Een neuraal netwerk is een rekensysteem, losjes geinspireerd op het brein, dat patronen uit data leert door de sterkte van verbindingen tussen veel simpele eenheden bij te stellen. Elke eenheid doet een minuscule berekening, en het netwerk wordt slim door af te stellen hoe sterk die eenheden elkaar beinvloeden.
Een handig beeld is een enorme groep mensen die briefjes doorgeeft. De eerste rij leest ruwe data, krabbelt een snel oordeel en geeft het door. Elke rij verfijnt het bericht tot de laatste rij een antwoord roept, zoals “deze foto is een kat.” Als dat antwoord tijdens het trainen fout is, duwt het netwerk elke verbinding een klein beetje bij zodat het de volgende keer beter gaat. Herhaal dat over miljoenen voorbeelden en de verbindingen vormen betrouwbare patronen. Dit leren uit voorbeelden is de kern van machine learning, en het stapelen van veel lagen van deze eenheden noemen we deep learning.
Die verbindingssterktes worden opgeslagen als getallen, gewichten genoemd. Een modern netwerk kan er miljarden bevatten, en daarom kost trainen flink wat rekenkracht en is het resultaat lastig regel voor regel te lezen. Je ziet wat erin gaat en wat eruit komt, maar de redenering zit verstopt in een zee van getallen.
Neurale netwerken zitten achter de meeste AI waar je over hoort, van gezichten herkennen in foto’s tot de taalmodellen die tekst schrijven. De kwaliteit van wat ze leren hangt sterk af van de trainingsdata die ze zien, en daarom is goede data net zo belangrijk als een slim ontwerp. Geef je scheve of magere voorbeelden, dan leert het de verkeerde les zonder ooit te klagen.
Bij TopDevs gebruiken we modellen op basis van neurale netwerken waar de patronen te subtiel zijn voor handgeschreven regels, terwijl we het omliggende systeem simpel en uitlegbaar houden.
