Hvad er Deep Learning?
Deep learning er en kraftig form for machine learning, der bruger kunstige neurale netværk med mange lag til at løse komplekse opgaver. Det er deep learning, der gør, at AI kan genkende ansigter, forstå tale, oversætte sprog og generere tekst.
Ordet 'deep' henviser til de mange lag i netværket, ikke til en dybere form for intelligens. Hvert lag lærer at genkende stadig mere abstrakte mønstre, og det er den lagdeling, der giver metoden dens styrke på rå, ustruktureret data.
Deep learning er samtidig fundamentet under de store sprogmodeller og generativ AI. Resten af siden gennemgår, hvordan det virker, hvor det bruges, og hvornår en enklere metode faktisk er det bedre valg.
Hvordan virker deep learning?
Et neuralt netværk er løst inspireret af hjernens opbygning. Det består af noder, neuroner, organiseret i lag.
Inputlaget modtager rå data, for eksempel pixels fra et billede eller ord fra en tekst.
De skjulte lag er, hvor læringen sker. Hvert lag finder mønstre på et højere abstraktionsniveau: i billedgenkendelse fanger det første lag kanter, det næste former, og de dybere lag hele objekter.
Outputlaget giver resultatet, for eksempel en klassificering ('dette er en kat') eller en genereret tekst.
Under træningen justeres forbindelserne mellem neuronerne efter, hvor tæt modellens gæt rammer de rigtige svar. Med nok data og regnetid bliver den gradvist mere præcis. Det er også derfor, deep learning kræver både store datamængder og betydelig regnekraft, typisk på GPU'er.
Vi hjælper med at vurdere, om deep learning eller en enklere ML-metode er den rette vej til jeres opgave, og bygger løsningen derfra. Kontakt os for en indledende samtale.
Hvor bruges deep learning i erhvervslivet?
Computer vision: kvalitetskontrol i produktionen, automatisk dokumentbehandling (OCR), medicinsk billedanalyse og selvkørende køretøjer.
Sprog (NLP): chatbots, tekstopsummering, sentimentanalyse og de store sprogmodeller som GPT, Claude og Gemini.
Tale og lyd: talegenkendelse i kundeservice, stemmestyring og transskribering af møder og opkald.
Anbefalinger: streamingtjenester og webshops bruger deep learning til at foreslå det næste, du sandsynligvis vil have.
Fælles for dem er data, der ikke passer i pæne tabeller: billeder, lyd og tekst. Det er der, deep learning slår de klassiske metoder.
Hvad deep learning ikke er
Deep learning er ikke nødvendigt til alle AI-opgaver. Til mange forretningsproblemer, for eksempel forudsigelser på strukturerede tabeldata, er enklere machine learning ofte hurtigere, billigere og lettere at forklare.
Det er heller ikke gratis at køre. Deep learning kræver typisk store mængder data og betydelig regnetid, og det gør både opbygning og drift dyrere. Derfor er det mest oplagt, hvor opgaven er ustruktureret og kompleks nok til at retfærdiggøre det.
Og det er ikke en sort boks, man bare skal acceptere. På regulerede områder, hvor en beslutning skal kunne forklares, kan en enklere og mere gennemskuelig model være det rigtige valg, selvom deep learning ville ramme et par procent højere.
Relaterede termer
Machine learning er AI, der lærer af data frem for faste regler. Forstå de tre typer, hvordan en model bygges, og hvad virksomheder bruger det til.
Kunstig intelligens er paraplyen over systemer, der kan lære og handle. Forstå AI, ML, deep learning og generativ AI, og hvor det skaber værdi.
En foundation model er en stor, pretrænet AI-model, du bygger ovenpå. Forstå hvad der kendetegner dem, de førende modeller, og hvad de ikke er.
En LLM er en stor sprogmodel som GPT, Claude eller Gemini, der forstår og genererer tekst. Lær hvordan LLM'er virker, og hvordan virksomheder bruger dem.
Generativ AI skaber nyt indhold: tekst, billeder, kode. Se hvordan GenAI virker, hvad danske virksomheder bruger det til, og hvor det går galt.
Ofte stillede spørgsmål om deep learning
Hvad er forskellen på machine learning og deep learning?+
Machine learning er den overordnede kategori. Deep learning er en specifik metode, der bruger dybe neurale netværk. Deep learning er stærkest på ustruktureret data som billeder og tekst, mens enklere ML ofte er bedre til strukturerede tabeldata.
Har min virksomhed brug for deep learning?+
Hvis I arbejder med billeder, tekst, tale eller anden ustruktureret data, kan det være relevant. Til strukturerede data og klassiske forretningsanalyser er enklere ML ofte tilstrækkeligt og lettere at forklare.
Hvorfor kræver deep learning så meget regnekraft?+
Fordi netværkene har mange lag og millioner eller milliarder af parametre, der skal justeres under træningen. Det kræver specialiseret hardware, typisk GPU'er, og er en stor del af, hvorfor de største modeller er dyre at træne.