Definitie: Een neuraal netwerk is een rekenmodel dat losjes is geïnspireerd op het menselijk brein en bestaat uit lagen van kunstmatige neuronen die via gewogen verbindingen informatie aan elkaar doorgeven. Door te trainen op voorbeelden past het netwerk die gewichten aan, waardoor het patronen leert herkennen in bijvoorbeeld beelden, geluid of tekst.
In het kort
- Een neuraal netwerk heeft een invoerlaag, een of meer verborgen lagen en een uitvoerlaag.
- Het leert door de gewichten van verbindingen stap voor stap aan te passen, meestal met backpropagation en gradient descent.
- Bekende soorten zijn feedforward-netwerken, convolutionele netwerken (CNN), recurrente netwerken (RNN), GAN’s en transformers.
- Neurale netwerken zijn de basis van deep learning en van moderne AI zoals beeldherkenning, spraakherkenning en taalmodellen als ChatGPT.
Wat is een neuraal netwerk?
Een neuraal netwerk is een vorm van machine learning waarbij een computer leert van voorbeelden in plaats van vaste regels te volgen. Het idee is ontleend aan de hersenen: daar geven zenuwcellen signalen aan elkaar door, en verbindingen worden sterker of zwakker naarmate ze vaker worden gebruikt. Een kunstmatig neuraal netwerk doet iets vergelijkbaars met getallen.
Google Cloud beschrijft een neuraal netwerk als een machine-learningalgoritme dat bestaat uit neuronen in lagen, verbonden via verbindingen met gewichten. Elk neuron ontvangt getallen, vermenigvuldigt die met de gewichten, telt ze op en geeft het resultaat door aan de volgende laag. Na genoeg lagen ontstaat een uitkomst: een herkend object, een voorspelling of het volgende woord in een zin.
Het woord neuraal kan de indruk wekken dat een netwerk denkt zoals een mens. Dat is niet zo. Het is wiskunde: een groot aantal berekeningen waarvan de instellingen tijdens de training zijn bepaald.
Hoe werkt een neuraal netwerk?
| Laag | Wat er gebeurt | Voorbeeld bij fotoherkenning |
|---|---|---|
| Invoerlaag | Ontvangt de ruwe gegevens als getallen | De pixels van een foto |
| Verborgen lagen | Herkennen steeds complexere patronen | Eerst randen, dan vormen, dan onderdelen zoals ogen of wielen |
| Uitvoerlaag | Geeft de uitkomst | “Kat” met 92 procent zekerheid |
Het netwerk leert in een aantal stappen:
- Voorspellen. Het netwerk krijgt een voorbeeld en doet een voorspelling.
- Fout meten. Die voorspelling wordt vergeleken met het juiste antwoord.
- Terugrekenen. Met backpropagation wordt berekend welke gewichten hoeveel aan de fout bijdroegen.
- Bijstellen. De gewichten worden een klein beetje aangepast, zodat de fout kleiner wordt. Dat heet gradient descent.
- Herhalen. Dit gebeurt met duizenden of miljoenen voorbeelden, tot het netwerk goed genoeg presteert.
Flowhunt en DataCamp noemen supervised learning als meest gebruikte manier: het netwerk leert van voorbeelden waarbij het juiste antwoord bekend is.
Waar komt het neurale netwerk vandaan?
Volgens SAS bedachten Warren McCulloch en Walter Pitts in 1943 het eerste model van een neuraal netwerk. In 1975 ontwikkelde Kunihiko Fukushima een van de eerste gelaagde netwerken. Lange tijd waren neurale netwerken beperkt door rekenkracht en de hoeveelheid beschikbare gegevens. Met de groei van big data en krachtige grafische processors kwam deep learning op: netwerken met veel lagen. In 2017 beschreven onderzoekers van Google de transformer-architectuur, die de basis vormt van de huidige taalmodellen.
Welke soorten neurale netwerken zijn er?
| Soort | Kenmerk | Typische toepassing |
|---|---|---|
| Feedforward | Informatie stroomt in één richting, zonder terugkoppeling | Classificatie en voorspelling |
| Convolutioneel (CNN) | Herkent patronen in rasterdata zoals afbeeldingen | Beeldherkenning, objectdetectie, medische beelden |
| Recurrent (RNN) | Heeft een geheugen voor reeksen | Tijdreeksen, sensordata, oudere taaltoepassingen |
| Generative adversarial network (GAN) | Een generator en een beoordelaar die tegen elkaar trainen | Realistische beelden genereren |
| Autoencoder | Leert een compacte samenvatting van gegevens, zonder labels | Afwijkingen opsporen, gegevens comprimeren |
| Transformer | Weegt alle delen van de invoer tegelijk tegen elkaar af | Taalmodellen zoals GPT, Claude en Llama |
Waarvoor worden neurale netwerken gebruikt?
SAS en Google Cloud noemen onder meer:
- Beeldherkenning: gezichten, producten, defecten in een productielijn en medische scans.
- Spraak en taal: spraakherkenning, vertalen, samenvatten en sentimentanalyse.
- Fraudedetectie: afwijkende transacties bij creditcards of verzekeringen opsporen.
- Voorspellingen: energievraag, logistiek en financiële ontwikkelingen.
- Aanbevelingen: Flowhunt noemt de aanbevelingssystemen van Netflix en Amazon.
- Documentverwerking: tekst herkennen in scans en gegevens uit facturen halen.
- Generatieve AI: tekst, beelden en code maken.
Voordelen en beperkingen
| Voordelen | Beperkingen |
|---|---|
| Herkent complexe, niet-lineaire patronen | Heeft veel trainingsgegevens nodig |
| Werkt met ongestructureerde gegevens zoals beeld, geluid en tekst | Moeilijk uit te leggen waarom een uitkomst zo is (black box) |
| Kan generaliseren naar nieuwe voorbeelden | Training vraagt veel rekenkracht en tijd |
| Is tolerant voor ruis in gegevens | Kan overfitten: goed op trainingsdata, slecht op nieuwe data |
Neuraal netwerk, machine learning en deep learning
Machine learning is de brede verzameling technieken waarmee computers leren van gegevens. Een neuraal netwerk is één van die technieken. Deep learning is het gebruik van neurale netwerken met veel lagen. Andere vormen van machine learning, zoals beslisbomen of regressie, gebruiken geen neuraal netwerk en zijn voor eenvoudige, gestructureerde gegevens vaak net zo goed en beter uit te leggen.
Moet je zelf een neuraal netwerk trainen?
Voor de meeste bedrijven niet. Grote, getrainde netwerken zijn beschikbaar als dienst of als open model: taalmodellen voor tekst, modellen voor spraak en modellen voor beeld en documenten. Je gebruikt ze via een API of draait een open model zelf. Zelf trainen is pas zinvol bij een specifieke taak waarvoor geen geschikt model bestaat en waarvoor je voldoende goede voorbeelden hebt. Ook dan begin je meestal met een bestaand model dat je verder traint, in plaats van vanaf nul.
Uitgewerkt voorbeeld: binnenkomende documenten herkennen
Stel dat een administratiekantoor elke dag honderden documenten binnenkrijgt: facturen, bonnetjes, contracten en brieven. Een neuraal netwerk dat is getraind op duizenden voorbeelden kan per document voorspellen welk type het is. Een tweede model haalt uit facturen de leverancier, het bedrag en de datum. Het netwerk weet niet wat een factuur is; het heeft geleerd welke patronen in pixels en tekst bij een factuur horen.
Het werk verandert daardoor van alles zelf invoeren naar controleren. Belangrijk is wel dat het systeem laat zien hoe zeker het is. Een uitkomst met lage zekerheid gaat naar een medewerker, een uitkomst met hoge zekerheid kan direct door. En omdat leveranciers hun facturen soms veranderen, moet iemand blijven meten of de herkenning goed genoeg blijft.
Veelgemaakte fouten
- Te weinig of eenzijdige voorbeelden. Een netwerk leert alleen wat in de trainingsgegevens zit, inclusief de scheefheid.
- Geen meting na livegang. Prestaties kunnen afnemen als de praktijk verandert.
- Een neuraal netwerk inzetten waar een regel volstaat. Een vaste regel is goedkoper en beter uit te leggen.
Wat betekent dit voor jouw project?
Bij een nieuw idee onderzoek ik eerst of een bestaand pakket, een koppeling of maatwerk het beste past. Bij AI betekent dat meestal: een bestaand model gebruiken en dat goed inbouwen in het proces. De vraag is niet welk netwerk het slimst is, maar wie de uitkomst gebruikt en wat die persoon ermee moet doen.
Wil je weten of AI een taak in jouw proces kan ondersteunen? Stuur me welke taak steeds terugkomt, welke gegevens daarbij horen en wie ermee verder moet. Dan bepalen we samen de logische eerste stap.
Veelgestelde vragen over neurale netwerken
Wat is een neuraal netwerk?
Een neuraal netwerk is een rekenmodel, geïnspireerd op het brein, dat bestaat uit lagen van kunstmatige neuronen met gewogen verbindingen. Door te trainen op voorbeelden leert het patronen herkennen in gegevens zoals beelden, geluid en tekst.
Wat is het verschil tussen een neuraal netwerk en deep learning?
Deep learning is het gebruik van neurale netwerken met veel verborgen lagen. Elk deep-learningmodel is een neuraal netwerk, maar niet elk neuraal netwerk is diep.
Hoe leert een neuraal netwerk?
Een neuraal netwerk leert door voorspellingen te vergelijken met de juiste antwoorden en de gewichten van zijn verbindingen stap voor stap aan te passen. Dat gebeurt meestal met backpropagation en gradient descent.
Verwante termen
Machine learning · Embeddings · Fine-tuning · OCR en documentherkenning · Open-source LLM · AI-hallucinatie
← Terug naar de kennisbank