Neuraal netwerk uitgelegd | EIGHTY8

Wat is een neuraal netwerk? Een rekenmodel van lagen 'neuronen' dat patronen leert. De bouwsteen onder deep learning en taalmodellen, in gewone taal.

Een neuraal netwerk is een rekenmodel dat uit lagen van kleine rekeneenheden bestaat. Elke eenheid telt invoer op met een eigen gewicht en geeft het resultaat door aan de volgende laag. Door tijdens training miljoenen gewichten bij te stellen, leert het netwerk patronen herkennen. EIGHTY8 gebruikt dit als de bouwsteen onder moderne AI-toepassingen.

In de kern is een neuraal netwerk een lange keten van rekentjes. Iedere rekeneenheid (vaak 'neuron' genoemd, naar de hersencel waar het idee vandaan komt) ontvangt getallen, weegt elk getal, telt alles op en stuurt het resultaat naar eenheden in de volgende laag. Dat is alles. Er zit geen magie in een neuron; de kracht zit in de miljoenen gewichten die samen bepalen welk patroon het netwerk ziet.

Die gewichten zijn niet door een programmeur bedacht, maar geleerd. Tijdens de training krijgt het netwerk voorbeelden te zien met een bekende juiste uitkomst. Klopt de voorspelling niet, dan worden de gewichten die de fout veroorzaakten een beetje teruggedraaid. Na heel veel herhalingen zijn de gewichten zo gesteld dat het netwerk ook voorbeelden die het nooit zag, correct indeelt.

Vergelijk het met het ordenen van een volle brievenbus. Je zou elke brief zelf lezen en indelen. Of je maakt een sorteerkast waar elke tussenlaag een eigen kenmerk beoordeelt: eerst verzender, dan onderwerp, dan urgentie. Een neuraal netwerk bouwt zo'n kast zelf, op basis van de voorbeelden die je erin stopt.

Een neuraal netwerk is de moeite waard wanneer het patroon dat je zoekt te rijk is voor een lijst met regels: het verschil tussen een echte klantvraag en spam, tussen een geldige factuur en een kopie, tussen een scherpe en een onscherpe foto. Ook is het de enige weg wanneer de invoer geen nette tabel is maar tekst, beeld of geluid.

Het is níet de moeite waard wanneer een spreadsheetformule of een vaste uitzondering het werk al doet. En het vraagt onderhoud: een netwerk is zo goed als de voorbeelden waarmee het getraind en getoetst is, en het gedrag verschuift wanneer de omgeving verschuift. Wie uitlegbaarheid per beslissing moet garanderen, kiest vaak bewust voor een simpeler, controleerbaarder model.

EIGHTY8 laat bedrijven nooit zelf een netwerk kiezen. Dat is werk voor de architectuur van het model, niet voor de klant. Wat we kiezen is de taak: welk handwerk moet verdwijnen. Daarna bepalen we welk soort netwerk die taak aankan, hangen er een controle door een mens achter, en meten we de uitkomsten. Het netwerk is een onderdeel; de werkstroom is het product.

Wat zijn gewichten in een neuraal netwerk?

Gewichten zijn de getallen die bepalen hoe sterk elke invoer doorwerkt in de uitkomst. Ze zijn het enige wat een getraind netwerk van een leeg netwerk onderscheidt. Tijdens de training verschuiven ze telkens een klein beetje, tot de voorspellingen kloppen. Wie zegt dat hij een model 'heeft getraind', zegt in feite dat hij deze gewichten heeft bijgesteld.

Bepaalt de hoeveelheid voorbeelden of een neuraal netwerk werkt?

Grotendeels, maar niet alleen. Zonder voldoende afwisselende voorbeelden leert een netwerk de details uit zijn hoofd in plaats van het patroon. En faalt het bij nieuwe gevallen. Ook de kwaliteit telt: voorbeelden met foutieve labels leren het netwerk de fout in. In de praktijk beginnen we daarom met een groot voorgetraind model en gebruiken jouw voorbeelden om te toetsen en bij te sturen.

Is een neuraal netwerk gebaseerd op het menselijk brein?

Alleen als metafoor. Het idee van cellen die signalen doorgeven komt uit de hersenwetenschap, maar een rekenmodel heeft geen herinnering, intentie of inzicht. Het is wiskunde: optellen, wegen, doorgeven. Die metafoor is nuttig om het principe te vatten, maar misleidend zodra je er verwachtingen aan hangt. Een netwerk 'begrijpt' niets, het herkent patronen.

Kun je zien waarom een neuraal netwerk iets heeft ingedeeld?

Niet direct, zoals je een if-statement kunt lezen. Er bestaan technieken die aangeven op welke invoer het netwerk het meest reageerde (een woord, een hoek van een foto) en die zijn nuttig bij foutopsporing. Voor een formele verantwoording per beslissing is dat niet genoeg; daarvoor leggen we liever vast welke invoer, welke modelversie en welke controle tot de uitkomst leidden.