Hoe werkt een neural network écht?
Iedereen noemt het “een brein van de computer”. Maar wat gebeurt er nu eigenlijk binnenin? Geen wiskunde — wel een paar beelden die blijven hangen.
Je hebt het woord vast vaker gehoord: een neuraal netwerk. Het zit achter de spraakherkenning op je telefoon, achter de foto’s die automatisch worden gesorteerd, en — in een veel grotere vorm — achter ChatGPT. Het klinkt als iets ondoorgrondelijks, iets dat alleen wiskundigen mogen begrijpen.
Dat is het niet. De kern is verrassend eenvoudig, en je hebt er geen enkele formule voor nodig. In deze voorproef bouwen we het idee in drie stappen op: wat is één neuron, hoe wordt een groep neuronen samen een beslissing, en wat betekent het eigenlijk als zo’n netwerk “leert”. Aan het eind weet je niet hoe je er een bouwt — wel waaróm het werkt.
Wat is één neuron eigenlijk?
Stel je een nieuwsgierige portier voor bij de ingang van een gebouw. Hij laat niet zomaar iedereen door. Hij luistert naar een paar adviseurs die naast hem staan, en elke adviseur roept een getal: hoe sterk vindt hij dat de portier iemand moet doorlaten. De ene adviseur vertrouwt de portier blind — naar die luistert hij zwaar. Een andere adviseur neemt hij maar half serieus. De portier telt al die adviezen bij elkaar op, ieder naar gelang hoe zwaar hij meetelt. Blijft het totaal onder een bepaalde streep, dan houdt hij de deur dicht. Maar komt het erboven, dan zegt hij niet kortweg “ja”: hoe overtuigender de adviseurs samen aandringen, hoe nadrukkelijker hij doorwuift.
Dat is, in de kern, een neuron in een neuraal netwerk. Het krijgt een aantal getallen binnen. Elk binnenkomend getal heeft een gewicht: een maat voor hoe zwaar dat signaal meetelt. Het neuron telt alles samen — ieder getal vermenigvuldigd met zijn gewicht. Blijft de uitkomst te laag, dan geeft het niets door. Maar komt hij erboven, dan stuurt het neuron een signaal naar het volgende — en wel evenredig sterker naarmate de uitkomst hoger is. Niet alles is dus aan of uit; er zit gradatie in. Juist die gradatie maakt het later mogelijk om het netwerk bij te sturen.
Meer is het niet. Geen begrip, geen mening, geen bewustzijn. Een neuron is een rekenstapje: getallen erin, één getal eruit. De magie zit hem niet in dat ene stapje — die zit in de aantallen, zoals je in de volgende stap ziet.
Een echt neuron in je hersenen is veel rommeliger en levendiger dan deze portier: het vuurt met kleine elektrische pulsjes, timing speelt een rol, en hersencellen staan niet in nette rijtjes opgesteld. De portier is dus geen kopie van een hersencel — het is een sterk vereenvoudigd rekenmodel dat er losjes door is geïnspireerd.
Hoe wordt een groep neuronen samen een beslissing?
Eén portier kan een simpele ja/nee-keuze maken. Maar interessante vragen — “staat er een kat op deze foto?” — zijn te ingewikkeld voor één stap. Daarom werken neuronen samen, en wel in lagen, als een organisatie waarin het werk wordt doorgegeven.
Denk aan een fabriek met opeenvolgende werkbanken. Aan de eerste werkbank komt het ruwe materiaal binnen — bij een foto bijvoorbeeld de losse beeldpuntjes. Die werkbank let alleen op iets heel kleins: “zie ik hier een randje, een overgang van licht naar donker?” Het resultaat geeft hij door aan de volgende werkbank. Die kijkt niet meer naar losse puntjes, maar naar de randjes van de vorige stap, en herkent daarin grotere vormen: een rondje, een hoek. De werkbank daarna combineert díe weer tot “een oog”, “een snorhaar”. En de laatste werkbank weegt alles af en concludeert: “ja, dit lijkt me een kat.”
Dat is precies hoe een neuraal netwerk is opgebouwd. De rij neuronen waar de gegevens binnenkomen heet de invoerlaag; de neuronen die de uitkomst geven vormen de uitvoerlaag; en alle werkbanken ertussenin zijn de verborgen lagen. Met meer lagen kan het netwerk meer tussenstappen nemen en rijkere patronen onderscheiden — al zijn er grenzen: blindelings lagen blijven toevoegen maakt een netwerk niet vanzelf beter, maar dat is een les apart. Een netwerk met veel lagen noemen we diep — vandaar de term deep learning.
Het mooie is: niemand vertelt die werkbanken vooraf waarop ze moeten letten. Dat “een randje” of “een oog” nuttige tussenstappen zijn, komt er vanzelf uit tijdens het leren — het onderwerp van de laatste stap.
In een echte fabriek weet elke werkbank wat hij maakt — een stoel, een wiel. De tussenstappen van een netwerk hebben zulke nette namen niet. Wíj zeggen achteraf “deze laag lijkt op randjes te letten”, maar het netwerk heeft daar geen woord of bedoeling bij. Het zijn slechts getallen die net handig blijken te zijn.
Wat betekent het als zo’n netwerk “leert”?
Hier komt de truc waar alles om draait. We hebben het steeds over gewichten gehad — hoe zwaar elk signaal meetelt. Leren is niets anders dan die gewichten beetje bij beetje bijstellen.
Vergelijk het met de knoppen op een ouderwetse mengtafel met honderden schuifjes. In het begin staan alle schuifjes lukraak; het netwerk gokt maar wat. Je laat het een foto zien en het zegt “hond”, terwijl het een kat was. Nu komt de kern: het systeem rekent uit hóé ver het ernaast zat, en in welke richting elk schuifje een tikje moet om de fout iets kleiner te maken. Een piepklein duwtje per schuifje. Daarna de volgende foto, en weer een duwtje. En weer.
Doe dat met honderdduizenden voorbeelden, miljoenen keren, en de schuifjes zakken vanzelf in een stand waarin het netwerk verbazend vaak gelijk heeft. Dat geduldige, voorbeeld-na-voorbeeld bijstellen van de gewichten is wat we trainen noemen.
Let op wat hier níét gebeurt: het netwerk begrijpt na afloop nog steeds niet wat een kat ís. Het heeft geen idee van snorharen, van huisdieren, van iets. Het heeft alleen een enorme verzameling getallen zo afgesteld dat de juiste plaatjes het label “kat” opleveren. Het herkent een patroon — het kent geen betekenis. Dat onderscheid is misschien wel het belangrijkste dat je uit deze les meeneemt, en het verklaart later veel van wat AI wél en niet kan.
Bij een echte mengtafel verdraai jíj bewust de knoppen tot het goed klinkt. Een netwerk heeft niemand die naar het geluid luistert: het bijstellen gebeurt volautomatisch, puur op basis van de gemeten fout, zonder dat er ergens een oor of een bedoeling aan te pas komt. En de analogie laat in het midden hóé het netwerk weet welke kant elk schuifje op moet — dat is geen gok: uit de gemeten fout volgt precies de richting van elke aanpassing. Dat is het onderwerp van de volgende module.
Wat je nu snapt
- Een neuron is een rekenstapje: het telt binnenkomende signalen op, ieder met zijn eigen gewicht, en geeft door als het totaal sterk genoeg is.
- Neuronen werken in lagen samen. Elke laag bouwt voort op de vorige, van ruwe details naar steeds rijkere herkenning — bij veel lagen heet dat deep learning.
- Leren is het geduldig bijstellen van al die gewichten, voorbeeld na voorbeeld, tot het netwerk vaak gelijk heeft. Dat heet trainen.
- Een getraind netwerk herkent patronen, maar begrijpt geen betekenis — onthoud dat verschil.
Wat gebeurt er precies als een neuraal netwerk “leert”?
Dit was module 1. De volledige cursus gaat verder: hoe weet het netwerk in welke richting het elk gewicht moet bijstellen? En hoe groeien losse neuronen uit tot iets dat taal begrijpt?
Bekijk alle cursussen en modules →