L’apprentissage en profondeur
Table des matières
Développer
- Qu’est-ce que le Deep Learning?
- Comment fonctionne le Deep Learning
- Deep Learning vs Machine Learning
- Considérations particulières
- Un exemple d’apprentissage en profondeur
- Questions fréquemment posées
Qu’est-ce que le Deep Learning?
L’apprentissage en profondeur est une fonction d’intelligence artificielle (IA) qui imite le fonctionnement du cerveau humain dans le traitement des données et la création de modèles à utiliser dans la prise de décision. L’apprentissage en profondeur est un sous-ensemble de l’apprentissage automatique dans l’intelligence artificielle qui dispose de réseaux capables d’apprendre sans surveillance à partir de données non structurées ou non étiquetées. Également connu sous le nom d’apprentissage neuronal profond ou de réseau neuronal profond.
Points clés à retenir
- L’apprentissage en profondeur est une fonction d’IA qui imite le fonctionnement du cerveau humain dans le traitement des données à utiliser pour détecter des objets, reconnaître la parole, traduire des langues et prendre des décisions.
- Deep learning AI est capable d’apprendre sans supervision humaine, en s’appuyant sur des données à la fois non structurées et non étiquetées.
- L’apprentissage en profondeur, une forme d’apprentissage automatique, peut être utilisé pour aider à détecter la fraude ou le blanchiment d’argent, entre autres fonctions.
Comment fonctionne le Deep Learning
L’apprentissage profond a évolué de pair avec l’ère numérique, qui a provoqué une explosion de données sous toutes formes et en provenance de toutes les régions du monde. Ces données, connues simplement sous le nom de mégadonnées, sont tirées 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 comme le cloud computing.
Cependant, les données, qui ne sont normalement pas structurées, sont si vastes que les humains pourraient mettre des décennies à les comprendre et à en extraire les informations pertinentes. Les entreprises réalisent le potentiel incroyable qui peut résulter de la découverte de cette richesse d’informations et s’adaptent de plus en plus aux systèmes d’IA pour un support automatisé.
L’apprentissage en profondeur révèle d’énormes quantités de données non structurées qui prendraient normalement des décennies aux humains à comprendre et à traiter.
Deep Learning vs Machine Learning
L’une des techniques d’IA les plus couramment utilisées pour traiter le Big Data est l’apprentissage automatique, un algorithme auto-adaptatif qui obtient une analyse et des modèles de plus en plus meilleurs avec l’expérience ou avec des données nouvellement ajoutées.
Si une entreprise de paiement numérique souhaitait détecter l’occurrence ou le potentiel de fraude dans son système, elle pourrait utiliser des outils d’apprentissage automatique à cette fin. L’algorithme de calcul intégré à un modèle informatique traitera toutes les transactions se déroulant 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 une toile. Alors que les programmes traditionnels construisent l’analyse avec des données de manière linéaire, la fonction hiérarchique des systèmes d’apprentissage en profondeur permet aux machines de traiter les données avec une approche non linéaire.
Le fabricant d’électronique Panasonic a travaillé avec des universités et des centres de recherche pour développer des technologies d’apprentissage en profondeur liées à la vision par ordinateur.
Considérations particulières
Une approche traditionnelle pour détecter la fraude ou le blanchiment d’argent pourrait reposer sur le montant de la transaction qui s’ensuit, tandis qu’une technique non linéaire d’apprentissage en profondeur inclurait l’heure, l’emplacement géographique, l’adresse IP, le type de détaillant et toute autre caractéristique susceptible d’indiquer une fraude. activité. La première couche du réseau neuronal 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 comme 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.
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 en profondeur. Si le système d’apprentissage automatique a créé un modèle avec des paramètres basés sur le nombre de dollars qu’un utilisateur envoie ou reçoit, la méthode d’apprentissage en profondeur peut commencer à s’appuyer sur les résultats offerts par l’apprentissage automatique.
Chaque couche de son réseau neuronal s’appuie sur sa couche précédente avec des données supplémentaires telles qu’un détaillant, un expéditeur, un utilisateur, un événement sur les réseaux sociaux, une cote de crédit, une adresse IP et une foule d’autres fonctionnalités qui peuvent prendre des années à se connecter si elles sont traitées par un humain. étant. Les algorithmes d’apprentissage en profondeur sont formés non seulement pour créer des modèles à partir de toutes les transactions, mais aussi pour savoir quand un modèle signale la nécessité d’une enquête frauduleuse. La dernière couche transmet un signal à un analyste qui peut geler le compte de l’utilisateur jusqu’à ce que toutes les enquêtes en cours soient finalisées.
L’apprentissage en profondeur est utilisé dans tous les secteurs 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 des consommateurs et les outils de recherche médicale qui explorent la possibilité de réutiliser des médicaments pour de nouvelles affections sont quelques exemples d’incorporation de l’apprentissage en profondeur.
Questions fréquemment posées
Qu’est-ce que le Deep Learning?
L’apprentissage en profondeur, également connu sous le nom de réseaux de neurones profonds ou d’apprentissage neuronal, est une forme d’intelligence artificielle (IA) qui cherche à reproduire le fonctionnement d’un cerveau humain. C’est une forme d’apprentissage automatique, avec des fonctions qui opèrent dans un processus de prise de décision non linéaire. L’apprentissage en profondeur se produit lorsque des décisions sont prises sur des données non structurées sans supervision. La reconnaissance d’objets, la reconnaissance vocale et la traduction de la langue font partie des tâches effectuées grâce à l’apprentissage en profondeur.
Comment fonctionne le Deep Learning?
En tant que sous-ensemble de l’apprentissage automatique, l’apprentissage en profondeur utilise des réseaux de neurones hiérarchiques pour analyser les données. Les codes neuronaux sont liés entre eux au sein de ces réseaux neuronaux hiérarchiques, similaires au cerveau humain. Contrairement à d’autres programmes linéaires traditionnels dans les machines, la structure hiérarchique de l’apprentissage en profondeur lui permet d’adopter une approche non linéaire, en traitant les données sur une série de couches qui intégreront chacune des niveaux ultérieurs d’informations supplémentaires.
Qu’est-ce qu’un exemple d’apprentissage en profondeur?
Lorsque l’apprentissage en profondeur est utilisé pour détecter la fraude, il exploite plusieurs signaux, tels que l’adresse IP, la cote de crédit, le détaillant ou l’expéditeur, pour n’en nommer que quelques-uns. Dans la première couche de son réseau de neurones artificiels, il analysera le montant envoyé. Dans une deuxième couche, il s’appuiera sur ces informations et inclura l’adresse IP, par exemple. Dans la troisième couche, la cote de crédit sera ajoutée aux informations existantes, et ainsi de suite jusqu’à ce qu’une décision finale soit prise.