Neuralt netværk

Neuralt netværk er en modeltype inspireret af hjernen: rækker af kunstige neuroner bundet i lag, hvor hver forbindelse har en vægt, som justeres under træning. Input (for eksempel et billede eller en sætning) sendes gennem lagene, vægtene flytter signalet, og resultatet i det sidste lag er modellens svar, for eksempel "kat" eller en anbefaling. Netværket er grundstenen i moderne deep learning og i de store sprogmodeller, fordi samme lag-opbygning kan lære meget komplekse mønstre uden at nogen tænker reglerne igennem på forhånd.

Sådan virker neurale netværk i praksis

Forestil dig et regneark der passer sig selv: hver celle laver en lille beregning og sender sit tal videre. Et lag er en række celler, og flere lag ovenpå gør det muligt at kombinere enkle mønstre til stadig mere komplekse mønstre. De enkelte neuroner tager et tal fra forrige lag, ganger det med en vægt, lægger resultater sammen og kører dem gennem en simpel funktion. Vægtene er det, netværket "kan"; træning betyder, at du justerer vægtene, indtil output svarer til de korrekte svar på et træningssæt.

I praksis gør det neurale netværk godt til opgaver, hvor regler er svære at skrive: billedgenkendelse, tale-til-tekst og tekstforståelse. Du programmerer ikke alle regler; du stiller eksempler til rådighed, og modellen finder mønstrene i eksemplerne. Det er derfor man siger, at modellerne kræver træning frem for traditionel programmering.

Hvorfor neurale netværk betyder noget for din virksomhed

Alle store AI-modeller er neurale netværk, og derfor er forståelsen af lag og vægte nyttig for beslutningstagere. Når du hører, at en model er "trænet på 100.000 billeder" eller "fintunet på virksomhedens data", så betyder det konkret, at nogen har justeret millioner eller milliarder af vægte på baggrund af eksempler. Det forklarer to praktiske konsekvenser: modeller kan være uforudsigelige på ukendte input, og de kræver data og beregningskraft for at blive bedre. Du skal derfor spørge om dataens kvalitet, hvor modellen kommer fra, og hvordan dens performance måles i jeres egen drift.

Kort sagt: et neuralt netværk kan løse opgaver, I ikke kan formulere som klare regler, men det kræver tid og data at komme i mål. Og ja, det er ofte svært at gennemskue præcis hvorfor modellen svarede som den gjorde.

Eksempel: Neuralt netværk hos en dansk virksomhed

Direktøren i en mellemstor webshop ville forbedre produktgenkendelsen i kundesupporten før en stor salgsperiode. Hun havde 5.000 produktbilleder spredt i mapper, nogle scannede fra gamle kataloger, andre taget med forskellige telefoner. Projektet startede mandag morgen, tre uger før salgsstart. En leverandør foreslog at bruge et neuralt netværk til billedklassificering. Efter første træning viste modellen fejl på svagt belyste billeder og på varer med store logoer, fordi træningsdata var skævt fordelt. Modellen blev derfor gen-trænet med 1.200 ekstra billeder, hvor kolleger manuelt rettede labels, og et par produktkategorier blev delt op i underkategorier. Det kostede to ekstra arbejdsdage fra marketingteamet at mærke billederne, og træningen krævede to korte ventetider på leverandørens maskiner. Resultatet var en model, der klarede de mest almindelige forespørgsler bedre, men direkte fejl på sjældne varetyper forblev et problem. Læringen var klar: dataforberedelse tog mere tid end forventet, og godt nok kan et neuralt netværk lære mønstre, men det lærer kun af, hvad du viser det.

Neuralt netværk er ikke det samme som regelbaseret software

Det typiske forvekslingspunkt er at tro, at et neuralt netværk blot er en smartere version af et program med hvis-så-regler. Det er ikke tilfældet. Neurale netværk lærer statistiske mønstre fra data, mens et regelprogram følger entydige instrukser. Relaterede begreber er "Deep learning", som betegner brugen af mange lag, og "Træning", processen hvor vægtene justeres. Et andet relateret begreb er modeludgave: en færdig trænet model kan leveres som værktøj, men selve træningen er en separat proces.

Sådan kommer du i gang med neurale netværk

1. Kortlæg en konkret opgave med målbare resultater, for eksempel reduktion af fejlklassificering i kundesupport.
2. Saml og gennemgå jeres data: hvor kommer billeder, tekster eller målinger fra, og hvor meget manuel mærkning kræver det.
3. Start med en eksisterende, færdigtrænet model eller en leverandør, og lav en lille pilot på tre til seks uger.
4. Mål performance mod jeres egne KPI'er, ikke leverandørens generelle benchmarks.
5. Planlæg løbende vedligehold: modeller bliver forældede, så afsæt tid og budget til gen-træning og overvågning.

Skal du være lidt smart, så test modellen på de fejltyper, I ved koster jer mest arbejde. Som en dirigent, der fremhæver et enkelt instrument, kan du træne fokusområder hurtigere end at træne et helt orkester på én gang.

Vil I arbejde videre med neuralt netværk på jeres egne opgaver, er det dét, en AI-workshop går ud på. Skal I beslutte, hvor meget neuralt netværk må fylde hos jer, er det den slags valg, AI-rådgivning handler om.