Dyp læring eller det man på engelsk kaller «deep learning» muliggjør avanserte automatiseringsoppgaver.
Dyp læring er en læreprosess der man trener opp nevrale nettverk. Dette er sentralt innen maskinlæring og drømmen om å utvikle kunstig intelligens.
Dyp læring brukes i dag blant annet i forbindelse med simultanoversettelser mellom språk i sanntid og talegjenkjenning med smarthøytalere, men også innen medisin for å spesialtilpasse medisin til hver enkelt pasient eller for å hjelpe leger å lese medisinske bilder på jakt etter riktig diagnose.
Eksempler på dyp læring
La oss se på et enkelt eksempel på hvordan dyp læring eller «deep learning» fungerer.
Se for deg at du skal spå prisen på en leilighet som skal selges. Da vil du som en voksen og erfaren person raskt etterspørre informasjon som kan påvirke prisen. Alt fra størrelse og antall rom til tilgang på parkeringsplass og plassering i byen vil trolig oppfattes som relevant. For å gjøre en slik markedsanalyse med mye input, vil hjernen raskt forsøke å dele informasjonen inn i ulike kategorier (f.eks geografi, tilgjengelighet til skole/kollektivtrafikk og familievennlighet), slik at det blir lettere å få oversikt. I tillegg kreves selvfølgelig en del prøving og feiling (livserfaring som mange vil kalle det) for å kunne gi et nøyaktig og godt prisestimat.
På samme fungerer dyp læring: Du må gi systemet masse input som deretter kategoriseres i et forsøk på å predikere output ved hjelp av masse prøving og feiling. For å lykkes med å analysere input og kategorisere denne informasjonen brukes nevrale nettverk.
Selv bruker vi i Sannsyn blant annet dyp læring for å predikere den fremtidige utviklingen til aksjefond for finansbransjen.
«Sort boks»
Når man snakker om kunstig intelligens, kommer man raskt inn på utfordringene med mangelen på transparens. Det kan for eksempel være en utfordring for en bankkunde som får avslag på et lån, der man i etterkant ikke kan svare godt på hvorfor kunden har fått avslått sin lånesøknad.
I disse tilfellene er det ofte dyplæringsalgoritmer som har vært i bruk. Man omtaler disse ofte som en «sort boks», der man ikke har innsyn i modellen og derfor ikke kan forklare hvorfor en gitt inndataverdi gir et gitt resultat.
Vi presiserer at normalt er metodene etterprøvbare og mulig å dokumentere, men det er viktig å være klar over utfordringen med den «sorte boksen». Særlig i de tilfeller der forklarbarhet er sentralt, anbefaler vi å bruke AI-teknikker som ikke skaper slike utfordringer.
Sannsyn og dyp læring
Sannsyn har jobbet med dyp læring og trening av nevrale nettverk i mange år og regnes som et av Norges mest erfarne selskaper på dette området.
De mest brukte rammeverkene for dyp læring, er utviklet av TensorFlow og PyTorch, utviklet av henholdsvis Google og Facebook.