Uczenie głębokie lekarstwem na zło, czyli deep learning w walce z cyberprzestępczością

deep learning w walce z cyberprzestępczością

Deep learning a machine learning

Różnica między uczeniem głębokim (deep learning) a uczeniem maszynowym (machine learning) dotyczy poziomu ogólności obu pojęć. Uczenie głębokie jest podklasą uczenia maszynowego. Deep learning to określony sposób wykorzystania algorytmów w praktyce analitycznej, oparty na sztucznych sieciach neuronowych.

Źródła popularności deep learning

Techniki uczenia głębokiego przeżywają w ostatnich kilku latach rozkwit. Wiąże się to, po pierwsze, z ilością danych – obrazowych, tekstowych, transakcyjnych – którymi możemy „karmić” sieci neuronowe, po to, by doskonalić ich nieomylność w zakresie takich zadań, jak identyfikacja obiektów na zdjęciach, translacje językowe, rozumienie mowy, diagnoza medyczna, czy nawet prowadzenie samochodu.

Po drugie, wzrost popularności tego podejścia jest wynikiem ogólnej dostępności procesorów graficznych (GPU), które przyspieszają zaawansowane obliczenia matematyczne niezbędne w procesie uczenia głębokiego.

Po trzecie, wzrost skuteczności metod uczenia głębokiego wiąże się z udoskonaleniem samych algorytmów i architektury sieci neuronowych.

Aktualnie, „głębokość” sieci, które przewyższają obecnie człowieka w niektórych zadaniach klasyfikacyjnych, dochodzi do ćwierć tysiąca warstw uczących się, sztucznych neuronów. Chociaż to nie ilość warstw, lecz budowa sieci wyznacza jej jakość.

Zastosowanie deep learning w obszarze bezpieczeństwa

Przykładem wykorzystania technik uczenia głębokiego w obszarze bezpieczeństwa może być wykrywanie nadużyć finansowych przy pomocy tzw. autoenkoderów (deep autoencoder network), czyli sieci neuronowych, które tworzą własne reprezentacje danych wejściowych, np. transakcji finansowych, a następnie dekodują je, odpowiadając jednocześnie na pytanie, czy w kontekście wewnętrznej struktury danych wybrana transakcja jest anomalią.

Co ciekawe, w fazie tworzenia tych wewnętrznych reprezentacji uczenie się sieci ma charakter nienadzorowany. To ważne, gdyż przypadki nadużyć są zwykle mało liczne w puli transakcyjnej, co sprawia, że klasyczne algorytmy uczenia maszynowego, takie jak metoda K najbliższych sąsiadów (k-NN) czy maszyna wektorów nośnych (SVN) są mniej trafne.

Perspektywy dla rynku deep learning

Jak wskazują eksperci, rynek deep learning do 2020 r. będzie wart 1,722.9 milionów dolarów, czyli osiągnie wzrost o ponad 65 procent od 2016.

Wykorzystanie przemysłowe rozwiązań z domeny sztucznej inteligencji, opartych na technikach uczenia głębokiego, przestało być fikcją. Także polskie firmy, szczególnie z sektora bankowości i ubezpieczeń coraz częściej dostrzegają wartość tego podejścia. Znajduje to swój wyraz chociażby w tematyce konferencji branżowych poświęconych bezpieczeństwu, podczas których wątek deep learningu pojawia się coraz częściej.

Tags

top