TL;DR: KI-Systeme wie ChatGPT oder Claude arbeiten nicht mit fest programmierten Regeln, sondern lernen Muster aus riesigen Datenmengen. Ein neuronales Netz – lose an das menschliche Gehirn angelehnt – wird in einer Trainingsphase mit Millionen Beispielen so angepasst, dass es später (Inferenz) ähnliche Aufgaben eigenständig löst.
- Klassische Programme folgen festen, von Menschen geschriebenen Regeln. KI-Modelle lernen Muster stattdessen aus Beispieldaten.
- Ein neuronales Netz besteht aus vielen einfachen Recheneinheiten (Neuronen), die in Schichten miteinander verbunden sind.
- Beim Training passt das System seine internen Werte (Parameter) schrittweise an, um Fehler bei einer Aufgabe zu minimieren.
- Nach dem Training folgt die Inferenz: die eigentliche Nutzung, bei der das fertige Modell auf neue Eingaben reagiert.
Der grundlegende Unterschied: Regeln vs. Lernen aus Daten
Ein klassisches Computerprogramm arbeitet nach festen, von Menschen geschriebenen Regeln: "Wenn X passiert, tue Y." Ein KI-System funktioniert anders – es lernt Muster aus einer grossen Menge an Beispielen, statt dass jede einzelne Regel manuell programmiert wird. Diese Fähigkeit, sich an Daten anzupassen statt starren Regeln zu folgen, ist der zentrale Unterschied zwischen klassischer Software und maschinellem Lernen.
Was ist ein neuronales Netz?
Künstliche neuronale Netze sind Computersysteme, die lose dem menschlichen Gehirn nachempfunden sind: Sie bestehen aus vielen miteinander verbundenen, einfachen Recheneinheiten – den sogenannten Neuronen –, die Informationen verarbeiten und in Schichten organisiert sind. Jede Verbindung zwischen zwei Neuronen hat ein sogenanntes Gewicht, eine Zahl, die bestimmt, wie stark ein Signal weitergegeben wird. Ein einzelnes Neuron ist dabei denkbar einfach – die eigentliche Leistungsfähigkeit entsteht erst durch das Zusammenspiel von Millionen oder Milliarden solcher Verbindungen.
Wie ein neuronales Netz "lernt"
Beim Training bekommt das System sehr viele Beispiele gezeigt – etwa Millionen Bilder von Katzen und Hunden, jeweils korrekt beschriftet. Zu Beginn sind die Gewichte des Netzes zufällig, die Vorhersagen entsprechend schlecht. Nach jeder Vorhersage vergleicht das System sein Ergebnis mit der bekannten richtigen Antwort und passt die Gewichte minimal so an, dass der Fehler beim nächsten Mal etwas kleiner wird. Dieser Vorgang wiederholt sich Millionen Male, bis das Netz zuverlässig zwischen den Mustern unterscheiden kann, die typisch für "Katze" oder "Hund" sind – ohne dass jemand jemals explizit programmiert hat, woran eine Katze zu erkennen ist.
Von Training zu Anwendung: die Inferenz
Ist das Training abgeschlossen, liegt ein fertiges Modell mit festgelegten Gewichten vor. Die eigentliche Nutzung dieses fertigen Modells – etwa wenn ein Nutzer eine Frage an ein KI-System stellt – nennt sich Inferenz. Dabei verändert sich das Modell selbst nicht mehr; es wendet lediglich die beim Training gelernten Muster auf die neue, unbekannte Eingabe an.
Ein Beispiel Schritt für Schritt
Angenommen, ein System soll lernen, Spam-E-Mails zu erkennen: Zunächst erhält es tausende E-Mails, jeweils markiert als "Spam" oder "kein Spam". Während des Trainings lernt das Netz, welche Muster (bestimmte Wörter, Absenderstrukturen, Formatierungen) häufig mit Spam zusammenhängen, und passt seine internen Gewichte entsprechend an. Nach dem Training kann das fertige Modell dann eine komplett neue, ihm unbekannte E-Mail bewerten und mit hoher Wahrscheinlichkeit richtig einordnen – basierend auf den gelernten Mustern, nicht auf einer festen Liste verbotener Wörter.
Warum das ein grundlegend anderer Ansatz ist
Der entscheidende Vorteil dieses Ansatzes: KI-Systeme können Muster erkennen, die zu komplex oder zu vielfältig sind, um sie von Menschen vollständig in feste Regeln zu fassen – etwa die unzähligen Variationen, wie ein handgeschriebenes "3" aussehen kann, oder die feinen sprachlichen Nuancen zwischen höflicher und unhöflicher Kommunikation. Der Nachteil: Ein trainiertes Modell "versteht" die Welt nicht im menschlichen Sinn, sondern erkennt statistische Muster – eine Einschränkung, die unter anderem zu den in unserem Beitrag "Was kann KI schon und was nicht" beschriebenen Schwächen führt.
Klassische Programmierung vs. KI im Vergleich
| Aspekt | Klassische Programmierung | KI (maschinelles Lernen) |
|---|---|---|
| Grundlage | Feste, von Menschen geschriebene Regeln | Muster, gelernt aus Beispieldaten |
| Anpassung an neue Fälle | Nur durch manuelle Regeländerung | Automatisch durch weiteres Training |
| Umgang mit Unschärfe | Schwierig (viele Sonderfälle nötig) | Gut geeignet für unscharfe, variantenreiche Muster |
| Nachvollziehbarkeit | Hoch (Regeln sind einsehbar) | Geringer (Muster in Millionen Gewichten "versteckt") |
Häufige Fragen (FAQ)
Ist ein neuronales Netz dasselbe wie das menschliche Gehirn? Nein, es ist nur lose davon inspiriert. Ein künstliches Neuron ist eine stark vereinfachte mathematische Funktion, keine biologische Nachbildung eines echten Gehirnneurons.
Warum braucht KI-Training so viele Daten? Weil das System die relevanten Muster selbst aus Beispielen ableiten muss, statt dass sie ihm explizit vorgegeben werden. Je mehr und vielfältigere Beispiele vorliegen, desto zuverlässiger kann das Modell verallgemeinern.
Was ist der Unterschied zwischen KI, maschinellem Lernen und Deep Learning? KI ist der Oberbegriff, maschinelles Lernen ein Teilbereich davon, und Deep Learning wiederum ein Teilbereich des maschinellen Lernens, der auf besonders vielschichtigen neuronalen Netzen basiert – ausführlicher erklärt in unserem KI-Begriffe-Glossar.
Fazit
Im Kern funktioniert KI durch das Lernen von Mustern aus grossen Datenmengen, statt durch fest programmierte Regeln: Ein neuronales Netz passt beim Training seine internen Gewichte schrittweise an, um Fehler zu minimieren, und wendet die gelernten Muster anschliessend in der Inferenz auf neue, unbekannte Eingaben an. Dieses Grundprinzip steckt hinter praktisch allen modernen KI-Anwendungen – von der Bilderkennung bis zu den grossen Sprachmodellen, die im nächsten Beitrag dieser Reihe genauer erklärt werden.
Quellen
- Neuronale Netze: Definition, Arten, Aufbau, Training – IPH Hannover
- Neuronale Netze und maschinelles Lernen: Die Grundlagen der KI-Entwicklung – IT-P
- Wie neuronale Netzwerke funktionieren und wie du sie nutzen kannst – OMR
- Neuronale Netze einfach erklärt: Dein Einstieg in KI – Dirks Computerecke
- Was ist ein neuronales Netz? – WFB Bremen