Ein künstliches neuronales Netzwerk (Neural Network) ist ein mathematisches Modell des maschinellen Lernens aus schichtweise verbundenen Knoten (Neuronen), das Zusammenhänge in Trainingsdaten über gewichtete Verbindungen erlernt.
Erklärung
Ein neuronales Netzwerk gliedert sich in eine Eingabeschicht (Input Layer), eine oder mehrere verborgene Schichten (Hidden Layers) und eine Ausgabeschicht (Output Layer). Jedes Neuron summiert seine gewichteten Eingabewerte, wendet eine nichtlineare Aktivierungsfunktion (etwa ReLU oder Sigmoid) an und gibt das Ergebnis an die nächste Schicht weiter. Während des Trainings vergleicht eine Verlustfunktion (Loss Function) die Vorhersage mit dem tatsächlichen Zielwert; über Backpropagation und Gradientenverfahren passt das System anschließend die Gewichte schrittweise an, um den Vorhersagefehler zu senken. Je mehr verborgene Schichten ein Modell besitzt (Deep Learning), desto abstraktere Merkmale kann es erfassen, von einfachen Zahlentrends bis zu Sprachstrukturen in Transformer-Netzen. In B2B-Software bilden neuronale Netze die technische Basis für Spracherkennung in Anruftranskripten, automatische Dokumentenklassifizierung und prädiktive Bewertungsmodelle.