Her er en nem måde at huske forskellen mellem dyb læring og maskinlæring på: Al dyb læring er maskinlæring, men ikke al maskinlæring er dyb læring.
Det kan virke overvældende at følge med i den nyeste udvikling inden for kunstig intelligens (AI). Hvis du ønsker at forstå det grundlæggende, kan mange AI-innovationer koges ned til to hovedkoncepter: maskinlæring og dyb læring. Maskinlæring og dyb læring findes overalt. Det er det, der gør selvkørende biler mulige. Det hjælper også Netflix med at forudsige, hvilke serier du vil se. Desuden gør det det muligt for Facebook at genkende ansigter på billeder. Selvom maskinlæring og dyb læring kan virke ens, er der forskel på dem. Så hvad betyder disse to centrale koncepter inden for AI egentlig, og hvordan adskiller de sig? Læs videre for at finde ud af det.
Dyb læring vs. maskinlæring
For at forstå forskellen mellem maskinlæring og dyb læring, skal man først erkende, at dyb læring er en form for maskinlæring. Dyb læring betragtes som en avanceret form for maskinlæring. Det bygger på programmerbare neurale netværk. Disse netværk gør det muligt for maskiner at træffe præcise beslutninger uden menneskelig indgriben. Men lad os først definere maskinlæring.
Hvordan virker maskinlæring?
Et let eksempel på en maskinlæringsalgoritme er en on-demand musikstreamingtjeneste. For at vide hvilke sange eller kunstnere den skal anbefale, bruger tjenesten lytterens præferencer. Den kobler disse præferencer med andre lyttere, der har lignende musiksmag. Denne teknik, kendt som AI, bruges i mange tjenester, der tilbyder automatiserede anbefalinger.
Maskinlæring involverer kompleks matematik og kodning. Det har samme mekaniske funktion som en lommelygte, en bil eller en computerskærm. Når vi siger, at noget fungerer med “maskinlæring”, betyder det, at det bruger data og bliver bedre med tiden. Det fungerer som en lommelygte, der tændes, når du siger: “Det er mørkt.” Den ville genkende forskellige sætninger med ordet “mørk”.
Maskinlæring understøtter automatiserede opgaver på tværs af industrier. Det bruges af datasikkerhedsvirksomheder til at finde malware og af finansfolk til at varsle om fordelagtige handler. AI-algoritmerne er programmeret til konstant at lære. De simulerer en personlig assistent og gør det ret godt.
Maskiners evne til at lære nye tricks er interessant og spændende. Dette bliver særligt tydeligt, når vi ser på dyb læring og dybe neurale netværk.
Hvordan virker dyb læring?
En dyb læring-model analyserer data med en logisk struktur, ligesom et menneske drager konklusioner. For at udføre denne analyse bruger dyb læring lagdelte algoritmer kaldet et kunstigt neuralt netværk. Designet af dette netværk er inspireret af neuronerne i den menneskelige hjerne. Resultatet er et læringssystem, der overgår almindelige maskinlæringsmodeller.
Det kan være svært at sikre, at dyb læring-modeller drager de rigtige konklusioner. Ligesom andre AI-systemer kræver det meget træning at skabe korrekte læringsprocesser. Når det virker, er funktionel dyb læring ofte genstand for videnskabelig beundring. Mange anser det for at være rygraden i ægte kunstig intelligens.
Et godt eksempel på dyb læring er Googles AlphaGo. Google udviklede et program med sit eget neurale netværk til at spille brætspillet Go. Go kræver både intellekt og intuition. AlphaGos dyb læring-model lærte ved at spille mod professionelle Go-spillere. Modellen spillede på et niveau, man ikke havde set før AI.
AlphaGo slog flere verdenskendte mestre i Go. Maskinen forstod spillets komplekse teknikker og abstrakte aspekter og blev en af de bedste spillere. Det var en kamp mellem menneskelig og kunstig intelligens, hvor sidstnævnte vandt.
Andre eksempler på dyb læring er en billedgenkendelsesapp, der kan identificere blomster eller fugle ud fra et billede. Denne klassificering understøttes af et dybt neuralt netværk. Dyb læring guider også talegenkendelse, oversættelse og selvkørende biler.
Hvilke forskellige typer af dyb læring findes der?
Maskinlæring gør computere i stand til at løse bemærkelsesværdige opgaver. De kommer dog stadig til kort, når det gælder efterligning af den menneskelige intelligens. Dybe neurale netværk er designet som den menneskelige hjerne. De repræsenterer dermed et mere sofistikeret niveau af kunstig intelligens. Der er forskellige typer af dyb læring-algoritmer. Her ser vi nærmere på de mest populære modeller.
Neurale konvolutionsnetværk
Neurale konvolutionsnetværk (CNN’er) er algoritmer, der er designet til billedbehandling og -genkendelse. “Konvolutionen” er en unik proces, der filtrerer et billede for at vurdere alle elementerne i det. CNN’er bruges ofte til Computer Vision. Dette er et felt under AI, der lærer maskiner at processere den visuelle verden. Ansigtsgenkendelsesteknologi er en almindelig brug af Computer Vision.
Rekurrente neurale netværk
Rekurrente neurale netværk (RNN’er) har indbyggede feedback-loops. Disse loops lader algoritmerne “huske” tidligere datapunkter. RNN’er kan bruge denne hukommelse til at forstå nuværende begivenheder eller endda forudsige fremtiden. Et dybt neuralt netværk kan “tænke” bedre med kontekst på dette niveau. For eksempel kan kort-apps, der understøttes af en RNN, “huske”, hvornår trafikken typisk bliver tættere. Den bruger denne viden til at anbefale en alternativ rute, når myldretiden nærmer sig.
Data som fremtidens brændstof
Den enorme mængde nye data, der produceres i “Big Data”-æraen, vil føre til innovationer, vi endnu ikke kan forestille os. Datascience-eksperter mener, at mange af disse nybrud vil være dyb læring-applikationer. Andrew Ng, tidligere Chief Scientist på Kinas største søgemaskine, Baidu, og en af lederne bag Google Brain Project, sammenlignede dyb læring med at bygge en rumraket. “Man skal bruge en kæmpestor motor og en masse brændstof,” fortalte han til Wired-journalisten Caleb Garling. Hvis du har en stor motor og lidt brændstof, kommer du ikke i kredsløb. Har du en lille motor og meget brændstof, kan den ikke engang lette. For at bygge en rumraket skal man bruge en stor motor og meget brændstof. Det samme gælder dyb læring. Raketmotoren svarer til dyb læring-modellerne, og brændstoffet svarer til de store mængder data, som vi kan tilføre algoritmerne.
Betydningen af maskinlæring og dyb læring for kundeservice
Mange AI-applikationer i kundeservice bruger maskinlæringsalgoritmer. De driver selvbetjening, øger agenternes produktivitet og gør workflows mere pålidelige. Data til disse algoritmer kommer fra en konstant strøm af kundeanmodninger. Denne data indeholder relevant kontekst om de problemer, som kunderne står med. Ved at samle al information i en AI-applikation opnår man hurtigere og mere præcise forudsigelser.
Dette har gjort AI interessant for mange virksomheder. Brancheførende virksomheder mener, at AI’s mest praktiske anvendelse i forretningssammenhæng vil være kundeservice. Maskinlæring og dyb læring understøtter analyse af naturligt sprog (NLP). NLP lader computere forstå tekst og tale. Inden for kundeoplevelse (CX) er Amazons Alexa og Apples Siri gode eksempler på virtuelle assistenter. De bruger talegenkendelse til at besvare forbrugernes spørgsmål. AI-understøttede chatbots til kundeservice bruger de samme læringsmetoder til at svare på skrevne beskeder.
Et eksempel fra den virkelige verden er Zendesks AI-chatbot, Answer Bot eller Karla fra Getkarla.ai. De bruger en indbygget dyb læring-model til at forstå konteksten i en supportanmodning. Den finder de rigtige hjælpeartikler og information at foreslå til kunden en løsning. Det må man da kalde en fantastisk selvbetjeningsløsning?