Miten voimme käyttää syvää oppimista pienillä aineistoilla? – Ajattelijat

Kun on kyse uusimpien kyberturvallisuustrendien seuraamisesta, prosessi pysymisestä ajantasalla voi tulla melko työlääksi, koska on paljon uutisia, joista on pidettävä huolta. Nykyään tilanne on kuitenkin muuttunut dramaattisesti, koska kyberTurvallisuuden valtakunnat näyttävät pyörivän kahden sanan ympärillä – syvä oppiminen.

Vaikka olimme aluksi hämmästyneitä siitä, kuinka paljon huomiota syvä oppiminen sai, se tuli nopeasti ilmi, että syvä oppimisen aiheuttama kohu oli ansaittua. Samalla tavalla kuin ihmisaivojen, syvä oppiminen mahdollistaa tekoälymallin saavuttaa erittäin tarkan tuloksen suorittamalla tehtäviä suoraan tekstin, kuvien ja äänimerkkien avulla.

Tähän asti luultiin yleisesti, että syvä oppiminen riippuu valtavasta aineistosta, joka on verrattavissa siihen, mitä Silicon Valley -jättien kuten Google ja Facebook -tietokannoissa on. Toisin kuin yleisesti uskotaan, kuitenkin yritykset voivat hyödyntää syvän oppimisen voimaa, vaikka heillä on vain rajoitettu aineisto.

Yrityksessä auttaa lukijoita tarvittavalla tiedolla varustamaan organisaatiotaan syvällä oppimisella, olemme koonneet artikkelin, joka tutkii syvällä tavalla (ilman tarkoitusta) joitain keinoja, joilla yritykset voivat hyödyntää syvän oppimisen hyötyjä, vaikka heillä on vain rajoitettu aineisto.

Ennen kuin pääsemme artikkelin ytimeen, haluamme antaa pieni, mutta erittäin tärkeä ehdotus – aloita yksinkertaisesti. Ennen kuin aloitat muodostamaan neuroverkkoja, jotka ovat tarpeeksi monimutkaisia tullakseen esiin tieteiskuvassa, aloita kokeilemalla muutamia yksinkertaisia ja perinteisiä malleja (esim. satunnainen metsä) päästäksesi kiinni ohjelmistosta.

Kun olemme saaneet tämän pois alta, pääsemme suoraan joitain keinoja, joilla yritykset voivat yhdistää syvän oppimisen teknologian rajoitetun aineiston kanssa.

#1- Hienosäätö perusmalli:

Kuten jo mainitsimme yllä, ensimmäinen askel, jonka yritysten on tehtävä, kun he ovat muodostaneet yksinkertaisen perusmallin syvästä oppimisesta, on hienosäätää niitä tiettyyn ongelmaan.

Hienosäätäminen perusmallia kuulostaa paperilla paljon vaikeammalta kuin se todella on. Perusidea suuren aineiston hienosäätämisestä, jotta se vastaisi yrityksen tiettyjä tarpeita, on yksinkertainen – otat suuren aineiston, joka muistuttaa alaa, jolla toimit, ja sitten hienosäätät alkuperäisen aineiston yksityiskohtia rajoitetun aineistosi kanssa.

Sen suhteen, miten suuren aineiston hankkiminen onnistuu, yritysjohtajat voivat luottaa ImageNetiin, joka tarjoaa myös helpon ratkaisun kuvien luokitteluongelmiin. ImageNetissä isännöidään aineistoa, joka antaa organisaatioille pääsyn miljooniin kuviin, jotka on jaettu useisiin kuvaluokkiin, mikä voi olla hyödyllistä yrityksille, jotka tulevat monista eri aloista, mukaan lukien, mutta ei ainoastaan eläinten kuvat jne.

Jos prosessi hienosäätäämällä valmiiksi koulutettua mallia yrityksesi tiettyihin tarpeisiin edelleen tuntuu liian työläältä, suosittelemme etsimään apua internetistä, koska yksinkertainen Google-haku antaa satoja opetusohjelmia siitä, miten hienosäätää aineistoa.

#2- Kerää enemmän aineistoa:

Vaikka toinen listamme saattaa tuntua joidenkin kyynisten lukijoiden mielestä tarpeettomalta, tosiasia on, että mitä suurempi aineistosi on, sitä todennäköisemmin saavutat tarkan tuloksen.

Vaikka tämän artikkelin ydin on antaa yrityksille rajoitetulla aineistolla tarvittavat tiedot, olemme usein kohdanneet liian monia “yläpuolella olevia”, jotka käsittävät aineiston keräämisen samanlaiseksi kuin synti.

Liian usein yritykset jättävät huomiotta syvän oppimisen tarjoamat hyödyt yksinkertaisesti siksi, että he ovat epävarmoja aineiston keräämisestä. Jos yrityksesi on epävarma siitä, kuinka paljon aineistoa on kerättävä, suosittelemme piirtämään oppimiskäyrät, kun aineistoa lisätään malliin, ja seurata muutosta mallin suorituskyvyssä.

Toisin kuin useat CSO:t ja CISO:t uskovat, joskus paras tapa ratkaista ongelmia on kerätä enemmän asiaankuuluvaa aineistoa. CSO:n ja CISO:n rooli on erittäin tärkeä tässä asiassa, koska aina on uhka kyberhyökkäyksistä. On havaittu, että vuonna 2019 maailmanlaajuinen kyberturvallisuuden kulutus oli 103,1 miljardia dollaria, ja luku jatkaa kasvuaan. Otetaan yksinkertainen esimerkki – kuvitella, että yrität luokitella harvinaisia timantteja, mutta sinulla on vain rajoitettu aineisto. Selvin ratkaisu ongelmaan on kerätä enemmän aineistoa!

#3- Aineiston laajennus:

Vaikka kaksi ensimmäistä kohtaa, joista olemme keskustelleet, ovat molemmat erittäin tehokkaita ratkaisemaan useimpien ongelmien, jotka liittyvät syvän oppimisen käyttöön yrityksissä, joilla on rajoitettu aineisto, ne riippuvat paljolti onnesta.

Jos et voi saada mitään menestystä hienosäätämällä olemassa olevaa aineistoa, suosittelemme kokeilemaan aineiston laajennusta. Aineiston laajennuksen idea on yksinkertainen. Aineiston laajennuksen kautta syötettävä aineisto muutetaan tai laajennetaan siten, että se antaa uuden tuloksen ilman, että todellista arvoa muutetaan.

Jotta voisimme antaa lukijoillemme käsityksen aineiston laajennuksesta, otetaan esimerkki koiran kuvasta. Kun kuva kierretään, katsoja voi edelleen tunnistaa, että se on koiran kuva. Tämä on juuri sitä, mitä hyvä aineiston laajennus pyrkii saavuttamaan, verrattuna kiertää tielle, joka muuttaa korkeuskulmaa ja jättää paljon tilaa tekoälyalgoritmille tulla väärään johtopäätökseen ja epäonnistua syvän oppimisen toteuttamisessa.

Kun on kyse kuvien luokittelun ongelman ratkaisemisesta, aineiston laajennus on avainasemassa ja tarjoaa useita aineiston laajennusmenetelmiä, jotka auttavat syvän oppimisen mallia saamaan syvemmän ymmärryksen eri kuvien luokitteluista.

Lisäksi aineiston laajennuksen mahdollisuudet ovat lähes rajattomat. Yritykset voivat toteuttaa aineiston laajennuksen monin tavoin, mukaan lukien NLP ja GAN-kokeilut, jotka mahdollistavat algoritmille uuden aineiston luomisen.

#4- Ensembelvaikutuksen toteuttaminen:

Syvän oppimisen teknologia määrää, että verkko rakennetaan useista kerroksista. Toisin kuin useat uskovat, kunkin kerroksen sijaan “kasvavan” hierarkian ominaisuuksien näkeminen, viimeinen kerros tarjoaa ensembelimekanismin.

Uskomus, että yritysten, joilla on rajoitettu aineisto, tulisi rakentaa verkkoja syvemmäksi, jaettin myös NIPs-paperissa, joka heijasti uskomusta, jonka olemme ilmaisseet yllä. Yritykset, joilla on rajoitettu aineisto, voivat helposti hyödyntää ensembelivaikutusta etujaan rakentamalla syvän oppimisen verkkoja syvemmäksi hienosäätämällä tai jollain muulla vaihtoehdolla.

#5- Autoenkooderien käyttäminen:

Vaikka viides kohdassa, jota olemme ottaneet huomioon, on saavuttanut vain suhteellisen menestyksen, olemme edelleen sitä mieltä, että autoenkooderit ovat hyödyllisiä verkoston esikoulutukseen ja aloittamiseen.

Yksi suurimmista syistä, miksi yritykset eivät pääse yli syvän oppimisen alkuvaiheen esteiden, on huono aloitus, ja sen monia virheitä. Valvomaton esikoulutus usein johtaa huonoon tai väärään suorittamiseen, jossa autoenkooderit voivat loistaa.

Neuraaliverkon perusidea määrää neuraaliverkon luomisen, joka ennustaa syötetyn aineiston luonteen. Jos olet epävarma siitä, miten käyttää autoenkooderia, on verkossa useita opetusohjelmia, jotka antavat selkeät ohjeet.

Johtopäätös:

Artikkelin lopussa haluamme reimburse mitä olemme sanoneet koko artikkelin ajan, yhden lisäyksen kera – sisällyttämällä alakohtaiset tiedot oppimisprosessiin! Sen sisällyttäminen arvokkaita näkemyksiä nopeuttaa oppimisprosessia, ja se myös antaa syvän oppimisen teknologialle mahdollisuuden tuottaa parempia ja tarkempia tuloksia.