In welchen Fällen werden neuronale Netzwerke nicht verwendet?

3 min read

In welchen Fällen werden neuronale Netzwerke nicht verwendet?

Neuronale Netzwerke sind außergewöhnlich und echt cool. In letzter Zeit haben sie bei vielen Aufgaben hochmoderne Leistung erbracht, waren bei der Lösung vieler Probleme des tiefen Lernens vielversprechend und sind also die Hauptantriebskraft für tiefes Lernen.

Aber haben Sie irgendwann darüber nachgedacht, warum sie in der Regel so gut funktionieren und in welchen Fällen sie nicht verwendet werden sollten? Als guter Datenwissenschaftler/Machine Learning Engineer ist es Ihre Pflicht, genau zu wissen, über welches Arsenal Sie verfügen, und wann welche Waffe eingesetzt werden sollte, um die maximale Leistung zu erzielen.

Die drei Hauptgründe, die in letzten Jahren zum großen Rummel um neuronale Netzwerke führten, sind – Daten, Algorithmen (aufgrund der Hintons Rückpropagation, die von fast jedem neuronalen Netzwerk eingesetzt wird) und Rechenleistung.

Je mehr Daten einem neuronalen Netzwerk zugeführt werden, desto bessere Leistung erzielt es mit der Zeit.

Dank der Herstellung einer Menge leistungsfähiger Hardware verdoppelt sich die Rechenleistung alle zwei Jahre. Auf diese Art wird die Verarbeitung von vielen in letzter Zeit gesammelten Daten vereinfacht. Nvidia ist einer der größten Entwickler der Grafikprozessoren. Jetzt ist auch Google in diesen Bereich vorgedrungen, indem es TPUs (spezialisierte ASICs für tiefes Lernen) entwickelt hat. Ihre Aufgabe ist es, das Trainieren von Netzwerken des tiefen Lernens zu erleichtern und so viel Rechenleistung zu erfordern.

Wenn man schon über Algorithmen spricht, so war Backpropagation die Hauptantriebskraft hinter der Großartigkeit, die diese neuronalen Netzwerke gegeben haben, und ist neuerdings nur wegen der großen Datenmenge und Rechenleistung bekannt.

Der Hauptvorteil der neuronalen Netzwerke besteht in der Fähigkeit, fast alle traditionellen Algorithmen des maschinellen Lernens zu übertreffen, aber wie alle anderen haben sie auch gewisse Nachteile.

Voraussichtlich wird ein neuronales Netzwerk eingesetzt, wenn große Datenmengen (und natürlich Rechenleistung) vorhanden sind und die Genauigkeit am wichtigsten ist. Wie beispielsweise bei der Krebserkennung. Man kann hier nicht mit Genauigkeit spielen, wenn man dies für aktuelle medizinische Anwendungen verwenden will.

Betrachten wir die Nachteile der neuronalen Netzwerke in Detail:

1. Oft schweres Interpretieren

Meistens liefert ein neuronales Netzwerk gute Ergebnisse, wenn es für das richtige Problem eingesetzt wird. Wenn es jedoch nicht gut funktioniert, ist es ziemlich schwierig, die Gründe dafür zu finden, besonders betrifft dies tiefe neuronale Netzwerke, was oft der Fall sein wird. Wenn beispielsweise die Art des Krebses vorhergesagt werden soll und die Ausgabe bösartig erwartet wird, aber stattdessen gutartig erhalten wurde, ist es eine sehr schwierige Aufgabe, herauszufinden, warum das neuronale Netzwerk eine solche Eingabe geliefert hat, verglichen mit einem traditionellen Algorithmus des maschinellen Lernens wie ein Entscheidungsbaum, bei dem das Interpretieren viel einfacher durchgeführt wird.

Beispiel: In der Regel setzen Banken neuronale Netzwerke nicht ein, um die Kreditwürdigkeit vorherzusagen, da sie ihren Kunden erklären müssen, warum sie sich geweigert haben, ihnen einen Kredit zu gewähren.

Kurze Zusammenfassung: Neuronale Netzwerke sind höchstwahrscheinlich nicht die beste Wahl, wenn man das Geschehen erklären muss. Man kann nicht einfach eine Entscheidung treffen, nur, weil der Computer dies gesagt hat.

2. Es werden große Datenmengen benötigt

Selbstverständlich hat man dies kommen sehen! Neuronale Netzwerke erfordern größere Datenmengen als traditionelle Algorithmen des maschinellen Lernens, um gut zu funktionieren. Oft ist man gezwungen, mit einem neuronalen Netzwerk zu kämpfen, wenn kleine Datenmengen oder nicht so viele Daten zur Verfügung stehen, die man manchmal nicht hat. Beispielsweise ist der naive Bayes-Klassifikator für die Arbeit mit wenigen Daten sehr gut geeignet.

3. Großer Zeitaufwand zur Entwicklung

Worum geht es eigentlich dabei? Wie bekannt kann das Prototyping eines Modells des neuronalen Netzwerkes in wenigen Minuten mithilfe hochentwickelter APIs wie Keras sehr einfach durchgeführt werden. Dies passiert aber nicht immer (tatsächlich ist dies nie der Fall, wenn an einem großen Projekt gearbeitet wird). Obwohl Keras für schnelles Prototyping wirklich gut ist, hat er leider auch einige Nachteile. Er ist kein guter Konkurrent, wenn viele kundenspezifischen Anpassungen benötigt werden. Zur Rettung kommt dann Tensorflow, das viel bessere Optionen zum Anpassen von Dingen an die Kundenbedürfnisse bietet, sodass man wirklich erneut darüber nachdenken sollte, ob es sich lohnt, ein kundenspezifisches Modell des neuronalen Netzwerks (um das Problem gut zu lösen) aufzubauen, oder man mit einem traditionellen Algorithmus des maschinellen Lernens umgehen kann.

4. Großer Zeitaufwand in der Trainingsphase

Kommen solche Memes bekannt vor?

Ein neuronales Netzwerk benötigt viel mehr Zeit zum Training als ein traditioneller Algorithmus des maschinellen Lernens, darüber hinaus hat man nicht immer die Rechenleistung. Selbst wenn dies gemacht wird, gibt es manchmal keine Zeit, so lange zu warten und zu entscheiden, ob sich das Warten lohnt oder nicht. Obwohl dies wirklich von der Architektur des neuronalen Netzwerks (in der Regel wie tief es ist) und von der Größe der Daten abhängt, dauert es meistens ziemlich lange, es zu trainieren.

Zusammenfassung

Obwohl neuronale Netzwerke fast jeden traditionellen Algorithmus des maschinellen Lernens übertreffen können, haben sie aber einige eigene Nachteile. Wenn ein ML-Problem gelöst werden muss, sollte der Algorithmus weise und mit dem Gefühl „Man weiß, was man tut“ ausgewählt werden.

Möchten Sie Ihre Kenntnisse im Bereich des maschinellen Lernens erweitern und mehr darüber erfahren, wann neuronale Netzwerke nicht verwendet werden sollten, so können Sie sich an das Team von AI-United.de per Mail oder Q&A wenden.

Quelle

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.