Apprendimento approfondito
Cos’è il deep learning?
Il deep learning è una funzione di intelligenza artificiale (AI) che imita il funzionamento del cervello umano nell’elaborazione dei dati e nella creazione di modelli da utilizzare nel processo decisionale. L’apprendimento profondo è un sottoinsieme dell’apprendimento automatico nell’intelligenza artificiale che dispone di reti in grado di apprendere senza supervisione da dati non strutturati o senza etichetta. Noto anche come apprendimento neurale profondo o rete neurale profonda.
Punti chiave
- L’apprendimento profondo è una funzione di intelligenza artificiale che imita il funzionamento del cervello umano nell’elaborazione dei dati da utilizzare per rilevare oggetti, riconoscere la parola, tradurre lingue e prendere decisioni.
- L’intelligenza artificiale con apprendimento profondo è in grado di apprendere senza la supervisione umana, attingendo a dati non strutturati e non etichettati.
- L’apprendimento profondo, una forma di apprendimento automatico, può essere utilizzato per rilevare frodi o riciclaggio di denaro, tra le altre funzioni.
Come funziona il deep learning
Il deep learning si è evoluto di pari passo con l’era digitale, che ha portato a un’esplosione di dati in tutte le forme e da ogni regione del mondo. Questi dati, noti semplicemente come big data, provengono da fonti come social media, motori di ricerca 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 prima che gli esseri umani li comprendano ed estraggano informazioni rilevanti. Le aziende realizzano l’incredibile potenziale che può derivare dallo svelare questa ricchezza di informazioni e si stanno adattando sempre più ai sistemi di intelligenza artificiale per il supporto automatizzato.
L’apprendimento profondo svela enormi quantità di dati non strutturati che normalmente richiederebbero decenni per essere compresi ed elaborati dagli esseri umani.
Apprendimento approfondito e apprendimento automatico
Una delle tecniche di intelligenza artificiale più comuni utilizzate per l’elaborazione dei big data è l’apprendimento automatico, un algoritmo autoadattativo che ottiene analisi e schemi sempre migliori con l’esperienza o con i nuovi dati aggiunti.
Se una società di pagamenti digitali desidera rilevare il verificarsi o il potenziale di frode nel proprio sistema, potrebbe utilizzare strumenti di apprendimento automatico per questo scopo. L’algoritmo computazionale integrato in un modello di computer 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 i nodi neuronali collegati tra loro come una rete. Mentre i programmi tradizionali costruiscono l’analisi con i dati in modo lineare, la funzione gerarchica dei sistemi di deep learning consente alle macchine di elaborare i dati con un approccio non lineare.
Il produttore di elettronica Panasonic ha collaborato con università e centri di ricerca per sviluppare tecnologie di apprendimento profondo relative alla visione artificiale.
considerazioni speciali
Un approccio tradizionale all’individuazione di frodi o riciclaggio di denaro potrebbe fare affidamento sulla quantità di transazione che ne consegue, mentre una tecnica non lineare di apprendimento profondo includerebbe ora, posizione geografica, indirizzo IP, tipo di rivenditore e qualsiasi altra caratteristica che potrebbe indicare attività fraudolenta attività. Il primo livello della rete neurale elabora un input di dati grezzi come l’importo 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 trasmette il suo risultato.
Il livello successivo prende le informazioni del secondo livello e include dati grezzi come la posizione geografica e migliora ulteriormente lo schema della macchina. Questo continua a tutti i livelli della rete neuronale.
Un esempio di deep learning
Utilizzando il sistema di rilevamento delle frodi sopra menzionato con l’apprendimento automatico, è possibile creare un esempio di apprendimento profondo. Se il sistema di machine learning ha creato un modello con parametri costruiti intorno al numero di dollari che un utente invia o riceve, il metodo di deep learning può iniziare a basarsi sui risultati offerti dal machine learning.
Ogni livello della sua rete neurale si basa sul livello precedente con dati aggiunti come 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 per creare modelli da tutte le transazioni, ma anche sapere quando un modello segnala la necessità di un’indagine fraudolenta. Il livello finale trasmette un segnale a un analista che può bloccare l’account dell’utente fino al completamento di tutte le indagini in sospeso.
Il deep learning viene utilizzato in tutti i settori per una serie di attività diverse. App commerciali che utilizzano il riconoscimento delle immagini, piattaforme open source con app di raccomandazione dei consumatori e strumenti di ricerca medica che esplorano la possibilità di riutilizzare farmaci per nuovi disturbi sono alcuni degli esempi di integrazione del deep learning.
Domande frequenti
Cos’è l’apprendimento profondo?
L’apprendimento profondo, noto anche come reti neurali profonde o apprendimento neurale, è una forma di intelligenza artificiale (AI) che cerca di replicare il funzionamento di un cervello umano. È una forma di apprendimento automatico, con funzioni che operano in un processo decisionale non lineare. L’apprendimento profondo si verifica quando le decisioni vengono prese su dati non strutturati senza supervisione. Riconoscimento di oggetti, riconoscimento vocale e traduzione in lingua sono alcune delle attività svolte attraverso l’apprendimento profondo.
Come funziona il deep learning?
Come sottoinsieme dell’apprendimento automatico, l’apprendimento profondo utilizza reti neurali gerarchiche per analizzare i dati. I codici dei neuroni sono collegati tra loro all’interno di queste reti neurali gerarchiche, simili al cervello umano. A differenza di altri programmi lineari tradizionali nelle macchine, la struttura gerarchica del deep learning gli consente di adottare un approccio non lineare, elaborando i dati attraverso una serie di livelli che integreranno i successivi livelli di informazioni aggiuntive.
Qual è un esempio di deep learning?
Quando il deep learning viene utilizzato per rilevare le frodi, farà leva su diversi segnali, come indirizzo IP, punteggio di credito, rivenditore o mittente, solo per citarne alcuni. Nel primo livello della sua rete neurale artificiale, analizzerà l’importo inviato. In un secondo livello, si baserà su queste informazioni e includerà l’indirizzo IP, ad esempio. Nel terzo livello, il punteggio di credito verrà aggiunto alle informazioni esistenti e così via fino a quando non verrà presa una decisione finale.