Hlboké učenie.

Čo je to Deep Learning ?

Hlboké učenie je funkcia umelej inteligencie (AI), ktorá napodobňuje činnosť ľudského mozgu pri spracovaní údajov a vytváraní vzorcov pre použitie pri rozhodovaní.

Hlboké učenie je podmnožinou strojového učenia v umelej inteligencii, ktorá má siete schopné učiť sa bez dozoru z údajov, ktoré sú neštruktúrované alebo neoznačené.

Tiež sa nazýva hlboké neurálne učenie alebo hlboká neurónová sieť.

Ako funguje hlboké učenie.

Hlboké učenie sa vyvíjalo ruka v ruke s digitálnou érou, ktorá priniesla explóziu dát vo všetkých formách a zo všetkých oblastí sveta.

Tieto údaje, známe jednoducho ako veľké údaje, sú čerpané okrem iného zo zdrojov ako sociálne médiá, internetové vyhľadávače, platformy elektronického obchodu a online kiná.

Toto obrovské množstvo údajov je ľahko prístupné a dá sa zdieľať prostredníctvom fintech aplikácií, ako je cloud computing.

Údaje, ktoré sú zvyčajne neštruktúrované, sú však také obrovské, že môže trvať desaťročia, kým ich ľudia pochopia a získajú z nich príslušné informácie.

Spoločnosti si uvedomujú neuveriteľný potenciál, ktorý môže vyplynúť z odhalenia tohto množstva informácií, a čoraz viac sa prispôsobujú systémom AI pre automatizovanú podporu.

Hlboké učenie vs. strojové učenie.

Jednou z najbežnejších techník umelej inteligencie používaných na spracovanie veľkých dát je strojové učenie, autonapraviteľný algoritmus, ktorý získava čoraz lepšiu analýzu a vzory so skúsenosťami alebo s novo pridanými dátami.

Ak by spoločnosť zaoberajúca sa digitálnymi platbami chcela zistiť výskyt alebo potenciál podvodov v jej systéme, mohla by na tento účel použiť nástroje strojového učenia. Výpočtový algoritmus zabudovaný do počítačového modelu spracuje všetky transakcie prebiehajúce na digitálnej platforme, nájde vzory v množine údajov a upozorní na všetky anomálie zistené týmto vzorcom.

Hlboké učenie, podmnožina strojového učenia, využíva na uskutočnenie procesu strojového učenia hierarchickú úroveň umelých neurónových sietí. Umelé neurónové siete sú postavené ako ľudský mozog a neurónové uzly sú navzájom spojené ako pavučina. Zatiaľ čo tradičné programy vytvárajú analýzu s údajmi lineárne, hierarchická funkcia systémov hlbokého učenia umožňuje strojom spracovávať údaje nelineárnym prístupom.

Špeciálne zretele.

Tradičný prístup k odhaľovaniu podvodov alebo prania špinavých peňazí sa môže spoliehať na množstvo transakcií, ktoré z toho budú plynúť, zatiaľ čo nelineárna technika hlbokého učenia by zahŕňala čas, geografické umiestnenie, IP adresu, typ maloobchodníka a akékoľvek ďalšie prvky, ktoré by mohli poukazovať na podvodné konanie

činnosť.

Prvá vrstva neurónovej siete spracováva vstup nespracovaných údajov, ako je veľkosť transakcie, a prenáša ich do ďalšej vrstvy ako výstup.

Druhá vrstva spracuje informácie o predchádzajúcej vrstve zahrnutím ďalších informácií, ako je IP adresa používateľa, a odovzdá jej výsledok.

Ďalšia vrstva preberá informácie druhej vrstvy a obsahuje nespracované údaje, ako je geografická poloha, a zvyšuje tak model zariadenia.

Toto pokračuje na všetkých úrovniach neurónovej siete.

Hlboký príklad učenia.

Pomocou vyššie uvedeného systému detekcie podvodov so strojovým učením sa dá vytvoriť príklad hlbokého učenia. Ak systém strojového učenia vytvoril model s parametrami postavenými na počte dolárov, ktoré používateľ pošle alebo dostane, môže metóda hlbokého učenia začať stavať na výsledkoch ponúkaných strojovým učením.

Každá vrstva svojej neurónovej siete stavia na svojej predchádzajúcej vrstve s pridanými údajmi, ako sú maloobchodník, odosielateľ, používateľ, udalosť na sociálnych sieťach, kreditné skóre, adresa IP a množstvo ďalších funkcií, ktorých vzájomné prepojenie môže trvať roky, ak ich spracuje človek. bytie. Algoritmy hlbokého učenia sú trénované tak, aby nielen vytvárali vzory zo všetkých transakcií, ale aj aby vedeli, kedy daný vzor signalizuje potrebu podvodného vyšetrovania. Posledná vrstva vysiela signál analytikovi, ktorý môže zmraziť účet používateľa, kým nebudú dokončené všetky čakajúce vyšetrovania.

Hlboké učenie sa používa vo všetkých priemyselných odvetviach na množstvo rôznych úloh. Medzi príklady začlenenia hlbokého učenia patrí niekoľko komerčných aplikácií, ktoré využívajú rozpoznávanie obrázkov, platformy open-source s aplikáciami odporúčaní pre spotrebiteľov a nástroje lekárskeho výskumu, ktoré skúmajú možnosť opätovného použitia liekov na nové ochorenia.