Wie schafft es eine KI, einen Text als wissenschaftlichen Artikel, Liebesroman oder Sportbericht zu erkennen? Die Antwort liegt in neuronalen Netzen. In dieser Lektion lernst du, wie sie aufgebaut sind, wie ihre drei Schichten zusammenarbeiten und wofür sie heute überall eingesetzt werden.
🧠 Was ist ein neuronales Netz?
Ein neuronales Netz ist eine KI-Modellart, die sich an der Funktionsweise des menschlichen Gehirns orientiert. Unser Gehirn besteht aus Milliarden Neuronen, die über Verbindungen Signale weitergeben, Muster erkennen und Entscheidungen treffen. Genau das bildet ein künstliches neuronales Netz nach – mit mehreren Schichten aus künstlichen Neuronen, die miteinander verbunden sind.
🗂️ Die drei Schichten
| Schicht | Aufgabe |
|---|---|
| 📥 Eingabeschicht (Input) | nimmt die Daten auf (z. B. einzelne Wörter) |
| ⚙️ Versteckte Schicht(en) (Hidden) | verarbeitet die Eingaben und erkennt Zusammenhänge |
| 📤 Ausgabeschicht (Output) | trifft die endgültige Entscheidung |
📥 Die Eingabeschicht: Wörter werden zu Neuronen
Stell dir ein Netz vor, das einen Text einer von drei Kategorien zuordnen soll. Der Text wird zunächst in einzelne Wörter zerlegt, und jedes Wort wird durch ein Neuron im Input-Layer repräsentiert. Kommt ein Wort vor, wird sein Neuron aktiviert, sonst bleibt es inaktiv:
- 🔬 „Hypothese", „Experiment", „Datenanalyse" → wissenschaftlicher Artikel
- ❤️ „Liebe", „Herz", „Sehnsucht" → Liebesroman
- ⚽ „Tor", „Spielstand", „Trainer" → Sportbericht
Das allein reicht aber nicht: Viele Wörter sind mehrdeutig. „Analyse" und „Team" passen zu Wissenschaft und Sport, „Gefühl" und „Berührung" zu Liebesroman und (als Ballkontrolle) zum Fußball.
⚙️ Die Hidden-Layer: Gewichtungen & Zusammenhänge
Genau diese Mehrdeutigkeiten löst die versteckte Schicht. Sie versieht die Eingaben mit Gewichtungen – diese bestimmen, wie stark ein Wort die Entscheidung beeinflusst. „Datenanalyse" zusammen mit „Hypothese" und „Experiment" bekommt eine hohe Gewichtung für „wissenschaftlich". Die Neuronen lernen also nicht nur, ob ein Wort vorkommt, sondern auch, wie es mit anderen Wörtern zusammenhängt.
🧹 Filtern unwichtiger Wörter: Begriffe wie „und", „der" oder „hat" kommen in allen Textarten vor und tragen nichts zur Klassifizierung bei. Das Netz gibt ihnen eine niedrige Gewichtung.
📤 Die Output-Layer: die Entscheidung
Am Ende fällt die Entscheidung in der Ausgabeschicht. Da es drei Kategorien gibt, hat sie drei Neuronen. Jedes gibt eine Aktivierungsstärke aus – also wie wahrscheinlich der Text zu dieser Kategorie gehört. Das Neuron mit der höchsten Aktivierung bestimmt das Ergebnis (im Beispiel: wissenschaftlicher Artikel).
🌐 Anwendungsbereiche
Neuronale Netze verarbeiten längst nicht nur Text, sondern auch Bilder, Videos und Audio:
| Datentyp | So funktioniert es | Beispiele |
|---|---|---|
| 📝 Text | Texte verstehen, generieren, übersetzen, Stimmungen erkennen | ChatGPT, DeepL, Bewertungsanalyse |
| 🖼️ Bild | Pixel → Kanten/Linien → Formen/Texturen → Objekt | Gesichts-, Objekterkennung |
| 🎬 Video | Objekte über mehrere Frames + Bewegungen/Abläufe analysieren | Überwachung, autonomes Fahren |
| 🔊 Audio | Ton → Frequenzmuster → Laute → Wörter und Sätze | Spracherkennung |
🎯 Fazit
Ein neuronales Netz bildet das Prinzip des Gehirns nach: Daten fließen durch Eingabe-, versteckte und Ausgabeschicht. Der Clou steckt in den Gewichtungen der Hidden-Layer – sie erkennen, welche Wörter (oder Pixel, Frequenzen, Bewegungen) zusammen wirklich aussagekräftig sind. So lassen sich Mehrdeutigkeiten auflösen und komplexe Muster in Text, Bild, Video und Audio zuverlässig klassifizieren.
