Neuraal netwerk simpel uitgelegd

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.

Schema van een neuraal netwerk met een invoerlaag, verborgen lagen en een uitvoerlaag
Een eenvoudig neuraal netwerk met een invoerlaag, verborgen lagen en een uitvoerlaag.

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.

Neuraal netwerk dat eenvoudige lijnen in een kattenafbeelding verwerkt
De invoerlaag ontvangt de ruwe gegevens van de afbeelding.

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.

Verborgen laag die vormen zoals oren en ogen herkent
Verborgen lagen combineren eenvoudige kenmerken tot herkenbare vormen.

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.

Uitvoerlaag die het dier als kat herkent
De uitvoerlaag levert de uiteindelijke voorspelling.

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

TypeWaar het vaak voor wordt gebruiktVoorbeeld
Feedforward-netwerkRelatief eenvoudige voorspellingen en classificatieSpam herkennen
Convolutioneel netwerkBeelden en ruimtelijke patronenAfwijkingen op medische scans herkennen
Recurrent netwerkGegevens waarbij de volgorde belangrijk isSpraak of tijdreeksen verwerken
TransformerTaal en andere lange reeksenModerne 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.

Gerelateerde uitleg

Deel dit artikel:


Ontdek meer van De Wereld Van AI

Blijf op de hoogte van nieuwe AI-artikelen, direct in je mailbox.

Welkom!

De Wereld van AI is een Nederlandstalig kennisplatform dat kunstmatige intelligentie begrijpelijk en praktisch maakt.

Ontdek heldere uitleg over AI, machine learning en AI agents, leer hoe je AI praktisch gebruikt en lees hoe organisaties AI verantwoord kunnen inzetten. Met voorbeelden, verdiepende artikelen en handige downloads.

Nieuw met AI? Begin met mijn gratis Basiscursus AI en ontdek stap voor stap hoe kunstmatige intelligentie werkt.

Wil je verder kijken? Bekijk Alle Artikelen, ontdek de AI-Woordenlijst of kies een onderwerp via Hoofdthema’s over AI.

Liever kijken dan lezen?
Bezoek mijn YouTube-kanaal De Wereld van AI voor korte en toegankelijke video’s.

Logo van De Wereld van AI met een rode knop waarop “Subscribe” staat, als promotie voor het YouTube-kanaal

Praktische AI-uitleg in je LinkedIn-feed

Volg De Wereld van AI voor praktische voorbeelden, eigen tests en tips om AI-antwoorden kritisch te beoordelen.

AI-Tools (9) AI energieverbruik (1) AI en klimaat (1) AI in de zorg (1) Automatisering (7) AVG (5) ChatGPT (20) Claude (3) Datacenter (1) Data Science (4) Deep Learning (8) EU AI Act (5) Generatieve AI (16) Google Gemini (3) Machine Learning (24) Microsoft Copilot (3) Neurale Netwerken (10) Privacy (5) Taalmodellen (13)