Wenn von moderner KI die Rede ist, fallen oft Begriffe wie „neuronales Netzwerk” oder „Deep Learning”. Das klingt kompliziert – und die Mathematik dahinter ist es auch. Aber das Grundprinzip lässt sich einfach erklären.
Die Inspiration: Das Gehirn
Neuronale Netzwerke sind vom menschlichen Gehirn inspiriert. Unser Gehirn besteht aus Milliarden von Nervenzellen (Neuronen), die miteinander verbunden sind. Jedes Neuron empfängt Signale, verarbeitet sie und gibt selbst Signale weiter.
Künstliche neuronale Netzwerke funktionieren ähnlich – nur viel einfacher. Sie bestehen aus digitalen „Neuronen”, die Zahlen empfangen, verarbeiten und weitergeben.
Schichten und Verbindungen
Ein neuronales Netzwerk ist in Schichten organisiert:
- Eingabeschicht: Hier kommen die Daten rein – zum Beispiel die Pixel eines Bildes
- Versteckte Schichten: Hier passiert die eigentliche Verarbeitung
- Ausgabeschicht: Hier kommt das Ergebnis – zum Beispiel „Das ist ein Hund”
Jedes Neuron in einer Schicht ist mit vielen Neuronen der nächsten Schicht verbunden. Diese Verbindungen haben unterschiedliche „Gewichte” – manche sind stark, manche schwach.
Lernen durch Anpassung
Der entscheidende Trick: Diese Gewichte werden während des Trainings angepasst.
Das funktioniert so:
- Das Netzwerk sieht ein Beispiel (z.B. ein Bild)
- Es gibt eine Antwort (z.B. „Katze”)
- Es erfährt, ob die Antwort richtig war (z.B. „Nein, das war ein Hund”)
- Die Gewichte werden angepasst, um beim nächsten Mal besser zu sein
Nach Tausenden solcher Durchläufe hat das Netzwerk gelernt, Hunde von Katzen zu unterscheiden – ohne dass jemand ihm erklärt hat, wie ein Hund aussieht.
Warum „Deep Learning”?
„Deep” bezieht sich auf die Tiefe des Netzwerks – also die Anzahl der versteckten Schichten. Frühe Netzwerke hatten wenige Schichten. Moderne Netzwerke haben Hunderte.
Mehr Schichten ermöglichen komplexere Muster:
- Erste Schichten erkennen einfache Muster (Kanten, Linien)
- Mittlere Schichten erkennen Kombinationen (Formen, Texturen)
- Späte Schichten erkennen komplexe Konzepte (Gesichter, Objekte)
Ein praktisches Beispiel
Stellen Sie sich ein Netzwerk vor, das Handschrift erkennen soll:
- Eingabe: Ein Bild einer handgeschriebenen Ziffer (z.B. eine „7”)
- Erste Schichten: Erkennen Striche und Kurven
- Mittlere Schichten: Kombinieren diese zu typischen Formen
- Ausgabe: „Diese Ziffer ist eine 7” (mit 97% Wahrscheinlichkeit)
Grenzen neuronaler Netzwerke
Trotz beeindruckender Fähigkeiten haben neuronale Netzwerke Schwächen:
- Sie brauchen viele Beispiele zum Lernen
- Sie verstehen nicht wirklich – sie erkennen nur Muster
- Sie können falsche Muster lernen, wenn die Trainingsdaten verzerrt sind
- Was sie gelernt haben, ist oft schwer nachvollziehbar
Fazit
Neuronale Netzwerke sind keine magische Intelligenz. Sie sind mathematische Strukturen, die aus Beispielen lernen. Inspiriert vom Gehirn, aber viel simpler. Ihr Erfolg basiert darauf, dass sie mit genug Daten und Rechenpower erstaunlich komplexe Muster erkennen können – ohne dass ihnen jemand erklärt, wonach sie suchen sollen.