Hvad kan neurale netværk gøre?

Deep learning, baseret på kunstige neurale netværk, er nu en central teknologi på tværs af industrier. Det løser komplekse opgaver, som tidligere var umulige eller krævede omfattende manuel indsats. Neurale netværk anvendes bredt i mange domæner:

• Billedgenkendelse: anvendt til identifikation af objekter på fotos, automatisk tagging på sociale medier og medicinsk billedanalyse (MRI, røntgenbilleder).

• Talegenkendelse: systemer som Siri, Google Assistant og Alexa anvender deep learning til at behandle og forstå menneskelig tale:

• Tekstanalyse: deep learning hjælper med analyse og klassificering af tekster. Dette omfatter kundeanmeldelser, nyhedsartikler, sociale medier og mere. Et eksempel er sentimentanalyse i tweets eller produktanmeldelser:

• Anbefalingssystemer: tjenester som Netflix eller Amazon anvender dyb læring til at tilbyde personlige anbefalinger baseret på tidligere brugeradfærd;
• Selvkørende biler: dyb læring gør det muligt for biler at genkende objekter, fodgængere, andre køretøjer, vejskilte og mere, og derefter træffe beslutninger baseret på de modtagne oplysninger:

• Ansigtsgenkendelse: dette anvendes i mange områder, fra oplåsning af telefoner til sikkerhedssystemer og nøglefri adgangssystemer:

• Generative opgaver: disse bruges til at skabe nye data, der efterligner noget af de oprindelige data. Eksempler omfatter oprettelse af realistiske billeder af ansigter, der ikke eksisterer i virkeligheden, eller transformation af et billede af et vinterlandskab til et sommerlandskab. Dette gælder også for opgaver relateret til tekst- og lydbehandling.

Hvad kan neurale netværk IKKE gøre?

På trods af deres alsidighed har neurale netværk stadig vigtige begrænsninger:

• Kunstig generel intelligens (AGI): Nuværende modeller kan ikke matche menneskets niveau af ræsonnement, tilpasningsevne eller bred forståelse. Et neuralt netværk udfører kun den opgave, det er trænet til.

• Opgaver med begrænset data: Deep learning kræver store datasæt. Med for lidt data vil modeller enten ikke lære mønstre (underfitting) eller blot huske eksempler (overfitting).

• Krav om høj fortolkelighed: Neurale netværk fungerer ofte som “black boxes.” Inden for områder som sundhedsvæsen eller finans, hvor beslutninger skal være gennemsigtige, udgør denne lave fortolkelighed en væsentlig barriere.

• Strengt regelbaserede opgaver: neurale netværk lærer af mønstre—ikke stiv logik. De egner sig ikke til opgaver, der kræver præcis regeloverholdelse, såsom løsning af ligninger eller udførelse af deterministiske algoritmer.

Generelt er deep learning et kraftfuldt værktøj, der kan løse mange problemer. Ligesom ethvert andet værktøj har det dog sine begrænsninger, og det er vigtigt at anvende det, hvor det giver mest mening.