Vad är ett neuralt nätverk?
Ett neuralt nätverk är en modell av många sammankopplade beräkningsenheter i lager, som justerar sina kopplingar medan den tränas.
Idén är löst inspirerad av hur nervceller i hjärnan kopplas samman. I praktiken är det matematik. Varje koppling har en vikt, ett tal som avgör hur mycket den påverkar nästa lager.
Under träningen justeras vikterna lite i taget, tills nätverket ger rätt svar på exemplen. En stor språkmodell har ett mycket stort antal sådana vikter.
Det gör nätverken kraftfulla men svåra att granska inifrån. Det går sällan att peka ut exakt varför ett visst svar blev som det blev.
Så fungerar det
Ett nätverk har ett lager som tar emot indata, ett eller flera dolda lager och ett lager som ger svaret. Varje enhet tar emot tal från föregående lager, väger dem, summerar och skickar resultatet vidare. Många sådana enkla steg efter varandra ger tillsammans ett svar.
Därför spelar det roll
Neurala nätverk är grunden för djupinlärning och därmed för språkmodeller, taligenkänning och bildanalys. Den som förstår principen förstår också varför AI lär sig av exempel, varför den kan ha fel och varför datan den har lärt sig av betyder så mycket.
Att tänka på
Ett nätverk lär sig alla samband i datan, även sådana som ingen avsåg. Det kan ge goda resultat i test men fungera sämre på fall som skiljer sig från träningen. Prova därför med verkliga exempel från er verksamhet innan ni förlitar er på det.
Ett nätverk vet inget utöver det som finns i vikterna. Det som har hänt efter träningen känner det inte till, om det inte får läsa aktuella dokument när frågan ställs.
Vad det betyder för er
Eftersom modellen är svår att granska inifrån behöver svaren gå att kontrollera utifrån, till exempel med källor.
Vanliga frågor
Fungerar ett neuralt nätverk som en hjärna?
Namnet kommer från en förenklad bild av nervceller. I praktiken är det matematik, där tal multipliceras och summeras i lager.
Vad betyder det att nätverket tränas?
Det får exempel, jämför sitt svar med det rätta och justerar sina kopplingar lite i taget. Efter många upprepningar blir svaren bättre.
Relaterade begrepp
Läs mer
Alla begrepp Uppdaterad