Dyp læring

Lær hva som menes med dyp læring innen AI. Vi gir en omfattende definisjon av dyp læring, sammen med en forklaring av hvordan det fungerer og de ulike algoritmene.

Hva betyr dyp læring?

Dyp læring, på engelsk “Deep Learning” er en tilnærming til kunstig intelligens (AI) som stabler opp maskinlæringsalgoritmer i et hierarki med økende kompleksitet og abstraksjon. Der hvert dypere læringsnivå skapes med kunnskap fra det foregående nivået i hierarkiet. Derav navnet “dyp læring” – det er flere lag som stables på hverandre.

Dette er en tilnærming som de siste årene har resultert i en rekke små og store gjennombrudd og vist store potensialer for fremtiden.

For eksempel kan det første laget i en dyp bildegjenkjennings-algoritme fokusere på å lære om fargemønstre i treningsdata, mens det neste laget fokuserer på former. 

Etter hvert vil hierarkiet ha ulike lag som fokuserer på ulike kombinasjoner av farger og former, mens det øverste laget fokuserer på selve objektet som gjenkjennes.

Dyp læring er den mest sofistikerte KI-arkitekturen som brukes i dag og både gjør det mulig med avanserte oppgaver, samt står også sentralt innenfor maskinlæring og er et viktig element på veien mot fullverdig kunstig intelligens. 

Kort sagt er dette en samlebetegnelse for flere ulike tilnærminger til å automatisere en maskins oppgaver uten å ha direkte programmert dette.

Noen fremtredende og populære algoritmer for deep learning er bl.a:

• Konvolusjonelle nevrale nettverk (“Convolutional neural network”)- algoritmen kan tildele vekter og skjevheter til ulike objekter i et bilde og skille et objekt i bildet fra et annet. Brukes til objektgjenkjenning og bildeklassifisering.
• Tilbakevendende nevrale nettverk (“Recurrent neural networks “) – algoritmen er i stand til å huske sekvensielle data. Brukes til talegjenkjenning, stemmegjenkjenning, prediksjon av tidsserier og naturlig språkbehandling.
• Langtidsminnenettverk (“Long short-term memory networks”- algoritmen kan lære seg rekkefølgeavhengighet i sekvensprediksjons-problemer. Brukes i maskinoversettelse og språkmodellering.
• Generative adversarial networks – to algoritmer konkurrerer mot hverandre og bruker hverandres feil som nye treningsdata. Brukes i restaurering av digitale bilder og deepfake-video.
• Deep belief networks – en ikke-overvåket dyp læringsalgoritme der hvert lag har to formål: det fungerer som et skjult lag for det som kom før, og et synlig lag for det som kommer etterpå. Brukes i helsesektoren for å oppdage kreft og andre sykdommer.

Deep Learning kort og godt

Dyp læring brukes som vi forstår til å bygge og trene opp nevrale nettverk og beslutningsdyktige nettverksnoder. Det regnes som en kjerneteknologi i den fjerde industrielle revolusjonen (Industry 4.0) og Web3.

Dyp læring fjerner den manuelle identifiseringen av funksjoner i data og baserer seg i stedet på den treningsprosessen den har for å oppdage de nyttige mønstrene i input-eksemplene. Dette gjør det enklere og raskere å trene opp det nevrale nettverket, og det kan gi bedre resultater som fremmer kunstig intelligens.

Det er nemlig snakk om et prinsipp der programvaren og maskinen tilegner seg kunnskap, altså lærer, om noe denne ikke kjenner fra før. Mye likt intuitiv læring hos mennesker som må resonnere seg frem til nye løsninger basert på tidligere erfaring.

En algoritme regnes som dyp hvis inngangsdataene sendes gjennom en rekke ikke-lineære transformasjoner før de blir til utdata. I dag bruker de fleste forretningsapplikasjoner grunne maskinlæringsalgoritmer. Slik grunn AI, også kalt smal AI, bygger ikke opp et hierarki av subrutineanrop. I stedet er denne typen læringsalgoritme designet for å utføre én enkelt, diskret oppgave.