Dype kunstige nevrale nettverk» eller det vi ofte forkorter til «nevrale nettverk» (på engelsk deep neural network) kan defineres som en serie med algoritmer som prøver å gjenkjenne underliggende forhold i et datasett gjennom en prosess som noen ganger kan likne på den måten den menneskelige hjernen opererer på.
Nevrale nettverk har blitt sentralt i menneskehetens jakt på kunstig intelligens og brukes blant annet til tekstanalyse og bilde- og talegjenkjenning, der det ofte er vanskelig å formulere klare matematiske sammenhenger for å finne sammenhenger i dataen:
Trening av nevrale nettverk
Mens man tradisjonelt sett har brukt programmering for å gjøre datamaskinene smarte, bygger nevrale nettverk på ideen om å utvikle et selvlærende system. For at et nevralt nettverk skulle kunne lære å ta korrekte beslutninger, er det viktig å trene det nevrale nettverket (nevrale nettverk trenes opp istedet for å programmeres). Denne læreprosessen omtales ofte som dyp læring.
La oss ta et eksempel på hvordan man trener et nevralt nettverk:
Se for deg at du ønsker å identifisere en person basert på et bilde. Det man da vil gjøre er be systemet å matche et bilde med en database med navn og bilder av tusenvis av personer. Når systemet kommer med et svar, gir man beskjed til nettverket hva som var det riktige svaret og hvor stort avvik det var mellom systemets forslag og fasiten. Denne prosessen gjentas til systemet faktisk klarer å identifisere rett person. Les mer om trening av nevrale nettverk.
Det er nå en økende interesse for nevrale nettverk i markedet. En viktig årsak til dette er at vi omsider har fått store nok datamengder i kombinasjon med datamaskiner som er kraftige nok til å trene disse modellene.