Futura undersøger: Deep Learning

Hvad har selvkørende biler, antivirusprogrammer og dine seneste Netflix-anbefalinger til fælles? De er alle baseret på kunstig intelligens, der reducerer menneskelig indblanding og træffer egne beslutninger ud fra algoritmer. En af disse algoritmer er Deep Learning. Futura har sat sig for at finde ud af, hvad det er.

Af Maja Schiffer Jessen
Udgivet 02/11/18 10:29

       

Lad os først ikke forfalde til nyheds-iver: Deep Learning er ikke nyt. Det er en teknologi med en del år på bagen efterhånden. Grundet bedre forudsætninger, som hurtigere processorer og flere lettilgængelige datasæt, er det dog blevet mere effektiv end hidtil.

Teknologiens forbedring medfører, at det vinder større indpas i tech-branchen, men også i forretningsudvikling i andre brancher. Faktisk stiger danske virksomheders investeringer i teknologien markant i disse år, vurderer eksperter. Herhjemme opleves den stigende interesse for kunstig intelligens og big data også i uddannelsessektoren, hvor en ny bacheloruddannelse i ”Kunstig Intelligens og Data” PÅ DTU blev modtaget med overvældende interesse.

Så hvad indebærer Deep Learning helt konkret? I min søgen efter simple forklaringer om Deep Learning, ender jeg med at sukke højt undervejs. Det er som om at alle, der har forsøgt sig med den svære opgave at forklare Deep Learning til tech-noobs, har vedtaget en større sammensværgelse. Det samme eksempel gentages konsekvent: Hvordan algoritmen kan bestemme, om et billede forestiller en hund eller en kat.  

Jeg vil gerne finde et lidt mindre udtrådt eksempel. Men jeg er ikke et omvandrende orakel inden for kunstig intelligens og jeg elsker faktisk hunde og katte.

Så jeg kontakter Henrik Pedersen, som er teamleder hos Alexandra-instituttet. Han har været med til at udvikle avancerede billedbehandlingsteknikker, som automatisk lokaliserer hjertet og måler dets pumpefunktion i MR-scanninger. Det betyder, at en computer kan gennemføre en scanning og generere en diagnostisk rapport med et tryk på en enkelt knap. Han har også arbejdet med, hvordan man lærer computere at genkende ansigtsudtryk. Henrik Pedersen er den helt rigtige at spørge, hvis man gerne vil forstå, hvordan Deep Learning virker. Men det bliver ikke helt uden hunde og katte.

- Helt overordnet inddeler vi kunstig intelligens i tre kategorier: Kunstig intelligens, som dækker over alle former for software/algoritmer, der efterligner menneskelig adfærd, maskinlæring og så deep learning, forklarer han.

Så langt så godt. Hvad kunne eksempel på den første kategori være?
- Her kunne man sagtens forestille sig et scenarie, hvor et menneske meget eksplicit har fortalt computeren, hvordan den skal spille skak ud fra nogle simple regler. Det er jo netop ”kunstig” intelligens, uddyber han.

Vi fortsætter til maskinlæring. Det er en underkategori til den overordnede kunstige intelligens. Maskinlæring betegner den proces, hvori computeren lærer fra dataet ved at lede efter og aflæse mønstre. Det kræver noget menneskelig indblanding - noget ”kunstigt”- som er det forarbejde, som feature engineering beskæftiger sig med.
 - Det betyder lidt overfladisk sagt, at man skal fortælle computeren en lille smule om, hvad den skal kigge efter i data for at løse problemet.

Det kunne eksempelvis være et ganske almindeligt spamfilter på din e-mailadresse.
- Man fodrer computeren med e-mails, der indeholder eksempler på spam og ikke-spam. Herefter vil computeren selv forsøge at lære, hvad der adskiller spam fra ikke-spam, forklarer han.

Så hvis et brev fra en nigeriansk prins eller en falsk mail fra SKAT alligevel slipper igennem til din indbakke, skyldes det, at computeren har fejlet i at genkende spam-mail-mønsteret ud fra den data, den hidtil har analyseret og kategoriseret.

Her kommer feature-ingeniøren ind og programmerer de egenskaber, som computeren fremover skal være opmærksom på at kategorisere korrekt. Man kan kalde ingeniøren for maskinens rettesnor, for ifølge Henrik er det stort set det eneste, som maskinlæringseksperter beskæftiger sig med i praksis. Han bemærker, at det er her, hvor maskinlæring og Deep Learning er forskellige.

Sammenhængen kan lidt karikeret og forenklet opsummeres således:
I en familie ville bedstefaren være kunstig intelligens. Maskinlæring ville være den krævende far, der skal have lidt hjælp til at sætte sin iPhone ordentligt op. Han har nemlig i forvejen ikke kendskab til smartphones. Deep Learning er den IT-habile datter, der ikke behøver andres hjælp. Støder hun på et problem, surfer hun på nettet og finder en guide eller forklaring.

Deep Learning er nemlig dyb computerbaseret læring, der selv kan afgøre, hvorvidt en forudsigelse eller kategorisering af data er korrekt.
- Deep Learning baserer sig på kunstige, neurale netværk, som efterligner dem måde, som hjernen fungerer på, uddyber Henrik.
Disse neurale netværk, også kaldet ANN – artificial neural networks – består af mange lag. Det første lag vil være det input, som Deep Learning-algoritmen modtager – det kan være både billede, tekst, lydbidder eller noget andet data.

- I det næste lag vil netværket tillære sig en mere abstrakt repræsentation af det, der var i det forrige lag, forklarer Henrik.
- Lad os for eksempel antage, at inputtet i det første lag er et billede. I det andet lag vil netværket så lære, hvor det kan finde meget simple strukturer i billedet, som for eksempel kanter, prikker og så videre.

Strukturerne bliver derefter mere komplekse, jo flere lag algoritmen når igennem. Det sker altså gradvist. Så hvis vi tager førnævnte eksempel, vil to kanter måske i næste lag blive til et hjørne, som i næste lag kan blive en firkant.
- Efterhånden som man når dybere og dybere ind i netværkets lag, vil strukturerne, som netværket kan genkende, være mere og mere komplekse og abstrakte, og svare til noget, som vi mennesker også kan genkende: øjne, ører, hår, pels, hjul og alt muligt andet.
Henrik henviser til billedet, der skal illustrere, hvordan algoritmen virker i praksis.

- Dette er forsøgt illustreret i billedet. Ud fra disse meget abstrakte strukturer i de sidste lag, kan netværket lære at genkende, hvad der er i billedet”, understreger Henrik.
- Er det en hund eller en kat? Det smarte ved Deep Learning er, at netværket selv lærer, hvad der skal være i de forskellige lag. Og det er lige præcis det, som feature engineering ellers beskæftiger sig med.

Algoritmen bag Deep Learning virker altså i lag, der gradvist er i stand til at opdage mere komplekse strukturer og selv klassificere. Hvorimod maskinlæring kræver, at ingeniøren udvælger bestemte egenskaber. Men hvorfor så overhovedet bruge tid på maskinlæring?

- Man kan løse meget komplekse problemer med Deep Learning, blot man har data. Det sidste er nok i praksis det største problem med Deep Learning. Det er nemlig ikke altid, man kan fremskaffe nok data. Så må man ty til noget mere konventionel maskinlæring, svarer Henrik.

Caption

Billedet er fra XenonStack.

I Henriks svar kan man derfor også udlede, hvorfor Deep Learning spås så lovende en fremtid. Vi genererer nemlig mere data end nogensinde før gennem vores færden på internettet.

- Den bedste analogi er per definition en hjerne. Jeg siger bevidst hjerne og ikke menneskelig hjerne. Kunstige, neurale netværk har ingen bevidsthed, opsummerer Henrik,
- Der er stadig ingen, der aner, hvad bevidsthed overhovedet er for en størrelse. Så Terminator-dystopien har meget lange udsigter, heldigvis.

Så hvis Deep Learning ikke er tæt på at overgå den menneskelige bevidsthed inden for snareste fremtid, hvad kan man så bruge algoritmen til?

Der er mange muligheder. Den danske virksomhed Vitrolife fremstiller rugemaskiner til fertilitetsbehandling. Ved hjælp af Deep Learning er processen med at holde skarpt øje med de befrugtede ægs udvikling blevet væsentligt mindre tidskrævende.

Deep Learning er også af afgørende betydning i udviklingen af fremtidens selvkørende biler. Her skal bilens computer bruge algoritmen som sit synsfelt og til at bestemme, hvad den møder på sin vej: en cyklist, en modkørende eller en fodgænger.

Det medfører selvfølgelig nogle etiske konsekvenser, for når det ikke længere er mennesker, der træffer beslutningerne, kan vi så skyde skylden på maskinerne? Hvor skal ansvaret placeres, hvis en selvkørende bil forårsager trafikdrab? Det er sådanne etiske spørgsmål, som forskere inden for Deep Learning blandt andet beskæftiger sig med i øjeblikket.

- Den her forskning er vigtig, fordi der er en erkendelse af, at intelligente systemer i fremtiden skal træffe svære valg. Og de skal have de rette instrukser. De skal have ansvarlig udvikling og ansvarlige algoritmer, siger professor i IT-etik ved Aalborg Etik til DR Viden.

11 spørgsmål til professoren – Peter Lauritsen, overvågning

NYHEDSBREV: Kære Tech-fans

PODCAST: Bag facaden med Futura - Deep Learning

Kan du klare dig i fremtidens arbejdsmarked?

PODCAST: Bag facaden med Futura - Skal vi skide på klimaet?

Voxpop: Teknologi i hverdagen for en receptionist, ergoterapeut og parkeringsvagt

Denne historie er forventelig tilgængelig på medietorvet.dk frem til den 01/11/20.

Historien består af 8.680 tegn. Historien blev sidst gemt den 02/11/18 10:29.

Hvis du har spørgsmål eller kommentarer til historien, skal du kontakte: Maja Schiffer Jessen

BLADBEDEN   //  Bladet   //  DØGNDRIFT   //  FUTURA   //  GESUNDHEIT   //  KulturO   //  Overblikket   //  Sportens Frivillige   //  Søgning  //  Administration

Alle rettigheder til indholdet tilhører den eller de studerende, der har produceret indholdet. Ved citat skal den eller de studerende, og ikke medietorvet.dk, krediteres. Ved fejl eller mangler i indhold, skal du rette henvendelse til den eller de studerende, der har produceret indholdet. Alternativt kan du kontakte journalistisk lektor Filip Wallberg eller Center for Journalistik.

medietorvet.dk er indhold produceret af de journaliststuderende ved Center for Journalistik på Syddansk Universitet. Du kan læse mere om uddannelserne på www.sdu.dk/journalistik. Syddansk Universitet stiller platformen medietorvet.dk til rådighed for de journaliststuderende, men Syddansk Universitet påtager sig ikke ansvaret for indholdet på medietorvet.dk. Ansvaret for indholdet ligger alene hos den eller de studerende som har produceret og offentliggjort indholdet.

Indhold slettes skjules to år efter oprindelig udgivelse og slettes fem år efter oprindelig udgivelse. Kategorier slettes et år efter oprindelig udgivelse.

medietorvet.dk sætter ingen cookies og gemmer ikke din ip-adresse, hvis du er almindelige besøgende. Hvis du er studerende og bidragsyder til medietorvet.dk, så sætter medietorvet.dk tre cookies (admin + author_id + twofactorid) når du logger ind, så systemet kan genkende dig som bruger. Dertil har medietorvet.dk registreret navn og e-mail adresse på alle bidragsydere. Af sikkerhedsmæssige årsager gemmer medietorvet.dk bidragsyderens ip-adresse, når bidragsyderen gemmer eller opretter en artikel. Det er muligt for bidragsyderne at anvende værktøjer fra tredjepart. Alle disse værktøjer skal dog aktiveres af den besøgende, før de hentes i browseren. Hvis du er tvivl om databeskyttelsen er du velkommen til at kontakte journalistisk lektor Filip Wallberg.