Ein künstliches Neuronales Netz (Neural Network, ANN) ist ein Machine-Learning-Modell, das grob der Struktur biologischer Gehirne nachempfunden ist: Es besteht aus miteinander verbundenen Knoten (Neuronen), die in Schichten organisiert sind und Signale verarbeiten und weitergeben. Durch Training auf großen Datenmengen passen sich die Gewichte der Verbindungen zwischen Neuronen an – das Netz lernt, Muster zu erkennen und Ausgaben zu produzieren.
Neuronale Netze sind die technologische Grundlage des modernen Deep Learning: Netze mit vielen versteckten Schichten (Deep Neural Networks) können extrem komplexe Muster lernen – in Bildern, Sprache, Text und Zeitreihen. Sie sind der Kern hinter Spracherkennung, Bildklassifikation, Übersetzung und großen Sprachmodellen wie GPT.
Aufbau eines Neuronalen Netzes
Eingabeschicht
⬤ ⬤ ⬤ ⬤
Rohdaten empfangen: Pixelwerte, Texttokens, numerische Features
Versteckte Schichten
⬤ ⬤ ⬤ ⬤ ⬤
Mehrere Schichten lernen hierarchische Merkmale – Kanten, Formen, Konzepte
Ausgabeschicht
⬤ ⬤
Vorhersage ausgeben: Klasse, Wert oder Wahrscheinlichkeit
Neuronale Netz-Typen und ihre Stärken
- Feedforward-Netz (MLP): Einfachste Form – Daten fließen nur vorwärts. Gut für tabellarische Daten, Klassifikation und Regression
- Convolutional Neural Network (CNN): Spezialisiert auf räumliche Muster – ideal für Bildverarbeitung, Dokumentenerkennung, OCR
- Recurrent Neural Network (RNN/LSTM): Verarbeitet sequenzielle Daten mit Gedächtnis – Zeitreihen, Spracherkennung, Textgenerierung
- Transformer: Moderne Architektur für Sprachverarbeitung – Grundlage aller großen Sprachmodelle (GPT, BERT, LLaMA). Revolutioniert NLP und Generative KI
„Neuronales Netz“ ≠ menschliches Gehirn. Die Analogie ist inspirierend, aber irreführend, wenn zu wörtlich genommen: Künstliche Neuronen sind mathematische Funktionen, keine biologischen Zellen. Sie verarbeiten Zahlen, keine elektrochemischen Signale. Künstliche Netze sind auf spezifische, gut definierte Aufgaben spezialisiert – weit entfernt von der universellen Flexibilität des menschlichen Gehirns.
Praxisbeispiel
Ein Automationsdienstleister integriert ein CNN-Modell zur Rechnungsverarbeitung. Das Modell wurde auf 50.000 beschrifteten Rechnungsbildern trainiert. Es erkennt: Position von Lieferantenname, Rechnungsdatum, Betrag, IBAN und Bestellreferenz – unabhängig von Layout, Schriftart und Sprache. Leistung: 96,3 Prozent der Felder korrekt extrahiert. Vergleich: Regelbasiertes OCR mit Template-Erkennung: 71 Prozent bei bekannten Layouts, 28 Prozent bei unbekannten. Das CNN generalisiert auf neue Rechnungsformate ohne manuelle Template-Erstellung – der wichtigste Vorteil gegenüber regelbasierter Verarbeitung.
