Qu'est-ce que le Deep Learning?
L'apprentissage en profondeur est une fonction d'intelligence artificielle qui imite le fonctionnement du cerveau humain dans le traitement des données et la création de modèles à utiliser dans la prise de décision. Le deep learning est un sous-ensemble du machine learning en intelligence artificielle (IA) 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 réseau de neurones profond.
Fonctionnement du Deep Learning
Le deep learning a évolué de pair avec l'ère numérique, qui a provoqué une explosion des données sous toutes leurs formes et dans toutes les régions du monde. Ces données, appelées simplement big data, sont extraites 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 qu'il pourrait falloir des décennies aux humains pour les comprendre et extraire des informations pertinentes. Les entreprises réalisent le potentiel incroyable qui peut résulter de l'exploration de cette richesse d'informations et s'adaptent de plus en plus aux systèmes d'IA pour une assistance automatisée.
L'apprentissage en profondeur apprend à partir de vastes quantités de données non structurées qui pourraient normalement prendre des décennies aux humains pour comprendre et traiter.
Apprentissage profond versus apprentissage automatique
L'apprentissage automatique, l'une des techniques d'IA les plus couramment utilisées pour le traitement des mégadonnées, est un algorithme auto-adaptatif qui améliore de plus en plus l'analyse et les modèles avec l'expérience ou avec les nouvelles données ajoutées.
Si une entreprise de paiement numérique voulait 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 produisant sur la plate-forme numérique, trouvera des modèles dans l'ensemble de données et signalera toute anomalie détectée par le modèle.
L'apprentissage profond, 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 reliés entre eux comme une toile. Alors que les programmes traditionnels construisent l'analyse 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.
Une approche traditionnelle pour détecter la fraude ou le blanchiment d'argent pourrait s'appuyer sur le montant des transactions qui s'ensuit, tandis qu'une technique non linéaire d'apprentissage en profondeur comprendrait l'heure, l'emplacement géographique, l'adresse IP, le type de détaillant et toute autre caractéristique susceptible de pointer vers une activité frauduleuse.. 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 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 comme l'emplacement géographique et améliore encore le modèle de la machine. Cela se poursuit à tous les niveaux du réseau de neurones.
Points clés à retenir
- L'apprentissage en profondeur est une fonction de l'IA qui imite le fonctionnement du cerveau humain dans le traitement des données à utiliser dans la prise de décision.L'apprentissage en profondeur est capable d'apprendre à partir de données à la fois non structurées et non étiquetées.L'apprentissage en profondeur, un sous-ensemble d'apprentissage automatique, peut être utilisé pour aider à détecter la fraude ou le blanchiment d'argent.
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 construits autour du 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 de neurones s'appuie sur sa couche précédente avec des données ajoutées comme un détaillant, un expéditeur, un utilisateur, un événement sur les réseaux sociaux, un pointage 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 pour non seulement créer des modèles à partir de toutes les transactions, mais aussi pour savoir quand un modèle signale la nécessité d'une enquête frauduleuse. La couche finale transmet un signal à un analyste qui peut geler le compte de l'utilisateur jusqu'à ce que toutes les enquêtes en attente soient finalisées.
L'apprentissage en profondeur est utilisé dans toutes les industries pour un certain nombre de tâches différentes. Les applications commerciales qui utilisent la reconnaissance d'image, les plates-formes open source avec des applications de recommandation des consommateurs et des outils de recherche médicale qui explorent la possibilité de réutiliser des médicaments pour de nouveaux maux sont quelques-uns des exemples d'incorporation d'apprentissage en profondeur.
Fait rapide
Le fabricant d'électronique Panasonic a travaillé avec des universités et des centres de recherche pour développer des technologies d'apprentissage approfondi liées à la vision par ordinateur.
