Neuronnät
Neuronnät är en maskininlärningsmetod som i viss mån efterliknar funktionen hos biologiska neuroner, t.ex. i den mänskliga hjärnan. Därför används ibland termen artificiella neuronnät för att skilja dem från biologiska neuronnät. Det enklaste neuronnätet består av ett inmatningslager där data kommer in, ett dolt lager där beräkningar och justeringar görs och ett utmatningslager som producerar resultatet. Genom att lägga till ytterligare dolda lager kan mer avancerade förutsägelser göras, och ett neuralt nätverk med fler än tre dolda lager kallas ett djupt neuronnät eller en djupinlärningsalgoritm. Neuronnätet börjar med godtyckliga inställningar för hur data skickas vidare mellan neuronerna i de dolda lagren och lär sig gradvis med hjälp av träningsdata för att förbättra sin förutsägelseförmåga och justera sina beräkningar.
Djupinlärningsalgoritmer är särskilt lämpade att bearbeta stora mängder ostrukturerade data, t.ex. bilder, och kan upptäcka komplexa egenskaper utan behov av uttryckliga instruktioner från en människa. Algoritmen kan till exempel lära sig att känna igen relevanta egenskaper som indikerar en defekt produkt i ett tillverkningssammanhang, eller automatiskt verifiera en persons identitet från ett körkort vid registrering för ett nytt konto. Detta analytiska tillvägagångssätt ger särskilt tillförlitliga förutsägelser av framtida resultat när stora datamängder finns tillgängliga. Beräkningarnas komplexitet i de dolda lagren, som kan innehålla miljontals neuroner med miljarder kopplingar, gör dock metoden resurskrävande och förutsägelserna kan bli nästintill omöjliga att förklara.
Något att reflektera över:
- Finns det vissa beslut som du regelbundet tar som inte kan eller bör automatiseras med neuronnät, oavsett hur bra förutsägelser som kan göras?