Neuraal netwerk

Je smartphone herkent je gezicht in een fractie van een seconde, ook als je een pet draagt of in een donkere ruimte zit. Geen enkele programmeur heeft elke mogelijke variant met de hand ingegeven. Dat soort patroonherkenning komt van een neuraal netwerk: een wiskundig model dat leert door voorbeelden te zien.

Hieronder ontdek je hoe een neuraal netwerk is opgebouwd, hoe het leert van data en waar je het in de praktijk tegenkomt — van ChatGPT tot productaanbevelingen in je webshop.

Hoe een neuraal netwerk werkt onder de motorkap

Een neuraal netwerk bestaat uit lagen van rekenknopen — vaak neuronen genoemd, naar het biologische voorbeeld. Je hebt een inputlaag (de data die binnenkomt), een of meerdere verborgen lagen (waar de berekeningen gebeuren) en een outputlaag (het antwoord).

Tussen die neuronen lopen verbindingen met gewichten: getallen die bepalen hoe sterk een signaal doorweegt. Tijdens training past het netwerk die gewichten aan via backpropagation, zodat de output steeds beter aansluit bij de gewenste uitkomst.

Een activatiefunctie beslist per neuron of het signaal doorgaat of niet. Stapel je veel verborgen lagen op elkaar, dan spreek je van een deep neural network — de basis van deep learning.

Soorten neurale netwerken

Niet elk neuraal netwerk is hetzelfde opgebouwd. De architectuur hangt af van het probleem dat je wil oplossen.

• Feedforward netwerk: data stroomt in één richting, van input naar output. Geschikt voor eenvoudige classificatie en voorspellingsmodellen.
• Convolutional neural network (CNN): gespecialiseerd in beeldherkenning. Herkent vormen, randen en texturen in foto’s en video.
• Recurrent neural network (RNN): houdt rekening met volgorde, ideaal voor tijdreeksen of taal.
• Transformer: de architectuur achter moderne large language models zoals GPT en Claude.

De transformer is sinds 2017 dominant in natural language processing en intussen ook in beeldverwerking. Voor een dieper technisch overzicht is het Machine Learning Crash Course van Google een betrouwbaar startpunt.

Waar kom je een neuraal netwerk in de praktijk tegen?

De kans is groot dat je dagelijks een neuraal netwerk gebruikt zonder het te beseffen. Spamfilters in je mailbox, automatische ondertiteling op YouTube, gezichtsherkenning, vertaalapps — allemaal aangedreven door neurale netwerken.

Voor Belgische ondernemers liggen de toepassingen dichter bij huis dan je denkt:

• Productaanbevelingen in een webshop op basis van klikgedrag
• Chatbots die klantvragen begrijpen en doorsturen naar de juiste afdeling
• Voorspellen van voorraadbehoefte op basis van seizoenspatronen
• Automatische categorisatie van inkomende facturen of e-mails
• Beeldherkenning voor kwaliteitscontrole in productieprocessen

Lees ook: het verschil tussen machine learning en neurale netwerken

Wanneer kies je voor een neuraal netwerk (en wanneer niet)?

Een neuraal netwerk is krachtig, maar niet altijd de juiste keuze. Voor eenvoudige beslissingen op basis van duidelijke regels — bijvoorbeeld korting toepassen vanaf een bepaald orderbedrag — is een klassiek algoritme sneller, goedkoper en transparanter.

Kies een neuraal netwerk als je patronen wil herkennen in grote, ongestructureerde data: tekst, beeld, geluid of complex klantgedrag. Voor kleinere datasets met heldere structuur presteren eenvoudigere modellen vaak beter en zijn ze makkelijker uit te leggen.

Voordat je in een AI-implementatie investeert, stel jezelf één vraag: heb je genoeg gelabelde data om het model te trainen? Zonder dat fundament leveren zelfs de meest geavanceerde neurale netwerken niets op.