KI und HR: Künstliche Intelligenz im Personalwesen / 1.3 Neuronale Netze

Für das maschinelle Lernen werden häufig sog. neuronale Netze ("neural networks") verwendet. Sie werden so genannt, weil sie in ihrer Funktionsweise das menschliche Gehirn imitieren. Wie auch im menschlichen Gehirn sind unzählige Neuronen durch Kanäle miteinander verbunden, die zusammenwirken, Informationen verarbeiten und hieraus ein Ergebnis produzieren, das nicht Schritt für Schritt nachvollzogen werden kann ("black box"). Bei einem künstlichen neuronalen Netzwerk sind diese Neuronen und Verbindungen im Prinzip unterschiedliche mathematische Formeln, welche einzelne oder mehrere Eingabedaten verarbeiten.

Praxis-Beispiel

Ermittlung des Marktwerts einer Eigentumswohnung

Nehmen wir z. B. ein stark vereinfachtes neuronales Netzwerk, das den Marktwert einer Eigentumswohnung ermitteln soll. Es wurde anhand zahlreicher Beispiele mit den Merkmalen Größe, Innenstadtlage und Baujahr trainiert. In einem neuronalen Netz würde diesen Merkmalen nicht etwa statisch eine Punktzahl zugewiesen werden (je mehr Innenstadt, desto teurer die Wohnung). Die Verbindung, die zum Neuron "Innenstadtlage" führt, hätte "gelernt", dass die Relevanz der Innenstadtlage für den Gesamtpreis nicht linear abfällt, wenn man sich vom Stadtkern entfernt. Darüber hinaus wären auch alle anderen Merkmale (z. B. die Größe) mit dem Neuron "Innenstadtlage" verbunden. Das heißt: Nimmt die Größe der Wohnung ab oder unterschreitet einen bestimmten Schwellenwert, beeinflusst dies auch das Neuron "Innenstadtlage". Dieses gibt dann einen entsprechend niedrigeren Wert an andere Neuronen weiter. Die KI könnte so z. B. "gelernt" haben, dass eine Wohnung kleiner als 13 m² regelmäßig Verkaufspreise unter 20.000 EUR erzielt. Die "neuronalen Verbindungen", die von dem Wert "Größe 13 m²" ausgehen, würden dann nur einen verschwindend geringen Wert an alle anderen Neuronen (Innenstadtlage, Baujahr) weitergeben, die hierdurch an Gewicht verlieren und auf diese Weise das Gesamtergebnis beeinflussen.

Diese mathematische Architektur stellt sicher, dass eine Vielzahl von Merkmalen miteinander verbunden ist und sich gegenseitig beeinflusst. Die Entwickler können in die Gewichtung bestimmter Merkmale eingreifen und somit das neuronale Netz in gewissen Grenzen manuell "nachjustieren", also z. B. bestimmte Merkmale ignorieren oder besonders hervorheben.

In der Praxis können neuronale Netzwerke nicht wie im Beispiel aus drei, sondern aus Millionen oder Milliarden solcher Neuronen bestehen.

Das Takeaway: Durch die Komplexität dieses Verfahrens ist i. d. R. nicht ohne Weiteres nachvollziehbar, wie ein Ergebnis konkret zustande gekommen ist und welche Kriterien die KI, wann und wie gewichtet hat. Besteht das neuronale Netz aus mehreren Schichten von künstlichen Neuronen, spricht man von tiefem neuronalem Lernen ("deep learning"). Je tiefer das neuronale Netz ist, desto komplexer, undurchsichtiger und schwieriger ist es, die Ergebnisse zu interpretieren und desto mehr Daten werden für das Training benötigt.