Flere lag, mer abstraksjon. Dyp læring bruker nevrale nettverk med mange skjulte lag for å lære representasjoner direkte fra rådata. I stedet for å lage funksjoner for hånd, lar utøvere nettverket oppdage dem.

Tilnærmingen eksploderte etter 2012, da et dypt konvolusjonelt nettverk vant en stor konkurranse om bildegjenkjenning med god margin. Raskere GPU-er, større datasett og forbedrede treningsteknikker gjorde forskjellen.

Der dyp læring utmerker seg

• Bilde- og videogjenkjenning
• Tale- og språkbehandling
• Generativ modellering
• Spilling og kontroll
• Anbefalingssystemer

Det er ikke magi. Dype modeller trenger store datasett, betydelig beregningskraft og nøye finjustering. De motstår også tolkning, noe som er et problem i regulerte domener som medisin og finans. Fremgangen fortsetter, men det gjør også de praktiske begrensningene.