Die häufigsten Irrtümer über Neuronale Netze

KI und insbesondere Neuronale Netze und Deep Learning sind seit einigen Jahren das technologische Hype Thema. Da die Materie aber recht abstrakt ist – man könnte sagen, für die meisten ist es Neuland – wollen wir hier einige Irrtümer bereinigen, denen wir in unserer Arbeit häufiger begegnen. 1. “Neuronale Netze sind künstliche Gehirne, gebaut aus […]

KI und insbesondere Neuronale Netze und Deep Learning sind seit einigen Jahren das technologische Hype Thema. Da die Materie aber recht abstrakt ist – man könnte sagen, für die meisten ist es Neuland – wollen wir hier einige Irrtümer bereinigen, denen wir in unserer Arbeit häufiger begegnen.

1. “Neuronale Netze sind künstliche Gehirne, gebaut aus künstlichen Neuronen.”

Ein Großteil des Misstrauens, mit dem Neuronale Netze in Öffentlichkeit und einschlägigen Medien betrachtet werden, basiert genau hierauf: Der Angst, des Menschen höchstes Gut, das Gehirn, wäre so weit entschlüsselt, dass man es einfach nachbauen könnte. Fakt ist, dass diese Aussage schlichtweg Quatsch ist.

Tatsächlich sind künstliche Neuronen mathematische Formeln, die von sehr einfachen, veralteten Modellvorstellungen von “echten” Neuronen inspiriert sind. Echte Neuronen sind wesentlich komplexer. Hinzu kommt, dass es in einem Gehirn nicht nur viel mehr davon gibt als in einem KNN. Es gibt auch sehr, sehr viele verschiedene Arten von biologischen Neuronen im Gehirn – anders als in einem KNN.

Was aber stimmt ist das sowohl KNN als auch biologische neuronale Netze ein grundlegendes Konstruktionsprinzip teilen: Die Funktionalität entsteht durch das Zusammenspiel sehr, sehr vieler aber dafür sehr einfacher, vernetzter Komponenten. Dies steht im krassen Gegensatz zu z.B. einer klassischen Schach-KI, die schrittweise einen vergleichsweise komplexen Algorithmus durchläuft, für den es -soweit wir wissen- keine Entsprechung im menschlichen Gehirn gibt.

Man kann sich das wie bei Vögeln und Flugzeugen vorstellen: Beide unterliegen den Gesetzen der Aerodynamik und haben Flügel, haben also durchaus prinzipielle Gemeinsamkeiten, sind aber dennoch auch stark unterschiedlich. Da wir trotz der Fortschritte der letzten Jahre noch vergleichsweise am Anfang stehen, ist es ein wenig wie bei einem Falken und einem Papierflugzeug. Das Papierflugzeug kann bereits kurze Strecken fliegen und wenn man es in die richtige Richtung wirft, landet es ungefähr da wo man will – von den Flugfähigkeiten eines Falken ist es aber weit entfernt. So verhält es sich mit KNN und dem menschlichen Gehirn.

Eine Analogie für das Verhältnis von Gehirn zu künstlichem neuronalen Netzen. Genauso wie Falke und Papierflugzeug die Prinzipien der Aerodynamik nutzen und Flügel haben zu nutzen das Gehirn und KNN ein ähnliches Bauprinzip (Konnektivismus) – aber die Unterschiede sind dennoch gewaltig!

2. „Künstliche Neuronale Netze wachsen.“

Ein sehr häufiges Missverständnis. KNN werden in ihrer Struktur bei der Programmierung exakt definiert, es ändern sich lediglich die Parameter der mathematischen Formeln, aus denen sie aufgebaut sind. Also wächst oder schrumpft nichts beim „Lernen“, auch die Strukturen ändern sich nicht.

3. „Künstliche Neuronale Netze lernen von alleine immer weiter“

In Punkt 1 haben wir festgestellt, dass KNN keine künstlichen Gehirne sind. Genau dieser zu enge Vergleich führt aber zu dem Missverständnis, dass Neuronale Netze selbständig lernen, so wie wir Menschen es im Idealfall ein Leben lang tun.

Richtig ist, dass KNN wie auch alle anderen ML Verfahren genau zwei Modi haben: Es gibt einen Trainings- und einen Abfragemodus. Nur im Trainingsmodus lernt ein neuronales Netz, und auch nur, wenn es mit den passenden Daten auf genau die richtige Art und Weise gefüttert wird. So wird vielleicht also eine Bilderkennungs-Software irgendwann fehlerfrei Hunde von Katzen unterscheiden können. Aber es wird nicht anfangen, Menschen ausfindig zu machen. Oder versehentlich die Weltherrschaft übernehmen wie Skynet in Terminator. Außerdem ist dieser Trainingsmodus in einem Netz, dass z.B. in einem Handy verwendet wird, meist gar nicht mehr vorhanden – weiteres lernen ist mathematisch unmöglich.

4. „Neuronale Netze sind eine brandneue Technologie“

Auch, wenn KNN in den letzten 15 Jahren erst in den allgemeinen Fokus gerückt sind: Neuronale Netze gibt es fast so lange wie die Informatik, tatsächlich schon seit 1958. Sie sind also eigentlich sogar ein alter Hut. Allerdings haben algorithmische Fortschritte, viel mehr Daten und mehr Rechenpower ihre praktische Anwendung erst in den letzten Jahren kommerziell sinnvoll gemacht.

5. “Neuronale Netze sind echte KI“

Leute, die das sagen, meinen mit “echter KI” i.d.R. die allgemeine künstliche Intelligenz. Die Idee dahinter ist eine künstlich vom Menschen nachgebaute Intelligenz mit allem, was unserem Verständnis nach dazu gehört: Bewusstsein seiner selbst, ein Wissen um die Welt und die Fähigkeit zur Reflektion und Abstraktion. Hier wird aber schnell das Problem offensichtlich.

Auch Neuronale Netze haben immer noch die gleichen Probleme wie andere Machine Learning Verfahren. Sie sind absolute Fachidioten, die keine Ahnung haben, was sie überhaupt tun. Natürlich kommen sie einer natürlichen Intelligenz unserer Wahrnehmung nach näher als bspw. ein händisch erstellter Entscheidungsbaum oder ein Schachcomputer. Sie sind aber deswegen nicht „echter“ als andere Verfahren.

Was allerdings stimmt: KNN ermöglichen es heutzutage sehr viele Probleme zu lösen, die für einen Computer vor 20 Jahren noch Science-Fiction waren. Aber immer noch liegen zwischen einem KNN (auch wenn es von Google oder Facebook kommt) und dem menschlichen – oder auch tierischen – Verstand Welten, und dies wird auch noch für Jahrzehnte, Jahrhunderte oder sogar Jahrtausende so bleiben. Denn bisher haben wir immer noch nicht verstanden, wie das menschliche Gehirn Intelligenz “erzeugt”.