Hvad betyder Neuralt netværk?
Et neuralt netværk består af beregningsenheder, ofte kaldet neuroner, som kombinerer tal og sender resultater videre gennem modellen. Navnet er inspireret af biologiske nervesystemer, men modellen er ikke en digital udgave af en menneskehjerne. Den udfører matematiske operationer på en repræsentation af input.
Forbindelsernes vægte bestemmer, hvor meget forskellige signaler betyder. Under træning justeres vægtene, så modellen bliver bedre til en defineret opgave. Aktiveringsfunktioner gør det muligt at lære sammenhænge, som ikke kan beskrives med én enkel, lineær beregning. Flere skjulte lag kan opbygge mere sammensatte repræsentationer.
Arkitekturen fortæller, hvordan beregningerne er organiseret. Træningsdata og træningsmål fortæller, hvad modellen får mulighed for at lære. Et stort netværk med mange parametre er derfor ikke automatisk det bedste valg for en virksomheds konkrete problem.
Hvad sker der mellem input og output?
Input kan være tal fra et regneark, pixels fra et billede eller en numerisk repræsentation af tekst. Netværket beregner et output, som under træning sammenlignes med det ønskede resultat gennem en tabsfunktion. En optimeringsmetode justerer derefter vægtene i en retning, der kan mindske tabet.
Når modellen bruges efter træning, kaldes beregningen inferens. Vægtene ændres normalt ikke ved hver forespørgsel. At skrive en ny besked til en chatbot er derfor ikke i sig selv det samme som at træne dens neurale netværk.
Vælg kompleksitet efter opgaven
Neurale netværk er relevante til blandt andet billeder, lyd og sprog. Ved strukturerede virksomhedsdata bør de sammenlignes med enklere modeller og almindelige regler. Datamængde, svartid, forklaringsbehov og vedligeholdelse påvirker valget.
Vurder fejl på forskellige grupper af input. En samlet god score kan skjule, at modellen klarer en sjælden produkttype dårligt. Dokumentér også, hvilke data modellen ikke er beregnet til at håndtere.
Et eksempel fra praksis
Et illustrativt projekt er at forudsige energiforbrug i en produktionshal. Et netværk kan få historisk forbrug, temperatur og kendt produktionsplan som input. Driftslederen sammenligner forslagene med en enkel sæsonmodel, før de bruges i planlægningen.
Hvis netværket primært forbedrer almindelige dage, men fejler under driftsstop, skal den begrænsning være synlig. En manuel undtagelsesregel eller en anden model kan være mere værdifuld end flere lag. Piloten bør derfor undersøge beslutningens kvalitet og medarbejderens mulighed for at reagere.
Typiske faldgruber
- Flere neuroner kan øge kapaciteten uden at forbedre kvaliteten på nye data.
- En model kan lære genveje, som virker i træningsmaterialet, men svigter i driften.
- En præcis forudsigelse forklarer ikke nødvendigvis årsagen til et resultat.
Det skal I afklare
- Hvilke input findes på det tidspunkt, hvor beslutningen skal træffes?
- Hvilken enklere model skal netværket sammenlignes med?
- Hvordan opdager I usikre eller ukendte situationer?
Spørgsmål og svar
Er alle neurale netværk deep learning?
Ikke nødvendigvis. Deep learning betegner typisk netværk med flere lag, der lærer sammensatte repræsentationer. Neurale netværk kan også have en enklere arkitektur.
Lærer netværket automatisk videre i drift?
Kun hvis løsningen er indrettet til det. Mange modeller bruger faste vægte mellem planlagte opdateringer. Feedback skal opsamles, kvalitetssikres og anvendes gennem en særskilt proces.
Kilder og videre læsning
De tekniske begreber bygger på nedenstående kilder. Eksemplerne er illustrative og viser, hvordan I kan arbejde med emnet.
- Google: Neural networks ↗Netværkslag, aktivering og ikke-lineære sammenhænge.
- scikit-learn: Common pitfalls ↗Kontrol af datalækage og evaluering af modeller.