Deep learning představuje metodu umělé inteligence, která využívá vícevrstvé neuronové sítě k analýze a pochopení složitých dat. Každá vrstva zpracovává informace jiným způsobem, takže celý systém dokáže zachytit jemné vztahy, jež nejsou na první pohled viditelné. Tento přístup umožňuje pracovat s textem, obrazem i zvukem a stojí za moderními modely, které dnes určují vývoj technologií. Význam hlubokého učení spočívá v tom, že dokáže přizpůsobit svůj postup rozsahu dostupných dat a vytváří výsledky, které se blíží lidskému způsobu vnímání.
Základem hlubokého učení je představa, že lze rozdělit zpracování dat do několika navazujících kroků. Každá vrstva neuronové sítě se soustředí na jiný typ informace a předává jej dál. Tím se systém postupně učí zachycovat složitější struktury, které vyplývají z kombinace mnoha detailů. Tento mechanismus umožňuje analyzovat řeč, rozpoznávat vizuální motivy nebo porozumět souvislostem v dlouhém textu.
Výpočetní proces se přizpůsobuje množství dostupných dat, takže model postupně zpřesňuje své chování. Princip hlubokého učení zároveň umožňuje pracovat s úlohami, které mají více možných výsledků a nejsou přehledně rozdělené do jednoduchých kategorií. Tím se deep learning odlišuje od tradičních metod, které často vyžadují ruční definici pravidel.
Rozmach hlubokého učení souvisí se schopností pracovat s velkými objemy dat, jež dnes vznikají v mnoha oblastech.
Tento přístup se během posledních let prosadil v oblastech, které pracují s vizuálním či jazykovým obsahem. Uplatnění našel v analýze medicínských snímků, při řízení autonomních systémů i při tvorbě nástrojů, které pomáhají s orientací v rozsáhlých dokumentech. Stejně důležité místo má ve službách zaměřených na rozpoznávání tváří nebo řeči, protože dokáže reagovat na drobné rozdíly v datech a zlepšovat přesnost při opakovaném použití.
Moderní generativní modely vycházejí právě z principů hlubokého učení. Tyto systémy se naučily vytvářet text, obrázky i zvuk podle zadání a ukázaly, jakou roli sehrává práce s velkými objemy dat.
