Was sind Neuronale Netze?
Ein neuronales Netz verarbeitet Information in Stufen. Jede Schicht erkennt etwas Komplexeres als die vorherige — ähnlich wie du beim Betrachten eines Bildes erst Formen, dann Objekte, dann Bedeutung erkennst.
Am Beispiel Bilderkennung:
- Pixel: Am Anfang sieht die KI nur ein Raster aus Farbpunkten
- Kanten: Die erste Schicht erkennt, wo helle und dunkle Punkte zusammenstossen
- Formen: Aus Kanten werden Formen — ein rundes Auge, eine Nase, spitze Ohren
- Texturen: Das Netz erkennt Oberflächenmuster — langes Fell, kurzes Fell
- Objekte: Alles wird kombiniert: Fell + Schnauze + Pfoten = ein Muster, das immer wieder auftaucht
- Ergebnis: "Hund: 94%" — ohne dass je jemand "Hund" definiert hat
Wie funktioniert das technisch?
Das Netz besteht aus vielen Verbindungen mit Gewichten. Durch Millionen Trainingsbeispiele werden diese Gewichte angepasst — Verbindungen, die zu richtigen Ergebnissen führen, werden stärker. Falsche Pfade werden schwächer.
Das ist keine Programmierung im klassischen Sinn. Niemand sagt dem Netz, worauf es achten soll. Es findet die relevanten Merkmale selbst — vorausgesetzt, es bekommt genug Beispiele.
Moderne Sprachmodelle wie GPT oder Claude nutzen dasselbe Prinzip, nur mit Text statt Bildern: Statt Pixel zu Hunden werden Wörter zu Sätzen, Absätzen und ganzen Argumentationsketten verarbeitet.
Warum ist das wichtig für KMU?
Neuronale Netze sind der Motor hinter jeder modernen KI. Du musst nicht verstehen, wie sie mathematisch funktionieren. Aber das Prinzip hilft:
- Die KI "denkt" nicht — sie erkennt Muster, die sie im Training gesehen hat
- Je ähnlicher dein Problem zu den Trainingsdaten, desto besser das Ergebnis
- Unbekanntes kann sie nicht zuverlässig einordnen — deshalb braucht sie deinen Kontext
Wenn die KI bei einem Thema überraschend gut ist, hat sie viele ähnliche Beispiele gesehen. Wenn sie schwach ist, fehlen die Muster.