Forstå forskellen mellem dyb læring og maskinlæring

Jeg bliver ofte spurgt hvad forskellen er på maskinlæring og dyb læring, og jeg forstår godt forvirringen. De to begreber bliver brugt i flæng, og mange tror det er det samme. Det er det ikke, men de hænger sammen på en måde der kan være svær at gennemskue hvis man ikke arbejder med det dagligt.

Dyb læring er en underkategori af maskinlæring, som igen er en del af kunstig intelligens

Indholdsfortegnelse

• 1 Maskinlæring
• 2 Dyb Læring
  • 2.1 Forskellen i praksis
• 3 Kilder og referencer

Maskinlæring

Maskinlæring er en gren af kunstig intelligens hvor maskiner lærer fra data i stedet for at blive programmeret til hver enkelt opgave. Tænk over det. I stedet for at skrive regler for hvad en maskine skal gøre i hvert eneste scenarie, giver man den en bunke data og siger ‘find selv ud af det’. Så kører den statistiske beregninger, finder mønstre og bliver gradvist bedre til at forudsige resultater. Det er faktisk ret elegant når man tænker over det.

Jeg ser det tit i mit arbejde med kunder. Googles algoritme bruger maskinlæring til at vurdere hvilke sider der skal ranke højest, og den bliver hele tiden klogere baseret på brugerdata. Det er maskinlæring i praksis, og det påvirker bogstaveligt talt alle de sites jeg arbejder med.

Den mest almindelige metode er overvåget læring hvor modellen trænes på data hvor svarene allerede er kendt. Lidt ligesom at give en elev facitlisten mens de øver sig. Men der er også uovervåget læring, hvor modellen selv prøver at finde struktur i data der ikke er markeret på forhånd. Herudover findes der semi-overvåget læring og forstærkningslæring, som har deres egne styrker alt efter hvad man prøver at opnå.

Klik her for at læse mere om maskinlæring

Dyb Læring

Dyb læring tager maskinlæring et stort skridt videre. Her bruger man neurale netværk med mange lag, inspireret af hvordan den menneskelige hjerne fungerer. Og det er her det bliver rigtig interessant, for dyb læring kan håndtere opgaver som traditionel maskinlæring simpelthen ikke kan klare.

Jeg husker første gang jeg for alvor forstod forskellen. Traditionel maskinlæring kræver at et menneske fortæller systemet hvad det skal kigge efter, man kalder det feature-ekstraktion. Dyb læring finder selv ud af hvad der er vigtigt i dataen. Den ser mønstre som vi mennesker aldrig ville opdage på egen hånd. Det er det der gør teknologien så stærk til billedgenkendelse, talegenkendelse og naturlig sprogforståelse.

Klik her for at læse mere om dyb læring

Forskellen i praksis

De vigtigste forskelle mellem maskinlæring og dyb læring

Så hvad er den egentlige forskel når man skærer ind til benet? Det koger ned til tilgangen:

• Maskinlæring bruger en bred vifte af algoritmer til at finde mønstre i data og forudsige resultater. Men den har brug for at et menneske hjælper med at pege på hvad der er vigtigt. Jeg plejer at sammenligne det med en hund man træner, den lærer hurtigt men har brug for en der viser vejen.
• Dyb læring bruger avancerede neurale netværk der selv finder ud af hvad de skal kigge efter i enorme datamængder. Det er derfor systemer som ChatGPT kan skrive tekst der føles menneskelig og billedgenkendelse kan identificere din kat på et foto ud af millioner af billeder.
• Dyb læring kræver markant mere data og regnekraft end traditionel maskinlæring. Så valget mellem de to handler i praksis om hvad du prøver at løse, hvor meget data du har, og om du har adgang til den regnekraft der skal til. For mange opgaver er maskinlæring stadig det rigtige valg.

Kilder og referencer

1. Stanford CS229: Machine Learning
   Stanfords kursus i maskinlæring
   cs229.stanford.edu

1. MIT Deep Learning
   MIT’s ressourcer om dyb læring
   deeplearning.mit.edu

1. Google AI Blog
   Aktuel forskning i maskinlæring og dyb læring
   ai.googleblog.com