Tiefes Lernen
Deep Learning ist eine künstliche Intelligenzfunktion, die die Funktionsweise des menschlichen Gehirns bei der Verarbeitung von Daten und der Erstellung von Mustern zur Verwendung bei der Entscheidungsfindung imitiert. Deep Learning ist eine Teilmenge des maschinellen Lernens in der künstlichen Intelligenz (KI), deren Netzwerke in der Lage sind, unbeaufsichtigt aus unstrukturierten oder unbeschrifteten Daten zu lernen. Wird auch als tiefes neuronales Lernen oder tiefes neuronales Netzwerk bezeichnet.
Wie Deep Learning funktioniert
Deep Learning hat sich Hand in Hand mit dem digitalen Zeitalter entwickelt, was eine Explosion von Daten in allen Formen und aus allen Regionen der Welt zur Folge hatte. Diese Daten, einfach als Big Data bezeichnet, stammen unter anderem aus Quellen wie Social Media, Internet-Suchmaschinen, E-Commerce-Plattformen und Online-Kinos. Diese enorme Datenmenge ist leicht zugänglich und kann über Fintech-Anwendungen wie Cloud Computing gemeinsam genutzt werden.
Die Daten, die normalerweise unstrukturiert sind, sind jedoch so umfangreich, dass der Mensch Jahrzehnte brauchen könnte, um sie zu verstehen und relevante Informationen zu extrahieren. Unternehmen erkennen das unglaubliche Potenzial, das sich aus der Entschlüsselung dieser Fülle von Informationen ergeben kann, und passen sich zunehmend an KI-Systeme an, um automatisierte Unterstützung zu erhalten.
Deep Learning lernt aus riesigen Mengen unstrukturierter Daten, deren Verstehen und Verarbeitung normalerweise Jahrzehnte in Anspruch nehmen kann.
Tiefes Lernen versus maschinelles Lernen
Eine der gebräuchlichsten KI-Techniken zur Verarbeitung von Big Data ist das maschinelle Lernen, ein selbstadaptiver Algorithmus, der mit der Erfahrung oder mit neu hinzugefügten Daten immer bessere Analysen und Muster erhält.
Wenn ein Unternehmen für digitale Zahlungen das Auftreten oder die Möglichkeit von Betrug in seinem System erkennen möchte, könnte es zu diesem Zweck maschinelle Lernwerkzeuge einsetzen. Der in ein Computermodell integrierte Rechenalgorithmus verarbeitet alle Transaktionen, die auf der digitalen Plattform stattfinden, findet Muster im Datensatz und weist auf durch das Muster erkannte Anomalien hin.
Deep Learning, eine Teilmenge des maschinellen Lernens, verwendet eine hierarchische Ebene künstlicher neuronaler Netze, um den Prozess des maschinellen Lernens durchzuführen. Die künstlichen neuronalen Netze sind wie das menschliche Gehirn aufgebaut, wobei die Neuronenknoten wie ein Netz miteinander verbunden sind. Während herkömmliche Programme eine Analyse mit Daten auf lineare Weise erstellen, ermöglicht die hierarchische Funktion von Deep-Learning-Systemen Maschinen die Verarbeitung von Daten mit einem nichtlinearen Ansatz.
Ein traditioneller Ansatz zur Aufdeckung von Betrug oder Geldwäsche könnte von der Menge der Transaktionen abhängen, während ein nichtlineares Deep-Learning-Verfahren Zeit, geografischen Ort, IP-Adresse, Art des Einzelhändlers und andere Merkmale umfasst, die wahrscheinlich auf betrügerische Aktivitäten hindeuten . Die erste Schicht des neuronalen Netzwerks verarbeitet eine Rohdateneingabe wie die Transaktionsmenge und leitet sie als Ausgabe an die nächste Schicht weiter. Die zweite Schicht verarbeitet die Informationen der vorherigen Schicht, indem sie zusätzliche Informationen wie die IP-Adresse des Benutzers enthält und das Ergebnis weitergibt.
Die nächste Ebene nimmt die Informationen der zweiten Ebene auf und enthält Rohdaten wie den geografischen Standort. Dadurch wird das Muster der Maschine noch besser. Dies setzt sich auf allen Ebenen des Neuronennetzwerks fort.
Die zentralen Thesen
- Deep Learning ist eine KI-Funktion, die die Funktionsweise des menschlichen Gehirns bei der Verarbeitung von Daten zur Verwendung bei der Entscheidungsfindung nachahmt.
- Deep Learning AI kann aus unstrukturierten und unbeschrifteten Daten lernen.
- Deep Learning, eine Teilmenge des maschinellen Lernens, kann zur Aufdeckung von Betrug oder Geldwäsche eingesetzt werden.
Ein Beispiel für Deep Learning
Wenn man das oben erwähnte Betrugserkennungssystem mit maschinellem Lernen verwendet, kann man ein Deep-Learning-Beispiel erstellen. Wenn das maschinelle Lernsystem ein Modell mit Parametern erstellt hat, die auf der Anzahl der Dollar basieren, die ein Benutzer sendet oder empfängt, kann die Deep-Learning-Methode auf den Ergebnissen aufbauen, die das maschinelle Lernen bietet.
Jede Schicht des neuronalen Netzwerks baut auf der vorherigen Schicht auf und fügt Daten wie Händler, Absender, Benutzer, Social-Media-Ereignis, Kredit-Score, IP-Adresse und eine Vielzahl anderer Funktionen hinzu, deren Verbindung bei der Verarbeitung durch einen Menschen Jahre dauern kann Sein. Deep-Learning-Algorithmen werden so trainiert, dass sie nicht nur Muster aus allen Transaktionen erstellen, sondern auch wissen, wann ein Muster die Notwendigkeit einer betrügerischen Untersuchung signalisiert. Die letzte Ebene leitet ein Signal an einen Analysten weiter, der das Konto des Benutzers sperren kann, bis alle anstehenden Untersuchungen abgeschlossen sind.
Deep Learning wird branchenübergreifend für verschiedene Aufgaben eingesetzt. Kommerzielle Apps, die Bilderkennung verwenden, Open-Source-Plattformen mit Verbraucherempfehlungs-Apps und medizinische Forschungstools, die die Möglichkeit der Wiederverwendung von Medikamenten für neue Leiden untersuchen, sind nur einige Beispiele für die Integration von Deep Learning.
Schnelle Tatsache
Der Elektronikhersteller Panasonic hat mit Universitäten und Forschungszentren zusammengearbeitet, um vertiefende Lerntechnologien im Zusammenhang mit Computer Vision zu entwickeln.
Vergleich von Anlagekonten Name des Anbieters Beschreibung Angaben zum Werbetreibenden × Die in dieser Tabelle aufgeführten Angebote stammen von Partnerschaften, von denen Investopedia eine Vergütung erhält.