Een neuraal netwerk is een AI-model dat patronen leert herkennen door informatie via meerdere lagen te verwerken. Tijdens de training worden de verbindingen tussen kunstmatige neuronen aangepast, zodat het netwerk steeds betere voorspellingen kan doen.
Neurale netwerken vormen de motor achter veel moderne AI-toepassingen, zoals beeldherkenning, spraakherkenning en taalmodellen. Hieronder lees je stap voor stap hoe ze werken, met begrijpelijke voorbeelden.
Deze pagina is de uitgebreide uitleg. Volg je de gratis Basiscursus AI, ga dan naar de les Neurale netwerken leren begrijpen voor de oefening en quiz.
Wat is een neuraal netwerk?
Een neuraal netwerk bestaat uit lagen met kleine rekenonderdelen die vaak kunstmatige neuronen worden genoemd. Ieder onderdeel ontvangt informatie, voert een berekening uit en geeft het resultaat door aan de volgende laag.
De naam is geïnspireerd op het menselijk brein, maar een neuraal netwerk werkt niet zoals menselijke hersenen. Het heeft geen bewustzijn of werkelijk begrip. Het is een wiskundig model dat patronen in gegevens leert herkennen.

Hoe werkt een neuraal netwerk?
Stel dat een neuraal netwerk moet bepalen of er een kat of een hond op een foto staat. Het verwerkt de afbeelding in drie hoofdfasen.
1. De invoerlaag ontvangt de gegevens
De invoerlaag ontvangt de ruwe gegevens. Bij een afbeelding zijn dat de waarden van de pixels. Bij audio kunnen dat geluidskenmerken zijn en bij tekst bijvoorbeeld woorden of delen van woorden.

2. De verborgen lagen herkennen patronen
In de verborgen lagen worden steeds complexere kenmerken herkend. Een vroege laag kan reageren op lijnen en randen. Een volgende laag combineert die patronen tot vormen, zoals oren, ogen of een snuit.

3. De uitvoerlaag maakt een voorspelling
De uitvoerlaag zet alle tussenresultaten om in een voorspelling. Het netwerk kan bijvoorbeeld aangeven dat de afbeelding met 92 procent waarschijnlijkheid een kat bevat.

Hoe leert een neuraal netwerk?
Voordat het netwerk bruikbaar is, wordt het getraind met veel voorbeelden. Bij iedere verbinding hoort een gewicht. Dat gewicht bepaalt hoeveel invloed een signaal heeft op de volgende berekening.
In het begin zijn de voorspellingen vaak onbetrouwbaar. Het model vergelijkt zijn voorspelling met het juiste antwoord en berekent de fout. Vervolgens worden de gewichten een klein beetje aangepast. Dit proces wordt vele malen herhaald.
Een activatiefunctie bepaalt daarnaast welke signalen sterk genoeg zijn om verder te worden doorgegeven. Door gewichten en activaties te combineren kan het netwerk ingewikkelde, niet-lineaire patronen leren.
Voorbeeld: handgeschreven cijfers herkennen
Een netwerk dat handgeschreven cijfers leert herkennen, krijgt duizenden voorbeelden van nullen tot en met negens. Eerst reageert het vooral op losse lijnen en bochten. Tijdens de training leert het welke combinaties kenmerkend zijn voor bijvoorbeeld een 3 of een 8.
Daarna kan het ook nieuwe handgeschreven cijfers classificeren die niet letterlijk in de trainingsgegevens voorkwamen. Dat vermogen om patronen toe te passen op nieuwe voorbeelden heet generaliseren.
Veelvoorkomende soorten neurale netwerken
| Type | Waar het vaak voor wordt gebruikt | Voorbeeld |
|---|---|---|
| Feedforward-netwerk | Relatief eenvoudige voorspellingen en classificatie | Spam herkennen |
| Convolutioneel netwerk | Beelden en ruimtelijke patronen | Afwijkingen op medische scans herkennen |
| Recurrent netwerk | Gegevens waarbij de volgorde belangrijk is | Spraak of tijdreeksen verwerken |
| Transformer | Taal en andere lange reeksen | Moderne taalmodellen |
De technieken ontwikkelen zich snel. Recurrente netwerken worden bij veel taaltaken inmiddels vaak vervangen door transformers, maar blijven nuttig om de ontwikkeling van neurale architecturen te begrijpen.
Waar worden neurale netwerken voor gebruikt?
- Beeldherkenning: objecten, gezichten en afwijkingen in scans herkennen.
- Spraakherkenning: gesproken taal omzetten naar tekst.
- Aanbevelingen: muziek, video’s of producten voorspellen die bij een gebruiker passen.
- Taalmodellen: tekst analyseren, samenvatten en genereren.
- Voorspellende systemen: patronen herkennen in financiële, technische of medische gegevens.
Beperkingen van neurale netwerken
Neurale netwerken zijn krachtig, maar niet automatisch betrouwbaar. Belangrijke beperkingen zijn:
- ze hebben vaak veel trainingsdata en rekenkracht nodig
- ze kunnen vooroordelen en fouten uit trainingsdata overnemen
- ze kunnen slecht presteren bij situaties die sterk afwijken van de training
- het is niet altijd eenvoudig uit te leggen waarom een bepaalde uitkomst ontstond
Explainable AI probeert inzichtelijk te maken welke gegevens of kenmerken veel invloed hadden op een beslissing. Dat helpt, maar maakt niet iedere complexe uitkomst volledig verklaarbaar. Menselijke controle blijft daarom belangrijk, vooral bij beslissingen met grote gevolgen.
Neurale netwerken in een video
In deze video zie je visueel hoe invoer, verborgen lagen en uitvoer samenwerken.
Samenvatting
Een neuraal netwerk verwerkt gegevens via meerdere lagen. Tijdens de training worden gewichten aangepast, zodat het model patronen leert herkennen en nieuwe voorbeelden kan beoordelen. Deze techniek maakt veel moderne AI mogelijk, maar vereist goede data, controle en aandacht voor uitlegbaarheid.





