Fra kunstig intelligens til deep learning

Kunstig intelligens: At lære fra løsninger

Begrebet kunstig intelligens blev brugt i 70’erne og 80’erne og tager udgangspunkt i læring via løsninger:

- Her troede man, at hvis man kunne få computeren til at kigge på løsninger nok, så kunne man finde den smarte løsning på ethvert problem, fortæller Mads Nielsen i radioindslaget.

Helt konkret vil det betyde, at hvis en computer skal vurdere, om der er en cykel på et givent billede, vil man forud for dette skulle skrive en masse regler op - eksempelvis at en cykel har et styr, et stel, en sadel mv. - og lade computeren vurdere ud fra disse regler. Men det vil være en omfattende proces, da et billede kan indeholde alt fra en del af en cykel til mange cykler eller måske en tandem.

Machine learning: At lære fra eksempler

Inden for machine learning handler det i stedet om læring via eksempler:

- Det er netop det at prøve at genfinde mønstre, uden at man på forhånd skal specificere, hvordan de mønstre ser ud - det er det, machine learning går ud på, forklarer Mads Nielsen.

Det betyder altså, at en computer kan lære at identificere, om der er en cykel til stede på et billede ved at lære fra eksempler, som i dette tilfælde ville være en række billeder med og uden cykler i.

Deep learning går skridtet videre

- Deep learning går skridtet endnu videre og siger; de features eller visuelle atomer, som billedet er opbygget af, dem lærer vi også. Så vi har billedet som råinput og skal ikke specificere nogle repræsentationer undervejs, det finder den dybe læring selv ud af - de mellemliggende repræsentationer hele vejen fra de forskelligfarvede pixels i billedet til den egentlige semantiske forklaring på billedet i sidste ende. Det er i hvert fald målet, forklarer Mads Nielsen.

Inden for deep learning har computeren således mindre brug for hjælp fra menneskelige eksperter end det er tilfældet med kunstig intelligens og machine learning.

- Den (computeren, red.) skal selv finde ud af, hvad der er mønstre, og grunden til at den kan det nu, og vi ikke gjorde sådan her for 15 år siden, det er, at vi nu har langt flere billeder til rådighed digitalt, og langt større computere. For når man skal lære mere, så tager det også længere tid at lære det, og man skal have mere at lære ud fra, fortæller Mads Nielsen.

Deep learning bygger på neurale netværk, dvs. man stakker små processorer oven på hinanden, og disse processorer føder så videre til hinanden, på samme måde som det er tilfældet med nerveceller, der føder ind i nerveceller i hjernen.

Deep learning og medicinsk billedanalyse

På DIKU arbejdes netop med dybe neurale netværk, som kigger på billeder, tager de rå billeder ind og kommer med en fortolkning. Det kan være at tolke risikoen for, at en kvinde udvikler cancer, ud fra et mammografi:

- Da bruger vi så de dybe neurale netværk til at kigge på alle de screeningsmammografier, der kommer i Region Hovedstaden, og så, hvis vi får lov til det af myndighederne, kan vi sammenholde det med hvem, der så har fået cancer sidenhen. Og på den måde kan vi så træne det dybe neurale netværk, hvor det selv lærer, hvilke mønstre det er, vi skal kigge efter, for at finde ud af, at en kvinde har forhøjet risiko for cancer, forklarer Mads Nielsen.

Læs mere om DIKU's forskning inden for dette område her.

Deep learning metoder kan hjælpe virksomheder