Neural networks: een complete gids over de kern van AI

Kunstmatige intelligentie verandert de manier waarop we werken, leven en problemen oplossen. Het hart van deze transformatie wordt gevormd door een krachtige technologie: neural networks. Deze rekenmodellen zijn de motor achter de meest geavanceerde AI-mogelijkheden van vandaag, van Large Language Models (LLM's) tot autonome agents die klantenservice afhandelen en systemen die marktveranderingen met hoge precisie voorspellen.

Om de toekomst van technologie te begrijpen, moet je eerst de basis kennen. Deze gids verkent de werking, architecturen en zakelijke impact van neural networks in de moderne onderneming.

Een neural network is een bijzondere manier om een computerprogramma te ontwerpen dat redeneert op basis van data en beslissingen kan nemen. Neural networks zijn een specifieke benadering van machine learning en kunstmatige intelligentie. Door cognitieve processen na te bootsen, stellen neural networks organisaties in staat om bruikbare inzichten te halen uit ongestructureerde data. Neural networks zijn geïnspireerd op de structuur van het menselijk brein en zijn op vergelijkbare wijze opgebouwd. Anders dan traditionele software, die werkt met vaste “if-then”-regels, leren deze netwerken van data.

Zie een neural network als een digitale weergave van het menselijk brein. Ons brein gebruikt een netwerk van biologische neuronen om informatie te verwerken. Wanneer je een bekend gezicht ziet, activeren jouw neuronen in een specifieke volgorde om die persoon te herkennen.

Kunstmatige neural networks (ANN’s) werken op een vergelijkbare manier. Ze bestaan uit lagen van onderling verbonden “nodes” of “neuronen”. Elke node ontvangt een signaal, past een gewogen transformatie toe en geeft het resultaat door. Door deze biologische structuur na te bootsen, kunnen computers complexe taken uitvoeren die vroeger als exclusief menselijk werden beschouwd, zoals het begrijpen van nuance in een gesprek of het herkennen van een object op een drukke foto.

Traditionele rekenmodellen vereisen expliciete instructies voor elk denkbaar scenario. Dat werkt goed voor eenvoudige berekeningen, maar schiet tekort bij de onvoorspelbaarheid van big data. Neural networks lossen dit op met feature learning. In plaats van dat een programmeur definieert hoe een “kat” eruitziet, analyseert het netwerk duizenden afbeeldingen en ontdekt zelf de patronen, zoals de vorm van de oren en de textuur van de vacht.

Om te begrijpen hoe deze systemen informatie verwerken, kijken we naar hun interne architectuur. Elk netwerk is opgebouwd uit een aantal fundamentele bouwstenen.

Informatie stroomt door een netwerk via drie primaire soorten lagen:

1. Invoerlaag (input layer): Hier komen gegevens het systeem binnen. Als het netwerk een supportticket van een klant analyseert, wordt de tekst van dat ticket in de invoerlaag geladen. Elk knooppunt (node) vertegenwoordigt een specifiek kenmerk van de gegevens.
2. Verborgen lagen (hidden layers): Dit zijn de tussenliggende verwerkingsmotoren. Een netwerk kan er één of tientallen hebben. Wanneer een netwerk meerdere verborgen lagen heeft, spreken we van deep learning (DL). Hier gebeurt het zware werk: de gegevens worden omgezet in abstracte representaties.
3. Uitvoerlaag (output layer): Deze laag levert het eindresultaat. Dat kan een ‘ja’ of ‘nee’ zijn bij een fraudedetectiecheck, of een specifieke categorie voor een data-analyserapport .

De basiseenheid van een neuraal netwerk is het kunstmatige neuron, ook wel node genoemd. De taak is eenvoudig: signalen ontvangen, afwegen en beslissen of ze belangrijk genoeg zijn om door te sturen.

• Gewichten en biases (weights and biases): Niet alle informatie is even belangrijk. Gewichten werken als een volumeknop: ze versterken of verzwakken de sterkte van een ingangssignaal op basis van het belang ervan. Als een bepaald datapunt sterk voorspellend is voor een uitkomst, neemt het gewicht toe. Biases fungeren als drempelwaarde en verschuiven de berekening zodat het model zich kan aanpassen, zelfs als de invoerwaarden nul zijn.
• Activeringsfuncties (activation functions): Zodra een node de gewogen som van zijn invoer berekent, gebruikt hij een activeringsfunctie om de uitvoer te bepalen. Veelgebruikte functies zijn:
  • ReLU (rectified linear unit): De meest gebruikte keuze. Deze geeft de invoer direct terug als die positief is; anders is de uitvoer nul. Dit helpt het netwerk sneller te leren en voorkomt het verdwijnende-gradiëntprobleem (vanishing gradient problem) dat ontstaat wanneer veel kleine gewogen waarden met elkaar worden vermenigvuldigd.
  • Sigmoid: Wordt vooral gebruikt voor binaire classificatie en mapt invoer naar een waarde tussen 0 en 1.
  • Softmax: Meestal te vinden in de uitvoerlaag van multi-class classificatiemodellen, om een kansenverdeling te berekenen.

Leren is geen eenmalige gebeurtenis, maar een iteratief proces van vallen en opstaan waarbij miljoenen kleine aanpassingen worden gedaan.

Het proces begint met een feedforward-pass. Data stroomt in één richting: van de invoerlaag, door de verborgen lagen, naar de uitvoerlaag. Bij elke stap berekenen de nodes hun gewogen sommen en passen ze activatiefuncties toe. De uiteindelijke uitvoer is de beste schatting van het netwerk op dat moment. Als het netwerk bijvoorbeeld een handgeschreven cijfer moet herkennen, voorspelt het mogelijk een '7' met 60% zekerheid.

In het begin zal de voorspelling van het netwerk waarschijnlijk niet kloppen. Om dit te corrigeren gebruiken we een verliesfunctie (loss function). Dit wiskundig hulpmiddel meet het verschil tussen de voorspelling van het netwerk en het juiste antwoord. Een hoog verlies betekent dat het netwerk er ver naast zit, terwijl een laag verlies op grote nauwkeurigheid wijst. Veelgebruikte verliesfuncties zijn Mean Squared Error (MSE) voor regressie en Cross-Entropy Loss voor classificatie.

Hier vindt het eigenlijke 'leren' plaats. Met behulp van een algoritme dat backpropagation heet, werkt het netwerk terug vanaf de uitvoer. Het bepaalt welke gewichten en biases het meest hebben bijgedragen aan de fout. Ook berekent het de gradiënt die aangeeft hoe sterk en in welke richting de gewichten moeten worden bijgesteld om het verlies te minimaliseren.

Deze bijsturing wordt verzorgd door Gradient Descent, een optimalisatie-algoritme dat parameters stap voor stap aanpast om het verlies te minimaliseren. In deze fase passen datawetenschappers ook hyperparameters aan, zoals de learning rate, die bepaalt hoe groot elke corrigerende stap moet zijn. Als de learning rate te hoog is, kan het model de optimale oplossing voorbijschieten. Is deze te laag, dan duurt het trainen onpraktisch lang.

Convolutional Neural Networks (CNN's) maken gebruik van ’filters’ die over een afbeelding schuiven om randen, texturen en uiteindelijk complexe objecten te herkennen. Hierdoor zijn ze de standaard voor computer vision.

Recurrent Neural Networks (RNN's) zijn uniek omdat ze over een soort ’geheugen’ beschikken. De uitvoer van een vorige stap wordt gebruikt als invoer voor de huidige stap. Dit is essentieel voor natural language processing, waarbij de betekenis van een woord afhangt van de woorden die eraan voorafgaan. Standaard RNN's hebben echter moeite met zeer lange reeksen, wat heeft geleid tot de ontwikkeling van LSTM's: architecturen die specifiek zijn ontworpen om informatie over lange afstanden te bewaren.

Neural networks vormen de ruggengraat van moderne AI, maar ze worden vaak verward met andere begrippen. We zetten op een rij hoe ze in het grotere geheel passen.

Machine learning is het brede vakgebied waarbij computers leren van data. Neural networks zijn een specifiek onderdeel van machine learning. Het belangrijkste verschil zit in de manier waarop ze omgaan met kenmerken. Bij traditionele machine learning moet een mens de computer handmatig vertellen welke datapunten belangrijk zijn, een aanpak die ook wel feature engineering wordt genoemd. Een neural network doet dit automatisch via ’feature learning’: het ontdekt zelf de meest relevante patronen.

De term deep learning verwijst simpelweg naar een neural network met een groot aantal verborgen lagen. Die ’diepte’ stelt het netwerk in staat om hiërarchisch te leren. In een vision-systeem kan de eerste laag bijvoorbeeld randen detecteren, de volgende laag vormen herkennen, en de diepste lagen een specifiek product op een plank identificeren. Deze gelaagde aanpak maakt moderne AI zo goed in het verwerken van complexe en meerdimensionale data.

Voor zakelijke professionals zijn neural networks meer dan alleen wiskunde; ze vertegenwoordigen een verschuiving in operationele mogelijkheden. De implementatie ervan vereist wel dat je een aantal belangrijke factoren aanpakt.

De opkomst van neural networks werd grotendeels gevoed door de beschikbaarheid van GPU’s (Graphics Processing Units). In tegenstelling tot een standaardprocessor (CPU) kan een GPU duizenden wiskundige berekeningen tegelijkertijd uitvoeren. Tegenwoordig maken veel ondernemingen gebruik van cloudgebaseerde TPU-clusters (Tensor Processing Units) om grootschalige modellen te trainen, zonder dat ze hoeven te investeren in omvangrijke hardware op locatie.

Een belangrijk struikelblok bij de ingebruikname van neural networks is het ‘black box’-karakter van deep learning. Het kan lastig zijn om uit te leggen waarom een complex model tot een bepaalde beslissing is gekomen. In gereguleerde sectoren zoals financiën of gezondheidszorg vormt dit gebrek aan transparantie een risico. Dit heeft geleid tot de opkomst van Explainable AI (XAI), een reeks technieken die de interne logica van neural networks inzichtelijker maakt voor menselijke auditors.

Neural networks zijn maar zo goed als de data waarmee ze getraind worden. Als de trainingsdata vooroordelen bevat, versterkt het model die zogeheten bias. Salesforce benadrukt het belang van ethische AI door ervoor te zorgen dat de data die wordt gebruikt in neural networks schoon en representatief is, en op een manier wordt ingezet die de privacy van gebruikers respecteert.

Neural networks zijn allang niet meer voorbehouden aan onderzoekslaboratoria. Ze creëren actief waarde in elke sector.

• Beeldverwerking en visuele analyse: In de gezondheidszorg ondersteunen neural networks medische diagnostiek door afwijkingen in scans te herkennen. In de retail drijven ze visueel zoeken en geautomatiseerde kassasystemen aan.
• Natural Language Processing (NLP): Telkens wanneer je AI gebruikt om een document te vertalen of het sentiment van klantfeedback te analyseren, is er een neural network aan het werk.
• Spraakherkenning en -synthese: Virtuele assistenten gebruiken deze modellen om gesproken woorden om te zetten in bruikbare tekst en te reageren met menselijke stemmen.
• Voorspellingen en tijdreeksanalyse: Banken gebruiken LSTM’s om markttrends te voorspellen en frauduleuze transacties in realtime te detecteren, terwijl supply chain-managers ze inzetten voor vraagvoorspellingen.
• Autonome systemen: Van zelfrijdende bezorgrobots tot industriële robots op de werkvloer: neural networks verwerken sensordata om te navigeren en in een fractie van een seconde beslissingen te nemen.

Salesforce past deze technologieën binnen het platform toe om verkoopteams te helpen leads te prioriteren en serviceagenten in staat te stellen cases sneller op te lossen met AI-gegenereerde suggesties.

Het vakgebied van neural networks ontwikkelt zich in rap tempo. We bewegen naar nog efficiëntere architecturen, zoals Transformers, die een revolutie hebben teweeggebracht in de manier waarop AI context in tekst begrijpt via een mechanisme dat ‘attention’ heet. Onderzoek richt zich ook steeds meer op neuromorphic computing, waarbij hardware wordt ontwikkeld die nog meer werkt als een biologisch brein om energie te besparen en de snelheid te verhogen.

Neural networks hebben het landschap van de moderne informatica fundamenteel veranderd. Ze stellen ons in staat problemen op te lossen die voorheen te complex waren voor machines, en zetten enorme hoeveelheden data om in bruikbare inzichten. Naarmate deze modellen geavanceerder en beter te doorgronden worden, blijven ze het fundament vormen voor de volgende generatie bedrijfsinnovatie.