Künstliche neuronale Netze - Aufbau und Funktionsweise

Herkömmliche Computer erledigen exakt berechenbare, routinehafte Aufgaben schneller und zuverlässiger als der Mensch. Einige typisch menschliche Fähigkeiten (z. B. die Gesichtserkennung) stellen die konventionelle Informationsverarbeitung dagegen vor große Schwierigkeiten. Herkömmliche Algorithmen scheitern, sobald die vorausgesetzte Bildqualität nicht gegeben ist. Der Mensch erkennt dagegen Gesichter problemlos auch unter erschwerten Bedingungen (Dunkelheit, Nebel). Es liegt also nahe zu fragen, nach welchen Prinzipien das menschliche Gehirn organisiert ist und auf welche Weise es die sensorischen Informationen der Sinne verarbeitet. Vor diesem Hintergrund ist die Entwicklung Künstlicher Neuronaler Netze (KNN) zu sehen: KNN imitieren die Organisations- und Verarbeitungsprinzipien des menschlichen Gehirns. Aus betriebswirtschaftlicher Sicht stellen KNN neue Problemlösungsverfahren aus dem Forschungsgebiet der Künstlichen Intelligenz dar, die das ökonomische Modellierungsinstrumentarium erweitern und sich besonders für komplexe, nicht-konservative Aufgabenstellungen eignen. Gegenüber traditionellen Verfahren aus der Statistik und dem Operations Research zeichnen sich KNN durch Lernfähigkeit, Fehlertoleranz, Robustheit und Generalisierungsfähigkeit aus. Betriebliche Anwendungsfelder finden sich insbesondere in den Bereichen Prüfung und Beurteilung, Prognose, Klassenbildung und Optimierung. Der vorliegende Beitrag soll praxisorientiert einen †berblick über den Aufbau und die Funktionsweise von KNN geben und damit einen Einstieg in die Thematik ermöglichen. Ausgehend von den biologischen Grundlagen werden die statischen und dynamischen Kernkomponenten von KNN definiert und die prinzipiellen Informationsverarbeitungsprozesse erläutert. Ein Überblick über die typischen Eigenschaften von KNN bildet den Abschluß des Beitrags.