Deep learning

Deep learning er en del af maskinlæring, hvor man bruger kunstige neurale netværk med mange lag til at lære komplekse mønstre direkte fra rå data som billeder, lyd og tekst. I praksis betyder det, at modellen selv finder funktioner i dataen i stedet for at få dem defineret i hånden. Deep learning er teknologien bag moderne billedgenkendelse, talegenkendelse og store sprogmodeller som GPT.

Sådan virker Deep learning i praksis

Forestil dig en serie filtre, der hver især ser data på et lidt andet niveau: et filter genkender kanter i et billede, et andet finder former, et tredje ser kombinationer af former. Når du sætter mange lag af sådanne filtre sammen, kan systemet genkende meget komplekse mønstre uden at nogen har skrevet reglerne. Analogien er en reol, hvor de nederste hylder holder rå materialer og de øverste hylder holder færdige rapporter; deep learning bygger rapporten selv, men det kræver plads og tunge flyttekasser.

For jer betyder "mange lag" konkret to ting: I skal bruge store mængder træningsdata, og I skal bruge regnekraft for at træne modellerne. Modellen justerer millioner eller milliarder af tal, kaldet parametre, for at få output til at passe på input. Når først en model er trænet, kan den dog ofte køre hurtigt til almindelige opgaver, men træningen er dyr og tidskrævende.

Hvorfor Deep learning dukker op i leverandørpræsentationer

Leverandører nævner deep learning, fordi det forklarer, hvorfor moderne AI pludselig virker så meget bedre end tidligere løsninger. Fra cirka 2012 skete et stort spring i mulighederne, drevet af bedre netværkstyper, mere data og billigere regnekraft. Det er ikke et separat produkt, men den metode, mange af de nye funktioner bygger på. Når en sælger siger "vi bruger deep learning", så spørg i stedet: hvilken data bruger I, og hvordan måler I resultaterne for min virksomhed.

Det betyder noget for beslutninger: deep learning kræver ofte meget mere data og bedre datastyring end traditionelle modeller. I skal vurdere, om jeres datasæt er store nok, om dataene er repræsentative, og hvem der har ansvar for at levere og kvalitetssikre dem.

Eksempel: Deep learning hos en dansk indkøbschef

Indkøbschefen i en mellemstor industriel virksomhed hører på en leverandørpræsentation tirsdag formiddag, tre uger før budgetmødet. Sælgeren lover bedre komponentgenkendelse i billeder for at undgå forkerte leverancer. Indkøbschefen giver adgang til 12.000 billeder fra lageret og fem års indkøbsdata, men billederne er fra telefoner, nogle er scannet, og mange varer er fotograferet med forskellige baggrunde. Den første prototype genkendte mange varenumre forkert, fordi træningsdataen var ujævn. Det tog to uger at rydde filnavne, samle labels og lave 1.500 nye billeder med ens baggrund. Resultatet var en model, der blev brugbar i testmiljøet, men projektet kostede tre ugers arbejde fra lagerteamet og ekstra indkøb af annoteringstimer. Læringen var klar: deep learning kan løse opgaven, men kun hvis dataene er ordentligt forberedt, og I er parate til at investere tid i at rette op på virkelighedens rod.

Deep learning er ikke det samme som Maskinlæring

Maskinlæring er det overordnede felt: det handler om at få en computer til at lære fra data. Deep learning er en underkategori, som bruger dybe neurale netværk. Der findes også andre metoder inden for maskinlæring, som decision trees eller simple regressionsmodeller, som ofte kræver færre data og mindre regnekraft. Derfor er det en forkert antagelse, at deep learning altid er den rigtige løsning; nogle gange er enklere machine learning-metoder hurtigere og billigere at implementere.

Hvad du skal være opmærksom på

Deep learning kræver data, regnekraft og en klar plan for vedligehold. Spørg altid: hvor kommer træningsdata fra, hvem ejes den, og hvordan opdateres modellen, når forholdene ændrer sig. Vær opmærksom på bias i data: hvis træningen kun har billeder fra et sted, virker modellen dårligt andre steder. Modeller kan heller ikke forklare på et menneskeligt niveau, hvorfor de traf en bestemt beslutning, så forvent ikke fuld forklaring i alle tilfælde. Endelig: træningsomkostninger kan være høje, men ikke alle anvendelser kræver træning fra bunden; nogle gange kan I bruge allerede trænede modeller som GPT eller finjustere en eksisterende model.

Deep learning er en effektiv teknik til mange opgaver, men det er ikke en trylleformular. Brug den, når I har data og en realistisk plan for drift og ansvar... men ikke hvis I tror, den løser problemer uden menneskelig indsats.

Skal flere end én i huset kunne noget med deep learning, så se, hvordan en AI-workshop er skruet sammen. Vil I have et bud på, om deep learning overhovedet er jeres næste skridt, så er det dét, AI-rådgivning er til for.