Vad är djupinlärning?
Beskrivning av djupinlärning
Vid djupinlärning byggs AI-modellen upp på ett sätt som liknar den mänskliga hjärnans neuronnät. Det artificiella neuronnätet består av tre delar:
- ett inlager (”input layer”)
- ett eller flera gömda lager (”hidden layer”)
- och ett utlager (”output layer”).
Om det finns fler än ett gömt lager anses det vara fråga om djupinlärning. Hur många lager som modellen består av beror på hur mycket data modellen ska tränas på, och kan variera kraftigt.
Process vid djupinlärning – från data till AI-modell
Djupinlärningen sker genom att en algoritm förses med ett känt set med träningsdata och sedan lär sig att på egen hand utföra en uppgift. Det sker genom att algoritmen får en viss mängd indata och sedan producerar utdata. Indata kan till exempel vara en bild på ett föremål, och utdata kan vara svaret på vad bilden föreställer, det vill säga resultatet.
För indata anges ett värde för hur de ska viktas, det vill säga hur mycket indata som ska påverka slutresultatet (utdata). Ju mer indata algoritmen ska förses med, och som ska viktas, desto fler gömda lager kan behövas i modellen.
Värdet för viktningarna justeras under träningen för att ett så bra slutresultat som möjligt ska kunna uppnås. Det sker oftast genom att den arbetar bakåt i nätverket för att utföra justeringarna. På engelska kallas denna process för ”backpropagation”.