Künstliche neuronale Netze (KNN) sind Rechenmodelle, die vom Aufbau des menschlichen Gehirns inspiriert sind. Sie bestehen aus Knoten (Neuronen), die in Schichten angeordnet sind: einer Eingangsschicht, einer oder mehreren verdeckten Schichten und einer Ausgangsschicht. Die Verbindungen zwischen den Neuronen haben unterschiedliche Gewichtungen, die beim Training angepasst werden.
Stellen Sie es sich vereinfacht wie ein Netz aus vielen kleinen Entscheidungspunkten vor: Jeder Punkt bekommt Informationen, verarbeitet sie nach einfachen Regeln und gibt das Ergebnis an den nächsten Punkt weiter. In der Summe können diese einfachen Verarbeitungsschritte erstaunlich komplexe Aufgaben lösen — vom Erkennen von Zahlen auf Arbeitsblättern bis zum Generieren ganzer Geschichten.
Für den Schulkontext ist das Konzept neuronaler Netze besonders spannend, weil es sich gut kindgerecht erklären lässt. Es gibt sogar interaktive Werkzeuge wie Teachable Machine von Google, mit denen Grundschulkinder selbst einfache neuronale Netze trainieren können — zum Beispiel ein System, das Hunde- von Katzenfotos unterscheidet. So wird KI greifbar und entmystifiziert.