Deep Learning
Deep learning er en kunstig intelligensfunktion, der efterligner den menneskelige hjernes arbejde i behandlingen af data og skabelse af mønstre til brug i beslutningsprocessen. Deep learning er en undergruppe af maskinlæring inden for kunstig intelligens (AI), der har netværk, der er i stand til at lære uden opsyn fra data, der er ustrukturerede eller umærkede. Også kendt som dyb neuralt læring eller dybt neuralt netværk.
Sådan fungerer dyb læring
Dyb læring har udviklet sig hånd i hånd med den digitale æra, som har medført en eksplosion af data i alle former og fra alle regioner i verden. Disse data, der blot kaldes big data, er hentet fra kilder som sociale medier, internet-søgemaskiner, e-handelsplatforme og online biografer. Denne enorme mængde data er let tilgængelig og kan deles via fintech-applikationer som cloud computing.
Imidlertid er dataene, som normalt ikke er struktureret, så store, at det kan tage årtier for mennesker at forstå dem og udtrække relevant information. Virksomheder indser det utrolige potentiale, der kan være resultatet af at afsløre dette væld af information og tilpasser sig i stigende grad til AI-systemer til automatiseret support.
Dyb læring lærer af store mængder ustrukturerede data, der normalt kan tage mennesker årtier at forstå og behandle.
Deep Learning versus Machine Learning
En af de mest almindelige AI-teknikker, der bruges til behandling af big data, er maskinlæring, en selvadaptiv algoritme, der får stadig bedre analyse og mønstre med erfaring eller med nyligt tilføjede data.
Hvis et digitalt betalingsfirma ønskede at opdage forekomsten eller potentialet for svig i sit system, kunne det anvende maskinlæringsværktøjer til dette formål. Den beregningsalgoritme, der er indbygget i en computermodel, vil behandle alle transaktioner, der sker på den digitale platform, finde mønstre i datasættet og påpege enhver afvigelse, der opdages af mønsteret.
Deep learning, en delmængde af maskinlæring, bruger et hierarkisk niveau af kunstige neurale netværk til at udføre processen med maskinlæring. De kunstige neurale netværk er bygget som den menneskelige hjerne med neuronknudepunkter forbundet som et web. Mens traditionelle programmer bygger analyse med data på en lineær måde, giver den hierarkiske funktion af dyb læringssystemer maskiner til at behandle data med en ikke-lineær tilgang.
En traditionel tilgang til at opdage svig eller hvidvaskning af penge kan stole på størrelsen af transaktioner, der følger, mens en dyb indlæring, ikke-lineær teknik, vil omfatte tid, geografisk placering, IP-adresse, type detailhandler og enhver anden funktion, der sandsynligvis peger på svigagtig aktivitet . Det første lag af det neurale netværk behandler et rå datainput som transaktionens størrelse og overfører det til det næste lag som output. Det andet lag behandler det foregående lags oplysninger ved at inkludere yderligere oplysninger som brugerens IP-adresse og videregiver dets resultat.
Det næste lag tager det andet lags oplysninger og inkluderer rådata som geografisk placering og gør maskinens mønster endnu bedre. Dette fortsætter på tværs af alle niveauer i neuronetværket.
Key takeaways
- Deep learning er en AI-funktion, der efterligner den menneskelige hjernes arbejde ved behandling af data til brug i beslutningsprocessen.
- Deep learning AI er i stand til at lære af data, der er både ustrukturerede og umærkede.
- Dyb læring, et undervisningsmaskine med maskinlæring, kan bruges til at opdage svig eller hvidvaskning af penge.
Et eksempel på dyb læring
Ved hjælp af det svindel-detekteringssystem, der er nævnt ovenfor med maskinlæring, kan man skabe et dybt læringseksempel. Hvis maskinlæringssystemet oprettede en model med parametre, der er bygget op omkring det antal dollars, en bruger sender eller modtager, kan deep-learning-metoden begynde at bygge videre på de resultater, der tilbydes af maskinlæring.
Hvert lag på det neurale netværk bygger på det forrige lag med tilføjede data som en detailhandler, afsender, bruger, social media-begivenhed, kredit score, IP-adresse og en række andre funktioner, der kan tage år at oprette forbindelse, hvis de behandles af et menneske være. Dyb indlæringsalgoritmer er trænet til ikke kun at oprette mønstre fra alle transaktioner, men også vide, hvornår et mønster signaliserer behovet for en svigagtig undersøgelse. Det sidste lag videresender et signal til en analytiker, som muligvis kan fryse brugerens konto, indtil alle afventende undersøgelser er afsluttet.
Dyb læring bruges på tværs af alle brancher til en række forskellige opgaver. Kommercielle apps, der bruger billedgenkendelse, open source-platforme med apps til forbrugeranbefaling og medicinsk forskningsværktøj, der undersøger muligheden for at genbruge medicin til nye lidelser er nogle af eksemplerne på integrering af dyb læring.
Hurtig fakta
Elektronikproducent Panasonic har samarbejdet med universiteter og forskningscentre for at udvikle dyb læringsteknologier relateret til computersyn.
Sammenlign Navn på udbydere af investeringskonti Beskrivelse Annoncørens viden × De tilbud, der vises i denne tabel, er fra partnerskaber, hvorfra Investopedia modtager kompensation.