Djup lärning
Djup inlärning är en konstgjord intelligensfunktion som imiterar den mänskliga hjärnans arbete vid bearbetning av data och skapande av mönster för användning vid beslutsfattande. Deep learning är en delmaskin av maskininlärning inom artificiell intelligens (AI) som har nätverk som kan lära sig utan övervakning från data som är ostrukturerade eller omärkta. Även känd som djup neuralt lärande eller djup neuralt nätverk.
Hur Deep Learning fungerar
Djupt lärande har utvecklats hand i hand med den digitala eran, vilket har lett till en explosion av data i alla former och från alla delar av världen. Denna information, känd helt enkelt som big data, är hämtad från källor som sociala medier, internet sökmotorer, e-handelsplattformar och online biografer, bland andra. Denna enorma mängd data är lättillgänglig och kan delas via fintech-applikationer som molnberäkning.
Uppgifterna, som normalt är ostrukturerade, är emellertid så stora att det kan ta årtionden för människor att förstå dem och utvinna relevant information. Företag inser den otroliga potential som kan uppstå genom att avslöja denna mängd information och anpassar sig alltmer till AI-system för automatiserat stöd.
Djupt lärande lär sig av enorma mängder ostrukturerade data som normalt kan ta människor decennier att förstå och bearbeta.
Deep Learning kontra Machine Learning
En av de vanligaste AI-teknikerna som används för att bearbeta big data är maskininlärning, en självanpassande algoritm som får allt bättre analys och mönster med erfarenhet eller med nyligen tillagda data.
Om ett digitalt betalningsföretag ville upptäcka förekomsten eller potentialen för bedrägeri i sitt system, skulle det kunna använda maskininlärningsverktyg för detta ändamål. Beräkningsalgoritmen inbyggd i en datormodell kommer att behandla alla transaktioner som sker på den digitala plattformen, hitta mönster i datauppsättningen och påpeka eventuella avvikelser som upptäcks av mönstret.
Deep learning, en delmaskin av maskininlärning, använder en hierarkisk nivå av konstgjorda neurala nätverk för att utföra processen för maskininlärning. De konstgjorda neurala nätverken är byggda som den mänskliga hjärnan, med neuronoder knutna samman som en web. Medan traditionella program bygger analys med data på ett linjärt sätt, möjliggör maskiner för att bearbeta data med en icke-linjär metod hierarkisk funktion.
Ett traditionellt tillvägagångssätt för att upptäcka bedrägerier eller penningtvätt kan lita på mängden transaktion som följer, medan en djup inlärningsteknisk teknik skulle innehålla tid, geografisk plats, IP-adress, typ av återförsäljare och alla andra funktioner som troligtvis pekar på bedräglig aktivitet . Det första lagret i det neurala nätverket bearbetar en rådatainmatning som transaktionens storlek och överför den till nästa lager som utgång. Det andra lagret bearbetar det föregående lagets information genom att inkludera ytterligare information som användarens IP-adress och vidarebefordrar dess resultat.
Nästa skikt tar information om det andra lagret och innehåller rådata som geografisk plats och gör maskinens mönster ännu bättre. Detta fortsätter på alla nivåer i neuronätverket.
Key Takeaways
- Djupt lärande är en AI-funktion som efterliknar den mänskliga hjärnans funktionssätt vid bearbetning av data för användning i beslutsfattande.
- Djupt lärande AI kan lära av data som är ostrukturerade och omärkta.
- Djup inlärning, en delmaskin för maskininlärning, kan användas för att upptäcka bedrägerier eller penningtvätt.
Ett exempel på Deep Learning
Med hjälp av det ovan nämnda bedrägerisystemet med maskininlärning kan man skapa ett djupinlärningsexempel. Om maskininlärningssystemet skapade en modell med parametrar byggda runt antalet dollar som en användare skickar eller tar emot, kan djupinlärningsmetoden börja bygga vidare på resultaten som erbjuds av maskininlärning.
Varje lager i sitt neurala nätverk bygger på sitt tidigare lager med extra data som en återförsäljare, avsändare, användare, sociala mediehändelser, kreditpoäng, IP-adress och en mängd andra funktioner som kan ta år att ansluta tillsammans om de behandlas av en människa varelse. Djupa inlärningsalgoritmer tränas för att inte bara skapa mönster från alla transaktioner, utan också veta när ett mönster signalerar behovet av en bedräglig utredning. Det sista lagret vidarebefordrar en signal till en analytiker som kan frysa användarens konto tills alla pågående undersökningar är slutförda.
Djupt lärande används i alla branscher för ett antal olika uppgifter. Kommersiella appar som använder bildigenkänning, öppna källkodsplattformar med konsumentrekommendationsappar och medicinska forskningsverktyg som undersöker möjligheten att återanvända läkemedel för nya sjukdomar är några av exemplen på integrering av djup inlärning.
Snabb fakta
Elektronikproducenten Panasonic har samarbetat med universitet och forskningscentra för att utveckla djup inlärningsteknologier relaterade till datorsyn.
Jämför investeringskonton Leverantörs namn Beskrivning Annonsörens upplysning × Erbjudandena som visas i denna tabell kommer från partnerskap från vilka Investopedia erhåller ersättning.