Dyp læring
Dyp læring er en kunstig intelligensfunksjon som imiterer den menneskelige hjernens virke i prosessering av data og oppretting av mønstre for bruk i beslutningsprosesser. Dyp læring er en undergruppe av maskinlæring innen kunstig intelligens (AI) som har nettverk som kan lære uten oppsyn fra data som er ustrukturerte eller umerkede. Også kjent som dyp nevral læring eller dyp nevralt nettverk.
Hvordan Deep Learning fungerer
Dyp læring har utviklet seg hånd i hånd med den digitale æra, som har ført til en eksplosjon av data i alle former og fra alle regioner i verden. Denne informasjonen, kjent ganske enkelt som big data, er hentet fra kilder som sosiale medier, internett-søkemotorer, e-handelsplattformer og online kinoer. Denne enorme datamengden er lett tilgjengelig og kan deles gjennom fintech-applikasjoner som cloud computing.
Imidlertid er dataene, som normalt er ustrukturerte, så store at det kan ta flere tiår for mennesker å forstå det og trekke ut relevant informasjon. Bedrifter innser det utrolige potensialet som kan være resultatet av å avsløre denne mengden informasjon og tilpasser seg i økende grad til AI-systemer for automatisert støtte.
Dyp læring lærer av store mengder ustrukturerte data som normalt kan ta mennesker tiår å forstå og bearbeide.
Deep Learning versus maskinlæring
En av de vanligste AI-teknikkene som brukes til å behandle big data er maskinlæring, en selvadaptiv algoritme som får stadig bedre analyse og mønstre med erfaring eller med nylig lagt til data.
Hvis et digitalt betalingsselskap ønsket å oppdage forekomsten eller potensialet for svindel i systemet sitt, kunne det benytte maskinlæringsverktøy for dette formålet. Beregningsalgoritmen innebygd i en datamodell vil behandle alle transaksjoner som skjer på den digitale plattformen, finne mønstre i datasettet og påpeke eventuelle avvik som blir oppdaget av mønsteret.
Dyp læring, et undergruppe av maskinlæring, bruker et hierarkisk nivå av kunstige nevrale nettverk for å gjennomføre prosessen med maskinlæring. De kunstige nevrale nettverkene er bygget som den menneskelige hjernen, med nevronknuter som er koblet sammen som en nett. Mens tradisjonelle programmer bygger analyse med data på en lineær måte, gjør den hierarkiske funksjonen til dyp læringssystemer maskiner i stand til å behandle data med en ikke-lineær tilnærming.
En tradisjonell tilnærming for å oppdage svindel eller hvitvasking av penger kan stole på transaksjonsmengden som følger, mens en dyp læring ikke-lineær teknikk vil omfatte tid, geografisk beliggenhet, IP-adresse, type forhandler og enhver annen funksjon som sannsynligvis kan peke på uredelig aktivitet . Det første laget av det nevrale nettverket behandler en rå datainngang som transaksjonsmengden og gir den videre til neste lag som utgang. Det andre laget behandler det forrige lagets informasjon ved å inkludere tilleggsinformasjon som brukerens IP-adresse og viderefører resultatet.
Det neste laget tar informasjon om det andre laget og inkluderer rå data som geografisk beliggenhet og gjør maskinens mønster enda bedre. Dette fortsetter på alle nivåer i nevronenettverket.
Viktige takeaways
- Dyp læring er en AI-funksjon som etterligner virkningen av den menneskelige hjernen i behandlingen av data for bruk i beslutningsprosesser.
- Dyp læring AI er i stand til å lære av data som er både ustrukturerte og umerkede.
- Dyp læring, et maskinundervisningsundersett, kan brukes til å oppdage svindel eller hvitvasking av penger.
Et eksempel på dyp læring
Ved å bruke svindelavdekningssystemet som er nevnt over med maskinlæring, kan man lage et dypt læringseksempel. Hvis maskinlæringssystemet opprettet en modell med parametere som er bygget opp rundt antall dollar en bruker sender eller mottar, kan deep-learning-metoden begynne å bygge videre på resultatene som tilbys av maskinlæring.
Hvert lag i det nevrale nettverket bygger på det forrige laget med lagt til data som en forhandler, avsender, bruker, sosiale mediehendelser, kredittscore, IP-adresse og en rekke andre funksjoner som kan ta år å koble seg sammen hvis de behandles av et menneske å være. Dype læringsalgoritmer er opplært til ikke bare å lage mønstre fra alle transaksjoner, men også vite når et mønster signaliserer behovet for en uredelig etterforskning. Det endelige laget videresender et signal til en analytiker som kan fryse brukerens konto til alle ventende undersøkelser er avsluttet.
Dyp læring brukes på tvers av alle bransjer for en rekke forskjellige oppgaver. Kommersielle apper som bruker bildegjenkjenning, open source-plattformer med apper fra forbrukeranbefaling og medisinsk forskningsverktøy som undersøker muligheten for å gjenbruke medisiner for nye plager er noen av eksemplene på integrering av dyp læring.
Rask fakta
Elektronikkprodusenten Panasonic har samarbeidet med universiteter og forskningssentre for å utvikle dyp læringsteknologier relatert til datasyn.
Sammenlign Navn på leverandør av investeringskontoer Beskrivelse Annonsørens avsløring × Tilbudene som vises i denne tabellen er fra partnerskap som Investopedia mottar kompensasjon fra.