Diep leren
Wat is diep leren?
Deep learning is een functie van kunstmatige intelligentie (AI) die de werking van het menselijk brein imiteert bij het verwerken van gegevens en het creëren van patronen voor gebruik bij besluitvorming. Deep learning is een subset van machine learning in kunstmatige intelligentie die netwerken heeft die in staat zijn om zonder toezicht te leren van gegevens die ongestructureerd of niet-gelabeld zijn. Ook bekend als diep neuraal leren of diep neuraal netwerk.
Belangrijkste leerpunten
- Deep learning is een AI-functie die de werking van het menselijk brein nabootst bij het verwerken van gegevens voor gebruik bij het detecteren van objecten, het herkennen van spraak, het vertalen van talen en het nemen van beslissingen.
- Deep learning AI is in staat om te leren zonder menselijke supervisie, op basis van gegevens die zowel ongestructureerd als niet-gelabeld zijn.
- Deep learning, een vorm van machine learning, kan onder meer worden gebruikt om fraude of witwassen van geld op te sporen.
Hoe diep leren werkt
Deep learning is hand in hand geëvolueerd met het digitale tijdperk, dat heeft geleid tot een explosie van gegevens in alle vormen en uit elke regio van de wereld. Deze gegevens, kortweg big data genoemd, zijn afkomstig uit onder meer sociale media, internetzoekmachines, e-commerceplatforms en online bioscopen. Deze enorme hoeveelheid gegevens is gemakkelijk toegankelijk en kan worden gedeeld via fintech toepassingen zoals cloud computing.
De gegevens, die normaal gesproken ongestructureerd zijn, zijn echter zo omvangrijk dat het tientallen jaren kan duren voordat mensen ze begrijpen en relevante informatie extraheren. Bedrijven realiseren zich het ongelooflijke potentieel dat kan voortvloeien uit het ontrafelen van deze schat aan informatie en passen zich steeds meer aan AI-systemen aan voor geautomatiseerde ondersteuning.
Deep learning ontrafelt enorme hoeveelheden ongestructureerde gegevens die normaal gesproken tientallen jaren nodig zouden hebben om te begrijpen en te verwerken.
Diep leren versus machinaal leren
Een van de meest gebruikte AI-technieken voor het verwerken van big data is machine learning, een zelfaanpassend algoritme dat steeds betere analyses en patronen krijgt met ervaring of met nieuw toegevoegde data.
Als een digitaal betalingsbedrijf het voorkomen of de kans op fraude in zijn systeem wil detecteren, kan het hiervoor machine learning-tools gebruiken. Het rekenalgoritme dat in een computermodel is ingebouwd, verwerkt alle transacties die op het digitale platform plaatsvinden, vindt patronen in de dataset en wijst op elke anomalie die door het patroon wordt gedetecteerd.
Deep learning, een subset van machine learning, maakt gebruik van een hiërarchisch niveau van kunstmatige neurale netwerken om het proces van machine learning uit te voeren. De kunstmatige neurale netwerken zijn gebouwd als het menselijk brein, met neuron-knooppunten die als een web met elkaar zijn verbonden. Terwijl traditionele programma’s op een lineaire manier analyses met gegevens bouwen, stelt de hiërarchische functie van deep learning-systemen machines in staat om gegevens te verwerken met een niet-lineaire benadering.
Elektronicafabrikant Panasonic werkt samen met universiteiten en onderzoekscentra om deep learning-technologieën te ontwikkelen met betrekking tot computervisie.
Speciale overwegingen
Een traditionele benadering om fraude of het witwassen van geld op te sporen, kan afhangen van de hoeveelheid transacties die volgen, terwijl een diepgaande niet-lineaire techniek tijd, geografische locatie, IP-adres, type winkelier en elk ander kenmerk dat waarschijnlijk op frauduleuze wijze wijst, zou omvatten. activiteit. De eerste laag van het neurale netwerk verwerkt een ruwe data-invoer zoals het bedrag van de transactie en geeft deze door aan de volgende laag als uitvoer. De tweede laag verwerkt de informatie van de vorige laag door aanvullende informatie op te nemen, zoals het IP-adres van de gebruiker, en geeft het resultaat door.
De volgende laag neemt de informatie van de tweede laag en bevat onbewerkte gegevens zoals geografische locatie en maakt het patroon van de machine nog beter. Dit gaat door op alle niveaus van het neuronennetwerk.
Een voorbeeld van diep leren
Met behulp van het hierboven genoemde fraudedetectiesysteem met machine learning kan een deep learning-voorbeeld worden gemaakt. Als het machine learning-systeem een model heeft gemaakt met parameters die zijn gebaseerd op het aantal dollars dat een gebruiker verzendt of ontvangt, kan de deep-learningmethode beginnen met voortbouwen op de resultaten die door machine learning worden geboden.
Elke laag van het neurale netwerk bouwt voort op de vorige laag met toegevoegde gegevens zoals een winkel, afzender, gebruiker, sociale media-evenement, kredietscore, IP-adres en tal van andere functies die jaren nodig hebben om verbinding te maken als ze door een mens worden verwerkt wezen. Deep learning-algoritmen zijn getraind om niet alleen patronen te creëren van alle transacties, maar ook om te weten wanneer een patroon de noodzaak van een frauduleus onderzoek aangeeft. De laatste laag geeft een signaal door aan een analist die het account van de gebruiker kan bevriezen totdat alle lopende onderzoeken zijn afgerond.
Deep learning wordt in alle bedrijfstakken gebruikt voor een aantal verschillende taken. Commerciële apps die beeldherkenning gebruiken, open sourceplatforms met apps voor consumentenaanbevelingen en medische onderzoekstools die de mogelijkheid onderzoeken om medicijnen te hergebruiken voor nieuwe aandoeningen, zijn enkele van de voorbeelden van incorporatie van deep learning.
Veel Gestelde Vragen
Wat is diep leren?
Diep leren, ook wel bekend als diepe neurale netwerken of neuraal leren, is een vorm van kunstmatige intelligentie (AI) die de werking van een menselijk brein wil nabootsen. Het is een vorm van machine learning, met functies die werken in een niet-lineair besluitvormingsproces. Diep leren vindt plaats wanneer beslissingen worden genomen op basis van ongestructureerde gegevens zonder toezicht. Objectherkenning, spraakherkenning en taalvertaling zijn enkele van de taken die worden uitgevoerd door middel van diep leren.
Hoe werkt deep learning?
Als een subset van machine learning gebruikt deep learning hiërarchische neurale netwerken om gegevens te analyseren. Neuroncodes zijn met elkaar verbonden binnen deze hiërarchische neurale netwerken, vergelijkbaar met het menselijk brein. In tegenstelling tot andere traditionele lineaire programma’s in machines, maakt de hiërarchische structuur van deep learning het mogelijk om een niet-lineaire benadering te volgen, waarbij gegevens worden verwerkt over een reeks lagen die elk opeenvolgende lagen met aanvullende informatie zullen integreren.
Wat is een voorbeeld van deep learning?
Wanneer deep learning wordt gebruikt om fraude op te sporen, maakt het gebruik van verschillende signalen, zoals IP-adres, kredietscore, winkelier of afzender, om er maar een paar te noemen. In de eerste laag van zijn kunstmatige neurale netwerk analyseert het de verzonden hoeveelheid. In een tweede laag bouwt het voort op deze informatie en bevat het bijvoorbeeld het IP-adres. In de derde laag wordt de kredietscore toegevoegd aan de bestaande informatie, enzovoort, totdat er een definitieve beslissing is genomen.