Περισσότερα επίπεδα, περισσότερη αφαίρεση. Η βαθιά μάθηση χρησιμοποιεί νευρωνικά δίκτυα με πολλά κρυφά επίπεδα για να μαθαίνει αναπαραστάσεις απευθείας από ακατέργαστα δεδομένα. Αντί να δημιουργούν χαρακτηριστικά χειροποίητα, οι επαγγελματίες αφήνουν το δίκτυο να τα ανακαλύψει.

Η προσέγγιση αυτή γνώρισε μεγάλη άνθηση μετά το 2012, όταν ένα δίκτυο βαθιάς συνέλιξης κέρδισε έναν σημαντικό διαγωνισμό αναγνώρισης εικόνων με μεγάλη διαφορά. Οι ταχύτερες GPU, τα μεγαλύτερα σύνολα δεδομένων και οι βελτιωμένες τεχνικές εκπαίδευσης έκαναν τη διαφορά.

Όπου η βαθιά μάθηση υπερέχει

• Αναγνώριση εικόνας και βίντεο
• Επεξεργασία ομιλίας και γλώσσας
• Γενετική μοντελοποίηση
• Παιχνίδι και έλεγχος
• Συστήματα συστάσεων

Δεν είναι μαγικό. Τα μοντέλα σε βάθος απαιτούν μεγάλα σύνολα δεδομένων, ουσιαστικό υπολογιστικό δυναμικό και προσεκτική ρύθμιση. Επίσης, αντιστέκονται στην ερμηνεία, κάτι που αποτελεί πρόβλημα σε ρυθμιζόμενους τομείς όπως η ιατρική και τα χρηματοοικονομικά. Η πρόοδος συνεχίζεται, αλλά το ίδιο ισχύει και για τους πρακτικούς περιορισμούς.