深度学习是机器学习领域的一个最先进的领域。深度学习模型可以从实例中学习，它们需要用足够的数据进行训练。深度学习算法的预测可以提升企业的业绩。然而，它们也有一些挑战，如数据饥渴，难以解释，并且由于收集和标记数据的成本，可能很昂贵。
什么是深度学习？
深度学习，也被称为深度结构化学习或分层学习，是一套机器学习方法，是基于人工神经网络的机器学习方法这一更广泛的家族的一部分。与其他机器学习方法一样，深度学习允许企业预测结果。一个简单的例子是预测哪些客户在收到打折优惠时可能会购买。改进后的模型可以让企业节省成本，增加销售。
深度学习是商业应用中最受欢迎的机器学习方法之一，自2013年以来，人们对深度学习的兴趣已经爆炸性增长，正如你在下面看到的。
资源： 谷歌趋势
为什么深度学习现在是相关的？
虽然杰弗里-辛顿和其他研究人员在20世纪80年代开始展示深度学习的潜力效果，但还缺少几个要素：
- 廉价的计算能力是深度学习所需要的。足够多的用于深度学习应用的经济计算能力在2010年代左右才开始出现。
- 训练数据： 研究人员曾经依靠手工标记的数据进行机器学习。然而，自2010年代以来，数据生成量已大大增加，每年的新数据每两年翻一番。目前，新的数据生成和存储预计将以23%的年复合增长率增长，直到2025年。
- 更好的算法： 多年的研究也导致了更优化的算法，进一步实现了深度学习。
拥有丰富数据、廉价计算能力和现代深度学习算法的现代公司将利用深度学习模型的优势。
深度学习是如何工作的？
基于训练数据集，建立一个基于人工神经网络（ANN）的模型，并针对测试数据集进行测试，以对你的业务数据作出预测。让我们解释一下每个术语：
训练数据： 顾名思义，机器学习就是要从以前的例子中学习。训练数据既包括现在和将来已知的数据，也包括需要预测的结果。例如，让我们假设我们正试图预测哪些客户在收到折扣优惠时可能会购买。在这种情况下：
- 已知数据（或输入数据）是关于客户的所有相关数据，可以包括人口统计学数据、以前的购买行为、在线行为等。
- 要预测的结果是客户在收到优惠后是否会进行购买。
人工神经网络（ANN）是一种数学模型，其结构受到大脑神经回路的启发。虽然它的结构可能很复杂，但它本质上是一个能对输入变量进行预测的函数。我们使用 “启发 “这个词是因为与最复杂的神经网络相比，大脑的结构相当复杂，是模拟和高度优化的密切耦合的处理、计算和软件。
测试数据集不作为训练的一部分。它具有与训练数据相同的格式，用于测试模型的结果，并决定模型的预测是否对公共汽车的目标足够准确。
预测是模型的输出。当试图预测哪些客户在收到折扣优惠时可能会购买时，模型为数据集中的每个客户预测一个结果（将购买，将不购买）。公司可以利用这些预测来决定哪些客户需要联系。此外，模型可以给每个预测分配一个信心分数，帮助公司进一步完善它将采取的行动。例如，如果一个错误的预测比一个正确的预测成本更高，如果模型对该数据点的信心水平低，公司可能不会对预测采取行动。
它有什么好处？
深度学习模型可以带来更好、更快、更便宜的预测，从而带来更好的业务、更高的收入和更低的成本。
- 更好的预测： 哪个企业不希望能够只给准备购买的客户打电话，或者只保留适当数量的库存？所有这些决策都可以通过更好的预测得到改善。
- 更快的预测： 深度学习，以及一般的机器学习，可以使公司的决策自动化，提高其执行速度。考虑到那些留下他们的联系方式以获得有关他们公司的技术解决方案的更多细节的客户。也许从联系信息中可以看出，这是一个非常有潜力的人，需要与之联系。由于有了这个模型，没有人需要手动检查这些数据，这个潜在的客户将立即被优先处理。在这个例子中，速度尤其重要，因为越早联系的客户越有可能转化。
- 更便宜的预测： 没有实施运营决策模型的公司，依靠分析师来做决策，这比运行深度学习模型的成本要高好几个数量级。然而，深度学习模型也有设置时间和成本。因此，在推出模型之前，需要对模型的商业案例进行调查。
它有哪些重要的使用案例？
深度学习是一种机器学习技术，因此其应用领域几乎是无限的。然而，一个模型的商业利益需要与建立这样一个模型的成本进行比较。
任何商业应用都会从更好的预测中受益。毕竟，生活就是我们做出的决定，我们的决定和我们的预测一样好。应用的例子包括：
- 图像分类： 从识别进入商店的顾客到自动识别缺陷，图像分类应用几乎存在于所有行业中
- 其他预测： 在市场营销中预测客户流失，在销售中预测客户购买的可能性，在客户服务联络中心从客户的声音中预测客户的情绪状态都是深度学习的一些应用。
模型有广泛的应用领域，但也有设置时间和成本。因此，在推出模型之前，需要对模型的商业案例进行调查。简而言之，模型提供最佳价值的领域是：
- 有价值的预测，机器的表现优于人类。很快，医学图像分析可能就在这个领域内，例如，癌症诊断是相当有价值的，在不久的将来，机器可能会比人类做得更好。
- 价值较低的预测，需要经常重复。大多数机器学习模型往往属于这个类别。通过数以百万计的客户来确定活动的正确客户，如果没有一个模型来挑选正确的客户，成本太高。
拥有最多数据的行业可能会从深度学习模型中受益最多。如果你想阅读更多关于不同行业的深度学习用例：
- 41个深度学习使用案例
- 金融业深度学习使用案例
- 医疗保健行业深度学习用例
- 特别是利用工业物联网（IIoT）的公司可以获得大量的数据，这可以为深度学习模型提供动力。请自由探索制造业深度学习使用案例
哪些业务功能从深度学习中受益最大？
拥有更多数据的业务功能可能会从深度学习中受益更多。一些数据丰富的业务职能部门是：
- 商业功能，如销售、营销和客户服务
- 成本中心，如技术，创建包括细化数据的详细日志文件
深度学习在未来将如何发展？
深度学习领域有望获得新的能力，并通过新的研究和学习克服其挑战，如胶囊网络和对抗性学习。请随时阅读我们关于深度学习的未来的文章。
深度学习的挑战是什么？
深度学习模型有以下挑战：
- 数据隐私/消费者数据保护： 深度学习算法依赖于训练数据，其中可能包括个人或敏感数据。训练数据集中的个人数据可能是人口统计信息、收入、健康、兴趣等。这引起了人们对深度学习应用中隐私的关注。然而，通过加密模型，公司能够保护存储在模型中的个人数据。
- 数据饥渴
- 难以解释或理解
- 有偏见
- 能源成本高
研究人员和行业先锋们有一些想法来克服这些障碍，包括：
- 通过从较少的例子中学习，最大限度地减少模型中个人数据的使用，就像少用学习（Few-shot learning）的情况。
- 通过按照XAI方法开发新的模型，提供关于深度学习模型预测的解释
- 防止深度学习中的偏见，如在该领域引入更多的多样性
- 提高深度学习模型的效率，以加速它们，减少部署和硬件成本。例如，为建造更好的AI芯片做出了巨大努力
- 采取措施，减少深度学习领域的技能短缺。目前，深度学习模型很难建立，需要数据科学专业人士来建立高级模型。然而，随着公司采用无代码人工智能解决方案，这种情况正在改变。
评论留言