Deep learning med kunstig intelligens

Deep learning er en form for kunstig intelligens, hvor et program selv lærer at genkende mønstre ved at se enorme mængder eksempler — i stedet for at en udvikler skriver reglerne i hånden. Det er teknologien bag, at din telefon kan kende dit ansigt, at en stemmeassistent forstår tale, og at moderne chatbots kan svare i sammenhængende sprog.

Navnet "deep" kommer fra de mange lag i et neuralt netværk, løst inspireret af hjernens nerveceller. Viser man det tusindvis af billeder af katte, opdager det selv — lag for lag — hvad en kat kendetegnes ved: kanter bliver til øjne og ører, ører bliver til ansigter. Ingen har fortalt det, hvad en kat er; det har sluttet sig frem ved at se nok eksempler.

Forskellen på almindelig programmering og deep learning ligger netop her. I klassisk software fortæller man maskinen præcis, hvad den skal gøre. I deep learning fodrer man den med data og facit, og den finder selv reglerne — og bliver mere træfsikker, jo mere relevant data den får.

Hvad det kræver, og hvad det ikke er

Tre ting afgør, om det lykkes: et klart formål (genkende fakturaer? forudsige frafald?), nok data af god kvalitet, og tålmodighed til at justere undervejs, til træfsikkerheden er høj nok. Det er ikke magi og ikke gratis — en model er kun så god som de data, den har set, og den arver de skævheder, der måtte ligge i dem. Til gengæld løser den opgaver, som er praktisk umulige at beskrive med faste regler, fx at skelne to næsten ens billeder fra hinanden.