Organizational META-Design

bintelligencelogo

der smarte „Fail-Safe“-Pfad zu effektiven Strukturen

Bintell-Wiki

Blog

Neuigkeiten

Problem & Remedy

Wann Systemtheorie & Kybernetik hilfreich sind

Slider

Neuronale Netze

Anhand (künstlich) neuronaler Netze versucht man die Struktur und Informationsarchitektur von Gehirn und Nervensystem lebenfähiger Syteme, der Tiere oder des Menschen, nachzubilden.

Die Anfänge dieser Forschungen gehen auf Warren McCulloch und Walter Pitts zurück, die beide auch Mitglieder der Macy Konferenzen waren.

Ziel ist es, mittels der Informatik, künstliche Intelligenz zu ermöglichen, indem neuronale Netze nachgebildet werden, welche die Nervenzellvernetzungen im Gehirn und Rückenmark emulieren.

Durch die abstrakte Modellbildung soll eine computergestützte Informationsverarbeitung ermöglicht werden, welche zur Lösung hochkomplex nicht-linearer Probleme befähigt sein soll.

Die Topologie eines Netzes (die Zuordnung von Verbindungen zu Knoten) muss demnach so aufgebaut sein, dass das GRID zwar einem Algorithmus folgt, aber zu einer Lernfähigkeit in der Lage ist.

Bei natürlichen Nervenzellen, die miteinander verknüpft sind, findet ein Informationsaustausch auf chemischem und elektrischem Wegen statt.

Diese „Schaltungstechnik“ natürlicher Neuronen besitzt üblicherweise mehrere Eingangsverbindungen sowie eine Ausgangsverbindung. Wenn die Summe der sog. Eingangsreize einen gewissen Schwellenwert erreichen, kann sich eine „Befeuerung“ zwischen den Neuronen etablieren.

Die Nachbildungen enthalten somit interagierende Knotenpunkte, deren Gewichtung zu Schwellenwerten führen kann, die Verbindungen aufbauen oder auch kappen können. Ganz pragmatisch gesehen, soll ein Netz also durch die Modifikation der Gewichtung von Neuronen lernen können.

Mittels dieser Methode ergeben sich die typischen Eigenschaften neuronaler Netze, die für natürliche und künstliche Systeme gleichermaßen gelten.

Dazu gehört die Eigenschaft, dass Netze komplexe Muster lernen können, ohne dass hierzu eine Abstraktion über die diesen Mustern zugrunde liegenden Regeln stattfindet. Das heißt, Lernen bedingt keine Veränderung der dazu notwendigen Algorithmen, allerdings kann der erzielte Lernerfolg dann auch nicht logisch kausal ermittelt werden.

Das richtige Trainieren eines neuronalen Netzes ist somit Voraussetzung für den Lernerfolg bzw. für die richtige Verarbeitung eines Musters (z.B. das Bewusstsein von Wirklichkeit) in einem Nervensystem.

Umgekehrt gilt, dass eine Vorhersage über die „richtige“ Interpretation eines Musters durch ein neuronales Netz nicht präzise möglich ist, solange das Netz nicht mit einer spezifischen Lernerfahrung (also anhand von generiertem Wissen und Erfahrung) konfrontiert wird.

Sonstige Info

Weitere Informationen von Interesse