Học sâu là gì?
Học sâu là một chức năng trí tuệ nhân tạo bắt chước hoạt động của bộ não con người trong việc xử lý dữ liệu và tạo ra các mẫu để sử dụng trong việc ra quyết định. Học sâu là một tập hợp con của học máy trong trí tuệ nhân tạo (AI) có các mạng có khả năng học không bị giám sát từ dữ liệu không có cấu trúc hoặc không được gắn nhãn. Còn được gọi là học thần kinh sâu hoặc mạng lưới thần kinh sâu.
Cách học sâu
Học sâu đã phát triển cùng với thời đại kỹ thuật số, điều này đã mang lại sự bùng nổ dữ liệu dưới mọi hình thức và từ mọi khu vực trên thế giới. Dữ liệu này, được gọi đơn giản là dữ liệu lớn, được lấy từ các nguồn như phương tiện truyền thông xã hội, công cụ tìm kiếm internet, nền tảng thương mại điện tử và rạp chiếu phim trực tuyến, trong số các nguồn khác. Lượng dữ liệu khổng lồ này có thể truy cập dễ dàng và có thể được chia sẻ thông qua các ứng dụng fintech như điện toán đám mây.
Tuy nhiên, dữ liệu, thường không có cấu trúc, quá lớn đến nỗi con người phải mất hàng thập kỷ để hiểu và trích xuất thông tin liên quan. Các công ty nhận ra tiềm năng đáng kinh ngạc có thể có được từ việc làm sáng tỏ sự giàu có thông tin này và ngày càng thích nghi với các hệ thống AI để được hỗ trợ tự động.
Học sâu học được từ rất nhiều dữ liệu phi cấu trúc mà thông thường có thể khiến con người mất hàng thập kỷ để hiểu và xử lý.
Deep Learning Versus Machine Learning
Một trong những kỹ thuật AI phổ biến nhất được sử dụng để xử lý dữ liệu lớn là học máy, thuật toán tự thích ứng giúp phân tích ngày càng tốt hơn và các mẫu có kinh nghiệm hoặc với dữ liệu mới được thêm vào.
Nếu một công ty thanh toán kỹ thuật số muốn phát hiện sự xuất hiện hoặc tiềm năng gian lận trong hệ thống của mình, công ty có thể sử dụng các công cụ học máy cho mục đích này. Thuật toán tính toán được tích hợp trong mô hình máy tính sẽ xử lý tất cả các giao dịch xảy ra trên nền tảng kỹ thuật số, tìm các mẫu trong tập dữ liệu và chỉ ra bất kỳ sự bất thường nào được phát hiện bởi mẫu.
Học sâu, một tập hợp con của học máy, sử dụng một cấp bậc của mạng lưới thần kinh nhân tạo để thực hiện quá trình học máy. Các mạng lưới thần kinh nhân tạo được xây dựng giống như bộ não của con người, với các nút nơ ron được kết nối với nhau như một trang web. Trong khi các chương trình truyền thống xây dựng phân tích dữ liệu theo cách tuyến tính, chức năng phân cấp của các hệ thống học sâu cho phép các máy xử lý dữ liệu theo cách tiếp cận phi tuyến.
Cách tiếp cận truyền thống để phát hiện gian lận hoặc rửa tiền có thể dựa vào số lượng giao dịch xảy ra, trong khi kỹ thuật phi tuyến học sâu sẽ bao gồm thời gian, vị trí địa lý, địa chỉ IP, loại nhà bán lẻ và bất kỳ tính năng nào khác có khả năng chỉ ra hoạt động lừa đảo. Lớp đầu tiên của mạng nơ ron xử lý dữ liệu đầu vào thô như lượng giao dịch và chuyển nó sang lớp tiếp theo làm đầu ra. Lớp thứ hai xử lý thông tin của lớp trước bằng cách bao gồm thông tin bổ sung như địa chỉ IP của người dùng và chuyển qua kết quả của nó.
Lớp tiếp theo lấy thông tin của lớp thứ hai và bao gồm dữ liệu thô như vị trí địa lý và làm cho mẫu của máy trở nên tốt hơn. Điều này tiếp tục trên tất cả các cấp của mạng lưới nơ-ron.
Chìa khóa chính
- Học sâu là một chức năng AI bắt chước hoạt động của bộ não con người trong việc xử lý dữ liệu để sử dụng trong việc ra quyết định. Học tập AI có thể học từ dữ liệu không có cấu trúc và không có nhãn. Học tập, một tập hợp con học máy, có thể được sử dụng để giúp phát hiện gian lận hoặc rửa tiền.
Một ví dụ về Deep Learning
Sử dụng hệ thống phát hiện gian lận được đề cập ở trên với máy học, người ta có thể tạo ra một ví dụ học tập sâu. Nếu hệ thống máy học tạo ra một mô hình với các tham số được xây dựng xung quanh số đô la mà người dùng gửi hoặc nhận, phương pháp học sâu có thể bắt đầu xây dựng dựa trên kết quả do máy học cung cấp.
Mỗi lớp của mạng thần kinh của nó xây dựng trên lớp trước đó với dữ liệu được thêm vào như nhà bán lẻ, người gửi, người dùng, sự kiện truyền thông xã hội, điểm tín dụng, địa chỉ IP và một loạt các tính năng khác có thể mất nhiều năm để kết nối với nhau nếu được xử lý bởi con người được. Các thuật toán học sâu được đào tạo để không chỉ tạo ra các mẫu từ tất cả các giao dịch, mà còn biết khi nào một mẫu đang báo hiệu sự cần thiết của một cuộc điều tra gian lận. Lớp cuối cùng chuyển tiếp tín hiệu đến một nhà phân tích có thể đóng băng tài khoản của người dùng cho đến khi tất cả các cuộc điều tra đang chờ xử lý được hoàn tất.
Học sâu được sử dụng trên tất cả các ngành cho một số nhiệm vụ khác nhau. Các ứng dụng thương mại sử dụng nhận dạng hình ảnh, nền tảng nguồn mở với các ứng dụng khuyến nghị người tiêu dùng và các công cụ nghiên cứu y tế khám phá khả năng tái sử dụng thuốc cho các bệnh mới là một vài ví dụ về kết hợp học tập sâu.
Thực tế nhanh
Nhà sản xuất điện tử Panasonic đã làm việc với các trường đại học và trung tâm nghiên cứu để phát triển các công nghệ học tập sâu liên quan đến thị giác máy tính.
