Info om AI och GDPR
Skillnaden mellan djupinlärning och maskininlärning
Det kan vara bra att känna till skillnaden mellan djupinlärning och maskininlärning vid utvecklingen av en AI-modell.
Här kan du läsa om skillnaden mellan djupinlärning och maskininlärning
Kort sagt är skillnaden mellan djupinlärning och maskininlärning att djupinlärning strukturerar algoritmer i olika lager så att de ska kunna lära sig och fatta beslut helt på egen hand. Maskininlärning får istället massa data som den tolkar genom algoritmer, lär sig av och och fattar egna beslut utifrån informationen som har sin grund i sin kunskap. Observera att djupinlärning är en form av maskininlärning.
Maskininlärning
När man tränar en algoritm med data som resulterar i en matematisk modell, utgör det maskininlärning. Den matematiska modellen är också kallad för en AI-modell. Genom datan som algoritmen tränats med, kan AI-modellen komma fram till ett rimligt svar baserat på statistik när den får en fråga.
Med andra ord är maskininlärning en process som innebär att datorn utvecklar möjligheten att skapa sig kunskap och anpassa sig till en specifik uppgift, utan att datorn i förväg har programmerats för den särskilda uppgiften i fråga.
Från data till AI-modell: Maskininlärning
För att träna en AI-modell genom maskininlärning, måste den få erfarenhet. Det sker genom att man matar in information till AI-modellen. Ju mer information som matas in, desto bättre brukar AI-modellen bli eftersom den får mer erfarenhet. Om datan innehåller personuppgifter, är det viktigt att tänka på att GDPR gäller för behandlingen. AI-modellen kan dra slutsatser om okänd data även fast det inte har inkluderats i träningen.
Vanliga steg vid maskininlärning
Företag som vill utveckla en AI-modell genom maskininlärning brukar göra det genom följande tre steg:
1. Samla in en stor mängd data, exempelvis massa av ens egna texter och/eller andra utvalda källor såsom myndigheter, för att träna AI-modellen.
2. Identifiera olika strukturer och återkommande mönster vid träningen av AI-modellen.
3. AI-modellen skapas och kan därmed behandla ny data och dra slutsatser om nya frågeställningar utifrån den datan som den har blivit tränad med.
Praktiskt exempel på maskininlärning
1. Ett företag som vill skapa en AI-modell väljer ut ett stort antal bilder på objekt i rymden.
2. AI-modellen identifierar därefter olika strukturer och mönster som motsvarar hur objekten rör sig i rymden.
3. Det görs justeringar för att skilja på olika typer av objekt i rymden, såsom solen, månen, stjärnor och planeter.
4. AI-modellen som skapas kan därefter användas för att identifiera vad ett objekt i rymden utgör.
Djupinlärning
Djupinlärning utgör en form av maskininlärning. Man bygger AI-modellen på ett sådant sätt som liknar den mänskliga hjärnans neuronnät.
Djupinlärning är en form av maskininlärning
För att skapa en AI-modell så att den liknar den mänskliga hjärnans neuronnät, ska det artificiella neuronnätet bestå av tre delar:
Inlager
XXX
Gömda lager
Det kan vara ett gömt lager men är inte ovanligt med flera. Ju mer data som modellen har använt vid träning, ju fler lager.
Utlager
XXX
Mer info
Träning av AI-modeller för att producera ett så bra resultat som möjligt
Det är viktigt att träna en AI-modell för att den ska generera ett så bra resultat som möjligt. Ju mer data den får, desto bättre bör resultaten bli. Däremot är det inte den enda faktorn som spelar roll. Det är viktigt att datan är kvalitativ också. Med andra ord, relevant för ändamålet med AI-modellen. Oavsett om det är fråga om vanlig maskininlärning eller djupinlärning så finns det olika träningsmetoder som kan användas.