Neuronales Netzwerk
?Info: Ein Mouseover über ein Neuron zeigt, was genau es berechnet hat.
Trainings-Recorder
Vorhersage testen: Bild
?Vorhersage testen: Text
?Mini-CNN / lokale Bildbereiche
?Warum? / Inspector
?Backpropagation
?Feature-Kontrolle
?Hier kannst du einzelne Input-Features aktivieren/deaktivieren und ihren Einfluss verstärken oder abschwächen. Das betrifft Basis-Features und automatisch gelernte Kombinationsfeatures.
Gelernte Kombinationsfeatures
?Gewichtungen & Features
?Log
?Anleitung – KI Trainings Lab
Index
0. Schnelleinstieg
Mit dem KI Trainings Lab kannst du ausprobieren, wie eine einfache KI aus Beispielen lernt.
Training – wichtige Hinweise
Du kannst jederzeit einfach starten. Mit ein paar Tipps bekommst du aber schneller bessere Ergebnisse:
- Ähnliche Anzahl pro Kategorie:
Versuche, jede Kategorie ungefähr gleich oft zu trainieren.
Beispiel: 10 Bilder von Äpfeln und 10 von Bananen - Ausreichend Beispiele:
Schon 5–10 Bilder pro Kategorie funktionieren.
Mit 10–20 Bildern werden die Ergebnisse meist deutlich stabiler. - Einfach beginnen:
Klare Bilder mit gut sichtbarem Objekt helfen der KI, das Grundprinzip schneller zu verstehen. - Später erweitern:
Wenn die KI gut funktioniert, kannst du schwierigere Bilder hinzufügen:
andere Hintergründe, Perspektiven oder Lichtverhältnisse.
Einfach gesagt:
Erst klare Beispiele zeigen → dann nach und nach realistischere Bilder hinzufügen
Der schnellste Weg:
- Füge mehrere Beispiele für eine Klasse hinzu, zum Beispiel Bilder oder Texte zu Apfel.
- Vergib als Label Apfel.
- Füge danach Beispiele für eine zweite Klasse hinzu, zum Beispiel Banane.
- Starte das Training.
- Teste anschließend ein neues Bild oder einen neuen Text.
Wichtig:
- Label = die Klasse, die gelernt werden soll, zum Beispiel Apfel oder Banane.
- Nur Tag-Features = zusätzliche Hinweise, zum Beispiel rot, rund, gelb, weich.
Je klarer die Beispiele und Labels sind, desto leichter kann die KI Unterschiede lernen.
1. Grundidee
Eine KI erkennt nicht „magisch“, was ein Bild oder Text bedeutet. Sie sucht nach Mustern.
Dafür werden Bilder und Texte in sogenannte Features zerlegt. Features sind Eigenschaften der Eingabe, also Dinge, die man daran erkennen kann.
Damit die KI damit rechnen kann, wird jede dieser Eigenschaften als Zahl dargestellt. Diese Zahl beschreibt, wie stark ein Merkmal in der Eingabe vorkommt.
Beispiele für Features:
- bei Bildern: Farbe, Helligkeit, Kontrast, Kanten
- bei Texten: Wörter, Wortgruppen, typische Begriffe
Beispiel:
rund = 0.6
gelb = 0.1
Die KI vergleicht neue Eingaben mit ihren gelernten Beispielen.
Das Ziel ist nicht, ein einzelnes Beispiel auswendig zu kennen, sondern ähnliche neue Beispiele richtig einzuordnen.
2. Labels und Tags
Labels sind die Antworten, die die KI lernen soll.
Beispiel: Alle Apfelbilder bekommen das Label „Apfel“.
Nur Tag-Features sind zusätzliche Hinweise. Sie können der KI helfen, wichtige Eigenschaften zu erkennen.
Beispiel: rot, rund, obst, schale
Wichtig:
- Ein Beispiel bekommt immer genau ein Label.
- Klassen müssen getrennt trainiert werden.
- Tags sind Hilfsmerkmale, aber keine eigenen Klassen.
Das Label ist die Antwort („Was ist das?“). Tags helfen der KI zu verstehen („Woran erkennt man das?“).
3. Daten trainieren
Training bedeutet: Die KI bekommt Beispiele und soll daraus typische Muster lernen.
Gute Trainingsdaten sind wichtiger als komplizierte Einstellungen. Lieber mehrere klare Beispiele pro Klasse als nur ein sehr langes oder sehr ähnliches Beispiel.
3.1 Bilder trainieren
Beim Bildtraining wählst du Bilder aus und gibst ihnen ein Label.
Die App liest aus jedem Bild einfache Eigenschaften aus:
- Farbanteile
- Helligkeit
- Kontrast
- Kanten und grobe Strukturen
Diese Bildmerkmale werden gespeichert und später mit neuen Bildern verglichen.
Tipp: Verwende verschiedene Perspektiven, Lichtverhältnisse und Hintergründe. Dadurch lernt die KI robuster.
3.2 Texte trainieren
Beim Texttraining wird ein Text in Merkmale zerlegt.
Die KI achtet zum Beispiel auf:
- einzelne Wörter
- Wortkombinationen
- Begriffe, die typisch für ein Label sind
Beispiel:
- „rund“, „knackig“, „Kerngehäuse“ können zu Apfel passen.
- „länglich“, „gebogen“, „schälbar“ können zu Banane passen.
Wenn du einen längeren Text eingibst, wird er in kleinere Textabschnitte zerlegt. Dadurch bekommt die KI mehrere Lernbeispiele statt nur einen großen Block.
Tipp: Klare, kurze Beschreibungen pro Klasse sind meistens besser als sehr verschachtelte Texte.
3.2a Text-KI Einstellungen
Die Text-KI-Einstellungen bestimmen, wie Texte ausgewertet werden.
Du kannst damit steuern, welche Textsignale stärker oder schwächer berücksichtigt werden. Für den Anfang sind die Standardwerte sinnvoll.
- Stopwörter entfernen: sehr allgemeine Wörter werden weniger wichtig.
Beispiel: „was ist der apfel“ → übrig bleibt „apfel" - Wörter normalisieren: ähnliche Wortformen werden besser vergleichbar.
Beispiel: „Bäume“, „Baum“ → werden beide zu „baum" - Synonyme nutzen: ähnliche Begriffe können zusammen betrachtet werden.
Beispiel: „krumm“ und „gebogen“ → ähnliche Bedeutung - N-Gramme aktivieren: Wortkombinationen werden zusätzlich ausgewertet.
Beispiel: „gelb gebogen“ wird als Kombination erkannt - TF-IDF-light nutzen: besonders typische Begriffe können stärker wirken.
Beispiel: „Obst“ kommt oft vor → schwach, „gebogen“ → stark - Text-KI / Semantik-Simulation: grobe Bedeutungsrichtungen werden als Zusatzsignal genutzt.
Beispiel: „gelb“ → Farbe, „baum“ → Pflanze
Textprofil-Gewicht
Das Textprofil vergleicht die Wörter und Wortkombinationen einer Eingabe mit dem, was die KI pro Label gelernt hat.
Ein höherer Wert bedeutet: Die Entscheidung richtet sich stärker nach den gelernten Begriffen eines Labels.
Für Textklassifizierung ist dieses Signal oft besonders wichtig.
Semantik-Gewicht
Die Semantik ist ein Zusatzsignal für grobe Bedeutung.
Sie kann helfen, wenn ein Text wenige direkte Wörter enthält, aber trotzdem in eine Richtung deutet.
Beispiel: Eine Frage wie „was ist gelb und gebogen?“ enthält wenige Wörter, kann aber trotzdem gut zu Banane passen.
Netzwerk-Gewicht
Dieses Gewicht bestimmt, wie stark die Ausgabe des neuronalen Netzwerks in die Textentscheidung einfließt.
Bei Texten ist das Netzwerk nur ein Teil der Entscheidung. Deshalb wird es mit den anderen Textsignalen kombiniert.
Profil-Gewicht
Der Profilvergleich prüft, wie ähnlich die aktuelle Eingabe den gelernten Klassenprofilen ist.
Er ist ein zusätzliches Vergleichssignal neben Textprofil, Semantik und Netzwerk.
N-Gramm-Stärke
N-Gramme sind Wortkombinationen.
Sie helfen, wenn eine Bedeutung erst durch mehrere Wörter entsteht.
Beispiel: „gelb gebogen“ ist aussagekräftiger als nur „gelb“.
Synonym-Stärke
Die Synonym-Stärke beeinflusst, wie stark ähnliche Begriffe zusammengeführt werden.
Das kann helfen, wenn verschiedene Texte dasselbe Objekt mit unterschiedlichen Wörtern beschreiben.
TF-IDF-Stärke
TF-IDF hilft dabei, typische Begriffe stärker zu bewerten als sehr allgemeine Begriffe.
Ein Wort ist besonders hilfreich, wenn es oft bei einer Klasse vorkommt, aber selten bei anderen Klassen.
Semantik-Stärke
Die Semantik-Stärke bestimmt, wie kräftig die erzeugten Bedeutungsmerkmale ausfallen.
Sie arbeitet zusammen mit dem Semantik-Gewicht: Die Stärke erzeugt das Signal, das Gewicht bestimmt seinen Anteil an der finalen Entscheidung.
Max. N-Gramm-Länge
Hier legst du fest, wie lang Wortkombinationen maximal sein dürfen.
- 1: nur Einzelwörter
- 2: Einzelwörter und Zweierkombinationen
- 3: Einzelwörter, Zweier- und Dreierkombinationen
Mehr Kombinationen können helfen, können bei sehr wenigen Daten aber auch unruhiger werden.
3.3 Warum Gegenbeispiele wichtig sind
Eine KI lernt Unterschiede. Dafür braucht sie mindestens zwei Klassen.
Wenn sie nur Apfel-Beispiele sieht, kann sie nicht lernen, was kein Apfel ist.
Gute Trainingsdaten:
- mehrere Beispiele pro Klasse
- ähnlich viele Beispiele pro Klasse
- möglichst unterschiedliche Beispiele
- klare Labels
- sinnvolle Tags
Die Datenqualität-Anzeige hilft dir zu erkennen, ob noch Beispiele fehlen oder Klassen unausgeglichen sind.
4. Training starten und verstehen
Beim Training versucht die KI, ihre Vorhersagen zu verbessern.
Sie vergleicht ihre Ausgabe mit dem richtigen Label und passt ihre internen Verbindungen an.
4.1 Lernrate und Epochen
Lernrate bedeutet: Wie stark die KI ihre Verbindungen pro Schritt verändert.
- klein: stabiler, aber langsamer
- groß: schneller, aber riskanter
Epochen bedeuten: Wie oft die Trainingsdaten wiederholt werden.
Mehr Epochen können helfen, aber zu viele Wiederholungen können dazu führen, dass die KI Trainingsbeispiele auswendig lernt.
4.2 Fehlerwert im Training
Der Fehlerwert zeigt, wie weit die Vorhersagen vom richtigen Ergebnis entfernt sind.
- niedriger Fehler: die Trainingsdaten werden gut getroffen
- hoher Fehler: die KI liegt noch oft daneben
Ein sehr niedriger Fehler ist aber nicht automatisch perfekt. Die KI soll nicht nur Trainingsdaten merken, sondern auch neue Eingaben erkennen.
4.2a Test-Loss und Overfitting
Der Test-Loss prüft, wie gut die KI mit Beispielen funktioniert, die nicht direkt für die Anpassung genutzt wurden.
Overfitting bedeutet: Die KI merkt sich Trainingsdaten zu stark und wird bei neuen Daten schlechter.
Ein großer Unterschied zwischen Trainings-Loss und Test-Loss ist ein Hinweis darauf.
4.3 Backpropagation
Backpropagation ist der Lernmechanismus des Netzwerks.
Vereinfacht passiert Folgendes:
- Die KI macht eine Vorhersage.
- Der Fehler wird berechnet.
- Der Fehler wird rückwärts durch das Netzwerk verteilt.
- Die Verbindungen werden angepasst.
So verbessert sich das Netzwerk Schritt für Schritt.
4.3a Alle Backpropagation-Signale anzeigen
Normalerweise zeigt das Netzwerk nur die stärksten Backpropagation-Signale. Dadurch bleibt die Darstellung übersichtlich.
Die Option „Alle Backpropagations anzeigen“ zeigt zusätzlich auch schwache Rückwärts-Signale.
Wann ist das sinnvoll?
- wenn du sehen möchtest, dass der Fehler wirklich durch alle Layer zurückläuft
- wenn du verstehen willst, dass auch kleine Verbindungen angepasst werden
- wenn du die vollständige Lernbewegung eines Trainingsschritts sichtbar machen möchtest
Wichtig: Bei vielen Features kann die Ansicht dadurch deutlich voller wirken. Das ist normal, weil Backpropagation viele Verbindungen gleichzeitig betrifft.
4.4 Trainings-Recorder
Der Trainings-Recorder zeigt dir, wie sich das Netzwerk während des Trainings verändert.
Du kannst damit nachvollziehen:
- wie sich der Fehler entwickelt
- wie sich Verbindungen verändern
- wann das Modell sicherer wird
5. Netzwerk verstehen
Das neuronale Netzwerk verarbeitet Features Schritt für Schritt.
5.1 Features
Features sind die Eingangswerte des Netzwerks.
Sie beschreiben, was an einem Bild oder Text auffällig ist.
Beispiele:
- Farbwerte
- Helligkeit
- Kanten
- Wörter
- Nur Tag-Features
5.2 Neuronen
Ein Neuron ist eine kleine Recheneinheit.
Es nimmt mehrere Werte auf, gewichtet sie und gibt daraus einen neuen Wert weiter.
5.3 Layer
Layer sind Schichten im Netzwerk.
- Input-Layer: nimmt die Features auf
- Hidden-Layer: kombiniert Merkmale
- Output-Layer: liefert die Klassenwerte
Mehr Layer oder mehr Neuronen können komplexere Muster ermöglichen, benötigen aber auch gute Trainingsdaten.
5.4 Linien und Signalfluss
Die Linien zeigen Verbindungen zwischen Neuronen.
- dickere Linie: stärkerer Einfluss
- positive Verbindung: verstärkt ein Signal
- negative Verbindung: schwächt ein Signal
Im Inspect-Modus kannst du sehen, welche Signale gerade besonders aktiv sind.
6. Erweiterte Feature-Funktionen
Diese Funktionen helfen dir, genauer zu verstehen, welche Merkmale die KI verwendet.
6.1 Gelernte Kombinationsfeatures
Manche Merkmale sind zusammen aussagekräftiger als einzeln.
Beispiel:
- „rot“ allein kann vieles bedeuten
- „rot + rund“ ist schon typischer für Apfel
Kombinationsfeatures zeigen dieses Prinzip.
6.2 Feature-Kontrolle
In der Feature-Kontrolle kannst du einzelne Merkmale verstärken, abschwächen oder deaktivieren.
Das ist nützlich, um zu verstehen, wie stark ein Merkmal die Entscheidung beeinflusst.
Wichtig: Manuelle Änderungen können die Vorhersage verändern.
6.3 Mini-CNN-Simulation
Die Mini-CNN-Simulation zerlegt ein Bild in kleine Bereiche.
So wird sichtbar, wo im Bild wichtige Informationen liegen.
Die Ansicht zeigt:
- lokale Farben
- lokale Helligkeit
- Kanten und Kontraste
- starke Bildbereiche als Heatmap
Dadurch wird verständlich, dass Bild-KI nicht nur das ganze Bild betrachtet, sondern auch Bereiche innerhalb des Bildes.
7. Warum? / Inspector
Der Inspector erklärt, worauf sich eine Analyse gerade bezieht und welche Werte zur Entscheidung geführt haben.
Oben steht der Bezug. Dort siehst du, ob gerade ein Testtext, ein Testbild, ein Störbild oder ein Trainingsbeispiel analysiert wird.
Der Inspector zeigt je nach Analyseart die passenden Entscheidungswerte.
- Bei Texttests: oben steht die finale kombinierte Text-KI-Entscheidung.
- Darunter: Textprofil, Semantik, Profilvergleich und Netzwerk werden einzeln aufgeschlüsselt.
- Bei Bildern und Trainingsbeispielen: der Inspector zeigt Netzwerk-Ausgabe, Profilvergleich und aktive Merkmale.
So ist sichtbar, ob eine Entscheidung vom Netzwerk allein kommt oder durch mehrere Textsignale gemeinsam entsteht.
Gelernte Text-Heatmap
Die gelernte Text-Heatmap zeigt, welche Begriffe die KI für ein ausgewähltes Label gelernt hat.
Sie zeigt also nicht den gerade eingegebenen Testtext, sondern das gelernte Wissen zu einem Label.
- Label „Apfel“ → typische Apfel-Merkmale
- Label „Banane“ → typische Bananen-Merkmale
Farben:
- Rot / Orange = hoher Einfluss
- Gelb = mittlerer Einfluss
- Grün = schwacher Einfluss
Die kleine Heatmap ist eine Vorschau. Beim Darüberfahren mit der Maus erscheint eine größere Detailansicht.
8. Vorhersage testen
Nach dem Training kannst du prüfen, wie die KI mit neuen Daten umgeht.
Du kannst entweder ein Bild hochladen oder einen Text eingeben.
Die Vorhersage zeigt:
- Erkannt: das wahrscheinlichste Label
- Confidence: wie stark die Entscheidung ausfällt
- Merkmale: welche Eigenschaften gefunden wurden
Ein knappes Ergebnis ist nicht automatisch falsch. Es bedeutet nur, dass die KI mehrere Labels ähnlich passend findet.
8.1 Confidence und Hinweise
Die Confidence hilft einzuschätzen, ob die Vorhersage eindeutig ist.
- hohe Confidence: die KI ist relativ sicher
- geringer Abstand: Ergebnis ist unsicher oder knapp
- auffällige Merkmale: zeigen, was die Entscheidung beeinflusst hat
8.2 Störbild-Test
Der Störbild-Test verändert ein Testbild leicht, zum Beispiel durch Helligkeit, Rauschen oder Drehung.
Wenn die Vorhersage schon bei kleinen Änderungen stark kippt, braucht die KI wahrscheinlich mehr oder vielfältigere Trainingsdaten.
9. Import / Export
Mit dem Export kannst du deinen aktuellen Stand speichern.
Gespeichert werden unter anderem:
- Trainingsdaten
- Labels und Tags
- Netzwerkstruktur
- Gewichte
- wichtige Einstellungen
Mit dem Import kannst du einen gespeicherten Stand wieder laden und weiterverwenden.
10. Logfenster
Das Logfenster zeigt, was die App gerade macht.
Dort erscheinen zum Beispiel:
- hinzugefügte Beispiele
- Trainingsmeldungen
- Warnungen
- Fehler
- Vorhersagen
Wenn etwas nicht funktioniert, ist das Logfenster ein guter erster Kontrollpunkt.
11. Grenzen dieser App
Das KI Trainings Lab ist eine Lern- und Visualisierungsumgebung.
Es soll verständlich machen, wie Training, Features, Netzwerk und Vorhersagen zusammenhängen.
Es ist kein Ersatz für große KI-Systeme oder professionelle Machine-Learning-Frameworks.
Wichtig:
- Die Bildanalyse ist vereinfacht.
- Die Text-KI ist eine verständliche Simulation, kein großes Sprachmodell.
- Die Ergebnisse hängen stark von der Qualität der Trainingsdaten ab.
Ziel:
Verstehen, ausprobieren und nachvollziehen, wie KI-Entscheidungen entstehen.
Viel Spaß beim Rumprobieren,
euer Christian :)