Tiefes Lernen
Was ist Deep Learning?
Deep Learning ist eine Funktion der künstlichen Intelligenz (KI), 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 des maschinellen Lernens in der künstlichen Intelligenz, die über Netzwerke verfügt, die unbeaufsichtigt aus Daten lernen können, die unstrukturiert oder unbeschriftet sind. 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 kann ohne menschliche Aufsicht lernen und aus Daten 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, die einfach als Big Data bekannt sind, stammen unter anderem aus Quellen wie sozialen Medien, Internetsuchmaschinen, E-Commerce Plattformen und Online-Kinos. Diese enorme Datenmenge ist leicht zugänglich und kann über Fintech Anwendungen wie Cloud Computing geteilt werden.
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 passen sich zunehmend an KI-Systeme für die automatisierte Unterstützung an.
Deep Learning enthüllt riesige Mengen unstrukturierter Daten, deren Verständnis und Verarbeitung normalerweise Jahrzehnte dauern würde.
Deep Learning vs. Machine Learning
Eine der am häufigsten verwendeten KI-Techniken für die Verarbeitung von Big Data ist Machine Learning, ein selbstanpassender 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 integrierte Rechenalgorithmus verarbeitet alle auf der digitalen Plattform stattfindenden Transaktionen, findet Muster im Datensatz und weist auf jede durch das Muster erkannte Anomalie 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 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 könnte von der Menge der daraus resultierenden Transaktionen abhängen, während eine nichtlineare Deep-Learning-Technik Zeit, geografischen Standort, IP-Adresse, Art des Einzelhändlers und alle anderen Merkmale umfasst, die wahrscheinlich auf Betrug hinweisen 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 IP-Adresse des Benutzers einschließt und das Ergebnis weitergibt.
Die nächste Schicht nimmt die Informationen der zweiten Schicht auf und enthält Rohdaten wie den geografischen Standort und verbessert das Muster der Maschine noch. 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 maschinelle Lernsystem ein Modell mit Parametern erstellt hat, die auf der Anzahl der Dollar basieren, die ein Benutzer sendet oder erhält, kann die Deep-Learning-Methode auf den Ergebnissen des maschinellen Lernens aufbauen.
Jede Schicht ihres neuronalen Netzwerks baut auf ihrer vorherigen Schicht auf und enthält zusätzliche Daten wie Einzelhändler, Absender, Benutzer, Social-Media-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 trainiert, um nicht nur Muster aus allen Transaktionen zu erstellen, sondern auch zu wissen, wann ein Muster die Notwendigkeit einer betrügerischen Untersuchung signalisiert. Die letzte Schicht 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 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 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 einen nichtlinearen Ansatz, bei dem Daten über eine Reihe von Schichten verarbeitet werden, die jeweils nachfolgende Ebenen zusätzlicher Informationen integrieren.
Was ist ein Beispiel für Deep Learning?
Wenn Deep Learning zur Aufdeckung von Betrug verwendet wird, werden mehrere Signale wie IP-Adresse, Kredit-Score, Einzelhändler oder Absender genutzt, 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 der Kredit-Score zu den vorhandenen Informationen hinzugefügt und so weiter, bis eine endgültige Entscheidung getroffen wird.