SIEMENS

Lernende biologische Systeme reichen vom Fadenwurm mit seinen rund 300 Nervenzellen bis zum Gehirn eines erwachsenen Elefanten mit 200 Milliarden Neuronen. Doch ob es sich um die Neuronen von Fruchtfliegen oder Kakerlaken, von Schimpansen oder Delfinen handelt: Sie alle verarbeiten und übermitteln Informationen. Der Grund dafür ist in der Biologie immer derselbe. Um Gefahren zu vermeiden und den Erfolg des eigenen Überlebens und der Fortpflanzung zu maximieren, müssen alle Organismen ihre Umwelt wahrnehmen und auf sie reagieren. Außerdem müssen sie sich an die Reize erinnern können, die Risiko oder Belohnung anzeigen. Lernen ist eine Voraussetzung für das Überleben in der Natur. Das gleiche eherne Gesetz trifft jedoch immer mehr auch auf künstliche Systeme zu.

Laut Dr. Volker Tresp, einem Siemens-Experten für maschinelles Lernen und Informatikprofessor an der Ludwig-Maximilians-Universität München, gibt es drei Arten des Lernens: durch Erinnerung (etwa von bestimmten Fakten), über Fähigkeiten (wie einen Ball werfen) und durch Abstraktion (zum Beispiel das Ableiten von Regeln aus Beobachtungen). Computer, die auf dem ersten Feld wahre Genies sind, holen auch in den anderen beiden enorm schnell auf. Ein Beispiel ist die Fähigkeit, ein perfekt planes Stahlblech mit einer bestimmten Dicke herzustellen – ein Gebiet, auf dem Siemens seit über 20 Jahren führend ist. „Das einfachste Lernschema ist hier, eine Vorhersage zu treffen und dann zu prüfen, ob das fertige Produkt den Anforderungen entspricht“, erklärt Tresp. Für die Herstellung eines besonders hochwertigen Stahls nutzt ein automatisiertes Walzwerk aktuelle Sensordaten, etwa über die Bandtemperatur, und schätzt dann den nötigen Druck auf der Grundlage bereits gelernter Informationen ab. Auf Basis seiner eigenen Daten passt es dann die Parameter so lange in Echtzeit an, bis es genau den richtigen Druck für die gewünschte Dicke gefunden hat.

Lernen aus Beobachtungen

open

Das künstliche neuronale Netz (1) gibt auf der Basis von bereitgestellten Informationen (2) eine Vorhersage (3) zum Gasverbrauch der nächsten sieben Tage ab. Grundlage für die Prognosen ist die Entwicklung des realen Systems über die letzten 14 Tage, die als Trainingsphase dienen. Drei Momentaufnahmen der Lernphasen: Zufallsgewichtung (4), im Lernprozess (5), Training abgeschlossen (6). Künstliche neuronale Netze können riesige Datenmengen verarbeiten, um ihre Vorhersagen anzupassen. Dafür muss das System ein mathematisches Modell erstellen, das eine möglichst genaue Abbildung der Realität erzeugt. Solch ein Modell ist im Wesentlichen eine Gruppe von Entscheidungseinheiten. Die Interaktion dieser Einheiten kann in Form einer Matrix dargestellt werden (siehe Kasten in jedem Diagramm). Je nach Komplexität der Anwendung können hunderte Interaktionsmatrizen nötig sein. Am Anfang sind die Interaktionen noch zufällig. Wenn das System mit der Trainingsphase beginnt (Zeitstrahl links), ist sein Vorhersagefehler – der Unterschied zwischen Erwartung und Beobachtung – deshalb hoch (4). Sobald ein Vergleich mit den tatsächlichen Werten stattgefunden hat, wird der Vorhersagefehler an die Matrix zurückgegeben (Pfeile nach rechts zu jedem Kasten). So bewegt sich die interne Gewichtung jeder Entscheidungseinheit vom Zufall weg und ändert die Eingabeparameter auf Basis des bisher Gelernten (Pfeile nach links von jedem Kasten). Nach tausenden Iterationen, die alle zur Senkung des Vorhersagefehlers dienen (5), lernt das System irgendwann, den gesamten Informationsfluss so zu beschreiben, dass sein Output die realen Geschehnisse genau abbildet (6) und sie damit auch vorhersagen kann.

close

Über die Optimierung von Fähigkeiten hinaus werden künstliche Systeme verstärkt auch dafür eingesetzt, um herauszufinden, welche Charakteristika ein bestimmtes Objekt zum Teil einer Gruppe machen. Die Texterkennung (OCR für optical character recognition) ist ein Beispiel dafür. Klassischerweise wird sie für die Hochgeschwindigkeitssortierung von Briefen und Paketen genutzt. Seit ihrer Einführung – etwa im Jahr 1985 – ist die Genauigkeit der Handschriftenerkennung von wenigen Prozent auf heute über 95 Prozent für lateinische Buchstaben und auf über 90 Prozent für arabische Handschriften angestiegen. 2007 gewann das lernfähige Siemens-System ARTread den OCR-Wettbewerb für Arabisch der internationalen Konferenz für Dokumentenanalyse und -erkennung. Dank ihrer außergewöhnlich hohen Zuverlässigkeit wird die OCR-Technologie nun auch auf andere Anwendungen übertragen, wie etwa die automatische Erkennung von Nummernschildern und die industrielle Bildverarbeitung (siehe Artikel „Sehen heißt verstehen“).

Was wird in Zukunft noch möglich sein? Mit steigender Leistung und Zahl von Sensoren eröffnen sich enorme Chancen. Immer mehr Daten werden lokal und über Netzwerke zugänglich. So wird das Lernen im Kontext vernetzter Umgebungen in zwei großen Projekten verfolgt: Theseus, zu dem Siemens sein System Medico beisteuert, ist ein Projekt, das sich darauf konzentriert, semantische Informationen aus Bild- und Textdaten zu gewinnen, um medizinische Arbeitsabläufe zu unterstützen. Das EU-Projekt LarKC (Pictures of the Future, Frühjahr 2011, „Goldmine aus Zettabytes“) beschäftigt sich mit skalierbaren Abfragen, Modellierung und maschinellem Lernen in vernetzten Systemen. „Lernen mit vernetzten Informationen ist heute eines der spannendsten Forschungsfelder“, ist Tresp überzeugt.