Hvad betyder Deep learning?
Deep learning betegner maskinlæring, hvor et neuralt netværk bearbejder information gennem flere lærte lag. Et lag omsætter input til en ny repræsentation, som det næste lag arbejder videre med. Det gør det muligt at beskrive komplekse mønstre uden at håndskrive hver enkelt egenskab.
I et billedsystem kan nogle lærte filtre reagere på enkle lokale mønstre, mens kombinationer af dem bidrager til at skelne mere sammensatte former. Det er en nyttig forklaring, men man bør ikke antage, at hvert lag har én menneskeligt forståelig opgave.
Ordet deep beskriver arkitekturen. Det er ikke et kvalitetsstempel og betyder ikke, at modellen forstår et emne dybt. En stor model kan stadig overse noget, en medarbejder finder åbenlyst, især hvis det nye input adskiller sig fra træningsmaterialet.
Hvordan lærer de mange lag?
Under træningen sammenlignes modellens output med det ønskede resultat eller et andet defineret træningssignal. En tabsfunktion beskriver afvigelsen. Backpropagation beregner, hvordan de lærte parametre påvirker tabet, og en optimeringsmetode ændrer dem gradvist.
Arkitektur, datakvalitet og træningsopsætning skal passe sammen. Flere lag kan øge kapaciteten, men også gøre forsøget dyrere og vanskeligere at kontrollere. Ofte er det mere relevant at tilpasse en eksisterende model end at træne fra bunden.
Sammenlign med et enklere alternativ
Deep learning er særligt interessant ved komplekse input som billeder, lyd og naturligt sprog. For en lille tabel med stabile forretningsdata kan en enklere statistisk model eller et beslutningstræ være et stærkt alternativ.
En god sammenligning omfatter fejl, svartid, vedligeholdelse og muligheder for at undersøge resultatet. Hvis den dybe model kun giver en lille forbedring, skal teamet kunne forklare, hvorfor de ekstra krav til drift og data er rimelige.
Et eksempel fra praksis
En producent vil hjælpe kvalitetsmedarbejdere med at finde overfladefejl på emner. En model baseret på deep learning kan markere områder på fotos, som bør undersøges. Kamera, belysning og placering holdes ens, og nye produktvarianter indgår i en særskilt test.
Pilotens mål er at reducere oversete fejl uden at sende næsten alle emner til manuel kontrol. Derfor vurderes både de fejl, modellen finder, og de raske emner den fejlagtigt markerer. Medarbejderen beholder beslutningen, mens teamet undersøger, om billederne faktisk indeholder de nødvendige signaler.
Typiske faldgruber
- Flere lag hjælper ikke, hvis billeder eller mærkninger er uegnede til opgaven.
- En model kan lære baggrund, kameratype eller produktplacering frem for den egenskab, I vil undersøge.
- En test på næsten identiske billeder kan overvurdere kvaliteten på nye produktserier.
Det skal I afklare
- Er opgaven kompleks nok til, at en dyb model giver en fordel?
- Kan I genbruge en eksisterende model og teste på egne data?
- Er forskellige driftsforhold repræsenteret i en uafhængig evaluering?
Spørgsmål og svar
Er deep learning det samme som machine learning?
Deep learning er en delmængde af machine learning. Maskinlæring omfatter også mange metoder uden dybe neurale netværk, eksempelvis beslutningstræer og lineære modeller.
Kræver det altid meget store egne datasæt?
Træning fra bunden kan kræve betydelige data og beregninger. Genbrug af en allerede trænet model kan mindske behovet, men en repræsentativ test af jeres konkrete opgave er stadig nødvendig.
Kilder og videre læsning
De tekniske begreber bygger på nedenstående kilder. Eksemplerne er illustrative og viser, hvordan I kan arbejde med emnet.
- Google: Neural networks ↗
- TensorFlow: Convolutional Neural Network ↗Eksempel på en billedmodel med flere lærte lag.