Oplysninger om AI og GDPR

Forskel mellem Deep Learning og Machine Learning

Det kan være nyttigt at kende forskellen mellem dyb læring og maskinlæring, når man udvikler en AI-model.

Her kan du læse om forskellen mellem deep learning og machine learning

Kort sagt er forskellen mellem dyb læring og maskinlæring, at dyb læring strukturerer algoritmer i forskellige lag, så de kan lære og træffe beslutninger helt på egen hånd. Maskinlæring modtager i stedet en masse data, som den fortolker gennem algoritmer, lærer af og træffer sine egne beslutninger baseret på de oplysninger, der er baseret på dens viden. Bemærk, at dyb læring er en form for maskinlæring.

Maskinlæring

Når du træner en algoritme med data, der resulterer i en matematisk model, udgør det maskinindlæring. Den matematiske model kaldes også en AI-model. Gennem de data, som algoritmen er blevet trænet med, kan AI-modellen nå frem til et rimeligt svar baseret på statistik, når den modtager et spørgsmål.

Med andre ord er machine learning en proces, hvor computeren udvikler evnen til at skabe viden og tilpasse sig en bestemt opgave, uden at computeren på forhånd er programmeret til den pågældende specifikke opgave.

Fra data til AI-model: Machine Learning

For at træne en AI-model gennem maskinlæring skal den opnå erfaring. Dette gøres ved at indlæse oplysninger i AI-modellen. Jo flere oplysninger, der indtastes, jo bedre har AI-modellen tendens til at være, da den får mere erfaring. Hvis dataene indeholder personoplysninger, er det vigtigt at huske på, at GDPR gælder for behandlingen. AI-modellen kan drage konklusioner om ukendte data, selv om de ikke er medtaget i uddannelsen.

Fælles skridt i Machine Learning

Virksomheder, der ønsker at udvikle en AI-model gennem maskinlæring, gør det normalt gennem følgende tre trin:

1. Indsamle en stor mængde data, f.eks. masse af egne tekster og/eller andre udvalgte kilder, f.eks. myndigheder, for at træne AI-modellen.

2. Identificere forskellige strukturer og tilbagevendende mønstre, når AI-modellen trænes.

3. AI-modellen oprettes og kan således behandle nye data og drage konklusioner om nye problemstillinger på grundlag af de data, den er blevet trænet i.

Praktisk eksempel på maskinlæring

1. En virksomhed, der ønsker at skabe en AI-model, vælger et stort antal billeder af objekter i rummet.

2. AI-modellen identificerer derefter forskellige strukturer og mønstre, der svarer til, hvordan objekter bevæger sig i rummet.

3. Justeringer foretages for at skelne mellem forskellige typer af objekter i rummet, såsom solen, månen, stjerner og planeter.

4. Den AI-model, der oprettes, kan derefter bruges til at identificere, hvad et objekt i rummet udgør.

Dyb læring

Deep learning er en form for maskinlæring. AI-modellen er bygget på en måde, der ligner det neuronale netværk i den menneskelige hjerne.

Deep learning er en form for maskinlæring.

For at skabe en AI-model, så den ligner den menneskelige hjernes neuronnetværk, skal det kunstige neuronnetværk bestå af tre dele:

Flere oplysninger

Træning af AI-modeller for at opnå de bedst mulige resultater

Det er vigtigt at træne en AI-model for at skabe det bedst mulige resultat. Jo flere data, den får, jo bedre skal resultaterne være. Men det er ikke den eneste faktor, der betyder noget. Det er vigtigt, at dataene også er kvalitative. Med andre ord relevant for formålet med AI-modellen. Uanset om det er regelmæssig maskinindlæring eller dyb læring, er der forskellige træningsmetoder, der kan bruges.