Rosenblatt konnte nachweisen, dass sein Netz namens „Perceptron“ bereits einfache logische Operationen mit Verknüpfungen wie AND, OR oder NOT ausführen konnte. 

Rosenblatts „Perceptron“ war der Urtyp der heute verbreiteten künstlichen neuronalen Netze (KNN), auf denen fast alle aktuellen KI-Anwendungen basieren. In solchen KNNs sind die Neuronen in mehreren Schichten angeordnet. Es gibt eine Eingabe- und eine Ausgabeschicht, dazwischen liegen weitere Schichten zur Feinverarbeitung der Informationen. Je mehr Zwischenschichten es gibt, umso größer werden die Leistungen. Sogenannte Deep Networks verfügen über sehr viele Zwischen­schichten.

In der Frühzeit der KI brach zwischen den KI-Pionieren zunächst ein Streit aus. Marvin Minsky und Kollegen wiesen mathematisch nach, dass es entweder „unmöglich“ sei oder „unendlich lange“ dauern würde, solch ein KNN zu programmieren. In der Folge wurden Forschungsgelder gestrichen, und Minskys Expertensysteme beherrschten die damalige KI-Szene – allerdings mit bescheidenen Erfolgen.

Wissenschaft ist Teamwork. Cordelia Schmid hat viele ihrer Arbeiten mit Mitarbeiter:innen und Kolleg:innen veröffentlicht.

---

Künstliche neuronale Netze lernen durch Training

Einen ersten Durchbruch erzielten KNNs in den 1980er Jahren: KI-Forscher:innen lösten die Probleme, indem sie KNNs nicht programmierten, sondern mit Trainingsdaten fütterten. Die Netze konnten beispielsweise darauf trainiert werden, Bilder von Äpfeln und Birnen zu unterscheiden. Dazu wird die Eingabeschicht mit einer Kamera verbunden. Ziel ist, dass die Ausgabeschicht passende inhaltliche Bildbeschreibungen liefert, also „Apfel“ oder „Birne“ ausgibt – zum Beispiel als Text auf einem Monitor. Am Anfang sind die Gewichte in den KNN-Schichten auf Zufallswerte eingestellt. Deshalb macht das KNN zunächst viele Fehler, gibt also „Apfel“ aus, obwohl eine Birne gezeigt wurde. Zur Korrektur dieser Fehler teilen menschliche Trainer:innen dem Netz in jedem Einzelfall mit, ob es richtig oder falsch gelegen hat.* Auf diese Weise­ „lernt“ das KNN, die Gewichte in allen seinen Schichten immer feiner in Richtung der Wunschergebnisse einzustellen. Die Fehler werden dabei intern von der Ausgabeschicht zur Eingabeschicht zurückgemeldet. Wenn das KNN ausreichend trainiert ist, kann es anschließend auch auf neuen Bildern von Äpfeln oder Birnen, die es zuvor noch nie gesehen hat, die beiden Früchte mit hoher ­Trefferquote klassifizieren.

* In modernen KNNs werden für das Training „annotierte“ Trainingsdaten verwendet, in denen die korrekte Klassifizierung – zunächst verborgen – vorgespeichert ist. Damit lässt sich das Training automatisieren.

Ein Glas greifen: Was Menschen leichtfällt, müssen Roboter mühsam erlernen.

Drückt die Roboterhand zu stark, geht das Glas kaputt. Drückt sie zu schwach, kann es entgleiten.