Deep learning

Vad är Deep Learning?

Deep Learning, eller djupinlärning, är en specialiserad underkategori till maskininlärning. Det bygger på användningen av artificiella neurala nätverk med många lager (därav "djupet") för att modellera och lösa komplexa problem. Medan vanlig maskininlärning kan behöva mänsklig hjälp för att strukturera data, kan Deep Learning ofta arbeta direkt med ostrukturerad data som bilder, ljud och text.

Varför Deep Learning är viktigt

Det är Deep Learning som har möjliggjort de stora genombrotten inom AI de senaste åren. Tekniken ligger bakom allt från självkörande bilar och ansiktsigenkänning till röstassistenter och medicinsk diagnos av röntgenbilder. Det kräver dock enorma mängder data och beräkningskraft.

Hur fungerar Deep Learning i praktiken?

Tekniken hämtar inspiration från den mänskliga hjärnan.

• Lager på lager: Ett djupt nätverk består av ett input-lager, många dolda lager (hidden layers) och ett output-lager.
• Abstraktion: De första lagren kanske lär sig känna igen enkla kanter i en bild. Nästa lager sätter ihop kanterna till former (ögon, öron). De sista lagren känner igen hela objekt (en katt).
• Självlärande: Genom att mata nätverket med miljoner exempel justerar det själv kopplingarna mellan lagren för att minimera fel.

Vanliga frågor om Deep Learning

Vad är skillnaden mellan Maskininlärning och Deep Learning?

Tänk på det som ryska dockor. AI är den största dockan. Inuti finns maskininlärning. Inuti den finns Deep Learning. Deep Learning är alltså en typ av maskininlärning, men en mer avancerad och autonom sådan.

Varför har Deep Learning blivit stort just nu?

Teorin har funnits länge, men det är först nu vi har tillgång till tillräckligt med Big Data och tillräckligt snabba processorer (GPU:er) för att träna dessa massiva nätverk effektivt.

Viktiga punkter att ta med sig:

• Deep Learning använder neurala nätverk med många lager.
• Hanterar ostrukturerad data som bild och ljud exceptionellt bra.
• Är tekniken bakom de flesta moderna AI-genombrott.