Ensiklopedia keuangan

Belajar mendalam

Apa Belajar mendalam?

Deep learning merupakan fungsi kecerdasan buatan (AI) yang meniru cara kerja otak manusia dalam mengolah data dan membuat pola untuk digunakan dalam pengambilan keputusan. Pembelajaran mendalam adalah bagian dari pembelajaran mesin dalam kecerdasan buatan yang memiliki jaringan yang mampu belajar tanpa pengawasan dari data yang tidak terstruktur atau tidak berlabel. Juga dikenal sebagai pembelajaran saraf dalam atau jaringan saraf dalam.

Poin Penting

  • Deep learning merupakan fungsi AI yang meniru cara kerja otak manusia dalam memproses data untuk digunakan dalam mendeteksi objek, mengenali ucapan, menerjemahkan bahasa, dan membuat keputusan.
  • AI pembelajaran mendalam dapat belajar tanpa pengawasan manusia, mengambil dari data yang tidak terstruktur dan tidak berlabel.
  • Pembelajaran mendalam, salah satu bentuk pembelajaran mesin, dapat digunakan untuk membantu mendeteksi penipuan atau pencucian uang, di antara fungsi lainnya.

Cara Kerja Deep Learning

Pembelajaran mendalam telah berkembang seiring dengan era digital, yang telah membawa ledakan data dalam segala bentuk dan dari setiap wilayah di dunia. Data ini, yang dikenal sebagai big data, diambil dari berbagai sumber seperti media sosial, mesin pencari internet, platform e-commerce , bioskop online, dan lain-lain. Data dalam jumlah besar ini mudah diakses dan dapat dibagikan melalui aplikasi fintech seperti komputasi awan.

Namun, datanya, yang biasanya tidak terstruktur, sangat luas sehingga membutuhkan waktu puluhan tahun bagi manusia untuk memahaminya dan mengekstrak informasi yang relevan. Perusahaan menyadari potensi luar biasa yang dapat dihasilkan dari mengungkap kekayaan informasi ini dan semakin beradaptasi dengan sistem AI untuk dukungan otomatis.

Referensi cepat

Pembelajaran mendalam mengungkap sejumlah besar data tidak terstruktur yang biasanya membutuhkan waktu puluhan tahun untuk dipahami dan diproses oleh manusia.

Pembelajaran Mendalam vs. Pembelajaran Mesin

Salah satu teknik AI paling umum yang digunakan untuk memproses data besar adalah pembelajaran mesin, algoritme adaptif mandiri yang mendapatkan analisis dan pola yang semakin baik dengan pengalaman atau dengan data yang baru ditambahkan.

Jika perusahaan pembayaran digital ingin mendeteksi terjadinya atau potensi penipuan dalam sistemnya, ia dapat menggunakan alat pembelajaran mesin untuk tujuan ini. Algoritma komputasi yang dibangun ke dalam model komputer akan memproses semua transaksi yang terjadi pada platform digital, menemukan pola dalam kumpulan data, dan menunjukkan setiap anomali yang terdeteksi oleh pola tersebut.

Pembelajaran mendalam, bagian dari pembelajaran mesin, menggunakan tingkat hierarki jaringan saraf tiruan untuk menjalankan proses pembelajaran mesin. Jaringan syaraf tiruan dibangun seperti otak manusia, dengan simpul-simpul neuron terhubung bersama seperti jaring. Sementara program tradisional membangun analisis dengan data secara linier, fungsi hierarki dari sistem pembelajaran yang dalam memungkinkan mesin untuk memproses data dengan pendekatan nonlinier.

Referensi cepat

Pembuat elektronik Panasonic telah bekerja sama dengan universitas dan pusat penelitian untuk mengembangkan teknologi pembelajaran mendalam terkait visi komputer.

Pertimbangan Khusus

Pendekatan tradisional untuk mendeteksi penipuan atau pencucian uang mungkin bergantung pada jumlah transaksi yang terjadi, sementara teknik nonlinier pembelajaran mendalam akan mencakup waktu, lokasi geografis, alamat IP, jenis pengecer, dan fitur lain yang cenderung mengarah ke penipuan. aktivitas. Lapisan pertama jaringan saraf memproses masukan data mentah seperti jumlah transaksi dan meneruskannya ke lapisan berikutnya sebagai keluaran. Lapisan kedua memproses informasi lapisan sebelumnya dengan memasukkan informasi tambahan seperti alamat IP pengguna dan meneruskan hasilnya.

Lapisan berikutnya mengambil informasi lapisan kedua dan menyertakan data mentah seperti lokasi geografis dan membuat pola mesin menjadi lebih baik. Ini berlanjut di semua tingkat jaringan neuron.

Contoh Pembelajaran Mendalam

Menggunakan sistem deteksi penipuan yang disebutkan di atas dengan pembelajaran mesin, seseorang dapat membuat contoh pembelajaran yang mendalam. Jika sistem pembelajaran mesin membuat model dengan parameter yang dibangun berdasarkan jumlah dolar yang dikirim atau diterima pengguna, metode pembelajaran mendalam dapat mulai mengembangkan hasil yang ditawarkan oleh pembelajaran mesin.

Setiap lapisan jaringan neuralnya dibangun di atas lapisan sebelumnya dengan data tambahan seperti pengecer, pengirim, pengguna, acara media sosial, skor kredit, alamat IP, dan sejumlah fitur lain yang mungkin membutuhkan waktu bertahun-tahun untuk terhubung bersama jika diproses oleh manusia. makhluk. Algoritme pembelajaran mendalam dilatih untuk tidak hanya membuat pola dari semua transaksi, tetapi juga mengetahui kapan suatu pola menandakan perlunya investigasi yang curang. Lapisan terakhir menyampaikan sinyal kepada seorang analis yang mungkin membekukan akun pengguna sampai semua investigasi yang tertunda diselesaikan.

Pembelajaran mendalam digunakan di semua industri untuk sejumlah tugas berbeda. Aplikasi komersial yang menggunakan pengenalan gambar, platform sumber terbuka dengan aplikasi rekomendasi konsumen, dan alat penelitian medis yang mengeksplorasi kemungkinan penggunaan kembali obat untuk penyakit baru adalah beberapa contoh penggabungan pembelajaran mendalam.