Hoewel ze niet op biologische hersenen lijken, is hun imitatie van biologische hersenen voldoende om de AI-revolutie aan te wakkeren. Een kunstneuron is een wiskundige structuur met verschillende inputs en één output. Dit is de basisbouwsteen van neurale netwerken. Als je je ooit hebt afgevraagd hoe een spreadsheet katten kan identificeren of Frans naar Engels kan vertalen, begint het antwoord hier.
Het resultaat is geen eenvoudige som. Dit is een niet-lineaire functie, doorgaans gebaseerd op een drempelwaarde, toegepast op een gewogen combinatie van ingangen. Wat zijn hun gewichten? Verstelbaar. Aanpasbaarheid is de sleutel.
Van McCulloch-Pitts tot modern diep leren
Het lijkt erop dat dit idee nog niet volledig is gevormd. Het komt voort uit de wens om de informatieverwerking van het menselijk brein te reproduceren. Halverwege de 20e eeuw presenteerden Warren McCulloch en Walter Pitts het eerste wiskundige model, het McCulloch-Pitts-neuron.
Het is heel eenvoudig. Elke invoer krijgt een gewicht. De gewichten werden opgeteld. Het totaal werd via een stapfunctie doorgegeven. Dat was het. Maar dit basiskader vormt de basis voor alles wat volgt.
Verder onderzoek vorderde in de jaren vijftig en zestig. Wetenschappers wilden machines die van voorbeelden konden leren. Deze inspanning leidde tot de geboorte van fundamentele algoritmen zoals gradiënt-backpropagation. Het doel is duidelijk. Het gaat over de overstap van statische modellen naar adaptieve modellen.
De evolutie stopt daar niet. Naarmate de rekenkracht toeneemt en de neurowetenschappen zich ontwikkelen, worden modellen verder ontwikkeld. Vroege beperkingen belemmerden de vooruitgang. Perceptrons kunnen bijvoorbeeld niet-lineaire problemen niet oplossen. Dit is een ernstige beperking. De onderzoekers bereikten een doorbraak door meerdere lagen en betere activeringsfuncties te introduceren. Deze verandering leidde tot de architectuur die we nu deep learning noemen.
Momenteel zijn kunstmatige neuronen zowel componenten als theoretische modellen. Het helpt onderzoekers generalisaties te begrijpen. Combineer biologie en wiskunde. Optimaliseer uw algoritme. Het modulaire ontwerp houdt het relevant in verschillende industrieën.
Hoe neuronen echt werken
Laten we een kijkje nemen achter de schermen. Formele neuronen ontvangen signalen. Elk signaal wordt vermenigvuldigd met een factor die synaptisch gewicht of eenvoudigweg gewicht wordt genoemd. Deze gewichten bepalen het belang van elke input. Hoog gewicht? Het effect is geweldig. Laag gewicht? Bijna een gefluister.
Alle gewogen inputs worden bij elkaar opgeteld. Hierdoor ontstaat een gecombineerd potentieel. Vervolgens komt de belangrijke activeringsstap.
De potentiële energie wordt getransformeerd door de activeringsfunctie. Deze functie is doorgaans niet-lineair en bepaalt of en hoeveel een neuron vuurt. Veel voorkomende opties zijn onder meer:
- Stapfunctie (gebaseerd op drempel).
- Het sigmoïd.
- Hyperbolische tangens (tanh).
- ReLU (Rectified Linear Unit), vooral in diepere netwerken.
Diepte is niet relevant als er geen niet-lineariteit is in de activeringsfunctie. Zonder dit valt het meerlaagse netwerk uiteen in een enkellaags netwerk. Het vermogen om complexiteit te modelleren gaat verloren. Je verliest kracht.
De rol van training en niet-lineariteit
Deze wiskundige opstelling maakt het mogelijk dat neuronen worden gefilterd, getransformeerd en doorgegeven. De regels? Bepaald tijdens het leren.
Pas gewichten automatisch aan met behulp van een optimalisatiealgoritme. Deze aanpassingen worden gedaan op basis van trainingsgegevens. Het doel is eenvoudig. Het doel is om de fout tussen de uitvoer van het model en de verwachte respons te minimaliseren. Na verloop van tijd leert het neuron. Het netwerk leert.
In een meerlaags netwerk zijn de neuronen hiërarchisch gerangschikt. Elke laag voegt diepte toe. Elke laag pikt abstracte kenmerken op. De eerste laag kan de randen van het beeld detecteren. De volgende herkent misschien vormen. De laatste laag kan het object zelf herkennen.
Waarom is dit belangrijk? Omdat niet-lineariteit het mogelijk maakt complexe functies weer te geven. Zonder dit krijg je een lineaire relatie. Je kunt het gebruiken om problemen op te lossen, van spraakherkenning tot beeldanalyse. Verbeter wetenschappelijke en industriële toepassingen.
Kunstmatige neuronen zijn niet langer slechts een theoretische curiositeit. Het is de motor. De ontwikkeling van machinaal leren zal doorgaan zolang we het nodig hebben.
Waar kunstmatige neuronen zich werkelijk bevinden
Formele neuronen zijn meer dan alleen een theoretische interesse in leerboeken. De motor onder de motorkap blijft grotendeels onopgemerkt totdat er iets kapot gaat. U kunt het controleren met een automatische vertaalservice, zodat u geen idiomen tegenkomt. Dit kan worden verzekerd door een anomaliedetectiesysteem dat frauduleuze activiteiten in de tijdreeksgegevens detecteert voordat het geld de rekening verlaat. Het bestaat in optimalisatieprogramma’s die voorkomen dat industriële processen vastlopen.
Zorgorganisaties investeren hier veel in. Neurale modellen kunnen nu complexe medische beelden verwerken om ziektetrajecten te diagnosticeren of te voorspellen op basis van grote klinische datasets. Dit is geen magie. Wiskunde toegepast op de biologie is nuttig. E-commerceplatforms gebruiken deze logica om aanbevelingen aan te passen. Logistieke algoritmen gebruiken dit om complexe toeleveringsketens te automatiseren. Formele neuronen zijn modulaire eenheden die dit mogelijk maken.
Maar er is een probleem. We denken nog na over hoe deze systemen in de praktijk gemeengoed gaan worden. Onderzoekers zijn gefascineerd door de manier waarop neurale netwerken onzichtbare gegevens verwerken. Kunnen ze abstracte concepten waarnemen? Hebben ze adaptieve kenmerken die dicht bij levende intelligentie liggen? Natuurlijk bootsen ze de hersenen na. Maar het zijn radicale vereenvoudigingen van de biologische complexiteit. De zoektocht naar alternatieve architecturen is gedreven door het debat over de vraag of ze de menselijke cognitie kunnen verklaren of repliceren. Nieuwe activeringsfuncties worden getest om de huidige beperkingen te overwinnen.
Betrouwbaarheidskloof
Modulariteit is de superkracht van formele neuronen. Het maakt onderzoek mogelijk in verschillende omgevingen, zoals robotica, bio-informatica en grootschalige gegevensverwerking. Het is nog steeds een aanbevolen doel voor het bestuderen van de duurzaamheid van het systeem. Dit is van cruciaal belang wanneer de zekerheid van de resultaten en het vermogen om beslissingen te rechtvaardigen niet onderhandelbaar zijn. Zelfrijdende auto’s hebben niet het vermogen om black-box-beslissingen te nemen. Gezondheidszorgdiagnostiek ook niet.
Dit zijn niet alleen academische oefeningen. Zij vormen de inzet voor toekomstige technologie. Formele neuronen zijn belangrijk om het ‘vertrouwen’-probleem in kunstmatige intelligentie op te lossen. Als het systeem niet kan verklaren waarom het de tumor heeft gemeld of de lening heeft geweigerd, is het nog niet klaar voor prime time. De zoektocht naar verklaarbaarheid is de drijvende kracht achter de volgende golf van architectonische veranderingen.
Efficiëntie en de volgende generatie
Het doel van het huidige onderzoek is het verbeteren van de prestaties, efficiëntie en het vermogen om steeds complexere verschijnselen te modelleren. Het gaat niet alleen meer om nauwkeurigheid. Het gaat erom dat je het met minder kracht doet. Er zijn enorme inspanningen geleverd om het energieverbruik van neurale netwerken te verminderen. Dit is belangrijk voor ingebedde kunstmatige intelligentie en neuromorfisch computergebruik. We hebben het over het gebruik van slimme systemen in apparaten die op batterijen werken in plaats van op stopcontacten.
Het nieuwe leermechanisme zal binnenkort worden geïmplementeerd. Informatieoverdracht tussen taken. Versterkend leren. Deze bieden veelbelovende perspectieven voor het verbeteren van het aanpassingsvermogen en de generalisatie. Formele neuronen dienen als de basiseenheid van nieuwe architecturen zoals convolutionele en terugkerende netwerken. Elke variant is aangepast aan een specifiek verwerkingsgebied. Convolutionele netwerken verwerken visuele gegevens. Terugkerende netwerken verwerken reeksen. De kerneenheid blijft ongewijzigd.
De convergentie van formele neurale modellen en computationele neurowetenschappen is interessant. Het helpt biologische leermechanismen te begrijpen. Het inspireert ook nieuwe hybride algoritmen. We leren van de hersenen om betere machines te bouwen, en we gebruiken machines om de hersenen te begrijpen. Het is een feedbackloop.
Langetermijnperspectief
Het doel is dat de systemen beter presteren dan mensen bij complexe taken. Maar alleen als je de interpreteerbaarheid en ethiek respecteert. De dynamiek van het veld suggereert dat formele neuronen nog jaren centraal zullen blijven staan in technische en wetenschappelijke kwesties die verband houden met kunstmatige intelligentie. Dit breidt de productieve interactie tussen de levenswetenschappen, wiskundige modellering en computertechniek uit.
Onderzoek van instellingen als Inria onderstreept de diepgang van dit onderzoek. Het omvat zowel fundamentele als toegepaste aspecten. Het veld is actief. Het gaat snel. Formele neuronen zijn erg klein. Het effect is disproportioneel. Wij bouwen intelligentie op fundamenten zoals schakelaars. Of zo’n schakelaar daadwerkelijk kan ‘denken’ blijft de vraag. De code is geschreven. De hardware is klaar. De vraag is of deze abstractie het gewicht van de werkelijkheid kan weerstaan.
