Hva kan nevrale nettverk gjøre?

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

• Bildegjenkjenning: brukt til å identifisere objekter i 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 bidrar til 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 transformere 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 tolkbarhet: nevrale nettverk er ofte "svarte bokser". I felt som helsevesen eller finans, hvor avgjørelser må være transparente, blir denne lave tolkbarheten en stor 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. Likevel har det, som alle verktøy, sine begrensninger, og det er viktig å bruke det der det gir mest mening.