Connect with us

Entwicklung & Code

KI-Überblick 3: Was sind neuronale Netze – und wie funktionieren sie?


Neuronale Netze gelten als Herzstück des modernen maschinellen Lernens. Sie sind die Grundlage zahlreicher Anwendungen – von der Spracherkennung über die Bildverarbeitung bis hin zu generativen Sprachmodellen wie GPT-5.

Oft klingen sie nach einem hochkomplexen, schwer durchschaubaren Konstrukt. Dabei basieren sie auf einem vergleichsweise einfachen Prinzip: der Verknüpfung vieler kleiner, gleichförmiger Recheneinheiten zu einem Netz, das in der Lage ist, selbst hochdimensionale Zusammenhänge zu modellieren.


the next big thing – Golo Roden

the next big thing – Golo Roden

Golo Roden ist Gründer und CTO von the native web GmbH. Er beschäftigt sich mit der Konzeption und Entwicklung von Web- und Cloud-Anwendungen sowie -APIs, mit einem Schwerpunkt auf Event-getriebenen und Service-basierten verteilten Architekturen. Sein Leitsatz lautet, dass Softwareentwicklung kein Selbstzweck ist, sondern immer einer zugrundeliegenden Fachlichkeit folgen muss.

Dieser Beitrag erläutert die Grundstruktur neuronaler Netze, erklärt die wichtigsten Begriffe und zeigt, warum bereits einfache Varianten erstaunlich leistungsfähig sein können.

Biologisch inspiriert, aber nicht biologisch

Neuronale Netze wurden ursprünglich von der Struktur des menschlichen Gehirns inspiriert. In der Biologie bestehen Gehirne aus Neuronen, die über Synapsen miteinander verbunden sind und elektrische Signale verarbeiten. Diese Analogie diente als Vorbild – allerdings ist sie oberflächlich zu verstehen. Die „Neuronen“ in einem künstlichen neuronalen Netz sind einfache mathematische Funktionen, die Eingabewerte gewichten, aufsummieren und das Ergebnis durch eine sogenannte Aktivierungsfunktion schicken. Es handelt sich also nicht um echte Nachbildungen biologischer Vorgänge, sondern um abstrahierte Rechenelemente.

Aufbau eines neuronalen Netzes

Ein künstliches neuronales Netz besteht aus mehreren Schichten:

  • Eingabeschicht (Input Layer): Die Eingabeschicht nimmt die Rohdaten auf. Jede Eingabevariable entspricht einem Knoten in dieser Schicht.
  • Verborgene Schichten (Hidden Layers): Verborgene Schichten bestehen aus Neuronen, die die Daten transformieren. Je nach Anzahl und Aufbau dieser Schichten spricht man von flachen oder tiefen Netzen.
  • Ausgabeschicht (Output Layer): Die Ausgabeschicht gibt das Ergebnis des Netzes zurück – zum Beispiel eine Klassifikation oder einen numerischen Wert.

Jedes Neuron einer Schicht ist mit den Neuronen der nächsten Schicht verbunden. Diese Verbindungen tragen sogenannte Gewichte, die während des Trainings angepasst werden. Zusätzlich besitzt jedes Neuron einen Bias, also eine Verschiebung, die unabhängig von den Eingaben wirkt.

Ein typisches Neuron berechnet eine gewichtete Summe seiner Eingaben, addiert den Bias und wendet dann eine Aktivierungsfunktion an. Diese Funktion entscheidet, ob und wie stark das Neuron „feuert“. Gängige Aktivierungsfunktionen sind die ReLU-Funktion (Rectified Linear Unit) oder die Sigmoid-Funktion.

Warum mehrere Schichten?

Ein einzelnes Neuron kann nur sehr einfache Abbildungen realisieren – etwa eine lineare Trennung zwischen zwei Klassen. Erst durch die Kombination vieler Neuronen in mehreren Schichten entsteht ein Netz, das auch komplexe, nicht lineare Zusammenhänge modellieren kann. Jede Schicht lernt dabei gewissermaßen eine andere Abstraktionsebene: In einem Netz zur Bilderkennung erkennen die ersten Schichten möglicherweise einfache Kanten, die mittleren geometrische Formen und die letzten komplexe Objekte wie Gesichter oder Schriftzeichen.

Diese Hierarchiebildung ist ein entscheidender Erfolgsfaktor neuronaler Netze. Sie macht es möglich, dass Systeme mit vergleichsweise wenig explizitem Wissen aus Beispieldaten lernen, was relevante Merkmale sind.

Wie ein Netz lernt

Das Training eines neuronalen Netzes erfolgt in zwei Schritten: dem Vorwärtsdurchlauf (Forward Propagation) und der Rückpropagierung (Backpropagation).

  1. Vorwärtsdurchlauf: Die Eingabedaten werden Schicht für Schicht durch das Netz geleitet, bis eine Ausgabe entsteht.
  2. Fehlerberechnung: Die Ausgabe wird mit dem erwarteten Ergebnis verglichen. Daraus ergibt sich ein Fehlerwert (zum Beispiel durch eine Verlustfunktion wie die mittlere quadratische Abweichung).
  3. Rückpropagierung: Der Fehler wird von der Ausgabeschicht rückwärts durch das Netz propagiert. Dabei werden die Gewichte schrittweise so angepasst, dass der Fehler beim nächsten Durchlauf kleiner wird. Dieser Prozess basiert auf Gradientenverfahren und wiederholt sich über viele Iterationen.

Dieser Ablauf ist rein rechnerisch. Das Netz „versteht“ dabei nichts im menschlichen Sinn – es passt lediglich Zahlenwerte an, um eine mathematische Funktion zu approximieren, die möglichst gut zu den Trainingsdaten passt.

Grenzen und Herausforderungen

Neuronale Netze sind leistungsfähig, aber nicht universell einsetzbar. Sie benötigen typischerweise große Mengen an Trainingsdaten, um verlässlich zu funktionieren. Zudem sind sie anfällig für Overfitting, also die Überanpassung an Trainingsdaten, wodurch sie bei neuen Eingaben schlechter generalisieren.

Ein weiterer Kritikpunkt ist die eingeschränkte Erklärbarkeit: Gerade tiefe Netze sind oft schwer zu analysieren, weil nicht klar ist, welche internen Repräsentationen sie gelernt haben. Deshalb wird an Explainable-AI-Verfahren geforscht, die mehr Transparenz ermöglichen sollen.

In der nächsten Folge wenden wir uns dem Deep Learning zu – also der Frage, was neuronale Netze „tief“ macht, warum Tiefe oft hilfreich ist und wie typische Architekturen wie Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs) funktionieren. Damit rücken wir ein Stück näher an die Methoden heran, die viele moderne KI-Anwendungen ermöglichen.


(rme)



Source link

Verwandte Themen:
Weiterlesen

Entwicklung & Code

Die Produktwerker: Mehr Wirkung durch verbesserte Metriken und KPIs


Tim Klein spricht in dieser Podcastfolge mit Marc Roulet von sevdesk darüber, warum bessere Metriken und Key Performance Indicators (KPIs) den Unterschied machen, wenn es um gute Produktentscheidungen geht. Beide erleben in ihrer Arbeit immer wieder, dass Organisationen Zahlen erheben, die zwar schnell verfügbar sind, aber wenig darüber aussagen, ob ein Produkt wirklich Nutzen stiftet. Marc Roulet ist ein erfahrener Experte im Bereich Analytics und Metriken und bei sevdesk verantwortlich für Data und Analytics. Er hat in ähnlichen Rollen unter anderem auch schon bei eBay, mobile.de und Xing Erfahrungen gesammelt.


Product Owner Day 2025, Online-Konferenz

Product Owner Day 2025, Online-Konferenz

(Bild: deagreez/123rf.com)

So geht Produktmanagement: Auf der Online-Konferenz Product Owner Day von dpunkt.verlag und iX am 13. November 2025 können Product Owner, Produktmanagerinnen und Service Request Manager ihren Methodenkoffer erweitern, sich vernetzen und von den Good Practices anderer Unternehmen inspirieren lassen.

Klarheit und Orientierung durch sinnvolle Metriken

Viele Teams orientieren sich an einfachen Kennzahlen wie Story Points oder der Anzahl ausgelieferter Features. Das zeigt den „Fleiß“, im Sinne von Output, sagt aber kaum etwas über die Wirkung aus. Bessere Metriken schauen auf Outcomes und helfen zu erkennen, ob Kundinnen und Kunden tatsächlich profitieren. Wer das ernst nimmt, stellt fest, dass nicht jede neue Funktion Wert für die Nutzer schafft – und dass auch das Weglassen eine wichtige Entscheidung sein kann.

Metriken sind kein starres System, das man einmal definiert und dann abarbeitet. Sie entfalten ihren Wert erst, wenn Teams regelmäßig hinschauen, sie diskutieren und gegebenenfalls anpassen – also aktiv mit ihnen arbeiten. So entsteht ein gemeinsames Verständnis, worauf es wirklich ankommt. Oft geht es darum, Hypothesen zu prüfen: Führt eine bestimmte Änderung tatsächlich zu mehr Nutzung? Verbessert sie ein relevantes Kundenerlebnis? Oder verpufft der Effekt?

Gerade für Product Owner liegt hier eine Chance. Sie sind nah an den Entscheidungen und können dafür sorgen, dass Gespräche über bessere Metriken nicht an der Oberfläche bleiben. Es geht nicht darum, Zahlen zu liefern, die gut aussehen, sondern um eine Grundlage, die schwierige Fragen und Entscheidungen ermöglicht. Was bedeutet Erfolg für unser Produkt? Wie messen wir Fortschritt, der über Auslastung und Geschwindigkeit hinausgeht und in Richtung unserer Produktvision führt?

Wer sich auf diesen Weg einlässt, wird merken, dass bessere Metriken Orientierung geben. Sie bringen Klarheit in Diskussionen mit Stakeholdern, machen Annahmen transparent und helfen Teams, bewusster zu entscheiden. So wird die Produktentwicklung weniger zu einer Abfolge von Aktivitäten und mehr zu einem Prozess von Wertgenerierung, der echten Unterschied macht.

Wer mit Marc Roulet direkt in Kontakt treten und weitere Fragen klären möchte, kontaktiert ihn am besten über sein LinkedIn-Profil.

Weiterführende Links

Die aktuelle Ausgabe des Podcasts steht auch im Blog der Produktwerker bereit: „Die Produktwerker: Bessere Metriken & KPIs für richtige Entscheidungen und mehr Wirkung„.


(mai)



Source link

Weiterlesen

Entwicklung & Code

software-architektur.tv: Was hält eine Softwarearchitektur flexibel?


Die Zukunft ist schwer vorhersehbar – umso wichtiger ist es, dass die Softwarearchitektur auf neue Anforderungen und Veränderungen reagieren kann. Doch wie erreicht man diese Flexibilität?

In dieser Episode seines Videocasts spricht Eberhard Wolff mit den Teilnehmenden über ihre Ideen und Ansätze, und im Anschluss teilt er seine eigenen Konzepte. Im Vorfeld hat er über Social Media (Bluesky, Mastodon, LinkedIn) nach Ideen gefragt.

Lisa Maria Schäfer malt dieses Mal keine Sketchnotes.

Livestream heute, am 1. September

Die Ausstrahlung findet heute, am 1. September 2025, live von 18 bis 19 Uhr statt. Die Folge steht im Anschluss als Aufzeichnung bereit. Während des Livestreams können Interessierte Fragen via Twitch-Chat, YouTube-Chat, Bluesky, Mastodon, Slack-Workspace oder anonym über das Formular auf der Videocast-Seite einbringen.

software-architektur.tv ist ein Videocast von Eberhard Wolff, Blogger sowie Podcaster auf iX und bekannter Softwarearchitekt, der als Head of Architecture bei SWAGLab arbeitet. Seit Juni 2020 sind über 250 Folgen entstanden, die unterschiedliche Bereiche der Softwarearchitektur beleuchten – mal mit Gästen, mal Wolff solo. Seit mittlerweile mehr als zwei Jahren bindet iX (heise Developer) die über YouTube gestreamten Episoden im Online-Channel ein, sodass Zuschauer dem Videocast aus den Heise Medien heraus folgen können.

Weitere Informationen zur Folge finden sich auf der Videocast-Seite.


(mdo)



Source link

Weiterlesen

Entwicklung & Code

Developer-Jobs unter KI-Druck? Zahl der ausgeschriebenen Junior-Stellen halbiert


Bereits seit Längerem wird debattiert, wie sich generative KI auf den Arbeitsmarkt auswirkt. Inzwischen rücken dabei die IT-Jobs in den Fokus, vor allem in der Software-Entwicklung. Glaubt man den CEOs der großen Techfirmen, wird immer mehr Code mittels KI generiert. Forscher der Universität Stanford kamen ferner in einer umfassenden Studie zum Ergebnis, dass es im US-Arbeitsmarkt primär die Jobeinsteiger trifft. So sei die Beschäftigung von 22- bis 25-jährigen Software-Entwicklern seit Ende 2022 um ein Fünftel gefallen.

Die iX-Redaktion sprach mit der Arbeitsmarktökonomin Virginia Sondergeld vom Jobportal Indeed über die Lage am IT-Arbeitsmarkt. Das Interview fand per E-Mail statt.




(Bild: 

Indeed

)

Virginia Sondergeld ist Ökonomin im Indeed Hiring Lab und forscht dort zu globalen sowie für den deutschen Markt spezifischen Arbeitsmarkttrends. Zuvor promovierte Virginia in Volkswirtschaftslehre am Deutschen Institut für Wirtschaftsforschung und der Freien Universität Berlin.

Laut einer aktuellen Stanford-Studie zum US-Arbeitsmarkt trifft die Verdrängung durch KI vor allem Einsteigerjobs, insbesondere in der Software-Entwicklung. Sollten junge Leute sich das besser noch mal besser überlegen, eine Karriere als Developer zu starten?

Der Wettbewerb um Einstiegsjobs, gerade im Tech-Bereich, ist in den letzten Jahren deutlich härter geworden. Mehr Konkurrenz sollte junge Menschen nicht grundsätzlich davon abhalten, ihre beruflichen Wünsche oder Leidenschaften zu verfolgen. Sie sollten sich jedoch bewusst sein, dass sich das Berufsbild und Anforderungen an Developer durch die KI-Revolution verändern: weg von einfachen Programmieraufgaben hin zu strategischen Tätigkeiten beim Design einer Softwarearchitektur sowie der Steuerung und Überwachung von KI-Systemen. Wer früh Praxiserfahrungen mit KI-Anwendungen sammelt und sich gezielt weiterbildet, kann sich auch in einem schwierigeren Marktumfeld durchsetzen.

Lässt sich in Deutschland denn eine ähnliche Entwicklung feststellen?

Ja, auch in Deutschland beobachten wir ähnliche Trends. Indeed-Daten zeigen, dass die Zahl der ausgeschriebenen Jobs in der Softwareentwicklung im Vergleich zum Jahr 2020 um rund 37 Prozent gesunken ist. Besonders stark betroffen sind dabei Einstiegsjobs: Junior-Stellen gingen im gleichen Zeitraum um 54 Prozent zurück, während die Zahl der Senior-Positionen nur um 15 Prozent abnahm. Es bedarf jedoch noch weiterer Forschung, um hier konjunkturelle Effekte von denen der KI zu isolieren. So verlief die Entwicklung der Junior- und Senior-Stellen bereits vor der breiten Verfügbarkeit generativer KI unterschiedlich.

In Deutschland klagen die Unternehmen traditionell gerne über den Mangel an IT-Fachkräften. Kann man sich da überhaupt leisten, Nachwuchsjobs zugunsten von KI zu streichen?

Langfristig: nein. Ohne Berufseinsteigerinnen und -einsteiger von heute fehlen die Fach- und Führungskräfte von morgen. Angesichts des demografischen Wandels werden in den nächsten Jahren viele erfahrene Fachkräfte aus dem Arbeitsmarkt ausscheiden. Eine nachhaltige Personalstrategie erfordert, jungen Talenten Einstiegsmöglichkeiten und klare Entwicklungsperspektiven zu bieten. Die zentrale Frage lautet dabei: Wie können Unternehmen Effizienzgewinne durch KI realisieren, ohne dabei den eigenen Nachwuchs aus dem Blick zu verlieren?

Lassen sich am generellen Arbeitsmarkt für ITler seit dem Aufkommen generativer KI Trends erkennen?

Die Zahl der IT-Stellen ist in den vergangenen Jahren insgesamt zurückgegangen, doch gleichzeitig werden KI-Kenntnisse immer stärker nachgefragt: Während am gesamten Arbeitsmarkt aktuell in rund 3 Prozent aller Stellenanzeigen KI-Kompetenzen erwähnt werden, liegt der Anteil in Tech-Berufen deutlich höher: beispielsweise bei 26 Prozent im Bereich Daten und Analytics, 18,2 Prozent in der Softwareentwicklung und 15,7 Prozent im Bereich IT-Anwendungen und -Lösungen. Kompetenzen in der Entwicklung und Anwendung generativer KI sind dabei ein wesentlicher Treiber. Der IT-Arbeitsmarkt ist also geschrumpft, entwickelt sich aber zugleich stark in Richtung KI-Spezialisierung.

Lässt sich bei den verschiedenen IT-Jobs differenzieren, wer stärker und wer weniger von KI betroffen ist?

Für die IT-Branche gilt, was auch in anderen wissensbasierten Berufen zu beobachten ist: Je standardisierter die Tätigkeit, desto eher kann KI sie ersetzen. Je spezialisierter und strategischer ein Job, desto weniger verringert KI derzeit seine Nachfrage am Arbeitsmarkt. Während KI Codezeilen generieren kann, braucht es weiterhin Entwicklerinnen und Entwickler, die die KI anleiten, Ergebnisse überprüfen, Fehler identifizieren und Sicherheitslücken schließen.

Auch Tätigkeiten mit hohem Praxisanteil, etwa die Bereitstellung und Wartung von Hardware, sind weniger automatisierbar. Zudem wächst durch den hohen Rechenbedarf von KI die Bedeutung von IT-System- und Infrastruktur-Spezialisten, die sicherstellen, dass Rechenzentren und Netzwerke zuverlässig und effizient funktionieren. KI übernimmt also nicht nur Jobs, sondern schafft auch neue Chancen am Arbeitsmarkt.

Wie stark macht sich der seit mehreren Jahren laufende Wirtschaftsabschwung am deutschen IT-Arbeitsmarkt bemerkbar? Stärker als KI?

Es ist schwer, die Effekte von Konjunktur und KI klar voneinander zu trennen. Während des Tech-Booms zwischen 2020 und Mitte 2022 wurde massiv in Digitalisierung investiert und viele neue Stellen wurden geschaffen. Seit der Abkühlung im Frühjahr 2022 gehen die Stellenausschreibungen im gesamten Arbeitsmarkt – und besonders im IT-Sektor – deutlich zurück. Dieser Rückgang setzte also bereits vor der breiten Verfügbarkeit generativer KI ein, was darauf hindeutet, dass vor allem der Wirtschaftsabschwung die aktuelle Entwicklung prägt. Mittel- bis langfristig dürfte jedoch die Verbreitung von KI entscheidend dafür sein, ob sich der Arbeitsmarkt für IT-Fachkräfte auch erholt, wenn die Wirtschaft wieder an Fahrt aufnimmt, oder ob bestimmte Tätigkeiten dauerhaft von generativer KI übernommen werden.

Vielen Dank für die Antworten, Frau Sondergeld!


(axk)



Source link

Weiterlesen

Beliebt