Nevrale nettverk: Hvordan fungerer de?

TL;DR (Kort oppsummert)

Nevrale nettverk, eller neural networks på engelsk, er dataprogrammer som er løst inspirert av hjernen vår. De består av mange små enheter (“kunstige nevroner”) som er koblet sammen i lag. Når data går gjennom nettverket, blir det bearbeidet lag for lag. Det er denne teknologien som gjør at datamaskiner kan gjenkjenne bilder, forstå tale, og skrive tekst som ChatGPT. Tenk på det som et forenklet datasystem som prøver å etterligne hvordan vi mennesker lærer.

Neural network visualisert: Kunstige nevroner med forgreninger som sender og mottar signaler - inspirert av biologiske hjerneceller.

Hva er et neural network?

Når du hører om artificial intelligence og machine learning, dukker ofte begrepet “neural networks” opp. Det høres kanskje komplisert ut, men grunnideen er faktisk ganske enkel å forstå.

Et neural network (nevralt nettverk) er en type dataprogram som er inspirert av hvordan hjernen vår fungerer. Hjernen din har omtrent 86 milliarder hjerneceller (nevroner) som er koblet sammen og sender signaler til hverandre. Kunstige neural networks har også sammenkoblede enheter, bare langt færre og mye enklere.

Tenk på det sånn: Hjernen din lærer ved at forbindelser mellom hjerneceller blir sterkere jo mer de brukes. Et neural network gjør noe lignende - det justerer styrken på forbindelsene sine for å bli bedre til oppgaven det trenes på.

Hvordan er et neural network bygget opp?

Et neural network består av tre hovedtyper lag:

1. Input layer (inngangslaget)

Her kommer dataene inn. Hvis nettverket skal gjenkjenne et bilde, blir hver piksel i bildet en egen input. For et lite bilde på 100x100 piksler, blir det 10 000 inputs!

2. Hidden layers (skjulte lag)

Dette er lagene i midten der selve “tenkningen” skjer. De kalles “skjulte” fordi vi ikke ser dem direkte - vi ser bare hva som kommer inn og hva som kommer ut. Jo flere hidden layers, jo “dypere” er nettverket (derav navnet deep learning).

3. Output layer (utgangslaget)

Her kommer svaret ut. Hvis nettverket skal gjenkjenne om et bilde viser en hund eller en katt, kan output layer ha to enheter - én for “hund” og én for “katt” - og den med høyest verdi er svaret.

Neural network arkitektur: Komplekse lag av sammenkoblede noder som bearbeider informasjon steg for steg.

Hvordan lærer et neural network?

La oss si at vi vil lære et neural network å skille mellom bilder av katter og hunder. Prosessen fungerer omtrent slik:

Trinn 1: Start med tilfeldige gjettninger I begynnelsen vet ikke nettverket noe. Det gjetter tilfeldig om hvert bilde viser en hund eller katt.

Trinn 2: Sjekk om gjettningen var riktig For hvert bilde sammenligner vi gjetningen med det riktige svaret. Viste bildet en katt, men nettverket gjettet hund? Det var feil.

Trinn 3: Juster forbindelsene Her kommer det smarte: Nettverket justerer styrken på forbindelsene sine for å gjøre færre feil neste gang. Forbindelser som bidro til riktige svar blir sterkere. Forbindelser som bidro til feil svar blir svakere.

Trinn 4: Gjenta tusenvis av ganger Ved å gjøre dette om og om igjen med tusenvis av bilder, blir nettverket gradvis bedre. Etter nok trening kan det gjenkjenne katter og hunder det aldri har sett før.

IBM forklarer at denne prosessen kalles backpropagation - feilinformasjonen sendes bakover gjennom nettverket slik at alle forbindelsene kan justeres.

Hva brukes neural networks til?

Neural networks er bak mye av den AI-teknologien vi bruker i hverdagen:

Bildegjenkjenning

Når telefonen din sorterer bilder etter hvem som er på dem, eller når sosiale medier automatisk foreslår hvem du skal tagge - det er neural networks. Google Photos bruker for eksempel neural networks for å organisere bildene dine.

Språk og tekst

ChatGPT, Google Translate, og alle andre AI-verktøy som jobber med tekst, bruker avanserte neural networks. De har lært fra enorme mengder tekst og kan nå produsere sammenhengende svar.

Tale og stemme

Siri, Alexa og Google Assistant bruker neural networks for å forstå hva du sier. De konverterer lydbølger til tekst, og et annet nettverk finner ut hva du mente.

Anbefalingssystemer

Netflix, Spotify og YouTube bruker neural networks for å finne ut hva du sannsynligvis vil like basert på hva du har sett eller hørt før.

Neural networks i praksis: Data organisert i strukturerte lag for effektiv bearbeiding og læring.

Neural networks vs. den menneskelige hjernen

Det er fristende å sammenligne neural networks med hjernen, men det er viktig å forstå forskjellene:

Menneskelig hjerne	Neural networks
~86 milliarder nevroner	Millioner til milliarder parametere
Bruker ca. 20 watt strøm	Kan bruke tusenvis av watt
Lærer fra få eksempler	Trenger ofte millioner av eksempler
Kan generalisere til helt nye situasjoner	Sliter med situasjoner utenfor treningsdata
Har bevissthet og forståelse	Ingen bevissthet, bare mønstergjenkjenning

Den viktigste forskjellen: Du FORSTÅR at dette er en artikkel om neural networks. Et neural network som analyserer denne teksten har ingen forståelse - det gjenkjenner bare mønstre i bokstavene og ordene.

Forskjellige typer neural networks

Forskere har utviklet ulike typer nettverk for ulike oppgaver:

CNN (Convolutional Neural Networks): Best til bilder. De er laget for å gjenkjenne mønstre som kanter, former og objekter.

RNN (Recurrent Neural Networks): Designet for sekvenser som tekst eller tale, der rekkefølgen av ting er viktig.

Transformers: Den nyeste og mest kraftfulle typen, brukt av ChatGPT og lignende. De kan analysere hele tekster på én gang og er svært gode på språk.

Du trenger ikke huske disse navnene, men det kan være nyttig å vite at ulike oppgaver bruker ulike typer nettverk.

Ulike typer neural networks: Fra enkle nettverk til komplekse transformer-arkitekturer.

Vanlige spørsmål

Tenker neural networks som mennesker?

Nei. Selv om de er inspirert av hjernen, fungerer de veldig annerledes. De har ingen bevissthet, følelser eller ekte forståelse. De er gode til å finne mønstre i data, men de “tenker” ikke i noen meningsfull forstand.

Kan hvem som helst lage et neural network?

Med moderne verktøy er det enklere enn noen gang. Biblioteker som TensorFlow og PyTorch har gjort det tilgjengelig for folk som kan litt programmering. Men for å lage virkelig gode nettverk trengs mye erfaring og kunnskap.

Hvorfor trenger neural networks så mye data?

Fordi de lærer fra eksempler. Jo flere eksempler, jo bedre kan de generalisere til nye situasjoner. Hvis du bare viser nettverket 10 bilder av katter, vil det slite med å gjenkjenne katter som ser annerledes ut enn de 10 det har sett.

Hva er forskjellen på neural networks og deep learning?

Deep learning er bruk av neural networks med mange hidden layers. Alle deep learning-systemer bruker neural networks, men et neural network med bare ett eller to lag kalles ikke “deep” learning.

Oppsummering og kilder

Neural networks (nevrale nettverk) er dataprogrammer inspirert av hjernen, bygget opp av sammenkoblede enheter i lag. De lærer ved å justere forbindelsene sine basert på eksempler, og brukes i dag til alt fra bildegjenkjenning til språkforståelse.

Det viktigste å huske:

De består av input layer, hidden layers og output layer
De lærer ved å justere forbindelser basert på tilbakemelding (backpropagation)
De er bak det meste av AI vi bruker i dag
De etterligner ikke hjernen perfekt - de er mye enklere og har ingen bevissthet

Kilder:

Sist oppdatert: Januar 2026

Hva er nevrale nettverk? En enkel forklaring