Aufmacher

(Bild: Brainchip)

Der Einsatz von Systemen für Künstliche Intelligenz und maschinelles Lernen nimmt rapide zu. Sie ermöglichen unter anderem auch kommende Aufgaben wie die Verarbeitung natürlicher Sprache und Bildklassifizierung sowie Steuerungssysteme für autonome Fahrzeuge.

Bild 1: Die erfolgreichste und am weitesten verbreitete Technik für maschinelles Lernen ist der Einsatz künstlicher neuronaler Netze.

Bild 1: Die erfolgreichste und am weitesten verbreitete Technik für maschinelles Lernen ist der Einsatz künstlicher neuronaler Netze. Brainchip

Maschinelles Lernen (Bild 1) beschreibt Systeme, die die richtige Antwort einfach durch das Analysieren vieler Beispieldaten lernen können, ohne explizit für die Ausführung bestimmter Aufgaben programmiert zu sein. Es gibt verschiedene Ansätze für das maschinelle Lernen: Entscheidungsbaumlernen, induktive Logikprogrammierung und das Erlernen von Assoziationsregeln. Aber die wohl erfolgreichste und am meisten verbreitete Technik ist der Einsatz künstlicher neuronaler Netze (KNN).

Funktionsweise künstlicher neuronaler Netze

KNN emulieren die Funktion von Neuronen in der Biologie, wie zum Beispiel dem menschlichen Gehirn, und bilden ein Netzwerk miteinander verbundener künstlicher Neuronen. Jedes künstliche Neuron weist eine oder mehrere Eingaben auf und erzeugt eine Ausgabe, die eine nichtlineare Funktion auf die Eingaben anwendet. Das Trainieren neuronaler Netze beruht auf einer Technik, die als „Backpropagation“ (Rückführung) bezeichnet wird und die Gewichtung der Neuronenfunktionen anpasst, bis sie die korrekten Ergebnisse liefert.

KNN erweisen sich bei zahlreichen Aufgaben als äußerst effektiv, insbesondere bei solchen, die eine Mustererkennung umfassen, wie beispielsweise bei der Bildverarbeitung, Spracherkennung oder einer medizinischen Diagnose aufgrund von Symptomen oder Scans.

Für KNN ergeben sich somit Anwendungen, mit denen sich aktuelle Herausforderungen bewältigen lassen, wie etwa Cybersicherheit. KI lässt sich skalieren, sodass ein Algorithmus replizierbar ist, um die Produktivität der Mitarbeiter zu steigern – so als ließe sich der beste Mitarbeiter klonen. Warum ist das wichtig? Weil die Bedrohung durch Cyber-Attacken mit der gleichen Geschwindigkeit voranschreitet.

Künstliche Intelligenz als Verteidigungsstrategie

Eck-Daten

Gepulste neuronale Netzwerke (SNN, Spiking Neural Networks) sind eine Art neuronaler Modelle, die ihr biologisches Pendant genauer nachahmen als herkömmliche Ansätze des neuromorphen Computings. SNNs arbeiten ereignisgesteuert, was sich besonders positiv auf ihre Energieeffizienz auswirkt. Damit sind sie in der Lage, in ihrer technologischen Umsetzung, wie zum Beispiel beim neuromorphen SoC Akida von Brainchip, mit den Anforderungen hinsichtlich Energieverbrauch und Portabilität für den Einsatz im Feld mitzuhalten. Mit der Erkennung und Abwehr von Cyberangriffen und der Mustererkennung im Finanzsektor beschreibt der Beitrag zwei der prädestinierten Einsatzgebiete des neuromorphen Computings im Detail.

Die vielleicht am häufigsten stattfindende Attacke von Cyberkriminellen ist der DDoS-Angriff (Distributed Denial of Service), bei dem es sich mehr oder weniger um einen Datenschlauch handelt, der auf einen bestimmten Server (oder Dienst) gerichtet ist. Es ist durchaus vorstellbar, dass diese Flut von Attacken größer wird und sich auf ganze Konzerne, Länder oder sogar Kontinente richtet. Der einzige realistische Weg, sich gegen einen automatisierten Angriff zu verteidigen, ist die Verwendung einer automatisierten Verteidigungsstrategie – und diese Verteidigung ist die KI.

Das schiere Ausmaß des Netzwerkverkehrs ist in diesem Szenario nur ein Teil der Herausforderung; der andere ist die Tatsache, dass der Datenverkehr meist verschlüsselt ist. KI kann jedoch lernen, Muster selbst in verschlüsselten Paketen zu identifizieren, die zeitgleich auf bösartige oder ungewöhnliche Nutzdaten innerhalb des Datenverkehrs hinweisen könnten. Dieser „Feuer-mit-Feuer-bekämpfen“-Ansatz für die Cybersicherheit wird das Spielfeld für KI-fähige Systeme sein, und der Kampf wird in naher Zukunft rund um die Uhr ausgetragen – allerdings lernen die neuronalen Netze mit jedem untersuchten Paket dazu, um somit die Verteidigungsstrategie zu verbessern.

Bild 2: Künstliche Intelligenz hat gute Aussichten, sich in den nächsten zehn Jahren zu einem 60-Milliarden-Dollar-Markt zu entwickeln. Obwohl das Lernen bei KI sehr wichtig ist, hat wird die Inferenz den größten Marktanteil ausmachen.

Bild 2: Künstliche Intelligenz hat gute Aussichten, sich in den nächsten zehn Jahren zu einem 60-Milliarden-Dollar-Markt zu entwickeln. Obwohl das Lernen bei KI sehr wichtig ist, wird die Inferenz den größten Marktanteil ausmachen. Brainchip

Diese Lernfähigkeit (Bild 2) kommt auch für die Technologien im Finanzsektor und in der Finanzdienstleistungsbranche (Fintechs) zum Einsatz. Erhält der Kunde beispielsweise einen Anruf von der Bank, nachdem er einen Spontankauf über seine Kreditkarte getätigt hat – insbesondere wenn er sich zum Transaktionszeitpunkt im Ausland befand – ist die Wahrscheinlichkeit groß, dass eine Fintech-Anwendung sein Verhalten als ungewöhnlich gekennzeichnet hat. Fintechs setzen zunehmend KI ein, um solche Entscheidungen schneller und zuverlässiger zu treffen. Dies ist nur ein Beispiel, wie KI die Fintech-Branche vorantreibt – ein Technologiesektor, der Investoren und Risikokapitalgeber verzückt.

 

Wie Künstliche Intelligenz bei der Mustererkennung im Finanzsektor zum Einsatz kommt erläutert der Beitrag auf der nächsten Seite.

Mustererkennung im Finanzsektor

Da es bei KI hauptsächlich um die Mustererkennung geht, können deren Vorteile überall dort punkten, wo Muster existieren, einschließlich Investitionen. KI wird künftig eine größere Rolle bei der Art und Weise spielen, wie Privat- und Unternehmensinvestoren agieren – von der Entwicklung von Aktienkursen und Empfehlungen, bis hin zum Wissen, wie risikobereit Kunden sind. Dies wird über Investitionsempfehlungen hinausgehen und die tatsächliche Ausführung von Kauf- und Verkaufsanweisungen beinhalten.

Muster existieren in jedem Aspekt einer Finanzinstitution – nicht nur in der Art der Geldverwaltung, sondern auch als physische Muster, die Individuen aufweisen. Mit KI geschieht die Bekämpfung von Betrug, indem der Besitzer einer Kreditkarte vor der Genehmigung einer Transaktion physisch identifiziert wird – was mit herkömmlichen Geldinstrumenten nicht möglich ist. In ähnlicher Weise gestaltet sich perspektivisch die Art der legitimen Kreditkartennutzung erkennbar und folglich vorhersehbar.

Neuromorphes Computing

In den letzten Jahrzehnten wurden neuronale Netze weitgehend in Software umgesetzt, die als Modell auf universellen Prozessoren ausgeführt wird. Die Software emuliert die Art und Weise, wie jedes einzelne Neuron funktioniert, sowie die Verbindungen zwischen ihnen, die ihr kollektives Verhalten steuern. Dies ist ausreichend, sofern es um die Ausführung eines umfangreichen neuronalen Verarbeitungsauftrags für Daten geht, die gesammelt und auf eine der wichtigsten Cloud-Plattformen oder ein Rechenzentrum mit Servern hochgeladen werden. Viele reelle Anwendungen erfordern jedoch die Verarbeitung am Punkt des Geschehens, sodass die Anwendung tragbar sein müsste oder zumindest kein Rack voller Server erforderlich ist.

Das Problem ist, dass viele kleine Geräte, wie beispielsweise Smartphones, einfach nicht die Rechenleistung oder den Speicherplatz bieten, um neuronale Netze der Größe und Komplexität zu betreiben, wie sie für viele Aufgaben erforderlich wären. Aus diesem Grund laden Anwendungen wie der virtuelle Siri-Assistent von Apple Sprachdaten in die Cloud zur weiteren Verarbeitung hoch.

Neuromorphes Computing, das auf neuronale Netze zurückgreift und versucht, die Funktion biologischer Neuronen genauer zu simulieren, ist ein anderer Ansatz. Bestehende neuronale Netze haben sich zu komplexen Strukturen mit vielen spezialisierten Ebenen entwickelt, die sich über alles hinaus entwickelt haben, was in der Natur existiert. Die künstlichen Neuronen selbst geben jedoch einen konstanten Wert aus. Diese Funktionsweise weicht von dem ab, was in der biologischen Welt geschieht. Der Wert ist wirklich künstlich.

 

Gepulste neuronale Netze ahmen das menschliche Gehirn genauer nach als reguläre neuronale Netze. Mehr Details dazu finden Sie auf der folgenden Seite.

Gepulste neuronale Netzwerke

Bild 3: In gepulsten neuronalen Netzwerken kommunizieren Neuronen über eine Reihe von Impulsen, wobei Informationen sowohl in der Pulsrate als auch im präzisen Timing codiert sind.

Bild 3: In gepulsten neuronalen Netzwerken kommunizieren Neuronen über eine Reihe von Impulsen, wobei Informationen sowohl in der Pulsrate als auch im präzisen Timing codiert sind. Brainchip

Einer der vielversprechendsten neuromorphen Computing-Ansätze verwendet eine Art eines neuronalen Modells, das als gepulstes neuronales Netzwerk (SNN, Spiking Neural Network) bekannt ist und dessen biologisches Pendant genauer nachahmt. In einem SNN (Bild 3) kommunizieren Neuronen über eine Reihe von Pulsen, wobei die Information nicht nur in der Pulsrate codiert wird, sondern auch in ihrem präzisen Timing.

Zwischen SNNs und regulären neuronalen Netzen bestehen einige Unterschiede, unter anderem die Geschwindigkeit, mit der sich Informationen verarbeiten lassen, da sie ereignisgesteuert arbeiten. Dies wirkt sich auf die Energieeffizienz aus, da ein Neuron nur aktiviert ist, wenn es durch ein Ereignis ausgelöst wird, anstatt synchron mit allen anderen Neuronen zu arbeiten.

Diese Vorteile machen SNNs zu einem guten Kandidaten für die Hardware-Integration, anstatt in Software emuliert zu werden. Die kognitive Leistungsfähigkeit neuronaler Netze kann damit mit der Energieeffizienz und Portabilität mithalten, die für den Einsatz im Feld erforderlich ist. Durch Reduzierung der Leistung eines neuronalen Netzes auf einen einzigen Halbleiterchip lassen diese Lern- und Mustererkennungstechniken künftig in wesentlich mehr Systeme integrieren – von Robotern bis zu Handheld-Geräten wie Tablets oder sogar Smartphones, was völlig neue Möglichkeit im Feld eröffnet.

Bild 4: Neuromorphe SoCs wie der Akida von Brainchip versetzen Geräte in die Lage, unabhängig von Netzversorgung und Cloud-Anbindung ihre Rechenfähigkeiten bereitzustellen.

Bild 4: Neuromorphe SoCs wie der Akida von Brainchip versetzen Geräte in die Lage, unabhängig von Netzversorgung und Cloud-Anbindung ihre Rechenfähigkeiten bereitzustellen. Brainchip

Derartige neuromorphe Prozessoren, wie beispielsweise das neuromorphe SoC (NSoC) Akida (Bild 4), könnten zu einer neuen Art von Mobilgeräten und Sensoren führen, die in der Lage sind, intelligent und unabhängig zu arbeiten, ohne eine Netzspannungsversorgung oder Netzwerkverbindung zur Cloud zu benötigen, um ihre Rechenfähigkeiten bereitzustellen.

 

Das Konzept der Spiking Neural Networks und das Akida-NSoC wird Brainchip auf dem Industrie Elektronik Kongress 2019 im Detail vorstellen. Mehr Einzelheiten zum Kongress finden Sie unter diesem Link.

Robert Beachler

(Bild: Brainchip)

SVP, Marketing and Business Development bei Brainchip

(na)

Sie möchten gerne weiterlesen?