Wie können wir Deep Learning mit kleinen Datenmengen nutzen? – Thought Leaders

Wenn es darum geht, mit den neuesten Trends im Bereich Cybersicherheit Schritt zu halten, kann der Prozess des Auf-dem-neuesten-Stehens ziemlich mühsam sein, da es eine Menge Nachrichten gibt, die man verfolgen muss. Heutzutage jedoch hat sich die Situation dramatisch geändert, da die Cybersicherheitsbereiche scheinbar um zwei Wörter kreisen – Deep Learning.

Obwohl wir anfangs von der massiven Berichterstattung über Deep Learning überrascht waren, wurde schnell klar, dass der von Deep Learning erzeugte Hype wohlverdient war. Ähnlich wie das menschliche Gehirn ermöglicht Deep Learning einem AI-Modell, sehr genaue Ergebnisse zu erzielen, indem es Aufgaben direkt aus Text, Bildern und Audio-Hinweisen ausführt.

Bis zu diesem Punkt wurde allgemein angenommen, dass Deep Learning auf einer riesigen Datenmenge basiert, ähnlich wie die Datenmenge, die von Silicon-Valley-Riesen wie Google und Facebook gehostet wird, um die kompliziertesten Probleme innerhalb eines Unternehmens zu lösen. Im Gegensatz zur landläufigen Meinung jedoch können Unternehmen die Macht von Deep Learning nutzen, auch wenn sie nur auf eine begrenzte Datenmenge zugreifen.

Um unseren Lesern die notwendigen Kenntnisse zu vermitteln, um ihr Unternehmen mit Deep Learning auszustatten, haben wir einen Artikel zusammengestellt, der tief (ohne Wortspiel) in einige der Möglichkeiten eintaucht, wie Unternehmen die Vorteile von Deep Learning nutzen können, obwohl sie nur auf eine begrenzte Datenmenge zugreifen.

Bevor wir jedoch in den Kern des Artikels eintauchen, möchten wir einen kleinen, aber sehr wichtigen Vorschlag machen – fangen Sie einfach an. Bevor Sie komplexe neuronale Netze erstellen, die in einem Science-Fiction-Film vorkommen könnten, fangen Sie an, mit einfachen und herkömmlichen Modellen (z.B. Random Forest) zu experimentieren, um sich mit der Software vertraut zu machen.

Jetzt, da wir das geklärt haben, kommen wir zu einigen der Möglichkeiten, wie Unternehmen Deep-Learning-Technologie nutzen können, obwohl sie nur auf eine begrenzte Datenmenge zugreifen.

#1- Feinabstimmung des Basismodells:

Wie wir bereits oben erwähnt haben, ist der erste Schritt, den Unternehmen nach der Erstellung eines einfachen Basismodells für Deep Learning unternehmen müssen, es für das spezifische Problem zu feinabstimmen.

Die Feinabstimmung eines Basismodells klingt auf dem Papier viel schwieriger, als es tatsächlich ist. Die grundlegende Idee hinter der Feinabstimmung einer großen Datenmenge, um sie an die spezifischen Bedürfnisse eines Unternehmens anzupassen, ist einfach – man nimmt eine große Datenmenge, die eine gewisse Ähnlichkeit mit dem Bereich aufweist, in dem man tätig ist, und feinabstimmt dann die Details der ursprünglichen Datenmenge mit der begrenzten Datenmenge.

Was die Beschaffung der großen Datenmenge angeht, können Unternehmen auf ImageNet zurückgreifen, das auch eine einfache Lösung für Probleme der Bildklassifizierung bietet. Die von ImageNet gehostete Datenmenge bietet Unternehmen Zugang zu Millionen von Bildern, die in verschiedene Klassen von Bildern unterteilt sind, was für Unternehmen aus einer Vielzahl von Branchen nützlich sein kann, einschließlich, aber nicht beschränkt auf Bilder von Tieren usw.

Wenn der Prozess der Feinabstimmung eines vorgefertigten Modells, um es an die spezifischen Bedürfnisse Ihres Unternehmens anzupassen, immer noch zu viel Arbeit für Sie ist, empfehlen wir, Hilfe aus dem Internet zu holen, da eine einfache Google-Suche Ihnen Hunderte von Anleitungen liefert, wie Sie ein Modell feinabstimmen können.

#2- Sammeln Sie mehr Daten:

Obwohl der zweite Punkt auf unserer Liste für einige unserer zynischeren Leser redundant erscheinen mag, bleibt die Tatsache bestehen – wenn es um Deep Learning geht, ist die Wahrscheinlichkeit, genaue Ergebnisse zu erzielen, umso höher, je größer die Datenmenge ist.

Obwohl der eigentliche Zweck dieses Artikels darin besteht, Unternehmen mit einer begrenzten Datenmenge zu helfen, haben wir oft das Unglück gehabt, auf viele “Vorgesetzte” zu stoßen, die die Investition in die Datensammlung als ein Verbrechen betrachten.

Es ist allzu oft der Fall, dass Unternehmen die Vorteile von Deep Learning übersehen, einfach weil sie nicht bereit sind, Zeit und Mühe in die Datensammlung zu investieren. Wenn Ihr Unternehmen unsicher ist, wie viel Daten gesammelt werden müssen, empfehlen wir, Lernkurven zu erstellen, während die zusätzlichen Daten in das Modell integriert werden, und die Änderung der Modellleistung zu beobachten.

Im Gegensatz zur landläufigen Meinung, die von den meisten CSO und CISO vertreten wird, ist manchmal die beste Lösung für Probleme die Sammlung von mehr relevanten Daten. Die Rolle von CSO und CISO ist in diesem Fall extrem wichtig, da es immer eine Bedrohung durch Cyber-Angriffe gibt. Es wurde festgestellt, dass 2019 die weltweiten Ausgaben für Cybersicherheit 103,1 Milliarden Dollar betrugen, und die Zahl steigt weiter. Um dies in Perspektive zu setzen, betrachten wir ein einfaches Beispiel – stellen Sie sich vor, Sie wollten seltene Diamanten klassifizieren, aber haben nur Zugang zu einer sehr begrenzten Datenmenge. Wie die offensichtliche Lösung für das Problem diktiert, anstatt sich mit dem Basismodell zu amüsieren, sammeln Sie einfach mehr Daten!

#3- Datenvergrößerung:

Obwohl die ersten beiden Punkte, die wir oben diskutiert haben, beide sehr effizient sind, um eine einfache Lösung für die meisten Probleme zu bieten, die mit der Implementierung von Deep Learning in Unternehmen mit kleinen Datenmengen verbunden sind, basieren sie stark auf einem bestimmten Grad an Glück, um die Aufgabe zu erfüllen.

Wenn Sie keinen Erfolg mit der Feinabstimmung einer vorgefertigten Datenmenge haben, empfehlen wir, Datenvergrößerung zu versuchen. Der Prozess der Datenvergrößerung ist einfach. Durch den Prozess der Datenvergrößerung wird die Eingabedatenmenge so verändert oder vergrößert, dass sie ein neues Ergebnis liefert, ohne die Label-Werte tatsächlich zu ändern.

Um den Gedanken der Datenvergrößerung für unsere Leser in Perspektive zu setzen, betrachten wir ein Bild eines Hundes. Wenn es gedreht wird, kann der Betrachter des Bildes immer noch erkennen, dass es sich um ein Bild eines Hundes handelt. Genau das will eine gute Datenvergrößerung erreichen, im Gegensatz zu einem gedrehten Bild einer Straße, das den Winkel der Erhebung ändert und viel Platz für das Deep-Learning-Algorithmus lässt, um zu einer falschen Schlussfolgerung zu gelangen und den Zweck der Implementierung von Deep Learning zu vereiteln.

Wenn es um die Lösung von Problemen im Zusammenhang mit der Bildklassifizierung geht, spielt die Datenvergrößerung eine wichtige Rolle und bietet eine Vielzahl von Techniken zur Datenvergrößerung, die es dem Deep-Learning-Modell ermöglichen, ein tiefes Verständnis der verschiedenen Bildklassifizierungen zu erlangen.

Zudem bietet die Datenvergrößerung nahezu endlose Möglichkeiten. Unternehmen können die Datenvergrößerung auf verschiedene Weise implementieren, einschließlich NLP und der Experimentierung mit GANs, die es dem Algorithmus ermöglichen, neue Daten zu generieren.

#4- Implementierung eines Ensemble-Effekts:

Die Technologie hinter Deep Learning legt nahe, dass das Netzwerk auf mehreren Schichten aufbaut. Im Gegensatz zur landläufigen Meinung, die von vielen vertreten wird, sollte man jedoch nicht jeden Schicht als “immer zunehmende” Hierarchie von Funktionen betrachten, sondern die letzte Schicht dient dem Zweck, ein Ensemble-Mechanismus zu bieten.

Die Meinung, dass Unternehmen mit Zugang zu einer begrenzten Datenmenge tiefere Netze bauen sollten, wurde auch in einem NIPs-Papier geteilt, das unsere oben geäußerte Meinung widerspiegelt. Unternehmen mit kleinen Datenmengen können den Ensemble-Effekt leicht zu ihrem Vorteil manipulieren, indem sie ihre Deep-Learning-Netze tief bauen, entweder durch Feinabstimmung oder eine andere Alternative.

#5- Einbeziehung von Autoencodern:

Obwohl der fünfte Punkt, den wir in Betracht gezogen haben, nur einen relativen Erfolg hatte, sind wir immer noch für die Verwendung von Autoencodern, um ein Netzwerk vorzutrainieren und es ordnungsgemäß zu initialisieren.

Einer der größten Gründe, warum Unternehmen außer durch Cyber-Angriffe an der Implementierung von Deep Learning scheitern, ist eine schlechte Initialisierung und ihre vielen Fallstricke. Unbeaufsichtigtes Vor-Training führt oft zu schlechter oder falscher Ausführung der Deep-Learning-Technologie, wo Autoencoder glänzen können.

Die grundlegende Idee hinter einem neuronalen Netzwerk legt nahe, ein neuronales Netzwerk zu erstellen, das die Natur der Eingabedaten vorhersagt. Wenn Sie unsicher sind, wie Sie einen Autoencoder verwenden können, gibt es Online-Tutorials, die klare Anweisungen liefern.

Zusammenfassung:

Am Ende des Artikels möchten wir zusammenfassen, was wir im Laufe des Artikels gesagt haben, mit einer Ergänzung – die Einbeziehung von branchenspezifischem Wissen in den Lernprozess! Nicht nur beschleunigt die Einbeziehung von wertvollen Erkenntnissen den Lernprozess, sondern ermöglicht es auch der Deep-Learning-Technologie, bessere und genauere Ergebnisse zu liefern.