Neuraal netwerk

Bijgewerkt: 2 september 2026 · 6 min leestijd

Een neuraal netwerk is een type kunstmatige-intelligentiesysteem dat is opgebouwd uit veel kleine rekeneenheden die losjes zijn geïnspireerd op zenuwcellen (neuronen) in de hersenen. Elke eenheid krijgt een aantal getallen binnen, telt die op een bepaalde manier op en geeft er zelf weer een getal aan door aan de volgende laag eenheden. Door duizenden of miljoenen van zulke eenheden met elkaar te verbinden en het netwerk te trainen op voorbeelden, leert het systeem patronen herkennen: een foto van een kat onderscheiden van een hond, gesproken taal omzetten in tekst, of voorspellen welk woord waarschijnlijk volgt in een zin.

Een handige analogie: stel je een enorme groep mensen voor die elk een heel eenvoudig taakje uitvoeren, zoals "kijk of er in dit stukje van de foto een rond vormpje zit" en geef daarna een seintje door aan de volgende rij mensen. Geen van hen begrijpt de hele foto, maar samen, laag na laag, filteren ze steeds abstractere informatie uit tot de laatste rij kan zeggen: "dit is een kat". Een neuraal netwerk werkt op eenzelfde manier: geen enkel onderdeel "snapt" het probleem, maar het geheel van verbindingen, na training met veel voorbeelden, kan wel degelijk nuttige uitkomsten produceren.

Wat is het precies?

De bouwstenen van een neuraal netwerk heten kunstmatige neuronen of nodes. Elke node ontvangt een of meer invoerwaarden, vermenigvuldigt die met een gewicht (een getal dat aangeeft hoe belangrijk die invoer is) en telt de resultaten op. Vervolgens gaat die som door een zogeheten activatiefunctie, een wiskundige regel die bepaalt of en hoe sterk de node het signaal doorgeeft aan de volgende laag.

Nodes zijn georganiseerd in lagen. De invoerlaag ontvangt de ruwe gegevens, bijvoorbeeld de pixelwaarden van een foto. Daarna volgen een of meer verborgen lagen, waar de eigenlijke patroonherkenning plaatsvindt. Tot slot geeft de uitvoerlaag het antwoord, zoals een classificatie ("kat" of "hond") of een voorspelde waarde. Wanneer een netwerk veel verborgen lagen heeft, spreekt men van deep learning, letterlijk "diep leren": hoe meer lagen, hoe abstracter en complexer de patronen die het netwerk in theorie kan herkennen.

Het netwerk leert door training: het krijgt grote hoeveelheden voorbeelden te zien waarvan het juiste antwoord al bekend is. Na elke poging wordt gemeten hoe ver de uitkomst van het netwerk afzat van het juiste antwoord, de zogeheten foutmarge of loss. Met een techniek die backpropagation heet, wordt die fout vervolgens laag voor laag teruggerekend door het netwerk, waarna alle gewichten een klein beetje worden bijgesteld om de fout de volgende keer kleiner te maken. Dit bijstellen gebeurt via een methode die gradient descent heet: in kleine stapjes de richting op zoeken waarin de fout het snelst afneemt. Dit proces wordt miljoenen keren herhaald, met steeds nieuwe voorbeelden, tot het netwerk goed genoeg presteert.

Er bestaan gespecialiseerde netwerkarchitecturen voor verschillende soorten data. Een convolutioneel neuraal netwerk (CNN) is geoptimaliseerd voor beeldherkenning: het scant een afbeelding met kleine filters die randen, vormen en texturen herkennen. Een recurrent neuraal netwerk (RNN) is gebouwd om reeksen te verwerken, zoals tekst of tijdreeksen, doordat het informatie uit eerdere stappen "onthoudt". Sinds 2017 domineert een nieuwere architectuur genaamd de transformer, die met een mechanisme genaamd "attention" (aandacht) kan bepalen welke delen van de invoer op elk moment het meest relevant zijn. Transformers vormen de basis van vrijwel alle huidige grote taalmodellen.

Wat wil men ermee bereiken?

De kerngedachte achter neurale netwerken is dat sommige taken zo complex zijn dat het praktisch onmogelijk is om er handmatig vaste regels voor te schrijven. Niemand kan in code uitleggen wat een kat precies onderscheidt van een hond op elke mogelijke foto, in elke belichting en houding. Door in plaats daarvan een systeem te bouwen dat zelf patronen leert uit duizenden voorbeelden, omzeilt men dat probleem.

De belofte van de technologie is dat computers taken kunnen overnemen die voorheen alleen mensen konden: beelden herkennen en categoriseren, gesproken en geschreven taal begrijpen en genereren, afwijkingen in medische scans opsporen, fraude signaleren in financiële transacties, en voorspellingen doen op basis van grote datasets, van weersverwachtingen tot vraag naar producten. Ook wordt de techniek ingezet om nieuwe content te genereren, zoals tekst, beeld, muziek of programmeercode, op basis van wat het netwerk tijdens de training heeft geleerd over de structuur van dat soort materiaal.

Voorbeelden uit de praktijk

AlexNet (2012) geldt als een van de belangrijkste doorbraken van de moderne deep-learning-golf. Dit convolutionele netwerk, ontwikkeld door onderzoekers van de Universiteit van Toronto, versloeg concurrerende methoden met een overtuigende marge bij de ImageNet-competitie, een jaarlijkse wedstrijd in beeldherkenning. Het resultaat liet zien dat grotere netwerken, getraind met veel data op grafische kaarten (GPU's), plotseling veel beter presteerden dan de statistische methoden die daarvoor gangbaar waren.

AlphaGo, ontwikkeld door het Britse onderzoeksbedrijf DeepMind, versloeg in 2016 de Zuid-Koreaanse topspeler Lee Sedol in het bordspel Go. Go geldt als veel complexer dan schaken, en de overwinning van een op neurale netwerken gebaseerd systeem gold destijds als een mijlpaal, jaren eerder dan veel experts hadden verwacht.

Google introduceerde in 2016 Google Neural Machine Translation (GNMT), waarmee Google Translate overstapte van oudere, regelgebaseerde en statistische vertaalmethoden naar neurale netwerken. De vertalingen werden merkbaar vloeiender en natuurlijker, al bleven fouten en rare vertalingen mogelijk.

GPT-3, uitgebracht door OpenAI in 2020, en de daarvan afgeleide chatbot ChatGPT, gelanceerd in november 2022, toonden dat grote taalmodellen op basis van de transformer-architectuur teksten kunnen genereren die op het eerste gezicht moeilijk te onderscheiden zijn van door mensen geschreven tekst. Dit maakte neurale netwerken voor het eerst voor een breed publiek zichtbaar en bruikbaar.

Tot slot leunen de beeldherkenningssystemen in zelfrijdende en rijassistentietechnologie, zoals die van Tesla, zwaar op neurale netwerken om verkeersborden, voetgangers en andere voertuigen te herkennen op basis van camerabeelden.

Hoe ver is de techniek?

Sinds ongeveer 2012 is er sprake van snelle vooruitgang, aangedreven door drie factoren die tegelijk verbeterden: veel meer beschikbare data via het internet, sterk toegenomen rekenkracht dankzij gespecialiseerde chips, en verfijndere trainingsalgoritmes. Belangrijke mijlpalen op een rij zijn de doorbraak van AlexNet in 2012, de introductie van de transformer-architectuur in 2017, en de opkomst van steeds grotere taalmodellen vanaf GPT-3 in 2020 tot en met de brede maatschappelijke doorbraak van ChatGPT in 2022 en opvolgers als GPT-4 in 2023.

Toch kent de techniek serieuze beperkingen. Neurale netwerken worden vaak een black box genoemd: zelfs de ontwikkelaars kunnen meestal niet precies uitleggen waarom een netwerk een bepaalde uitkomst geeft, omdat de kennis verspreid ligt over miljoenen of miljarden gewichten zonder duidelijke logica voor mensen. Grote taalmodellen kunnen bovendien "hallucineren": met groot zelfvertrouwen feitelijk onjuiste informatie presenteren. Ook nemen netwerken vooroordelen (bias) over die in de trainingsdata aanwezig zijn, wat tot oneerlijke of scheve uitkomsten kan leiden. Het trainen van de grootste modellen kost daarnaast enorm veel energie en rekenkracht, wat vragen oproept over duurzaamheid en toegankelijkheid van de technologie voor kleinere partijen. En hoewel de systemen indrukwekkende resultaten boeken, is er onder onderzoekers geen consensus of ze daadwerkelijk iets "begrijpen", of vooral zeer geavanceerde patronen herkennen en reproduceren.

Wie werken eraan?

Een klein aantal grote techbedrijven domineert het onderzoek en de toepassing van neurale netwerken. Google en het bijbehorende onderzoekslab DeepMind, OpenAI, Meta AI (het onderzoeksonderdeel van Meta, het moederbedrijf van Facebook en Instagram), en Microsoft investeren zwaar in nieuwe modellen en toepassingen. Anthropic is een jonger onderzoeksbedrijf dat zich specifiek richt op de veiligheid van grote taalmodellen. Chipfabrikant NVIDIA speelt een sleutelrol als leverancier van de gespecialiseerde GPU-hardware waarop vrijwel alle grote netwerken worden getraind.

Op academisch vlak zijn onderzoekers als Geoffrey Hinton (verbonden aan de Universiteit van Toronto), Yoshua Bengio (verbonden aan het Mila-instituut in Montreal) en Yann LeCun (verbonden aan New York University en voorheen Meta AI) van fundamenteel belang geweest voor de ontwikkeling van deep learning. Voor dat werk ontvingen zij in 2018 gezamenlijk de Turing Award, de belangrijkste internationale onderscheiding in de informatica, bekendgemaakt in 2019.

Ook buiten de Verenigde Staten wordt fors geïnvesteerd. China is met bedrijven als Baidu, Alibaba en Tencent, gesteund door nationaal AI-beleid, een van de grootste spelers ter wereld. In Europa zijn onder meer Nederlandse universiteiten en onderzoeksorganisaties als TNO betrokken bij AI-onderzoek, en de Europese Unie voert met de AI-verordening (AI Act) beleid gericht op verantwoord gebruik van dit soort systemen.