深度學習（Deep Learning）是什麼?
在上篇【人工智慧 vs. 機器學習】中提到：「『人工智慧』的終極目標為 — 期望機器擁有如同人類的思考，而『機器學習』是達到「『人工智慧』的途徑；但『機器學習』仍與終極目標有些距離，因而再衍伸出『深度學習』」，本篇我們就來討論何謂深度學習：
深度學習（Deep Learning）：
由上圖可見，深度學習是機器學習的多種模式之一。相較機器學習為 — 使用演算法分析資料後，對事件做出決策或預測；深度學習則採用 — 多層級的類神經網路(Artificial Neural Network，簡稱ANN)模擬生物神經系統，來訓練和分析資料特徵，將資料自動辨識與分類，相當於直接從資料來學習任務。
下方以圖示說明「機器學習」與「深度學習」的差異：
由上圖可知，若使用「機器學習」，有些辨識特徵或程式，仍需由人類進行特徵提取，才能使機器執行任務，因此仍停留在弱人工智慧(Weak AI)；但「深度學習」透過神經網絡系統，模型可主動進行特徵辨識來完成資料分析與分類，更接近理想中的強人工智慧(Strong AI)，因而可說是 — 深度學習驅動了機器學習，最終實現了人工智慧。
深度學習的應用 — AlphaGo：
AlphaGo運用兩種深度神經網路 — 策略網路(policy network)與估值網路(value network)來運作。
首先由策略網路學習棋手的應對，接著經過三千萬張棋譜訓練後，給予從未遇過的棋面，使其預測對手下的位置；而後再模仿高手下的位置，使AlphaGo修正不合理的棋步。接著使用估值網路，讓 AlphaGo由未來幾步棋的走勢來估計勝率，而估值網路是透過千萬張棋譜的訓練而成，因此不需由人事先設計。且AlphaGo也曾多次與自己對弈，更優化了策略網路。
值得一提的是，AlphaGo使用估值網路來預測勝率的模式，極似人類的「直覺」思考，且能大量減少運算的過程，在應用上的範圍廣、較不局限。
下方我們將AlphaGo與IBM研發的超級電腦Deep Blue(深藍)作比較：
普匯觀點：
深度學習是透過 — 類神經網路來運作，而此網路可比擬是一堆函數的集合 — 我們投入一堆數值，接著網路透過運算後輸出一堆數值，並從中找出最佳解。
而雖說AlphaGo的應用層面十分有未來性，但目前仍在發展階段，普匯的科技始終走在前端，未來我們也將朝機器的深度學習發展，希望透過分析借貸者的Instagram、Facebook等社交網路，從發文內容、限時動態著手，了解用戶的活躍度與正向性，希望延伸至了解顧客是否容易隱身、作為判別是否能夠如期償債的參考、與遇到清償問題時的積極性，增強普匯的KYC（Know Your Customer，認識你的客戶）能力。
