Deep learning er et af de begreber, du hurtigt støder på, hvis du læser om kunstig intelligens. Men hvad er deep learning egentlig, og hvorfor bliver det nævnt så ofte i forbindelse med alt fra ChatGPT og billedgenkendelse til selvkørende biler og stemmestyring?
Kort fortalt er deep learning en metode inden for AI, hvor en computer lærer at finde mønstre i store mængder data. Det særlige er, at den bruger mange lag af kunstige neurale netværk til at lære gradvist, lidt som når du selv bliver bedre til noget ved at øve dig igen og igen. Det lyder teknisk, men idéen kan godt forklares helt enkelt.
I denne artikel får du en jordnær forklaring på, hvad deep learning er, hvordan det fungerer, hvad det bruges til, og hvor det adskiller sig fra andre former for kunstig intelligens. Du får også eksempler fra hverdagen, så det bliver lettere at se, hvorfor teknologien fylder så meget lige nu.
Hvad er deep learning?
Deep learning er en undergren af machine learning, som igen er en del af kunstig intelligens. Hvis vi skal tage det helt fra toppen, så handler kunstig intelligens om at få computere til at løse opgaver, som normalt kræver menneskelig tænkning. Machine learning er en måde at gøre det på, hvor computeren lærer ud fra data i stedet for kun at følge faste regler. Deep learning er så en mere avanceret version af machine learning.
Det, der kendetegner deep learning, er brugen af såkaldte kunstige neurale netværk med mange lag. Derfor hedder det “deep” learning. “Deep” betyder ikke, at teknologien tænker dybt som et menneske, men at netværket har flere lag, der arbejder sammen.
Du kan tænke på det som en proces i flere trin. Hvis en computer for eksempel skal genkende en kat på et billede, kan de første lag i netværket lære at opdage enkle ting som kanter, former og farver. De næste lag kan opdage mere komplekse mønstre som pels, øjne og ører. Til sidst kan systemet samle det hele og vurdere, om det sandsynligvis er en kat.
Det smarte er, at computeren ikke nødvendigvis får at vide præcis, hvilke detaljer den skal kigge efter. Den lærer selv mønstrene ud fra mange eksempler. Hvis den bliver trænet med tusindvis af billeder af katte og ikke-katte, kan den gradvist blive bedre til at skelne.
På den måde er svaret på spørgsmålet “hvad er deep learning” ret enkelt: Det er en metode, hvor computere lærer fra store datamængder ved hjælp af neurale netværk med mange lag.
Hvordan fungerer deep learning i praksis?
For at forstå deep learning bedre hjælper det at se på, hvordan læringen foregår. En deep learning-model bliver typisk trænet på store mængder data. Det kan være billeder, tekst, lyd eller tal. Under træningen forsøger modellen at lave en forudsigelse, hvorefter den får feedback på, om svaret var rigtigt eller forkert. Derefter justerer den sig selv en lille smule. Denne proces gentages mange gange.
Det minder lidt om at lære til en teoriprøve. Først svarer du måske forkert på mange spørgsmål. Men hver gang du får at vide, hvad det rigtige svar er, bliver du lidt klogere. Efter nok gentagelser begynder du at se mønstre og undgår de samme fejl.
I deep learning består modellen af mange små beregninger, der tilsammen skaber et netværk. Hver “forbindelse” i netværket har en vægt, som afgør, hvor meget et bestemt signal betyder. Under træningen bliver disse vægte justeret, så modellen gradvist bliver bedre til sin opgave.
Et enkelt eksempel med billeder
Forestil dig, at du vil træne en model til at kende forskel på billeder af æbler og pærer.
- Du giver modellen tusindvis af billeder af æbler og pærer.
- Hvert billede er mærket korrekt, så modellen ved, hvad den burde svare.
- Modellen gætter først ret tilfældigt.
- For hver fejl justerer den sine interne forbindelser.
- Efter mange runder bliver den bedre til at fange forskelle i form, farve og struktur.
Det afgørende er, at modellen selv finder de mønstre, der er nyttige. En traditionel computerløsning ville ofte kræve, at et menneske på forhånd beskrev regler som “et æble er rundt” eller “en pære er smallere foroven”. Deep learning kan i stedet lære det ud fra data.
Hvorfor kræver deep learning så meget data?
Deep learning fungerer bedst, når der er meget at lære af. Hvis du kun viser modellen 20 billeder, bliver den sjældent særlig god. Men hvis du viser den 200.000 billeder, får den et langt bedre grundlag for at forstå variationer. Den kan se æbler i forskelligt lys, fra forskellige vinkler og med forskellige baggrunde.
Det er også derfor, deep learning for alvor er blevet udbredt i takt med, at vi har fået adgang til store datamængder og kraftigere computere. Metoden har eksisteret i flere årtier, men det er især de seneste år, at den er blevet praktisk anvendelig i stor skala.
Hvad bruges deep learning til?
Deep learning bliver brugt i mange af de AI-løsninger, du allerede møder i hverdagen, også selv om du måske ikke lægger mærke til det. Teknologien er især god til opgaver, hvor der findes store mængder data, og hvor mønstrene er for komplekse til, at man let kan skrive faste regler for dem.
Genkendelse af billeder og video
En af de mest kendte anvendelser er billedgenkendelse. Her kan deep learning bruges til at finde ansigter på billeder, skelne mellem objekter eller analysere videooptagelser. Det kan for eksempel bruges i:
- Mobiltelefoner, der kan sortere dine billeder efter personer eller motiver
- Systemer, der tjekker kvaliteten af varer på en fabrik
- Medicinske værktøjer, der hjælper med at analysere scanninger
- Biler med avancerede førerassistentsystemer
Hvis din telefon automatisk kan finde billeder af din hund, dine ferier eller mad fra kamerarullen, er det et godt eksempel på, hvordan deep learning bliver brugt bag kulissen.
Sprog, tekst og chatbots
Deep learning bruges også i stor stil til at behandle sprog. Det gælder blandt andet:
- Chatbots og AI-assistenter
- Automatisk oversættelse
- Stavehjælp og forslag til næste ord
- Opsummering af tekster
- Søgemaskiner, der bedre forstår, hvad du mener
Når du skriver en besked, og din telefon foreslår det næste ord, er det et eksempel på, at et system har lært mønstre i sprog. Det betyder ikke, at det “forstår” tekst på samme måde som et menneske. Men det er blevet meget dygtigt til at forudsige, hvilke ord der sandsynligvis passer sammen.
Lyd og stemmer
Stemmegenkendelse er et andet område, hvor deep learning har gjort stor forskel. Tidligere var talegenkendelse ofte upræcis og stiv. I dag kan mange systemer forstå naturlig tale langt bedre. Det ser du blandt andet i:
- Stemmeassistenter på mobil og højttalere
- Automatisk tekstning af video
- Diktering, hvor tale bliver omdannet til tekst
- Kundeservice-løsninger, der analyserer samtaler
Det er muligt, fordi deep learning kan lære komplekse mønstre i lyd, tonefald og udtale på tværs af mange stemmer.
Anbefalinger og forudsigelser
Deep learning kan også bruges til at forudsige, hvad du måske vil se, købe eller lytte til. Streaming-tjenester, webshops og sociale medier bruger forskellige former for maskinlæring til anbefalinger, og deep learning kan være en del af den løsning.
Hvis du for eksempel har set flere danske krimiserier, kan en streamingtjeneste foreslå noget lignende. Systemet lærer mønstre i millioner af brugeres adfærd og forsøger at gætte, hvad der passer til dig.
Deep learning vs. machine learning: Hvad er forskellen?
Mange bruger begreberne lidt i flæng, men der er en vigtig forskel. Machine learning er den brede kategori, hvor computeren lærer ud fra data. Deep learning er en særlig type machine learning, som bruger neurale netværk med mange lag.
Du kan sammenligne det med transport. Hvis machine learning er “køretøjer” generelt, så er deep learning én bestemt type køretøj. Ikke alle machine learning-modeller er deep learning, men al deep learning hører under machine learning.
Hvornår vælger man deep learning?
Deep learning er især nyttigt, når:
- Der er meget store mængder data
- Opgaven er kompleks, for eksempel billeder, tale eller naturligt sprog
- Det er svært at skrive faste regler på forhånd
- Man har adgang til kraftig regnekraft
Andre machine learning-metoder kan være bedre, hvis datamængden er mindre, eller hvis problemet er mere enkelt og overskueligt. Deep learning er altså ikke automatisk den bedste løsning i alle tilfælde.
Fordele ved deep learning
- Kan finde komplekse mønstre, som er svære for mennesker at beskrive med regler
- Virker godt til billeder, tekst, lyd og video
- Kan forbedres markant med mere data
- Har drevet mange af de store fremskridt inden for moderne AI
Ulemper og begrænsninger
- Kræver ofte meget data og stor computerkraft
- Kan være svær at gennemskue, fordi modellen fungerer som en “sort boks”
- Kan lave fejl, hvis træningsdata er mangelfulde eller skæve
- Er ikke altid den mest energieffektive løsning
Det sidste punkt er vigtigt. Selvom deep learning kan være imponerende, er det ikke magi. Resultaterne afhænger i høj grad af kvaliteten af data og den måde, modellen er bygget og testet på.
Eksempler på deep learning i din hverdag
Hvis du tænker, at deep learning lyder som noget, der kun hører hjemme i store techfirmaer, så er det værd at se på, hvor ofte du sandsynligvis møder det allerede nu.
På din telefon
Mange smartphones bruger deep learning til kamera, ansigtsoplåsning, tale-til-tekst og smarte forslag, når du skriver. Når kameraet automatisk forbedrer et portrætbillede eller genkender nattefoto, bygger det ofte på modeller, der har lært mønstre i enorme mængder billeder.
I netbutikker og apps
Når en webshop foreslår produkter, eller en app tilpasser indhold til dine vaner, kan deep learning være med til at analysere adfærd og finde mønstre. Det betyder ikke nødvendigvis, at en model ved præcis, hvem du er som person, men den er trænet til at genkende sandsynlige præferencer ud fra data.
I sundhed og offentlig service
Inden for sundhed kan deep learning bruges som støtteværktøj til billedanalyse, for eksempel ved røntgenbilleder eller scanninger. Det er vigtigt at understrege, at sådanne systemer normalt bruges som hjælp til fagpersoner, ikke som erstatning for læger.
I det offentlige og i virksomheder bruges AI-løsninger også til at sortere dokumenter, analysere tekst og automatisere dele af kundeservice. Her kan deep learning indgå som en motor bag nogle af funktionerne.