Djupinlärning

Djupinlärningen fungerar som maskininlärningen men använder neuronnätverk i flera lager. Till skillnad från maskininlärningen kan djupinlärningen fungera automatiskt och behöver inte den mänskliga inputen för att lära sig. Kostnaden för detta är mer energi och mycket kraftfullare komponenter än den hårdvara som arbetar med maskininlärning.

Det finns viss likhet mellan djupinlärning och mänskligt lärande. De neurala nätverken som används för djupinlärning är inspirerade av människans hjärna. Djupinlärning arbetar också precis som människan med erfarenhet och mönsterigenkänning. Däremot har djupinlärningen en begränsad förståelse till kontexten. Där den mänskliga hjärnan kan använda logik, resonemang och empati för att förstå något så har inte djupinlärningen den förmågan. Vidare behöver djupinlärningen oerhörda mängder data för att till exempel lära sig känna igen en katt medan ett barn inte behöver mer än ett par bilder. Den mänskliga hjärnan kan också generalisera och dra slutsatser från andra erfarenheter i sitt lärande vilket djupinlärningen inte gör.

Dock gör man inom AI tekniken stora landvinningar inom dessa områden. AGI kommer troligen att överbrygga de mesta av dessa utmaningar.

Ett annat sätt att förklara djupinlärning är att tänka sig tekniken i 3 olika typer av bottar: Lärare, Skapare och Student. Studenten presenteras ett material med en miljon bilder. I den försöker den hitta alla fåglarna i dessa bilder. Studenten har en vag uppfattning om hur en fågel ser ut. Det har den lärt sog via maskininlärning där människor försett den med data.

Läraren sållar därefter ut de Studenter som lyckats plocka ut 60 % bilder på fåglar i hela materialet. Skaparen gör därefter förändringar i dessa Studenters kod och be dem fortsätta tills det är 100 % rätt.  Det skulle kunna jämställas med människans belöningsmekanism. Då vi gör rätt får vi ett dopaminpåslag och fortsätter det inlärda beteendet.

Då samma sak sker med maskininlärning är det en människa som sitter bakom spakarna i rollen som såväl Skapare som Lärare. Med djupinlärning kan man dock ersätta skaparen med AI för att skriva koden. Med djupinlärning minimerar vi mängden människor i processen och får då också en billigare process. Med det sagt så sjunker också priset på den teknik som vi tar fram vilket i sig leder till andra problem som vi behandlar längre fram.

Detta här är faktiskt precis så som man lär upp ett barn; något som är en utmärkt metafor till vad AI är då vi faktiskt jämför AI med barn i olika åldrar. Vi har talat om hur ChatGPT idag är på en nivå av en gymnasiestudent men att nästa generation av ChatGPT kommer motsvara en utbildad doktorand.

Ett annat sätt att förklara djupinlärning genom att använda barn som exempel är ett barn som försöker sätta cylindern i det fyrkantiga hålet misslyckas. Då prövar barnet det cirkulära hålet och märker till sin förtjusning att den passar. Barnet gör en progression och utvecklar ett beteende att förstå fysikaliska geometriska grunder. Precis på samma sätt byggs kunskap upp med hjälp av djupinlärningen men med skillnaden att hastigheten och datan är enorm.

Med hastigheten föreligger också ett delikat problem. Då en dator lär sig hur fåglar ser ut med en enorm hastighet förbluffas vi hur den blixtsnabbt kan känna igen fåglar och läten. Men det här är inget annat är än en faktor av hastigheten. Om hastigheten motsvarat den som en människa tar på sig för att lära sig samma sak hade vi knappast blivit imponerade. Med det sagt är hastigheten något vi bör ha i bakhuvudet varje gång vi diskuterar AI:s enorma framsteg mot intelligens. Hastigheten lurar oss att tro att maskinen är intelligent då den egentligen bara är snabb.