KI sichtbar gemacht
Diese Demo zeigt dir eine kleine, bewusst einfache KI zur Zahlenerkennung. Links zeichnest du ein 8x8-Muster. In der Mitte steuerst du das Training und siehst die Rechenschritte. Rechts erkennst du, welche Zahl das Modell auswählt, wie stark jede Klasse bewertet wird und welche Gewichte dabei helfen.
1. Eingabe-Matrix
Maus oder Touch: aktivierte Pixel = 1, leere Pixel = 0.
Tipp: Starte zuerst das Auto-Training. Danach male links leicht veränderte Zahlen und prüfe mit Ausführen, wie gut das gelernte Muster erkannt wird.
1
15
50
Bereit. Zeichne eine Zahl, trainiere sie oder starte das Auto-Training mit vorbereiteten Beispielen.
Trainingsdurchläufe
0
Aktive Pixel
0
Bias erkannten Klasse
0.0
Was passiert links?
Deine Zeichnung wird als Liste aus 64 Werten gespeichert. Jeder Wert ist 0 oder 1. Diese 64 Werte werden an die KI weitergegeben. Das ist die Eingabeschicht.
Deine Zeichnung wird als Liste aus 64 Werten gespeichert. Jeder Wert ist 0 oder 1. Diese 64 Werte werden an die KI weitergegeben. Das ist die Eingabeschicht.
2. Lernlogik und Rechenschritte
Die Demo ist absichtlich einfach, damit die einzelnen KI-Bausteine sichtbar bleiben.
Grundformel pro Zahl:
Score = Summe(Eingabe × Gewicht) + Bias
Für jede Zahl von 0 bis 9 gibt es intern ein eigenes Gewichtsmuster mit 64 Gewichten. Die Zahl mit dem höchsten Score gewinnt.
Score = Summe(Eingabe × Gewicht) + Bias
Für jede Zahl von 0 bis 9 gibt es intern ein eigenes Gewichtsmuster mit 64 Gewichten. Die Zahl mit dem höchsten Score gewinnt.
Was bedeutet Lernen hier?
- Die Zielzahl wird an aktivierten Pixeln verstärkt.
- Die fälschlich bevorzugte Zahl wird an denselben Stellen abgeschwächt.
- Mit mehreren Beispielen werden typische Pixelmuster stabiler.
Schritt-für-Schritt-Animation
Du kannst nach Ausführen oder Lernen beobachten, welche Phasen die KI durchläuft.
1. Eingabepixel einlesen
2. Mit Gewichten multiplizieren
3. Bias addieren
4. Scores vergleichen
5. Beste Zahl ausgeben
3. Netzwerk, Ergebnis und Gewichte
Rechts siehst du die vereinfachte innere Sicht der KI.
Netzwerk-Bild
Links stehen beispielhafte Eingabeknoten, in der Mitte eine Sammelschicht als Rechenschritt, rechts die 10 möglichen Zahlenausgaben. Helle Linien und leuchtende Ausgabeknoten zeigen, welche Bereiche gerade besonders stark beteiligt sind.
Links stehen beispielhafte Eingabeknoten, in der Mitte eine Sammelschicht als Rechenschritt, rechts die 10 möglichen Zahlenausgaben. Helle Linien und leuchtende Ausgabeknoten zeigen, welche Bereiche gerade besonders stark beteiligt sind.
?
Erkanntes Ergebnis
Noch keine Berechnung durchgeführt.
Scores aller Zahlen
Gewichtungsmatrix der aktuell gewählten Zahl
Noch keine Zahl ausgewählt.
4. Warum große Modelle so viel größer sind
64 Pixel = Eingabe
640 Gewichte = kleine Lernstruktur
viele Matrizen = großes Modell
Warum 64 Pixel und Millionen Gewichte nicht dasselbe sind
64 Pixel beschreiben nur das, was du links einzeichnest. Das ist die Eingabegröße dieser Demo: 8 × 8 = 64 Felder.
Gewichte sind etwas anderes: Sie sind die gelernten Verbindungen im Modell. Sie entscheiden, wie stark ein Eingabewert auf spätere Berechnungen wirkt.
Anders gesagt:
64 Pixel beschreiben nur das, was du links einzeichnest. Das ist die Eingabegröße dieser Demo: 8 × 8 = 64 Felder.
Gewichte sind etwas anderes: Sie sind die gelernten Verbindungen im Modell. Sie entscheiden, wie stark ein Eingabewert auf spätere Berechnungen wirkt.
Anders gesagt:
- Pixel = die Information, die hineingeht
- Gewichte = die gelernte Struktur des Modells
Warum GPUs nötig sind
Große Modelle bestehen aus vielen Schichten. In jeder Schicht werden Vektoren und Matrizen miteinander multipliziert. Das bedeutet: sehr viele gleichartige Rechenoperationen gleichzeitig. Genau das können Grafikkarten besonders gut. Sie rechnen viele Multiplikationen und Additionen parallel und können große Datenmengen schnell bewegen.
Große Modelle bestehen aus vielen Schichten. In jeder Schicht werden Vektoren und Matrizen miteinander multipliziert. Das bedeutet: sehr viele gleichartige Rechenoperationen gleichzeitig. Genau das können Grafikkarten besonders gut. Sie rechnen viele Multiplikationen und Additionen parallel und können große Datenmengen schnell bewegen.
64 Pixel = Eingabe
Gewichte = gelernte Struktur
viele Schichten = großes Modell
Datenfluss = Rechnen durch Matrizen
Was hier gemeint ist
Links startet die Eingabe. Dann laufen Werte durch mehrere gewichtete Matrizen. Genau dieser gestapelte Rechenweg macht große KI-Modelle so viel umfangreicher als ein kleines 8×8-Beispiel.
Was die Animation zeigt
Unten links startet die Eingabe. Die übereinander liegenden Flächen stehen für große Zahlenmatrizen. Die leuchtenden Verbindungen zeigen, dass Werte von Schicht zu Schicht weitergegeben und neu verrechnet werden. Genau dieser Stapel aus vielen großen Matrizen und ihren Gewichten macht moderne KI-Modelle groß.
Unten links startet die Eingabe. Die übereinander liegenden Flächen stehen für große Zahlenmatrizen. Die leuchtenden Verbindungen zeigen, dass Werte von Schicht zu Schicht weitergegeben und neu verrechnet werden. Genau dieser Stapel aus vielen großen Matrizen und ihren Gewichten macht moderne KI-Modelle groß.