Proces uczenia maszynowego osiąga wyniki, które wcześniej były niemożliwe. Możliwe zastosowania są tak różnorodne, jak indywidualne.

Sieci neuronowe: Sztuczne sieci naśladują podstawowe zasady ich biologicznych wzorów do naśladowania. (Źródło: Stephan Ruttloff (TU Chemnitz)) Głębokie uczenie jest obecnie supergwiazdą sztucznej inteligencji (AI). Procesowi uczenia maszynowego udało się wyrzucić sztuczną inteligencję z wieży z kości słoniowej laboratorium badawczego i uczynić ją wykonalną i opłacalną komercyjnie. W prawie każdym produkcie, w którym sztuczna inteligencja odgrywa dziś rolę, algorytm głębokiego uczenia zapewnia decydującą korzyść.

Potencjał głębokiego uczenia jest widoczny w wielu zastosowaniach: w samochodach bez kierowcy technologia głębokiego uczenia zapewnia rozpoznawanie znaków stopu i odróżnienie pieszych od świateł ulicznych. Jest również kluczem do sterowania głosowego urządzeniami, takimi jak smartfony, tablety i telewizory, a zatem stoi również za modułem rozpoznawania głosu Siri, cyfrowym asystentem w iPhonie.

Sieci głębokiego uczenia są również niezwykle skuteczne w przechwytywaniu treści graficznych. Na przykład głębokie uczenie może analizować miliony obrazów i grupować je według podobieństw: koty w jednym folderze, zdjęcia dzieci w innym, a w trzecim wszystkie zdjęcia babci. To podstawa inteligentnych albumów ze zdjęciami – innymi słowy tego, co już się dzieje z kolekcjami zdjęć na smartfonie.

Kilka lat temu oprogramowanie szwajcarskiego instytutu badawczego AI w Lugano wygrało niemiecki konkurs na rozpoznawanie znaków drogowych. Algorytm poprawnie rozpoznał dziesięć tysięcy znaków drogowych, nawet jeśli były powykręcane, do połowy zasłonięte, wykonane w ciemności lub pod światło. Przy współczynniku błędów wynoszącym zaledwie 0,54 procent komputer był ponad dwukrotnie lepszy niż grupa porównawcza ludzi.

Głębokie uczenie jest obecnie wykorzystywane również do wielu zadań naukowych. Amerykańscy naukowcy wykorzystali technologię AI do przewidywania przeżywalności pacjentów z rakiem za pomocą obrazów tkanek. Algorytmy nauczyły się odróżniać komórki rakowe od zdrowych na podstawie podejrzanych cech. Ku zdumieniu naukowców, głębokie uczenie doprowadziło do odkrycia większej liczby takich cech, niż było to znane w literaturze medycznej.

Podobne sukcesy do rozpoznawania obrazów osiąga się dzięki głębokiemu uczeniu się w sterowaniu głosem i rozpoznawaniu mowy. Sterowanie głosowe Amazon Alexa, Google Home i Facebook Deep Text opiera się na głębokim uczeniu się. Otwiera to również szerokie możliwości zastosowania dla firm, na przykład w serwisie, w call center lub do celów konserwacji predykcyjnej w produkcji.

Głębokie uczenie może na przykład łączyć surowe teksty, takie jak e-maile lub wiadomości. E-maile z reklamacjami mogą być gromadzone w jednym folderze, a e-maile od zadowolonych klientów są przechowywane w innym obszarze. Może to służyć jako podstawa dla różnych filtrów wiadomości i może być wykorzystywane w zarządzaniu relacjami z klientami.

W call center połączenia mogą być automatycznie oceniane za pomocą głębokiego uczenia, co umożliwia kompleksową ocenę dźwięku, a tym samym poprawę kwalifikacji leadów. A algorytm uczenia się nawet nie zatrzymuje się na ludzkich emocjach. Sieci głębokiego uczenia się rozpoznają teraz emocje dokładniej i szybciej niż większość ludzi. Program amerykańskiej firmy Affectiva potrafił nawet odróżnić prawdziwy uśmiech od fałszywego.

Ale jaki jest sekret sukcesu głębokiego uczenia się? Proces uczenia się powoduje, że komputer nabywa naturalnie posiadaną przez człowieka umiejętność uczenia się na przykładach. Dzięki głębokiemu uczeniu model komputerowy uczy się poprawnie rozpoznawać obiekty na podstawie obrazów, tekstów lub danych akustycznych – podobnie jak człowiek. Po prostu szybciej i dokładniej.