L'apprentissage en profondeur
L'apprentissage en profondeur est une fonction d'intelligence artificielle qui imite le fonctionnement du cerveau humain lors du traitement de données et de la création de modèles à utiliser dans la prise de décision. L'apprentissage en profondeur est un sous-ensemble de l'apprentissage automatique en intelligence artificielle (IA) doté de réseaux capables d'apprendre sans surveillance à partir de données non structurées ou non étiquetées. Aussi appelé apprentissage neuronal profond ou réseau neuronal profond.
Comment fonctionne l'apprentissage en profondeur
L'apprentissage en profondeur a évolué de pair avec l'ère numérique, qui a entraîné une explosion de données sous toutes leurs formes et de toutes les régions du monde. Ces données, connues simplement sous le nom de données volumineuses, proviennent de sources telles que les médias sociaux, les moteurs de recherche Internet, les plateformes de commerce électronique et les cinémas en ligne, entre autres. Cette énorme quantité de données est facilement accessible et peut être partagée via des applications fintech telles que le cloud computing.
Cependant, les données, qui sont normalement non structurées, sont si vastes qu'il faudrait des décennies à l'homme pour les comprendre et en extraire les informations pertinentes. Les entreprises réalisent le potentiel incroyable qui peut résulter de l'explosion de cette mine d'informations et s'adaptent de plus en plus aux systèmes d'IA pour une prise en charge automatisée.
L'apprentissage en profondeur tire des leçons de vastes quantités de données non structurées qui pourraient normalement prendre des décennies à la compréhension et au traitement de l'homme.
Apprendre en profondeur par rapport à l'apprentissage automatique
L'une des techniques d'intelligence artificielle les plus couramment utilisées pour traiter les mégadonnées est l'apprentissage automatique, un algorithme auto-adaptatif permettant une analyse et des modèles de plus en plus perfectionnés, avec de l'expérience ou de nouvelles données.
Si une entreprise de paiement numérique souhaitait détecter l'occurrence ou le potentiel de fraude de son système, elle pourrait utiliser des outils d'apprentissage automatique à cette fin. L'algorithme de calcul intégré dans un modèle informatique traitera toutes les transactions effectuées sur la plate-forme numérique, trouvera des modèles dans l'ensemble de données et signalera toute anomalie détectée par le modèle.
L'apprentissage en profondeur, un sous-ensemble de l'apprentissage automatique, utilise un niveau hiérarchique de réseaux de neurones artificiels pour mener à bien le processus d'apprentissage automatique. Les réseaux de neurones artificiels sont construits comme le cerveau humain, avec des nœuds de neurones connectés entre eux comme un réseau. Alors que les programmes traditionnels construisent l'analyse avec les données de manière linéaire, la fonction hiérarchique des systèmes d'apprentissage approfondi permet aux machines de traiter les données avec une approche non linéaire.
Une approche traditionnelle de détection de fraude ou de blanchiment d’argent pourrait reposer sur le montant de la transaction, alors qu’une technique non linéaire d’apprentissage en profondeur comprendrait le temps, la localisation géographique, l’adresse IP, le type de détaillant et toute autre caractéristique susceptible de signaler une activité frauduleuse. . La première couche du réseau de neurones traite une entrée de données brutes comme le montant de la transaction et la transmet à la couche suivante en tant que sortie. La deuxième couche traite les informations de la couche précédente en incluant des informations supplémentaires telles que l'adresse IP de l'utilisateur et transmet son résultat.
La couche suivante prend les informations de la deuxième couche et inclut des données brutes telles que l'emplacement géographique et améliore encore le modèle de la machine. Cela se poursuit à tous les niveaux du réseau de neurones.
Points clés à retenir
- L'apprentissage en profondeur est une fonction d'intelligence artificielle qui imite le fonctionnement du cerveau humain lors du traitement de données pour une utilisation dans la prise de décision.
- Apprendre en profondeur L'intelligence artificielle est capable d'apprendre à partir de données non structurées et non étiquetées.
- L'apprentissage en profondeur, un sous-ensemble d'apprentissage automatique, peut être utilisé pour aider à détecter la fraude ou le blanchiment d'argent.
Un exemple d'apprentissage en profondeur
En utilisant le système de détection de fraude mentionné ci-dessus avec l'apprentissage automatique, on peut créer un exemple d'apprentissage approfondi. Si le système d'apprentissage automatique a créé un modèle avec des paramètres construits autour du nombre de dollars qu'un utilisateur envoie ou reçoit, la méthode d'apprentissage en profondeur peut commencer à s'appuyer sur les résultats de l'apprentissage automatique.
Chaque couche de son réseau de neurones s'appuie sur la couche précédente avec des données supplémentaires telles qu'un détaillant, un expéditeur, un utilisateur, un événement de média social, un pointage de crédit, une adresse IP et une foule d'autres fonctionnalités pouvant nécessiter des années pour se connecter si elles sont traitées par un humain. étant. Les algorithmes d'apprentissage en profondeur sont formés pour créer non seulement des modèles à partir de toutes les transactions, mais également savoir quand un modèle indique la nécessité d'une enquête frauduleuse. La couche finale transmet un signal à un analyste qui peut geler le compte de l'utilisateur jusqu'à ce que toutes les enquêtes en attente soient finalisées.
L'apprentissage en profondeur est utilisé dans toutes les industries pour un certain nombre de tâches différentes. Les applications commerciales qui utilisent la reconnaissance d'images, les plates-formes open source avec des applications de recommandation du consommateur et des outils de recherche médicale explorant la possibilité de réutiliser des médicaments pour traiter de nouveaux maux sont quelques exemples d'intégration en apprentissage en profondeur.
Fait bref
Le fabricant d'électronique Panasonic collabore avec des universités et des centres de recherche pour développer des technologies d'apprentissage en profondeur liées à la vision par ordinateur.
Comparaison des comptes d'investissement Nom du fournisseur Description Divulgation par l'annonceur × Les offres figurant dans ce tableau proviennent de partenariats avec lesquels Investopedia reçoit une rémunération.