Bagaimana Kami Dapat Menggunakan Deep Learning dengan Data Kecil? – Pemimpin Pikiran

Ketika datang untuk mempertahankan tren keamanan siber yang muncul, proses untuk tetap berada di atas perkembangan terbaru dapat menjadi sangat melelahkan karena ada banyak berita untuk diikuti. Namun, hari ini, situasinya telah berubah secara dramatis, karena domain keamanan siber tampaknya berputar di sekitar dua kata – deep learning.

Meskipun kita awalnya terkejut oleh liputan besar yang diterima deep learning, itu dengan cepat menjadi jelas bahwa buzz yang dihasilkan oleh deep learning sangat pantas. Dalam gaya yang mirip dengan otak manusia, deep learning memungkinkan model AI untuk mencapai hasil yang sangat akurat, dengan melakukan tugas langsung dari teks, gambar, dan audio.

Sampai titik ini, diyakini secara luas bahwa deep learning bergantung pada set data yang besar, mirip dengan besarnya data yang disimpan oleh raksasa Silicon Valley seperti Google dan Facebook untuk mencapai tujuan memecahkan masalah yang paling rumit dalam sebuah organisasi. Namun, bertentangan dengan kepercayaan populer, perusahaan dapat memanfaatkan kekuatan deep learning, bahkan dengan akses ke kolam data yang terbatas.

Dalam upaya untuk membantu pembaca kami dengan pengetahuan yang diperlukan untuk mempersenjatai organisasi mereka dengan deep learning, kami telah mengompilasi sebuah artikel yang menyelami beberapa cara di mana perusahaan dapat menggunakan manfaat deep learning meskipun memiliki akses ke data yang terbatas.

Tapi sebelum kita dapat memasuki inti artikel ini, kita ingin membuat saran kecil, tetapi sangat penting – mulailah dengan sederhana. Namun, sebelum Anda mulai memformulasikan jaringan neural yang cukup kompleks untuk ditampilkan dalam film fiksi ilmiah, mulailah dengan bereksperimen dengan beberapa model sederhana dan konvensional, (misalnya random forest) untuk mendapatkan pengalaman dengan perangkat lunak.

Dengan itu, mari kita langsung ke beberapa cara di mana perusahaan dapat menggabungkan teknologi deep learning sambil memiliki akses ke data yang terbatas.

#1- Menghaluskan model dasar:

Seperti yang telah kita sebutkan di atas, langkah pertama yang perusahaan perlu ambil setelah mereka telah memformulasikan model deep learning dasar yang sederhana adalah untuk menghaluskan model tersebut untuk masalah tertentu yang dihadapi.

Namun, menghaluskan model dasar terdengar lebih sulit di atas kertas daripada yang sebenarnya. Ide dasar di balik menghaluskan set data besar untuk memenuhi kebutuhan spesifik perusahaan adalah sederhana – Anda mengambil set data besar yang memiliki kemiripan dengan domain Anda, dan kemudian menghaluskan detail set data asli dengan data terbatas Anda.

Untuk mendapatkan set data besar, pemilik perusahaan dapat mengandalkan ImageNet, yang juga menyediakan solusi mudah untuk masalah klasifikasi gambar. Dataset yang dihost oleh ImageNet memungkinkan organisasi untuk mengakses jutaan gambar, yang dibagi ke dalam beberapa kelas gambar, yang dapat berguna bagi perusahaan dari berbagai domain, termasuk, tetapi tidak terbatas pada gambar hewan, dll.

Jika proses menghaluskan model pra-dilatih untuk memenuhi kebutuhan spesifik perusahaan Anda masih terdengar seperti terlalu banyak pekerjaan bagi Anda, kita sarankan untuk mendapatkan bantuan dari internet, karena pencarian sederhana di Google akan memberikan Anda ratusan tutorial tentang cara menghaluskan dataset.

#2- Mengumpulkan lebih banyak data:

Meskipun poin kedua dalam daftar kita mungkin terdengar redundan bagi beberapa pembaca yang lebih sinis, fakta tetap bahwa ketika datang ke deep learning, semakin besar set data Anda, semakin mungkin Anda untuk mencapai hasil yang lebih akurat.

Meskipun inti dari artikel ini terletak pada memberikan perusahaan dengan set data terbatas, kita telah sering mengalami ketidaknyamanan ketika bertemu dengan “orang-orang yang lebih tinggi”, yang menganggap berinvestasi dalam pengumpulan data setara dengan melakukan dosa besar.

Sangat sering terjadi bahwa bisnis cenderung mengabaikan manfaat yang ditawarkan oleh deep learning, hanya karena mereka enggan untuk menginvestasikan waktu dan upaya dalam pengumpulan data. Jika perusahaan Anda tidak yakin tentang jumlah data yang perlu dikumpulkan, kita sarankan untuk memplot kurva pembelajaran, karena data tambahan diintegrasikan ke dalam model, dan mengamati perubahan dalam kinerja model.

Bertentangan dengan kepercayaan populer yang dipegang oleh banyak CSO dan CISO, terkadang cara terbaik untuk memecahkan masalah adalah melalui pengumpulan data yang lebih relevan. Peran CSO dan CISO sangat penting dalam hal ini karena ada ancaman serangan siber. Ditemukan bahwa pada tahun 2019, total pengeluaran global untuk keamanan siber mencapai $103,1 miliar, dan angka tersebut terus meningkat. Untuk memahami hal ini, mari kita ambil contoh sederhana – bayangkan bahwa Anda mencoba mengklasifikasikan berlian langka, tetapi hanya memiliki akses ke set data yang sangat terbatas. Sebagai solusi paling jelas untuk masalah ini, alih-alih memiliki hari yang menyenangkan dengan model dasar, kumpulkan lebih banyak data!

#3- Augmentasi Data:

Meskipun dua poin pertama yang kita diskusikan di atas sangat efektif dalam memberikan solusi mudah untuk sebagian besar masalah yang terkait dengan implementasi deep learning ke perusahaan dengan set data kecil, mereka sangat bergantung pada tingkat keberuntungan untuk menyelesaikan pekerjaan.

Jika Anda tidak dapat mencapai kesuksesan dengan menghaluskan dataset yang ada, kita sarankan untuk mencoba augmentasi data. Cara kerja augmentasi data sangat sederhana. Melalui proses augmentasi data, set data input diubah atau diperkaya, sehingga memberikan output baru, tanpa mengubah nilai label.

Untuk memahami konsep augmentasi data bagi pembaca kita, mari kita ambil contoh gambar anjing. Ketika diputar, pengamat gambar masih dapat mengenali bahwa itu adalah gambar anjing. Ini adalah apa yang dicapai oleh augmentasi data yang baik, dibandingkan dengan gambar yang diputar, yang mengubah sudut elevasi dan meninggalkan banyak ruang bagi algoritma deep learning untuk mencapai kesimpulan yang salah, dan menggagalkan tujuan implementasi deep learning pada awalnya.

Ketika datang untuk memecahkan masalah yang terkait dengan klasifikasi gambar, augmentasi data berperan sebagai pemain kunci dalam bidang ini dan menawarkan berbagai teknik augmentasi data yang membantu model deep learning untuk memperoleh pemahaman yang lebih dalam tentang klasifikasi gambar yang berbeda.

Lebih lagi, ketika datang untuk memperkaya data – kemungkinannya hampir tidak terbatas. Perusahaan dapat menerapkan augmentasi data dengan berbagai cara, termasuk NLP, dan eksperimen GAN, yang memungkinkan algoritma untuk menghasilkan data baru.

#4- Mengimplementasikan Efek Ensemble:

Teknologi di balik deep learning menentukan bahwa jaringan dibangun atas beberapa lapisan. Namun, bertentangan dengan kepercayaan populer yang dipegang oleh banyak orang, alih-alih melihat setiap lapisan sebagai “hierarki fitur yang terus meningkat”, lapisan terakhir berfungsi sebagai mekanisme ensemble.

Kepercayaan bahwa perusahaan dengan akses ke set data kecil harus memilih untuk membangun jaringan mereka dalam, melalui penghalusan atau alternatif lain, juga dibagikan dalam sebuah makalah NIPs, yang mencerminkan kepercayaan yang kita ungkapkan di atas. Perusahaan dengan data kecil dapat dengan mudah memanipulasi efek ensemble untuk keuntungan mereka, dengan membangun jaringan deep learning mereka dalam, melalui penghalusan atau alternatif lain.

#5- Mengintegrasikan Autoencoder:

Meskipun poin kelima yang kita pertimbangkan untuk telah menerima tingkat kesuksesan yang relatif – kita masih mendukung penggunaan autoencoder untuk melakukan pra-pelatihan jaringan dan menginisialisasi jaringan dengan benar.

Salah satu alasan terbesar, selain serangan siber, mengapa perusahaan gagal untuk melewati hambatan awal integrasi deep learning adalah karena inisialisasi yang buruk, dan banyak jebakannya. Pra-pelatihan tak terawasi sering kali mengarah pada eksekusi yang buruk atau salah dari teknologi deep learning, di mana autoencoder dapat bersinar.

Konsep dasar di balik jaringan neural menentukan pembuatan jaringan neural yang memprediksi sifat dataset yang dimasukkan. Jika Anda tidak yakin tentang cara menggunakan autoencoder, ada beberapa tutorial online yang memberikan instruksi yang jelas.

Kesimpulan:

Di akhir artikel ini, kita ingin mengembalikan apa yang telah kita katakan sepanjang artikel ini, dengan satu tambahan – mengintegrasikan pengetahuan domain-spesifik ke dalam proses pembelajaran! Tidak hanya integrasi wawasan yang berharga mempercepat proses pembelajaran, tetapi juga memungkinkan teknologi deep learning untuk menghasilkan hasil yang lebih baik dan lebih akurat.