Βαθιά μάθηση
Η βαθιά μάθηση είναι μια λειτουργία τεχνητής νοημοσύνης που μιμείται τη λειτουργία του ανθρώπινου εγκεφάλου στην επεξεργασία δεδομένων και τη δημιουργία μοτίβων για χρήση στη λήψη αποφάσεων. Η βαθιά εκμάθηση είναι ένα υποσύνολο μηχανικής μάθησης σε τεχνητή νοημοσύνη (AI) που έχει δίκτυα ικανά να μαθαίνουν χωρίς επίβλεψη από δεδομένα που είναι αδόμητα ή μη επισημασμένα. Επίσης γνωστή ως βαθιά νευρική μάθηση ή βαθύ νευρωνικό δίκτυο.
Πώς λειτουργεί η βαθιά μάθηση
Η βαθιά εκμάθηση εξελίχθηκε χέρι-χέρι με την ψηφιακή εποχή, η οποία έχει προκαλέσει έκρηξη δεδομένων σε όλες τις μορφές και από κάθε περιοχή του κόσμου. Αυτά τα δεδομένα, γνωστά απλά ως μεγάλα δεδομένα, αντλούνται από πηγές όπως τα κοινωνικά μέσα, οι μηχανές αναζήτησης στο internet, οι πλατφόρμες ηλεκτρονικού εμπορίου και οι σε απευθείας σύνδεση κινηματογράφοι, μεταξύ άλλων. Αυτός ο τεράστιος όγκος δεδομένων είναι εύκολα προσβάσιμος και μπορεί να μοιραστεί μέσω εφαρμογών fintech όπως cloud computing.
Ωστόσο, τα δεδομένα, τα οποία είναι κανονικά αδόμητα, είναι τόσο τεράστια ώστε μπορεί να χρειαστούν δεκαετίες για να κατανοήσουν οι άνθρωποι και να αποκτήσουν σχετικές πληροφορίες. Οι εταιρείες συνειδητοποιούν την απίστευτη δυνατότητα που μπορεί να προκύψει από την εξάπλωση αυτού του πλούτου πληροφοριών και προσαρμόζονται όλο και περισσότερο στα συστήματα AI για αυτοματοποιημένη υποστήριξη.
Η βαθιά μάθηση μαθαίνει από τεράστιες ποσότητες αδόμητων δεδομένων που κανονικά θα μπορούσαν να κάνουν τους ανθρώπους δεκαετίες να κατανοούν και να επεξεργάζονται.
Βαθιά μάθηση έναντι εκμάθησης μηχανών
Μία από τις πιο κοινές τεχνικές AI που χρησιμοποιούνται για την επεξεργασία μεγάλων δεδομένων είναι η μηχανική μάθηση, ένας αυτο-προσαρμοστικός αλγόριθμος που παίρνει ολοένα και καλύτερη ανάλυση και πρότυπα με εμπειρία ή με νέα δεδομένα.
Εάν μια εταιρεία ψηφιακών πληρωμών ήθελε να ανιχνεύσει το περιστατικό ή το ενδεχόμενο απάτης στο σύστημά της, θα μπορούσε να χρησιμοποιήσει εργαλεία μηχανικής μάθησης για το σκοπό αυτό. Ο υπολογιστικός αλγόριθμος ενσωματωμένος σε ένα μοντέλο υπολογιστή θα επεξεργαστεί όλες τις συναλλαγές που συμβαίνουν στην ψηφιακή πλατφόρμα, θα βρει μοτίβα στο σύνολο δεδομένων και θα επισημάνει οποιαδήποτε ανωμαλία που ανιχνεύεται από το πρότυπο.
Η βαθιά μάθηση, ένα υποσύνολο μηχανικής μάθησης, χρησιμοποιεί ένα ιεραρχικό επίπεδο τεχνητών νευρωνικών δικτύων για να πραγματοποιήσει τη διαδικασία της μηχανικής μάθησης. Τα τεχνητά νευρωνικά δίκτυα είναι χτισμένα όπως ο ανθρώπινος εγκέφαλος, με κόμβους νευρώνων που συνδέονται μεταξύ τους σαν ιστός. Ενώ τα παραδοσιακά προγράμματα αναπτύσσουν ανάλυση με δεδομένα με γραμμικό τρόπο, η ιεραρχική λειτουργία των συστημάτων βαθιάς μάθησης επιτρέπει στα μηχανήματα να επεξεργάζονται δεδομένα με μη γραμμική προσέγγιση.
Μια παραδοσιακή προσέγγιση για την ανίχνευση της απάτης ή της νομιμοποίησης εσόδων από παράνομες δραστηριότητες μπορεί να βασιστεί στο ποσό της συναλλαγής που προκύπτει, ενώ μια τεχνική βαθιάς εκμάθησης μη γραμμικής συμπεριλαμβάνει το χρόνο, τη γεωγραφική θέση, τη διεύθυνση IP, τον τύπο του λιανοπωλητή και οποιοδήποτε άλλο χαρακτηριστικό που πιθανόν να καταδεικνύει δόλια δραστηριότητα . Το πρώτο στρώμα του νευρικού δικτύου επεξεργάζεται μια ακατέργαστη εισαγωγή δεδομένων όπως το ποσό της συναλλαγής και την μεταδίδει στην επόμενη στρώση ως έξοδο. Το δεύτερο στρώμα επεξεργάζεται τις πληροφορίες του προηγούμενου στρώματος συμπεριλαμβάνοντας πρόσθετες πληροφορίες όπως τη διεύθυνση IP του χρήστη και μεταδίδει το αποτέλεσμά του.
Το επόμενο επίπεδο παίρνει τις πληροφορίες του δεύτερου στρώματος και περιλαμβάνει ακατέργαστα δεδομένα όπως τη γεωγραφική θέση και κάνει το μοτίβο του μηχανήματος ακόμη καλύτερο. Αυτό συνεχίζεται σε όλα τα επίπεδα του δικτύου νευρώνων.
Βασικές τακτικές
- Η βαθιά εκμάθηση είναι μια λειτουργία AI που μιμείται τη λειτουργία του ανθρώπινου εγκεφάλου στην επεξεργασία δεδομένων για χρήση στη λήψη αποφάσεων.
- Η βαθιά εκμάθηση του AI είναι σε θέση να μάθει από δεδομένα που είναι τόσο αδόμητα όσο και μη επισημασμένα.
- Η βαθιά εκμάθηση, ένα υποσύνολο μηχανικής μάθησης, μπορεί να χρησιμοποιηθεί για να βοηθήσει στην ανίχνευση απάτης ή ξεπλύματος χρημάτων.
Ένα παράδειγμα βαθιάς μάθησης
Χρησιμοποιώντας το σύστημα ανίχνευσης απάτης που αναφέρεται παραπάνω με μηχανική μάθηση, μπορεί κανείς να δημιουργήσει ένα βαθύ παράδειγμα μάθησης. Εάν το σύστημα εκμάθησης μηχανών δημιούργησε ένα μοντέλο με παραμέτρους που βασίζονται στον αριθμό των δολαρίων που ένας χρήστης στέλνει ή λαμβάνει, η μέθοδος βαθιάς εκμάθησης μπορεί να αρχίσει να βασίζεται στα αποτελέσματα που προσφέρει η μηχανική μάθηση.
Κάθε στρώμα του νευρικού του δικτύου βασίζεται στο προηγούμενο στρώμα του με πρόσθετα στοιχεία όπως λιανοπωλητής, αποστολέας, χρήστης, εκδήλωση κοινωνικών μέσων, πιστωτικό αποτέλεσμα, διεύθυνση IP και πλήθος άλλων χαρακτηριστικών που μπορεί να χρειαστούν χρόνια για να συνδεθούν εάν υποστούν επεξεργασία από έναν άνθρωπο να εισαι. Οι αλγόριθμοι βαθιάς μάθησης εκπαιδεύονται ώστε να μην δημιουργούν απλώς πρότυπα από όλες τις συναλλαγές, αλλά επίσης να γνωρίζουν πότε ένα πρότυπο σηματοδοτεί την ανάγκη για μια δόλια έρευνα. Το τελικό στρώμα μεταδίδει ένα σήμα σε έναν αναλυτή ο οποίος μπορεί να παγώσει τον λογαριασμό του χρήστη μέχρι να ολοκληρωθούν όλες οι εκκρεμείς έρευνες.
Η βαθιά εκμάθηση χρησιμοποιείται σε όλες τις βιομηχανίες για μια σειρά από διαφορετικά καθήκοντα. Εμπορικές εφαρμογές που χρησιμοποιούν αναγνώριση εικόνων, πλατφόρμες ανοιχτού κώδικα με εφαρμογές συστάσεων καταναλωτών και εργαλεία ιατρικής έρευνας που διερευνούν τη δυνατότητα επαναχρησιμοποίησης φαρμάκων για νέες ασθένειες είναι μερικά από τα παραδείγματα ενσωμάτωσης της βαθιάς μάθησης.
Γρήγορη πραγματικότητα
Ηλεκτρονικός κατασκευαστής Η Panasonic συνεργάζεται με πανεπιστήμια και ερευνητικά κέντρα για την ανάπτυξη τεχνολογιών βαθιάς εκμάθησης σχετικών με το όραμα ηλεκτρονικών υπολογιστών.
Σύγκριση επενδυτικών λογαριασμών Όνομα παροχέα Περιγραφή Αποκάλυψη διαφημιζόμενου × Οι προσφορές που εμφανίζονται σε αυτόν τον πίνακα προέρχονται από συνεργασίες από τις οποίες η Investopedia λαμβάνει αποζημίωση.