Een recurrent netwerk, vaak afgekort als RNN, is een type neuraal netwerk dat speciaal is ontworpen om met reeksen en volgorde om te gaan. Een recurrent netwerk gebruikt informatie uit eerdere stappen opnieuw, waardoor het context kan onthouden tijdens het verwerken van data.
Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Hoe werkt een recurrent netwerk?
Een RNN verwerkt input stap voor stap. Bij elke stap gebruikt het niet alleen de huidige input, maar ook een interne toestand die informatie bevat uit eerdere stappen. Die toestand fungeert als een soort geheugen.
Bijvoorbeeld bij tekstverwerking kijkt het netwerk niet alleen naar het huidige woord, maar ook naar de woorden ervoor. Zo kan het verbanden in zinnen leren herkennen.
Waar een recurrent netwerk voor wordt gebruikt
Recurrente netwerken worden vooral ingezet bij data waarbij volgorde belangrijk is, zoals:
- Tekst en taal, bijvoorbeeld zinsanalyse of vertaling
- Spraakherkenning
- Tijdreeksen, zoals weerdata of financiële data
- Simpele voorspellingsmodellen met historisch verloop
Beperkingen van een recurrent netwerk
Standaard RNN’s hebben moeite met het onthouden van informatie over lange tijdsperiodes. Bij lange reeksen vervaagt oude informatie, waardoor het model context verliest.
Om dit probleem op te lossen zijn varianten ontwikkeld zoals LSTM (Long Short-Term Memory) en GRU (Gated Recurrent Unit). Deze netwerken bevatten speciale mechanismen die belangrijke informatie langer kunnen vasthouden en irrelevante informatie juist vergeten, waardoor ze beter omgaan met langetermijngeheugen.
Verder lezen
Wil je begrijpen hoe neurale netwerken, geheugen en voorspellingen samenkomen in moderne AI-systemen? Dan is de gratis AI basiscursus een logisch vervolg. Daar bouw je stap voor stap inzicht op in hoe modellen leren en beslissingen nemen.
Bekijk je liever video-uitleg, dan biedt het YouTube kanaal De Wereld van AI heldere uitlegvideo’s over AI, uitgelegd in begrijpelijke taal.