Künstliche Intelligenz: Die Mathematik hinter neuronalen Netzen

Inhaltsverzeichnis

Wenn Dall-E virtuos den Pinsel schwingt, ChatGPT die Welt erklärt und der schlechte Schufa-Score den Kredit verhindert, dann steht der Mensch dem zunehmend ratlos vis-à-vis. Kaum einer kann ihm erklären, wie es so weit kommen konnte, denn hinter mehr und mehr Prognose- und Entscheidungssystemen stecken kaum überschaubare künstliche neuronale Netze (KNN). Sie gelten als intransparente Black Boxen, weil über deren Milliarden Parameter nicht mal ihre Schöpfer den Überblick behalten. Und weil diese magischen Kisten offenbar noch nicht undurchsichtig genug sind, stöpseln die Forscher immer mehr von ihnen zu sogenannten multimodalen Modellen zusammen, auf dass sie dem menschlichen neuronalen System immer ähnlicher werden mögen – und mit noch mehr Informationen noch weniger nachvollziehbare Entscheidungen treffen.

Wer jetzt nicht komplett kapitulieren, sondern zumindest im Ansatz begreifen möchte, was momentan mit und um ihn herum geschieht, dem hilft nur eins: die Besinnung aufs Wesentliche. Auf die bestechend simplen mathematischen Mechanismen, die nach wie vor jedes künstliche neuronale Netz am Laufen halten.

Grundlagen der KI

• Grundlagen des maschinellen Lernens erklärt
• Künstliche Intelligenz: Die Mathematik hinter neuronalen Netzen

Programmieren mit KI

• So installieren Sie das KI-Framework PyTorch ohne Stress
• Wie Sie mit PyTorch ein neuronales Netz trainieren
• Datengeneratoren für KI: Dataset-Klassen erschließen Daten für PyTorch
• Wie KI beim Programmieren hilft

Vor über zehn Jahren bewies das als Katzendetektor berühmt gewordene AlexNet, dass KNNs vielfältige kognitive Aufgaben übernehmen können. Es simulierte sehr erfolgreich, wie der visuelle Kortex des Menschen Bildinformationen verarbeitet. Dadurch war es möglich, solche Systeme ausschließlich mithilfe von Beispielbildern darauf zu trainieren, Katzen, Hunde, Menschen oder beliebige Gegenstände in Bildern anhand ihrer charakteristischen Merkmale zu erkennen. Auf welche Details es dabei wirklich ankommt und auf welche nicht, lernten diese neuartigen Klassifikationsmaschinen anhand Hunderter bis Tausender Variationen von ein und demselben Objekt. Je vielfältiger das Trainingsmaterial, desto besser.

Das war die Leseprobe unseres heise-Plus-Artikels "Künstliche Intelligenz: Die Mathematik hinter neuronalen Netzen". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.