Diep leren
Diep leren is een kunstmatige intelligentie-functie die de werking van het menselijk brein imiteert bij het verwerken van gegevens en het creëren van patronen voor gebruik bij besluitvorming. Diep leren is een subset van machine learning in kunstmatige intelligentie (AI) met netwerken die kunnen leren zonder toezicht van gegevens die niet gestructureerd of niet-gelabeld zijn. Ook bekend als diep neuraal leren of diep neuraal netwerk.
Hoe diep leren werkt
Diep leren is geëvolueerd hand in hand met het digitale tijdperk, dat een explosie van gegevens heeft veroorzaakt in alle vormen en uit elke regio van de wereld. Deze gegevens, eenvoudigweg big data genoemd, zijn onder andere afkomstig van 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 deze 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 in toenemende mate aan AI-systemen aan voor geautomatiseerde ondersteuning.
Diep leren leert van enorme hoeveelheden ongestructureerde gegevens die normaal gesproken mensen tientallen jaren kunnen kosten om te begrijpen en te verwerken.
Diep leren versus machinaal leren
Een van de meest voorkomende AI-technieken die worden gebruikt 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 gegevens.
Als een bedrijf voor digitale betalingen het voorval of het potentieel voor fraude in zijn systeem wilde detecteren, zou het hiervoor machine learning tools kunnen gebruiken. Het berekeningsalgoritme dat in een computermodel is ingebouwd, verwerkt alle transacties die op het digitale platform plaatsvinden, vindt patronen in de gegevensset en wijst op eventuele afwijkingen die door het patroon worden gedetecteerd.
Diep leren, 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 neuronknopen verbonden als een web. Terwijl traditionele programma's analyse met gegevens op een lineaire manier bouwen, stelt de hiërarchische functie van deep learning-systemen machines in staat om gegevens te verwerken met een niet-lineaire benadering.
Een traditionele aanpak voor het detecteren van fraude of het witwassen van geld kan afhankelijk zijn van de hoeveelheid transactie die volgt, terwijl een diepgaande niet-lineaire techniek tijd, geografische locatie, IP-adres, type detailhandelaar en elke andere functie die waarschijnlijk op frauduleuze activiteiten wijst, zou omvatten . De eerste laag van het neurale netwerk verwerkt een onbewerkte gegevensinvoer zoals het bedrag van de transactie en geeft deze als uitvoer door aan de volgende laag. De tweede laag verwerkt de informatie van de vorige laag door extra 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.
Belangrijkste leerpunten
- Diep leren is een AI-functie die de werking van het menselijk brein nabootst bij het verwerken van gegevens voor gebruik bij besluitvorming.
- Deep learning AI kan leren van gegevens die zowel ongestructureerd als niet-gelabeld zijn.
- Diep leren, een subset van machine learning, kan worden gebruikt om fraude of het witwassen van geld te helpen detecteren.
Een voorbeeld van diep leren
Met behulp van het hierboven genoemde fraudedetectiesysteem met machine learning kan men een diepgaand leervoorbeeld creëren. Als het machine learning-systeem een model heeft gemaakt met parameters die zijn opgebouwd rond het aantal dollars dat een gebruiker verzendt of ontvangt, kan de deep-learning-methode beginnen voort te bouwen op de resultaten van machine learning.
Elke laag van zijn neurale netwerk bouwt voort op zijn vorige laag met toegevoegde gegevens zoals een detailhandelaar, afzender, gebruiker, sociale media-evenement, kredietscore, IP-adres en een groot aantal andere functies die jaren kunnen duren om met elkaar te verbinden als ze door een mens worden verwerkt wezen. Diepgaande leeralgoritmen zijn getraind om niet alleen patronen te maken van alle transacties, maar ook 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.
Diep leren wordt in alle sectoren gebruikt voor een aantal verschillende taken. Commerciële apps die gebruik maken van beeldherkenning, open source platforms met apps voor consumentenaanbevelingen en medische onderzoekstools die de mogelijkheid onderzoeken om medicijnen voor nieuwe aandoeningen te hergebruiken, zijn enkele van de voorbeelden van diepgaande integratie.
Snelle feit
Elektronicamaker Panasonic heeft samengewerkt met universiteiten en onderzoekscentra om diepgaande leertechnologieën met betrekking tot computer vision te ontwikkelen.
Vergelijk beleggingsrekeningen Aanbieder Naam Beschrijving Adverteerder Openbaarmaking × De aanbiedingen die in deze tabel worden weergegeven, zijn afkomstig van samenwerkingsverbanden waarvan Investopedia een vergoeding ontvangt.