Przejdź do treści
promptowy.com / KI-ordbok / Nevralt nettverk (kunstig nevralt nettverk)
Grunnleggende

Nevralt nettverk (kunstig nevralt nettverk)

Et nevralt nettverk er en beregningsmodell bygget opp av sammenkoblede noder som lærer å kjenne igjen mønstre og løse oppgaver ved å analysere eksempler.

Et nevralt nettverk, ofte kalt et kunstig nevralt nettverk, er en beregningsmodell som er løst inspirert av strukturen i biologiske hjerner. Nettverket består av lag med sammenkoblede noder som behandler informasjon og justerer sine egne matematiske parametere etter hvert som de blir fôret med data. Målet er å lære sammenhengen mellom inndata og ønsket resultat, enten det gjelder bildegjenkjenning, oversettelse eller prognoser.

I motsetning til tradisjonell programvare, der et menneske skriver nøyaktige regler for hvert scenario (hvis A, så gjør B), lærer et nevralt nettverk disse reglene selv basert på historiske eksempler. Det betyr likevel ikke at nettverket tenker eller forstår verden rundt seg. Det utfører utelukkende en spesifikk statistisk analyse basert på tallene det mottar.

Fra rådata til svar: Hvordan modellen arbeider

Strukturen i et nevralt nettverk kan deles inn i tre hoveddeler: et inndatalag, ett eller flere skjulte lag, og et utdatalag. Når et bilde, en tekst eller en tabell sendes inn, gjøres informasjonen først om til tallverdier.

Hver node i de skjulte lagene mottar signaler fra forrige lag, ganger signalene med en vekt (en styrkegrad) og legger til en justeringsverdi. Deretter bruker noden en matematisk funksjon, kalt en aktiveringsfunksjon, for å avgjøre hvor mye signal som skal sendes videre. Dette gjør det mulig for nettverket å fange opp komplekse og ulineære sammenhenger i hverdagen.

Under treningen gjetter nettverket først på et svar. Modellen sammenligner gjetningen med fasiten, regner ut feilen, og justerer vektene bakover gjennom lagene for å gjøre færre feil neste gang. Denne gjentatte justeringen gjør at modellen gradvis blir mer treffsikker.

Et lokalt eksempel: Fruktsortering i Hardanger

Tenk deg en fruktdyrker i Hardanger som ønsker å sortere epler automatisk på et samlebånd. Målet er å skille førsteklasses spise-epler fra frukt med overflateskader som skal gå direkte til eplemost. Dyrkeren monterer et kamera over båndet og kobler det til et nevralt nettverk.

For å lære opp modellen, tar man tusenvis av bilder av epler. Hvert bilde merkes manuelt som enten «feilfri» eller «skadet». Nettverket analyserer fargeoverganger, skygger og teksturer. Modellen vet ingenting om eplesorter, jordsmonn eller sødme, men den lærer etter hvert å oppdage mørke flekker og ujevnheter i skallet som skiller et klasse A-eple fra et mosteple.

Slik tester du en idé med nevrale nettverk

Dersom en bedrift eller en kommune vurderer å ta i bruk et nevralt nettverk, er det lurt å gå metodisk til verks for å unngå bortkastet arbeid:

  • Definer en snever oppgave: Ikke be modellen om å «vurdere kvaliteten generelt». Be den heller ta stilling til en konkret beslutning, for eksempel om et dokument skal videresendes til saksbehandler eller arkiveres direkte.
  • Bruk ensartet merking: De som forbereder treningsdataene må være helt samstemte. Hvis to personer vurderer den samme feilen ulikt, gir man modellen motstridende instruksjoner.
  • Hold testdata strengt adskilt: Bildene eller dokumentene du tester modellen på, må aldri ha vært en del av treningen. Hvis modellen kun testes på data den allerede har pugget, aner du ikke hvordan den fungerer i drift.
  • Vurder enklere alternativer: Kan problemet løses med en enkel fast regel, en fargesensor eller et vanlig regneark? Hvis en enkel metode fungerer, er det sjelden verdt bryet å drifte et nevralt nettverk.

Fellen med snarveier og skjeve data

En vanlig utfordring med nevrale nettverk er at de er notorisk flinke til å finne snarveier som mennesker overser. Hvis alle de skadde eplene i Hardanger tilfeldigvis ble fotografert i blå plastkasser, mens de feilfrie eplene lå på en stålbenk, vil nettverket raskt lære at blå farge betyr skadet frukt. Modellen vil levere tilsynelatende perfekte resultater på testbildene, men feile fullstendig så snart stålbenken tas i bruk for hele partiet.

Det samme kan skje i en regnskapsavdeling i Bodø som prøver å klassifisere inngående fakturaer. Hvis modellen lærer seg å kjenne igjen logoen til den største leverandøren i stedet for å tolke selve varelinjene, vil den gi feil svar så snart det dukker opp en faktura fra et nytt selskap. Man må derfor alltid kontrollere hvilke mønstre modellen faktisk reagerer på.

Ofte stilte spørsmål

Hva er forskjellen mellom maskinlæring og nevrale nettverk?

Maskinlæring er et overordnet fagfelt for metoder der datamaskiner lærer av data. Nevrale nettverk er en spesifikk undergruppe av maskinlæring som bruker lagdelte noder for å finne komplekse mønstre.

Forstår et nevralt nettverk oppgaven det utfører?

Nei, nettverket har ingen bevissthet eller faktisk forståelse. Det behandler bare tallverdier og finner matematiske sammenhenger mellom inndata og utdata.

Må man alltid ha enorme datamengder for å bruke nevrale nettverk?

For å trene et helt nytt nettverk fra bunnen av kreves det enorme datamengder. I praksis tilpasser man imidlertid ofte ferdigtrente modeller til egne formål med langt færre eksempler.

← Alle begreper i KI-ordboken

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›