Hva kan nevrale nettverk gjøre?

Dyp læring, en gren av maskinlæring basert på prinsippene til kunstige nevrale nettverk, har enormt potensial og er allerede mye brukt på tvers av bransjer. Det er et moderne og kraftig verktøy som kan løse mange komplekse problemer som tidligere manglet effektive løsninger.

Nevrale nettverk brukes til ulike oppgaver i den virkelige verden på tvers av flere domener. Nedenfor er flere hovedkategorier av problemer de adresserer, sammen med eksempler:

• Bildegjenkjenning: brukt til å identifisere og klassifisere bilder innen områder som automatisk fotomerking på sosiale medier eller medisinsk diagnostikk, inkludert analyse av MR- og røntgenbilder:

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

• Tekstanalyse: dyp læring hjelper til med analyse og klassifisering av tekster. 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: disse 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?

Det finnes fortsatt kategorier av problemer som er vanskelige eller for øyeblikket umulige å løse ved hjelp av dyp læring eller nevrale nettverk:

• Bygging av kunstig generell intelligens (AGI): Til tross for betydelig fremgang, kan moderne nevrale nettverk ikke fullt ut replikere mangfoldet og tilpasningsevnen til menneskelig intelligens. Hvert nettverk er utformet for å utføre kun den spesifikke oppgaven det er trent for:

• Oppgaver med lite data: Dyp læring krever store mengder data for trening. Hvis det er lite data, kan modellen lære dårlig (underfitting) eller huske dataene uten å trekke ut nødvendige mønstre (overfitting):

• Høye krav til tolkbarhet: Nevrale nettverk omtales ofte som "svarte bokser" fordi det er vanskelig å forstå hvordan de kom frem til en bestemt konklusjon eller prediksjon. For noen områder, som medisin eller finans, hvor høy grad av åpenhet og forklarbarhet er nødvendig, kan dette være et problem:

• Oppgaver som krever streng overholdelse av regler: nevrale nettverk er gode til å lære fra data og forutsi basert på mønstre funnet i dataene, men de kan ha utfordringer med oppgaver der strenge regler eller algoritmer må følges nøyaktig (f.eks. løse ligninger):

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