Deep-Learning-Definition (Künstliche Intelligenz)
Was ist Deep Learning?
Deep Learning ist ein Künstliche Intelligenz (KI) Funktion, die die Funktionsweise des menschlichen Gehirns bei der Verarbeitung von Daten und der Erstellung von Mustern für die Entscheidungsfindung imitiert. Deep Learning ist eine Teilmenge von maschinelles Lernen in künstlicher Intelligenz, die über Netzwerke verfügt, die in der Lage sind, unbeaufsichtigt aus unstrukturierten oder nicht gekennzeichneten Daten zu lernen. Auch bekannt als Deep Neural Learning oder Deep Neural Network.
Die zentralen Thesen
- Deep Learning ist eine KI-Funktion, die die Funktionsweise des menschlichen Gehirns bei der Verarbeitung von Daten nachahmt, um Objekte zu erkennen, Sprache zu erkennen, Sprachen zu übersetzen und Entscheidungen zu treffen.
- Deep Learning AI ist in der Lage, ohne menschliche Aufsicht zu lernen und aus Daten zu schöpfen, die sowohl unstrukturiert als auch nicht gekennzeichnet sind.
- Deep Learning, eine Form des maschinellen Lernens, kann unter anderem verwendet werden, um Betrug oder Geldwäsche aufzudecken.
So funktioniert Deep Learning
Deep Learning hat sich Hand in Hand mit dem digitalen Zeitalter entwickelt, das zu einer Explosion von Daten in allen Formen und aus allen Regionen der Welt geführt hat. Diese Daten, einfach bekannt als Große Daten, stammt aus Quellen wie sozialen Medien, Internetsuchmaschinen, E-Commerce Plattformen und Online-Kinos, unter anderem. Diese enorme Datenmenge ist leicht zugänglich und kann durch geteilt werden Fintech Anwendungen wie Cloud-Computing.
Die Daten, die normalerweise unstrukturiert sind, sind jedoch so umfangreich, dass es Jahrzehnte dauern könnte, bis Menschen sie verstehen und relevante Informationen extrahieren. Unternehmen erkennen das unglaubliche Potenzial, das sich aus der Entschlüsselung dieser Informationsfülle ergeben kann und stellen sich zunehmend auf KI-Systeme zur automatisierten Unterstützung ein.
Deep Learning entwirrt riesige Mengen unstrukturierter Daten, deren Verständnis und Verarbeitung normalerweise Jahrzehnte dauern würde.
Deep Learning vs. Maschinelles Lernen
Eine der am häufigsten verwendeten KI-Techniken für die Verarbeitung von Big Data ist das maschinelle Lernen, ein selbstanpassendes Algorithmus, der mit Erfahrung oder mit neu hinzugefügten Daten immer bessere Analysen und Muster erhält.
Wenn ein digitales Zahlungsunternehmen das Auftreten oder das Potenzial von Betrug in seinem System erkennen möchte, könnte es hierfür Tools des maschinellen Lernens einsetzen. Der in ein Computermodell eingebaute Rechenalgorithmus verarbeitet alle Transaktionen, die auf der digitalen Plattform, finden Sie Muster im Datensatz und weisen Sie auf jede Anomalie hin, die von der Muster.
Deep Learning, eine Teilmenge des maschinellen Lernens, nutzt eine hierarchische Ebene künstlicher neuronaler Netze, um den Prozess des maschinellen Lernens durchzuführen. Die künstlichen neuronalen Netze sind wie das menschliche Gehirn aufgebaut, mit Neuronenknoten, die wie ein Netz miteinander verbunden sind. Während herkömmliche Programme Analysen mit Daten linear aufbauen, ermöglicht die hierarchische Funktion von Deep-Learning-Systemen Maschinen, Daten mit einem nichtlinearen Ansatz zu verarbeiten.
Der Elektronikhersteller Panasonic hat mit Universitäten und Forschungszentren zusammengearbeitet, um Deep-Learning-Technologien im Zusammenhang mit Computer Vision zu entwickeln.
Besondere Überlegungen
Ein traditioneller Ansatz zur Aufdeckung von Betrug oder Geldwäsche kann auf der Menge der anfallenden Transaktionen beruhen, während ein nichtlinearer Deep-Learning-Ansatz Technik würde die Zeit, den geografischen Standort, die IP-Adresse, die Art des Einzelhändlers und alle anderen Merkmale umfassen, die wahrscheinlich auf betrügerische Handlungen hindeuten Aktivität. Die erste Schicht des neuronalen Netzes verarbeitet eine Rohdateneingabe wie den Betrag der Transaktion und gibt sie als Ausgabe an die nächste Schicht weiter. Die zweite Schicht verarbeitet die Informationen der vorherigen Schicht, indem sie zusätzliche Informationen wie die des Benutzers einschließt IP Adresse und gibt sein Ergebnis weiter.
Die nächste Schicht nimmt die Informationen der zweiten Schicht auf und enthält Rohdaten wie den geografischen Standort und macht das Muster der Maschine noch besser. Dies setzt sich über alle Ebenen des Neuronennetzes fort.
Ein Beispiel für Deep Learning
Mit dem oben erwähnten Betrugserkennungssystem mit maschinellem Lernen kann man ein Deep-Learning-Beispiel erstellen. Wenn das Machine-Learning-System ein Modell mit Parametern erstellt, die um die Dollar-Zahl eines Benutzers herum aufgebaut sind sendet oder empfängt, kann die Deep-Learning-Methode auf den Ergebnissen der Maschine aufbauen Lernen.
Jede Schicht seines neuronalen Netzes baut auf der vorherigen Schicht auf und enthält zusätzliche Daten wie Einzelhändler, Absender, Benutzer, soziale Medien Ereignis, Kreditwürdigkeit, IP-Adresse und eine Vielzahl anderer Funktionen, deren Verbindung Jahre dauern kann, wenn sie von einem Menschen verarbeitet werden Sein. Deep-Learning-Algorithmen werden darauf trainiert, nicht nur Muster aus allen Transaktionen zu erstellen, sondern auch zu erkennen, wann ein Muster die Notwendigkeit einer betrügerischen Untersuchung signalisiert. Die letzte Ebene leitet ein Signal an einen Analysten weiter, der das Konto des Benutzers einfrieren kann, bis alle anhängigen Untersuchungen abgeschlossen sind.
Deep Learning wird branchenübergreifend für eine Vielzahl unterschiedlicher 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 Krankheiten untersuchen, sind einige der Beispiele für die Integration von Deep Learning.
Häufig gestellte Fragen
Was ist Deep Learning?
Deep Learning, auch bekannt als Deep Neural Networks oder Neural Learning, ist eine Form der künstlichen Intelligenz (KI), die versucht, die Funktionsweise eines menschlichen Gehirns nachzubilden. Es ist eine Form des maschinellen Lernens mit Funktionen, die in einem nichtlinearen Entscheidungsprozess arbeiten. Deep Learning tritt auf, wenn Entscheidungen über unstrukturierte Daten ohne Aufsicht getroffen werden. Objekterkennung, Spracherkennung und Sprachübersetzung sind einige der Aufgaben, die durch Deep Learning ausgeführt werden.
Wie funktioniert Deep Learning?
Als Teilmenge des maschinellen Lernens verwendet Deep Learning hierarchische neuronale Netze, um Daten zu analysieren. Innerhalb dieser hierarchischen neuronalen Netze sind Neuronencodes miteinander verknüpft, ähnlich dem menschlichen Gehirn. Im Gegensatz zu anderen traditionellen linearen Programmen in Maschinen ermöglicht die hierarchische Struktur von Deep Learning nichtlinearer Ansatz, bei dem Daten über eine Reihe von Ebenen verarbeitet werden, die jeweils nachfolgende Ebenen zusätzlicher Information.
Was ist ein Beispiel für Deep Learning?
Wenn Deep Learning verwendet wird, um Betrug zu erkennen, werden verschiedene Signale genutzt, z. B. IP-Adresse, Kreditwürdigkeit, Händler oder Absender, um nur einige zu nennen. In der ersten Schicht seines künstlichen neuronalen Netzes analysiert es die gesendete Menge. In einer zweiten Schicht baut es auf diesen Informationen auf und enthält beispielsweise die IP-Adresse. In der dritten Schicht wird die Kreditwürdigkeit zu den vorhandenen Informationen hinzugefügt und so weiter, bis eine endgültige Entscheidung getroffen wird.