Ikasketa sakona edo deep learning adimen artifizialaren azpikategoria da eta sare neuronalak erabiltzen ditu analisi prediktiboa automatizatzeko. Giza burmuina ahalik eta gehien imitatzen ahalegintzen da, eta informazio-sistemei datuak sailkatu eta zehaztasun handiko aurreikuspenak egitea ahalbidetzen die. Esaterako, ahotsaren ezagutza hobetzeko, itzulpen automatikoak egiteko, objektu jakin batzuk hautemateko... erabil daiteke. Are gehiago, testu batean emozioak edo gertakariak identifikatzeko edo pertsonen portaeren inguruko aurreikuspen konplexuak egiteko gai den softwarea sortzeko gaitasuna duela ere frogatu du.
Ikasketa sakona, izatez, ikasketa automatikoaren azpisaila da eta erabiltzen duen eredu matematiko konplexu eta sakonak (hortik dator izena) zehazten du. Ereduaren “sakontasunak” erreferentzia egiten dio analisiaren geruza anitzen erabilerari. Horrek algoritmoari laguntzen dio pixkanaka egitura konplexuagoak ikasten. Ikasketa sakona sare neuronal artifizialetan oinarritzen da eta bere arkitektura sistema biologikoetan dago oinarrituta; esaterako, gure garunak nola prozesatzen duen informazio bisuala begien bitartez.
Ikasketa sakonak nola funtzionatzen duen ulertzeko, haur bat imajina dezakegu. Haurraren lehengo hitza “txakurra” da eta zer den ikasiz doa objektuak seinalatuz eta hitz hori esanez. Amak “hau txakurra da” edo “hau ez da txakurra” esaten dio, beraz, haurrak geroz eta hobeto ulertzen ditu txakur batek izan behar dituen ezaugarriak txakurra izateko. Kontzeptu konplexu bat argitzeko modu bat da, ezagutza-mailak eta -geruzak dituen hierarkia bat eraikiz.
Informatikaren arloan, ikasketa sakonak prozesu berbera jarraitzen du: algoritmo bakoitzak datu-geruza bat sortzen du bestearen atzetik, nahi den ezagutza maila lortu arte. Geruza bakarra duen sare neuronal batek gutxi gorabeherako aurreikuspenak egin ditzakeen arren, ezkutuko geruza gehigarriek lagun dezakete zehaztasuna hobetzen eta ikaragarri fintzen. Ikasketa algoritmo sakonak erabiltzen dituen programa informatiko batek milioika irudi agindu eta segundo gutxian txakurrak dituzten irudiak identifikatu litzake. Hori lortzeko, aurretik datu kopuru izugarriak sartu eta aztertu beharko lituzke, entrenamendu modura. Giza garunaren funtzionamendua simulatuz, programak esperientzia bakoitzaren ondoren ikasten du.
Ikasketa automatikoaren aldean, ikasketa sakonak gainbegiraketa gutxiago behar du, bere kabuz ere ikas dezake gizakiaren esku hartze zuzenik gabe. Deep learningak adimen artifizialeko aplikazio eta zerbitzu ugari sustatzen ditu eta automatizazioa hobetzen dute, zeregin analitikoak eta fisikoak eginez gizakien bitartekaritzarik gabe. Ikasketa sakonaren teknologia eguneroko produktu eta zerbitzuen atzean dago, esaterako, laguntzaile birtualen, ahotz bidezko telebistako urrutiko aginteen eta kreditu-txartelen iruzurren detekzioaren kasuan, eta baita teknologia berrietan ere, hala nola gidaririk gabeko autoetan.
