Глибоке навчання
Глибоке навчання - це функція штучного інтелекту, яка імітує роботу мозку людини при обробці даних та створенні зразків для використання при прийнятті рішень. Глибоке навчання - це підмножина машинного навчання штучному інтелекту (AI), яка має мережі, здатні навчатися без нагляду за неструктурованими або немеченими даними. Також відомий як глибоке нейронне навчання або глибока нейронна мережа.
Як працює глибоке навчання
Глибоке навчання розвивалося рука об руку з цифровою епохою, яка спричинила вибух даних у всіх формах та з усіх регіонів світу. Ці дані, відомі просто як великі дані, беруться з таких джерел, як соціальні медіа, інтернет-пошукові системи, платформи електронної комерції та інтернет-кінотеатри. Цей величезний об'єм даних легко доступний і може бути обмінений через додатки fintech, наприклад хмарні обчислення.
Однак дані, як правило, неструктуровані, настільки обширні, що людині може знадобитися десятиліття, щоб зрозуміти їх та отримати відповідну інформацію. Компанії усвідомлюють неймовірний потенціал, який може бути результатом розгадування цього багатства інформації, і все частіше адаптується до систем ШІ для автоматизованої підтримки.
Глибоке навчання засвоюється з величезної кількості неструктурованих даних, які зазвичай можуть зайняти людину десятиліттями для розуміння та обробки.
Глибоке навчання проти машинного навчання
Однією з найпоширеніших методів ШІ, що використовується для обробки великих даних, є машинне навчання, алгоритм самоадаптації, який все більше вдосконалює аналіз та зразки з досвідом або з нещодавно доданими даними.
Якщо компанія з цифровими платежами хотіла б виявити виникнення або потенціал шахрайства у своїй системі, вона могла використовувати для цього інструменти машинного навчання. Обчислювальний алгоритм, вбудований в комп'ютерну модель, буде обробляти всі транзакції, що відбуваються на цифровій платформі, знаходити шаблони в наборі даних і вказувати будь-яку аномалію, виявлену за схемою.
Глибоке навчання, підмножина машинного навчання, використовує ієрархічний рівень штучних нейронних мереж для здійснення процесу машинного навчання. Штучні нейронні мережі побудовані як людський мозок, а нейронні вузли з'єднані між собою, як павутина. У той час як традиційні програми будують аналіз з даними лінійним способом, ієрархічна функція систем глибокого навчання дозволяє машинам обробляти дані нелінійним підходом.
Традиційний підхід до виявлення шахрайства чи відмивання грошей може залежати від суми транзакції, що випливає, тоді як нелінійна методика глибокого вивчення включатиме час, географічне розташування, IP-адресу, тип роздрібної торгівлі та будь-яку іншу особливість, яка може вказувати на шахрайську діяльність . Перший шар нейронної мережі обробляє необроблений вхід даних, як сума транзакції, і передає його наступному шару як вихід. Другий рівень обробляє інформацію попереднього шару, включаючи додаткову інформацію, наприклад IP-адресу користувача та передає його результат.
Наступний шар бере інформацію про другий рівень і включає необроблені дані, наприклад географічне розташування, і робить шаблон машини ще кращим. Це триває на всіх рівнях мережі нейронів.
Ключові вивезення
- Глибоке навчання - це функція AI, яка імітує роботу мозку людини при обробці даних для використання у прийнятті рішень.
- Глибоке навчання AI здатне навчитися з даних, які є неструктурованими і не маркованими.
- Глибоке навчання, підмножина машинного навчання, може використовуватися для виявлення шахрайства або відмивання грошей.
Приклад глибокого навчання
Використовуючи вищезазначену систему виявлення шахрайства при машинному навчанні, можна створити приклад глибокого навчання. Якщо система машинного навчання створила модель з параметрами, побудованими навколо кількості доларів, які користувач надсилає або отримує, метод глибокого навчання може почати будуватись на результатах, запропонованих машинним навчанням.
Кожен шар нейромережі ґрунтується на попередньому шарі з доданими даними, такими як роздрібний продавець, відправник, користувач, подія в соціальних мережах, кредитна оцінка, IP-адреса та безліч інших функцій, які можуть зайняти роки для з'єднання разом, якщо їх обробляє людина буття. Алгоритми глибокого навчання навчаються не просто створювати шаблони з усіх транзакцій, а й знати, коли модель сигналізує про необхідність шахрайського розслідування. Заключний рівень передає сигнал аналітику, який може заморозити обліковий запис користувача, поки не будуть завершені всі очікувані розслідування.
Глибоке навчання використовується в усіх галузях промисловості для ряду різних завдань. Комерційні програми, що використовують розпізнавання зображень, платформи з відкритим кодом із програмами рекомендацій споживачів та засоби медичного дослідження, які досліджують можливість повторного використання ліків для нових недуг, - це лише декілька прикладів глибокого навчання.
Швидкий факт
Виробник електроніки Panasonic співпрацює з університетами та науково-дослідними центрами з розробки технологій глибокого навчання, пов'язаних із комп'ютерним зором.
Порівняйте інвестиційні рахунки Ім’я постачальника Опис Розкриття рекламодавця × Пропозиції, що з’являються в цій таблиці, є партнерствами, від яких Investopedia отримує компенсацію.