به بزرگترین دانشنامه مالی فارسی خوش آمدید

یادگیری عمیق

03 ارد

یادگیری عمیق

یادگیری عمیق یکی از توابع هوش مصنوعی است که عمکلرد مغز انسان را با پردازش داده ها و ایجاد الگوها جهت تصمیم سازی، تقلید می کند. یادگیری عمیق، زیر مجموعه ای از یادگیری ماشینی در هوش مصنوعی (AI) است که دارای شبکه هایی است که قادر به یادگیری بی نظیر از داده هایی بدون ساختار یا برچسب هستند. همچنین به عنوان یادگیری عمیق عصبی یا شبکه عمیق عصبی شناخته می شود.

عملکرد یادگیری عمیق

یادگیری عمیق همزمان با پیشرفت عصر دیجیتال تکامل یافت، به طوری که موجب انفجار داده در همه اشکال و از هر نقطه ای از جهان شده است. این داده ها که به عنوان Big Data نیز شناخته می شوند، از منابع مختلفی مانند رسانه های اجتماعی، موتورهای جستجو اینترنتی، سیستم عامل های تجارت الکترونیک، سینماهای آنلاین و سایر منابع بدست می آیند. این مقدار بسیار زیاد داده به راحتی قابل دسترس است و می تواند از طریق برنامه های کاربردی Fintech مانند محاسبات ابری به اشتراک گذاشته شود.

با این حال، حجم داده هایی که به طور معمول ساختار ندارند، بسیار وسیع است، به طوری که ممکن است برای انسان دهه ها به طول بیانجامد تا بتواند آنها را درک و اطلاعات مربوطه را استخراج کند. شرکت ها، این پتانسیل باورنکردنی را که می تواند باعث فراوانی حجم داده شود، درک کردند و با استفاده از هوش مصنوعی به پردازش آنها پرداختند.

مهم: یادگیری عمیق، باتوجه به مقادیر زیاد داده بدون ساختار و برچسب، یادگیری را شروع می کند به طوری که این امر برای انسان سال ها به طول می انجامد.

یادگیری عمیق در مقابل یادگیری ماشینی

یکی از رایج ترین روش های AI که برای پردازش داده های بزرگ مورد استفاده قرار می گیرد، یادگیری ماشینی است که یک الگوریتم خود سازگار است که تجزیه و تحلیل و الگوهای بهتری براساس داده های جدید و تجربه سابق خود ارائه می دهد. اگر یک شرکت پرداخت دیجیتال قصد شناسایی وقوع یا پتانسیل تقلب در سیستم خود را داشته باشد، می تواند ابزارهای یادگیری ماشینی را برای این منظور استفاده کند. الگوریتم محاسباتی که در یک مدل کامپیوتری ساخته شده است، تمام معاملات انجام شده برروی پلت فرم دیجیتال را پردازش می کند و الگوهای موجود در مجموعه داده را مشخص و هر انحرافی که توسط الگوریتم شناسایی شود را شناسایی می کند.

یادگیری عمیق، زیر مجموعه ای از یادگیری ماشینی است که از یک سطح سلسله مراتبی از شبکه عصبی مصنوعی برای انجام فرآیند یادگیری و پردازش بهره می برد. شبکه های عصبی مصنوعی مانند مغز انسان ساخته می شوند و از گره های عصبی یا NOD که مانند WEB بهم متصل هستند، تشکیل می شوند. در حالی که برنامه های سنتی تجزیه و تحلیل، داده ها را به روش خطی پردازش می کنند، عملکرد سلسله مراتبی سیستم های یادگیری عمیق، ماشین ها را قادر می سازد تا داده ها را با یک روش غیر خطی پردازش کنند.

یک رویکرد خطی برای شناسایی و تحلیل تقلب یا پولشویی، ممکن است بر مبنای میزان تراکنش مالی باشد، در حالی که روش یادگیری عمیق شامل زمان، مکان جغرافیایی، آدرس IP، نوع پردازش و هر ویژگی دیگری است که احتمالاً به فعالیت های جعلی اشاره دارد. اولین لایه شبکه عصبی یک ورودی داده خام مانند مقدار معامله را پردازش می کند و آن را به عنوان خروجی به لایه بعد منتقل می کند. لایه دوم، لایه های اطلاعات قبلی را با اضافه کردن اطلاعات اضافی مانند آدرس IP کاربر، کامل و برای پردازش به لایه بعد منتقل می کند. (همچنین بخوانید؛ معرفی ده شرکت برتر فینتک در جهان).

لایه بعد، اطلاعات لایه قبل را دریافت و اطلاعات خام مانند موقعیت جغرافیایی را به آن اضافه می کند که باعث افزایش قدرت تحلیل می شود. این روند در تمام سطوح شبکه عصبی همچنان ادامه دارد.

ویژگی های کلیدی

  • یادگیری عمیق، یک تابع از AI است که کارهای مغز انسان را در پردازش داده برای استفاده در تصمیم سازی تقلید می کند.
  • این شبکه ها قادر به یادگیری از داده هایی هستند که هم بدون ساختار و هم بدون برچسب هستند.
  • یادگیری عمیق، یکی از زیر مجموعه های یادگیری ماشینی است که می تواند برای کمک به شناسایی تقلب یا پولشویی استفاده شود.

مثال هایی از یادگیری عمیق

با استفاده از سیستم تشخیص تقلب ذکر شده در متن فوق با یادگیری ماشینی، می توان یک نمونه یادگیری عمیق را ایجاد کرد. اگر سیستم یادگیری ماشین یک مدل با پارامترهای ساخته شده براساس تعداد پول های دریافت و پرداخت شده باشد، یادگیری عمیق می تواند با خروجی یادگیری ماشینی ساخته شود.

هر لایه شبکه عصبی براساس لایه قبلی خود که به آن اضافه می شود و اطلاعاتی مانند نوع پردازش، فرستنده، کاربر، رویداد رسانه های اجتماعی، سوابق اعتباری، آدرس IP و تعدادی از ویژگی های دیگر که ممکن است برای سالیان متمادی با یکدیگر ارتباط برقرار کنند، ساخته می شود. الگوریتم های یادگیری عمیق طوری آموزش داده می شوند تا نه تنها از تمامی معاملات الگو ایجاد کنند، بلکه درصورتی که الگو از سیستم تعریف شده پیروی نکرد، تقلب را شناسایی کنند. لایه نهایی مدل، یک سیگنال است که ممکن است حساب کاربری را تا زمانی که تمام تحقیقات نهایی نشده باشند، مسدود کند.

یادگیری عمیق در صنایع مختلف و باتوجه به نوع وظایف استفاده می شود. برنامه های بازرگانی که از تشخیص تصویر استفاده می کنند، پلت فرمهای منبع باز با برنامه های پیشنهادی برای مصرف کننده و ابزارهای تحقیق پزشکی که امکان استفاده مجدد از داروها برای بیماری های جدید را بررسی می کنند، تنها برخی از نمونه های یادگیری عمیق هستند.

منبع: گروه مشاوران مالی سامان