Warum sollten auch Nichtfachleute neuronale Netze verstehen?
Sie sollten neuronale Netze verstehen, weil sie in den meisten KI-Tools stecken, die Sie nutzen – von der Sprachtranskription bis zu Chatassistenten. Um zu entscheiden, ob Sie diese Tools kaufen oder ihnen vertrauen können, müssen Sie wissen, was sie lernen können und was nicht.
Stellen Sie sich einen fiktiven Versicherungsmakler mit 80 Beschäftigten vor: Harbourline Insurance. Ein Anbieter stellt dem Betriebsleiter Daniel ein Produkt zur Ersteinschätzung und Priorisierung von Schadensfällen vor. Auf der Folie steht: 'Tiefes neuronales Netz, 12 Schichten, mit Millionen von Schadensfällen trainiert, 94% Genauigkeit, lernt wie das menschliche Gehirn.' In Daniels Notizen aus dem Gespräch steht: 'weiß nicht genau, was Schichten bedeutet. mit wessen Schadensfällen trainiert? 94% wovon? kann es eine Entscheidung erklären, wenn sich ein Kunde beschwert?' Er muss seinen Vorgesetzten bis Donnerstag informieren und möchte die Folie weder einfach wiedergeben noch pauschal abtun.
Wie funktioniert ein neuronales Netz, Schritt für Schritt?
Ein neuronales Netz leitet Zahlen durch mehrere Schichten von Einheiten. Jede Einheit kombiniert ihre Eingaben mithilfe anpassbarer Gewichte. Anschließend wird die endgültige Ausgabe mit der richtigen Antwort verglichen, damit die Gewichte für das nächste Mal verbessert werden können. Die folgenden Schritte zeigen eine einzelne Vorhersage und einen Lerndurchgang.
1. Eingaben werden zu Zahlen
Alles, was das Netzwerk verarbeitet, wird zunächst in Zahlen umgewandelt: die Pixelhelligkeit bei einem Bild, in Zahlencodes umgewandelte Wörter bei Text oder Felder wie Schadenshöhe und Vertragslaufzeit bei einem Versicherungsfall.
2. Jedes Neuron gewichtet seine Eingaben
Ein Neuron, auch Knoten genannt, multipliziert jeden Eingangswert mit einem Gewicht, addiert die Ergebnisse zusammen mit einer Konstante, dem sogenannten Bias, und leitet die Summe durch eine Aktivierungsfunktion. Dank dieser Aktivierungsfunktion können mehrere Schichten von Neuronen gekrümmte, nichtlineare Muster lernen statt nur geradliniger Zusammenhänge.
3. Die Schichten bauen aufeinander auf
Neuronen sind in Schichten angeordnet. Die Eingabeschicht enthält die Rohwerte, eine oder mehrere verborgene Schichten verarbeiten sie, und die Ausgabeschicht liefert die Vorhersage, zum Beispiel 'wahrscheinlich einfacher Schadenfall' oder 'Fachkraft erforderlich'. Ein Netz mit vielen verborgenen Schichten wird als tief bezeichnet. Daher stammt der Begriff tiefes Lernen.
4. Der Fehler wird gemessen
Beim Training erstellt das Netzwerk eine Vorhersage für ein Beispiel, dessen richtige Antwort bekannt ist. Die Abweichung zwischen seiner Antwort und der richtigen Antwort wird als Zahl gemessen, die als Verlust bezeichnet wird.
5. Die Gewichtungen werden angepasst
Ein Algorithmus namens Rückpropagierung berechnet, wie viel jedes Gewicht zum Fehler beigetragen hat. Ein Verfahren namens Gradientenabstieg verändert dann jedes Gewicht leicht in die Richtung, die den Fehler verringert hätte. Über viele Tausend oder Millionen Beispiele hinweg ergeben diese kleinen Korrekturen ein Modell, das gute Vorhersagen liefert.
Wie klingt eine schwache und eine verbesserte Erklärung eines neuronalen Netzes?
Eine schwache Erläuterung wiederholt nur die Aussage des Anbieters: 'Es ist ein tiefes neuronales Netz mit 12 Schichten, das wie ein Gehirn lernt und eine Genauigkeit von 94% erreicht.' Daniels Vorgesetzte erfährt nichts, worauf sie ihr Handeln stützen könnte, und 'lernt wie ein Gehirn' ist eine Metapher, keine Beschreibung. Echte Neuronen und diese Recheneinheiten teilen einen Namen und eine lose Anlehnung, aber keinen Mechanismus.
Ein verbessertes Briefing lautet: 'Das Produkt ist ein neuronales Netz: ein Modell, das gelernt hat, Schadenfälle zu sortieren, indem es Millionen interner Gewichte so lange angepasst hat, bis seine Vorhersagen mit früheren Entscheidungen übereinstimmten. Es kann also nur so gut sein wie die früheren Schadenfälle, aus denen es gelernt hat. Deshalb müssen wir wissen, wessen Schadenfälle das waren und ob sie unseren ähneln. Die Angabe 94% braucht eine Definition: Bei welchen Testdaten lag das Modell richtig, und wie oft stuft es einen komplexen Schadenfall fälschlich als einfach ein? Bei diesen Modellen lässt sich schwer erklären, wie einzelne Entscheidungen zustande kommen. Daher sollten wir fragen, was der Anbieter bereitstellt, wenn ein Kunde ein Ergebnis anficht, und weiterhin jeden abgelehnten Schadenfall von einem Menschen prüfen lassen.' Diese Fassung macht aus der Folie vier präzise Fragen.
Warum brauchen neuronale Netze so viele Daten, und wo werden sie eingesetzt?
Neuronale Netze benötigen viele Daten, weil sie sehr viele Gewichte einstellen müssen. Jedes Gewicht wird anhand von Beispielen gelernt und nicht von einem Menschen vorgegeben. Bei zu wenigen Beispielen kann das Netz seine Trainingsdaten auswendig lernen, statt ein allgemeines Muster zu erkennen. Das nennt man Überanpassung.
Sie werden dort eingesetzt, wo es viele Muster gibt, die sich aber nur schwer als Regeln formulieren lassen: beim Erkennen von Objekten in Bildern, beim Umwandeln von Sprache in Text, beim Übersetzen, beim Erkennen ungewöhnlicher Transaktionen und als Grundlage großer Sprachmodelle wie der Assistenten hinter ChatGPT, Claude und Gemini. Für kleine, sauber strukturierte Geschäftstabellen sind einfachere Modelle oft genauso genau und deutlich leichter zu erklären.
Wo liegen die Grenzen neuronaler Netze?
Die wichtigsten Grenzen sind: Neuronale Netze lernen alles, was in ihren Trainingsdaten steckt, einschließlich deren Lücken und Verzerrungen. Ihre einzelnen Entscheidungen lassen sich schwer erklären, und bei Fällen, die sich stark von den Trainingsdaten unterscheiden, können sie mit großer Sicherheit falschliegen. Genauigkeitswerte hängen vollständig von den Testdaten ab. Fragen Sie deshalb immer, welche Daten verwendet wurden. Das Training großer Netze erfordert außerdem erhebliche Rechenleistung. Deshalb nutzen die meisten Organisationen vortrainierte Modelle.
Wie prüfen Sie eine Aussage über ein neuronales Netz?
Prüfen Sie eine Behauptung über ein neuronales Netz, indem Sie fragen, mit welchen Daten es gelernt hat, wie es getestet wurde, welche Fehler es macht und wer seine Entscheidungen überprüft. Wenn ein Anbieter diese Fragen nicht klar beantworten kann, spielt die Anzahl der Schichten keine Rolle.
Wo ist diese Lektion bei Tosheo.ai eingeordnet?
Diese Lektion gehört zur Kategorie Maschinelles Lernen und eröffnet die Einheit über neuronale Netze im Kurs für maschinelles Lernen. Bei Tosheo.ai folgt darauf eine Praxisaufgabe, in der Sie einer fiktiven beteiligten Person ein Modell erklären. Die Rückmeldung anhand des Kriterienrasters weist auf vage Vergleiche und unbelegte Aussagen zur Genauigkeit hin. Das Angebot vermittelt berufliche Grundlagen für die Arbeit mit maschinellem Lernen und ist kein Intensivkurs zur Modellentwicklung. Wenn Sie Netze programmieren möchten, behandelt der optionale Programmierpfad dies nach der Registrierung.
Quellen und Geltungsbereich
Google-Crashkurs zum maschinellen Lernen: Modul zu neuronalen Netzen (geprüft am 19 October 2026) ↗