Rufen Sie uns einfach an, und wir beraten Sie gerne zu unserem Seminar- und Studienangebot.
Unsere Ansprechpartner:
Michael Rabbat, Dipl.-Kfm.
MBA Chief Operating Officer
Claudia Hardmeier
Kunden-Center
Studienbetreuung
Vom Gehirn inspiriert sind neuronale Netze die Basis für moderne KI-Systeme. Dabei lernen sie selbstständig Aufgaben zu lösen, ohne explizit programmiert worden zu sein. Schematisch dargestellt bestehen sie aus verschiedenen Schichten: der Eingabeschicht (Input Layer), den verdeckten Schichten (Hidden Layers) und der Ausgabeschicht (Output Layer).16

Neuronale Netze haben sich bewährt und können Erstaunliches leisten. Die große Errungenschaft, prinzipiell jeden Input-Output-Zusammenhang approximieren bzw. wiedergeben zu können, bietet enorme Vorteile. Diese universelle Fähigkeit besagt im Kern, dass es unabhängig davon, wie komplex die Beziehung zwischen Input- und Outputvariablen auch sein mag, stets ein neuronales Netz geben wird, das damit umgehen kann. Ein weiterer Vorteil ist die Robustheit und Fehlertoleranz durch die Verteilung des Wissens auf das gesamte Netz. Das bedeutet, dass das Netz nicht sofort versagt, wenn einige Teile (Neuronen oder Verbindungen zwischen Neuronen) manipuliert oder zerstört werden. Wenn sich also Teile der lernenden Daten verändern, muss nicht das gesamte Netz neu trainiert werden. Gerade bei großen und komplexen Datensätzen wird diese Eigenschaft sehr geschätzt, da sich das zeitintensive komplette Training durch das Updaten einzelner Datensätze ersetzen lässt.
Neuronale Netze besitzen jedoch auch Nachteile. Oft wird ihr Black-Box-Charakter genannt, da es für den Menschen bei großen Netzwerken nicht mehr nachvollziehbar ist, wie Ergebnisse errechnet wurden.18
16 Vgl. Wennker 2020 S. 18 f.
17 Kreutzer 2023 S11 abb. 1.3.
18 Vgl. Stowasser 2023 S 73 V. f.