Hoe neurale netwerken en diep leren AI-systemen laten leren en beslissen

Wat is een neuraal netwerk eigenlijk

Volgens IBM is een neuraal netwerk een machine learning-model dat is opgebouwd uit eenvoudige verwerkingseenheden genaamd neuronen, gerangschikt in lagen, die gewichten en vooroordelen leren van gegevens om patronen te herkennen en invoer op uitvoer in kaart te brengen. Elk netwerk heeft een invoerlaag die ruwe gegevens opneemt, een of meer verborgen lagen die die gegevens transformeren, en een uitvoerlaag die het eindresultaat produceert, zoals een label of een voorspelling.

Elk neuron vermenigvuldigt zijn inkomende waarden met getallen genaamd gewichten, voegt een bias-term toe en voert het resultaat door een niet-lineaire activeringsfunctie. IBM vergelijkt gewichten met draaiknoppen die bepalen hoeveel invloed elke invoer op het resultaat heeft, terwijl vooroordelen het punt aanpassen waarop een neuron actief wordt.

Hoe training werkt: voorwaarts- en achterwaartsdoorgangen

MIT News tracet het idee terug naar 1944, toen Warren McCullough en Walter Pitts, die later naar MIT verhuisden, voor het eerst het concept van onderling verbonden verwerkingsknooppunten voorstelden. In het originele ontwerp sommeert elk knooppunt zijn gewogen invoer en 'vuurt' af als de som een drempel overschrijdt en stuurt een signaal naar de volgende laag in wat MIT een feedforward-architectuur noemt.

Training begint met willekeurige gewichten. IBM legt uit dat het netwerk eerst een stap 'forward propagation' uitvoert, waarbij invoergegevens door de lagen gaan om een voorspelling te produceren. Een verliesfunctie meet vervolgens de afstand tussen die voorspelling en het juiste antwoord, met behulp van formules zoals gemiddelde kwadratische fout voor numerieke voorspellingen of cross-entropy voor classificatietaken, volgens IBM.

Het netwerk voert vervolgens 'backpropagation' uit, berekent laag voor laag hoeveel elk afzonderlijk gewicht aan de fout heeft bijgedragen, met behulp van een calculusregel genaamd de kettingregel. Een optimalisatiestap genaamd gradient descent gebruikt deze berekeningen vervolgens om elk gewicht in de richting te verschuiven die de fout vermindert. Dit cycle duizenden of miljoenen keren herhalen over trainingsvoorbeelden is wat zowel IBM als MIT beschrijven als hoe het netwerk 'leert'.

Waarom diep leren doorgebroken is

'Diep leren' verwijst naar netwerken met veel gestapelde verborgen lagen in plaats van slechts één. MIT News merkt op dat netwerken met één laag uit de jaren zestig plaats hebben gemaakt voor moderne netwerken met 10 tot 50 lagen of meer. Het onderzoeksmomentum stortte in nadat Marvin Minsky en Seymour Papert van MIT in 1969 een boek publiceerden dat de grenzen van netwerken met één laag aantoonde, volgens MIT News, en herstelde zich slechts gedeeltelijk in de jaren tachtig voordat er in de vroege jaren 2000 opnieuw een daling was.

De moderne heropleving van het veld, die MIT rond 2010 dateert, werd aangedreven door grafische verwerkingseenheden (GPU's), oorspronkelijk gebouwd voor videogames, waardoor het praktisch werd om het enorme aantal berekeningen uit te voeren dat diepe netwerken vereisen. IBM voegt toe dat deze computerkracht, gecombineerd met veel grotere datasets, de parameters in de huidige grote modellen in de miljarden laat lopen.

Het 'black box'-probleem: waarom beslissingen moeilijk uit te leggen zijn

Zelfs een volledig getraind netwerk kan moeilijk te interpreteren zijn. MIT News stelt dat na training vaak onduidelijk is wat de uiteindelijke gewichtsinstellingen echt vertegenwoordigen, of op welke kenmerken van een afbeelding een getraind systeem vertrouwt en hoe het ze combineert. Deze ondoorzichtigheid, soms het 'black box'-probleem genoemd, verschilt van hoe een netwerk is gebouwd — het gaat om het begrijpen waarom een bepaald, reeds getraind netwerk een bepaalde beslissing neemt.

Waarom deze uitleg nu erg belangrijk is

De hierboven beschreven mechanica staat achter een snelle uitbreiding van alledaagse AI-gebruik. Het Stanford HAI 2026 AI Index Report stelde vast dat organisatorische adoptie van generatieve AI in 2025 88% bereikte, en dat generatieve AI 53% van de bevolking bereikte binnen drie jaar na de introductie op de massamarkt — wat het rapport zegt is sneller dan de personal computer of het internet dezelfde niveaus hebben bereikt. Hetzelfde rapport stelt de Amerikaanse particuliere AI-investering in 2025 op 285,9 miljard dollar, meer dan 23 keer de 12,4 miljard dollar die dat jaar in China werd geïnvesteerd.

Het Stanford-rapport stelde ook vast dat de AI-modelprestaties op coderingsbenchmarks zoals SWE-bench Verified binnen één jaar van ongeveer 60% naar bijna 100% stegen, en dat verschillende modellen nu menselijke prestaties op PhD-niveau wetenschapsvragen en competitiewiskunde gelijk of overtreffen. Geen van deze capaciteitswinsten verandert het onderliggende mechanisme dat hierboven is beschreven — gewogen verbindingen aangepast door backpropagation en gradient descent — alleen de schaal waarop het wordt toegepast.