Künstliche Intelligenz einfach erklärt: Enterprise-Fundamente für CIOs

Der Begriff der künstlichen Intelligenz wird in öffentlichen Debatten häufig mit spekulativen Science-Fiction-Metaphern überfrachtet. Für CIOs und technische Führungskräfte verstellt diese emotionale Aufladung den Blick auf die eigentliche Realität moderner IT-Infrastrukturen. In der betrieblichen Praxis existieren keine denkenden Maschinen, sondern hochentwickelte statistische Rechenwerke zur hochdimensionalen Mustererkennung.

Ob automatisierte Dokumentenverarbeitung, Code-Generierung oder prädiktive Wartung: Der wirtschaftliche Nutzen von KI-Systemen hängt nicht von philosophischen Fragestellungen ab. Entscheidend ist das präzise Verständnis der zugrundeliegenden mathematischen Operationen, der erforderlichen Rechenbudgets sowie der Unterschiede zwischen Modelltraining und produktivem Inferenzbetrieb. Wer diese Zusammenhänge ignoriert, riskiert Fehlinvestitionen in unpassende Hardware und unkontrollierte Cloud-Kosten.

Dieser Leitfaden führt technische Entscheider durch die architektonischen Fundamente künstlicher neuronaler Netze. Wir entschlüsseln Matrizenmultiplikationen, Backpropagation und Speicherbandbreiten ohne akademischen Ballast. Zudem analysieren wir die 60-Monate-Gesamtkosten im Vergleich zwischen Hyperscaler-APIs und souveränen On-Premises-Inferenz-Clustern.

Der mathematische Kern: Wie neuronale Netze Daten verarbeiten

Künstliche neuronale Netze (Artificial Neural Networks, ANN) bilden das architektonische Fundament des modernen Deep Learning. Trotz ihrer biologisch inspirierten Namensgebung handelt es sich nicht um Nachbildungen menschlicher Nervenzellen. Vielmehr stellen sie mehrschichtige mathematische Funktionsgraphen dar, die strukturierte oder unstrukturierte Eingangsdaten in hochdimensionale numerische Vektoren überführen.

Der prinzipielle Aufbau gliedert sich in eine Eingangsschicht (Input Layer), eine variable Anzahl verdeckter Schichten (Hidden Layers) und eine Ausgangsschicht (Output Layer). Innerhalb dieser Schichten verarbeiten künstliche Knoten ankommende Zahlenwerte. Jeder Knoten berechnet eine gewichtete Summe seiner Eingaben, addiert einen Bias-Term und leitet das Zwischenergebnis durch eine nichtlineare Aktivierungsfunktion.

Mathematisch lässt sich dieser Vorgang als Abfolge linearer Vektor- und Matrizenmultiplikationen beschreiben. Ein Eingangsvektor wird mit einer Gewichtsmatrix multipliziert und um einen Schwellenwert bereinigt. Ohne nachgeschaltete Aktivierungsfunktionen wie ReLU (Rectified Linear Unit) oder GELU (Gaussian Error Linear Unit) bliebe das gesamte Netzwerk jedoch lediglich eine Kette linearer Gleichungen ohne Lernfähigkeit für komplexe Zusammenhänge.

Die Nichtlinearität befähigt das Netz, hochkomplexe geometrische Entscheidungsgrenzen in mehrdimensionalen Räumen zu konstruieren. Bilddaten, Audiosignale oder Fließtexte werden dabei als Tensoren repräsentiert: mehrdimensionale Zahlenfelder, die durch das Netzwerk propagiert werden. Was Beobachter als Sprachverständnis wahrnehmen, ist in Wahrheit die geometrische Projektion von Token-Abständen in einem abstrakten Vektorraum.

Lernparadigmen: Supervised, Unsupervised und Self-Supervised Learning

Damit ein neuronales Netzwerk nützliche Ausgaben liefert, müssen die anfangs zufälligen Gewichte systematisch angepasst werden. In der klassischen Mustererkennung dominierte lange das überwachte Lernen (Supervised Learning). Hierbei benötigt der Algorithmus umfangreiche, von Menschen annotierte Trainingsdatensätze mit eindeutigen Zielbeschriftungen, um Korrelationen zwischen Eingabemerkmalen und gewünschten Ausgabeetiketten zu erlernen.

Beim unüberwachten Lernen (Unsupervised Learning) analysiert das Modell unbeschriftete Rohdaten völlig eigenständig. Typische Verfahren wie K-Means-Clustering oder Hauptkomponentenanalysen identifizieren verborgene Cluster, Ähnlichkeitsstrukturen oder Anomalien in großen Datenbeständen. Für betriebliche Fraud-Detection-Systeme und Segmentierungsaufgaben bildet dieses Paradigma eine wichtige funktionale Säule.

Den Durchbruch moderner Large Language Models ermöglichte jedoch das selbstüberwachte Lernen (Self-Supervised Learning). Hierbei generieren die Trainingsdaten ihre Zielvorgaben selbst, typischerweise durch das Verdecken oder Vorhersagen nachfolgender Token in gigantischen Textkorpora. Dieses Prinzip erlaubt das Trainieren von Milliarden Parametern auf unannotierten Internet- und Unternehmensdaten ohne manuelle Beschriftungskosten.

Keine bewusste Kognition: Statistische Mustererzeugung im Latenzraum

Für die strategische IT-Planung ist die Entzauberung der Begriffswelt fundamental. Sprachmodelle denken nicht logisch, besitzen kein Weltwissen und empfinden kein Bewusstsein. Sie fungieren als extrem leistungsfähige Wahrscheinlichkeitsgeneratoren. Auf Basis ihrer trainierten Gewichte ermitteln sie für jede Texteingabe eine statistische Wahrscheinlichkeitsverteilung über das gesamte Token-Vokabular.

Das nachfolgende Token wird über probabilistische Sampling-Verfahren wie Temperature oder Top-p ausgewählt. Jede Formulierung ist das mathematische Resultat von Vektorabständen im latenten semantischen Raum. Das Modell wiederholt diese Berechnung autoregressiv für jedes einzelne Wort, bis ein Stopp-Token signalisiert, dass die erzeugte Sequenz statistisch komplett ist.

Ergänzende Architektur-Analysen und technische Entscheidungsmatrizen für Ihre IT-Planung finden Sie in unseren weiterführenden Leitartikeln zu Google Gemini im Enterprise-Einsatz sowie zu KI-Workloads im Enterprise-Einsatz.

Training versus Inferenz: Zwei vollkommen gegensätzliche Rechenwelten

In der betrieblichen Praxis begehen viele IT-Verantwortliche den Fehler, KI-Infrastruktur als homogene Rechenlast zu betrachten. Tatsächlich zerfällt der Lebenszyklus eines Modells in zwei grundverschiedene Disziplinen mit gegensätzlichen Hardware-Anforderungen: das initiale Modelltraining und die operative Inferenz im Produktivbetrieb.

Das Training gleicht dem Aufbau einer gigantischen Wissensmatrix. Über einen iterativen Vorwärts- und Rückwärtsdurchlauf (Forward- and Backward-Pass) verarbeitet das Cluster Terabytes an Text- oder Bilddaten. Eine mathematische Verlustfunktion (Loss Function) misst die Differenz zwischen der Modellausgabe und dem tatsächlichen Zielwert.

Mittels Backpropagation und stochastischem Gradientenabstieg berechnen Algorithmen wie AdamW die partiellen Ableitungen für jeden einzelnen Modellparameter. Diese Gradienten geben an, in welche Richtung und um welchen Betrag die Gewichte angepasst werden müssen, um den Gesamtfehler zu minimieren.

Dieser Trainingsprozess fordert gigantische Mengen an Fließkomma-Rechenleistung (FLOPS) über Tage, Wochen oder Monate hinweg. Moderne Basismodelle verschlingen Hunderte ZettaFLOPS an Rechenarbeit und erfordern riesige GPU-Verbünde, die über Hochgeschwindigkeitsnetze gekoppelt sind. Wie Unternehmen den passenden Modellumfang für ihre spezifischen Fachdomänen bestimmen, zeigt unsere Analyse zur Architektur und Dimensionierung von KI-Modellen.

Während das Training hochgradig compute-bound ist und massive Rechencluster voll auslastet, gelten für die produktive Bereitstellung im Unternehmensnetzwerk völlig andere Gesetzmäßigkeiten. Im Inferenzbetrieb stehen nicht Trainingszeiten im Vordergrund, sondern Reaktionsgeschwindigkeit, Benutzerzufriedenheit und planbare Betriebskosten.

„Künstliche Intelligenz im Unternehmen scheitert selten an der Modelltheorie, sondern an der Unterschätzung der Inferenz-Ökonomie: Wer Token unreflektiert mietet, baut eine unkalkulierbare Kostenlawine auf, statt digitale Substanz zu schaffen.“

Bei der Inferenz sind die Modellgewichte unveränderlich eingefroren (Frozen Weights). Das System führt ausschließlich den Vorwärtsdurchlauf aus, um eingehende Benutzeranfragen zu beantworten. Die primären Leistungskennzahlen verschieben sich von PetaFLOPS zu Time-to-First-Token (TTFT), Inter-Token-Latenz und Durchsatz in generierten Token pro Sekunde.

Eine zentrale Herausforderung für die Speicherarchitektur stellt dabei der sogenannte KV-Cache (Key-Value Cache) dar. Um während der fortlaufenden Generierung nicht bei jedem Token die gesamte vorherige Historie neu berechnen zu müssen, speichert der Server berechnete Aufmerksamkeitstensoren im GPU-Arbeitsspeicher zwischen.

Mit wachsendem Kontextfenster und steigender Anzahl paralleler Nutzersitzungen explodiert der Speicherbedarf des KV-Caches linear. Ein Modell mit 70 Milliarden Parametern benötigt so bei langen Konversationen schnell mehr VRAM für den Zwischenspeicher als für die eigentlichen Modellgewichte, was die Anzahl simultan bedienbarer Nutzer ohne hardwarenahe Optimierungen drastisch limitiert.

Hardware-Engpässe im Detail: Compute-Bound versus Memory-Bandwidth-Bound

Um Hardware-Investitionen wirtschaftlich abzusichern, müssen Systemarchitekten das Roofline-Modell verstehen. Dieses ingenieurtechnische Modell visualisiert das Verhältnis zwischen der Rechenleistung eines Prozessors (Operations per Second) und dessen Speicherbandbreite (Bytes per Second). Es definiert, ob eine Arbeitslast durch Rechenkerne oder durch Datentransfers begrenzt wird.

Während das parallele Batch-Training klassisch compute-bound agiert und Matrixmultiplikationen die Tensor-Kerne maximal auslasten, ist die autoregressive Textgenerierung bei kleinen Batch-Größen fast ausnahmslos memory-bandwidth-bound. Für jedes einzelne generierte Token müssen sämtliche Milliarden Parameter des Modells einmal vollständig aus dem VRAM in die Rechenkerne geladen werden.

Aus diesem Grund entscheidet nicht die reine TFLOPS-Angabe einer Beschleunigerkarte über die Inferenzgeschwindigkeit, sondern die Bandbreite des Grafikspeichers. Moderner High Bandwidth Memory (HBM3e) liefert Datentransferraten von über drei Terabyte pro Sekunde, um die Recheneinheiten verzögerungsfrei mit Gewichtsmatrizen zu versorgen.

Um den Speicherbedarf und die Bandbreitenanforderungen zu reduzieren, setzen moderne Inferenz-Engines auf mathematische Quantisierung. Hierbei werden Gewichte von 16-Bit-Fließkommazahlen (FP16 oder BF16) auf 8-Bit- oder 4-Bit-Ganzzahlen (INT8, INT4, AWQ) komprimiert. Durch diesen Schritt schrumpft der VRAM-Bedarf um 50 bis 75 Prozent bei minimalem Qualitätsverlust.

Dank fortschrittlicher Quantisierungsverfahren lassen sich leistungsfähige Modelle heute auf kompakter Standard-Server-Hardware mit handelsüblichen Beschleunigern effizient betreiben. Wie praxistaugliche Open-Source-Architekturen ohne US-Cloud-Abhängigkeit aufgesetzt werden, vertieft unser Praxisleitfaden zu Open-Source-LLMs wie Llama im Enterprise-Einsatz.

Enterprise-Architekturvergleich: KI-Bereitstellungsmodelle im Bloomberg-Radar

Vor der Freigabe von Projektbudgets müssen CIOs die technischen und kaufmännischen Eigenschaften der verfügbaren Bereitstellungswege gegeneinander abwägen. Oft zeigt sich erst im direkten Systemvergleich, dass reine API-Nutzungsverträge bei wachsendem Transaktionsvolumen gravierende Kosten- und Kontrollrisiken mit sich bringen.

Die nachfolgende Bloomberg-Radar-Matrix stellt die Anbindung kommerzieller Hyperscaler-APIs und den souveränen Betrieb privater Inferenz-Cluster anhand der fünf wichtigsten architektonischen Entscheidungsdimensionen gegenüber:

Die Gegenüberstellung verdeutlicht, dass die Wahl des Betriebsmodells weit über operative Bequemlichkeit hinausgeht. Während Hyperscaler-APIs für initiale Pilotphasen und explorative Tests unschlagbar schnell einsatzbereit sind, wandelt sich die verbrauchsabhängige Abrechnung bei flächendeckender Skalierung rasch zu einem unkalkulierbaren Budgetrisiko für die Unternehmens-IT.

Demgegenüber erfordert der Aufbau einer privaten Inferenz-Infrastruktur zwar anfängliche Investitionen in Server-Hardware und Betriebskompetenz. Er garantiert dem Unternehmen jedoch dauerhafte Kostendeckelung, strikte Einhaltung europäischer Datenschutzstandards und vollständige Kontrolle über die verwendeten Gewichtsmatrizen und Systemprompts.

Vollkostenrechnung über 60 Monate: Token-Miete versus souveräner Inferenz-Cluster

Für eine fundierte Vorlage im Investitionsausschuss betrachten wir eine repräsentative Referenzumgebung eines Industrie- oder Dienstleistungsunternehmens mit 5.000 Mitarbeitern. Ausgerollt werden typische produktive Szenarien wie Dokumentenanalyse, unternehmensweites Wissensmanagement über Retrieval-Augmented Generation (RAG) und automatisierter Kundendienst.

Bei einer durchschnittlichen Nutzung fällt ein tägliches Transaktionsvolumen von 50 Millionen verarbeiteten Token (Input und Output) an. Bei 240 Arbeitstagen pro Jahr summiert sich dies auf ein jährliches Volumen von 12 Milliarden Token, beziehungsweise 60 Milliarden Token über den standardisierten Betrachtungszeitraum von fünf Jahren (60 Monate).

Bezieht das Unternehmen diese Leistung über kommerzielle Hyperscaler-APIs für performante Enterprise-Modelle zu marktüblichen Mischpreisen von rund 30 Euro pro Million Token, entstehen jährliche OPEX-Kosten von 360.000 Euro. Über 60 Monate summieren sich die Ausgaben auf mindestens 1,80 Millionen Euro ohne Aufbau dauerhafter Vermögenswerte.

Stellt man dieselbe Kapazität über ein eigenes Inferenz-Cluster bereit, umfasst die Zielkonfiguration zwei redundante GPU-Server mit jeweils vier Enterprise-Beschleunigern, optimiert für quantisierte Open-Source-Modelle. Die Anschaffungskosten für Hardware und Netzwerk-Fabrics belaufen sich auf rund 180.000 Euro, ergänzt durch einmalige Integrationskosten von 60.000 Euro.

Unter Berücksichtigung von Rechenzentrumsstrom, Kühlung, Rackspace, Software-Support und internem Administrationsaufwand belaufen sich die laufenden Betriebskosten auf etwa 70.000 Euro jährlich. Die Gesamtkosten über 60 Monate liegen damit bei lediglich 590.000 Euro. Das Unternehmen realisiert eine Ersparnis von über 1,2 Millionen Euro.

Der wirtschaftliche Break-Even-Punkt wird bereits nach rund neun bis zwölf Monaten erreicht. Ab diesem Zeitpunkt arbeitet der Eigenbetrieb mit einem Bruchteil der variablen Grenzkosten einer Cloud-Lösung. Eine vertiefte Methodik zur Wirtschaftlichkeitsberechnung bietet unser Fachbeitrag zur Berechnung des messbaren KI-ROI und Effizienzpotenzials.

Die Make-or-Buy Sourcing-Weiche: Drei Betriebsmodelle für Unternehmen

Die Entscheidung über die Bereitstellungsform künstlicher Intelligenz ist keine binäre Entweder-Oder-Frage. Abhängig von Datenklassifizierung, Latenzanforderungen und internen Betriebskapazitäten etablieren erfolgreiche Organisationen ein dreistufiges Betriebsmodell zur optimalen Ressourcenallokation.

Erstens (Eigenbetrieb): Für geschäftskritische Kernprozesse mit strengen Geheimhaltungsstufen, proprietärem Code oder sensiblen Kundendaten betreiben Unternehmen quelloffene Gewichtsmatrizen auf eigener Hardware im gesicherten Firmennetzwerk. Dieser Ansatz bietet absolute Datenautonomie, garantiert unveränderliche Latenzprofile und eliminiert jeglichen Datenabfluss an externe Dritte vollständig.

Zweitens (Co-Managed): Bei hohem Transaktionsvolumen ohne eigene Serverraum-Kapazitäten mieten Organisationen dedizierte Bare-Metal-GPU-Instanzen in zertifizierten europäischen Colocation-Rechenzentren an. Die Betriebsverantwortung für Hardware und Hypervisor liegt beim Rechenzentrumsanbieter, während das unternehmenseigene IT-Team die Inferenz-Engines und Fachanwendungen in isolierten Containern souverän steuert.

Drittens (Managed Service): Für unkritische Standardanwendungen, kurzfristige Machbarkeitsstudien oder stark schwankende Lastspitzen werden standardisierte API-Dienste europäischer Cloud-Anbieter flexibel angebunden. Der Fokus liegt hierbei auf sofortiger Verfügbarkeit ohne Vorab-Investitionen, wobei klare vertragliche Zusicherungen gegen die Verwendung von Unternehmensprompts für das Modelltraining unverzichtbar sind.

Flankiert werden diese Betriebsmodelle durch verbindliche Governance-Vorgaben. Die europäische KI-Verordnung verpflichtet Unternehmen zur Risikoklassifizierung ihrer Systeme und verlangt umfassende Dokumentations-, Transparenz- und Überwachungspflichten. Wie CIOs eine konforme Governance-Struktur aufbauen, beschreiben unsere Strategischen KI-Leitlinien für Führungskräfte.

Der 4-Phasen-Umsetzungsfahrplan: Von der mathematischen Evaluierung zum stabilen Inferenzbetrieb

Um KI-Technologien ohne Reibungsverluste und Fehlinvestitionen im Unternehmensbetrieb zu etablieren, empfiehlt sich ein strukturiertes Vorgehen in vier aufeinander aufbauenden Phasen. Dieser Plan führt IT-Teams von der ersten Anwendungsanalyse bis zum stabilen Inferenzbetrieb über zwölf Monate.

Phase 1 (Monat 1 bis 2): Use-Case-Triage, Latenzbudget und Datenklassifizierung

Zu Beginn identifiziert und priorisiert das Projektteam konkrete Anwendungsfälle nach Geschäftsnutzen und Umsetzbarkeit. Für jedes Szenario werden Zielmetriken definiert: geforderte Token-Generierungsrate, maximale Antwortzeit und zulässige Fehlertoleranz. Parallel erfolgt die Einstufung der verarbeiteten Daten nach Schutzbedarf und regulatorischen Anforderungen des EU AI Act.

Phase 2 (Monat 3 bis 4): PoC-Validierung, Quantisierungs-Tests und Hardware-Sizing

In einer isolierten Laborumgebung evaluiert das Team verschiedene Modellarchitekturen und Quantisierungsstufen wie FP16 versus INT4. Anhand repräsentativer Testdatensätze wird gemessen, wie stark die semantische Ausgabequalität unter der Kompression leidet. Auf dieser Basis erfolgt die präzise Dimensionierung der benötigten VRAM-Kapazitäten und Speicherbandbreiten.

Phase 3 (Monat 5 bis 6): Produktive Bereitstellung, KV-Cache-Tuning und Monitoring

Die ausgewählten Modelle werden auf der Ziel-Hardware unter Einsatz hochoptimierter Inferenz-Server wie vLLM oder Triton bereitgestellt. Das Betriebsteam optimiert PagedAttention und Continuous Batching, bindet die Endpunkte an das zentrale Identitätsmanagement an und implementiert lückenloses Monitoring für Latenzen, Speicherauslastung und Systemdurchsatz.

Phase 4 (Monat 7 bis 12): Kontinuierliche Evaluierung, Feintuning und Kostenkontrolle

Nach dem Go-Live überwacht das Team die Qualität der generierten Ergebnisse mittels automatisierter Evaluierungs-Pipelines. Bei Bedarf werden Modelle durch Parameter-Efficient Fine-Tuning (PEFT/LoRA) auf spezifische Unternehmensdaten angepasst. Zugleich stellt ein kontinuierliches Kosten-Monitoring sicher, dass Token-Budgets eingehalten und Skalierungseffekte realisiert werden.

Fünf Kontrollfragen für Vorstand und IT-Leitung vor der KI-Investition

1. Ist für unseren Einsatzzweck das Training eigener Modelle oder die Inferenz vortrainierter Gewichte erforderlich?

In über 95 Prozent aller betrieblichen Anwendungsfälle ist das rechenintensive Training eines Basismodells von Grund auf ökonomisch nicht zu rechtfertigen. Der Einsatz existierender Open-Source-Gewichte in Kombination mit Retrieval-Augmented Generation (RAG) liefert hervorragende Fachbereichsergebnisse bei einem winzigen Bruchteil der Hardware- und Betriebskosten.

2. Wo liegt der primäre Flaschenhals unserer Zielanwendung: bei Rechenoperationen oder bei der Speicherbandbreite?

Lassen Sie sich von Ihren Technologiepartnern nicht durch reine TeraFLOPS-Angaben blenden. Wenn Ihr System vorrangig interaktive Chatbots oder Echtzeit-Assistenten mit niedriger Batch-Größe betreiben soll, entscheidet die Speicherbandbreite in Gigabyte pro Sekunde über die gefühlte Arbeitsgeschwindigkeit der Anwender.

3. Wie entwickelt sich unser Token-Volumen bei voller Skalierung im 60-Monate-Szenario?

Verlassen Sie sich bei der Budgetierung nicht auf die niedrigen Kosten kleiner Testpiloten. Sobald hunderte Mitarbeiter täglich Dokumente analysieren und automatisierte Workflows Millionen Token pro Stunde durchschleusen, steigen API-Kosten exponentiell. Eine verbindliche Hochrechnung verhindert böse Überraschungen bei der ersten Abrechnung.

4. Welche sensiblen Geschäftsdaten verlassen bei der Nutzung externer Inferenz-Schnittstellen das Unternehmen?

Klären Sie verbindlich mit Datenschutz- und Compliance-Verantwortlichen, welche Informationsklassen an externe Cloud-APIs übertragen werden dürfen. Für Kern-IP, vertrauliche Konstruktionsdaten oder personenbezogene Kundendaten führt am souveränen Eigenbetrieb oder vertraglich strikt abgeschirmten europäischen Inferenz-Instanzen kein Weg vorbei.

5. Erfüllt unsere gewählte Modellarchitektur die Transparenz- und Risikovorgaben des EU AI Act?

Prüfen Sie frühzeitig, in welche Risikokategorie Ihre geplante Anwendung unter der europäischen KI-Verordnung fällt. Systeme mit hohem Risiko erfordern auditierbare Trainings- und Testdaten, technische Robustheit gegen Manipulation sowie nachvollziehbare Risikomanagementsysteme nach etablierten Standards wie ISO/IEC 42001 oder dem NIST AI RMF.

Strategisches Fazit: Mathematische Nüchternheit als Basis nachhaltiger KI-Architektur

Künstliche Intelligenz ist weder Magie noch eine Bedrohung für rationale IT-Planung. Sobald Führungskräfte die Technologie als das begreifen, was sie mathematisch darstellt: hochdimensionale Vektortransformationen und statistische Mustererkennung, weicht die Verunsicherung einer klaren ingenieurtechnischen Perspektive auf Hardware-Dimensionierung, Latenzbudgets und Gesamtwirtschaftlichkeit.

Unternehmen, die heute fundierte Entscheidungen treffen, investieren nicht in diffuse Versprechungen, sondern in beherrschbare Inferenz-Kapazitäten. Durch die geschickte Kombination quantisierter Open-Source-Modelle mit souveräner Infrastruktur sichern sich Organisationen dauerhafte digitale Autonomie, volle Compliance unter dem EU AI Act und messbare Kostenvorteile gegenüber reinen Cloud-Abonnenten.

Häufig gestellte Fragen (FAQ) zu KI-Fundamenten, neuronalen Netzen und Inferenz