Mi az a mély tanulás?
A mély tanulás egy mesterséges intelligencia funkció, amely utánozza az emberi agy működését az adatok feldolgozásában és a döntéshozatali minták létrehozásában. A mély tanulás a mesterséges intelligencia (AI) gépi tanulásának részhalmaza, amelynek hálózatai képesek felügyelet nélkül tanulni a strukturálatlan vagy címkézetlen adatok alapján. Más néven mély idegi tanulás vagy mély idegi hálózat.
Hogyan működik a mély tanulás
A mély tanulás a digitális korszakban fejlődött ki, amely az adatok minden formája és a világ minden régiójában robbant fel. Ezeket az adatokat, amelyeket egyszerűen big data-nak hívnak, többek között olyan forrásokból származnak, mint a közösségi média, az internetes keresőmotorok, az e-kereskedelmi platformok és az online mozik. Ez a hatalmas mennyiségű adat könnyen hozzáférhető és megosztható a fintech alkalmazásokkal, például a felhőalapú számítástechnikával.
Azonban az adatok, amelyek általában nem strukturáltak, annyira hatalmasak, hogy évtizedekbe telhet az emberek megértése és a releváns információk kinyerése. A vállalatok felismerik azt a hihetetlen potenciált, amelyet ezen információk sokaságának feltárása eredményezhet, és egyre inkább alkalmazkodnak az AI rendszerekhez az automatikus támogatáshoz.
A mély tanulás hatalmas mennyiségű strukturálatlan adatból tanul, amely általában az ember évtizedekig tarthat ahhoz, hogy megértsék és feldolgozzák.
Mély tanulás és gépi tanulás
A nagy adatok feldolgozásához használt leggyakrabban alkalmazott AI technikák a gépi tanulás, egy önadaptív algoritmus, amely egyre jobb elemzést és mintákat kap a tapasztalatokkal vagy az újonnan hozzáadott adatokkal.
Ha egy digitális fizetési társaság a csalás előfordulását vagy potenciálját szeretné észlelni a rendszerében, gépi tanulási eszközöket alkalmazhat erre a célra. A számítógépes modellbe beépített számítási algoritmus feldolgozza a digitális platformon zajló összes tranzakciót, megtalálja a mintákat az adatkészletben, és rámutat a minta által észlelt rendellenességekre.
A mély tanulás, a gépi tanulás részhalmaza, a mesterséges idegi hálózatok hierarchikus szintjét használja a gépi tanulás folyamatának végrehajtásához. A mesterséges ideghálózatok az emberi agyhoz hasonlóan vannak felépítve, idegcsomópontokkal összekapcsolva, mint egy hálóval. Míg a hagyományos programok lineáris módon építik fel az adatok elemzését, a mély tanulási rendszerek hierarchikus funkciója lehetővé teszi a gépek számára, hogy nemlineáris megközelítéssel dolgozzák fel az adatokat.
A csalás vagy pénzmosás felderítésének hagyományos megközelítése a tranzakció mennyiségétől függhet, míg a mélyreható, nemlineáris technika tanulmányozása magában foglalja az időt, a földrajzi elhelyezkedést, az IP-címet, a kiskereskedő típusát és minden egyéb olyan funkciót, amely valószínűleg csalárd tevékenységekre utal.. A neurális hálózat első rétege feldolgozza a nyers adatbevitelt, például a tranzakció összegét, és továbbítja a következő rétegre outputként. A második réteg feldolgozza az előző réteg adatait, kiegészítve olyan információkat, mint például a felhasználó IP-címe, és továbbadja annak eredményét.
A következő réteg átveszi a második réteg adatait, és nyers adatokat tartalmaz, például a földrajzi elhelyezkedést, és még jobbá teszi a gép mintáját. Ez a neuronhálózat minden szintjén folytatódik.
Kulcs elvihető
- A mély tanulás egy olyan AI funkció, amely utánozza az emberi agy működését az adatok feldolgozása során, hogy felhasználhassa a döntéshozatalt. A mély tanulás Az AI képes tanulni olyan adatokból, amelyek egyszerre vannak strukturálatlan és címkézetlen adatok. A mély tanulás, egy gépi tanulási részhalmaz, használható. a csalás vagy pénzmosás felderítéséhez.
Példa a mély tanulásra
A fent említett csalás-észlelési rendszert a gépi tanulással felhasználva mély tanulási példát lehet létrehozni. Ha a gépi tanulási rendszer olyan modellt hozott létre, amelynek paraméterei a felhasználó által elküldött vagy kapott dollárszám körül épülnek, akkor az mélytanulás módszere építhet a gépi tanulás eredményeire.
Neurális hálózatának minden rétege az előző rétegre épül, hozzáadott adatokkal, mint például kiskereskedő, feladó, felhasználó, közösségi média esemény, hitelképesség, IP cím és számos egyéb szolgáltatás, amelyek évekbe telik, hogy összekapcsolódjanak, ha egy ember feldolgozza őket. lény. A mély tanulási algoritmusokat arra készítik, hogy nemcsak mintákat hoznak létre az összes tranzakcióból, hanem azt is tudják, mikor egy minta jelzi a csalárd vizsgálat szükségességét. Az utolsó réteg jelet továbbít egy elemzőnek, aki befagyaszthatja a felhasználói fiókot, amíg az összes függőben lévő vizsgálat lezárul.
A mély tanulást az iparágakban számos különféle feladathoz alkalmazzák. A képfelismerést használó kereskedelmi alkalmazások, nyílt forráskódú platformok fogyasztói ajánlóalkalmazásokkal és orvosi kutatási eszközök, amelyek feltárják a gyógyszerek új betegségek kezelésére való felhasználásának lehetőségét, a mélyreható tanulás beépítésének néhány példája.
Gyors tény
Az elektronikai gyártó, a Panasonic az egyetemekkel és a kutatóközpontokkal együttműködve fejleszti a számítógépes látáshoz kapcsolódó mély tanulási technológiákat.
