Wat is Forward Pass?

Wat is een forward pass eigenlijk?

Stel je voor: je gooit een bal door een serie hoepels. Bij elke hoepel gebeurt er iets met de bal — hij krijgt een kleurtje, wordt iets lichter of zwaarder, verandert van richting. Aan het einde valt de bal in een van de bakjes: "rood" of "blauw". Dat hele traject — van jouw hand tot het bakje — is wat we in AI een forward pass noemen.

In een neuraal netwerk is die bal jouw input (bijvoorbeeld een foto, een zin, een getal). De hoepels zijn de lagen van het netwerk. Elke laag doet iets met de data: vermenigvuldigt getallen, telt dingen op, past functies toe. Uiteindelijk komt er aan het eind een output uit: een classificatie ("dit is een kat"), een voorspelling ("morgen 18 graden") of een gegenereerde tekst.

Het heet "forward" omdat de data maar één kant op gaat: vooruit, van input naar output. Niets gaat terug — dat gebeurt pas later, in de backward pass tijdens het trainen.

Hoe werkt het in de praktijk?

Elke laag in het netwerk heeft parameters: getallen die bepalen hoe sterk bepaalde eigenschappen meetellen. Bij een forward pass:

• Input komt binnen — bijvoorbeeld de pixels van een foto

• Laag 1 vermenigvuldigt die pixels met gewichten, telt een bias op, past een activatiefunctie toe

• Laag 2 doet hetzelfde met de output van laag 1

• Dit gaat door tot de laatste laag

• Output verschijnt — bijvoorbeeld "dit is met 87% zekerheid een hond"

Denk aan een fabriekslijn: elk station doet een stap, het product schuift door, aan het eind rolt het eindproduct eruit. Bij elke forward pass doorloopt de data dezelfde route, met dezelfde bewerkingen — maar de uitkomst hangt af van de input én de parameters die het netwerk op dat moment heeft.

Waarom is dit belangrijk?

De forward pass is letterlijk hoe AI een voorspelling maakt. Of je nou ChatGPT een vraag stelt, een foto uploadt naar een beeldherkenner of Spotify je een nummer aanraadt — onder de motorkap gebeurt er altijd een forward pass. Input erin, netwerk doet zijn werk, antwoord eruit.

Maar er zit nog een tweede kant aan: tijdens het trainen van een model is de forward pass de eerste helft van het leerproces. Het netwerk maakt een voorspelling, die wordt vergeleken met het juiste antwoord, en op basis van de fout gaat het netwerk daarna (in de backward pass) zijn parameters bijstellen. Zonder forward pass geen voorspelling, zonder voorspelling geen fout, zonder fout geen leren.

Waar kom je het tegen?

Elke keer dat je een AI-tool gebruikt, gebeurt er een forward pass:

• ChatGPT, Claude, Gemini — elke keer dat je een bericht stuurt, doet het model een forward pass om je antwoord te genereren

• Google Foto's — herkent gezichten of objecten via een forward pass door een beeldherkenningsnetwerk

• Spam-filters — je mail gaat door een netwerk, forward pass bepaalt: spam of niet?

• Aanbevelingssystemen (Netflix, Spotify) — jouw kijkgedrag is input, forward pass levert aanbevelingen op

• Zelfrijdende auto's — camerabeleid gaat door een netwerk, forward pass zegt: "daar is een voetganger"

In trainingsomgevingen als TensorFlow of PyTorch zie je het ook expliciet terug: de .forward() methode of model(input) — dat is letterlijk de forward pass die je activeert.

Wat kun je er zelf mee?

Als je begrijpt wat een forward pass is, snap je de basis van hoe elk AI-model werkt. Je weet: er gaat data in, er komt data uit, en daartussen zit een voorspelbaar proces. Dat helpt je om beter te begrijpen waarom een model bepaalde dingen wel of niet kan — en waarom trainen tijd kost (want elke trainingsronde = duizenden forward passes).

Wil je zelf experimenteren? Probeer een simpel voorbeeld in een online Python-omgeving met een bibliotheek als PyTorch of Keras. Bouw een mini-netwerk met twee lagen, stop er een getal in, en kijk hoe de forward pass een output produceert. Je zult zien: het is geen magie, het is rekenen — vooruit door het netwerk, stap voor stap.