Więcej warstw, więcej abstrakcji. Głębokie uczenie wykorzystuje sieci neuronowe z wieloma ukrytymi warstwami do uczenia się reprezentacji bezpośrednio z surowych danych. Zamiast ręcznie tworzyć cechy, praktycy pozwalają sieci je odkryć.

Podejście to zyskało popularność po 2012 roku, kiedy głęboka sieć splotowa z dużą przewagą wygrała ważny konkurs rozpoznawania obrazów. Szybsze procesory graficzne (GPU), większe zbiory danych i ulepszone techniki uczenia zrobiły różnicę.

Gdzie głębokie uczenie się sprawdza

• Rozpoznawanie obrazu i wideo
• Przetwarzanie mowy i języka
• Modelowanie generatywne
• Rozgrywka i sterowanie
• Systemy rekomendacji

To nie magia. Głębokie modele wymagają dużych zbiorów danych, znacznych mocy obliczeniowych i starannego dostrojenia. Opierają się również interpretacji, co stanowi problem w regulowanych dziedzinach, takich jak medycyna i finanse. Postęp trwa, ale jednocześnie pojawiają się ograniczenia praktyczne.