Konnektionismus und neuronale Netzwerke

In den letzten Jahren hat der Konnektionismus, der sich mit neuronalen Netzwerken befaßt, einen grandiosen Zuwachs an Popularität erhalten. Unter anderem wurde dieser Aufschwung durch die Arbeiten von Rumelhart et al. Rumelhart[RMt86] stimuliert. Konnektionistische Systeme basieren auf der Idee, eine Vielzahl von Verarbeitungseinheiten zu einem System zuammenzufassen. Diese vielen Verarbeitungseinheiten sollen untereinander stark vernetzt sein. Dadurch beeinflussen sich die einzelnen Verarbeitungseinheiten ständig gegenseitig in ihrer Funktion. Siehe hierzu Abbildung 2.2. Insofern ist der Konnektionismus weniger als ein Teil der künstlichen Intelligenz in dem Sinn zu sehen, daß es einen abgegrenzten Aufgabenbereich dafür gibt. Vielmehr stellt er einen Ansatz dar, mit dem ein großer Teil der KI-Teilgebiete erfolgreich behandelt werden soll; dazu zählen u.a. die Sprachverarbeitung, die Bildverarbeitung und das Lernen.

  

Abbildung: Schema eines kleinen konnektionistischen Systems. Es handelt sich um ein sogenanntes 3-Lagennetz, da drei Verarbeitungseinheiten auf dem Pfad vom Eingangs- zum Ausgangssignal hintereinander geschaltet sind.

Die Idee erfreut sich unter anderem wegen der augenscheinlichen Verwandtschaft zur neurobiologischen Organisation des menschlichen Gehirns, daß offensichtlich zu intelligentem Verhalten in der Lage ist, großer Beliebtheit. Erste Arbeiten zu künstlichen neuronalen Netzen wurden bereits in den 40er Jahren von McCulloch & Pitts  McCulloch[MP43] und von Hebb Hebb[Heb49] durchgeführt. Auch heute sind die damals von Hebb vorgeschlagenen elementaren Lernregeln noch aktuell und werden bei der Entwicklung neuronaler Systeme eingesetzt. Besonders durch Rosenblatts Perceptron Rosenblatt[Ros59]   wurden neuronale Systeme gegen Ende der fünfziger Jahre populär. Dieser ersten Hoffnungswelle wurde durch Minskys und Paperts Buch Perceptron MinskyPapert[MP69] ein fast völliger Abbruch beschert. Minsky und Papert untersuchten mit rein mathematischen Methoden die Möglichkeiten und Grenzen von neuronalen Systemen. Sie kamen dabei zu dem Ergebnis, daß derartige neuronale Systeme bereits an sehr einfachen Aufgaben aus bestimmten strukturinhärenten Gründen scheitern müssen. Sie beschränkten ihre Analyse allerdings auf sogenannte Zweilagennetze. Dies sind Netze, bei denen höchstens zwei Verarbeitungseinheiten hintereinander geschaltet sind. Der Grund, den sie für die Einschränkung ihrer Untersuchungen anführten, bezog sich auf das folgende Problem: Bei Mehrlagennetzen sei es nicht zu sehen, daß lokale Lernregeln^3.6 - die zu untersuchen waren, überhaupt jemals zu einem adäquaten Lernergebnis führen können.

Die Proponenten des Konnektionismus führen in erster Linie die folgenden Gründe an:

• Die Verarbeitung verläuft hochgradig parallel. Dies könnte einen Beitrag zur Bewältigung der bei KI-Aufgaben typischerweise vorhandenen kombinatorischen Komplexität leisten.

• Die Systemstruktur ist an menschliche oder biologische Informationsverarbeitungsmodelle angelehnt, welche bereits erwiesen haben, daß sie eines intelligenten Verhaltens fähig sind.
• Die herkömmlichen Ansätze zur KI, die sogenannten symbolischen Ansätze, haben nicht die erwarteten Erfolge gezeigt.
• Die konnektionistischen Systeme arbeiten nicht mehr auf einer symbolischen Ebene, sondern auf einer subsymbolischen Ebene. Das heißt, man kann keiner einzelnen Verarbeitungseinheit oder einer kleinen Gruppe solcher Einheiten eine bestimmte Bedeutung zuordnen, wie man es bei bestimmten Einträgen in einem Wissensrepräsentationssystem könnte. Hingegen ergibt sich bei konnektionistischen Systemen das Verhalten erst durch ein Zusammenwirken aller oder zumindest sehr vieler Verarbeitungseinheiten des Systems. Der innere Zustand einer einzelnen Verarbeitungseinheit wird durch die inneren Zustände vieler anderer Verarbeitungseinheiten beeinflußt und beeinflußt seinerseits viele andere Einheiten. Dies scheint der in den letzten Jahren immer mehr beachteten Kritik von Dreyfus Dreyfus[DD87,DD88] und Winograd & Flores WinogradFlores[WF86] aus einer phänomenologischen Perspektive entgegen zu kommen.
• Man verspricht sich eine sehr gute Lernfähigkeit dieser Systeme durch die Möglichkeit, schrittweise und verteilt in einer Vielzahl von Verarbeitungseinheiten Begriffe zu lernen. Weiterhin wird behauptet, daß konnektionistische Systeme besonders wenig empfindlich gegenüber leicht fehlerhaften Lerndaten seien. Dies scheint wiederum dem menschlichen Begriffslernen näher zu kommen, als die traditionellen symbolischen Ansätze zum maschinellen Lernen.

Mittlerweile gibt es eine kaum noch zu übersehende Vielfalt von Vorschlägen zum konkreten Aufbau von konnektionistischen Systemen. Es werden oft zu den Vorschlägen spezifische Probleme genannt, die im Experiment mit dem vorgeschlagenen konnektionistischen System gelöst werden konnten.

Kritisch zu bemerken ist hierbei allerdings, daß die jeweils gelösten Aufgaben häufig von einer erstaunlichen Einfachheit sind.

Nun wurden die wichtigsten Teilgebiete der künstlichen Intelligenz kurz angerissen. Insgesamt läßt sich sagen, daß die mehr pragmatisch orientierten Forscher der KI, die überwiegende Mehrheit der Forschergemeinschaft bilden. Dies sind diejenigen, die zunächst einmal nur nützliche Systeme entwickeln wollen, statt schwierig zu modellierende Phänomene menschlicher Intelligenz nachzubilden.