JavaScript is currently disabled.Please enable it for a better experience of Jumi. Artificiella neuronnät har fått sin revansch
ImageJAN TÅNGRING:

Artificiella neuronnät tar revansch

Idén att använda människohjärnan som förebild för att bygga smarta algoritmer kallas artificiella neuronnät (ANN) och är 60 år gammal. Efter en lång tid i kylan har tekniken äntligen fått sitt stora genombrott.
ANN-tekniken Deep learning sopade för några år ­sedan plötsligt banan med alla konkurrerande tekniker för så kallad mönsterigenkänning, och har sedan dess fortsatt att dramatiskt förbättra sina resultat.

Ingen vet var gränsen går för hur exakta de kan bli och var de kan användas. Utvecklingen är så hisnande att kändisar som Steve Wozniak, Stephen Hawking och Elon Musk till och med gått ut och varnat för att artificiell intelligens kanske kan vara på väg att manövrera ut ­människan som skapelsens krona.

AI-forskarna själva tar det lugnt och jämför med oron för att partikelacceleratorn LHC skulle svälja jorden i ett svart hål. Men oron demonstrerar det djupa genomslag som Deep learning fått – alla storföretag som använder mönsterigenkänning för bildanalys, rösttolkning och automatöversättning storsatsar nu på Deep learning.

Det är lite av en antiklimax att orsaken till Deep learning-genombrottet helt enkelt är kraftfullare datorer och mer experimentdata. Under alla dessa år hade ANN-entusiasterna rätt hela tiden. Men det var först nu vi nådde den datorkraft och de datavolymer som krävdes för att bevisa det.

Det är faktiskt mycket din förtjänst – de gigantiska bildvolymer som tankas upp på Facebook är precis den typ av referensdata som tekniken behövde för att bevisa sig.

Tillämpningarna för Deep learning ligger idag visserligen huvudsakligen inom IT-området. Men det som fick mig att vilja skriva en artikel i Elektroniktidningen var tanken på de stora sensordatavolymer som IoT-revolutionen kommer att föra med sig. Det finns en klar möjlighet att man kommer att kunna bygga spännande tillämpningar genom söka efter mönster i dessa sensordata.

En av teknikens fördelar är att tröskeln för att experi­mentera är betydligt lägre. För att förenkla lite grand behöver du bara plugga in din sensordataström som rådata i nätet och be nätet tala om för dig om det hittar några spännande mönster.

Det här är ett område som du kanske vill ta dig en titt på. En bra början kan vara att kontakta Stockholm Deep Learning meetup som drivs av KTH-doktoranden Roelof Pieters.

Läs min djupa artikel om Deep Learning här (länk).
MER LÄSNING:
 
KOMMENTARER
Kommentarer via Disqus

Anne-Charlotte Lantz

Anne-Charlotte
Lantz

+46(0)734-171099 ac@etn.se
(sälj och marknads­föring)
Per Henricsson

Per
Henricsson
+46(0)734-171303 per@etn.se
(redaktion)

Jan Tångring

Jan
Tångring
+46(0)734-171309 jan@etn.se
(redaktion)