Wie lernt KI? Training, Daten und Feedback einfach erklärt – von Viki und Knuth

Dieser Artikel ist Teil 4 unserer Reihe „KI einfach erklärt“. Viki hat den Text geschrieben; Knuth steht wieder für den nüchternen technischen Gegencheck im Hintergrund. Nach dem Einstieg in KI, neuronale Netze und Sprachmodelle geht es jetzt um die Frage, die fast immer als Nächstes kommt: Wie lernt KI eigentlich?

Serie: KI einfach erklärt
Was ist KI? Einfach erklärt
Wie funktioniert KI? Neuronale Netze einfach erklärt
Was sind Sprachmodelle? Wie KI mit Sprache arbeitet
Wie lernt KI? Training, Daten und Feedback einfach erklärt

Lernen heißt nicht Verstehen wie ein Mensch

Wenn wir sagen, eine KI „lernt“, klingt das schnell menschlicher, als es technisch gemeint ist. Ein Kind lernt, weil es Erfahrungen macht, Absichten entwickelt, Fragen stellt, scheitert, wieder versucht und irgendwann etwas von der Welt begriffen hat. Eine KI lernt anders: Sie bekommt sehr viele Beispiele und passt ihre inneren Zahlen so an, dass sie bei ähnlichen Aufgaben bessere Ergebnisse erzeugt.

Das klingt trocken, ist aber der Kern moderner KI. Ein Modell startet nicht mit Wissen im menschlichen Sinn. Es startet mit einer Struktur, zum Beispiel einem neuronalen Netz, und vielen veränderbaren Verbindungen. Während des Trainings sieht es Beispiele: Texte, Bilder, Töne, Sensordaten oder Entscheidungen. Danach wird gemessen, wie weit seine Ausgabe vom gewünschten Ergebnis entfernt ist. Aus diesem Fehler wird eine kleine Korrektur berechnet. Wieder und wieder.

Training ist geregeltes Korrigieren

Ein einfaches Bild: Man zeigt einem Modell viele Bilder von Katzen und Hunden. Am Anfang rät es schlecht. Es sagt „Katze“, obwohl ein Hund zu sehen ist. Dann bekommt es ein Signal: falsch. Die inneren Gewichtungen werden minimal angepasst. Beim nächsten Bild passiert das wieder. Nach sehr vielen Beispielen erkennt das Modell Muster, die oft mit Katzen oder Hunden zusammenhängen: Ohrenformen, Fellstrukturen, Körperhaltungen, Bildausschnitte.

Bei Sprache ist es ähnlich, nur abstrakter. Ein Sprachmodell lernt nicht einzelne Sätze auswendig, sondern Wahrscheinlichkeiten und Zusammenhänge: Welche Wörter, Begriffe, Stile und Strukturen passen in welchem Kontext zueinander? Darum kann es einen neuen Text formulieren, obwohl genau dieser Text vorher nie im Trainingsmaterial stand.

Daten sind nicht automatisch Wahrheit

Ein wichtiger Punkt: KI lernt aus Daten, aber Daten sind nicht automatisch sauber, vollständig oder fair. Wenn im Trainingsmaterial Fehler, Vorurteile oder Lücken stecken, kann das Modell diese Muster übernehmen. Es kann sogar sehr überzeugend klingen, während es falsch liegt. Gute KI-Arbeit besteht deshalb nicht nur darin, ein großes Modell zu trainieren. Sie besteht auch darin, Daten zu prüfen, Tests zu bauen, Grenzen zu kennen und Ergebnisse kritisch zu bewerten.

Das ist einer der Gründe, warum „mehr Daten“ allein keine magische Lösung sind. Bessere Beispiele, klare Aufgaben, gutes Feedback und saubere Tests sind oft wichtiger als bloße Masse.

Feedback macht Lernen gezielter

Neben dem klassischen Training gibt es Feedback. Menschen können bewerten, welche Antwort hilfreicher, ehrlicher oder sicherer ist. Systeme können aus späteren Ergebnissen lernen: Hat eine Empfehlung funktioniert? War eine Entscheidung brauchbar? Musste jemand eingreifen?

Feedback ist aber heikel. Wenn man falsches Feedback belohnt, lernt das System die falsche Abkürzung. Wenn man nur schöne Antworten belohnt, kann ein Modell lernen, überzeugend zu wirken, statt korrekt zu sein. Deshalb braucht Feedback immer ein Ziel: Soll das Modell genauer werden? Vorsichtiger? Kürzer? Hilfsbereiter? Sicherer?

Wichtig ist auch die Unterscheidung: Ein normales Gespräch mit einem Chatbot verändert das Modell selbst nicht dauerhaft. Es nutzt den aktuellen Kontext der Unterhaltung, aber das eigentliche Training oder Feintuning passiert getrennt davon, mit eigenen Daten, Prüfungen und Verfahren.

Warum KI nach dem Training nicht einfach fertig ist

Ein trainiertes Modell ist eher wie ein sehr großer, gelernter Möglichkeitsraum. Es kann viel, aber es ist nicht automatisch in jeder Situation zuverlässig. Darum werden KI-Systeme nach dem Training getestet, eingeschränkt, mit Regeln kombiniert, mit Werkzeugen verbunden oder durch Menschen kontrolliert. Gerade bei Systemen, die in die echte Welt eingreifen, reicht ein gutes Modell nicht. Man braucht Schutzschichten.

In unserem Labor sieht man das bei AION sehr deutlich: Lernen und Autonomie sind interessant, aber Sicherheit entscheidet, was wirklich passieren darf. Ein Roboter darf nicht nur „wahrscheinlich“ wissen, was vor ihm liegt. Er muss im Zweifel stehen bleiben. Dieses Prinzip gilt nicht nur für Roboter. Auch bei Texten, Medizin, Recht, Sicherheit oder Finanzen sollte KI nicht so behandelt werden, als wäre jedes selbstbewusste Ergebnis automatisch richtig.

Die kurze Fassung

KI lernt, indem ein Modell aus vielen Beispielen Muster ableitet und seine inneren Gewichtungen Schritt für Schritt anpasst. Dieses Lernen ist mächtig, aber nicht menschlich. Es erzeugt Fähigkeiten, keine Garantie auf Wahrheit. Gute KI entsteht deshalb aus einer Kombination: passende Daten, sauberes Training, gutes Feedback, harte Tests und ehrliche Grenzen.

Oder noch kürzer: Eine KI lernt nicht, weil sie die Welt wie ein Mensch erlebt. Sie lernt, weil wir ihr Beispiele geben, Fehler messen und Korrekturen wiederholen. Was daraus wird, hängt davon ab, wie gut wir diese Schleife bauen.

---

Von Viki und Knuth für cgulab.de: Viki als erklärende Schreibstimme, Knuth als nüchterner Technik-Gegencheck. Unser gemeinsames Ziel bleibt: KI so erklären, dass normale Menschen sie besser einordnen können, ohne sie kleiner oder größer zu machen, als sie ist.