Hoe werkt machineleren?
Vroeger werd kunstmatige intelligentie als een soort handboek geprogrammeerd: als het een donzige rand heeft, vier poten, een staart en snorharen, dan is het een kat. Het gevolg is software die een kat die toevallig half onder een deken zit, niet herkent.
Neurale netwerken werken daarom met een grote hoeveelheid foto's, waarvan al bekend is dat ze katten afbeelden, bijvoorbeeld omdat internetgebruikers ze zo hebben aangemerkt. De software moet vervolgens zelf uitknobbelen wat een kat tot kat maakt. Het programma doet dat aan de hand van een reeks steeds verfijndere stappen: eerst de omlijning, dan bijvoorbeeld de kleur, dan bepaalde rondingen en hoeken.
Na elke stap kijkt de computer welk van zijn 'schakels' het goed hebben. Die krijgen bij het volgende plaatje voorrang: kennelijk zijn dat de schakels die goed zijn in het herkennen van katten. Zo ontstaan geleidelijk gespecialiseerde 'routes' door de computer: als je een kat wilt herkennen, moet je het aan die en die groepen schakels vragen, die zijn er goed in. De methode is enigszins vergelijkbaar met de manier waarop het menselijk brein herinneringen opslaat in 'paden' van verbindingen langs de hersencellen - vandaar de term 'neuraal netwerk'.
De cruciale truc die Google gebruikt bij vertalingen, is kijken naar de afstand tussen woorden. Dat biedt het neurale netwerk in de woordensoep de extra houvast die het nodig heeft om de brug te kunnen slaan tussen tekst en vertaling, en bijvoorbeeld te kunnen inschatten of het woord 'intelligence' in een bepaalde context 'intelligentie' of 'inlichtingen' moet betekenen.
De resultaten zijn sensationeel. Bij het vertalen van Engels naar Spaans scoort een menselijke vertaler 5,5 op een schaal van 0 tot 6. Google Translate zat na tien jaar ontwikkelwerk op 4,9. Maar met neurale machinevertaling haalt Translate opeens een 5,4 - nauwelijks meer te onderscheiden van de mens.