Hluboké učení (Deep Learning)

Hluboké učení (Deep Learning) je specifická oblast strojového učení, která využívá algoritmy inspirované strukturou a funkcí lidského mozku, nazývané umělé neuronové sítě. Přívlastek „hluboké“ označuje použití velkého množství vrstev mezi vstupem a výstupem.

Zatímco klasické strojové učení vyžaduje, aby člověk ručně definoval důležité znaky (features), hluboké učení se tyto znaky učí extrahovat samo přímo z dat.

Hluboké učení zpracovává data skrze hierarchickou strukturu vrstev:

• Vstupní vrstva (Input Layer): Přijímá syrová data (např. pixely obrázku).
• Skryté vrstvy (Hidden Layers): Zde probíhá samotný výpočet. Každá vrstva hledá složitější vzorce – první vrstva hledá hrany, druhá tvary a desátá celé objekty.
• Výstupní vrstva (Output Layer): Poskytuje konečnou predikci (např. „Toto je kočka“).

V IT praxi se setkáváme se třemi hlavními typy sítí:

Hluboké učení je extrémně náročné na výpočetní výkon. Vyžaduje miliony matematických operací s maticemi současně, což nezvládají běžné CPU, ale specializované čipy:

• GPU (Graphics Processing Unit): Původně pro hry, dnes standard pro trénování AI díky tisícům malých jader.
• NPU (Neural Processing Unit): Součást moderních SoC (Apple Neural Engine), optimalizovaná pro běh hotových modelů s nízkou spotřebou.
• TPU (Tensor Processing Unit): Specializované čipy od Google pro obří datová centra, na jejichž návrhu spolupracuje Broadcom.

• Černá skříňka (Black Box): Často nevíme, proč síť dospěla k danému výsledku (problém interpretovatelnosti).
• Náročnost na data: Hluboké učení vyžaduje tisíce až miliony příkladů, aby bylo přesné.
• Energetická náročnost: Trénování velkých modelů spotřebovává obrovské množství elektřiny.

— Související pojmy: SoC, Broadcom, TSMC, Strojové učení