Was ist ein neuronales Netz?

Ein neuronales Netz ist ein mathematisches Modell aus vielen miteinander verbundenen Recheneinheiten, den künstlichen Neuronen. Jede Verbindung hat ein Gewicht, das beim Training aus Beispielen angepasst wird. So lernt das Netz, aus Eingaben wie Pixeln, Wörtern oder Messwerten die passende Ausgabe zu berechnen – etwa „Riss erkannt“ oder „Anfrage betrifft Reklamation“.

Neuronale Netze sind das Arbeitspferd der modernen KI. Ob Sprachmodell, Bilderkennung oder Spracherkennung: Unter der Haube steckt fast immer ein solches Netz. Wer versteht, wie es grundsätzlich funktioniert, kann Versprechen von Anbietern besser einordnen.

Ein Bild aus der Biologie – und wo es hinkt

Die Idee geht auf das Gehirn zurück: Nervenzellen empfangen Signale, verarbeiten sie und geben sie weiter, wenn eine Schwelle überschritten wird. Künstliche Neuronen ahmen dieses Prinzip stark vereinfacht nach. Sie rechnen, sie denken nicht.

Der Vergleich mit dem Gehirn hilft beim Einstieg, führt aber leicht in die Irre. Ein neuronales Netz hat kein Bewusstsein, keine Absicht und kein Weltwissen außerhalb dessen, was sich in seinen Gewichten niedergeschlagen hat. Es ist eine sehr große, sehr fein eingestellte Rechenvorschrift.

Aufbau: Eingabe, verborgene Schichten, Ausgabe

Die Neuronen sind in Schichten angeordnet:

• Eingabeschicht: nimmt die Rohdaten auf. Bei einem Foto ist jedes Pixel eine Eingabe, bei einem Text jedes Token.
• Verborgene Schichten: verarbeiten die Daten schrittweise. Jedes Neuron bildet eine gewichtete Summe seiner Eingänge und entscheidet über eine sogenannte Aktivierungsfunktion, wie stark es das Signal weitergibt.
• Ausgabeschicht: liefert das Ergebnis, oft als Wahrscheinlichkeit: 92 Prozent „fehlerfrei“, 8 Prozent „fehlerhaft“.

Hat ein Netz viele verborgene Schichten, spricht man von Deep Learning. Die Zahl der Gewichte – die Parameter – reicht von einigen tausend bei kleinen Netzen bis zu vielen Milliarden bei großen Sprachmodellen.

Wie ein neuronales Netz lernt

Zu Beginn sind die Gewichte zufällig, die Ausgaben entsprechend unbrauchbar. Beim Training bekommt das Netz ein Beispiel, berechnet eine Ausgabe und vergleicht sie mit der richtigen Antwort. Die Abweichung wird rückwärts durch das Netz verteilt: Jedes Gewicht wird ein wenig so verschoben, dass der Fehler kleiner wird. Dieses Verfahren heißt Backpropagation.

Nach Tausenden oder Millionen solcher Durchgänge haben sich die Gewichte so eingestellt, dass das Netz auch unbekannte Beispiele richtig behandelt. Das Wissen steckt danach nicht in einzelnen Regeln, sondern verteilt über alle Gewichte. Genau deshalb lässt sich schwer sagen, warum ein Netz eine bestimmte Entscheidung trifft.

Wichtig für den Alltag: Nach dem Training lernt ein Netz in der Regel nicht mehr von selbst weiter. Es wendet an, was es gelernt hat. Korrekturen Ihrer Mitarbeitenden fließen erst ein, wenn sie gesammelt und für ein neues Training genutzt werden. Wer das einplant, verbessert die Trefferquote Schritt für Schritt, statt auf ein Wunder zu warten.

Wichtige Netztypen

Seit einigen Jahren verdrängt der Transformer die rekurrenten Netze in fast allen Sprachaufgaben. Auch jedes heute verbreitete LLM beruht darauf.

Beispiele aus Betrieben

• Kunststoffspritzguss: Ein Faltungsnetz prüft Kamerabilder jedes Teils auf Grate und Einfallstellen. Unklare Fälle gehen an einen Prüfer.
• Logistik: Ein Netz liest Adressen und Sendungsnummern von zerknitterten Etiketten.
• Energie und Gebäudetechnik: Aus Verbrauchsdaten und Wetter lernt ein Netz, Lastspitzen einige Stunden vorher abzuschätzen.
• Kundendienst: Ein Sprachmodell ordnet eingehende Nachrichten Themen zu und schlägt eine Antwort vor.

Schwächen, die man kennen sollte

• Kaum erklärbar. Ein Netz liefert ein Ergebnis, aber keine Begründung. Für Entscheidungen über Menschen, etwa Bewerbungen oder Kreditwürdigkeit, ist das heikel.
• Selbstsicher im Irrtum. Auch bei Eingaben, die es nie gesehen hat, gibt ein Netz eine Antwort – oft mit hoher Wahrscheinlichkeit. Ein Foto eines völlig anderen Bauteils wird nicht als „unbekannt“ gemeldet, sondern irgendeiner Klasse zugeschlagen.
• Übernimmt Verzerrungen. Was in den Trainingsdaten schief ist, steckt danach im Modell.
• Datenhunger. Ohne vortrainierte Modelle braucht es große Mengen markierter Beispiele.

In der Praxis: das Netz ist nur ein Baustein

Für ein Unternehmen ist das neuronale Netz selten das eigentliche Projekt. Die Arbeit liegt darin, es an Ihre Systeme anzuschließen, Grenzfälle an Menschen weiterzuleiten und die Qualität laufend zu messen. Genau das übernehmen wir bei der KI-Implementierung: fertige, geprüfte Modelle, eingebunden in Ihre Abläufe, mit festen Freigabeschritten. Soll die KI mit ERP, CRM oder Warenwirtschaft sprechen, kommt die Systemintegration dazu.

Häufige Fragen

Ist ein neuronales Netz dasselbe wie KI?

Nein. Ein neuronales Netz ist eine Technik, mit der sich viele KI-Aufgaben lösen lassen. Künstliche Intelligenz umfasst aber auch andere Verfahren, etwa Entscheidungsbäume oder regelbasierte Systeme.

Wie viele Neuronen hat ein neuronales Netz?

Das hängt vom Zweck ab. Ein kleines Netz für eine einfache Einstufung kommt mit wenigen hundert Neuronen aus, große Sprachmodelle haben Milliarden von Parametern.

Was bedeutet „Parameter“ bei einem neuronalen Netz?

Parameter sind die Gewichte und Verschiebungswerte (Bias), die beim Training eingestellt werden. Ihre Zahl sagt etwas über die Größe des Modells, aber wenig über seine Eignung. Für eine eng umrissene Aufgabe ist ein kleines, gut trainiertes Netz oft zuverlässiger als ein riesiges Allzweckmodell.

Kann man einem neuronalen Netz beim Denken zuschauen?

Nur begrenzt. Es gibt Verfahren, die zeigen, welche Bildbereiche oder Wörter eine Entscheidung stark beeinflusst haben. Eine vollständige, für Menschen lesbare Begründung liefern sie nicht.