Anvendelser av dyp læring i den virkelige verden

Hva kan nevrale nettverk gjøre?

Dyp læring, basert på kunstige nevrale nettverk, er nå en kjerne­teknologi på tvers av bransjer. Den løser komplekse oppgaver som tidligere var umulige eller krevde mye manuelt arbeid. Nevrale nettverk brukes mye innen mange områder:

• Bildegjenkjenning: brukt til å identifisere objekter på bilder, automatisk merking på sosiale medier og medisinsk bildeanalyse (MR, røntgenbilder).

• Talegjenkjenning: systemer som Siri, Google Assistant og Alexa bruker dyp læring for å behandle og forstå menneskelig tale:

• Tekstanalyse: dyp læring brukes til analyse og klassifisering av tekst. Dette inkluderer kundeanmeldelser, nyhetsartikler, sosiale medier og mer. Et eksempel er sentimentanalyse i tweets eller produktanmeldelser:

• Anbefalingssystemer: tjenester som Netflix eller Amazon bruker dyp læring for å tilby personlige anbefalinger basert på tidligere brukeradferd;
• Selvkjørende biler: dyp læring gjør det mulig for biler å gjenkjenne objekter, fotgjengere, andre kjøretøy, trafikkskilt og mer, og deretter ta beslutninger basert på mottatt informasjon:

• Ansiktsgjenkjenning: dette brukes i mange områder, fra opplåsing av telefoner til sikkerhetssystemer og nøkkelfrie adgangssystemer:

• Generative oppgaver: brukes til å lage nye data som etterligner noe av de opprinnelige dataene. Eksempler inkluderer å lage realistiske bilder av ansikter som ikke eksisterer i virkeligheten, eller å forvandle et bilde av et vinterlandskap til et sommerlandskap. Dette gjelder også oppgaver knyttet til tekst- og lydbehandling.

Hva kan nevrale nettverk IKKE gjøre?

Til tross for sin allsidighet har nevrale nettverk viktige begrensninger:

• Kunstig generell intelligens (AGI): dagens modeller kan ikke matche menneskelig resonnering, tilpasningsevne eller bred forståelse. Et nevralt nettverk utfører kun oppgaven det er trent for.

• Oppgaver med lite data: dyp læring krever store datasett. Med for lite data klarer ikke modellene å lære mønstre (underfitting) eller de husker eksemplene uten å generalisere (overfitting).

• Krav om høy tolkningsbarhet: nevrale nettverk er ofte "svarte bokser." I felt som helsevesen eller finans, hvor avgjørelser må være transparente, blir denne lave tolkningsbarheten en betydelig barriere.

• Strengt regelbaserte oppgaver: nevrale nettverk lærer fra mønstre—ikke rigid logikk. De egner seg dårlig for oppgaver som krever presis regeloppfølging, som å løse ligninger eller utføre deterministiske algoritmer.

Generelt er dyp læring et kraftig verktøy som kan løse mange problemer. Men som alle verktøy har det sine begrensninger, og det er viktig å bruke det der det gir mest mening.