AI-fogalom · Modellek
Mély tanulás (Deep Learning)
A gépi tanulás egyik ága, amely sok rétegű mesterséges neurális hálókkal tanul mintázatokat közvetlenül nyers adatokból.
Más néven: Deep learning, Mélytanulás, Deep neural learning, Többrétegű neurális hálós tanulás
A mély tanulás a gépi tanulás egyik alterülete, amely egymásra épülő, sok rétegből álló mesterséges neurális hálózatokat használ arra, hogy adatokból automatikusan tanuljon meg mintázatokat és összefüggéseket. A hagyományos gépi tanulási módszerekkel ellentétben itt nincs szükség arra, hogy az emberek kézzel tervezzék meg, milyen jellemzőket keressen az algoritmus a bemeneti adatokban: a modell maga fedezi fel a hasznos jellemzőket, a rétegek egyre elvontabb reprezentációkat építenek fel az adatokból.
A módszer működésének lényege, hogy a hálózat egyes rétegei egyszerű matematikai műveletekkel dolgozzák fel a bemenetet, és ezek egymásra épülve komplex mintázatok felismerésére válnak képessé. Egy képfelismerő hálózat például az első rétegekben éleket és színátmeneteket, a mélyebb rétegekben már formákat, majd egész objektumokat azonosít. A tanítás során a hálózat súlyait nagy mennyiségű címkézett vagy strukturálatlan adat és visszaterjesztéses hibaminimalizálás segítségével fokozatosan hangolják, amíg a modell egyre pontosabb előrejelzéseket nem ad.
A mély tanulás jelentőségét az adja, hogy áttörést hozott olyan területeken, ahol korábban a hagyományos algoritmusok korlátaikba ütköztek, például a képfelismerésben, a beszédfelismerésben, a gépi fordításban és a természetesnyelv-feldolgozásban. A ma használt legtöbb korszerű nyelvi modell és képgeneráló rendszer is mély tanulási architektúrákra, jellemzően transzformer-hálózatokra épül. A módszer sikerét nagyban segítette a nagy mennyiségű digitális adat elérhetővé válása, valamint a grafikus processzorok (GPU-k) elterjedése, amelyek lehetővé tették a hatalmas hálózatok gyors betanítását.
Alkalmazási területe rendkívül széles: az önvezető autók érzékelőinek feldolgozásától az orvosi képalkotáson át az ajánlórendszerekig és a chatbotokig szinte minden modern AI-alkalmazás alapját mély tanulási modellek adják. Ugyanakkor a módszer hátránya, hogy a modellek működése gyakran nehezen értelmezhető, nagy számítási kapacitást és adatmennyiséget igényel a tanításuk.