Što je duboko učenje?
Duboko učenje je funkcija umjetne inteligencije koja oponaša rad ljudskog mozga u obradi podataka i stvaranju obrazaca za korištenje u odlučivanju. Duboko učenje je podskup strojnog učenja u umjetnoj inteligenciji (AI) koji ima mreže sposobne za učenje bez nadzora iz podataka koji nisu strukturirani ili neobilježeni. Također poznato kao duboko neuronsko učenje ili duboka neuronska mreža.
Kako djeluje duboko učenje
Duboko učenje razvijalo se paralelno s digitalnom erom, što je dovelo do eksplozije podataka u svim oblicima i iz svih krajeva svijeta. Ti podaci, jednostavno poznati kao veliki podaci, između ostalog su izvedeni iz izvora poput društvenih medija, internetskih pretraživača, platformi za e-trgovinu i internetskih kina. Ova ogromna količina podataka lako je dostupna i može ih se dijeliti putem fintech aplikacija poput računalstva u oblaku.
Međutim, podaci, koji su obično nestrukturirani, toliko su ogromni da bi ljudima trebalo desetljećima da ih shvate i izvuku relevantne informacije. Tvrtke shvaćaju nevjerojatan potencijal koji može proizaći iz otkrivanja ovog bogatstva informacija i sve se više prilagođavaju AI sustavima za automatiziranu podršku.
Duboko učenje uči se od ogromne količine nestrukturiranih podataka koji bi ljudima mogli decenijama razumjeti i obraditi.
Dubinsko učenje prema strojnom učenju
Jedna od najčešćih AI tehnika koja se koristi za obradu velikih podataka je strojno učenje, samoaapativni algoritam koji dobiva sve bolju analizu i obrasce s iskustvom ili s novo dodanim podacima.
Ako bi tvrtka za digitalno plaćanje htjela otkriti pojavu ili potencijal prijevara u svom sustavu, mogla bi upotrijebiti alate za strojno učenje u tu svrhu. Računalni algoritam ugrađen u računalni model obradit će sve transakcije koje se događaju na digitalnoj platformi, pronaći obrasce u skupu podataka i ukazati na sve anomalije detektirane po obrascu.
Duboko učenje, podskup strojnog učenja, koristi hijerarhijsku razinu umjetnih neuronskih mreža da izvrši proces strojnog učenja. Umjetne neuronske mreže izgrađene su poput ljudskog mozga, s neuronskim čvorovima povezanima poput mreže. Dok tradicionalni programi grade analizu podataka na linearni način, hijerarhijska funkcija sustava dubokog učenja omogućava strojevima da obrađuju podatke nelinearnim pristupom.
Tradicionalni pristup otkrivanju prijevare ili pranja novca može se oslanjati na količinu transakcije koja će uslijediti, dok bi nelinearna tehnika dubokog učenja uključivala vrijeme, zemljopisni položaj, IP adresu, vrstu trgovca i bilo koje druge značajke koje bi mogle ukazivati na prijevaru, Prvi sloj neuronske mreže obrađuje neobrađeni unos podataka poput količine transakcije i prenosi ga na sljedeći sloj kao izlaz. Drugi sloj obrađuje podatke prethodnog sloja uključivanjem dodatnih informacija poput korisničke IP adrese i prosljeđuje njegov rezultat.
Sljedeći sloj sadrži podatke drugog sloja i uključuje sirove podatke poput zemljopisnog položaja i čini obrazac stroja još boljim. To se nastavlja na svim razinama neuronske mreže.
Ključni odvodi
- Duboko učenje je AI funkcija koja oponaša rad ljudskog mozga u obradi podataka za upotrebu u donošenju odluka. Dubinsko učenje AI može učiti iz podataka koji su nestrukturirani i neobilježeni. Može se koristiti duboko učenje, podskup strojnog učenja kao pomoć u otkrivanju prevare ili pranja novca.
Primjer dubokog učenja
Korištenjem gore spomenutog sustava otkrivanja prijevara uz strojno učenje, može se stvoriti primjer dubokog učenja. Ako je sustav strojnog učenja stvorio model s parametrima izgrađenim oko broja dolara koje korisnik pošalje ili primi, metoda dubokog učenja može se početi graditi na rezultatima koje nudi strojno učenje.
Svaki sloj neuronske mreže nadograđuje se na svom prethodnom sloju s dodatnim podacima kao što su trgovac, pošiljatelj, korisnik, događaj na društvenim mrežama, kreditni rezultat, IP adresa i niz drugih značajki kojima će trebati godine da se povežu zajedno ako ih obrađuje čovjek biće. Algoritmi za duboko učenje obučeni su da ne samo stvaraju obrasce iz svih transakcija, već također znaju i kada uzorak signalizira potrebu za lažnom istragom. Završni sloj prenosi signal analitičaru koji može zamrznuti korisnički račun dok se ne završe sve istrage koje čekaju.
Duboko učenje koristi se u svim industrijama za brojne različite zadatke. Komercijalne aplikacije koje koriste prepoznavanje slike, platforme otvorenog koda s aplikacijama za preporuke potrošača i medicinska istraživačka sredstva koja istražuju mogućnost ponovne upotrebe lijekova za nove bolesti samo su neki od primjera dubokog učenja.
Brza činjenica
Proizvođač elektronike Panasonic surađuje sa sveučilištima i istraživačkim centrima na razvoju tehnologija dubokog učenja povezanih s računalnim vidom.
