Beantwortet von der Redaktion von Business.Digital Stand
Konkret besteht so ein Netz aus Schichten von Rechenknoten. Jeder Knoten nimmt Zahlen entgegen, gewichtet sie und gibt ein Ergebnis weiter. Beim Training werden ausschließlich diese Gewichte angepasst, bis die Ausgaben zu den Trainingsdaten passen.
Wichtig: Die Analogie zum Gehirn ist eine Inspiration, keine Beschreibung. Echte Neuronen sind biochemische Gebilde mit komplexen Eigenschaften. Künstliche Neuronen sind mathematische Funktionen. Der Name ist historisch bedingt und manchmal irreführend.
Wie ist ein neuronales Netz aufgebaut?
Eingabeschicht: Nimmt den Input entgegen, zum Beispiel Pixelwerte eines Bildes oder Token eines Textes. Verborgene Schichten (Hidden Layers): Verarbeiten die Daten. Jeder Neuron berechnet eine gewichtete Summe seiner Eingaben und wendet eine Aktivierungsfunktion an. Ausgabeschicht: Produziert den Output, zum Beispiel eine Klasse oder einen Wahrscheinlichkeitswert.
Die Gewichte der Verbindungen werden durch Training gelernt. Backpropagation und Gradient Descent passen sie so an, dass der Fehler minimiert wird.
Warum “tief”?
Ein flaches Netz hat eine verborgene Schicht. Ein tiefes Netz hat viele. Deep Learning bezeichnet Netze mit vielen Schichten. Die Tiefe ermöglicht das Lernen komplexerer, hierarchischer Muster. Frühe Schichten lernen einfache Merkmale, spätere Schichten abstraktere Konzepte.
Moderne große Sprachmodelle haben Hunderte von Schichten. Das Training solcher Modelle erfordert riesige Rechenzentren und Wochen bis Monate.
Was bedeutet das für die Praxis?
Du musst neuronale Netze nicht selbst bauen, um sie zu nutzen. Vortrainierte Modelle sind über APIs verfügbar. Das Verständnis des Aufbaus hilft aber, die Stärken und Grenzen zu verstehen. Welche KI-Architektur für deine Anforderungen passt, klären wir in einer KI-Beratung.