Neue Ansätze aus der KI-Forschung zeigen, dass kleinere neuronale Netze beim Lösen bestimmter Aufgaben effizienter und zuverlässiger sind.

Ein Forschungsteam der TU Wien, des IST Austria und des MIT (USA) hat eine neue Art künstlicher Intelligenz entwickelt, die sich an biologischen Vorbildern orientiert, etwa an einfachen Fadenwürmern. Das neue AI-Modell kann ein Fahrzeug steuern, mit einer verblüffend kleinen Zahl an künstlichen Neuronen. Das System hat entscheidende Vorteile gegenüber bisherigen Deep-Learning-Modellen: Es kommt mit unsauberen Eingabedaten viel besser zurecht und aufgrund seiner Einfachheit kann man seine Funktionsweise im Detail erklären.

»Die Natur zeigt uns, dass man in der künstlichen Intelligenz noch vieles verbessern kann«, sagt Daniela Rus, Direktorin des Computer Science and Artificial Intelligence Laboratory (CSAIL) am MIT. »Daher war es unser Ziel, die Komplexität massiv zu reduzieren, und die Interpretierbarkeit des neuronalen Netzes zu verbessern.«

Als erste Anwendung für das selbstlernende künstliche Nervennetzwerk wählte das Team das Spurhalten beim autonomen Fahren. Das neuronale Netz bekommt als Input ein Kamerabild der Straße und soll daraus automatisch entscheiden, ob das Fahrzeug nach rechts oder nach links lenken muss. Wie der Test mit einem echten autonomen Fahrzeug zeigte, kann das System mit Störungen im Sichtfeld erheblich besser umgehen als herkömmliche Steuerungen.

»Wir haben gesehen, dass sich die Rolle jeder einzelnen Zelle bei jeder einzelnen Entscheidung identifizieren lässt. Wir können die Funktion der Zellen verstehen und ihr Verhalten erklären«, sagt Ramin Hasani, Postdoc an der TU Wien. »Dieses Maß an Interpretierbarkeit ist in größeren Deep-Learning-Modellen unmöglich.«