Kas ir dziļā mācīšanās?
Dziļās mācības ir mākslīgā intelekta funkcija, kas imitē cilvēka smadzeņu darbību datu apstrādē un veido modeļus izmantošanai lēmumu pieņemšanā. Dziļās mācības ir mašīnmācīšanās mākslīgā intelekta (AI) apakškopā, kurā ir tīkli, kas spēj mācīties bez uzraudzības no datiem, kas ir nestrukturēti vai bez etiķetes. Pazīstams arī kā dziļo neironu mācīšanās vai dziļo neironu tīkls.
Cik dziļi mācās
Dziļās mācības ir attīstījušās cieši kopā ar digitālo laikmetu, kas ir izraisījis visu veidu un visu pasaules reģionu datu eksploziju. Šie dati, kas pazīstami vienkārši kā lieli dati, tiek iegūti no tādiem avotiem kā sociālie mediji, interneta meklētājprogrammas, e-komercijas platformas un tiešsaistes kinoteātri. Šis milzīgais datu apjoms ir viegli pieejams un to var koplietot, izmantojot tādas fintech lietojumprogrammas kā mākoņdatošana.
Tomēr dati, kas parasti nav strukturēti, ir tik plaši, ka cilvēkiem vajadzēs vairākus gadu desmitus, lai tos saprastu un iegūtu būtisku informāciju. Uzņēmumi apzinās neticamo potenciālu, ko var radīt šīs informācijas bagātības atšķetināšana, un arvien vairāk pielāgojas AI sistēmām automatizētam atbalstam.
Dziļās mācībās tiek mācīts no milzīga apjoma nestrukturētu datu, kuru izpratne un apstrāde cilvēkiem parasti prasa desmitgades.
Dziļās mācības pret mašīnmācību
Viens no visizplatītākajiem AI paņēmieniem, ko izmanto lielo datu apstrādei, ir mašīnmācība - pašpielāgojošs algoritms, kas iegūst arvien labāku analīzi un modeļus ar pieredzi vai ar jauniem pievienotiem datiem.
Ja digitālo maksājumu uzņēmums vēlētos savā sistēmā atklāt krāpšanas gadījumu vai iespējamību, tas varētu šim nolūkam izmantot mašīnu apguves rīkus. Datora modelī iebūvētais skaitļošanas algoritms apstrādā visus darījumus, kas notiek digitālajā platformā, atrod modeļus datu kopā un norāda uz visām modeļa atklātajām novirzēm.
Dziļās mācīšanās, mašīnmācības apakškopā, mašīnmācības procesa veikšanai izmanto mākslīgo neironu tīklu hierarhisko līmeni. Mākslīgie neironu tīkli ir veidoti tāpat kā cilvēka smadzenes, ar neironu mezgliem savienoti kopā kā tīmeklis. Kaut arī tradicionālās programmas veido analīzi ar datiem lineārā veidā, dziļo mācību sistēmu hierarhiskā funkcija ļauj mašīnām apstrādāt datus ar nelineāru pieeju.
Tradicionālā pieeja krāpšanas vai nelikumīgi iegūtu līdzekļu legalizēšanas atklāšanai varētu būt atkarīga no notiekošā darījuma apjoma, savukārt dziļas mācīšanās nelineārā metode ietvertu laiku, ģeogrāfisko atrašanās vietu, IP adresi, mazumtirgotāja veidu un jebkuru citu pazīmi, kas, iespējams, norāda uz krāpnieciskām darbībām. Neironu tīkla pirmais slānis apstrādā neapstrādātu datu ievadi, piemēram, darījuma summu, un nodod to nākamajam slānim kā izvadi. Otrais slānis apstrādā iepriekšējā slāņa informāciju, iekļaujot tajā papildu informāciju, piemēram, lietotāja IP adresi, un nodod tā rezultātu.
Nākamais slānis ņem otrā slāņa informāciju un ietver neapstrādātus datus, piemēram, ģeogrāfisko atrašanās vietu, un padara mašīnas modeli vēl labāku. Tas turpinās visos neironu tīkla līmeņos.
Taustiņu izņemšana
- Dziļās mācīšanās ir AI funkcija, kas imitē cilvēka smadzeņu darbību, apstrādājot datus, lai tos izmantotu lēmumu pieņemšanā. Dziļās mācīšanās AI spēj mācīties no datiem, kas ir gan nestrukturēti, gan bez etiķetes. Var izmantot dziļo mācīšanos, mašīnmācīšanās apakškopu. lai palīdzētu atklāt krāpšanu vai nelikumīgi iegūtu līdzekļu legalizēšanu.
Dziļās mācīšanās piemērs
Izmantojot iepriekš minēto krāpšanas atklāšanas sistēmu ar mašīnmācību, var izveidot dziļas mācīšanās piemēru. Ja mašīnmācīšanās sistēma izveidoja modeli ar parametriem, kas balstīti uz dolāru skaitu, ko lietotājs sūta vai saņem, dziļās mācīšanās metodi var sākt balstīt uz mašīnmācības piedāvātajiem rezultātiem.
Katrs tā neironu tīkla slānis balstās uz iepriekšējo slāni ar pievienotiem datiem, piemēram, mazumtirgotāju, sūtītāju, lietotāju, sociālo mediju notikumu, kredītreitingu, IP adresi un daudzām citām funkcijām, kuru savienošanai kopā var būt nepieciešami gadi, ja tos apstrādā cilvēks būtne. Dziļās mācīšanās algoritmi ir apmācīti ne tikai radīt modeļus no visiem darījumiem, bet arī zināt, kad modelis norāda uz krāpnieciskas izmeklēšanas nepieciešamību. Pēdējais slānis nodod signālu analītiķim, kurš var iesaldēt lietotāja kontu, līdz tiek pabeigti visi gaidāmie izmeklējumi.
Dziļo mācīšanos visās nozarēs izmanto dažādiem uzdevumiem. Daži no dziļas mācīšanās iestrādes piemēriem ir komerciālas lietotnes, kurās tiek izmantota attēlu atpazīšana, atvērtā pirmkoda platformas ar patērētāju ieteikumu lietotnēm un medicīniskās izpētes rīki, kas pēta narkotiku atkārtotas lietošanas iespējas jaunām slimībām.
Ātrs fakts
Elektronikas ražotājs Panasonic sadarbojas ar universitātēm un pētniecības centriem, lai izstrādātu dziļas mācību tehnoloģijas, kas saistītas ar datora redzi.
