Netz, neuronales

09. Januar 2021 N 0

Netz, neuronales (neural network), vom Neutronennetz des menschlichen Gehirns abgeleitetes Modell, um dessen Funktionsweise besser zu verstehen (→Neurophysiologie). Zugleich dient es als künstliches neuronales Netz zur Lösung konkreter Anwendungsprobleme in der Statistik, Wirtschaftswissenschaft und Technik. Neuronale Netze zeichnen sich durch ihre Lernfähigkeit aus. Sie können eine Aufgabe anhand von Trainingsbeispielen erlernen, ohne dazu programmiert werden zu müssen. Weitere Vorteile sind die hohe Parallelität bei der Informationsverarbeitung, die hohe Fehlertoleranz und die verteilte Wissensrepräsentation.

Beispiel: Die automatische Bestimmung der ersten und zweiten ventilatorischen Schwelle aus dem kardiopulmonalen Belastungstest war für die klinische Praxis nicht ausreichend objektiv. Deshalb wurden 1245 Testergebnisse zum Trainieren und Testen eines Algorithmus für maschinelles Lernen (Faltungsneuronales Netzwerk) verwendet. Das System mit kollektiver Intelligenz war dem Expertenurteil überlegen (Zignoli et al. 2021).

In der Trainingswissenschaft werden Analysen biomechanischer Prozesse (Bewegungen) oder strategischer Prozesse (Spielverhalten) oftmals von einer kaum noch fassbaren Datenfülle begleitet. Mit dem Netzansatz können aus dieser unüberschaubaren Menge komplexer Daten die relevanten Informationen herausgefiltert und bewertet werden. „Insbesondere können so u. a. auch die z. T. subtilen Differenzen motorischer Muster in inter- und intraindividuellen vergleichenden Analysen verdeutlicht werden. Auf diese Weise gelingt es, Bewegungsmuster oder Verhaltensmuster zu erkennen, ihre Wirksamkeit besser einzuschätzen und die so erhaltene Information optimierend in das Training zurückzuführen.“ (Perl 2006). So zeigten Untersuchungen zum Zusammenhang von Wettkampfleistung und Trainingsinput mittels neuronaler Netze am Beispiel einer Weltklasseschwimmerin, dass sie zur Modellierung und Prognose von Wettkampfleistung geeignet sind und klassischen statistischen Verfahren überlegen sein dürften (Edelmann-Nusser u.a. 2006). In einer anderen Studie im Schwimmen wird die Trainingsanpassung mit Hilfe  von Künstlichen Neuronalen Netzwerken modelliert (Carrard et al. 2020). Auch zur Vorhersage der Startleistung im Rückenschwimmen waren Künstliche neuronale Netze dem linearen Modell überlegen (de Jesus et al. 2018). Bislang wurden in der KLD im Schwimmen in der Regel nur qualitative Bewertungen der Bewegungsabläufe (Expertenurteile) durchgeführt, weil quantitative Analysen aktuell immer noch mit einem großen personellen Aufwand verbunden sind. Nun erfasst eine vollautomatische Videoanalyse („maschinelles Sehen“) die zyklischen Strukturen und bestimmt daraus kinematische Parameter für eine biomechanische Analyse (Lienhart et al. 2018).

Exkurs: Wie so häufig ist die Einführung neuer Methoden und Verfahren von einer gewissen Euphorie begleitet. So verbinden sich auch mit der Methode der neuronalen Netze große Erwartungen. Diese werden auch weitgehend erfüllt, wo gewaltige Datenmengen nach bestimmten Mustern zu durchforsten sind (Mundt et al. 2020). Computer erkennen Hautkrebs oder überwachen EKG-Werte von Herzpatienten zuverlässiger als der Arzt, den sie damit entlasten, aber nicht ersetzen. „Das neuronale Netzt perfektioniert sich stets nur für eine einzige, eng umgrenze Aufgabe. Für die nächste beginnt es wieder von vorn, bei null. Die Lernmaschine erobert nur eine Sackgasse nach der anderen“ (M. Dworschak. Dumm wie ein Sieb. SPIEGEL, 2/18104-106)

„Wir feiern zwar Erfolge (in der Bilderkennung), reden aber kaum über die Fehler. Es bleiben viele Herausforderungen, die mit der Urteilsfähigkeit zu tun haben.“  Fei-Fei Li, Professorin an der Universität Stanford (27.06.17)

Für den vertieften Einstieg: Perl, J. (2007). Qualitative Analyse von Prozessen im Sport mit Hilfe von Methoden des Soft Computing,  E-Journal Bewegung und Training, 1 (2007), 65-73 (http://www.sportwissenschaft.de/fileadmin/pdf/BuT/perl.pdf – Zugriff 9.01.21)


Schreibe einen Kommentar

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