Uczenie głębokie (deep learning) to gałąź uczenia maszynowego, która wykorzystuje sztuczne sieci neuronowe o wielu warstwach. Takie sieci uczą się z dużych ilości danych, które cechy mają znaczenie – od krawędzi na obrazach po relacje znaczeniowe w tekstach. Uczenie głębokie leży u podstaw dzisiejszych modeli językowych, rozpoznawania obrazów i mowy oraz tłumaczenia maszynowego i zazwyczaj wymaga znacznej mocy obliczeniowej oraz dużej ilości danych treningowych.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoSztuczne sieci neuronowe (ANN) to modele obliczeniowe złożone z wielu połączonych jednostek („neuronów”) ułożonych w warstwy, które przetwarzają dane wejściowe przez ważone połączenia. Podczas trenowania wagi są stopniowo dostosowywane na podstawie przykładów, zwykle metodą propagacji wstecznej. ANN są podstawą uczenia głębokiego i napędzają rozpoznawanie obrazów, rozpoznawanie mowy oraz duże modele językowe. Mimo biologicznej inspiracji działają znacznie prościej niż ludzki mózg.
Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery wyprowadzają wzorce z danych, zamiast mieć jawnie zaprogramowaną każdą regułę. W zależności od zadania modele uczą się na oznaczonych przykładach (nadzorowane), na danych nieoznaczonych (nienadzorowane) lub przez nagrody (ze wzmocnieniem). Zastosowania sięgają od filtrów spamu i prognoz popytu po rekomendacje produktów. Jakość silnie zależy od ilości i jakości danych treningowych.
Konwolucyjna sieć neuronowa (CNN) to architektura sieci neuronowej szczególnie dobrze przystosowana do danych obrazowych. Skanuje dane wejściowe za pomocą małych filtrów, wykrywając w pierwszych warstwach proste cechy, takie jak krawędzie, a w głębszych – bardziej złożone kształty. Sieci CNN przez wiele lat kształtowały rozpoznawanie obrazów i są wykorzystywane na przykład do wykrywania wad na zdjęciach produktów lub w analizie obrazów medycznych.
Transformer to architektura sieci neuronowych przedstawiona w 2017 roku w artykule naukowym „Attention Is All You Need”. Jej rdzeniem jest mechanizm uwagi: każde słowo jest ważone w relacji do wszystkich pozostałych słów w tekście, a obliczenia można efektywnie zrównoleglać. Transformery stanowią podstawę dzisiejszych modeli językowych, takich jak GPT, Claude i BERT, i są też wykorzystywane do obrazów i dźwięku.
