Waarom zou een niet-specialist neurale netwerken moeten begrijpen?
Het is belangrijk dat u neurale netwerken begrijpt, omdat ze deel uitmaken van de meeste AI-tools die u gebruikt, van spraaktranscriptie tot chatassistenten. Om te beslissen of u die tools wilt kopen of vertrouwen, moet u weten wat ze wel en niet kunnen leren.
Neem een fictieve verzekeringsmakelaar met 80 medewerkers, Harbourline Insurance. Een leverancier presenteert een product voor de eerste beoordeling van schadeclaims aan Daniel, de operationeel manager. Op de dia staat: 'Diep neuraal netwerk, 12 lagen, getraind op miljoenen schadeclaims, 94% nauwkeurigheid, leert als het menselijk brein.' Daniels aantekeningen van het gesprek luiden: 'weet niet precies wat lagen betekent. getraind op schadeclaims van wie? 94% van wat? kan het een beslissing uitleggen als een klant klaagt?' Hij moet zijn directeur uiterlijk donderdag bijpraten en wil de dia niet simpelweg napraten of afwijzen.
Hoe werkt een neuraal netwerk, stap voor stap?
Een neuraal netwerk werkt door getallen door lagen van eenheden te sturen. Elke eenheid combineert haar invoer met behulp van instelbare gewichten. Vervolgens wordt de uiteindelijke uitvoer vergeleken met het juiste antwoord, zodat de gewichten iets kunnen worden aangepast om het de volgende keer beter te doen. De onderstaande stappen volgen één voorspelling en één leerronde.
1. Invoer wordt omgezet in getallen
Alles wat het netwerk ziet, wordt eerst omgezet in getallen: de helderheid van pixels bij een afbeelding, woorden die worden omgezet in numerieke codes bij tekst, of velden zoals het claimbedrag en de looptijd van de polis bij een verzekeringsclaim.
2. Elk neuron weegt zijn invoer
Een neuron, ook wel een knooppunt genoemd, vermenigvuldigt elke binnenkomende waarde met een gewicht, telt de resultaten op samen met een constante, de zogeheten bias, en voert het totaal door een activatiefunctie. Dankzij die activatiefunctie kan een reeks lagen neuronen gebogen, niet-lineaire patronen leren in plaats van alleen rechtlijnige patronen.
3. Lagen bouwen op elkaar voort
Neuronen zijn ingedeeld in lagen. De invoerlaag bevat de ruwe waarden, een of meer verborgen lagen bewerken die waarden en de uitvoerlaag levert de voorspelling, bijvoorbeeld 'waarschijnlijk een eenvoudige claim' of 'specialist nodig'. Een netwerk met veel verborgen lagen wordt diep genoemd. Daar komt de term diep leren vandaan.
4. De fout wordt gemeten
Tijdens de training doet het netwerk een voorspelling voor een voorbeeld waarvan het juiste antwoord bekend is. Het verschil tussen het voorspelde en het juiste antwoord wordt uitgedrukt in een getal: het verlies.
5. De gewichten worden aangepast
Een algoritme dat backpropagatie heet, berekent hoeveel elk gewicht aan de fout heeft bijgedragen. Een methode die gradiëntafdaling heet, verschuift elk gewicht vervolgens een klein beetje in de richting die de fout zou hebben verkleind. Door dit met vele duizenden of miljoenen voorbeelden te herhalen, leveren deze kleine correcties samen een model op dat goed voorspelt.
Hoe klinkt een zwakke uitleg van een neuraal netwerk, en hoe een verbeterde?
Een zwakke toelichting praat de leverancier na: 'Het is een diep neuraal netwerk met 12 lagen dat leert als een brein en 94% nauwkeurig is.' Daniels directeur hoort niets waar ze iets mee kan, en 'leert als een brein' is een metafoor, geen beschrijving. Echte neuronen en deze eenheden delen een naam en een los idee als inspiratiebron, maar werken niet op dezelfde manier.
Een verbeterde toelichting luidt: 'Het product is een neuraal netwerk: een model dat heeft geleerd claims te sorteren door miljoenen interne gewichten aan te passen totdat de voorspellingen overeenkwamen met eerdere beslissingen. Dat betekent dat het hooguit zo goed kan zijn als de eerdere claims waarvan het heeft geleerd. We moeten dus weten van wie die claims waren en of ze op de onze lijken. Het cijfer van 94% moet worden gedefinieerd: correct op welke testgegevens, en hoe vaak bestempelt het een complexe claim ten onrechte als eenvoudig? Bij deze modellen is het moeilijk om elke afzonderlijke beslissing uit te leggen. Daarom moeten we vragen wat de leverancier aanlevert wanneer een klant een uitkomst betwist, en elke afgewezen claim door een mens laten beoordelen.' Die versie maakt van de dia vier gerichte vragen.
Waarom hebben neurale netwerken zoveel data nodig en waar worden ze gebruikt?
Neurale netwerken hebben veel gegevens nodig omdat ze een zeer groot aantal gewichten moeten instellen. Elk gewicht wordt geleerd uit voorbeelden, in plaats van door een mens te worden vastgelegd. Bij te weinig voorbeelden kan het netwerk de trainingsgegevens uit het hoofd leren in plaats van een algemeen patroon te leren herkennen. Dat heet overfitting.
Ze worden gebruikt waar veel patronen te vinden zijn die zich moeilijk in regels laten vastleggen: objecten in afbeeldingen herkennen, spraak omzetten in tekst, talen vertalen, ongebruikelijke transacties opsporen en grote taalmodellen aandrijven, zoals de assistenten achter ChatGPT, Claude en Gemini. Voor kleine, overzichtelijke tabellen met bedrijfsgegevens zijn eenvoudigere modellen vaak net zo nauwkeurig en veel makkelijker uit te leggen.
Wat zijn de beperkingen van neurale netwerken?
De belangrijkste beperkingen zijn dat neurale netwerken alles leren wat in hun trainingsgegevens staat, inclusief hiaten en vooroordelen, dat hun afzonderlijke beslissingen moeilijk uit te leggen zijn en dat ze met grote stelligheid fouten kunnen maken bij gevallen die niet lijken op wat ze tijdens de training hebben gezien. Nauwkeurigheidscijfers hangen volledig af van de testgegevens, dus vraag altijd welke gegevens zijn gebruikt. Het trainen van grote netwerken vraagt ook veel rekenkracht. Daarom gebruiken de meeste organisaties vooraf getrainde modellen.
Hoe controleert u een bewering over een neuraal netwerk?
Controleer een bewering over een neuraal netwerk door te vragen van welke gegevens het heeft geleerd, hoe het is getest, welke fouten het maakt en wie de beslissingen controleert. Als een leverancier daar geen duidelijk antwoord op kan geven, doet het aantal lagen er niet toe.
Waar staat deze les binnen Tosheo.ai?
Deze les hoort bij de categorie Machinaal leren en is de eerste les in het onderdeel over neurale netwerken van de cursus machinaal leren. Op Tosheo.ai volgt daarna een praktijkopdracht waarin u een model uitlegt aan een fictieve belanghebbende. De feedback op basis van het beoordelingsschema wijst op vage metaforen en ongefundeerde claims over nauwkeurigheid. De les biedt een professionele basis om met machinaal leren te werken, geen intensief opleidingsprogramma voor het bouwen van modellen. Als u netwerken in code wilt bouwen, komt dat na aanmelding aan bod in het optionele programmeertraject.