Głęboka nauka
Co to jest uczenie głębokie?
Uczenie głębokie to funkcja sztucznej inteligencji (AI), która naśladuje działanie ludzkiego mózgu w przetwarzaniu danych i tworzeniu wzorców do wykorzystania w procesie podejmowania decyzji. Uczenie głębokie to podzbiór uczenia maszynowego w sztucznej inteligencji, który ma sieci zdolne do uczenia się bez nadzoru na podstawie danych, które są nieustrukturyzowane lub nieoznaczone. Znany również jako głębokie uczenie neuronowe lub głęboka sieć neuronowa.
Kluczowe wnioski
- Głębokie uczenie to funkcja sztucznej inteligencji, która naśladuje działanie ludzkiego mózgu podczas przetwarzania danych w celu wykrywania obiektów, rozpoznawania mowy, tłumaczenia języków i podejmowania decyzji.
- Głębokie uczenie się AI jest w stanie uczyć się bez nadzoru człowieka, korzystając z danych, które są zarówno nieustrukturyzowane, jak i nieoznaczone.
- Głębokie uczenie, forma uczenia maszynowego, może służyć m.in. do wykrywania oszustw lub prania brudnych pieniędzy.
Jak działa uczenie głębokie
Uczenie głębokie ewoluowało wraz z erą cyfrową, która przyniosła eksplozję danych we wszystkich formach iz każdego regionu świata. Te dane, znane po prostu jako duże zbiory danych, pochodzą między innymi ze źródeł takich jak media społecznościowe, wyszukiwarki internetowe, platformy handlu elektronicznego 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 są nieustrukturyzowane, są tak obszerne, że zrozumienie ich i wydobycie odpowiednich informacji może zająć ludziom dziesięciolecia. Firmy zdają sobie sprawę z niesamowitego potencjału, jaki może wynikać z odkrywania tego bogactwa informacji i coraz częściej dostosowują się do systemów sztucznej inteligencji w celu zautomatyzowanego wsparcia.
Głębokie uczenie ujawnia ogromne ilości nieustrukturyzowanych danych, których zrozumienie i przetworzenie normalnie zajęłoby ludziom dziesięciolecia.
Uczenie głębokie a uczenie maszynowe
Jedną z najpopularniejszych technik sztucznej inteligencji wykorzystywanych do przetwarzania dużych zbiorów danych jest uczenie maszynowe, samodostosowujący się algorytm, który uzyskuje coraz lepsze analizy i wzorce wraz z doświadczeniem lub z nowo dodanymi danymi.
Gdyby firma zajmująca się płatnościami cyfrowymi chciała wykryć wystąpienie lub potencjalne oszustwo w swoim systemie, mogłaby zastosować w tym celu narzędzia uczenia maszynowego. Algorytm obliczeniowy wbudowany w model komputerowy przetworzy wszystkie transakcje zachodzące na platformie cyfrowej, znajdzie wzorce w zbiorze danych i wskaże wszelkie anomalie wykryte przez wzorzec.
Uczenie głębokie, podzbiór uczenia maszynowego, wykorzystuje hierarchiczny poziom sztucznych sieci neuronowych do realizacji procesu uczenia maszynowego. Sztuczne sieci neuronowe są zbudowane jak ludzki mózg, z węzłami neuronów 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 podejściem nieliniowym.
Producent elektroniki Panasonic współpracuje z uniwersytetami i ośrodkami badawczymi nad rozwojem technologii głębokiego uczenia się związanych z wizją komputerową.
Uwagi specjalne
Tradycyjne podejście do wykrywania oszustw lub prania pieniędzy może opierać się na kwocie transakcji, która następuje, podczas gdy nieliniowa technika głębokiego uczenia obejmuje czas, lokalizację geograficzną, adres IP, typ sprzedawcy i wszelkie inne cechy, które mogą wskazywać na oszukańcze czynność. 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 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.
Przykład głębokiego uczenia się
Korzystając ze wspomnianego wyżej systemu wykrywania oszustw z uczeniem maszynowym, można stworzyć przykład głębokiego uczenia. Jeśli system uczenia maszynowego utworzył model z parametrami zbudowanymi wokół liczby dolarów, które użytkownik wysyła lub otrzymuje, metoda uczenia głębokiego może zacząć budować na wynikach oferowanych przez uczenie maszynowe.
Każda warstwa sieci neuronowej opiera się na poprzedniej warstwie z dodatkowymi danymi, takimi jak sprzedawca, nadawca, użytkownik, wydarzenie w mediach społecznościowych, ocena kredytowa, adres IP i wiele innych funkcji, których połączenie może zająć lata, jeśli zostaną przetworzone przez człowieka istota. Algorytmy uczenia głębokiego są przeszkolone, aby nie tylko tworzyć wzorce ze wszystkich transakcji, ale także wiedzieć, kiedy wzorzec sygnalizuje potrzebę oszukańczego dochodzenia. Ostatnia warstwa przekazuje sygnał analitykowi, który może zamrozić konto użytkownika do czasu zakończenia wszystkich toczących się dochodzeń.
Głębokie uczenie jest używane we wszystkich branżach do wielu różnych zadań. Komercyjne aplikacje wykorzystujące rozpoznawanie obrazu, platformy open source z aplikacjami z rekomendacjami konsumenckimi oraz medyczne narzędzia badawcze, które badają możliwość ponownego użycia leków na nowe dolegliwości, to tylko kilka przykładów włączenia głębokiego uczenia się.
Często Zadawane Pytania
Co to jest uczenie głębokie?
Głębokie uczenie, znane również jako głębokie sieci neuronowe lub uczenie neuronowe, jest formą sztucznej inteligencji (AI), która stara się odtworzyć działanie ludzkiego mózgu. Jest to forma uczenia maszynowego, której funkcje działają w nieliniowym procesie decyzyjnym. Głębokie uczenie ma miejsce, gdy decyzje dotyczące nieustrukturyzowanych danych są podejmowane bez nadzoru. Rozpoznawanie obiektów, rozpoznawanie mowy i tłumaczenie języków to tylko niektóre z zadań wykonywanych w ramach uczenia głębokiego.
Jak działa uczenie głębokie?
Jako podzbiór uczenia maszynowego, uczenie głębokie wykorzystuje hierarchiczne sieci neuronowe do analizy danych. Kody neuronów są połączone ze sobą w tych hierarchicznych sieciach neuronowych, podobnie jak w ludzkim mózgu. W przeciwieństwie do innych tradycyjnych programów liniowych w maszynach, hierarchiczna struktura głębokiego uczenia pozwala przyjąć podejście nieliniowe, przetwarzając dane w szeregu warstw, z których każda będzie integrować kolejne poziomy dodatkowych informacji.
Jaki jest przykład głębokiego uczenia się?
Kiedy głębokie uczenie jest używane do wykrywania oszustw, wykorzystuje kilka sygnałów, takich jak adres IP, ocena kredytowa, sprzedawca lub nadawca, by wymienić tylko kilka. W pierwszej warstwie swojej sztucznej sieci neuronowej przeanalizuje wysłaną ilość. W drugiej warstwie będzie opierać się na tych informacjach i na przykład zawierać adres IP. W trzeciej warstwie ocena kredytowa zostanie dodana do istniejących informacji i tak dalej, aż do podjęcia ostatecznej decyzji.