Neuraal netwerk: werking, 3 voordelen en 4 nadelen

Wat is een neuraal netwerk?

Een neuraal netwerk is een op de hersenen geïnspireerd model dat bestaat uit lagen verbonden kunstmatige neuronen en uit voorbeelden leert welke gewichten het aan combinaties van invoersignalen moet geven om tot de best mogelijke voorspelling te komen.

Neurale netwerken zijn een van de methoden van predictive analytics en de motor achter veel moderne artificial intelligence. Het is niet zomaar een algoritme: door het zelflerende karakter kan een neuraal netwerk snel uit de hand lopen.

Inleiding: wie gaat er voetballen?

Naast een wijk van een grote stad ligt een complex met sportvelden. Op een zeker moment fietsen overal in de wijk jongens die kant op, schijnbaar om te gaan voetballen. Geen van hen heeft een bord bij zich waarop staat wat hij gaat doen. Kun je op basis van een aantal kenmerken bepalen of ze inderdaad gaan voetballen?

Een jongen met een nieuwe voetbal gaat waarschijnlijk voetballen, maar zeker weten doe je het niet: misschien is de bal een cadeau, of heeft hij hem gevonden. Ook een jongen in trainingspak met voetbalschoenen aan geeft geen zekerheid, net zomin als een groep jongens met rugtassen. Pas als je ze ziet aankomen, het veld op ziet lopen en een balletje ziet trappen, weet je wie er voetbalt. In de praktijk moet je het vaak vooraf weten. Omdat geen van de kenmerken bepalend is, en een vaste combinatie evenmin, kun je de methode beslisboom niet gebruiken. Je hebt een methode nodig die werkt met combinaties van kenmerken: een neuraal netwerk.

Het probleem dat een neuraal netwerk oplost

Stel dat gegevens bekend zijn van een groep jongens die allemaal op weg lijken naar het sportcomplex: wel of geen bal, wel of niet met een groep, sportkleding, voetbalschoenen, fiets. Inspectie van de eerste twaalf jongens leidt tot deze constateringen:

• Het hebben van een bal is geen garantie voor voetballen.
• Meegaan met een groep met een bal resulteert in voetballen.
• De combinatie van kleding en voetbalschoenen resulteert in voetballen.
• Het hebben van een fiets heeft geen voorspellende waarde.

Het lijkt alsof voorspellen eenvoudig is. Maar wordt voor de volgende vier jongens de voorspelling vergeleken met hun echte gedrag, dan blijkt ineens dat schoenen en kleding niet bepalend zijn, en meegaan met een groep met een bal evenmin. Er staan vier wegen open om de voorspelling te verbeteren:

1. Meer factoren gebruiken. De vraag is welke.
2. Gegevens van meer jongens gebruiken. De kans is groot dat voorspellen dan lastiger wordt: vier jongens toevoegen haalde de criteria al onderuit.
3. Accepteren dat de voorspelling niet altijd klopt, zolang het een best guess is.
4. De voorspelling baseren op een gewogen gemiddelde van alle factoren. De enige moeilijkheid is het toekennen van het juiste gewicht aan elke factor.

In feite bieden alleen optie 3 en 4 een oplossing, en een combinatie van die twee geeft de beste voorspelling. Dat is precies wat een neuraal netwerk doet.

Hoe een neuraal netwerk werkt

Computers zijn heel goed in het verwerken van duidelijk gedefinieerde gegevens volgens vaste protocollen. Een van de sterke kanten van de menselijke hersenen is het werken met vage en incomplete gegevens volgens vaak slecht gedefinieerde methoden. Het verschil zit in de manier waarop een neuron, de verwerkingseenheid van de hersenen, gegevens verwerkt. Een neuron verzamelt signalen van verschillende bronnen. Komt de som van alle inkomende signalen boven een vooraf ingestelde waarde, dan geeft het neuron een signaal af op zijn uitgang; hoe groter de som, hoe groter het uitgaande signaal. Door informatie over neuronen te verdelen en uitgaande signalen in andere neuronen te verwerken, kunnen de hersenen slecht gedefinieerde en incomplete informatie aan.

Met een neuraal netwerk simuleert een digitale computer dit. Het netwerk moet de juiste gewichten aan de verbindingen toekennen, op een van twee manieren:

• Vast: de gewichten voor de signalen worden vast ingesteld. Het netwerk is dan alleen toepasbaar binnen een sterk afgebakende taak.
• Adaptief: de gewichten ontstaan door combinaties van invoersignalen en (bekende) uitvoersignalen aan te bieden.

Leren met en zonder supervisie

Door de gewichten van de verbindingen te veranderen zorgt het netwerk dat het antwoord klopt, en dat herhaalt het voor een groot aantal combinaties. Dit “leren” gaat door totdat de veranderingen in de gewichten onder een vooraf ingestelde grenswaarde vallen. Vanaf dat moment is het netwerk te gebruiken voor nieuwe, onbekende situaties.

Leren met versus zonder supervisie

De omstandigheden bepalen grotendeels de strategie.

De drie lagen van een neuraal netwerk

1. Invoerlaag
2. Verborgen laag (ook wel verwerkingslaag)
3. Uitvoerlaag

Neem een adaptief netwerk dat met supervisie leert. Aanvankelijk zijn de gewichten van alle verbindingen gelijk, net als de drempelwaarden waarboven een neuron actief wordt. Door het netwerk een groot aantal situaties met een bekend resultaat aan te bieden, worden de gewichten en drempelwaarden zo aangepast dat de uitvoer steeds klopt. Zodra de veranderingen onder een vooraf ingestelde waarde vallen, is het netwerk klaar voor gebruik. Een adaptief netwerk kun je later bijregelen met een “opfriscursus”: opnieuw een groot aantal situaties, bijvoorbeeld combinaties waarop het nog minder presteert.

De voor- en nadelen

3 voordelen

• Het kan goed omgaan met vage en onvolledige informatie.
• De instelling kan zich aanpassen aan veranderende omstandigheden en eisen.
• Het komt het best tot zijn recht waar een zekere mate van patroonherkenning gewenst is, zoals bij beeldmateriaal.

4 nadelen

• De uitkomst kent een bepaalde onzekerheid die niet altijd gewenst is.
• Voordat het bruikbaar is, moet het door een leerfase, online of offline.
• De kwaliteit van de uitkomsten hangt sterk af van de kwaliteit van de data waarmee is geleerd.
• Behalve bij een vast netwerk heeft de gebruiker nauwelijks invloed op de interne gewichten en drempelwaarden.

De beperkingen van dit algoritme

Hoewel een neuraal netwerk goed uit de voeten kan met vage en incomplete informatie, kan ook de uitkomst incompleet zijn. De zekerheid van een beslisboom vind je niet bij een neuraal netwerk, en niet elke dataset of opdracht is geschikt. De kunst is de opdrachten te kiezen waar het goed in is: in (vrijwel) alle gevallen het zoeken naar patronen. Neurale netwerken worden met veel succes ingezet bij gezichtsherkenning en het opsporen van patronen op foto’s of in filmbeelden. Ook bij het opsporen van (zeldzame) ziektes kunnen ze goed scoren, omdat de informatie vaak onvolledig is en de symptomen overlappen.

Verder lezen

• Predictive analytics
• Beslisboom
• Nearest neighbor
• Machine learning
• Artificial intelligence

Over de auteur

Jack Esselink

Jack is een zeer ervaren trainer en spreker over data en AI. Als Data Science & Machine Learning Evangelist bij IBM gaf hij trainingen, workshops en keynotes op alle continenten. Zijn motto: “It’s all about data.”

Over Diamond Decisions

Diamond Decisions helpt organisaties beter te worden door betere beslissingen mogelijk te maken. We starten niet bij data, dashboards of AI, maar bij de beslissing die beter moet, en bouwen van daaruit terug naar KPI’s, data en technologie. Dat doen we in vier stappen: inspiratie en alignment, business modeling, analytics en dataplatform en datagedreven beslissers. Zo zorgen we dat BI en AI geen IT-project blijven, maar elke dag waarde opleveren.