Neurala nätverk – så fungerar tekniken bakom AI

Neurala nätverk är matematiska modeller som lär sig mönster från data. De används inom AI för att exempelvis tolka bilder, bearbeta språk och göra förutsägelser. Genom att justera kopplingar mellan enkla beräkningsenheter kan ett nätverk bli bättre på en uppgift under träningen.

Du behöver inte kunna programmera för att förstå grunderna. Här går vi igenom hur tekniken fungerar, var du möter den och vad du bör tänka på när du använder AI-verktyg.

Vad är neurala nätverk?

Ett artificiellt neuralt nätverk är en modell uppbyggd av sammankopplade beräkningsenheter, ofta kallade noder eller artificiella neuroner. Namnet är inspirerat av hjärnans nervceller, men liknelsen har tydliga begränsningar. Ett neuralt nätverk är inte en digital människohjärna.

Varje nod tar emot numeriska värden, bearbetar dem och skickar resultat vidare. Tillsammans kan noderna lära sig komplicerade samband, exempelvis vilka bildmönster som brukar förekomma i bilder av en cykel.

Neurala nätverk hör till maskininlärning, som i sin tur är en del av AI. All AI bygger alltså inte på neurala nätverk. Vill du förstå det större sammanhanget kan du börja med vår introduktion till vad AI är.

Skillnaden mellan neurala nätverk och djupinlärning

Djupinlärning, eller deep learning, innebär att man använder neurala nätverk med många bearbetningslager. Lagren kan lära sig olika representationer av informationen. I bildanalys kan tidiga lager exempelvis fånga kanter, medan senare lager kan kombinera mönster till mer komplexa former.

Maskininlärning omfattar också andra metoder, som beslutsträd och linjära modeller. Vår guide om skillnaden mellan AI och maskininlärning hjälper dig att hålla isär begreppen.

Hur fungerar neurala nätverk?

Ett nätverk tar emot indata, gör beräkningar och producerar ett resultat. Indata kan vara en bild, en text eller mätvärden från en maskin. Informationen måste först representeras numeriskt för att modellen ska kunna bearbeta den.

Ett enkelt framåtriktat nätverk kan beskrivas med tre delar:

Del	Uppgift	Exempel vid bildanalys
Indatalager	Tar emot numerisk information	Värden som representerar bildens pixlar
Dolda lager	Bearbetar och kombinerar information	Mönster som kan motsvara kanter och former
Utdatalager	Ger modellens resultat	En uppskattning av vilken kategori bilden tillhör

Detta är en förenklad modell. Moderna nätverk kan ha mer komplexa strukturer, men grundidén är densamma: information omvandlas genom beräkningar som anpassats under träningen.

Vikter, bias och aktiveringsfunktioner

Kopplingarna i nätverket har vikter som styr hur starkt olika signaler påverkar nästa beräkning. Noder kan också ha ett bias, ett justerbart tillägg som hjälper modellen att anpassa sambanden.

En aktiveringsfunktion omvandlar sedan resultatet. Icke-linjära aktiveringsfunktioner gör det möjligt att lära mer komplicerade samband än enbart linjära kombinationer. Utan sådana inslag skulle många staplade lager inte ge samma uttryckskraft.

Du behöver sällan räkna på detta själv när du använder ett AI-verktyg. Det viktiga är att modellen bygger på inlärda beräkningar, inte på mänsklig förståelse. Fler förklaringar finns i vår AI-ordlista.

Så tränas ett neuralt nätverk

Under träningen justeras modellens parametrar, bland annat vikterna, så att resultatet bättre passar träningsmålet. Ett vanligt upplägg är övervakad inlärning, där exempel har tillhörande etiketter eller önskade svar.

Tänk dig ett nätverk som ska skilja mellan bilder av cyklar och bilar. Processen kan förenklas så här:

• Samla och förbered data: Bilderna behöver vara relevanta, korrekt märkta och möjliga att använda för ändamålet.
• Låt modellen göra en förutsägelse: Nätverket uppskattar vilken kategori varje bild tillhör.
• Beräkna felet: En förlustfunktion mäter hur väl förutsägelsen stämmer med träningsmålet.
• Justera parametrarna: En optimeringsmetod uppdaterar vikterna för att försöka minska förlusten.
• Utvärdera på separat data: Modellen testas på exempel som inte har använts för att anpassa vikterna.

Backpropagation, eller bakåtpropagering, används ofta för att beräkna hur parametrarna påverkar förlusten. Optimeringsmetoden använder sedan den informationen för uppdateringarna.

Alla nätverk tränas inte med manuellt märkta exempel. Språkmodeller förtränas ofta med självövervakad inlärning, där träningsmålet skapas från själva texten, exempelvis genom att förutsäga nästa token.

Träning är inte samma sak som användning

När en tränad modell används för att ge ett svar kallas det inferens. Då används normalt redan inlärda parametrar. Att du skriver en ny fråga innebär inte automatiskt att modellens vikter ändras.

En tjänst kan däremot spara konversationer eller använda dem i senare utveckling, beroende på villkor och inställningar. Det är en annan fråga än vad som händer i själva nätverket när svaret skapas.

Olika typer av neurala nätverk

Nätverk kan utformas på olika sätt beroende på uppgiften. Här är några vanliga arkitekturer:

• Framåtriktade nätverk: Informationen går från indata mot utdata. De används bland annat för klassificering och förutsägelser.
• Konvolutionella nätverk, CNN: Bearbetar lokala mönster och har länge varit viktiga inom bildanalys.
• Rekurrenta nätverk, RNN: Hanterar sekvenser genom att föra information vidare mellan steg, exempelvis i tidsserier.
• Transformers: Använder uppmärksamhetsmekanismer för att väga information i relation till annan information. De ligger bakom många moderna språkmodeller.

Gränserna mellan användningsområdena är inte absoluta. Transformers används även för bilder, och olika arkitekturer kan kombineras. Valet beror på datan, målet och tillgängliga resurser.

Vad används neurala nätverk till?

Du möter tekniken i många digitala tjänster. Ett nätverk kan hjälpa till att omvandla tal till text, upptäcka avvikelser i mätdata eller föreslå innehåll som verkar relevant för en användare.

På arbetsplatsen kan användningsområden vara att sortera inkommande ärenden, analysera dokument eller skapa textutkast. I undervisning kan AI-verktyg exempelvis föreslå övningsfrågor eller förklara samma begrepp på olika nivåer.

Generativ AI använder ofta neurala nätverk för att skapa nytt innehåll. En språkmodell genererar text stegvis utifrån sammanhanget. Det är inte samma sak som att slå upp ett verifierat svar i en faktadatabas. Läs gärna mer om hur AI fungerar för att förstå skillnaden mellan modellens beräkningar och verktyget du använder.

Begränsningar och risker att känna till

Ett imponerande resultat betyder inte att modellen alltid är tillförlitlig. Kvaliteten påverkas av träningsdata, träningsmål och situationen där modellen används.

Överanpassning innebär att modellen passar träningsmaterialet för väl och fungerar sämre på nya exempel. Därför behövs separat utvärdering. En modell som fungerar i en testmiljö kan också prestera sämre när verkliga förhållanden förändras.

Snedvridningar kan uppstå om data innehåller skevheter eller saknar viktiga perspektiv. Då riskerar resultaten att bli orättvisa eller missvisande. Mer data löser inte automatiskt problemet om samma brister finns kvar.

Felaktiga svar är särskilt viktiga att uppmärksamma i generativ AI. Ett svar kan låta övertygande utan att vara korrekt. Kontrollera därför avgörande uppgifter mot tillförlitligt underlag.

Var också försiktig med personuppgifter och konfidentiellt material. Kontrollera organisationens regler och tjänstens villkor innan du laddar upp information. Vid beslut som påverkar människor behövs ansvar, lämplig granskning och möjlighet att ifrågasätta resultatet.

Lär dig använda kunskapen i praktiken

Börja med en avgränsad uppgift där du själv kan bedöma kvaliteten. Be exempelvis ett AI-verktyg sammanfatta en kort, offentlig text. Jämför sedan sammanfattningen med originalet: saknas något, har betydelsen ändrats eller har nya påståenden lagts till?

Prova därefter att förtydliga instruktionen och jämför resultaten. Övningen visar både vad modellen kan hjälpa dig med och varför mänsklig kontroll behövs. Hos Akademin AI kan du utforska våra AI-kurser för att fortsätta bygga en praktisk förståelse.

Vanliga frågor

Är neurala nätverk samma sak som AI?

Nej. AI är ett bredare område, och neurala nätverk är en typ av modell inom maskininlärning. Det finns också AI-system som bygger på exempelvis regler, sökning eller andra metoder.

Kan neurala nätverk tänka som människor?

Neurala nätverk bearbetar information genom matematiska operationer och inlärda parametrar. Att de kan producera mänskligt liknande språk visar inte i sig att de tänker, förstår eller har medvetande som människor.

Behöver jag kunna matematik för att lära mig neurala nätverk?

Inte för att förstå grunderna och använda AI-verktyg mer medvetet. För att själv utveckla och träna modeller är däremot kunskaper i programmering, statistik och matematik värdefulla.

Vill du ta nästa steg? Börja med Akademin AI:s gratis AI-kurs och bygg vidare på din förståelse av AI och neurala nätverk.