Künstliche neuronale Netze sind Rechenmodelle, die vom menschlichen Gehirn inspiriert sind. Sie bestehen aus miteinander verbundenen Knoten (Neuronen), die in Schichten angeordnet sind. Durch Training lernen sie, Muster in Daten zu erkennen, ohne dafür explizit programmiert zu werden.
Ein künstliches neuronales Netz besteht aus Schichten von Knoten. Jeder Knoten empfängt Eingaben, verarbeitet sie und gibt ein Ergebnis an die nächste Schicht weiter. Die erste Schicht empfängt die Rohdaten (z.B. Pixel eines Bildes oder Wörter eines Textes). Die letzte Schicht liefert das Ergebnis (z.B. eine Klassifikation oder einen generierten Text). Dazwischen liegen versteckte Schichten, die Muster extrahieren.
Während des Trainings passt das Netz die Verbindungsstärken (Gewichte) zwischen den Knoten an, bis es die gewünschte Aufgabe zuverlässig löst. Dieser Prozess heißt Backpropagation: Das Netz vergleicht seine Ausgabe mit der richtigen Antwort und korrigiert sich schrittweise.
Neuronale Netze können Zusammenhänge in Daten finden, die für Menschen unsichtbar sind. Sie erkennen Gesichter, verstehen gesprochene Sprache, übersetzen Texte, diagnostizieren Krankheiten auf Röntgenbildern und generieren fotorealistische Bilder. All das, weil sie aus Millionen von Beispielen gelernt haben, welche Muster relevant sind.
Neuronale Netze sind die technologische Grundlage von Deep Learning. Wenn ein neuronales Netz viele Schichten hat, spricht man von einem tiefen neuronalen Netz, und die Methode heißt Deep Learning. Sprachmodelle wie GPT-5.5 und Claude basieren auf einer speziellen Architektur neuronaler Netze, dem sogenannten Transformer.
Trotz des Namens funktionieren künstliche neuronale Netze fundamental anders als das menschliche Gehirn. Die Architektur ist lose inspiriert, die Funktionsweise ist rein mathematisch.
🔗 Verwandte Begriffe:
Deep Learning, Machine Learning, Künstliche Intelligenz (KI), Transformer, Semantisches Verständnis
➡ Du willst KI in deinem Arbeitsalltag einsetzen? In meinen „KI at Work“ Kursen zeige ich dir Schritt für Schritt, wie das geht. Ohne Vorwissen.
Änderungshistorie: