Ein neuronales Netz ist ein Rechenmodell, das grob dem Aufbau des menschlichen Gehirns nachempfunden ist. Es besteht aus vielen kleinen Recheneinheiten — den künstlichen „Neuronen“ —, die in Schichten angeordnet und miteinander verbunden sind. Jede Verbindung hat ein Gewicht, das im Training immer weiter angepasst wird.

Schicht für Schicht

Anschaulich wird das bei der Bilderkennung. Zeigst du dem Netz ein Foto, reicht die erste Schicht einfache Merkmale weiter, etwa Kanten und Farben. Die nächsten Schichten setzen daraus Formen zusammen, bis am Ende eine Einschätzung steht: „Das ist mit hoher Wahrscheinlichkeit ein Hund.“ Kein Mensch hat dem Netz gesagt, wie ein Hund aussieht — es hat es aus Beispielen erschlossen.

Stärke und Blackbox

Neuronale Netze sind der Motor hinter dem heutigen KI-Boom. Sprachmodelle, Gesichtserkennung, Übersetzer und Bildgeneratoren beruhen alle auf dieser Idee, nur in sehr großem Maßstab. Spricht man von Deep Learning, meint man Netze mit besonders vielen Schichten — daher das „tief“.

Der Preis für diese Stärke ist, dass große Netze wie eine Blackbox wirken. Sie liefern erstaunlich gute Ergebnisse, aber warum sie im Einzelfall so entscheiden, lässt sich oft nur schwer nachvollziehen. Genau deshalb bleibt bei wichtigen Entscheidungen — etwa in Medizin oder Finanzen — der prüfende Blick des Menschen unverzichtbar.