Co je hluboké učení?
Hluboké učení (deep learning) je odvětví strojového učení, které využívá neuronové sítě s mnoha vrstvami poskládanými na sobě. Slovo hluboké odkazuje právě na tu hloubku: víc vrstev, ne hlubší myšlení. Každá vrstva data trochu přetvoří a pošle dál a dohromady se vrstvy naučí proměnit surový vstup, třeba pixely fotky, v užitečnou odpověď, například „tohle je kočka“.
Od staršího strojového učení se hluboké učení liší tím, že mu neříkáte, čeho si má všímat. Starší metody potřebovaly odborníka, který předem ručně vybral užitečné signály, takzvané příznaky (features). Hluboká síť si je objeví sama. První vrstvy se naučí jednoduché věci jako hrany a barvy, pozdější je skládají do tvarů a objektů. Právě schopnost učit se příznaky přímo ze surových dat je důvod, proč dnes hluboké učení stojí za rozpoznáváním obrázků, řečí i velkými jazykovými modely.
Lidsky řečeno
Představte si výrobní linku, kde každé stanoviště přidá jeden malý krok. První vidí jen hrubý materiál a obrousí hranu. Další přidá díl, další zkontroluje, jestli sedí, a na konci sjede hotový výrobek. Žádné stanoviště nezná celý výrobek, ale linka jako celek ho postaví. Hluboké učení je tahle linka, jen si stanoviště navíc sama přijdou na to, co mají dělat, tím, že to nacvičí na tisících příkladů.
Proč na tom záleží
- Učí se ze surových dat. Předhodíte mu fotky, zvuk nebo text a vzorce si najde samo, s mnohem menším ručním přípravným úsilím než starší metody.
- Zvládá neučesané vstupy z reálného světa. Obličeje, řeč a volně psaný jazyk jsou přesně ten typ úloh, ve kterých je hluboké učení dobré.
- Je to motor moderní AI. ChatGPT, hlasoví asistenti i vnímání u samořídících aut stojí na hlubokých neuronových sítích.
Na co si dát pozor
- Má hlad po datech a výkonu. Hluboké učení potřebuje velké datové sady a pořádný hardware. S málem dat často vyhrají jednodušší metody.
- Je to černá skříňka. Hluboký model může mít pravdu, aniž by někdo dokázal přesně vysvětlit proč, což je skutečný problém v regulovaném prostředí.
- Naučí se i neduhy vašich dat. Předsudky a mezery v trénovacích datech se propíšou do výsledků. Pořád platí: co do něj vložíte, to dostanete.
Související články
- Machine Learning vs Deep Learning - Jak se hluboké učení liší od klasického strojového učení, vedle sebe.
- Co je neuronová síť? - Stavební kámen, ze kterého je každý model hlubokého učení složený.
- Co je to LLM? - Velký jazykový model je hluboké učení uplatněné na jazyk ve velkém měřítku.
Chcete být o krok napřed?
Nenechte si utéct naše nejlepší postřehy. Žádný spam, jen praktické analýzy, pozvánky na exkluzivní eventy a shrnutí podcastů přímo do vaší schránky.