Dyp læring: Flere lag dypt i maskinlæring

• Forfatter:
• forfatternavn

  Quantumrun Foresigh
• September 9, 2022

Oppsummering av innsikt

Deep learning (DL), en type maskinlæring (ML), forbedrer kunstig intelligens (AI)-applikasjoner ved å lære fra data på måter som ligner på menneskelig hjernefunksjon. Den finner bruk på forskjellige felt, fra forbedring av autonome kjøretøy og helsediagnoser til å drive chatboter og forbedre cybersikkerhetstiltak. Teknologiens evne til å håndtere komplekse oppgaver, analysere enorme datasett og komme med informerte spådommer former bransjer og øker etiske debatter, spesielt rundt databruk og personvern.

Dyp læringskontekst

Deep learning er en form for ML som er grunnlaget for mange AI-applikasjoner. DL kan bistå med klassifiseringsoppgaver direkte fra bilder, tekst eller lyd. Den kan utføre dataanalyse og enhetsgrensesnitt, bistå med autonome roboter og selvkjørende biler, og utføre vitenskapelig utforskning. DL kan hjelpe med å identifisere mønstre og trender og produsere mer nøyaktige spådommer. Denne teknologien kan også kommunisere med teknologiske enheter, som smarttelefoner og Internet of Things (IoT) enheter. 

DL bruker kunstige nevrale nettverk for å hjelpe til med oppgaver som ligner på naturlig språkbehandling (NLP) eller datasyn og talegjenkjenning. Nevrale nettverk kan også gi innholdsanbefalinger som ligner på de som finnes i søkemotorer og e-handelssider. 

Det er fire hovedtilnærminger til dyp læring:

• Veiledet læring (merkede data).
• Semi-veiledet læring (semi-merket datasett).
• Uovervåket læring (ingen etiketter kreves).
• Forsterkende læring (algoritmer samhandler med miljøet, ikke bare prøvedataene).

I disse fire tilnærmingene bruker dyp læring nevrale nettverk på flere nivåer for å iterativt lære fra data, noe som er fordelaktig når man leter etter mønstre i ustrukturert informasjon. 

De nevrale nettverkene i dyp læring etterligner hvordan den menneskelige hjernen er strukturert, med ulike nevroner og noder som kobler sammen og deler informasjon. I dyp læring, jo mer kompleks problemstillingen er, jo flere skjulte lag vil det være i modellen. Denne formen for ML kan trekke ut funksjoner på høyt nivå fra store mengder rådata (big data). 

DL kan hjelpe i situasjoner der problemet er for komplekst for menneskelig resonnement (f.eks. sentimentanalyse, beregning av nettsiderangeringer) eller problemer som krever detaljerte løsninger (f.eks. personalisering, biometri). 

Forstyrrende påvirkning

Deep learning er et kraftig verktøy for organisasjoner som ønsker å bruke data til å ta mer informerte beslutninger. For eksempel kan nevrale nettverk forbedre diagnoser i helsevesenet ved å studere omfattende databaser over eksisterende sykdommer og deres behandlinger, og forbedre pasientbehandlingen og resultatene. Andre bedriftsapplikasjoner inkluderer datasyn, språkoversettelser, optisk tegngjenkjenning og samtalebrukergrensesnitt (UI) som chatbots og virtuelle assistenter.

Organisasjoners utbredte bruk av digital transformasjon og skymigrering byr på nye cybersikkerhetsutfordringer, der DL-teknologier kan spille en avgjørende rolle i å identifisere og dempe potensielle trusler. Etter hvert som bedrifter i økende grad tar i bruk multisky- og hybridstrategier for å nå sine digitale mål, har kompleksiteten til IT-eiendommer, som omfatter de kollektive informasjonsteknologiske eiendelene til organisasjoner eller enkeltpersoner, eskalert betydelig. Denne økende kompleksiteten krever avanserte løsninger for å effektivt administrere, sikre og optimalisere disse mangfoldige og intrikate IT-miljøene.

Veksten av IT-eiendommer og fortsatt organisasjonsutvikling gir smidigheten og kostnadseffektiviteten som kreves for å holde seg konkurransedyktig, men skaper også en vanskeligere backend å administrere og sikre effektivt. DL kan hjelpe til med å identifisere unormale eller uregelmessige mønstre som kan være et tegn på hackingforsøk. Denne funksjonen kan beskytte kritisk infrastruktur fra å bli infiltrert.

Implikasjoner av dyp læring

Større implikasjoner av DL kan omfatte: 

• Autonome kjøretøy som bruker dyp læring for å bedre svare på miljøforhold, forbedre nøyaktighet, sikkerhet og effektivitet.
• Etiske debatter om hvordan biometriske data (f.eks. ansiktstrekk, øyestrukturer, DNA, fingeravtrykksmønstre) samles inn og lagres av Big Tech.
• Naturlige interaksjoner mellom mennesker og maskiner forbedres (f.eks. ved bruk av smarte enheter og wearables).
• Cybersikkerhetsselskaper bruker dyp læring for å identifisere svake punkter i IT-infrastrukturer.
• Selskaper som bruker et bredt spekter av prediktiv analyse for å forbedre produkter og tjenester og tilbyr hypertilpassede løsninger til kunder.
• Myndigheter som behandler offentlige databaser for å optimalisere offentlig tjenesteleveranse, spesielt i kommunale jurisdiksjoner.

Spørsmål å vurdere

• Hvordan ellers kan dyp læring hjelpe bedrifter og myndigheter med å handle proaktivt i ulike situasjoner?
• Hva er de andre potensielle risikoene eller fordelene ved å bruke dyp læring?