I denne artikel introduceres du til dybe neurale netværk, der er en del af begrebet “Kunstig intelligens”. Traditionelt er computere programmeret til at løse problemer, ved at mennesker har instrueret den til hvordan den skal løse problemet. Kunstig intelligens handler om at vi skal programmere computere til selv at lære hvordan de løser problemerne. 
Når vi stiller vores hjerne en opgave, kan det være meget let at løse denne opgave. Forestil dig f.eks. at vi viste vores hjerne de to nedenstående billeder og beder den om at fortælle hvad den ser. Her ville det ikke være noget problem for vores hjerne at kunne genkende at begge billeder forestiller en kat.

Det er straks sværere for en computer. Hvis den skulle kunne genkende en kat, ville den som udgangspunkt skulle have vist begge billeder på forhånd, og dermed modtaget instrukser på at dette er en kat.
Det svære for en computer er at billeder af det samme objekt kan se ud på mange forskellige måder. En kat kan have forskellige farver, ses fra forskellige vinkler eller måske have forskellige ansigtsudtryk. Det gør det svært for en computer.
Når man tænker på kunstig intelligens, forsøger man netop at få en computer til at kunne lære sig selv at løse et sådan problem. Et problem der er let for vores hjerne, men som er en meget svær opgave for en computer. Ved at få en computer til at kunne lære sig selv ting, vil den altså blive bedre til at løse en opgave med tiden.

Selv-lærende computere findes allerede

Selv-lærende computere findes faktisk allerede i vores hverdag. Vi ser det ved talegenkendelse eller ansigtsgenkendelse på vores smartphone, spamfiltre i vores e-mailprogram eller når en fotoapp kan organisere de billeder vi tager med vores smartphone udfra hvad vi tager billeder af. Det er altsammen teknologi, hvor programmet bliver bedre og bedre, når vi bruger det mere.
Det er altså kunstig intelligens, der gør det muligt for disse programmer at kunne lære udfra hvad de ser, og på den måde hele tiden blive bedre. Kunstig intelligens er styret af algoritmer, dvs. en slags opskrift på hvordan man løser et problem baseret på hvilket input man ser. Algoritmerne er inspireret af vores egen hjerne, der også tænker i algoritmer.
Vores hjerne består af en masse nerveceller, kaldet neuroner. Hver neuron kan lære de erfaringer som dets naboneuron har. Ved at neuroner deler erfaringer med hinanden, kan de derved lære hvordan man løser en opgave bedst muligt.
På samme måde kan man med kunstig intelligens også få forskellige dele af et program, til at kommunikere med de andre dele af programmet og lære af dets erfaringer. Man kan så skabe et stort netværk af programdele eller neuroner, der kan kommunikere sammen. Når netværket bliver meget stort, får vi flere lag, hvor nogle programdele kan kommunikere sammen gennem andre programdele, men ikke direkte til hinanden. Med andre ord kan programdele altså kommunikere sammen selvom de ikke er naboer til hinanden.
Hver lille programdel kigger måske kun på en lille del af billedet og udleder nogle konklusioner udfra dette. Disse informationer deler den med andre programdele, der deler det med andre programdele. Når alt denne information deles, kan det samlede billede gøre programmet i stand til at kunne løse en opgave, som de enkelte programdele ikke kunne selvstændigt.
Dette kaldes for Dybe Neurale Netværk og er det man arbejder meget med ved kunstig intelligens i dag. Man arbejder altså for at gøre netværket dybere og dybere.

Det tager lang tid at lære

For disse dybe neurale netværk, tager det lang tid at lære hvordan en opgave skal løses. Den skal måske prøve at løse en opgave flere hundrede gange, før den forstår hvordan det er bedst at løse opgaven.
Dette svarer lidt til når vi lærer vores børn at løse en opgave. F.eks. kan vi pege på et billede af en kat i en bog og sige “Det er en kat”. Hvis vi så med det samme bagefter peger på katten og spørger hvad det er, er det ikke sikkert at barnet ved det. Dette gør barnet måske først efter det har set katten nogle gange.