Wat doet een neuraal netwerk?

In de kern is een neuraal netwerk een wiskundig model, geïnspireerd op de werking van het menselijk brein, dat ontworpen is om patronen te herkennen in data. Het bestaat uit onderling verbonden lagen van kunstmatige neuronen, of knooppunten, die samenwerken om complexe taken uit te voeren. In tegenstelling tot traditionele programma's met strikte instructies, leert een neuraal netwerk door voorbeelden. Het stelt zijn interne verbindingen bij op basis van de data die het krijgt, om zo steeds beter te worden in het maken van voorspellingen of het nemen van beslissingen.

Het primaire werk van een neuraal netwerk is het transformeren van ruwe invoer–zoals pixels van een foto, woorden in een tekst of sensorgegevens–in een betekenisvolle uitvoer. Dit proces verloopt laag voor laag. Elke laag extraheert steeds abstractere kenmerken; van randen en texturen in een beeld, tot vormen en uiteindelijk hele objecten zoals een gezicht of een auto. Deze hiërarchische verwerking van informatie is de reden waarom neurale netwerken zo krachtig zijn in het begrijpen van ongestructureerde en complexe gegevens.

Concreet doet een neuraal netwerk dus twee dingen: het leert door zijn parameters af te stemmen op een trainingsdataset, en het voorspelt door nieuwe, onzichtbare data te interpreteren met de opgedane kennis. Of het nu gaat om het vertalen van talen, het diagnosticeren van medische beelden, het aanbevelen van een film of het besturen van een autonoom voertuig, het fundament blijft hetzelfde: het herkennen van onderliggende patronen die voor mensen of conventionele software vaak ongrijpbaar zijn.

Hoe herkent een neuraal netwerk patronen in afbeeldingen?

Een neuraal netwerk herkent patronen in afbeeldingen door een hiërarchisch leerproces. Het netwerk ziet een afbeelding niet als een geheel, maar als een raster van pixels, elk met numerieke waarden voor kleur. Deze pixelwaarden vormen de invoer voor de eerste laag van het netwerk.

De eerste verborgen lagen zijn vaak convolutielagen. Deze lagen scannen de afbeelding met kleine filters, kernels genaamd, die eenvoudige kenmerken detecteren. Een filter kan bijvoorbeeld horizontale randen, verticale lijnen of hoeken activeren. Elke kernel produceert een feature map die aangeeft waar dat specifieke basispatroon in de afbeelding voorkomt.

Diepere lagen in het netwerk combineren deze eenvoudige kenmerken tot complexere vormen. Waar de eerste laag randen ziet, kan de tweede laag combinaties van randen herkennen, zoals een hoek of een cirkel. De derde laag kan daaruit een oog of een wiel construeren. Dit stap-voor-stap opbouwen van abstractie is de kern van patroonherkenning.

Na elke convolutielaag wordt vaak een pooling-laag toegepast. Deze laag reduceert de dimensionaliteit van de data door samenvattingen te maken, bijvoorbeeld door het maximum van een gebied te nemen. Dit maakt de herkenning robuuster voor kleine verschuivingen of vervormingen in het patroon.

Uiteindelijk stromen deze steeds abstractere feature maps door naar volledig verbonden lagen. Deze laatste lagen fungeren als een classificator: ze wegen alle geëxtraheerde kenmerken – van simpele lijnen tot complexe objectdelen – en bepalen op basis daarvan de uiteindelijke herkenning, zoals "kat", "auto" of "gezicht".

Op welke manier verwerkt een neuraal netwerk natuurlijke taal?

Een neuraal netwerk verwerkt natuurlijke taal door woorden en zinnen om te zetten in een vorm die het kan 'begrijpen’: numerieke representaties. Deze transformatie begint met tokenisatie, waarbij een tekst wordt opgesplitst in kleinere eenheden, zoals woorden of subwoorden (tokens).

Vervolgens worden deze tokens omgezet in dichte vectoren, zogenaamde woordembeddings. Elk woord krijgt een unieke reeks getallen die zijn semantische betekenis en relatie tot andere woorden in een multidimensionale ruimte vastlegt. Hierdoor krijgen woorden als ‘kat’ en ‘poes’ vergelijkbare vectorwaarden.

Voor het begrijpen van context en volgorde gebruiken moderne netwerken, zoals transformers, een mechanisme genaamd ‘attention’. Dit mechanisme weegt het belang van elk woord in een zin ten opzichte van alle andere woorden. Het laat het netwerk focussen op relevante delen, ongeacht hun afstand in de tekst.

Deze verwerkte informatie stroomt door meerdere neurale lagen. Elke laag extraheert abstractere kenmerken: van individuele woordbetekenissen naar zinsstructuur, sentiment of bedoeling. Het netwerk leert deze patronen door te trainen op enorme hoeveelheden tekstdata en past zijn interne parameters voortdurend aan.

Ten slotte produceert de output-laag een resultaat op basis van de geleerde patronen. Dit kan een classificatie zijn (zoals sentimentanalyse), een vertaling, een antwoord op een vraag, of de generatie van een nieuwe, coherente tekst. Het hele proces is een complexe, gelaagde wiskundige transformatie van taal naar getallen en terug naar taal.

Veelgestelde vragen:

Wat is een neuraal netwerk in het echt, bijvoorbeeld in mijn telefoon?

In je telefoon werken neurale netwerken vaak onzichtbaar op de achtergrond. Een duidelijk voorbeeld is de gezichtsherkenning om je toestel te ontgrendelen. Het netwerk heeft geleerd om uit een foto of scan van je gezicht specifieke kenmerken te halen, zoals de afstand tussen je ogen of de vorm van je kaaklijn. Het vergelijkt die kenmerken met de gegevens die het eerder heeft opgeslagen tijdens de instelling. Het is geen simpele foto-vergelijking, maar een analyse van patronen. Ook bij de automatische sortering van foto's in albums ('personen', 'huisdieren', 'vakantie') wordt zo'n netwerk gebruikt. Het heeft geleerd om voorwerpen en scènes te herkennen door te kijken naar miljoenen voorbeeldfoto's.

Hoe kan zo'n netwerk iets 'leren'? Het is toch geen mens?

Leren voor een neuraal netwerk betekent dat de verbindingen tussen zijn kunstmatige neuronen worden aangepast. Stel, je traint een netwerk om katten van honden te onderscheiden. Je voert duizenden gelabelde foto's in: "dit is een kat", "dit is een hond". Eerst raadt het netwerk willekeurig. Na elke gok krijgt het de correcte te zien. Een intern algoritme, backpropagation genaamd, past dan de 'gewichten' (de sterkte van de verbindingen) een klein beetje aan om de fout te verkleinen. Deze cyclus van raden, controleren en bijstellen herhaalt zich miljoenen keren. Langzaamaan ontstaan er sterke verbindingen voor patronen die vaak bij katten voorkomen (bijvoorbeeld bepaalde oorvormen) en andere voor hondenpatronen. Het netwerk heeft dan een model gemaakt zonder dat een mens explicaat regels heeft ingevoerd over snorharen of staarten.

Wat is het verschil tussen AI, machine learning en een neuraal netwerk?

Je kunt deze begrippen zien als een set Russische poppetjes. Artificiële Intelligentie (AI) is het grootste, overkoepelende poppetje. Het is een breed vakgebied dat systemen omvat die intelligent gedrag kunnen vertonen. Machine learning is een belangrijk onderdeel daarvan, een kleiner poppetje binnen AI. Het gaat om technieken waarmee computers kunnen leren uit data, zonder voor elke taak opnieuw te worden geprogrammeerd. Een neuraal netwerk is weer een specifieke techniek binnen machine learning, het kleinste poppetje. Het is een rekenmodel dat losjes is geïnspireerd op het menselijk brein. Niet alle AI gebruikt machine learning (denk aan eenvoudige regelgebaseerde systemen), en niet alle machine learning gebruikt neurale netwerken (er zijn ook beslisbomen, support vector machines, etc.). Diepe neurale netwerken (deep learning) zijn weer een complexere variant van neurale netwerken.

Zijn er ook nadelen of beperkingen aan neurale netwerken?

Ja, die zijn er zeker. Ten eerste hebben ze enorme hoeveelheden gelabelde trainingsdata nodig, wat niet altijd voorhanden is. Ten tweede zijn ze een 'black box': het is vaak moeilijk te begrijpen waarom een complex netwerk tot een bepaalde conclusie komt, wat problematisch is bij bijvoorbeeld een medische diagnose of een afgewezen kredietaanvraag. Ten derde zijn ze rekenintensief, wat veel stroom en dure hardware vraagt. Ook kunnen ze zich heel specifiek gedragen; een netwerk getraind op kattenfoto's uit huiskamers kan moeite hebben met een zwarte kat in een donkere hoek. Bovendien zijn ze gevoelig voor zogenaamde 'adversarial examples': een minimale, voor mensen onzichtbare verstoring van een afbeelding kan het netwerk tot een volledig verkeerde herkenning leiden.