Hva er dyplæring?

Definisjon av dyplæring

Dyplæring er en type maskinlæring som bruker kunstige nevrale nettverk for å gjøre det mulig for digitale systemer å lære og ta beslutninger basert på ustrukturerte, umerkede data.

Maskinlæring trener systemer med kunstig intelligens til å lære av innsamlede erfaringer med data, gjenkjenne mønstre, gi anbefalinger og tilpasse seg. I stedet for bare å reagere på regelsett, bygger systemer med dyplæring opp kunnskap fra eksempler og bruker deretter denne kunnskapen til å reagere, oppføre seg og prestere som mennesker.

Viktige høydepunkter

Dyplæring er en type maskinlæring som tilrettelegger for læring og beslutningstaking i digitale systemer.

Dyplæring er avhengig av nevrale nettverksarkitekturer som etterligner menneskelig hjernefunksjonalitet.

Utviklere er avhengige av rammeverk for dyplæring som TensorFlow eller PyTorch for å gjøre det enklere å innføre komplekse modeller for maskinlæring.

Bransjer bruker dyplæring på en rekke måter. Chatbots, selvkjørende biler, og digitale assistenter er alle eksempler på teknologier som bruker dyplæring.

Bedrifter på tvers av flere bransjer investerer i dyplæring for å drive innovasjon, avdekke nye muligheter og avsløre innsikt fra store datasett.

Derfor er dyplæring viktig

Dataforskere og utviklere bruker programvare for dyplæring til å lære datamaskiner å analysere store og komplekse datasett, fullføre kompliserte og ikke-lineære oppgaver og svare på tekst, stemme eller bilder, ofte raskere og mer nøyaktig enn mennesker. Disse funksjonalitetene har mange praktiske bruksområder og har muliggjort mange moderne innovasjoner. Dyplæring er for eksempel det førerløse biler bruker til å behandle bilder og skille fotgjengere fra andre objekter på veien, og det smartenhetene dine i hjemmet bruker til å forstå talekommandoene dine.

Dyplæring er viktig fordi økende datamengder og stadig kraftigere og rimeligere datakapasitet gjør at selskaper innen handel, helsevesen, transport, produksjon, teknologi og andre sektorer investerer i dyplæring for å fremme innovasjon og forbli relevante.

Slik fungerer dyplæring

Dyplæring fungerer ved å støtte seg på nevrale nettverksarkitekturer i flere lag, grafikkbehandlingsenheter med høy ytelse rullet ut i skyen eller på klynger, og store mengder merkede data. Dette for å oppnå svært høye nivåer av nøyaktighet for tekst, tale og bildegjenkjenning. All denne kraften kan hjelpe utviklerne med å opprette digitale systemer som etterligner menneskelig intelligens og effektiviserer verdiskapningen ved å akselerere modellopplæring fra uker til timer.

En førerløs bilmodell kan for eksempel trenge tusenvis av videotimer og millioner av bilder for å lære seg opp. Uten dyplæring kunne ikke dette opplæringsnivået utføres i stor skala.

Hva er et rammeverk for dyplæring?

For å gjøre komplekse maskinlæringsmodeller enklere å implementere, bruker utviklere rammeverk for dyplæring, som TensorFlow eller PyTorch. Disse rammene hjelper til med å effektivisere prosessen med å samle inn data, som deretter kan brukes til å lære opp nevrale nettverk. I tillegg kan akseleratorer som ONNX Runtime brukes med disse rammeverkene, for å få fart på opplærings- og følgeslutningsmodeller.

Opplæring av dyplæringsmodeller

Det finnes forskjellige strategier og metoder for opplæring av dyplæringsmodeller. La oss se nærmere på noen av dem.

Overvåket opplæring

Med læring med tilsyn blir en algoritme opplært i datasett som er merket. Dette betyr at når algoritmen tar en avgjørelse om en bit informasjon, kan den bruke merkene som følger med dataene til å kontrollere om denne avgjørelsen er korrekt. Med læring med tilsyn må dataene som modellene læres opp i leveres av mennesker. De merker dataene før de bruker dem til å lære opp algoritmen.

Opplæring som ikke overvåkes

Med læring uten tilsyn, blir algoritmer opplært i data som ikke inneholder merker eller informasjon som algoritmen kan bruke til å kontrollere avgjørelsene sine mot. I stedet sorterer og klassifiserer systemet dataene basert på mønstrene det gjenkjenner selv.

Forsterkningsopplæring

Med forsterkende læring løser et system oppgaver ved hjelp av prøving og feiling for å ta en rekke beslutninger i rekkefølge og oppnå et tiltenkt resultat, selv i et miljø som ikke er enkelt. Med forsterkende læring bruker ikke algoritmen datasett til å foreta bestemmelser, men heller informasjon som den samler fra et miljø.

Dyp forsterkende læring

Når teknikker for dyplæring og forsterkende læring kombineres, skaper de en type maskinlæring som kalles dyp forsterkende læring. Dyp forsterkende læring bruker den samme beslutningstakingen med prøving og feiling og komplekse måloppnåelsen som forsterkende læring, men er også avhengig av funksjonaliteter for dyplæring for å behandle og forstå store mengder ustrukturerte data.

Hva brukes dyplæring til?

Dyplæring brukes i bedrifter i en rekke bransjer til et bredt spekter av brukssituasjoner. Her er noen eksempler på hvordan dyplæring vanligvis brukes:

Bilde-, tale- og følelsesgjenkjenning

Programvare for dyplæring brukes for å øke nøyaktigheten i bilde-, tale- og emosjonsgjenkjenning, samt for å muliggjøre bildesøk, personlige digitale assistenter, førerløse kjøretøy, offentlig sikkerhet, digital sikkerhet og annen intelligent teknologi.

Chatroboter

Kunnskapsrike bedrifter bruker dyplæring til å drive tekst- eller stemmeaktiverte nettbaserte chatroboter for vanlige spørsmål, rutinemessige transaksjoner og spesielt for kundestøtte. De erstatter team av serviceagenter og køer av ventende kunder med automatiserte, kontekstuelt passende og nyttige svar.

Førerløse kjøretøy

Selvkjørende biler bruker algoritmer for dyplæring til å behandle flere dynamiske datastrømmer på brøkdelen av et sekund og reagere på det uventede raskere enn en menneskelig sjåfør.

Skreddersydde opplevelser

Strømmetjenester, e-handelsforhandlere og andre virksomheter bruker modeller for dyplæring til å drive automatiserte anbefalinger for produkter, filmer, musikk eller andre tjenester og til å perfeksjonere kundeopplevelser basert på kjøpshistorikk, tidligere oppførsel og andre data.

Personlige digitale assistenter

Stemmeaktiverte personlige digitale assistenter bruker dyplæring til å forstå tale, svare hensiktsmessig på spørringer og kommandoer på naturlig språk, og til og med på en humoristisk måte iblant.

Forstå nevrale nettverk

Nevrale nettverk er digitale arkitekturer designet for å etterligne menneskelig hjerneaktivitet. De består av sammenkoblede noder som prosesserer og lærer av data, noe som muliggjør oppgaver som mønstergjenkjenning og beslutningstaking i maskinlæring. Virksomheter og andre institusjoner stoler på disse modellene for finansiell prognose, salgsstrategier, og andre forretningsbeslutninger.

Hva er nevrale nettverk?

Et kunstig nevralt nettverk er en digital arkitektur som etterligner menneskelige kognitive prosesser for å modellere komplekse mønstre, utvikle prognoser og reagere på eksterne stimuli på riktig måte. Strukturerte data kreves for mange typer maskinlæring, kontra nevrale nettverk, som er i stand til å tolke hendelser i verden rundt dem som data som kan behandles.

Når du leser en rapport, ser på en film, kjører bil eller lukter på en blomst, behandler milliarder av nevroner i hjernen din informasjonen gjennom små elektriske signaler. Hvert nevron behandler inndata, og resultatene sendes til neste nevron for påfølgende behandling. Det sørger til slutt for umiddelbar forretningsinnsikt, latter, en fot på bremsen eller litt glede. I maskinlæring tillater nevrale nettverk digitale systemer å tolke og reagere på situasjoner på en lignende måte.

Et kunstig nevralt nettverk er som en hjerne full av digitale nevroner. Selv om de fleste av dem er enkle etterligninger av den virkelige tingen, kan de fortsatt behandle store mengder ikke-lineære data for å løse komplekse problemer som ellers kan kreve menneskelig innblanding. Som et eksempel kan bankanalytikere bruke kunstige nevrale nettverk til å behandle lånesøknader og forutsi sannsynligheten for at en søker misligholder.

Hva kan du gjøre med nevrale nettverk

I maskinlæring brukes nevrale nettverk til læring og modellering av komplekse, flyktige inndata og utdata, og til å utlede skjulte relasjoner og foreta prediksjoner uten begrensninger i datadistribusjon. Nevrale nettverksmodeller er grunnlaget for mange dyplæringsprogrammer, for eksempel visuelt innhold og behandling av naturlig språk, som kan bidra til å støtte svindelbeskyttelse, ansiktsgjenkjenning eller autonome kjøretøy.

De fleste bedrifter er avhengige av prognose for å informere forretningsbeslutninger, salgsstrategier, økonomipolicyer og ressursutnyttelse. Begrensningene ved tradisjonell prognose gjør det imidlertid ofte vanskelig å forutsi komplekse, dynamiske prosesser med flere og ofte skjulte underliggende faktorer, som for eksempel børskurser. Modeller for nevrale nettverksmodeller med dyplæring bidrar til å avdekke komplekse ikke-lineære relasjoner og usette faktorer, slik at bedrifter kan utvikle mer nøyaktige prognoser.

Vanlige nevrale nettverk

Det er dusinvis av forskjellige typer nevrale nettverk med kunstig intelligens, og hvert av dem er egnet for forskjellige dyplæringsprogrammer. Bruk et ANN (kunstig nevralt nettverk) som passer for bedriften din og de teknologiske kravene du har. Her er noen eksempler på vanlige nettverk med kunstig intelligens:

Konvolusjonelt nevralt nettverk
Utviklere bruker et konvolusjonelt nevralt nettverk for å hjelpe systemer med kunstig intelligens å konvertere bilder til digitale matriser. Brukt primært til bildegjenkjenning og objektklassifisering, er konvolusjonelle nevrale nettverk godt egnet for ansiktsgjenkjenning, temadetektering og sentimentanalyse.

Dekonvolusjonelt nevralt nettverk
Hvis komplekse eller høyvolums nettverkssignaler går tapt eller blandes med andre signaler, vil et dekonvolusjonelt nevralt nettverk bidra til å finne dem. Dekonvolusjonelle nevrale nettverk er nyttige for å behandle høyoppløselige bilder og optiske flytestimater.

Generativt motstridende nettverk
Ingeniører bruker et generativt motstridende nettverk for å trene modeller til å generere ny informasjon eller nytt materiale som etterligner de spesifikke egenskapene til treningsdataene. Generativt motstridende nettverk hjelper modellene med å skille subtile forskjeller mellom originaler og kopier for å lage mer autentiske kopier. Bruksområder for generative motstridende nettverk inkluderer bilde- og videoproduksjon med høy troverdighet, avansert ansiktsgjenkjenning og superoppløsning.

Tilbakevendende nevralt nettverk
Et tilbakevendende nevralt nettverk mater data inn i skjulte lag med spesifikke tidsforsinkelser. Nettverksberegning tar hensyn til historisk informasjon i nåværende tilstander, og høyere datainngang endrer ikke modellens størrelse. Tilbakevendende nevrale nettverk er et godt valg for talegjenkjenning, avansert prognostisering, robotteknologi og andre komplekse arbeidsbelastninger innen dyplæring.

Transformers
Transformatorer er utformet for å håndtere sekvensielle inndata. De er imidlertid ikke begrenset til å behandle disse dataene i sekvensiell rekkefølge. Transformatorer bruker i stedet oppmerksomhet – en teknikk som gjør det mulig for modeller å tilordne forskjellige nivåer av innflytelse til forskjellige deler av inndata og identifisere konteksten for individuelle deler av data i en inndatasekvens. Dette åpner for et økt parallelliseringsnivå, som kan redusere modellens opplæringstider.

Maskinlæring kontra nevrale nettverk

Selv om nevrale nettverk regnes som et delsett av maskinlæring, er det noen betraktelige forskjeller mellom nevrale nettverk og vanlige maskinlæringsmodeller.

For det første er nevrale nettverk generelt mer komplekse og i stand til å fungere mer uavhengig enn vanlige maskinlæringsmodeller. Et nevralt nettverk kan for eksempel på egen hånd avgjøre om prediksjonene og resultatene er nøyaktige, mens en maskinlæringsmodell vil trenge innspill fra en menneskelig ingeniør for å se denne forskjellen.

Nevrale nettverk er i tillegg strukturert slik at det nevrale nettverket kan fortsette å lære og ta intelligente beslutninger helt alene. Maskinlæringsmodeller, derimot, er begrenset til beslutningstaking basert bare på det de er blitt spesielt lært opp i.

RESSURSER

Dykk dypere inn i fordelene ved dyplæring

En kvinne med hvit skjorte som sitter ved en datamaskin.

Produkt

Kom i gang med dyplæring på Azure

Støtt bildegjenkjenning med nevrale nettverk, eller optimaliser behandling av naturlig språk med raske, enkle og nøyaktige BERT-modeller for behandling av naturlig språk. Utforsk hvordan du bygger, lærer opp og ruller ut alle typer dyplæringsmodeller med Azure Machine Learning.

Mer informasjon

En mann med hånden mot ansiktet som ser på en bærbar datamaskin.

Løsning

Utforsk maskinlæring for dataforskere

Lær hvordan du utvikler maskinlæringsløsninger i skyskala på Azure, og utforsk maskinlæringsverktøy for dataforskere og maskinlæringsingeniører.

Les mer

Hendelser

Azure-arrangementer og -nettseminarer

Lær nye ferdigheter, utforsk nye teknologier, og knytt kontakt med fagfolk – digitalt eller ansikt til ansikt.