Hluboké učení (Deep Learning)

Hluboké učení (Deep Learning) je specifická oblast strojového učení (Machine Learning), která je založena na využívání umělých neuronových sítí s mnoha vrstvami. Přívlastek „hluboké“ odkazuje právě na počet vrstev v síti, skrze které data protékají a jsou transformována.

Zatímco klasické strojové učení vyžaduje, aby člověk definoval příznaky (features), které má algoritmus sledovat, hluboké učení se tyto příznaky učí samo přímo z dat.

Hluboké učení je inspirováno strukturou biologického mozku. Základní jednotkou je umělý neuron, který přijímá vstupy, přiřazuje jim váhu a přes aktivační funkci generuje výstup.

Sítě se skládají ze tří základních typů vrstev:

• Vstupní vrstva (Input Layer): Přijímá syrová data (např. pixely obrázku).
• Skryté vrstvy (Hidden Layers): Zde probíhá samotné „učení“. Vrstvy extrahují rysy – od jednoduchých (hrany, barvy) až po komplexní (tvary, obličeje, objekty).
• Výstupní vrstva (Output Layer): Poskytuje konečný výsledek (např. klasifikaci: „Na obrázku je pes“).

Ačkoliv základy neuronových sítí vznikly už v 50. letech, jejich rozmach umožnily až tři faktory:

1. **Big Data:** Dostupnost obrovského množství digitálních dat pro trénování.
2. **Výkon GPU/NPU:** Trénování vyžaduje masivní paralelní výpočty, které zvládají moderní grafické karty a [[soc|SoC]] s AI akcelerátory.
3. **Algoritmické inovace:** Nové techniky (např. Transformer, ReLU), které umožnily trénovat velmi hluboké sítě bez ztráty stability.

• „Black Box“ efekt: Často je obtížné pochopit, proč se síť rozhodla určitým způsobem (problém interpretovatelnosti).
• Hardwarová náročnost: Trénování modelů vyžaduje obrovské výpočetní zdroje, což nahrává gigantům jako Google nebo Apple.
• Kvalita dat: Pokud jsou trénovací data zaujatá (biased), model bude produkovat chybná nebo nespravedlivá rozhodnutí.

— Související pojmy: SoC, TSMC (výrobce AI čipů), Umělá inteligence