Hlboké učenie
Hlboké vzdelávanie je funkcia umelej inteligencie, ktorá napodobňuje fungovanie ľudského mozgu pri spracovaní údajov a vytvára vzory na použitie pri rozhodovaní. Hlboké vzdelávanie je podmnožinou strojového učenia v umelej inteligencii (AI), ktorá má siete schopné učiť sa bez dozoru od dát, ktoré sú neštruktúrované alebo neznačené. Tiež známy ako hlboké neurónové učenie alebo hlboká neurónová sieť.
Ako funguje hlboké vzdelávanie
Hlboké vzdelávanie sa vyvíjalo ruka v ruke s digitálnou érou, ktorá spôsobila explóziu údajov vo všetkých formách a zo všetkých oblastí sveta. Tieto údaje, známe jednoducho ako veľké údaje, pochádzajú okrem iného zo zdrojov, ako sú sociálne médiá, internetové vyhľadávacie nástroje, platformy elektronického obchodu a online kiná. Toto obrovské množstvo údajov je ľahko prístupné a dá sa zdieľať pomocou najmodernejších aplikácií, ako je cloud computing.
Údaje, ktoré sú zvyčajne neštruktúrované, sú však také veľké, že ich pochopenie a získanie relevantných informácií môže trvať desaťročia. Spoločnosti si uvedomujú neuveriteľný potenciál, ktorý môže vyplynúť z odhalenia tohto množstva informácií a stále viac sa prispôsobujú systémom AI na automatizovanú podporu.
Hlboké vzdelávanie sa učí z obrovského množstva neštruktúrovaných údajov, ktoré by normálne mohli ľuďom porozumieť a spracovať desaťročia.
Hlboké učenie verzus strojové učenie
Jednou z najbežnejších AI techník používaných pri spracovaní veľkých dát je strojové učenie, samoadaptívny algoritmus, ktorý so skúsenosťami alebo s novými údajmi získava stále lepšiu analýzu a vzorce.
Ak by spoločnosť zaoberajúca sa digitálnymi platbami chcela vo svojom systéme zistiť výskyt alebo potenciál podvodu, 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 akékoľvek anomálie zistené daným vzorom.
Hlboké učenie, podmnožina strojového učenia, využíva hierarchickú úroveň umelých neurónových sietí na vykonávanie procesu strojového učenia. Umelé neurónové siete sú budované ako ľudský mozog a neurónové uzly sú vzájomne spojené ako sieť. Zatiaľ čo tradičné programy vytvárajú analýzu s údajmi lineárnym spôsobom, hierarchická funkcia systémov hlbokého učenia umožňuje strojom spracovávať údaje s nelineárnym prístupom.
Tradičný prístup k odhaľovaniu podvodov alebo prania špinavých peňazí by sa mohol opierať o množstvo transakcií, ktoré nastanú, zatiaľ čo nelineárna technika hlbokého učenia by zahŕňala čas, geografickú polohu, adresu IP, typ maloobchodníka a akékoľvek ďalšie funkcie, ktoré pravdepodobne poukazujú na podvodnú činnosť., Prvá vrstva neurónovej siete spracováva vstup surových údajov, ako je veľkosť transakcie, a prenáša ju na ďalšiu vrstvu ako výstup. Druhá vrstva spracúva informácie predchádzajúcej vrstvy tak, že do nej zahrnie ďalšie informácie, ako je adresa IP používateľa, a odovzdá výsledok.
Ďalšia vrstva preberá informácie druhej vrstvy a obsahuje nespracované údaje, ako je geografická poloha, a ešte viac vylepšuje vzor stroja. Toto pokračuje cez všetky úrovne neurónovej siete.
Kľúčové jedlá
- Hlboké učenie je funkcia AI, ktorá napodobňuje fungovanie ľudského mozgu pri spracovaní údajov na použitie pri rozhodovaní.
- Hlboké učenie sa AI je schopné učiť sa z dát, ktoré sú neštruktúrované aj neznačené.
- Hlboké vzdelávanie, podmnožina strojového učenia, sa môže použiť na odhalenie podvodov alebo prania špinavých peňazí.
Príklad hlbokého učenia
Pomocou vyššie uvedeného systému detekcie podvodov s strojovým učením je možné vytvoriť príklad hlbokého vzdelávania. Ak systém strojového učenia vytvoril model s parametrami postavenými na počte dolárov, ktoré užívateľ posiela alebo prijíma, 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 maloobchod, odosielateľ, používateľ, udalosť v sociálnych médiách, kreditné skóre, adresa IP a množstvo ďalších funkcií, ktoré môžu trvať roky, než sa spoja, ak ich spracuje človek. bytia. Algoritmy hlbokého učenia sú trénované tak, aby nielen vytvárali vzorce zo všetkých transakcií, ale tiež vedeli, kedy model signalizuje potrebu podvodného vyšetrovania. Posledná vrstva odovzdáva signál analytikovi, ktorý môže zmraziť účet používateľa, kým sa neskončia všetky prebiehajúce vyšetrovania.
Hlboké vzdelávanie sa používa vo všetkých odvetviach na množstvo rôznych úloh. Komerčné aplikácie, ktoré používajú rozpoznávanie obrázkov, platformy s otvoreným zdrojovým kódom s aplikáciami odporúčajúcimi spotrebiteľom a lekárske výskumné nástroje, ktoré skúmajú možnosť opätovného použitia liekov na nové ochorenia, sú niektoré z príkladov začlenenia sa do hlbokého učenia.
Rýchly fakt
Výrobca elektroniky Panasonic spolupracuje s univerzitami a výskumnými centrami na vývoji technológií hlbokého vzdelávania týkajúcich sa počítačového videnia.
Porovnať investičné účty Názov poskytovateľa Opis Zverejnenie informácií inzerenta × Ponuky uvedené v tejto tabuľke pochádzajú od partnerstiev, od ktorých spoločnosť Investopedia dostáva kompenzácie.