschaffenen Neuronen aufgebaut, die ein Netz von Verbindungen und Bruchstellen bilden. Der Mustervergleich ist ein Schlüsselkonzept hinter einem CNN. Er wird beim maschinellen Lernen intensiv genutzt (Bild 1).

Einen tieferen Einblick in die Arbeitsweise eines CNN finden Sie im Artikel Samer Hijazi, Rishi Kumar, Chris Rowen „Using Convolutional Neural Networks for Image Recognition“,IP Group, von Cadence und im Video “The Computing Earthquake: Neural Networks, Cognitive Layering“ – zu erreichen über den Link http://bit.ly/2cNVnHH –, das bei einer der letzten IEEE-Konferenzen zum Thema „New Frontiers in Computing“ („Die neuen Grenzen der Datenverarbeitung“) entstand.

Es galt als weiterer Nachweis für die Nützlichkeit von CNNs für die Bildverarbeitung, das ein Forschungsteam von Microsoft den MageNet-Challenge für maschinelles Sehen gewann.

Inhalt des Artikels:

Kommentar zu diesem Artikel abgeben

Schreiben Sie uns hier Ihre Meinung ...
(nicht registrierter User)

Kommentar abschicken
copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44272290 / Industrial Networking)

Fachwissen abonnieren

Der begleitende Newsletter zur ELEKTRONIKPRAXIS Heftausgabe: Alle Beiträge online und übersichtlich zusammengefasst. Plus: Exklusive Onlinebeiträge aus der Elektronikentwicklung.

* Ich bin mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung und AGB einverstanden.
Spamschutz:
Bitte geben Sie das Ergebnis der Rechenaufgabe (Addition) ein.

ePaper-Ausgabe kostenlos lesen

ELEKTRONIKPRAXIS 4/2017

ELEKTRONIKPRAXIS 4/2017

Displays mit PCAP-Touch haben sich durchgesetzt

Weitere Themen:

Zuverlässige Speicher
Sequenzielles Ein und Ausschalten

zum ePaper

zum Heftarchiv

Embedded Software Engineering

Embedded Software Engineering

Warum Maschinen nicht verantwortlich handeln

Weitere Themen:

Warum sich Jailhouse für Echtzeit-Aufgaben eignet
Technische Dokumentation im Scrum-Team

zum ePaper

zum Heftarchiv