Co je hluboké učení?
Hluboké učení je funkce umělé inteligence, která napodobuje fungování lidského mozku při zpracování dat a vytváření vzorců pro použití při rozhodování. Hluboké učení je podmnožinou strojového učení v umělé inteligenci (AI), které má sítě schopné učit se bez dozoru z dat, která jsou nestrukturovaná nebo neznačená. Také známý jako hluboké nervové učení nebo hluboká neurální síť.
Jak funguje hluboké učení
Hluboké učení se vyvinulo ruku v ruce s digitální érou, která způsobila explozi dat ve všech podobách a ze všech oblastí světa. Tato data, známá jednoduše jako velká data, pocházejí mimo jiné ze zdrojů, jako jsou sociální média, internetové vyhledávače, platformy elektronického obchodování a online kina. Toto obrovské množství dat je snadno dostupné a lze je sdílet prostřednictvím nejmodernějších aplikací, jako je cloud computing.
Údaje, které jsou obvykle nestrukturovány, jsou však tak rozsáhlé, že by lidem mohlo trvat celá desetiletí, než je pochopí a získají relevantní informace. Společnosti si uvědomují neuvěřitelný potenciál, který může vyplynout z odhalení tohoto množství informací a stále více se přizpůsobují AI systémům pro automatizovanou podporu.
Hluboké učení se učí z obrovského množství nestrukturovaných dat, která by normálně mohla lidem porozumět a zpracovat desetiletí.
Hluboké učení versus strojové učení
Jednou z nejčastějších technik AI používaných pro zpracování velkých dat je strojové učení, samoadaptivní algoritmus, který získává stále lepší analýzy a vzorce se zkušenostmi nebo s nově přidanými daty.
Pokud by společnost pro digitální platby chtěla ve svém systému zjistit výskyt nebo potenciál podvodu, mohla by za tímto účelem použít nástroje strojového učení. Výpočtový algoritmus zabudovaný do počítačového modelu zpracuje všechny transakce probíhající na digitální platformě, vyhledá vzory v sadě dat a upozorní na anomálie zjištěné daným vzorem.
Hluboké učení, podmnožina strojového učení, využívá k provádění procesu strojového učení hierarchickou úroveň umělých neuronových sítí. Umělé neuronové sítě jsou budovány jako lidský mozek, s neuronovými uzly spojenými dohromady jako pavučina. Zatímco tradiční programy vytvářejí analýzu s daty lineárním způsobem, hierarchická funkce systémů hlubokého učení umožňuje strojům zpracovávat data s nelineárním přístupem.
Tradiční přístup k odhalování podvodů nebo praní špinavých peněz by se mohl spoléhat na množství transakcí, které následuje, zatímco nelineární technika hlubokého učení by zahrnovala čas, geografické umístění, IP adresu, typ maloobchodníka a jakoukoli další vlastnost, která pravděpodobně ukazuje na podvodnou činnost. První vrstva neuronové sítě zpracovává vstup surových dat, jako je velikost transakce, a předává ji na další vrstvu jako výstup. Druhá vrstva zpracovává informace předchozí vrstvy zahrnutím dalších informací, jako je IP adresa uživatele, a předává svůj výsledek.
Další vrstva přebírá informace druhé vrstvy a zahrnuje nezpracovaná data, jako je geografická poloha, a vylepšuje vzor stroje. To pokračuje napříč všemi úrovněmi neuronové sítě.
Klíč s sebou
- Hluboké učení je funkce umělé inteligence, která napodobuje fungování lidského mozku při zpracování dat pro použití při rozhodování. Důkladné učení umělé inteligence je schopno se učit z dat, která jsou jak nestrukturovaná, tak neznačená. Lze použít hluboké učení, podmnožinu strojového učení. pomáhají odhalit podvody nebo praní špinavých peněz.
Příklad hlubokého učení
Pomocí výše uvedeného systému detekce podvodů se strojovým učením lze vytvořit příklad hlubokého učení. Pokud systém strojového učení vytvořil model s parametry postavenými na počtu dolarů, které uživatel odešle nebo obdrží, může metoda hlubokého učení začít stavět na výsledcích nabízených strojovým učením.
Každá vrstva své neuronové sítě staví na své předchozí vrstvě s přidanými údaji, jako je maloobchod, odesílatel, uživatel, událost v sociálních médiích, kreditní skóre, adresa IP a řada dalších funkcí, které mohou trvat roky, než se spojí, pokud jsou zpracovány člověkem. bytost. Algoritmy pro hluboké učení jsou školeny tak, aby nejen vytvářely vzorce ze všech transakcí, ale také věděly, kdy určitý vzorec signalizuje potřebu podvodného vyšetřování. Konečná vrstva předává signál analytikovi, který může zmrazit uživatelský účet, dokud nebudou dokončena všechna probíhající vyšetřování.
Hluboké učení se používá ve všech průmyslových odvětvích pro řadu různých úkolů. Komerční aplikace využívající rozpoznávání obrázků, platformy s otevřeným zdrojovým kódem s aplikacemi pro doporučení spotřebitelů a nástroje lékařského výzkumu, které zkoumají možnost opětovného použití léků pro nová onemocnění, jsou jen některé z příkladů začlenění do hlubokého učení.
Rychlá fakta
Výrobce elektroniky Panasonic spolupracuje s univerzitami a výzkumnými středisky na vývoji technologií pro hluboké učení související s počítačovým viděním.
