Hur fungerar ett neuralt nätverk?
Ett neuralt nätverk räknar sig fram till ett svar i flera steg. Det består av enkla beräkningsenheter, ofta kallade neuroner, som är ordnade i lager. Varje koppling mellan två neuroner har en vikt, ett tal som anger hur mycket den ena ska påverka den andra. Data matas in i det första lagret, räknas om lager för lager och blir ett svar i det sista.
Nätverket får inga handskrivna regler. Det tränas på ett stort antal exempel där rätt svar är känt, till exempel bilder med etiketter eller texter där nästa ord är dolt. Varje gång svaret blir fel justeras vikterna en aning. Efter tillräckligt många exempel har nätverket fångat mönster som också fungerar på data det aldrig har sett.
Namnet kommer från att idén en gång hämtades från hjärnans nervceller. Likheten är ytlig. Ett neuralt nätverk är matematik och förstår inte uppgiften så som en människa gör. Forskarna John Hopfield och Geoffrey Hinton fick Nobelpriset i fysik 2024 för grundläggande upptäckter och uppfinningar som möjliggör maskininlärning med artificiella neurala nätverk.
Vad är skillnaden mellan neurala nätverk, maskininlärning och djupinlärning?
Begreppen ligger inuti varandra. Maskininlärning är samlingsnamnet för metoder där en dator lär sig av data. Neurala nätverk är en av de metoderna. Djupinlärning är maskininlärning med neurala nätverk som har många lager.
Djupinlärning ligger bakom det mesta som i dag kallas AI. En språkmodell är ett mycket stort neuralt nätverk som har tränats på att förutsäga nästa token i en text. Datorseende och taligenkänning bygger på samma princip, med bilder och ljud som träningsdata. De olika formerna av inlärning beskriver vi i guiden om maskininlärning.
Vad behöver ett litet företag veta om neurala nätverk?
Ni behöver varken bygga eller träna egna nätverk. De finns redan inne i verktygen, till exempel i AI-assistenten som skriver utkast, i funktionen som läser inskannade dokument och i tjänsten som transkriberar möten.
Tre egenskaper är ändå bra att känna till, eftersom de förklarar hur verktygen beter sig:
- Svaren bygger på sannolikhet. Nätverket ger det svar som bäst liknar mönstren i träningsdatan. Svaret kan vara fel och ändå låta säkert.
- Kvaliteten följer träningsdatan. Ett nätverk som sällan har sett svenska branschtermer eller er typ av dokument presterar sämre på dem.
- Resonemanget syns inte. Ett svar går sällan att härleda till en enskild regel. Det är ett skäl till att viktiga beslut bör granskas av en människa.
Publicerad