Neurale netwerken vormen de ruggengraat van algoritmen die de vraag van de consument voorspellen, de aankomsttijd van vracht schatten en meer. Op een hoog niveau zijn het computersystemen die losjes zijn geïnspireerd op de biologische netwerken in de hersenen. Maar ze hebben meer dan dat.

Neurale netwerken begonnen op de voorgrond te komen in 2010, toen werd aangetoond dat GPU's backpropagation mogelijk maken voor complexe neurale netwerkarchitecturen. (terugpropagatie is de techniek die door een machine learning-model wordt gebruikt om de fout tussen een gok en de juiste oplossing te achterhalen, gegeven de juiste oplossing in de gegevens.) Tussen 2009 en 2012 begonnen neurale netwerken prijzen te winnen in wedstrijden, waardoor de prestaties op menselijk niveau op verschillende taken, aanvankelijk in patroonherkenning en machine learning. Rond deze tijd wonnen neurale netwerken meerdere wedstrijden in handschriftherkenning zonder voorafgaande kennis van de te leren talen.

Nu worden neurale netwerken gebruikt in domeinen van logistiek en klantenondersteuning tot e-commerce retailafhandeling. Ze voeden applicaties met duidelijke business use cases, waardoor organisaties steeds meer investeren in adoptie, ontwikkeling en implementatie van neurale netwerken. Het gebruik van AI door bedrijven is de afgelopen jaren met maar liefst 270% gegroeid, Gartner heeft onlangs gerapporteerd, terwijl Deloitte zegt dat 62% van de respondenten zijn corporate oktober 2018 zegt studies een of andere vorm van aangenomen AI, een stijging ten opzichte van 53% in 2019.

Wat zijn neurale netwerken?

Een neuraal netwerk is gebaseerd op een verzameling eenheden of knooppunten, neuronen genaamd, die de neuronen in de hersenen modelleren. Elke verbinding kan een signaal naar andere neuronen verzenden, waarbij het ontvangende neuron de verwerking uitvoert.

Het "signaal" bij de verbinding is een reëel getal, of een waarde van een continue grootheid die een afstand langs een lijn kan vertegenwoordigen. En de output van elk neuron wordt berekend door een functie van de som van zijn inputs.

De verbindingen in neurale netwerken worden randen genoemd. Neuronen en randen hebben meestal een gewicht dat zich aanpast naarmate het leren vordert, zodat het gewicht de sterkte van het signaal bij een verbinding verhoogt of verlaagt. Doorgaans worden neuronen geaggregeerd in lagen, en verschillende lagen kunnen verschillende transformaties uitvoeren op hun invoer. Signalen gaan van de eerste laag (de invoerlaag) naar de laatste laag (de uitvoerlaag), soms nadat ze meerdere keren door de lagen zijn gegaan. En sommige neuronen hebben drempels die moeten worden overschreden voordat ze een signaal sturen.

Neurale netwerken leren — dat wil zeggen, worden 'getraind' — door voorbeelden te verwerken. Elk voorbeeld bevat een bekende "invoer" en een "resultaat", die beide zijn opgeslagen in de gegevensstructuur van het neurale netwerk zelf. Het trainen van een neuraal netwerk vanuit een voorbeeld omvat meestal het bepalen van het verschil tussen de output van het netwerk (vaak een voorspelling) en een doeloutput. Dit is de fout. Het netwerk past vervolgens zijn associaties aan volgens een leerregel, met behulp van deze foutwaarde.

Aanpassingen zorgen ervoor dat het neurale netwerk een output produceert die steeds meer lijkt op de output van het doel. Na een voldoende aantal van deze aanpassingen kan de opleiding op basis van bepaalde criteria worden beëindigd. Dergelijke systemen "leren" taken uit te voeren door voorbeelden te overwegen, meestal zonder dat ze zijn geprogrammeerd met taakspecifieke regels. Bij beeldherkenning kunnen ze bijvoorbeeld leren om afbeeldingen met katten te identificeren door voorbeeldafbeeldingen te analyseren die handmatig zijn gelabeld als 'kat' of 'geen kat' en de resultaten te gebruiken om katten in andere afbeeldingen te identificeren.

Toepassingen

Neurale netwerken worden gebruikt in een aantal zakelijke toepassingen, waaronder besluitvorming, patroonherkenning en sequentieherkenning. Het is bijvoorbeeld mogelijk om een ​​semantisch profiel van de interesses van een persoon te maken op basis van afbeeldingen die worden gebruikt tijdens de training voor objectherkenning.

Domeinen die mogelijk kunnen profiteren van neurale netwerken zijn onder meer het bankwezen, waar AI-systemen de evaluatie van krediet- en leningaanvragen, fraude en risico, achterstallige leningen en verloop kunnen evalueren. Aan de kant van de bedrijfsanalyse kunnen neurale netwerken klantgedrag, aankopen en verlengingen modelleren en klanten segmenteren, terwijl ze het gebruik van kredietlijnen, advisering over leningen, taxatie van onroerend goed en meer analyseren. Neurale netwerken kunnen ook een rol spelen bij transport, waar ze routeringssystemen, diagnosesystemen voor vrachtwagenremmen en voertuigplanning van stroom kunnen voorzien. En in de geneeskunde kunnen ze kankercelanalyses, advies op de spoedeisende hulp en zelfs het ontwerpen van protheses uitvoeren.

Individuele bedrijven gebruiken neurale netwerken op verschillende manieren. LinkedIn past bijvoorbeeld neurale netwerken toe - samen met lineaire tekstclassificaties - om spam of beledigende inhoud in zijn feeds te detecteren. Het sociale netwerk maakt ook gebruik van neurale netwerken om inzicht te krijgen in de soorten inhoud die op LinkedIn wordt gedeeld, variërend van nieuwsartikelen tot vacatures tot online lessen, zodat het betere aanbevelingen kan doen en producten kan zoeken voor leden en klanten.

Opstarten van oproepanalyse DialoogTech maakt ook gebruik van neurale netwerken om inkomende oproepen te classificeren in vooraf bepaalde categorieën of om een ​​leadkwaliteitsscore toe te kennen aan oproepen. Een neuraal netwerk voert deze acties uit op basis van de oproeptranscripties en het marketingkanaal of trefwoord dat tot de oproep heeft geleid. Als een beller die in gesprek is met een tandartspraktijk bijvoorbeeld vraagt ​​om een ​​afspraak te maken, zal het neurale netwerk die zin zoeken, vinden en classificeren als een gesprek, waardoor marketeers inzicht krijgen in de prestaties van marketinginitiatieven.

Een ander bedrijf onder de velen die neurale netwerken gebruiken, is het rekruteringsplatform niet aangesproken. Het bedrijf gebruikt een neuraal netwerk dat is getraind op miljoenen datapunten en wervingsbeslissingen om mensen te matchen met rollen waarin ze meer kans van slagen hebben. “Neurale netwerken en AI hebben een ongelooflijke reikwijdte en je kunt ze gebruiken om menselijke beslissingen in elke sector te ondersteunen. Deep learning was niet de eerste oplossing die we testten, maar het presteerde consequent beter dan de rest bij het voorspellen en verbeteren van wervingsbeslissingen”, medeoprichter en CTO Ed Donner vertelde Smartsheet.

Uitdagingen en voordelen

Ondanks hun potentieel hebben neurale netwerken tekortkomingen die voor organisaties een uitdaging kunnen zijn om te overwinnen. Een veelgehoorde kritiek is dat ze een tijdrovende training met hoogwaardige gegevens vereisen. Datawetenschappers besteden het grootste deel van hun tijd aan opruimen en organiseren gegevens, volgens een 2016 klanttevredenheid uitgevoerd door CrowdFlower. En in een recente Alation verslag, zag een meerderheid van de respondenten (87%) problemen met de gegevenskwaliteit als de reden dat hun organisaties er niet in slaagden om AI te implementeren.

Naast data-uitdagingen vormt de vaardigheidskloof een barrière voor de acceptatie van neurale netwerken. Een meerderheid van de respondenten in een Juniper 2021 verslag zei dat hun organisaties worstelden met het uitbreiden van hun personeelsbestand om te integreren met AI-systemen. Onrealistische verwachtingen van de C-suite, ook een andere belangrijke reden voor mislukking in neurale netwerkprojecten draagt ​​bij tot vertragingen bij de inzet van AI.

Afgezien van de problemen zijn de voordelen van neurale netwerken tastbaar - en substantieel. Neurale netwerken kunnen anders hardnekkige problemen oplossen, zoals problemen die traditionele analytische methoden ondoeltreffend maken. Harvard Business Review schattingen dat 40% van alle potentiële waarde die door analytics wordt gecreëerd, afkomstig is van de AI-technieken die onder de paraplu van deep learning vallen. Deze maken gebruik van meerdere lagen neurale netwerken, goed voor tussen de $ 3.5 biljoen en $ 5.8 biljoen aan jaarlijkse waarde. Gartner anticipeert dat alleen door neurale netwerken aangedreven virtuele agenten 1.2 biljoen dollar aan bedrijfswaarde zullen genereren.

De conclusie is dat neurale netwerken zo volwassen zijn geworden dat ze echte, praktische voordelen bieden. Ze zijn al essentieel voor het ondersteunen van beslissingen, het automatiseren van werkprocessen, het voorkomen van fraude en het uitvoeren van andere belangrijke taken binnen ondernemingen. Hoewel ze gebrekkig zijn, zullen ze zich blijven ontwikkelen, wat misschien de reden is waarom adoptie in opkomst is. In een recente KPMG klanttevredenheid, 79% procent van de leidinggevenden zei dat ze een matig functionele AI-strategie hebben, terwijl 43% zegt dat die van hen op schaal volledig functioneel is.