Kaj je poglobljeno učenje?
Globoko učenje je funkcija umetne inteligence, ki posnema delovanje človeških možganov pri obdelavi podatkov in ustvarjanju vzorcev za uporabo pri odločanju. Globoko učenje je podskupina strojnega učenja umetne inteligence (AI), ki ima mreže, ki se lahko nenadzorovano učijo iz nestrukturiranih ali neoznačenih podatkov. Znano tudi kot globoko nevronsko učenje ali globoko nevronsko omrežje.
Kako deluje globoko učenje
Globoko učenje se je razvijalo z roko v roki z digitalno dobo, ki je prinesla eksplozijo podatkov v vseh oblikah in iz vseh regij sveta. Ti podatki, znani preprosto kot veliki podatki, med drugim črpajo iz virov, kot so družbeni mediji, internetni iskalniki, platforme za e-trgovino in spletni kinodvorani. Ta ogromna količina podatkov je zlahka dostopna in se lahko deli z njimi v fintech aplikacijah, kot je računalništvo v oblaku.
Vendar so podatki, ki so običajno nestrukturirani, tako obsežni, da bi človek lahko trajal desetletja, da bi jih razumel in pridobil ustrezne informacije. Podjetja se zavedajo neverjetnega potenciala, ki je posledica razkritja tega bogastva informacij, in se vse bolj prilagajajo sistemom AI za samodejno podporo.
Globoko učenje se uči iz ogromnih količin nestrukturiranih podatkov, ki bi jih ljudje lahko potrebovali desetletja za razumevanje in obdelavo.
Globoko učenje v primerjavi s strojnim učenjem
Ena najpogostejših tehnik AI, ki se uporablja za obdelavo velikih podatkov, je strojno učenje, samonalagajni algoritem, ki dobiva vedno boljše analize in vzorce z izkušnjami ali z novo dodanimi podatki.
Če bi podjetje za digitalna plačila želelo zaznati pojav ali možnost goljufije v svojem sistemu, bi lahko v ta namen uporabilo orodja za strojno učenje. Računalniški algoritem, vgrajen v računalniški model, bo obdelal vse transakcije, ki se dogajajo na digitalni platformi, poiskal vzorce v naboru podatkov in opozoril na kakršno koli anomalijo, ki jo zazna vzorec.
Globoko učenje, podmnoža strojnega učenja, uporablja hierarhično raven umetnih nevronskih mrež za izvajanje procesa strojnega učenja. Umetne nevronske mreže so zgrajene tako kot človeški možgani, pri čemer so nevronska vozlišča povezana kot splet. Medtem ko tradicionalni programi gradijo analizo s podatki linearno, hierarhična funkcija sistemov globokega učenja omogoča strojem obdelavo podatkov z nelinearnim pristopom.
Tradicionalni pristop pri odkrivanju goljufij ali pranja denarja se lahko zanese na znesek transakcije, medtem ko bi nelinearna tehnika poglobljenega učenja vključevala čas, geografski položaj, IP naslov, vrsto prodajalca in vse druge značilnosti, ki bi lahko kazale na goljufivo dejavnost. Prva plast nevronske mreže obdeluje vhodne podatke, kot je količina transakcije, in jih prenese na naslednji nivo kot izhod. Drugi sloj obdela podatke prejšnjega sloja, tako da vključi dodatne informacije, kot je uporabnikov IP-naslov in posreduje njegov rezultat.
Naslednja plast vsebuje informacije o drugem sloju in vključuje neobdelane podatke, na primer geografsko lego, in vzorec naprave še izboljša. To se nadaljuje na vseh ravneh nevronske mreže.
Ključni odvzemi
- Globoko učenje je funkcija AI, ki posnema delovanje človeških možganov pri obdelavi podatkov za uporabo pri sprejemanju odločitev. Globoko učenje AI se lahko uči iz podatkov, ki so nestrukturirani in neoznačeni. Uporablja se lahko globinsko učenje, podmnožje strojnega učenja za odkrivanje goljufij ali pranja denarja.
Primer poglobljenega učenja
Z zgoraj omenjenim sistemom odkrivanja goljufij pri strojnem učenju lahko ustvarimo primer globokega učenja. Če je sistem strojnega učenja ustvaril model s parametri, zgrajenimi okoli števila dolarjev, ki ga uporabnik pošlje ali prejme, lahko metoda globokega učenja začne graditi na rezultatih, ki jih ponuja strojno učenje.
Vsaka plast svojega nevronskega omrežja temelji na prejšnjem sloju z dodatnimi podatki, kot so prodajalec, pošiljatelj, uporabnik, dogodek v družabnih medijih, kreditni rezultat, IP naslov in številne druge funkcije, ki lahko trajajo leta, da se povežejo skupaj, če jih obdeluje človek biti. Algoritmi za poglobljeno učenje so usposobljeni, da ne samo ustvarijo vzorce iz vseh transakcij, ampak tudi vedo, kdaj vzorec signalizira potrebo po lažni preiskavi. Končni sloj posreduje signal analitiku, ki lahko zamrzne uporabnikov račun, dokler se ne zaključijo vse čakajoče preiskave.
Globoko učenje se uporablja v vseh panogah za številne različne naloge. Komercialne aplikacije, ki uporabljajo prepoznavanje slik, odprtokodne platforme z aplikacijami za priporočila potrošnikov in medicinska raziskovalna orodja, ki raziskujejo možnost ponovne uporabe zdravil za nove težave, so nekaj primerov vključevanja v globoko učenje.
Hitro dejstvo
Proizvajalec elektronike Panasonic sodeluje z univerzami in raziskovalnimi centri pri razvoju tehnologij globokega učenja, povezanih z računalniškim vidom.
