Deep learning vs. Feature engineering

Hvorfor de er forskellige

Deep learning finder selv brugbare input i rådata; ved feature engineering bygger mennesker de input i hånden.

Grundlæggende maskinlæring

Maskinlæring med neurale netværk i mange lag oven på hinanden - metoden bag moderne værktøjer til billeder, tale og sprog.

Formelt

En form for maskinlæring, der træner neurale netværk med mange lag, hvor hvert lag bygger mere generelle træk ud fra laget nedenunder, lært direkte fra rå data.

Forklaret enkelt

Som en række arbejdere, hvor den første ser kanter, den næste former og den næste ansigter - hver giver et rigere billede videre op ad rækken.

I praksis

En regions hospitaler bruger en deep learning-model, der er trænet på hundredtusindvis af røntgenbilleder, til at markere mulige knoglebrud, som en læge derefter tjekker.

Hvorfor det betyder noget

Det gav et stort spring i, hvad AI kan, fra omkring 2012, men modellerne kræver enorme mængder data og regnekraft, og deres ræsonnementer er meget svære at forklare.

Feature engineering

Grundlæggende maskinlæring

At omsætte rå registreringer til nyttige input for en model ved at vælge, rense, kombinere og omforme de oplysninger, den skal læse.

Formelt

Arbejdet med at bygge hver feature ud fra rådata med menneskelig viden om problemet, fx at tælle, gruppere, omsætte tekst eller datoer til tal og fjerne uhjælpsomme kolonner, udført før eller som en del af modeltræningen.

Forklaret enkelt

Som en kok, der vasker, skræller og hakker grøntsagerne, før der skal koges, fordi den samme gryde giver en langt bedre ret, når det, der kommer i, er godt forberedt.

I praksis

En bank, der bygger en model til at opdage kortsvindel, giver den ikke bare enkelte betalinger; den tilføjer nye kolonner som "antal betalinger den seneste time" og "afstand fra kundens bopæl".

Hvorfor det betyder noget

På almindelige forretningstabeller betyder gode input ofte mere end valget af model, og et skødesløst trin kan lække svaret ind i data.