Wir haben bereits darüber gesprochen, was eine KI ist und was ein neuronales Netz im Inneren zusammenhält. Aber eine Frage bleibt offen: Wie wird ein solches Netz von einem Haufen zufälliger "Taschenrechner" zu einem Experten, der Texte schreiben oder Bilder erkennen kann?
Die Antwort liegt in einem Wort, das du ständig hörst: Training.
Stell dir vor, unser neuronales Netz ist wie ein Kind, das noch nie ein Tier gesehen hat. Seine internen Verbindungen und Parameter sind komplett zufällig eingestellt. Wenn du ihm jetzt ein Bild zeigst und fragst "Ist das eine Katze?", ist die Antwort reiner Zufall. Es weiß es schlicht und einfach nicht.
Genauso startet eine KI: als ein untrainiertes Modell, das noch nichts über die Welt oder seine spezifische Aufgabe weiß.
Jetzt beginnt das eigentliche Training. Und dieser Prozess läuft immer wieder in den gleichen, einfachen Schritten ab. Wir bleiben bei unserer Analogie: Wir haben einen riesigen Stapel Bildkarten, auf denen entweder eine Katze zu sehen ist oder nicht.
1. Ein Beispiel zeigen (Der Input)
Wir nehmen die erste Karte – ein Bild von einer Katze 🖼️ – und zeigen sie dem Kind (unserem KI-Modell).
2. Eine Vermutung anstellen (Die Vorhersage)
Das Kind, das noch keine Ahnung hat, rät einfach mal: "Das ist ein Hund!"
Das KI-Modell macht genau das Gleiche. Es verarbeitet das Bild und gibt aufgrund seiner zufälligen Einstellungen eine Vorhersage aus. Hierbei gilt: Die Antwort der KI ist höchstwahrscheinlich nicht mal ein Tier - sie kann genauso gut "Mensch", "Auto" oder "Oma" sagen.
3. Mit der Wahrheit vergleichen (Der Fehler)
Jetzt kommt der entscheidende Moment des Lernens. Wir geben Feedback. Wir sagen dem Kind: "Nein, das ist nicht .... Das ist eine Katze." ✅
In der KI-Welt berechnen wir mathematisch den "Fehler" (auch "Loss" genannt) – also den Unterschied zwischen der Vorhersage des Modells (nehmen wir als Beispiel "Auto") und der richtigen Antwort ("Katze").
4. Eine winzige Korrektur vornehmen (Die Anpassung)
Das Kind verarbeitet unser Feedback. Sein Gehirn nimmt eine winzige Anpassung vor: "Okay, dieses Ding mit den spitzen Ohren und den Schnurrhaaren ist also eine Katze. Merke ich mir."
Exakt das passiert auch im neuronalen Netz. Ein Korrektursignal wird von hinten nach vorne durch das gesamte Netz geschickt. Es sagt jedem einzelnen Neuron: "Hey, dein Beitrag hat zu einem Fehler geführt. Ändere deine Einstellung ein winziges bisschen, damit die Antwort beim nächsten Mal etwas näher an 'Katze' dran ist."
5. Wiederholen. Millionenfach.
Dieser Zyklus aus Zeigen → Raten → Vergleichen → Korrigieren ist der Kern des Trainings. Und jetzt kommt der entscheidende Punkt: Wir machen das nicht zehnmal. Wir machen es hunderttausende, millionen- oder sogar milliardenfach. Mit jeder einzelnen Wiederholung wird das Modell ein winziges Bisschen schlauer. 🔁
Nachdem das Kind tausende von Katzen- und Hundebildern gesehen hat, hat es ein inneres Konzept davon entwickelt, was eine Katze ausmacht. Zeigt man ihm jetzt ein neues, unbekanntes Katzenbild, wird es mit hoher Wahrscheinlichkeit sagen: "Das ist eine Katze!" 🏆
Genauso ist es mit dem KI-Modell. Nach dem intensiven Training sind seine internen Parameter nicht mehr zufällig. Sie sind perfekt darauf abgestimmt, die Muster zu erkennen, die eine Katze von allem anderen unterscheiden. Das "dumme" Modell ist zu einem Experten für eine ganz spezifische Aufgabe geworden. Es ist jetzt ein trainiertes Modell.
Jetzt denkst du vielleicht: "Okay, das Lernen mit beschrifteten Katzenbildern ist klar. Aber wie lernt ein Modell wie ChatGPT, das ganze Gespräche führt, auf diese Weise?"
Es ist faszinierend: Das grundlegende Prinzip des Lernzyklus (Zeigen → Raten → Vergleichen → Korrigieren) bleibt exakt dasselbe. Nur die "Beispiele" und die "richtigen Antworten" sehen anders aus.
Stell dir vor, statt eines Stapels Bildkarten haben wir das gesamte Internet als riesiges Textarchiv. Ein großer Teil des Trainings von ChatGPT (besonders in den Anfängen) funktionierte so:
Diesen Prozess wiederholt man milliardenfach. Man nimmt unzählige Texte und lässt das Modell immer wieder das nächste Wort vorhersagen. Mit der Zeit lernt es nicht nur einzelne Wörter, sondern komplexe Grammatik, Satzstrukturen, Fakten und sogar Argumentationsketten – einfach nur, indem es versucht, menschliche Texte so gut wie möglich nachzuahmen.
Die Methode, die wir gerade beschrieben haben – mit den beschrifteten Bildkarten ("Das ist eine Katze") – ist die häufigste Art des Trainings. Man nennt sie Überwachtes Lernen (Supervised Learning), weil ein "Lehrer" (der Mensch) dem Modell die richtigen Antworten gibt.
Es gibt aber noch zwei weitere wichtige Lernstile:
Das Training einer KI ist also kein mystischer Akt, sondern ein systematischer und datenintensiver Prozess. Es geht darum, ein Modell durch unzählige Beispiele und winzige Korrekturen so lange zu formen, bis es die gewünschte Fähigkeit beherrscht.
Zu verstehen, dass eine KI auf diese Weise lernt, ist extrem wichtig. Es zeigt uns auch, warum die Qualität und die Vielfalt der Daten, mit denen wir sie füttern, so entscheidend sind. Aber das ist ein Thema für unseren nächsten Artikel.
Nein, zumindest nicht bei den großen, öffentlichen Modellen. Das Training ist ein abgeschlossener, extrem aufwändiger Prozess. Deine Gespräche werden zwar (je nach deinen Datenschutzeinstellungen) zur zukünftigen Verbesserung neuerer Modelle genutzt, aber das aktuelle Modell, mit dem du sprichst, lernt nicht in Echtzeit von dir. Man kann dem Modell aber per Einstellungen und Eingaben bestimmte Verhaltensweisen "aufzwingen", etwa "Beginne deine Antworten immer mit 'Hallo'" oder "Formuliere deine Antworten als Gedicht". Diese übernimmt das Modell dann, "lernt" aber nichts daraus in dem Sinne.
Die KI lernt exakt das, was in den Daten steckt – mit allen Fehlern und Vorurteilen. Wurde eine KI zur Personalauswahl hauptsächlich mit Daten von männlichen Bewerbern trainiert, wird sie wahrscheinlich Männer bevorzugen. Dieses Problem nennt man "Bias" und es ist eine der größten Herausforderungen in der KI-Ethik.
Weil der Lernzyklus milliardenfach mit riesigen Datenmengen auf tausenden von hochspezialisierten Computerchips (GPUs) durchgeführt werden muss. Dieser Prozess kann Wochen oder Monate dauern und verbraucht dabei so viel Strom wie eine kleine Stadt. Deshalb können nur große Unternehmen die riesigen Basismodelle wie GPT-4 trainieren.
Im Prinzip ja, aber der Unterschied liegt im Detail und im Ausmaß.
Der grundlegende Lernzyklus – also eine Vorhersage machen, sie mit der Wahrheit vergleichen und sich dann anpassen – ist bei beiden gleich. Der Teufel steckt jedoch darin, wer lernt und wie er lernt:
Jetzt kostenlos abonnieren und immer auf dem Neuesten bleiben. 🚀
