Hvad er detaljeret læring?

Deep learning defineret

Deep learning er en type maskinel indlæring , der bruger kunstige neurale netværk til at gøre det muligt for digitale systemer at lære og træffe beslutninger på baggrund af ustrukturerede og ikke-mærkede data.

AI-systemer kan bruge maskinel indlæring til at lære af erhvervede oplevelser med data, genkende mønstre, komme med anbefalinger og tilpasse sig. I modsætning til kun at reagere på regelsæt opbygger digitale systemer med deep learning viden ud fra eksempler og bruger derefter denne viden til at reagere og agere på samme måde som mennesker.

Vigtigste budskaber

Deep learning er en type maskinel indlæring, der letter læring og beslutningstagning i digitale systemer.

Deep learning anvender neurale netværksarkitekturer, der efterligner menneskets hjernefunktionalitet.

Udviklere kan bruge strukturer til deep learning såsom TensorFlow eller PyTorch til at gøre det nemmere at implementere komplekse modeller til maskinel indlæring.

Brancher anvender deep learning på forskellige måder. Chatbots, førerløse biler og digitale assistenter er alle eksempler på teknologier, der bruger deep learning.

Virksomheder på tværs af flere brancher investerer i deep learning for at drive innovation, afdække nye muligheder og afsløre indsigter fra store datasæt.

Hvorfor deep learning er vigtig

Dataeksperter og udviklere bruger software til deep learning til at træne computere til at analysere store og komplekse datasæt, udføre komplicerede og ikke-lineære opgaver og reagere på tekst, stemmer eller billeder ofte hurtigere og mere nøjagtigt end mennesker. Disse funktioner kan bruges på mange forskellige måder og har gjort mange moderne innovationer mulige. Deep learning bruges f.eks. af førerløse biler til at behandle billeder og skelne fodgængere fra andre genstande på vejen eller af dine intelligente enheder i hjemmet til at forstå dine stemmekommandoer.

Deep learning gør en forskel, fordi at i takt med at mængden af data stiger, og beregningskapaciteten bliver mere effektiv og billigere, investerer virksomheder på tværs af detail, sundhedsvæsen, transport, produktion, teknologi og andre sektorer i deep learning for at fremme innovation og forblive relevante.

Sådan fungerer deep learning

Deep learning fungerer ved at bruge neurale netværksarkitekturer i flere lag, højtydende behandlingsenheder til behandling af grafik, der er udrullet i et cloudmiljø eller i klynger, og store mængder mærkede data til at opnå meget høje niveauer af tekst-, tale- og billedgenkendelse. Alt dette kan hjælpe dine udviklere med at oprette digitale systemer, der efterligner den menneskelige intelligens og strømliner time to value ved at fremskynde modeloplæringen fra uger til timer.

En model til førerløse biler kan f.eks. kræve tusindvis af videotimer og millioner af billeder for at kunne oplæres. Uden deep learning kunne dette oplæringsniveau ikke udføres i stor skala.

Hvad er en struktur til deep learning?

Hvis udviklere vil gøre det nemmere at implementere komplekse modeller til maskinel indlæring, kan de bruge strukturer til deep learning såsom TensorFlow eller PyTorch. Disse strukturer hjælper med at strømline processen med at indsamle data, som derefter kan bruges til at oplære neurale netværk. Derudover kan acceleratorer som ONNX Runtime bruges sammen med disse strukturer til at fremskynde oplæringen af og fornuftslutningen for modeller.

Oplæring af modeller til deep learning

Der findes forskellige strategier og metoder til oplæring af modeller til deep learning. Lad os se nærmere på nogle af dem.

Overvåget læring

Med overvåget læring oplæres en algoritme i de datasæt, der er mærket. Det betyder, at når algoritmen træffer en beslutning om en oplysning, kan den bruge de mærkater, der er inkluderet i dataene, til at kontrollere, om bestemmelsen er korrekt. Med overvåget læring skal de data, som modellerne oplæres på baggrund af, leveres af mennesker, som mærker dataene, før de bruges til at oplære algoritmen.

Ikke-overvåget læring

Med ikke-overvåget læring oplæres algoritmer med data, der ikke indeholder mærkater eller oplysninger, som algoritmen kan bruge til at kontrollere dens bestemmelser. Systemet sorterer og klassificerer i stedet dataene på baggrund af de mønstre, som systemet selv genkender.

Styrket læring

Med forstærket læring løser et system opgaver ved at prøve sig frem og træffe en række beslutninger i rækkefølge og opnå et tilsigtet resultat, selv i et komplekst miljø. Med forstærket læring bruger algoritmen ikke datasæt til at træffe bestemmelser, men oplysninger der indsamles fra et miljø.

Forstærket detaljeret læring

Når deep learning og læringsteknikker til forstærket læring kombineres, skaber de en type maskinel indlæring, som kaldes forstærket deep learning. Forstærket detaljeret læring bruger den samme trial and error-beslutningstagning og komplekse målopnåelse som forstærket læring, men er også afhængig af omfattende læringsfunktioner til at behandle og få store mængder ustrukturerede data til at give mening.

Hvad bruges deep learning til?

Deep learning bruges i virksomheder inden for en række forskellige brancher til mange forskellige ting. Her er nogle eksempler på, hvordan deep learning ofte bruges:

Billede-, tale- og bevægelsesgenkendelse

Software til deep learning bruges til at øge nøjagtigheden af billede-, tale- og bevægelsesgenkendelse og til at aktivere fotosøgninger, personlige digitale assistenter, førerløse biler, offentlig sikkerhed, digital sikkerhed og andre intelligente teknologier.

Chatrobotter

Smarte virksomheder benytter deep learning til tekst- eller stemmeaktiverede online chatbots til ofte stillede spørgsmål, rutinetransaktioner og især til kundesupport. De erstatter kundeserviceteams og køer med ventende kunder med automatiserede, kontekstbaserede og nyttige svar.

Førerløse biler

Førerløse biler bruger algoritmer for deep learning til at behandle flere dynamiske datafeeds på splitsekunder og reagere på det uventede hurtigere end en menneskelig chauffør.

Skræddersyede oplevelser

Streamingtjenester, e-forhandlere og andre virksomheder bruger modeller til deep learning til at køre automatiserede anbefalinger til produkter, film, musik eller andre tjenester og til at skabe perfekte kundeoplevelser baseret på købshistorikker, tidligere adfærd og andre data.

Personlige digitale assistenter

Stemmeaktiverede personlige digitale assistenter bruger deep learning til at forstå tale, reagere korrekt på forespørgsler og kommandoer på et naturligt sprog og endda nogle gange komme med løsninger.

Forståelse af neurale netværk

Neurale netværk er digitale arkitekturer designet til at efterligne menneskelig hjerneaktivitet. De består af sammenkoblede noder, der behandler og lærer af data, hvilket muliggør opgaver som mønstergenkendelse og beslutningstagning i maskinel indlæring. Virksomheder og andre institutioner anvender disse modeller til finansielle prognoser, salgsstrategier og andre forretningsbeslutninger.

Hvad er neurale netværk?

Et kunstigt neuralt netværk er en digital arkitektur, der efterligner menneskelige kognitive processer for at modellere komplekse mønstre, udvikle forudsigelser og reagere passende på eksterne stimuli. Strukturerede data er påkrævet til mange typer maskinel indlæring i forhold til neurale netværk, der er i stand til at fortolke hændelser i verden omkring dem som data, der kan behandles.

Når du læser en rapport, ser en film, kører i bil eller dufter til en blomst, bearbejder milliarder af neuroner i din hjerne oplysningerne via små elektriske signaler. Hver eneste neuron behandler input, og resultatet er output til den næste neuron til efterfølgende behandling, hvilket i sidste ende øjeblikkeligt skaber en forretningsindsigt, en kluklatter, en fod på bremsen eller glæde. I maskinel indlæring gør neurale netværk det muligt for digitale systemer at fortolke og reagere på situationer på en lignende måde.

Et kunstigt neuralt netværk er som en hjerne fyldt med digitale neuroner. Selvom de fleste af dem er rudimentære efterligninger af virkelige ting, kan de stadig behandle store mængder ikke-lineære data for at løse komplekse problemer, der ellers ville kræve menneskelig indgriben. For eksempel kan bankanalytikere bruge kunstige neurale netværk til at behandle låneansøgninger og forudsige en ansøgers sandsynlighed for misligholdelse.

Det kan du bruge neurale netværk til

Inden for maskinel indlæring bruges neurale netværk til oplæring og modellering af komplekst og omskifteligt input og output samt til at udlede ukendte relationer og foretage forudsigelser uden datadistributionsbegrænsninger. Neurale netværksmodeller er grundlaget for mange programmer til detaljeret læring, f.eks. computer vision og behandling af naturligt sprog, som kan hjælpe med at understøtte beskyttelsen mod svindel eller med ansigtsgenkendelse eller førerløse biler.

De fleste virksomheder er afhængige af prognoser til forretningsbeslutninger, salgsstrategier, økonomiske politikker og ressourceudnyttelse. Men begrænsningerne i traditionelle prognoser gør det ofte vanskeligt at forudsige komplekse og dynamiske processer med flere og ofte skjulte underliggende faktorer, f.eks. aktiekurser. Neurale netværksmodeller for deep learning hjælper med at afdække komplekse ikke-lineære relationer og usete faktorer, så virksomheder kan udvikle mere præcise prognoser.

Almindelige neurale netværk

Der er mange forskellige typer neurale AI-netværk, og de er hver især velegnede til forskellige programmer til detaljeret læring. Brug et ANN, der passer til din virksomhed og dine teknologikrav. Her er nogle eksempler på almindelige neurale AI-netværk:

Konvolutionel neuralt netværk
Udviklere bruger et konvolutionelt neuralt netværk til at hjælpe AI-systemer med at konvertere billeder til digitale matricer. CNN'er bruges primært til billedklassificering og objektgenkendelse og er velegnede til ansigtsgenkendelse, emnedetektering og synspunktsanalyser.

Dekonvolutionelt neuralt netværk
Hvis komplekse netværkssignaler eller netværkssignaler med høj volumen går tabt eller konvoluteres med andre signaler, vil et dekonvolutionelt neuralt netværk hjælpe med at finde dem. Dekonvolutionelle neurale netværk er nyttige til behandling af billeder i høj opløsning og optiske flowestimater.

Generativt modstridende netværk
Ingeniører bruger et generativt modstridende netværk til at træne modeller i at generere nye oplysninger eller materialer, der efterligner de specifikke egenskaber ved træningsdataene. Generative modstridende netværk hjælper modellerne med at skelne mellem små forskelle mellem originaler og kopier for at lave mere autentiske kopier. Anvendelser af generative modstridende netværk inkluderer billed- og videogenerering med nøjagtig gengivelse, avanceret ansigtsgenkendelse og superopløsning.

Tilbagevendende neuralt netværk
Et tilbagevendende neuralt netværk indtaster data i skjulte lag med specifikke tidsforsinkelser. Netværkscomputing står for historiske oplysninger i aktuelle tilstande, og flere indlæsninger ændrer ikke modelstørrelsen. Tilbagevendende neurale netværk er et godt valg til talegenkendelse, avanceret prognose, robotteknologi og andre komplekse deep learning-opgaver.

Transformere
Transformere er designet til at håndtere sekventielle inputdata. De er dog ikke begrænset til behandling af disse data i sekventiel rækkefølge. Transformere bruger i stedet opmærksomhed – en teknik, der gør det muligt for modeller at tildele forskellige niveauer af indflydelse til forskellige inputdata og identificere konteksten for enkelte datadele i en inputsekvens. Det muliggør et øget niveau af parallelisering, hvilket kan reducere oplæringstider for modeller.

Maskinel indlæring vs. neurale netværk

Selvom neurale netværk betragtes som en delmængde af maskinel indlæring, er der nogle betydelige forskelle mellem neurale netværk og almindelige modeller til maskinel indlæring.

Neurale netværk er f.eks. generelt mere komplekse og i stand til at arbejde mere uafhængigt end almindelige modeller til maskinel indlæring. Et neuralt netværk kan f.eks. selv afgøre, om dets forudsigelser og resultater er nøjagtige, mens en model til maskinel indlæring kræver input fra en menneskelig tekniker for at kunne foretage denne skelnen.

Derudover er neurale netværk strukturerede, så det neurale netværk fortsat kan lære og selv træffe intelligente beslutninger. Modeller til maskinel indlæring er derimod begrænsede til beslutningstagning udelukkende på baggrund af det, modellerne specifikt er blevet oplært med.

RESSOURCER

Dyk dybere ned i fordelene ved deep learning

En kvinde iført en hvid skjorte sidder ved en computer.

Produkt

Kom i gang med deep learning i Azure

Understøt billedgenkendelse med neurale netværk, eller optimer behandlingen af naturligt sprog med hurtige, nemme og nøjagtige BERT NLP-modeller. Udforsk, hvordan du bygger, oplærer og udruller alle typer modeller til detaljeret læring med Azure Machine Learning.

Få mere at vide

En mand med hånden op til ansigtet ser på en bærbar computer.

Løsning

Udforsk maskinel indlæring til dataloger

Få mere at vide om, hvordan du opretter løsninger til maskinel indlæring i cloudmiljøer i Azure, og udforsk værktøjer til maskinel indlæring til dataloger og teknikere inden for maskinel indlæring.

Læs mere

Events

Azure-arrangementer og -webinarer

Lær nye færdigheder, udforsk nye teknologier, og skab kontakt til ligestillede – digitalt eller personligt.