Aprenentatge profund
L’aprenentatge profund és una funció d’intel·ligència artificial que imita el funcionament del cervell humà en el processament de dades i en la creació de patrons per a la presa de decisions. L’aprenentatge profund és un subconjunt d’aprenentatge automàtic en intel·ligència artificial (IA) que té xarxes capaces d’aprendre de manera no supervisada a partir de dades que no estan estructurades o sense etiquetar. També es coneix com a aprenentatge neuronal profund o xarxa neuronal profunda.
Com funciona l'aprenentatge profund
L’aprenentatge profund ha evolucionat conjuntament amb l’era digital, que ha provocat una explosió de dades en totes les formes i de totes les regions del món. Aquestes dades, conegudes simplement com a grans dades, provenen de fonts com les xarxes socials, motors de cerca d’internet, plataformes de comerç electrònic i cinemes en línia, entre d’altres. Aquesta enorme quantitat de dades és fàcilment accessible i es pot compartir mitjançant aplicacions fintech com el cloud computing.
Tanmateix, les dades, normalment no estructurades, són tan vastes que els humans poden trigar dècades a comprendre-la i extreure informació rellevant. Les empreses s’adonen de l’increïble potencial que pot derivar en desvelar aquesta riquesa d’informació i s’adapten cada cop més als sistemes d’AI per a un suport automatitzat.
L’aprenentatge profund s'aprèn a partir de grans quantitats de dades no estructurades que normalment poden trigar els humans durant dècades a comprendre i processar.
Aprenentatge profund versus l'aprenentatge automàtic
Una de les tècniques d’IA més comunes que s’utilitzen per processar big data és l’aprenentatge automàtic, un algorisme que s’autoadaptació, que millora cada cop una millor anàlisi i patrons amb experiència o amb dades recentment afegides.
Si una empresa de pagaments digitals volgués detectar l’ocurrència o el potencial de frau en el seu sistema, podria utilitzar eines d’aprenentatge automàtic per a aquest propòsit. L’algoritme computacional integrat en un model informàtic processarà totes les transaccions que es produeixen a la plataforma digital, trobarà patrons al conjunt de dades i assenyalarà qualsevol anomalia detectada pel patró.
L’aprenentatge profund, un subconjunt d’aprenentatge automàtic, utilitza un nivell jeràrquic de xarxes neuronals artificials per dur a terme el procés d’aprenentatge de màquines. Les xarxes neuronals artificials es construeixen com el cervell humà, amb nodes neuronals connectats entre si com una xarxa. Mentre que els programes tradicionals construeixen anàlisis amb dades de forma lineal, la funció jeràrquica dels sistemes d’aprenentatge profund permet a les màquines processar dades amb un enfocament no lineal.
Un enfocament tradicional per detectar el frau o el blanqueig de diners pot dependre de la quantitat de transaccions que es produeix, mentre que una tècnica d'aprenentatge no lineal profund inclouria temps, ubicació geogràfica, adreça IP, tipus de comerciant i qualsevol altra característica que pugui apuntar a una activitat fraudulenta. . La primera capa de la xarxa neuronal processa una entrada de dades en brut com la quantitat de la transacció i la passa a la següent capa com a sortida. La segona capa processa la informació de la capa anterior incloent informació addicional, com ara l’adreça IP de l’usuari i transmet el resultat.
La següent capa recull la informació de la segona capa i inclou dades en brut com la ubicació geogràfica i fa que el patró de la màquina sigui encara millor. Això continua a tots els nivells de la xarxa de neurones.
Compres per emportar
- L’aprenentatge profund és una funció d’AI que imita el funcionament del cervell humà en el processament de dades per utilitzar-les en la presa de decisions.
- L’AI d’aprenentatge profund és capaç d’aprendre a partir de dades tan estructurades com sense etiquetes.
- L’aprenentatge profund, un subconjunt d’aprenentatge automàtic, es pot utilitzar per ajudar a detectar el frau o el blanqueig de diners.
Un exemple d’aprenentatge profund
Utilitzant el sistema de detecció de fraus esmentat anteriorment amb l'aprenentatge automàtic, es pot crear un exemple d'aprenentatge profund. Si el sistema d'aprenentatge automàtic va crear un model amb paràmetres construïts al voltant del nombre de dòlars que un usuari envia o rep, el mètode d'aprenentatge profund pot començar a aprofitar-se dels resultats que ofereix l'aprenentatge automàtic.
Cada capa de la seva xarxa neuronal es basa en la seva capa anterior amb dades afegides com un minorista, emissor, usuari, esdeveniment de mitjans socials, puntuació de crèdit, adreça IP i una sèrie d’altres funcions que poden trigar anys a connectar-se si són processats per un ésser humà. ésser. Els algorismes d’aprenentatge profund estan formats per no només crear pautes de totes les transaccions, però també saben quan un patró indica la necessitat d’una investigació fraudulenta. La capa final retransmet un senyal a un analista que pot congelar el compte de l’usuari fins que finalitzin totes les investigacions pendents.
L’aprenentatge profund s’utilitza a totes les indústries per a diverses tasques diferents. Alguns dels exemples d'incorporació d'aprenentatge profund són algunes de les aplicacions comercials que utilitzen reconeixement d'imatges, plataformes de codi obert amb aplicacions de recomanació del consumidor i eines de recerca mèdica que exploren la possibilitat de reutilitzar fàrmacs per a noves malalties.
Fet ràpid
El fabricant d’electrònica Panasonic ha estat treballant amb universitats i centres de recerca per desenvolupar tecnologies d’aprenentatge profund relacionades amb la visió per ordinador.
Comparació de comptes d'inversió Nom del proveïdor Descripció del anunciant × Les ofertes que apareixen a aquesta taula provenen de col·laboracions per les quals Investopedia rep una compensació.