Forward Propagation (Vorwärtsdurchlauf oder Forward Pass) ist der Berechnungsschritt in einem künstlichen neuronalen Netz, bei dem Eingabedaten Schicht für Schicht von der Eingabe- bis zur Ausgabeschicht verarbeitet werden, um einen Vorhersagewert zu berechnen.
Erklärung
Innerhalb jeder Schicht multiplizieren die Neuronen ihre Eingangswerte mit den gespeicherten Gewichten, addieren einen Schwellenwert (Bias) und wenden darauf eine nichtlineare Aktivierungsfunktion wie ReLU, GELU oder Softmax an. Im Modelltraining folgt auf die Forward Propagation der Abgleich der Ausgabe mit dem bekannten Zielwert über eine Verlustfunktion (Loss Function), bevor die Backpropagation die Gewichte in Gegenrichtung anpasst. Im späteren Produktivbetrieb (Inferenz) entfällt der Rückwärtsschritt vollständig: Jede Live-Anfrage an ein KI-Modell, etwa die Echtzeit-Klassifizierung eines Supporttickets oder die Berechnung des nächsten Tokens in einem Sprachmodell, besteht technisch aus reinen Vorwärtsdurchläufen mit feststehenden Gewichten.