Apakah Pembelajaran Deep?
Pembelajaran yang mendalam adalah fungsi kecerdasan buatan yang meniru kerja otak manusia dalam memproses data dan mewujudkan corak untuk digunakan dalam membuat keputusan. Pembelajaran yang mendalam adalah subset pembelajaran mesin dalam kecerdasan buatan (AI) yang mempunyai rangkaian yang mampu belajar tanpa pengawasan dari data yang tidak berstruktur atau tidak berlabel. Juga dikenali sebagai pembelajaran neural yang mendalam atau rangkaian neural yang mendalam.
Bagaimana Kerja Pembelajaran Terjadi
Pembelajaran yang mendalam telah berevolusi seiring dengan era digital, yang telah membawa ledakan data dalam semua bentuk dan dari setiap rantau di dunia. Data ini, yang dikenali sebagai data besar, diambil dari sumber seperti media sosial, enjin carian internet, platform e-dagang, dan pawagam dalam talian, antara lain. Jumlah data yang sangat besar ini mudah diakses dan boleh dikongsi melalui aplikasi fintech seperti pengkomputeran awan.
Bagaimanapun, data, yang biasanya tidak berstruktur, sangat besar sehingga dapat mengambil masa beberapa dekad untuk manusia memahami dan mengeksplorasi maklumat yang relevan. Syarikat menyedari potensi yang luar biasa yang dapat dihasilkan daripada menguraikan kekayaan maklumat ini dan semakin beradaptasi dengan sistem AI untuk sokongan automatik.
Belajar mendalam belajar dari sejumlah besar data tidak berstruktur yang biasanya boleh mengambil manusia beberapa dekad untuk difahami dan diproses.
Belajar Belajar Mesin Versus
Salah satu teknik AI yang paling biasa digunakan untuk memproses data besar ialah pembelajaran mesin, algoritma penyesuaian diri yang mendapat analisis dan corak yang lebih baik dengan pengalaman atau dengan data yang baru ditambahkan.
Jika syarikat pembayaran digital ingin mengesan kejadian atau potensi penipuan dalam sistemnya, ia boleh menggunakan alat pembelajaran mesin untuk tujuan ini. Algoritma pengiraan yang dibina ke dalam model komputer akan memproses semua transaksi yang berlaku di platform digital, mencari corak dalam set data dan menunjukkan sebarang anomali yang dikesan oleh corak.
Pembelajaran yang mendalam, subset pembelajaran mesin, menggunakan tahap hierarki rangkaian saraf buatan untuk menjalankan proses pembelajaran mesin. Rangkaian saraf tiruan dibina seperti otak manusia, dengan nod saraf yang disambungkan bersama seperti web. Walaupun program tradisional membina analisis dengan data dalam cara linear, fungsi hierarki dalam sistem pembelajaran mendalam membolehkan mesin memproses data dengan pendekatan tidak linear.
Pendekatan tradisional untuk mengesan penipuan atau pengubahan wang haram mungkin bergantung pada jumlah urus niaga yang berlaku, manakala teknik tidak lancar pembelajaran yang mendalam akan merangkumi waktu, lokasi geografi, alamat IP, jenis peruncit dan sebarang ciri lain yang mungkin menunjukkan aktiviti penipuan. Lapisan pertama rangkaian neural memproses input data mentah seperti jumlah transaksi dan melewati lapisan seterusnya sebagai output. Lapisan kedua memproses maklumat lapisan sebelumnya dengan memasukkan maklumat tambahan seperti alamat IP pengguna dan melepasi hasilnya.
Lapisan seterusnya mengambil maklumat lapisan kedua dan termasuk data mentah seperti lokasi geografi dan menjadikan corak mesin lebih baik. Ini berterusan di semua peringkat rangkaian neuron.
Takeaways Utama
- Pembelajaran yang mendalam adalah fungsi AI yang meniru fungsi otak manusia dalam memproses data untuk digunakan dalam membuat keputusan. Baik belajar AI dapat belajar dari data yang tidak terstruktur dan tidak dilabel. Pengendalian yang baik, subset pembelajaran mesin, dapat digunakan untuk membantu mengesan penipuan atau pengubahan wang haram.
Contoh Pembelajaran Deep
Menggunakan sistem pengesanan penipuan yang disebutkan di atas dengan pembelajaran mesin, seseorang boleh membuat contoh pembelajaran yang mendalam. Jika sistem pembelajaran mesin mencipta model dengan parameter yang dibina di sekitar jumlah dolar pengguna menghantar atau menerima, kaedah pembelajaran mendalam boleh mula membina hasil yang ditawarkan oleh pembelajaran mesin.
Setiap lapisan rangkaian sarafnya dibina pada lapisan sebelumnya dengan menambah data seperti peruncit, penghantar, pengguna, acara media sosial, skor kredit, alamat IP, dan pelbagai ciri lain yang mungkin mengambil masa beberapa tahun untuk dihubungkan bersama jika diproses oleh manusia menjadi. Algoritma pembelajaran mendalam dilatih untuk tidak hanya mencipta corak dari semua urus niaga, tetapi juga tahu apabila corak menandakan keperluan untuk penyiasatan penipuan. Lapisan akhir menyampaikan isyarat kepada seorang penganalisis yang boleh membekukan akaun pengguna sehingga semua siasatan yang sedang menunggu selesai.
Pembelajaran yang mendalam digunakan di semua industri untuk beberapa tugas yang berbeza. Aplikasi komersil yang menggunakan pengiktirafan imej, platform sumber terbuka dengan aplikasi cadangan pengguna dan alat penyelidikan perubatan yang meneroka kemungkinan menggunakan semula ubat untuk penyakit baru adalah beberapa contoh pemahaman pembelajaran dalam.
Fakta Cepat
Pembuat elektronik Panasonic telah bekerja dengan universiti dan pusat penyelidikan untuk membangunkan teknologi pembelajaran mendalam yang berkaitan dengan penglihatan komputer.
