Deep learning is een vorm van machine learning die veel lagen kunstmatige neuronen op elkaar stapelt om patronen rechtstreeks uit data te leren. Elke laag geeft zijn bevindingen door aan de volgende. De eerste lagen pikken bijvoorbeeld simpele randen in een afbeelding op, terwijl latere lagen een gezicht herkennen. Het woord ‘deep’ slaat gewoon op die diepte, de vele lagen tussen de input en het antwoord.
Een handige vergelijking is hoe een mens leert honden te herkennen. Je leert geen regelboek met oorvormen en staartlengtes uit je hoofd. Na genoeg honden te hebben gezien, bouwt je brein stilletjes zijn eigen gevoel voor ‘hond’ op. Een diep neuraal netwerk doet iets soortgelijks: na genoeg gelabelde voorbeelden vormt het zijn eigen interne aanwijzingen, laag voor laag, zonder dat een mens elke regel uitspelt.
De keerzijde is honger. Deze netwerken hebben miljoenen interne instellingen, dus ze hebben veel trainingsdata en sterke hardware nodig om goed te leren. Zijn die er, dan pakt deep learning taken aan waar oudere methodes mee worstelen, zoals spraak begrijpen, foto’s beschrijven of taalmodellen aandrijven.
Toch is het niet altijd de juiste keuze. Heb je maar een paar honderd rijen in een spreadsheet, dan verslaat een eenvoudiger model vaak een diep netwerk, en het is veel makkelijker uit te leggen aan een toezichthouder of een directie. Deep learning komt tot zijn recht bij rijke, rommelige input: ruwe audio, pixels, vrije tekst. De keerzijde is dat de redenering lastig te inspecteren is. Je ziet dat het werkt zonder helemaal te weten waarom, en dat telt in sectoren als kredietverstrekking of zorg, waar je een beslissing moet kunnen verantwoorden. De keuze gaat dus zelden om de hype. Het gaat erom of het probleem en de data echt om die hoeveelheid kracht vragen.
Bij TopDevs grijpen we naar deep learning als een klantprobleem te vaag is voor vaste regels, zoals het lezen van rommelige documenten of het sorteren van afbeeldingen, en kiezen we voor eenvoudigere methodes wanneer die volstaan.
