Neuronale Netze stecken heute hinter fast jeder spannenden KI: hinter Gesichtserkennung, Sprachmodellen und selbstfahrenden Autos. Klingt nach Raketenwissenschaft, ist aber im Kern erstaunlich simpel. In den nächsten Minuten verstehst Du, wie ein neuronales Netz aufgebaut ist, was ein Neuron eigentlich tut und wie so ein Netz von ganz allein lernt, eine Katze von einem Hund zu unterscheiden. Ohne Mathe-Folter, dafür mit klaren Bildern aus dem Alltag.
Das Wichtigste in Kürze
- Ein neuronales Netz ist von der Funktionsweise des Gehirns inspiriert: viele kleine Recheneinheiten (Neuronen) arbeiten zusammen.
- Jedes Neuron bekommt Zahlen herein, gewichtet sie, addiert sie und entscheidet über eine Aktivierung, ob es weiterfeuert.
- Die Neuronen sind in Schichten angeordnet: Eingabe, versteckte Schichten und Ausgabe.
- Gelernt wird, indem das Netz seine Gewichte nach jedem Fehler ein kleines Stück nachjustiert – tausendfach wiederholt.
- Netze sind stark bei Mustern: Bilder, Sprache, Töne, Empfehlungen und Vorhersagen.
Die Idee dahinter: ein bisschen wie das Gehirn
Dein Gehirn besteht aus rund 86 Milliarden Nervenzellen, den Neuronen. Jedes davon empfängt Signale von Nachbarzellen, und wenn genug davon zusammenkommt, „feuert“ es selbst und gibt das Signal weiter. So entstehen aus winzigen Einzelreizen am Ende Gedanken, Erinnerungen und Reaktionen.
Ein künstliches neuronales Netz greift genau diese Idee auf – stark vereinfacht. Statt biologischer Zellen hat es kleine Rechenbausteine, ebenfalls Neuronen genannt. Sie verarbeiten keine elektrischen Impulse, sondern schlichte Zahlen. Trotzdem gilt das gleiche Prinzip: viele simple Einheiten, die zusammengeschaltet erstaunlich kluges Verhalten erzeugen.
Was ist ein Neuron – und was ein Gewicht?
Ein einzelnes künstliches Neuron ist im Grunde ein Mini-Taschenrechner mit drei Aufgaben. Stell Dir eine Saftpresse vor: Verschiedene Zutaten kommen rein, jede zählt unterschiedlich stark, und am Ende kommt ein Ergebnis heraus.
Eingaben empfangen
Das Neuron bekommt mehrere Zahlen geliefert – zum Beispiel Helligkeitswerte von Bildpunkten oder Ergebnisse anderer Neuronen.
Gewichten und summieren
Jede Eingabe wird mit einem Gewicht multipliziert. Das Gewicht sagt, wie wichtig diese Eingabe ist. Ein hohes Gewicht heißt: „Achte besonders darauf.“ Danach wird alles zusammengezählt.
Aktivierung entscheiden
Eine Aktivierungsfunktion prüft die Summe und entscheidet, ob – und wie stark – das Neuron weiterfeuert. So entsteht eine neue Zahl für die nächste Schicht.
Ein winziges Rechenbeispiel
Sagen wir, ein Neuron soll erkennen, ob ein Foto eher „hell“ ist. Es bekommt zwei Eingaben: oben links (0,8) und unten rechts (0,2). Die Gewichte sind 0,5 und 0,5.
Aktivierung: 0,50 liegt über der Schwelle 0,4 → das Neuron feuert mit 0,50
Würdest Du das Gewicht der ersten Eingabe auf 0,9 erhöhen, zählt die helle linke Ecke plötzlich viel stärker mit. Genau dieses Schrauben an den Gewichten ist der Schlüssel zum Lernen – dazu gleich mehr.
Merke: Eingaben sind die Daten, Gewichte sind die „Lautstärkeregler“, und die Aktivierung ist der Türsteher, der entscheidet, ob das Signal weitergeleitet wird.
