Künstliche Intelligenz (KI) beeinflusst die Auswertung großer Datenmengen (Big Data) nachhaltig und wird zukünftig weiterhin eine Schlüsseltechnologie im Data Mining Umfeld darstellen. Eine wichtige Anwendung ist das künstliche neuronale Netz. Diese Struktur ist dem Aufbau des menschlichen Nervensystems nachempfunden. Durch Training werden bestimmte Kanäle stärker frequentiert und ausgebaut. Somit stellt das künstliche neuronale Netz den Prototypen für maschinelles Lernen und künstliche Intelligenz dar. Viele anwendungsbezogene Problemstellungen kann man bereits jetzt mittels künstlichen neuronalen Netzen lösen, fernab jeder Mystifizierung. In Folgenden geben wir einen anwendungsbezogenen, einfach verständlichen Einblick in die Funktionsweise künstlicher neuronaler Netze. Dabei erklären wir zunächst neuronale Netze, um anschließend den Fokus auf künstliche neuronale Netze zu legen. Die Funktionsweise erläutern wir im dritten Abschnitt Schritt für Schritt und gehen dabei auf spezielle Aspekte wie dem Training der Netzwerke ein. Anwendungsbeispiele vervollständigen den Überblick.
Wenn Sie selbst Data Mining anwenden wollen, helfen Ihnen unsere Experten mit maßgeschneiderten Lösungen und Beratungen gerne weiter. Neuronale Netze sind hochspezifische Modellierungen für Anwendungen. Die Anwendung sollte daher immer individuell in Absprache mit Experten erfolgen.
Folgende Fragen werden in diesem Artikel besprochen:
- Wie können neuronale Netze einfach erklärt werden?
- Was sind künstliche neuronale Netze und wie funktionieren diese?
- Welche Strukturen neuronaler Netze werden unterschieden (hidden Layer)?
- Warum muss ein Netzwerk erst angelernt werden?
- Wie und wo werden neuronale Netze in der Praxis eingesetzt?
Was ist ein neuronales Netz?
Bei höheren Organismen findet die Signalübertragung über Nervenzellen statt, die über Synapsen miteinander verknüpft sind. Die Vernetzung der Neuronen erfolgt nicht starr, sondern ist durch flexible Verzweigungen gekennzeichnet. Signalwege, die häufig gebraucht und verwendet werden, können verstärkt werden, wenig frequentierte Verbindungen können im Laufe der Nutzung abgeschwächt werden. Diese typische Eigenschaft wird als Lernen bezeichnet.
Eine solche Neuronenstruktur zeichnet sich damit durch folgende Eigenschaften aus:
- Neuronen als Grundeinheiten, die miteinander in verknüpft sind (Synapsen)
- Flexible Datenflüsse innerhalb des Systems
- Möglichkeit des autonomen Lernens
Künstliche neuronale Netze (KNN)
Künstliche neuronale Netze (KNN) bilden natürliche Neuronenstrukturen ab. Aus dem Bereich künstliche Intelligenz (KI) im Knowledge Discovery in Databases (KDD) synonym oft als Data Mining bezeichnet, stammt der generelle Anspruch, unbekannte Zusammenhänge aus meist sehr großen Datenbeständen (Big Data) zu entdecken. Dabei sollen die verwendeten Algorithmen maschinengetrieben, also ohne Vorgabe expliziter Ergebniserwartungen die Datenbestände analysieren.
Gerne stehen Ihnen unsere Experten hilfreich beim Erstellen neuronaler Netze zur Seite. Wir erstellen neuronale Netze nach Ihren Anforderungen, trainieren diese und überprüfen die Klassifikationsgüte. Nehmen Sie hierzu Kontakt mit uns auf! Wir freuen uns auf Ihre Fragestellung.
Das grundsätzliche Ziel dabei ist, durch die Strukturen tiefes Lernen (deep learning), also die Verarbeitung strukturierte und unstrukturierter Daten, ohne weitere vorbereitende Verarbeitungsprozesse zu ermöglichen und neues Wissen maschinengetrieben generieren zu können.
Künstliche neuronale Netze bilden biologische Neuronenstrukturen in ihren wesentlichen Strukturen nach.
Aufbau eines künstlichen neuronalen Netzes
Künstliche neuronale Netzwerke sind aus Knoten, sogenannten Neuronen aufgebaut. Dabei werden je nach Aufgabe drei Arten von Neuronen unterschieden:
- Input Neuronen: Neuronen nehmen Information auf und leiten diesen weiter. Sie befinden sich in der Eingabeschicht.
- Hidden Neuronen: Nehmen Reize auf und leiten diese weiter. Sie befinden sich im sogenannten hidden layer
- Output Neuronen: Nehmen Reize auf und geben die verarbeitete Information aus. Diese Neuronen befinden sich in der Ausgabeschicht.
Wie funktionieren neuronale Netze?
Künstliche neuronale Netze sind komplexe Systeme, die in Ihren Einzelheiten schwer überschaubar sind. Aus diesem Grund hat sich das Blackbox-Modell bewährt, das neuronale Netze einfach erklärt. Dieses Modell geht davon aus, dass sich der gesamte innere Prozess eines neuronalen Netzwerks quasi in einem Gehäuse abspielt und im Verborgenen (hidden layer) durchgeführt wird. Diese Blackbox verfügt über Regler, die der Benutzer bedient und so Einfluss auf die Verfahren im Inneren der Blackbox nehmen. Die imaginären Regler entsprechen den Gewichten des neuronalen Netzwerks.
Ausgehend von einer Information (Daten) werden diese zunächst von den Input Neuronen aufgenommen und gewichtet. Dabei hat jedes Neuron ein individuelles Gewicht. Diese gewichteten Daten werden als Reiz an alle verknüpften Neuronen im Inneren (hidden layer) weitergegeben und vor jeder erneuten Weitergabe in die nächste Schicht wiederum Neuron-individuell gewichtet. Die Gewichte werden im Laufe der Informationsübertragung auf Grundlage der Stärke und der Bedeutung des Neurons gebildet. Die Neuronen des letzten hidden Layer geben die gewichteten Reize an die Output-Neuronen weiter, und das Gesamtergebnis kann im Output-Layer dargestellt werden.
Komplexität neuronaler Netze
Die Anzahl der hidden Layer sowie die Anzahl der Neuronen bestimmen letztendlich die Komplexität eines künstlichen neuronalen Netzwerks. Durch diese beiden Parameter wird die Anzahl der Verbindungen zwischen den Neuronen festgelegt. Die Komplexität oder Tiefe eines Netzes wird als Maß für die Fähigkeit angesehen, Probleme und Fragestellungen zu lösen. Die Anzahl der verwendeten Neuronen sowie der hidden Layer ist allerdings durch die Rechenkapazität beschränkt. So werden in der Praxis häufig neuronale Netze mit ein bis drei hidden Layer verwendet.
Die Strukturen neuronaler Netze
Künstliche Neuronale Netze werden hinsichtlich Ihrer Architekturen unterschieden. Als wichtigste Vertreter neuronaler Netzwerke gelten:
Perceptron
Bei dieser ursprünglichen Struktur werden die Eingabereize innerhalb eines Neurons addiert, überprüft, ob ein festgelegter Schwellenwert überschritten wird und das Ergebnis direkt an Neuronen der output Layer weitergeleitet. Perceptrons sind die einfachste und älteste Struktur.
Feed Forward
Feed Forward Netze verfügen über mindestens eine Zwischenschicht (hidden Layer). Die Reize der Input Neuronen werden an Neuronen der hidden Layer weitergeleitet und nach der Gewichtung in der Ausgabeschicht zusammengefasst. Alle Neuronen einer Schicht sind mit allen Neuronen der nächsten Schicht verbunden. Die Informationsweiterleitung findet von Eingangsschicht zur Ausgangsschicht in einer Richtung (→ Feed Forward) statt. Bei mehr als einem hidden Layer spricht man von einem Deep Feed Forward Neural Networks.
Rekurrente neuronale Netze
Rekurrente Neuronale Netze sind prinzipiell wie Feed Forward Netze aufgebaut. Der Unterschied besteht darin, dass einige Neuronen im hidden layer die Informationen auch rückwärts in Vorgänger-Schichten weiterleiten. So entstehen Rückkopplungsmechanismen innerhalb des Systems.
Lernen, Lernen, Lernen – das Training vorab
Künstliche neuronale Netze müssen vor ihrem Einsatz angelernt werden. Durch den Lernprozess wird sichergestellt, dass am Ende möglichst zuverlässige Ergebnisse ausgegeben werden.
Dazu ist es notwendig dem System anfangs Rückmeldung zu geben, ob die Ergebnisse richtig oder falsch sind, die in der Ausgabeschicht ausgegeben werden. Beispielsweise soll ein neuronales Netz Predictive Maintenance mit TensorFlow ermöglichen oder Frakturen in Röntgenbildern identifizieren. Anfangs, unmittelbar nach der Generierung weiß das Netz nicht, welche Informationen ausgegeben werden soll und liefert ein beliebiges, meist falsches Ergebnis. Im Training erhält das künstliche neuronale Netzwerk hierzu jeweils eine Rückmeldung, ob die Ausgabe richtig oder falsch ist. Diese Rückmeldung erfolgt über die imaginären Regler des Blackbox-Modells. Um ein Netz zu trainieren oder anzulernen, muss man große Mengen von Daten verwenden, bei denen die Klassifizierung bekannt ist. Im obigen Beispiel also Röntgenbilder, bei denen die Klassifikation bereits eindeutig durch Radiologen vorgenommen wurde.
Dieses Training wird in Form von Feedback Schleifen durchgeführt, d. h. die „gelernten“ Bilder werden später erneut eingelesen mit veränderten Einstellungen und beurteilt, ob eine bessere Klassifikation erreicht werden kann. Diese Art des Lernens wird als unbeaufsichtigtes Lernen bezeichnet, da vorab kein Ergebnis vorgegeben wird. Die Anzahl der Feedbackschleifen wird als Epoche bezeichnet und gilt als Maß, wie lange das neuronale Netzwerk trainiert wurde.
Anwendungsbeispiele
Künstliche neuronale Netze werden heute in fast allen Anwendungsbereichen eingesetzt. Insbesondere bei der Verarbeitung unstrukturierter Daten haben sich neuronale Netzwerke bewährt. Neuronale Netzwerke werden beispielsweise in folgenden Bereichen angewendet:
- Spracherkennung, künstliche Stimmerzeugung
- Bilderkennung, Mustererkennung, Schrifterkennung
- Autonomes Fahren, Frühwarnsysteme
- Kaufempfehlungen im E-Commerce
- Medizinische Bildanalyse
- Prediction von Kundenverhalten
- Wettervorhersagen
Zwischenfazit
Im Wesentlichen basieren neuronale Netze auf einer Weiterreichung einer Ausgangsinformation innerhalb der hidden Layer, wobei an jedem Neuron die Information durch die Gewichtung verändert wird. Am Ende werden in der Ausgabeschicht die veränderten Informationen wieder zusammengefasst und ausgegeben. Wesentlich für die Vorhersagegüte ist die Trainingsphase des Netzwerks. Dabei werden die Einstellung der Regler bzw. Parameter optimiert.
Anwendungsbeispiel: Wie Convolutional Neural Networks (CNNs) die Effizienz von Marketingkampagnen um ein Vielfaches steigern können
Predictive Analytics bietet für Unternehmen enorme Möglichkeiten zur Optimierung der eigenen Marketingmaßnahmen. Insbesondere der Einsatz von Convolutional Neural Networks (CNNs) kann die Möglichkeiten des eigenen Marketings stark erweitern. Durch das Erlernen aktueller und vergangener Trends und Verhaltensweisen können künstliche neuronale Netzwerke und Deep Learning Verfahren Vorhersagen zu künftigen Resultaten von Marketingkampagnen treffen.
Nutzen auch sie Convolutional Neural Networks um Erkenntnisse um fundierte Marketingentscheidungen für mehr Unternehmenswachstum und Umsatz zu treffen! Unsere Experten beraten Sie gerne bei der Umsetzung und Auswahl der für Ihr Unternehmen erforderlichen Analyse-Tools.
Convolutional Neural Networks (CNN) und Marketing
Neuronale Netze stellen lernende Systeme dar, die ihre Funktion im Laufe der Zeit stetig verbessern. Convolutional Neural Networks kann man beispielsweise effektiv dazu nutzen, um potenzielle Kunden in verschiedene Zielgruppen zu unterteilen. Unter Zuhilfenahme von neuronalen Netzwerken kann man Kundendaten basierend auf Gemeinsamkeiten wie z.B. Demografie oder Standort segmentieren. Neuronale Netzwerke kann man außerdem dazu verwenden, noch prägnantere Segmente zu erstellen, die auf sehr detaillierten Grundlagen, wie dem individuellen Kaufverhalten oder Reaktionen auf Marketinginhalten basieren, wie beispielsweise dem Herunterladen eines bestimmten E-Books oder der Anmeldung für einen Newsletter.
Unsere Experten haben umfassende Erfahrungen zu allen Anwendungen des Data Mining und Predictive Analytics. Novustat berät Sie gerne zur Umsetzung Ihres eigenen Predictive Analytics Projekts. Kontaktieren Sie uns für eine unverbindliche Erstberatung!
Für das Marketing ist es wichtig zu wissen, ob Kunden positiv auf ein Produkt oder eine Dienstleistung reagieren. Die Reaktion von Kunden wird dabei durch viele Faktoren und Trends beeinflusst, wie beispielsweise den sozio-ökonomischen Status, den geografischen Standort oder die demografische Faktoren. Andere wichtige Einflussfaktoren sind individuelle Emotionen und die Haltung gegenüber bestimmten Produkten und Dienstleistungen. Für die Ermittlung dieser Einflussfaktoren sind traditionelle Algorithmen in der Regel nicht geeignet. Mithilfe von Künstlicher Intelligenz und dem Einsatz von CNN und Deep Learning Verfahren kann die Kundensegmentierung und das Micro-Targeting viel effektiver durchgeführt werden.
Ein typisches Anwendungsbeispiel für Convultional Neural Networks ist die Optimierung von Direktmailing-Kampagne. Ein neurales Netzwerk kann hierzu Daten analysieren wie beispielsweise das zuletzt von Kunden gekaufte Produkt, das Datum des ersten Produktkaufs oder die Zeit zwischen der Veröffentlichung eines neuen Produkts und dem Kauf des Produkts vergangen ist. Durch die Analyse der mit jedem dieser Käufe verbundenen Verhaltensmuster kann ein Convolutional Neural Network für jeden Nutzer die Wahrscheinlichkeit einschätzen, mit der eine Werbe-Mail geöffnet wird. Mit diesen Verfahren kann man die Antwortrate für E-Mail-Marketing oft bedeutend steigern.
Wie funktioniert ein Convolutional Neural Network eigentlich?
Ein neuronales Netzwerk besteht aus Hunderten, Tausenden oder Millionen von Neuronen, die als Einheiten bezeichnet werden und über drei miteinander verbundene Layer verfügen. Diese Layer bestehen aus Convolutional Input-Layern (Eingabeschicht), die Informationen von einer externen Quelle empfangen, die das Convolutional Neural Network verarbeiten und „erlernen“ muss. Zudem existieren Output-Layer (Ausgabeschicht), die eine Antwort auf die vom Netzwerk verarbeiteten Informationen ausgeben. Zusätzlich verfügen neuronale Netzwerke über hidden Layer, die sich zwischen Input- und Output-Layern befinden.
Convolutional Neural Networks „lernen“ mithilfe eines Backpropagation-Algorithmus. Dabei vergleichen sie einen tatsächlichen Output mit einem erwarteten Output und korrigieren sich ggf. selbst. Somit wird dann die Fehlerquote zwischen dem tatsächlichen und dem erwarteten Output verringert. Sobald der Punkt erreicht wird, an dem ein Convolutional Neural Network mit den momentanen Daten nicht weiter verbessert werden kann, kann es mit einem neuen Datensatz versorgt werden. Nach einem weiteren Durchlauf ist zu erwarten, dass der Output genauer ist und eher dem erwarteten Output entspricht. Die Architektur eines neuronalen Netzwerks ist dabei von biologischen Neuronen im menschlichen Körper inspiriert. Diese können mithilfe einer Aktivierungsfunktion ein- und ausgeschaltet werden. Wie bei herkömmlichen Maschinenalgorithmen gibt es auch hier bestimmte Werte, die neuronale Netze in der Trainingsphase „erlernen“.
In der Regel setzt man Convolutional Neural Networks häufig für die Bilderkennung ein. Dieses Verfahren kann man aber auch dazu nutzen, um Schlüsselwörter zu erkennen, die Nutzer in Suchmaschinen oder auf Webseiten eingeben. Zudem gibt es Einsatzmöglichkeiten im Bereich Customer Analytics. So ist es beispielsweise möglich, die Customer Journey von Kunden auf Unternehmenswebseiten oder Trends im Internet mit Hilfe von Convolutional Neural Networks zu verfolgen.
Convolutional Neural Networks (CNNs) und Deep Learning für das Marketing einsetzen
Convolutional Neural Networks stellen eine wertvolle Ressource für das Marketing dar. Denn CNNs können die zukünftige Ergebnisse von Marketingkampagnen abschätzen und Trends am Markt erkennen. Durch den Einsatz von Convolutional Neural Networks kann ein Unternehmen Predictive Analytics schneller und effektiver durchführen und somit seinen Erfolg langfristig sichern.
Weiterführende Quellen zu CNN & Deep Learning
Aggarwal: Neural Networks and Deep Learning
Gentsch: Künstliche Intelligenz für Sales, Marketing und Service