Artikel

Dyb læring vs. maskinlæring: Hvad er forskellen?

Her er den letteste måde at huske forskellen mellem dyb læring og maskinlæring: Al dyb læring er maskinlæring, men al maskinlæring er ikke dyb læring.

Af Patrick Grieve, Tekstforfatter

Udgivet 9. Marts 2022
Senest opdateret 9. Marts 2022

Det kan virke overvældende at få overblik over den seneste udvikling inden for kunstig intelligens (AI), men hvis du er interesseret i få styr på det basale, kan man koge mange AI-innovationer ned til to grundlæggende koncepter: maskinlæring og dyb læring. Der findes eksempler på maskinlæring og dyb læring over alt. Det er det, der gør det muligt at have selvkørende biler, det er sådan Netflix ved, hvilke serier, du gerne vil se, og måden hvorpå Facebook genkender et ansigt på et billede. Maskinlæring og dyb læring er to buzzwords, der kan virke meget ens, men der er forskel på dem. Så hvad betyder de to koncepter, der dominerer samtalerne om AI, egentlig, og hvordan adskiller de sig fra hinanden? Læs videre for at få mere at vide.

Dyb læring vs. maskinlæring

For at forstå forskellen mellem maskinlæring og dyb læring skal man først og fremmest anerkende, at dyb læring er maskinlæring. Dyb læring anses for at være en videreudvikling af maskinlæring. Det bygger på et programmerbart neuralt netværk, der gør det muligt for maskiner at tage præcise beslutninger uden hjælp fra mennesker. Men lad os først definere maskinlæring.

Hvad er maskinlæring?

Definition af maskinlæring: Et applikation under kunstig intelligens med algoritmer, der analyserer data, lærer af data og derpå bruger det, den har lært, til at tage velfunderede beslutninger.

Hvordan virker maskinlæring?

Et let eksempel på en maskinlæringsalgoritme er en on-demand musikstreamingtjeneste. For at denne tjeneste kan vide, hvilke sange eller kunstnere, den skal anbefale til lytteren, kobler maskinlæringsalgoritmen lytterens præferencer med andre lyttere, der har en lignende musiksmag. Denne teknik, der typisk kendes som AI, bruges i mange tjenester, der tilbyder automatiserede anbefalinger. Maskinlæring involverer en masse kompleks matematik og kodning, som – når alt kommer til alt – har samme mekaniske funktion som et lommelygte, en bil eller computerskærm. Når vi siger, at noget fungerer med "maskinlæring", betyder det, at det er en funktion, der bruger den data, den bliver givet, og som bliver bedre med tiden. Det fungerer på samme måde, som hvis du havde en lommelygte, der tændte, hver gang du sagde: "Det er mørkt" – så ville den genkende forskellige sætninger, der indeholder ordet "mørk". Maskinlæring understøtter forskelligeautomatiserede opgaver på tværs af forskellige industrier og brancher, fra datasikkerhedsvirksomheder, der finder malware, til finansfolk, der bruger det til varsling om fordelagtige handler. AI-algoritmerne er programmerede til hele tiden at lære på en måde, der simulerer en rigtig personlig assistent – og de gør det ret godt. Måden, som maskiner kan lære nye tricks på, er rigtig interessant (og spændende), når vi bevæger os videre og ser på dyb læring og dybe neurale netværk.

Hvad er dyb læring?

Definition af dyb læring: En underkategori af maskinlæring, der strukturerer algoritmer i lag for at skabe et "kunstigt neuralt netværk", som kan lære og som tager intelligente beslutninger på egen hånd.

Hvordan virker dyb læring?

En dyb læring-model er designet til hele tiden at analysere data med en logisk struktur på samme måde, som et menneske drager konklusioner. For at færdiggøre denne analyse, bruger dyb læring-applikationer lagdelte algoritmer kaldet et kunstigt neuralt netværk. Det kunstige neurale netværks design er inspireret af det biologiske netværk af neuroner i den menneskelige hjerne, der resulterer i et læringssystem, der kan meget mere end de almindelige maskinlæringsmodeller. Det er svært at sikre, at dyb læring-modeller ikke drager de forkerte konklusioner – ligesom andre eksempler med AI, kræver det meget træning at lave læringsprocesserne korrekt. Men når det virker efter hensigten, er funktionel dyb læring ofte genstand for videnskabelig beundring, som mange anser for at være rygraden i ægte kunstig intelligens. Et godt eksempel på dyb læring er Googles AlphaGo. Google udviklede et computerprogram med sit eget neurale netværk, der lærte at spille brætspillet Go, som er kendt for at kræve et stort intellekt og en god intuition. Ved at spille mod forskellige professionelle Go-spillere, lærte AlphaGos dyb læring-model at spille på et niveau, man ikke havde set før AI, og den gjorde det uden at få at vide, hvornår den skulle lave et træk (som det ville kræve med en almindelig maskinlæringsmodel). Det skabte en del opmærksomhed, da AlphaGo slog flere verdenskendte "mestre" af spillet – der var ikke kun tale om en maskine, der kunne forstå spillets komplekse teknikker og abstrakte aspekter, den var også blevet en af de bedste spillere. Det var en kamp mellem menneskelig og kunstig intelligens, og sidstnævnte vandt. Andre eksempler kunne være en billedgenkendelsesapp, der kan identificere en blomst eller fugleart ud fra et billede. Denne billedklassificering er understøttet af et dybt neuralt netværk. Dyb læring guider også talegenkendelse, oversættelse og kører rent faktisk selvkørende biler.

Forskellen mellem maskinlæring og dyb læring

Dyb læring er praktisk talt bare en underkategori af maskinlæring. Faktisk er dyb læring maskinlæring, og det fungerer på en lignende måde (hvilket også er årsagen til, at de to begreber tit forveksles). Men det, de kan, er ikke det samme. Selvom basale maskinlæringsmodeller bliver bedre og bedre til at udføre deres specifikke funktioner, efterhånden som de indoptager mere data, har de stadig brug for hjælp fra et menneske. Hvis en AI-algoritme laver en unøjagtig forudsigelse, må en ingeniør træde til for at lave de nødvendige justeringer. I en dyb læring-model kan algoritmen selv afgøre, om forudsigelsen er præcis eller ej baseret på informationen i sit eget neurale netværk – uden hjælp fra et menneske. Lad os se på eksemplet med lommelygten igen: Den kan programmeres til at tænde, når den genkender lyden af nogen, der siger ordet "mørk". Jo mere den lærer, vil den måske endda kunne udføre den opgave, når den hører enhver sætning, der indeholder det ord. Men hvis lommelygten fik indkodet en dyb læring-model, kunne den selv regne ud, at den skal tænde ved stikordene "jeg kan ikke se" eller "kontakten virker ikke", måske i samspil med en lyssensor. En dyb læring-model kan lære via sin egen beregningsmetode – en teknik, der får det til at se ud som den har sin egen hjerne. Hvis vi skal opsummere, er de vigtigste forskelle mellem maskinlæring og dyb læring:

  • Maskinlæring bruger algoritmer til at analysere data, lære af den data og foretage velfunderede beslutninger baseret på det, den har lært.
  • Dyb læring strukturerer algoritmer i lag for at skabe et "kunstigt neuralt netværk", der kan lære og tage intelligente beslutninger af sig selv.
  • Dyb læring er en underkategori af maskinlæring. Selvom de begge hører til i den brede kategori, der hedder kunstig intelligens, er dyb læring det, der understøtter den mest menneskelignende AI.

dyb læring vs. maskinlæring

Hvilke forskellige typer af maskinlæring findes der?

Lad os tage det et spadestik dybere og se nærmere på de tre vigtigste typer af maskinlæring, og hvordan de adskiller sig fra hinanden.

1. Læring med tilsyn

Som du nok allerede har gættet, kræverdenne underkategori af maskinlæring mest tilsyn. Man giver en computer noget træningsdata og en model til at svare på data. Efterhånden som ny data bliver tilført computeren, fører en dataingeniør tilsyn med processen ved at bekræfte computerens korrekte svar og ved at korrigere computerens forkerte svar. Forstil dig for eksempel en programmør, der prøver at lære en computer, hvordan man ser forskel på en hund og en kat. Så ville de give computeren et sæt navngivne data: i dette tilfælde tydelige billeder af katte og hunde. Med tiden ville modellen kunne begynde at genkende mønstre – såsom at katte har knurhår eller at hunde kan smile. Programmøren begynder herefter at give computeren unavngivne data (uidentificerede billeder) og teste modellen på dens evne til at identificere hunde og katte.

2. Læring uden tilsyn

Læring med tilsyn kræver, at man giver modellem alle de "korrekte svar" (navngivne data) som en måde at lære den, hvordan den skal identificere de unavngivne data. Det er det samme som at bede nogen om at læse en fuglebog og så bruge flashcards til at teste, om de har lært at identificere de forskellige arter selv. Modsat handler læring uden tilsyn om kun at give computeren unavngivne data og så lade modellen finde mønstrene på egen hånd. Denne maskinlæringsmetode bruges som regel i situationer, hvor man ikke ved, hvordan resultaterne ser ud, så man har brug for computeren til at grave sig igennem de skjulte lag af data og dataklynger (eller -grupper) baseret på ligheder eller forskelle. Lad os for eksempel sige, at jeres virksomhed gerne vil analysere data for at identificere kundesegmenter. Men I ved endnu ikke hvilke segmenter, der findes. Så ville I skulle give den ikke-superviserede mode unavngivne data, så den kan definere sine egne kategorier af kundesegmenter.

3. Forstærket læring

Den forstærkede læringsmetode er en tilgang baseret på at prøve sig frem, så modellen lærer at bruge feedback fra sine egne handlinger. Computeren modtager "positiv feedback", når den forstår eller klassificerer data korrekt og "negativ feedback", når den gør det forkert. Ved at "belønne" korrekte handlinger og "straffe" de forkerte, styrker denne læringsmetode den tidligere. (Og det adskiller forstærket læring fra læring med tilsyn, hvor en dataingeniør ganske enkelt bekræfter eller korrigerer modellen i stedet for at belønne eller straffe den). Forstærket læring bruges til at hjælpe makinerne med at mestre de komplekse opgaver, der følger med enorme datasæt såsom at køre en bil. Ved at prøve sig frem lærer programmet at tage en række beslutninger, som er nødvendige for processer med mange trin.

Hvilke forskellige typer af dyb læring findes der?

Maskinlæring gør computere i stand til at løse bemærkelsesværdige opgaver, men de kommer stadig til kort, når det gælder efterligning af den menneskelige intelligens. Dybe neurale netværk er omvendt designet som den menneskelige hjerne og repræsenterer dermed et endnu mere sofistikeret niveau af kunstig intelligens. Der er forskellige typer af dyb læring-algoritmer. Vi ser her nærmere på de mest populære modeller.

Neurale konvolutionsnetværk

Neurale konvolutionsnetværk (CNN'er) er algoritmer, der er designet specifikt til billedbehandling og -genkendelse. "Konvolutionen" er en unik process, der filtrerer et billede for at vurdere alle elementerne i det. CNN'er bruges ofte til Computer Vision, et felt under AI, der lærer maskiner at processere den visuelle verden. Ansigtsgenkendelsesteknologi er en almindelig brug af Computer Vision.

Rekurrente neurale netværk

Rekurrente neurale netværk (RNN'er) har indbyggede feedback-loops, der lader algoritmerne "huske" tidligere datapunkter. RNN'er kan bruge denne hukommelse til at underbygge deres forståelse af nuværende begivenheder eller endda til at forudsige fremtiden. Et dybt neuralt netværk kan "tænke" bedre med en kontekst på dette niveau. For eksempel kan kort-apps, der understøttes af en RNN, "huske", hvornår trafikken typisk bliver tættere. Den bruger derfor denne viden til at anbefale en alternativ rute, når myldretiden er ved at indfinde sig.

Data som fremtidens brændstof

Med den enorme mængde nye data, der i øjeblikket produceres i det man kalder "Big Data"-æraen, er det blot et spørgsmål om tid, før vi ser innovationer, vi endnu ikke kan forestille os. Ifølge datascience-eksperter, vil nogle af disse nybrud højst sandsynligt være dyb læring-applikationer. Andrew Ng, tidligere Chief Scientist på Kinas største søgemaskine, Baidu, og en af lederne bag Google Brain Project, delte et billede på dyb læring-modeller med Wired: “Jeg synes, at AI kan sammenlignes med at bygge en rumraket – man skal bruge en kæmpestor motor og en masse brændstof,” fortalte han til Wired-journalisten Caleb Garling. “Hvis du har en stor motor og meget lidt brændstof, kommer du ikke i kredsløb om Jorden. Hvis du har en lille mor og en masse brændstof, kan den ikke engang løfte sig fra jorden. For at bygge en rumraket skal man bruge en kæmpestor motor og en masse brændstof. Det kan sammenlignes med dyb læring, fordi raketmotoren svarer til dyb læring-modellerne, og brændstoffet svarer til de store mængder data, som vi kan tilføre disse algoritmer".

Betydningen af maskinlæring og dyb læring for kundeservice

Mange AI-applikationer vi i dag kender i kundeservice bruger maskinlæringsalgoritmer. De bruges til at drive selvbetjening, øge agenternes produktivitet og gøre workflows mere pålidelige. Den data, der tilføres disse algoritmer, kommer fra en konstant strøm af nye kundeanmodninger, herunder relevant kontekst om de problemer, som køberne står med. Når man så samler al den information i en AI-applikation, fører det til hurtigere og mere præcise forudsigelser. Det har gjort AI interessant for mange virksomheder, og brancheførende virksomheder spekulerer i, at den mest praktiske brugscase for forretningsrelateret AI vil være kundeservice. For eksempel bruges både maskinlæring og dyb læring til at understøtte analyse af naturligt sprog (NLP), en gren af computervidenskaben, der lader computere forstå tekst og tale. Inden for CX er Amazons Alexa og Apples Siri to gode eksempler på "virtuelle assistenter", der bruger talegenkendelse til at besvare forbrugerens spørgsmål. AI-understøttede chatbots til kundeservice bruger også de samme læringsmetoder til at svare på skrevne beskeder. Et rigtig godt eksempel fra den virkelige verden er Zendesks AI-chatbot, Answer Bot, som bruger en indbygget dyb læring-model til at forstå konteksten i en supportanmodning og finde de rigtige hjælpeartikler at foreslå til kunden.

CX-modenhed i små og mellemstore virksomheder i Nordamerika

Zendesk har indgået et samarbejde med ESG Research for at opbygge en struktur omkring CX-modenhed og CX-succes for at hjælpe ledere i små og mellemstore virksomheder (SMV'er), få klarhed over, hvor de står, og skabe en køreplan for fremtiden.

CX-modenhed i små og mellemstore virksomheder i Nordamerika

Zendesk har indgået et samarbejde med ESG Research for at opbygge en struktur omkring CX-modenhed og CX-succes for at hjælpe ledere i små og mellemstore virksomheder (SMV'er), få klarhed over, hvor de står, og skabe en køreplan for fremtiden.

Få mere at vide