2.1. Van rule-based software naar patroonherkenning

Om te begrijpen wat artificiële intelligentie (AI) is, keren we terug naar de oorsprong van software. Traditionele software bestond uit rule-based systemen: opeenvolgende “als…dan…”-regels die ontworpen waren om specifieke taken uit te voeren. Zulke programma’s konden bijvoorbeeld berekenen wat de gemiddelde lengte was van een groep personen, zolang een gebruiker de nodige gegevens invoerde.

Dit type software bleek echter te beperkend. Veel menselijke taken laten zich namelijk niet vangen in strikte als-dan-regels, omdat mensen denken in patronen op basis van specifieke, betekenisvolle criteria in plaats van absolute instructies. Daarom werd er gezocht naar een nieuw soort algoritme, in de vorm van een model, zonder een vaste set aan regels.

🦾 Hoe mensen patronen herkennen

Onze hersenen herkennen bijvoorbeeld personen op basis van patronen in kenmerken zoals haarkleur, kleding en stemgeluid. We combineren en wegen die kenmerken flexibel, waardoor we iemand blijven herkennen, ook wanneer die persoon er anders uitziet. Dat is bijvoorbeeld het geval met een nieuwe jas of een ander kapsel. Er is dus geen sprake van een vaste één-op-éénrelatie tussen kenmerken en identiteit. Dat zien we bijvoorbeeld ook bij eeneiige tweelingen: aanvankelijk lijken ze moeilijk uit elkaar te houden, maar na verloop van tijd leert ons brein subtiele verschillen te herkennen en weet het welke kenmerken doorslaggevend zijn voor identificatie. Je brein leert aandacht te hebben voor andere patronen.

2.2 Neuraal netwerk

Met de opkomst van deze nieuwe technologie kunnen computersystemen afstappen van de absolute regels van rule-based software en daarentegen software ontwikkelen die, net als mensen, patronen kan herkennen. Een voorbeeld daarvan is een ‘neuraal netwerk’: een systeem van algoritmes dat losjes gebaseerd is op de werking van onze hersenen.

Ons eigen neurale netwerk bevat naar schatting 80 miljard neuronen die met elkaar verbonden zijn volgens het principe "fire together, wire together". Dat wil zeggen dat wanneer dezelfde neuronen herhaaldelijk door een bepaalde ervaring worden geactiveerd, de verbinding ertussen sterker wordt. Het is echter niet altijd logisch te volgen welke verbindingen juist leiden van de input naar de output van het systeem.

🦾 Wanneer patronen onlogisch lijken

Een bekend voorbeeld van het vaak onlogische verband tussen input en output is het madeleine-effect. In de roman À la recherche du temps perdu van Marcel Proust doopt het hoofdpersonage een madeleinekoekje in thee. Die actie roept plots een stroom aan herinneringen op, die gelinkt zijn aan zijn eigen jeugd. Iets gelijkaardigs herken je misschien ook? Een bepaald geluid of een bepaalde geur, zoals die van versgemaaid gras kan plots herinneringen oproepen die niet logisch te volgen zijn voor buitenstaanders. Zulke associaties zijn namelijk sterk individueel en vaak moeilijk rationeel te verklaren. Ze tonen hoe onze hersenen verbanden leggen tussen ervaringen op basis van patronen die we eerder hebben geleerd. Net dat principe proberen software-ontwikkelaars na te bootsen in kunstmatige neurale netwerken.

Een neuraal netwerk kan wel worden opgesteld, maar het functioneert pas doeltreffend wanneer het geleerd heeft welke kenmerken relevant zijn om patronen te herkennen. Dit proces noemen we training. Tijdens de training krijgt het netwerk bijvoorbeeld talloze voorbeelden van input, zoals afbeeldingen van muizen, die telkens gelabeld worden met de correcte uitkomst (“muis”). Op basis van die voorbeelden leert het netwerk welke verbindingen consistent, soms of zelden geactiveerd worden bij het herkennen van een bepaald patroon. Zodoende past het netwerk geleidelijk de sterkte van de interne verbindingen, aan, wat overeenkomt met het principe 'fire together, wire together': connecties die vaak gelegd worden of een belangrijke indruk nalaten, worden sterker en zullen dus ook bij een volgende prompt van dat woord sneller geactiveerd worden.

Na afloop van de training kan het netwerk nieuwe afbeeldingen analyseren en bepalen in welke mate de geactiveerde patronen overeenkomen met de eerder aangeleerde representatie van “muis”. De onderliggende wiskundige processen zijn uiteraard complexer dan hoe het hier beschreven staat, maar hierboven staat alvast het basisprincipe beschreven van hoe artificiële neurale netwerken leren en generaliseren.

Novice learner: het neurale netwerk, een stapje terug

Vind je het principe van het neurale netwerk nog wat te abstract? In deze video wordt stap voor stap uitgelegd hoe een neuraal netwerk wordt opgebouwd: https://www.youtube.com/watch?v=b3amDHOoj3s

Expert learner: het neurale netwerk, een stapje verder

In deze video, en verdere videoreeks van deze auteur, wordt op een abstracter niveau en met meer vakterminologie uitgelegd hoe een neuraal netwerk wordt opgebouwd, en uiteindelijk ook getraind tot een large language model: https://www.youtube.com/watch?v=aircAruvnKk&list=PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi&index=1