Neuronalt netværk (kunstig intelligens)
Et neuronalt netværk er en computermodel opbygget af forbundne noder, der justerer sine indre vægte ud fra data for at genkende mønstre og give svar.
Et neuronalt netværk er en matematisk beregningsmodel, der er løst inspireret af den biologiske hjernes opbygning. I stedet for at følge faste, forudprogrammerede regler lærer et neuronalt netværk at løse opgaver ved at analysere eksempler. Modellen består af et netværk af små regneenheder, kaldet kunstige neuroner eller noder, som arbejder sammen i lag for at omsætte rå input til et konkret resultat.
Når du stiller et spørgsmål til en moderne sprogmodel eller bruger en app, der genkender motiver på billeder, er det et neuronalt netværk, der driver processen under overfladen. Netværket forstår ikke verden, som et menneske gør, men det er exceptionelt dygtigt til at finde mønstre og sammenhænge i store mængder information.
Hvad sker der mellem input og svar?
Et simpelt netværk er bygget op af mindst tre lag: et inputlag, et eller flere skjulte lag og et outputlag. Hver forbindelse mellem noderne har en bestemt vægt, som afgør, hvor meget signalet forstærkes eller svækkes undervejs.
Processen forløber i grundtræk sådan:
- Inputlaget modtager data: For et billede kan det være tusindvis af talværdier, der beskriver lysstyrke og farve for hver enkelt pixel.
- De skjulte lag regner videre: Hver node lægger tallene sammen, ganger dem med forbindelsernes vægte og sender resultatet gennem en aktiveringsfunktion. Det gør netværket i stand til at håndtere komplekse, ikke-lineære sammenhænge.
- Outputlaget leverer en vurdering: Det sidste lag præsenterer en sandsynlighed eller en kategori, for eksempel om billedet viser en kat eller en hund.
Under selve træningen sammenlignes netværkets gæt med det rigtige facit. Forskellen kaldes en fejl. Ved hjælp af en matematisk justeringsmetode regner systemet baglæns og retter en smule på alle vægtene, så fejlen bliver mindre næste gang. Når denne proces gentages millioner af gange, bliver modellen gradvist mere præcis.
Et lokalt eksempel: Sortering på fynske frugtplantager
Forestil dig et pakkeri ved en frugtplantage nær Nyborg. Virksomheden vil gerne sortere æbler automatisk: de pæne skal ud i supermarkederne som spisefrugt, mens æbler med overfladeskrammer skal sendes til lokal mostproduktion. I stedet for at skrive tusindvis af faste regler for hver eneste nuance af en brun plet træner pakkeriet et neuronalt netværk.
Kameraet over transportbåndet tager billeder af æblerne. Netværket modtager billederne og lærer ud fra tusindvis af forudgående fotos, hvordan et beskadiget æble typisk ser ud. Modellen smager ikke på frugten og kender intet til æbledyrkning. Den udfører blot én snæver, praktisk opgave: at vurdere sandsynligheden for overfladefejl ud fra det visuelle mønster i billedet.
Faldgruber: Når modellen snyder sig til det rigtige svar
En af de mest almindelige fejl ved brug af neurale netværk opstår, når modellen finder en uhensigtsmæssig genvej i træningsdataene. Hvis frugtavleren ved en fejl fotograferede alle de skadede æbler på en blå plastbakke og alle de fejlfrie æbler på en træoverflade, vil netværket hurtigt lære at kigge efter den blå farve i stedet for pletter på æblet. På testbillederne ser modellen ud til at have tæt på fejlfri præcision, men så snart den placeres på det rigtige samlebånd i Nyborg, bryder systemet sammen.
Det samme ses ofte i administrative opgaver hos danske virksomheder. Hvis et netværk skal sortere indkomne regninger fra leverandører, lærer det måske at genkende et logo i stedet for selve dokumenttypen. Får man pludselig en faktura med et nyt design eller fra en ny leverandør, gætter modellen forkert, fordi den baserede sin beslutning på overfladiske kendetegn.
Sådan tester du et netværk i praksis
Hvis du overvejer at bruge eller afprøve et neuronalt netværk til en konkret opgave, bør du gribe arbejdet metodisk an:
- Opdel dine data strengt: Hold altid en del af dine data helt adskilt som en kontrolgruppe, som netværket aldrig ser under træningen. Det er den eneste måde at afsløre, om modellen reelt kan generalisere til nye tilfælde.
- Sikr ensartede vurderinger: Hvis to kolleger mærker billeder forskelligt, får modellen modstridende instruktioner. Klar konsensus om kriterierne er afgørende for et godt resultat.
- Undersøg fejlene enkeltvis: Kig på de tilfælde, hvor netværket tog fejl. Er det harmløse tvivlstilfælde, eller overser modellen systematiske fejl, som koster dyrt i virkeligheden?
Ofte stillede spørgsmål
Hvad er forskellen på et neuronalt netværk og almindelig software?
Almindelig software følger faste, eksplicitte regler skrevet af en programmør. Et neuronalt netværk justerer derimod sine egne interne vægte ud fra eksempler og opdager selv de mønstre, der fører til det rigtige svar.
Hvorfor hedder det et neuronalt netværk?
Navnet skyldes, at den grundlæggende struktur med sammenkoblede enheder, der sender signaler til hinanden, er inspireret af den biologiske opbygning af nerveceller (neuroner) i hjernen.
Kræver et neuronalt netværk altid store mængder data?
Som udgangspunkt ja, for at lære stabile mønstre uden at gætte forkert. I dag kan man dog ofte genbruge en forudtrænet model og finjustere den med en mindre mængde lokale data til et specifikt formål.
