Głęboka nauka
Głębokie uczenie się jest funkcją sztucznej inteligencji, która naśladuje działanie ludzkiego mózgu w przetwarzaniu danych i tworzeniu wzorców do wykorzystania w podejmowaniu decyzji. Głębokie uczenie się jest podzbiorem uczenia maszynowego w sztucznej inteligencji (AI), który ma sieci zdolne do uczenia się bez nadzoru na podstawie danych nieustrukturyzowanych lub nieoznaczonych. Znany również jako głębokie uczenie neuronowe lub głęboka sieć neuronowa.
Jak działa głębokie uczenie się
Głębokie uczenie się ewoluowało wraz z erą cyfrową, co spowodowało eksplozję danych we wszystkich formach i z każdego regionu świata. Dane te, zwane po prostu dużymi danymi, pochodzą między innymi ze źródeł takich jak media społecznościowe, wyszukiwarki internetowe, platformy e-commerce i kina internetowe. Ta ogromna ilość danych jest łatwo dostępna i może być udostępniana za pośrednictwem aplikacji fintech, takich jak przetwarzanie w chmurze.
Jednak dane, które zwykle nie są ustrukturyzowane, są tak ogromne, że ich zrozumienie i wyodrębnienie odpowiednich informacji może zająć dziesięciolecia. Firmy zdają sobie sprawę z niewiarygodnego potencjału, jaki może wynikać z odkrycia tego bogactwa informacji i coraz częściej dostosowują się do systemów AI w celu zautomatyzowanego wsparcia.
Dogłębne uczenie się uczy się na podstawie ogromnej ilości nieuporządkowanych danych, które normalnie ludzie mogą potrzebować dziesięcioleci na zrozumienie i przetworzenie.
Dogłębne uczenie się a uczenie maszynowe
Jedną z najczęstszych technik sztucznej inteligencji wykorzystywanych do przetwarzania dużych zbiorów danych jest uczenie maszynowe, samodostosowujący się algorytm, który wraz z doświadczeniem lub nowymi danymi otrzymuje coraz lepsze analizy i wzorce.
Jeśli firma zajmująca się płatnościami cyfrowymi chciała wykryć wystąpienie lub potencjalne oszustwo w swoim systemie, mogłaby w tym celu zastosować narzędzia uczenia maszynowego. Algorytm obliczeniowy wbudowany w model komputerowy przetworzy wszystkie transakcje zachodzące na platformie cyfrowej, znajdzie wzorce w zbiorze danych i wskaże wszelkie nieprawidłowości wykryte przez wzorzec.
Głębokie uczenie się, podzbiór uczenia maszynowego, wykorzystuje hierarchiczny poziom sztucznych sieci neuronowych do przeprowadzania procesu uczenia maszynowego. Sztuczne sieci neuronowe są zbudowane jak ludzki mózg, z węzłami neuronowymi połączonymi ze sobą jak sieć. Podczas gdy tradycyjne programy budują analizę z danymi w sposób liniowy, hierarchiczna funkcja systemów głębokiego uczenia umożliwia maszynom przetwarzanie danych z nieliniowym podejściem.
Tradycyjne podejście do wykrywania oszustw lub prania pieniędzy może polegać na ilości transakcji, która ma miejsce, podczas gdy nieliniowa technika głębokiego uczenia się obejmowałaby czas, lokalizację geograficzną, adres IP, rodzaj sprzedawcy i wszelkie inne cechy, które mogą wskazywać na oszukańczą działalność . Pierwsza warstwa sieci neuronowej przetwarza surowe dane wejściowe, takie jak kwota transakcji, i przekazuje je do następnej warstwy jako dane wyjściowe. Druga warstwa przetwarza informacje z poprzedniej warstwy, włączając dodatkowe informacje, takie jak adres IP użytkownika i przekazuje jego wynik.
Następna warstwa pobiera informacje z drugiej warstwy i zawiera surowe dane, takie jak położenie geograficzne, i sprawia, że wzór maszyny jest jeszcze lepszy. Trwa to na wszystkich poziomach sieci neuronowej.
Kluczowe dania na wynos
- Głębokie uczenie się to funkcja sztucznej inteligencji, która naśladuje działanie ludzkiego mózgu w przetwarzaniu danych do wykorzystania w podejmowaniu decyzji.
- Dogłębne uczenie się AI jest w stanie uczyć się na danych, które są zarówno nieustrukturyzowane, jak i nieoznaczone.
- Głębokie uczenie się, podzbiór uczenia maszynowego, może być wykorzystywany do wykrywania oszustw lub prania pieniędzy.
Przykład głębokiego uczenia się
Używając wspomnianego wyżej systemu wykrywania oszustw z uczeniem maszynowym, można stworzyć przykład głębokiego uczenia się. Jeśli system uczenia maszynowego stworzył model z parametrami zbudowanymi wokół liczby dolarów wysyłanych lub otrzymywanych przez użytkownika, metoda głębokiego uczenia może zacząć opierać się na wynikach oferowanych przez uczenie maszynowe.
Każda warstwa sieci neuronowej opiera się na poprzedniej warstwie z dodanymi danymi, takimi jak sprzedawca, nadawca, użytkownik, zdarzenie w mediach społecznościowych, ocena wiarygodności kredytowej, adres IP i wiele innych funkcji, których połączenie może potrwać lata, jeśli zostaną przetworzone przez człowieka istota. Algorytmy głębokiego uczenia są szkolone nie tylko w celu tworzenia wzorców ze wszystkich transakcji, ale także wiedzą, kiedy wzorzec sygnalizuje potrzebę oszukańczego dochodzenia. Ostatnia warstwa przekazuje sygnał analitykowi, który może zablokować konto użytkownika do czasu zakończenia wszystkich trwających dochodzeń.
Głębokie uczenie się jest stosowane we wszystkich branżach do wielu różnych zadań. Aplikacje komercyjne korzystające z rozpoznawania obrazów, platformy open source z rekomendacjami konsumenckimi i narzędzia badań medycznych, które badają możliwość ponownego użycia leków na nowe dolegliwości, to tylko kilka przykładów głębokiego uczenia się.
Szybki fakt
Producent elektroniki Panasonic współpracuje z uniwersytetami i ośrodkami badawczymi w celu opracowania technologii głębokiego uczenia się związanych z wizją komputerową.
Porównaj rachunki inwestycyjne Nazwa dostawcy Opis Ujawnienie reklamodawcy × Oferty przedstawione w tej tabeli pochodzą od partnerstw, od których Investopedia otrzymuje wynagrodzenie.