Globoko učenje je veja strojnega učenja, ki uporablja umetne nevronske mreže z mnogo sloji. Takšne mreže se iz velikih količin podatkov naučijo, katere značilnosti so pomembne – od robov na slikah do pomenskih povezav v besedilih. Globoko učenje je podlaga današnjih jezikovnih modelov, prepoznavanja slik in govora ter strojnega prevajanja in običajno zahteva veliko računske moči in učnih podatkov.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevUmetne nevronske mreže (artificial neural networks, ANN) so računski modeli iz mnogih povezanih enot („nevronov“), razporejenih v sloje, ki vhode obdelujejo prek uteženih povezav. Med učenjem se uteži korak za korakom prilagajajo na primerih, običajno z vzvratnim razširjanjem napake. ANN so temelj globokega učenja in poganjajo prepoznavanje slik, prepoznavanje govora in velike jezikovne modele. Kljub biološkemu zgledu delujejo veliko preprosteje kot človeški možgani.
Strojno učenje je veja umetne inteligence, v kateri računalniki iz podatkov izpeljejo vzorce, namesto da bi bilo vsako pravilo izrecno programirano. Glede na nalogo se modeli učijo iz označenih primerov (nadzorovano), iz neoznačenih podatkov (nenadzorovano) ali prek nagrad (spodbujevalno). Aplikacije segajo od filtrov neželene pošte in napovedi povpraševanja do priporočil izdelkov. Kakovost je močno odvisna od količine in kakovosti učnih podatkov.
Konvolucijska nevronska mreža (CNN) je arhitektura nevronskih mrež, posebej primerna za slikovne podatke. Vnos pregleduje z majhnimi filtri, pri čemer v prvih plasteh zaznava preproste značilnosti, kot so robovi, v globljih pa kompleksnejše oblike. Mreže CNN so dolga leta oblikovale prepoznavanje slik in se uporabljajo na primer za odkrivanje napak na fotografijah izdelkov ali v analizi medicinskih slik.
Transformer je arhitektura nevronskih mrež, predstavljena leta 2017 v raziskovalnem članku „Attention Is All You Need“. Jedro je mehanizem pozornosti: vsaka beseda se pretehta glede na vse druge besede v besedilu, izračun pa je mogoče učinkovito vzporediti. Transformerji so podlaga današnjih jezikovnih modelov, kot so GPT, Claude in BERT, uporabljajo pa se tudi za slike in zvok.
