Πώς μπορούμε να χρησιμοποιήσουμε τη Βαθιά Μάθηση με Λίγα Δεδομένα; – Ηγέτες Σκέψης

Όταν πρόκειται για τη διατήρηση της ενημέρωσης σχετικά με τις εξελισσόμενες τάσεις της κυβερνοασφάλειας, η διαδικασία της παρακολούθησης των πρόσφατων εξελίξεων μπορεί να γίνει αρκετά χρονοβόρα, καθώς υπάρχουν πολλά νέα για να παρακολουθήσουμε. Αυτές τις μέρες, ωστόσο, η κατάσταση έχει αλλάξει δραματικά,既然 η κυβερνοασφάλεια περιστρέφεται γύρω από δύο λέξεις- βαθιά μάθηση.

Αν και αρχικά μας έπιασε ξαφνικά η τεράστια κάλυψη που έλαβε η βαθιά μάθηση, σύντομα έγινε σαφές ότι ο θόρυβος που δημιουργήθηκε από τη βαθιά μάθηση ήταν δικαιολογημένος. Σε μια μορφή παρόμοια με τον ανθρώπινο εγκέφαλο, η βαθιά μάθηση επιτρέπει σε ένα μοντέλο AI να επιτύχει εξαιρετικά ακριβή αποτελέσματα, εκτελώντας καθήκοντα απευθείας από το κείμενο, τις εικόνες και τις ηχητικές ενδείξεις.

Μέχρι αυτό το σημείο, πιστευόταν ευρέως ότι η βαθιά μάθηση βασίζεται σε ένα τεράστιο σύνολο δεδομένων, παρόμοιο με το μέγεθος των δεδομένων που φιλοξενούνται από τους γίγαντες του Σιλικόν Βάλεϊ, Google και Facebook, για να επιτύχει τον στόχο της επίλυσης των πιο περίπλοκων προβλημάτων μέσα σε μια οργάνωση. Αντιθέτως, οι επιχειρήσεις μπορούν να αξιοποιήσουν τη δύναμη της βαθιάς μάθησης, ακόμη και με πρόσβαση σε einen περιορισμένο πool δεδομένων.

Σε μια προσπάθεια να βοηθήσουμε τους αναγνώστες μας με τις απαραίτητες γνώσεις για να εξοπλίσουν την οργάνωση τους με βαθιά μάθηση, έχουμε συλλέξει ένα άρθρο που διεισδύει βαθιά (χωρίς πλάγια) σε μερικούς από τους τρόπους με τους οποίους οι επιχειρήσεις μπορούν να αξιοποιήσουν τα οφέλη της βαθιάς μάθησης, παρά την πρόσβαση σε περιορισμένα, ή “μικρά”, δεδομένα.

Αλλά πριν μπορέσουμε να εισέλθουμε στο κέντρο του άρθρου, θα θέλαμε να κάνουμε μια μικρή, αλλά εξαιρετικά απαραίτητη πρόταση- αρχίστε απλά. Πριν ξεκινήσετε να δημιουργείτε νευρωνικά δίκτυα που είναι αρκετά περίπλοκα για να εμφανιστούν σε μια ταινία επιστημονικής φαντασίας, αρχίστε να πειραματίζεστε με μερικά απλά και συμβατικά μοντέλα, (π.χ. τυχαίος δάσος) για να κατανοήσετε το λογισμικό.

Με αυτό να έχει ληφθεί υπόψη, ας εισέλθουμε σε μερικούς από τους τρόπους με τους οποίους οι επιχειρήσεις μπορούν να συνδυάσουν τη βαθιά μάθηση με την πρόσβαση σε περιορισμένα δεδομένα.

#1- Βελτιστοποίηση του βασικού μοντέλου:

Όπως έχουμε ήδη αναφέρει παραπάνω, το πρώτο βήμα που πρέπει να κάνουν οι επιχειρήσεις μετά την δημιουργία ενός απλού βασικού μοντέλου βαθιάς μάθησης είναι να το βελτιστοποιήσουν για το συγκεκριμένο πρόβλημα που αντιμετωπίζουν.

Ωστόσο, η βελτιστοποίηση ενός βασικού μοντέλου ακούγεται πιο δύσκολη στο χαρτί, παρά ό,τι πραγματικά είναι. Η βασική ιδέα πίσω από τη βελτιστοποίηση ενός μεγάλου συνόλου δεδομένων για να ανταποκριθεί στις συγκεκριμένες ανάγκες μιας επιχείρησης είναι απλή- παίρνετε ένα μεγάλο σύνολο δεδομένων, που έχει κάποια ομοιότητα με το domaine που λειτουργείτε, και στη συνέχεια βελτιστοποιείτε τις λεπτομέρειες του αρχικού συνόλου δεδομένων, με τα περιορισμένα δεδομένα σας.

Όσον αφορά την απόκτηση του μεγάλου συνόλου δεδομένων, οι ιδιοκτήτες επιχειρήσεων μπορούν να βασιστούν στο ImageNet, το οποίο παρέχει επίσης μια εύκολη λύση σε οποιαδήποτε πρόβλημα ταξινόμησης εικόνων. Το σύνολο δεδομένων που φιλοξενείται από το ImageNet παρέχει στις οργανώσεις πρόσβαση σε εκατομμύρια εικόνες, οι οποίες διαιρούνται σε πολλές κατηγορίες εικόνων, οι οποίες μπορούν να είναι χρήσιμες για επιχειρήσεις από μια ευρεία ποικιλία τομέων, συμπεριλαμβανομένων, αλλά όχι περιορισμένων σε εικόνες ζώων, κ.λπ.

Εάν η διαδικασία της βελτιστοποίησης ενός προ-εκπαιδευμένου μοντέλου για να ανταποκριθεί στις συγκεκριμένες ανάγκες της οργάνωσής σας εξακολουθεί να φαίνεται σαν πολύ δουλειά για σας, θα σας συνιστούσα να ζητήσετε βοήθεια από το διαδίκτυο,既然 μια απλή αναζήτηση στο Google θα σας παρέχει εκατοντάδες οδηγούς σχετικά με τον τρόπο βελτιστοποίησης ενός συνόλου δεδομένων.

#2- Συλλογή περισσότερων δεδομένων:

Αν και το δεύτερο σημείο στη λίστα μας μπορεί να φανεί αναχρονιστικό σε μερικούς από τους πιο κυνικούς αναγνώστες μας, το γεγονός παραμένει- όταν πρόκειται για βαθιά μάθηση, το μεγαλύτερο σύνολο δεδομένων που έχετε, το πιο πιθανό είναι να επιτύχετε πιο ακριβή αποτελέσματα.

Αν και η ουσία αυτού του άρθρου έγκειται στην παροχή επιχειρήσεων με περιορισμένα δεδομένα, έχουμε συχνά την δυσάρεστη εμπειρία να συναντάμε πολλούς “υψηλούς” που αντιμετωπίζουν την επένδυση στη συλλογή δεδομένων ως ισοδύναμη με την τέλεση ενός καρδινάλιου αμαρτήματος.

Είναι πολύ συχνό που οι επιχειρήσεις παραβλέπουν τα οφέλη που προσφέρονται από τη βαθιά μάθηση, απλά και μόνο επειδή είναι απρόθυμες να επενδύσουν χρόνο και προσπάθεια στη συλλογή δεδομένων. Εάν η επιχείρησή σας είναι αβέβαιη σχετικά με το ποσό δεδομένων που πρέπει να συλλεχθούν, θα σας συνιστούσα να σχεδιάσετε καμπύλες μάθησης, καθώς τα πρόσθετα δεδομένα ενσωματωθούν στο μοντέλο, και να παρακολουθήσετε την αλλαγή της απόδοσης του μοντέλου.

Αντίθετα με την κοινή πεποίθηση που διατηρούν οι περισσότεροι CSO και CISO, đôiες φορές ο καλύτερος τρόπος για να λυθούν προβλήματα είναι μέσω της συλλογής περισσότερων σχετικών δεδομένων. Ο ρόλος του CSO και του CISO είναι εξαιρετικά σημαντικός σε αυτή την περίπτωση,既然 υπάρχει πάντα η απειλή των κυβερνοεπιθέσεων. Βρέθηκε ότι το 2019, η συνολική δαπάνη για την κυβερνοασφάλεια έφτασε τα 103,1 δισεκατομμύρια δολάρια, και ο αριθμός συνεχίζει να αυξάνεται. Για να τοποθετήσουμε αυτό σε προοπτική, ας考虑ουμε ένα απλό παράδειγμα- φανταστείτε ότι προσπαθείτε να ταξινομήσετε σπάνια διαμάντια, αλλά έχετε πρόσβαση σε ένα πολύ περιορισμένο σύνολο δεδομένων. Όπως η πιο προφανής λύση στο πρόβλημα, αντί να κάνετε μια μέρα με το βασικό μοντέλο, απλά συλλέξτε περισσότερα δεδομένα!

#3- Αυξήσεις δεδομένων:

Αν και τα δύο πρώτα σημεία που abbiamo συζητήσει παραπάνω είναι και τα δύο εξαιρετικά αποτελεσματικά στην παροχή μιας εύκολης λύσης για τα περισσότερα προβλήματα που περιβάλλουν την εφαρμογή της βαθιάς μάθησης σε επιχειρήσεις με περιορισμένα δεδομένα, βασίζονται σε ένα certo επίπεδο τύχης για να ολοκληρώσουν την εργασία.

Εάν δεν можете να επιτύχετε κανένα επιτυχία με τη βελτιστοποίηση ενός προ-υπάρχοντος συνόλου δεδομένων, θα σας συνιστούσα να δοκιμάσετε τις αυξήσεις δεδομένων. Ο τρόπος με τον οποίο οι αυξήσεις δεδομένων είναι απλός. Μέσω της διαδικασίας των αυξήσεων δεδομένων, το σύνολο δεδομένων εισόδου τροποποιείται, ή αυξάνεται, με τέτοιο τρόπο που να δίνει μια νέα έξοδο, χωρίς να αλλάζει την τιμή του label.

Για να τοποθετήσουμε την ιδέα των αυξήσεων δεδομένων σε προοπτική για τους αναγνώστες μας, ας考虑ουμε μια εικόνα ενός σκύλου. Όταν περιστραφεί, ο θεατής της εικόνας θα μπορεί ακόμα να πει ότι είναι μια εικόνα ενός σκύλου. Αυτό είναι ακριβώς αυτό που οι καλές αυξήσεις δεδομένων επιδιώκουν να επιτύχουν, σε αντίθεση με μια περιστραμμένη εικόνα ενός δρόμου, η οποία αλλάζει τη γωνία της ανύψωσης και αφήνει πολύ χώρο για το αλγόριθμο βαθιάς μάθησης να φτάσει σε ένα λάθος συμπέρασμα, και να αποτυγχάνει τον σκοπό της εφαρμογής της βαθιάς μάθησης.

Όταν πρόκειται για την επίλυση προβλημάτων που σχετίζονται με την ταξινόμηση εικόνων, οι αυξήσεις δεδομένων διαδραματίζουν τον ρόλο του κλειδιού σε αυτόν τον τομέα και φιλοξενούν μια ποικιλία τεχνικών αυξήσεων δεδομένων που βοηθούν το μοντέλο βαθιάς μάθησης να αποκτήσει μια βαθιά κατανόηση των διαφόρων ταξινομήσεων εικόνων.

Επιπλέον, όταν πρόκειται για την αυξήση δεδομένων- οι δυνατότητες είναι σχεδόν απεριόριστες. Οι επιχειρήσεις μπορούν να εφαρμόσουν αυξήσεις δεδομένων με πολλούς τρόπους, οι οποίοι περιλαμβάνουν NLP, και πειραματισμούς με GANs, οι οποίοι επιτρέπουν στο αλγόριθμο να δημιουργήσει νέα δεδομένα.

#4- Εφαρμογή ενός συνόλου αποτελεσμάτων:

Η τεχνολογία πίσω από τη βαθιά μάθηση ορίζει ότι το δίκτυο χτίζεται πάνω σε πολλά στρώματα. Ωστόσο, αντίθετα με την κοινή πεποίθηση που διατηρούν πολλοί, αντί να θεωρούν κάθε στρώμα ως μια “αυξανόμενη” ιεραρχία χαρακτηριστικών, το τελικό στρώμα εξυπηρετεί τον σκοπό της παροχής eines συνόλου αποτελεσμάτων.

Η πεποίθηση ότι οι επιχειρήσεις με πρόσβαση σε περιορισμένα δεδομένα πρέπει να επιλέξουν να χτίσουν τα δίκτυά τους βαθιά ήταν επίσης κοινή σε ένα NIPs paper, το οποίο αντανακλούσε την πεποίθηση που έχουμε εκφράσει παραπάνω. Οι επιχειρήσεις με μικρά δεδομένα μπορούν εύκολα να χειριστούν το σύνολο αποτελεσμάτων προς το συμφέρον τους, απλά χτίζοντας τα δίκτυα βαθιάς μάθησης βαθιά, μέσω της βελτιστοποίησης ή κάποιας άλλης εναλλακτικής.

#5- Εισαγωγή αυτο-κωδικοποιητών:

Αν και το πέμπτο σημείο που abbiamo λάβει υπόψη για έχει λάβει μόνο μια σχετική επιτυχία- είμαστε ακόμα υπέρ της χρήσης αυτο-κωδικοποιητών για να προ-εκπαιδεύσουμε ένα δίκτυο και να το αρχικοποιήσουμε σωστά.

Ένας από τους μεγαλύτερους λόγους, εκτός από τις κυβερνοεπιθέσεις, για τους οποίους οι επιχειρήσεις αποτυγχάνουν να ξεπεράσουν τα αρχικά εμπόδια της ενσωμάτωσης της βαθιάς μάθησης είναι η κακή αρχικοποίηση, και τα πολλά πιθαμά της. Η ανοικτή προ-εκπαίδευση συχνά οδηγεί σε κακή ή λανθασμένη εκτέλεση της τεχνολογίας βαθιάς μάθησης, όπου οι αυτο-κωδικοποιητές μπορούν να λάμψουν.

Η βασική ιδέα πίσω από ένα νευρωνικό δίκτυο ορίζει τη δημιουργία ενός νευρωνικού δικτύου που προβλέπει τη φύση του συνόλου δεδομένων εισόδου. Εάν είστε αβέβαιοι σχετικά με τον τρόπο χρήσης ενός αυτο-κωδικοποιητή, υπάρχουν πολλά οδηγοί στο διαδίκτυο που δίνουν σαφείς οδηγίες.

Συμπέρασμα:

Στο τέλος του άρθρου, θα θέλαμε να επιβεβαιώσουμε ότι έχουμε πει σε όλο το άρθρο, με μια πρόσθεση- την ενσωμάτωση γνώσεων ειδικού τομέα στη διαδικασία μάθησης! Όχι μόνο η ενσωμάτωση της πολύτιμης ενημέρωσης επιταχύνει τη διαδικασία μάθησης, αλλά επίσης επιτρέπει στην τεχνολογία βαθιάς μάθησης να παράγει καλύτερα και πιο ακριβή αποτελέσματα.