Neuronale Netze verstehen: wie ein Computer aus Beispielen lernt

Ziel

Nach diesem Artikel wissen Sie, woraus ein neuronales Netz besteht, was beim „Lernen“ tatsächlich passiert und warum ein solches Netz Dinge erkennt, ohne dass ihm jemand Regeln aufgeschrieben hat. Sie können anschließend mitreden, wenn in Ihrem Betrieb über künstliche Intelligenz gesprochen wird — und einschätzen, wofür ein Netz taugt und wofür nicht.

Voraussetzungen

Keine. Sie brauchen weder Mathematik noch Programmierkenntnisse. Wer schon einmal mit einer Tabelle gearbeitet hat, bringt mehr als genug mit. Alle Fachbegriffe werden erklärt, sobald sie zum ersten Mal auftauchen.

Schritt für Schritt

Wir begleiten in diesem Artikel einen erfundenen Betrieb: den Obsthof Wieland. Dort laufen Äpfel über ein Band und werden in zwei Kisten sortiert — verkaufsfähige Ware in die eine, Saftobst in die andere.

1. Das Problem: Manche Regeln lassen sich nicht aufschreiben

Frau Kern steht seit zwölf Jahren an diesem Band. Sie entscheidet in einem Sekundenbruchteil, in welche Kiste ein Apfel gehört. Fragt man sie nach ihrer Regel, kommt sie ins Stocken: „Der sieht halt nicht gut aus.“ Sie kann es sehen, aber nicht in Sätze fassen.

Genau hier scheitert klassische Software. Ein normales Computerprogramm besteht aus Regeln, die ein Mensch vorher aufgeschrieben hat: wenn der Rechnungsbetrag über 1.000 Euro liegt, dann Freigabe durch die Geschäftsführung. Für „sieht gut aus“ gibt es keine solche Regel — und auch hundert Zusatzregeln bekommen den Apfel nicht zuverlässig in die richtige Kiste.

Neuronale Netze drehen die Sache um. Man schreibt keine Regeln mehr auf. Man zeigt stattdessen sehr viele Beispiele — hier: Fotos von Äpfeln, jeweils mit der Kiste, in die Frau Kern sie gelegt hätte. Das Netz stellt sich dann selbst so ein, dass es zu denselben Ergebnissen kommt.

Merksatz: Ein neuronales Netz bekommt keine Regeln vorgeschrieben. Es bekommt Beispiele — und stellt sich selbst so ein, dass es diese Beispiele trifft.

2. Der kleinste Baustein: ein Knoten, der abwägt

Der Name „neuronales Netz“ ist eine Anleihe bei der Biologie: Der kleinste Baustein heißt Neuron, weil er entfernt an eine Nervenzelle erinnert. Diese Anleihe ist ein Bild, keine Nachbildung — im Rechner passiert nichts Biologisches. Wir sagen deshalb im Folgenden schlicht Knoten.

Ein einzelner Knoten tut genau drei Dinge:

1. Er nimmt mehrere Zahlen entgegen — zum Beispiel Farbe, Form und Anteil dunkler Flecken eines Apfels.
2. Er multipliziert jede dieser Zahlen mit ihrem Gewicht und zählt alles zusammen. Das Gewicht sagt, wie stark dieser Eingang zählen soll.
3. Er gibt nur dann etwas weiter, wenn diese Summe eine bestimmte Marke überschreitet — die Schwelle.

Das ist im Kern das, was Frau Kern im Kopf tut: Die Farbe zählt bei ihr sehr viel, die Form ein bisschen, ein winziger Fleck kaum.

Hinweis: Das Gewicht ist die eigentliche Stellschraube. Alles, was ein neuronales Netz jemals „gelernt“ hat, steckt in seinen Gewichten — es sind schlicht Zahlen, die festlegen, wie stark ein Eingang durchschlägt.

3. Viele Knoten in Schichten — daher „Netz“

Ein einzelner Knoten kann nur sehr Grobes unterscheiden. Interessant wird es, wenn man viele davon nebeneinanderstellt und in Schichten hintereinanderschaltet:

• Die Eingangsschicht nimmt entgegen, was man dem Netz zeigt.
• Eine oder mehrere Zwischenschichten verarbeiten weiter.
• Die Ausgangsschicht liefert das Ergebnis.

Jeder Knoten einer Schicht ist mit allen Knoten der nächsten Schicht verbunden, und jede dieser Verbindungen trägt ihr eigenes Gewicht. Das Signal läuft dabei immer nur in eine Richtung: von links nach rechts.

Das Bemerkenswerte passiert in den Zwischenschichten. Dort entstehen von selbst Zwischenmerkmale, nach denen niemand gefragt hat — etwa „hat eine dunkle Stelle am Rand“ oder „Kontur ist unrund“. Niemand hat sie definiert; sie ergeben sich aus den Beispielen. Je mehr Zwischenschichten ein Netz hat, desto feinere Zwischenmerkmale kann es bilden. Netze mit vielen Zwischenschichten nennt man tief — daher der Ausdruck Deep Learning, zu Deutsch „tiefes Lernen“.

4. Lernen heißt: Gewichte nachstellen

Am Anfang sind alle Gewichte reiner Zufall. Zeigt man dem frisch aufgesetzten Netz einen Apfel, rät es — und liegt meistens daneben. Das Training besteht dann aus einer Schleife, die immer gleich abläuft:

1. Dem Netz ein Beispiel zeigen, dessen richtige Antwort bekannt ist.
2. Das Netz eine Vermutung abgeben lassen.
3. Vermutung und richtige Antwort vergleichen — der Unterschied ist die Abweichung.
4. Alle Gewichte ein winziges Stück in die Richtung verstellen, die die Abweichung kleiner macht.

Dann kommt das nächste Beispiel. Und das nächste. Der Obsthof Wieland würde dafür einige tausend beschriftete Apfelfotos brauchen, die das Netz nicht einmal, sondern viele Male durchläuft.

Mehr ist es nicht. Kein Verstehen, kein Nachdenken, keine Einsicht — ein sehr oft wiederholtes Nachjustieren von Zahlen. Dass daraus am Ende etwas entsteht, das wie Erkennen aussieht, liegt allein an der Menge: Ein kleines Netz für die Apfelsortierung kommt mit einigen tausend Gewichten aus, die großen Sprachmodelle hinter heutigen KI-Assistenten haben hunderte Milliarden davon. Das Prinzip bleibt in beiden Fällen dasselbe.

5. Was dabei herauskommt — und was nicht

Ist das Training abgeschlossen, werden die Gewichte eingefroren. Das Netz kann nun auch Äpfel einordnen, die es nie gesehen hat: Es hat nicht die Beispiele auswendig gelernt, sondern das Muster dahinter. Diese Fähigkeit ist der eigentliche Gewinn.

Genauso wichtig sind die Grenzen:

• Es kann sich nicht erklären. Die Antwort steckt in Millionen von Zahlen verteilt, nicht in einem nachlesbaren Regelwerk. Warum ein bestimmter Apfel in die Saftkiste kam, lässt sich nicht einfach nachschlagen.
• Es ist nur so gut wie seine Beispiele. Zeigt man dem Netz ausschließlich grüne Äpfel, wird es bei roten unbrauchbar.
• Es liefert keine Sicherheit, sondern eine Einschätzung. Ein Netz sagt sinngemäß „zu 92 Prozent verkaufsfähig“ — nie „garantiert richtig“.
• Es kann nur seine eine Aufgabe. Ein Netz, das Äpfel sortiert, erkennt keine Birnen und liest keine Lieferscheine.

Achtung: Weil ein Netz seine Maßstäbe ausschließlich aus den Beispielen zieht, übernimmt es auch deren Schieflagen. Wer entscheidet, welche Beispiele ins Training gehen, entscheidet damit über das Verhalten des fertigen Systems — das ist eine inhaltliche Verantwortung, keine technische Nebensache.

Zusammenfassung

• Ein Knoten multipliziert seine Eingänge mit Gewichten, summiert sie und gibt nur weiter, wenn eine Schwelle überschritten ist.
• Ein Netz besteht aus vielen solchen Knoten in Schichten; das Signal läuft von der Eingangs- über die Zwischenschichten zur Ausgangsschicht.
• Lernen heißt: die Gewichte in sehr vielen Runden so lange nachstellen, bis der Abstand zur richtigen Antwort klein genug ist.
• Ein Netz kennt keine Regeln, nur Beispiele. Deshalb entscheidet die Auswahl der Beispiele darüber, wie gut und wie fair das Ergebnis ausfällt.