深度學習是機器學習領域的一個最先進的領域。深度學習模型可以從例項中學習，它們需要用足夠的資料進行訓練。深度學習演算法的預測可以提升企業的業績。然而，它們也有一些挑戰，如資料飢渴，難以解釋，並且由於收集和標記資料的成本，可能很昂貴。
什麼是深度學習？
深度學習，也被稱為深度結構化學習或分層學習，是一套機器學習方法，是基於人工神經網路的機器學習方法這一更廣泛的家族的一部分。與其他機器學習方法一樣，深度學習允許企業預測結果。一個簡單的例子是預測哪些客戶在收到打折優惠時可能會購買。改進後的模型可以讓企業節省成本，增加銷售。
深度學習是商業應用中最受歡迎的機器學習方法之一，自2013年以來，人們對深度學習的興趣已經爆炸性增長，正如你在下面看到的。
資源： 谷歌趨勢
為什麼深度學習現在是相關的？
雖然傑弗裡-辛頓和其他研究人員在20世紀80年代開始展示深度學習的潛力效果，但還缺少幾個要素：
- 廉價的計算能力是深度學習所需要的。足夠多的用於深度學習應用的經濟計算能力在2010年代左右才開始出現。
- 訓練資料： 研究人員曾經依靠手工標記的資料進行機器學習。然而，自2010年代以來，資料生成量已大大增加，每年的新資料每兩年翻一番。目前，新的資料生成和儲存預計將以23%的年複合增長率增長，直到2025年。
- 更好的演算法： 多年的研究也導致了更優化的演算法，進一步實現了深度學習。
擁有豐富資料、廉價計算能力和現代深度學習演算法的現代公司將利用深度學習模型的優勢。
深度學習是如何工作的？
基於訓練資料集，建立一個基於人工神經網路（ANN）的模型，並針對測試資料集進行測試，以對你的業務資料作出預測。讓我們解釋一下每個術語：
訓練資料： 顧名思義，機器學習就是要從以前的例子中學習。訓練資料既包括現在和將來已知的資料，也包括需要預測的結果。例如，讓我們假設我們正試圖預測哪些客戶在收到折扣優惠時可能會購買。在這種情況下：
- 已知資料（或輸入資料）是關於客戶的所有相關資料，可以包括人口統計學資料、以前的購買行為、線上行為等。
- 要預測的結果是客戶在收到優惠後是否會進行購買。
人工神經網路（ANN）是一種數學模型，其結構受到大腦神經迴路的啟發。雖然它的結構可能很複雜，但它本質上是一個能對輸入變數進行預測的函式。我們使用 “啟發 “這個詞是因為與最複雜的神經網路相比，大腦的結構相當複雜，是模擬和高度優化的密切耦合的處理、計算和軟體。
測試資料集不作為訓練的一部分。它具有與訓練資料相同的格式，用於測試模型的結果，並決定模型的預測是否對公共汽車的目標足夠準確。
預測是模型的輸出。當試圖預測哪些客戶在收到折扣優惠時可能會購買時，模型為資料集中的每個客戶預測一個結果（將購買，將不購買）。公司可以利用這些預測來決定哪些客戶需要聯絡。此外，模型可以給每個預測分配一個信心分數，幫助公司進一步完善它將採取的行動。例如，如果一個錯誤的預測比一個正確的預測成本更高，如果模型對該資料點的信心水平低，公司可能不會對預測採取行動。
它有什麼好處？
深度學習模型可以帶來更好、更快、更便宜的預測，從而帶來更好的業務、更高的收入和更低的成本。
- 更好的預測： 哪個企業不希望能夠只給準備購買的客戶打電話，或者只保留適當數量的庫存？所有這些決策都可以通過更好的預測得到改善。
- 更快的預測： 深度學習，以及一般的機器學習，可以使公司的決策自動化，提高其執行速度。考慮到那些留下他們的聯絡方式以獲得有關他們公司的技術解決方案的更多細節的客戶。也許從聯絡資訊中可以看出，這是一個非常有潛力的人，需要與之聯絡。由於有了這個模型，沒有人需要手動檢查這些資料，這個潛在的客戶將立即被優先處理。在這個例子中，速度尤其重要，因為越早聯絡的客戶越有可能轉化。
- 更便宜的預測： 沒有實施運營決策模型的公司，依靠分析師來做決策，這比執行深度學習模型的成本要高好幾個數量級。然而，深度學習模型也有設定時間和成本。因此，在推出模型之前，需要對模型的商業案例進行調查。
它有哪些重要的使用案例？
深度學習是一種機器學習技術，因此其應用領域幾乎是無限的。然而，一個模型的商業利益需要與建立這樣一個模型的成本進行比較。
任何商業應用都會從更好的預測中受益。畢竟，生活就是我們做出的決定，我們的決定和我們的預測一樣好。應用的例子包括：
- 影象分類： 從識別進入商店的顧客到自動識別缺陷，影象分類應用幾乎存在於所有行業中
- 其他預測： 在市場營銷中預測客戶流失，在銷售中預測客戶購買的可能性，在客戶服務聯絡中心從客戶的聲音中預測客戶的情緒狀態都是深度學習的一些應用。
模型有廣泛的應用領域，但也有設定時間和成本。因此，在推出模型之前，需要對模型的商業案例進行調查。簡而言之，模型提供最佳價值的領域是：
- 有價值的預測，機器的表現優於人類。很快，醫學影象分析可能就在這個領域內，例如，癌症診斷是相當有價值的，在不久的將來，機器可能會比人類做得更好。
- 價值較低的預測，需要經常重複。大多數機器學習模型往往屬於這個類別。通過數以百萬計的客戶來確定活動的正確客戶，如果沒有一個模型來挑選正確的客戶，成本太高。
擁有最多資料的行業可能會從深度學習模型中受益最多。如果你想閱讀更多關於不同行業的深度學習用例：
- 41個深度學習使用案例
- 金融業深度學習使用案例
- 醫療保健行業深度學習用例
- 特別是利用工業物聯網（IIoT）的公司可以獲得大量的資料，這可以為深度學習模型提供動力。請自由探索製造業深度學習使用案例
哪些業務功能從深度學習中受益最大？
擁有更多資料的業務功能可能會從深度學習中受益更多。一些資料豐富的業務職能部門是：
- 商業功能，如銷售、營銷和客戶服務
- 成本中心，如技術，建立包括細化資料的詳細日誌檔案
深度學習在未來將如何發展？
深度學習領域有望獲得新的能力，並通過新的研究和學習克服其挑戰，如膠囊網路和對抗性學習。請隨時閱讀我們關於深度學習的未來的文章。
深度學習的挑戰是什麼？
深度學習模型有以下挑戰：
- 資料隱私/消費者資料保護： 深度學習演算法依賴於訓練資料，其中可能包括個人或敏感資料。訓練資料集中的個人資料可能是人口統計資訊、收入、健康、興趣等。這引起了人們對深度學習應用中隱私的關注。然而，通過加密模型，公司能夠保護儲存在模型中的個人資料。
- 資料飢渴
- 難以解釋或理解
- 有偏見
- 能源成本高
研究人員和行業先鋒們有一些想法來克服這些障礙，包括：
- 通過從較少的例子中學習，最大限度地減少模型中個人資料的使用，就像少用學習（Few-shot learning）的情況。
- 通過按照XAI方法開發新的模型，提供關於深度學習模型預測的解釋
- 防止深度學習中的偏見，如在該領域引入更多的多樣性
- 提高深度學習模型的效率，以加速它們，減少部署和硬體成本。例如，為建造更好的AI晶片做出了巨大努力
- 採取措施，減少深度學習領域的技能短缺。目前，深度學習模型很難建立，需要資料科學專業人士來建立高階模型。然而，隨著公司採用無程式碼人工智慧解決方案，這種情況正在改變。
評論留言