Apprendimento profondo
L'apprendimento profondo è una funzione di intelligenza artificiale che imita il funzionamento del cervello umano nell'elaborazione dei dati e nella creazione di schemi da utilizzare nel processo decisionale. Il deep learning è un sottoinsieme dell'apprendimento automatico nell'intelligenza artificiale (AI) che ha reti in grado di apprendere senza supervisione da dati non strutturati o senza etichetta. Conosciuto anche come deep neural learning o deep neural network.
Come funziona il Deep Learning
Il deep learning si è evoluto di pari passo con l'era digitale, che ha provocato un'esplosione di dati in tutte le forme e in ogni regione del mondo. Questi dati, noti semplicemente come big data, provengono da fonti come social media, motori di ricerca su Internet, piattaforme di e-commerce e cinema online, tra gli altri. Questa enorme quantità di dati è facilmente accessibile e può essere condivisa tramite applicazioni fintech come il cloud computing.
Tuttavia, i dati, che normalmente non sono strutturati, sono così vasti che potrebbero essere necessari decenni perché gli umani li comprendano ed estraggano le informazioni pertinenti. Le aziende realizzano l'incredibile potenziale che può derivare dallo svelamento di questa ricchezza di informazioni e si stanno adattando sempre più ai sistemi di intelligenza artificiale per il supporto automatizzato.
L'apprendimento profondo apprende da grandi quantità di dati non strutturati che normalmente potrebbero essere necessari decenni per comprendere e elaborare gli esseri umani.
Apprendimento profondo e apprendimento automatico
Una delle tecniche di intelligenza artificiale più comuni utilizzate per l'elaborazione dei big data è l'apprendimento automatico, un algoritmo autoadattivo che ottiene analisi e modelli sempre migliori con l'esperienza o con i nuovi dati aggiunti.
Se un'azienda di pagamenti digitali volesse rilevare il verificarsi o il potenziale di frode nel proprio sistema, potrebbe utilizzare strumenti di apprendimento automatico a tale scopo. L'algoritmo computazionale incorporato in un modello computerizzato elaborerà tutte le transazioni che avvengono sulla piattaforma digitale, troverà modelli nel set di dati e indicherà qualsiasi anomalia rilevata dal modello.
L'apprendimento profondo, un sottoinsieme dell'apprendimento automatico, utilizza un livello gerarchico di reti neurali artificiali per eseguire il processo di apprendimento automatico. Le reti neurali artificiali sono costruite come il cervello umano, con nodi di neuroni collegati insieme come una rete. Mentre i programmi tradizionali costruiscono l'analisi con i dati in modo lineare, la funzione gerarchica dei sistemi di apprendimento profondo consente alle macchine di elaborare i dati con un approccio non lineare.
Un approccio tradizionale alla rilevazione di frodi o riciclaggio di denaro potrebbe fare affidamento sulla quantità di transazioni che ne conseguono, mentre una tecnica non lineare di apprendimento profondo includerebbe il tempo, la posizione geografica, l'indirizzo IP, il tipo di rivenditore e qualsiasi altra caratteristica che possa indicare attività fraudolente . Il primo livello della rete neurale elabora un input di dati grezzi come la quantità della transazione e lo passa al livello successivo come output. Il secondo livello elabora le informazioni del livello precedente includendo informazioni aggiuntive come l'indirizzo IP dell'utente e ne trasmette il risultato.
Il livello successivo prende le informazioni del secondo livello e include dati grezzi come la posizione geografica e migliora ulteriormente il modello della macchina. Questo continua su tutti i livelli della rete neuronale.
Key Takeaways
- L'apprendimento profondo è una funzione di intelligenza artificiale che imita il funzionamento del cervello umano nell'elaborazione dei dati da utilizzare nel processo decisionale.
- L'intelligenza artificiale di apprendimento profondo è in grado di apprendere da dati non strutturati e senza etichetta.
- Il deep learning, un sottoinsieme di machine learning, può essere utilizzato per rilevare frodi o riciclaggio di denaro.
Un esempio di apprendimento profondo
Utilizzando il sistema di rilevamento delle frodi sopra menzionato con l'apprendimento automatico, è possibile creare un esempio di apprendimento approfondito. Se il sistema di apprendimento automatico ha creato un modello con parametri basati sul numero di dollari che un utente invia o riceve, il metodo di apprendimento profondo può iniziare a basarsi sui risultati offerti dall'apprendimento automatico.
Ogni livello della sua rete neurale si basa sul livello precedente con dati aggiunti come un rivenditore, mittente, utente, evento sui social media, punteggio di credito, indirizzo IP e una serie di altre funzionalità che potrebbero richiedere anni per connettersi insieme se elaborate da un essere umano essere. Gli algoritmi di deep learning sono addestrati non solo a creare modelli da tutte le transazioni, ma anche a sapere quando un modello segnala la necessità di un'indagine fraudolenta. Lo strato finale inoltra un segnale a un analista che può congelare l'account dell'utente fino a quando tutte le indagini in sospeso sono state completate.
Il deep learning è utilizzato in tutti i settori per una serie di compiti diversi. Le app commerciali che utilizzano il riconoscimento delle immagini, le piattaforme open source con app per i consumatori e gli strumenti di ricerca medica che esplorano la possibilità di riutilizzare i farmaci per nuovi disturbi sono alcuni degli esempi di incorporazione del deep learning.
Fatto veloce
Il produttore di elettronica Panasonic ha lavorato con università e centri di ricerca per sviluppare tecnologie di apprendimento profondo legate alla visione artificiale.
Confronta i conti di investimento Nome del fornitore Descrizione Descrizione dell'inserzionista × Le offerte che compaiono in questa tabella provengono da società di persone da cui Investopedia riceve un compenso.