Neuronales Netz
Ein neuronales Netz ist ein Rechenverfahren, das aus Beispielen lernt, statt festen Regeln zu folgen. Es besteht aus vielen einfachen Recheneinheiten in Schichten, deren Verbindungsstärken beim Lernen so lange angepasst werden, bis die Ergebnisse stimmen.
Ein normales Computerprogramm folgt Regeln, die ein Mensch vorher aufgeschrieben hat. Für viele Aufgaben lassen sich solche Regeln aber gar nicht formulieren. Niemand kann exakt aufschreiben, woran man auf einem Foto eine Katze erkennt. Ein neuronales Netz löst das anders: Es bekommt tausende Beispiele mit der richtigen Antwort und stellt sich selbst so ein, dass es diese Antworten trifft. Aufgebaut ist es aus sehr vielen winzigen Recheneinheiten, die in Schichten hintereinander liegen und Zahlen aneinander weitergeben. Der Name kommt von den Nervenzellen im Gehirn, die grob als Vorbild dienten – die Ähnlichkeit ist aber eher eine Anregung als eine echte Nachbildung.
Warum Regeln nicht reichen
Neuronale Netze sind die Grundlage fast aller heutigen KI-Systeme. Sprachmodelle wie ChatGPT sind neuronale Netze. Die Gesichtserkennung im Handy ist eines. Auch die Spracherkennung, die deine Sätze in Text umwandelt, arbeitet damit.
Der entscheidende Vorteil ist die Übertragbarkeit. Man muss nicht für jede neue Aufgabe ein neues Verfahren erfinden. Man ändert nur die Trainingsdaten. Dasselbe Grundprinzip erkennt Tumore auf Röntgenbildern, übersetzt Texte und steuert Roboterarme.
Der Preis dafür ist Rechenleistung und Datenhunger. Große Netze brauchen Millionen Beispiele und spezialisierte Chips. Genau deshalb sind Unternehmen wie Nvidia, die diese Chips bauen, in den letzten Jahren so wertvoll geworden. Die Wirtschaftsnachrichten über KI handeln zu einem großen Teil von den Kosten dieser Rechnerei.
Schichten, Gewichte und Rückmeldung
Ganz vorne steht die Eingabeschicht. Bei einem Bild ist jeder Bildpunkt eine Zahl, die dort hineingeht. Diese Zahlen wandern Schicht für Schicht nach hinten. Jede Verbindung zwischen zwei Recheneinheiten hat ein Gewicht, also einen Faktor, der das Signal verstärkt oder abschwächt. Am Ende steht die Ausgabeschicht mit dem Ergebnis, etwa der Wahrscheinlichkeit für „Katze“.
Am Anfang sind alle Gewichte zufällig, das Netz rät also. Dann vergleicht man die Ausgabe mit der richtigen Antwort und berechnet den Fehler. Ein Verfahren namens Backpropagation rechnet zurück, welches Gewicht wie stark zum Fehler beigetragen hat. Jedes Gewicht wird ein winziges Stück in die bessere Richtung verschoben. Dieser Ablauf wiederholt sich millionenfach, bis der Fehler klein genug ist.
Ein Vergleich hilft: Stell dir einen Mischpult-Tisch mit Millionen Reglern vor. Du hörst das Ergebnis, drehst jeden Regler minimal in die Richtung, die den Klang verbessert, und wiederholst das sehr oft. Niemand weiß am Ende genau, warum ein einzelner Regler dort steht, wo er steht. Das ist der Grund, warum man neuronale Netze oft als Blackbox bezeichnet: Man kennt jede Zahl im Inneren, versteht aber nicht ohne Weiteres, wofür sie steht.
Wo sie schon jetzt im Alltag stecken
Die meisten Begegnungen bemerkt man gar nicht. Die Autokorrektur auf dem Handy, die Sortierung im Instagram-Feed, der Spamfilter im Postfach, die Songvorschläge bei Spotify – überall arbeiten neuronale Netze im Hintergrund. Auch Banken nutzen sie, um verdächtige Kartenzahlungen zu erkennen.
In Nachrichtentexten tauchen meist Spezialbegriffe statt des Oberbegriffs auf. „Deep Learning“ meint schlicht neuronale Netze mit sehr vielen Schichten. Ein „Transformer“ ist eine bestimmte Bauart, die besonders gut mit Texten umgeht und hinter allen großen Sprachmodellen steckt. Wer diese Zusammenhänge kennt, liest solche Meldungen deutlich entspannter.
Ein häufiger Irrtum ist die Vorstellung, ein neuronales Netz denke wie ein Mensch. Es sucht statistische Muster in Daten, mehr nicht. Es hat kein Verständnis und keine Absicht. Deshalb kann es auch überzeugend falsche Antworten geben, wenn die Muster in den Trainingsdaten in die Irre führen.