Дълбоко учене
Дълбокото обучение е функция за изкуствен интелект, която имитира работата на човешкия мозък при обработката на данни и създаването на модели за използване при вземане на решения. Дълбокото обучение е подмножество от машинно обучение в изкуствен интелект (AI), което има мрежи, способни да учат без надзор от данни, които са неструктурирани или без етикет. Известен също като дълбоко невронно обучение или дълбока неврална мрежа.
Как работи дълбокото обучение
Дълбокото обучение се развива ръка за ръка с дигиталната ера, което доведе до експлозия на данни във всички форми и от всеки регион на света. Тези данни, известни просто като големи данни, се черпят от източници като социални медии, интернет търсачки, платформи за електронна търговия и онлайн кина. Това огромно количество данни е лесно достъпно и може да бъде споделено чрез fintech приложения като облачни изчисления.
Данните обаче, които обикновено са неструктурирани, са толкова огромни, че може да отнеме десетилетия на хората да ги разберат и да извлекат подходяща информация. Компаниите осъзнават невероятния потенциал, който може да бъде резултат от разплитането на това богатство от информация и все повече се адаптират към AI системите за автоматизирана поддръжка.
Дълбокото обучение се учи от огромно количество неструктурирани данни, които обикновено могат да отнемат на хората десетилетия за разбиране и обработка.
Дълбоко обучение срещу машинно обучение
Една от най-често срещаните AI техники, използвани за обработка на големи данни, е машинно обучение, самоадаптивен алгоритъм, който получава все по-добър анализ и модели с опит или с ново добавени данни.
Ако компанията за цифрови плащания искаше да открие възникването или потенциалът за измама в системата си, тя може да използва инструменти за машинно обучение за тази цел. Изчисленият алгоритъм, вграден в компютърен модел, ще обработва всички транзакции, случващи се на дигиталната платформа, ще намира модели в набора от данни и ще посочва всяка аномалия, открита от шаблона.
Дълбокото обучение, подмножество от машинно обучение, използва йерархично ниво на изкуствени невронни мрежи, за да осъществи процеса на машинно обучение. Изкуствените невронни мрежи са изградени като човешкия мозък, като невронните възли са свързани заедно като мрежа. Докато традиционните програми изграждат анализ с данни по линеен начин, йерархичната функция на системите за дълбоко обучение позволява на машините да обработват данни с нелинеен подход.
Традиционният подход за откриване на измама или изпиране на пари може да разчита на размера на транзакцията, която произтича, докато задълбочената учебна нелинейна техника ще включва време, географско местоположение, IP адрес, тип на търговец на дребно и всяка друга функция, която може да сочи към измамна дейност, Първият слой на невронната мрежа обработва суров вход на данни като сумата на транзакцията и го предава на следващия слой като изход. Вторият слой обработва информацията на предишния слой, като включва допълнителна информация като IP адреса на потребителя и предава неговия резултат.
Следващият слой взема информация за втория слой и включва сурови данни като географско местоположение и прави модела на машината още по-добър. Това продължава на всички нива на невронната мрежа.
Ключови заведения
- Дълбокото обучение е AI функция, която имитира работата на човешкия мозък при обработката на данни за използване при вземане на решения.
- Дълбокото обучение AI е в състояние да се поучи от данни, които са както неструктурирани, така и без етикети.
- Дълбокото обучение, подмножество за машинно обучение, може да се използва за откриване на измами или пране на пари.
Пример за задълбочено обучение
Използвайки споменатата по-горе система за откриване на измами с машинно обучение, човек може да създаде пример за задълбочено обучение. Ако системата за машинно обучение създаде модел с параметри, изградени около броя долари, които потребителят изпраща или получава, методът на задълбочено обучение може да започне да надгражда резултатите, предлагани от машинното обучение.
Всеки слой от нейронната мрежа надгражда предишния си слой с добавени данни като търговец на дребно, подател, потребител, събитие в социалните медии, кредитен рейтинг, IP адрес и множество други функции, които могат да отнемат години, за да се свържат заедно, ако бъдат обработени от човек съществуване. Алгоритмите за задълбочено обучение се обучават не само да създават модели от всички транзакции, но и да знаят кога даден шаблон сигнализира за необходимостта от измамно разследване. Последният слой предава сигнал на анализатор, който може да замрази акаунта на потребителя, докато всички чакащи разследвания не бъдат финализирани.
Дълбокото обучение се използва във всички индустрии за редица различни задачи. Търговските приложения, които използват разпознаване на изображения, платформи с отворен код с приложения за препоръки на потребители и инструменти за медицинско изследване, които изследват възможността за повторна употреба на лекарства за нови неразположения, са някои от примерите за дълбоко учене.
Бърз факт
Производителят на електроника Panasonic работи с университети и изследователски центрове за разработване на технологии за дълбоко обучение, свързани с компютърното зрение.
Сравнете инвестиционни сметки Име на доставчика Описание Разкриване на рекламодатели × Офертите, които се появяват в тази таблица, са от партньорства, от които Investopedia получава компенсация.