人工智能 (AI) 越来越多地用于多个行业，以推动各种自动化任务，而人工智能的两大组成部分是机器学习和深度学习。尽管这两者经常互换使用，但它们之间存在明显的差异，使深度学习更加先进和有益。
什么是深度学习？
深度学习是机器学习 (ML)的一个子集，它使用人工神经网络（模拟人脑工作的算法）来模仿大脑的功能并从大量非结构化数据中学习。它对数据科学家极为有益，使收集、分析和解释数据的过程变得更快、更容易，并且是自动化传统预测分析技术的关键组成部分。在检查大量现实世界的网络威胁数据以检测和避免网络攻击时，深度学习尤其有用。
深度学习是如何工作的？
深度学习由神经网络提供支持，神经网络受到人类神经元生物网络的启发，可以模拟人脑的行为。这些多层深度神经网络使用大量非结构化数据进行训练，可以实时从多个数据源获取和分析信息，无需任何人工干预。深度学习自动进行特征提取，消除对人类的任何依赖。例如，当尝试对狗、猫或鸟等动物进行分类时，深度学习将确定哪些特征（例如，耳朵、鼻子、眼睛等）对于区分每种动物至关重要。这些高级功能使深度学习在改进许多分析和自动化相关任务方面极为有益。
机器学习与深度学习
机器学习和深度学习都属于人工智能的范畴，并且以相似的方式发挥作用。虽然深度学习在技术上是机器学习的一个子集，但它几乎更像是一种进化。尽管如此，它们的功能仍存在一些关键差异。
在我们做出这些区分之前，我们首先需要定义机器学习。机器学习是人工智能的一种应用，包括解析数据、从数据集中学习，然后应用这些学习做出明智决策的算法。通常，计算机会输入结构化数据并将其用作训练数据，以更好地进行评估和行动。虽然基本的机器学习模型旨在随着时间的推移提高决策的准确性，但它们仍然需要人工干预。
这是两者之间的第一个关键区别。机器学习需要数据科学家或工程师手动选择特征或分类器，检查输出是否符合要求，并在生成的预测被认为不准确时调整算法。深度学习消除了人为干预的需要。通过神经网络将算法构建成层，深度学习能够自行确定预测是否准确。
第二个关键区别是机器学习算法往往具有简单的架构，例如线性回归或决策树。机器学习也往往涉及较少的处理能力，因为它不那么复杂并且可以在传统计算机上运行。这也意味着它可以相当快地设置和操作，但可能产生有限的结果。深度学习在本质上要复杂得多，它使用多层人工神经网络。虽然它通常确实需要更强大的硬件、资源和设置时间，但它通常会立即生成结果，并且需要最少的维护（如果有的话）。
两者之间的第三个区别是所需的数据量。与深度学习模型相比，传统机器学习算法需要的数据要少得多。机器学习可以使用数千个数据点进行操作，而深度学习通常需要数百万个。所使用的数据也大多是非结构化的，可以包括图像和视频，使其能够消除波动并做出高质量的解释。
什么是内联深度学习？
如上所述，深度学习被广泛应用于包括网络安全在内的各行各业。因为它能够随着时间的推移从它摄取的大量威胁数据中不断发展和学习，它已经成为试图预测网络攻击的关键技术。为了进一步提高其在检测和预防新的和前所未见的网络威胁方面的有效性，一些组织已经开始使用内联深度学习。内联深度学习是利用深度学习的分析能力并将其内联的过程。例如，在发生安全漏洞时，内联深度学习用于分析和检测进入网络的恶意流量，并实时阻止威胁。
内联深度学习包括三个主要组成部分，使其能够很好地抵御现代网络威胁：
- 大量真实威胁数据训练的威胁检测能力。
- 在线进行分析以检查进入网络的真实流量。
- 用于深度学习分析和实时判决与执行的强大处理能力。
虽然内联深度学习具有这些令人难以置信的功能，但它的运行也不会影响个人使用其设备的能力。它在后台不被察觉地运行，不会对设备的工作流程或生产力造成干扰。
