O que é Deep Learning, Machine Learning e Inteligência Artificial?

deep learning
11 de agosto de 2017
Última modificação: 11 de agosto de 2017

Autor: Virgilio Marques Dos Santos
Categorias: Blog, Seis Sigma

Qual a diferença entre Deep Learning, Machine Learning, etc?

Ao longo dos últimos anos, o termo “deep learning” entrou firmemente no caminho para a linguagem de negócios quando a conversa é sobre Inteligência Artificial (AI), Big Data e análise de dados. E com uma boa razão – é uma abordagem para a AI, que é uma grande promessa quando se trata de desenvolver sistemas autônomos e de autoaprendizagem que estão revolucionando muitas indústrias. Nossos Green Belt e Black Belts, estão integrando alguns aprendizado dos Projetos Seis Sigma, por meio dessas novas tecnologias, nas máquinas.

O Deep learning é usado pelo Google em seus algoritmos de reconhecimento de voz e imagem, pela Netflix e Amazon para decidir o que você quer assistir ou comprar em seguida, e por pesquisadores do MIT para prever o futuro. A indústria cada vez maior que se estabeleceu para vender essas ferramentas está sempre interessada em falar sobre o quão revolucionário é tudo isso. Mas o que exatamente é isso? E é apenas uma outra moda usada para empurrar a “antiquada” AI (Inteligência Artificial) sobre nós, sob uma nova etiqueta sexy?

Embora o Machine Learning seja frequentemente descrito como uma subdisciplina da AI, é melhor pensar nisso como o estado atual da técnica – é o campo da IA que hoje está mostrando a maior promessa de fornecer ferramentas que a indústria e a sociedade podem usar para conduzir a mudança.

Como pensar no Deep Learning?

Por sua vez, provavelmente é muito útil pensar em Deep learning como a vanguarda da vanguarda. O ML leva algumas das ideias fundamentais da AI e as concentra na resolução de problemas do mundo real com redes neurais projetadas para imitar nossa própria tomada de decisões. Deep learning concentra-se ainda mais estreitamente em um subconjunto de ferramentas e técnicas ML, e as aplica para resolver apenas qualquer problema que exija “pensamento” – humano ou artificial.

Como funciona o Deep Learning?

O Deep Learning envolve a alimentação de um sistema informático de muitos dados, que pode ser usado para tomar decisões sobre outros dados. Esses dados são alimentados por meio de redes neurais, como é o caso da aprendizagem em máquina. Essas redes – construções lógicas que questionam uma série de combinações binárias verdadeiras / falsas, ou extraem um valor numérico, de cada bit de dados que as atravessam e classificam de acordo com as respostas recebidas.

Porque o trabalho de Aprendizagem Profunda (Deep Learning) está focado no desenvolvimento dessas redes, eles se tornam o que são conhecidos como Redes Neurais Profundas – redes lógicas da complexidade necessária para lidar com a classificação de conjuntos de dados tão amplos como, digamos, a biblioteca de imagens do Google, ou o firehose de tweets do Twitter.

Com conjuntos de dados tão abrangentes como estes e redes lógicas sofisticadas o suficiente para lidar com sua classificação, torna-se trivial que um computador tire de uma imagem e de um estado com uma alta probabilidade de precisão, o que esses representam para os seres humanos.

As imagens apresentam um ótimo exemplo de como isso funciona, porque eles contêm muitos elementos diferentes e não é fácil para nós entender como um computador, com sua mente de um único rumo e de cálculo, pode aprender a interpretá-los na da mesma maneira que nós. Mas a Aprendizagem Profunda pode ser aplicada a qualquer tipo de dados – sinais de máquina, áudio, vídeo, fala, palavras escritas – para produzir conclusões que parecem ter sido alcançadas por humanos – muito, muito rápidos. Vejamos um exemplo prático.

Há exemplos práticos sobre Deep Learning?

Pegue um sistema projetado para registrar e relatar automaticamente quantos veículos de uma marca e modelo em particular passaram por uma via pública. Primeiro, teria acesso a uma enorme base de dados de tipos de carros, incluindo a forma, o tamanho e até o som do motor. Isso pode ser compilado manualmente ou, em casos de uso mais avançados, coletados automaticamente pelo sistema, se estiver programado para pesquisar na internet e ingerir os dados encontrados.

Em seguida, levaria os dados que precisam ser processados – dados do mundo real que contém os insights, neste caso capturados por câmeras e microfones na estrada. Ao comparar os dados de seus sensores com os dados que ele “aprendeu”, ele pode classificar, com uma certa probabilidade de precisão, os veículos que estão passando por sua marca e modelo.

Até agora, tudo isso é relativamente direto. A parte “profunda”, é que o sistema, à medida que o tempo passa e ganha mais experiência, pode aumentar sua probabilidade de uma classificação correta, “treinando” em si mesmo nos novos dados que recebe. Em outras palavras, pode aprender com seus erros – apenas como nós.

Por exemplo, pode decidir de forma incorreta que um determinado veículo era de uma certa marca e modelo, com base em tamanho semelhante e ruído do motor, com vista para outro diferencial que determinava ter uma baixa probabilidade de ser importante para a decisão. Ao saber que este diferencial é, de fato, vital para entender a diferença entre dois veículos, o sistema melhora a probabilidade de um resultado correto na próxima vez.

Então, o que Deep Learning pode fazer?

Provavelmente, a melhor maneira de terminar este artigo e dar uma visão sobre o motivo de tudo isso ser tão inovador é dar mais exemplos de como o Deep Learning está sendo usado hoje. Algumas aplicações impressionantes que estão implantadas ou estão sendo trabalhadas agora incluem:

  • Navegação de carros auto-dirigidos – usando sensores e análises a bordo, os carros estão aprendendo a reconhecer os obstáculos e reagir adequadamente usando o Deep Learning.
  • Recolorindo as imagens em preto e branco – ao ensinar os computadores a reconhecer objetos e a aprender o que eles devem procurar aos seres humanos, a cor pode ser retornada a imagens e vídeos em preto e branco.
  • Previsão do resultado dos processos legais – um sistema desenvolvido por uma equipe de pesquisadores britânicos e americanos mostrou-se recentemente capaz de prever corretamente a decisão de um tribunal, quando alimentado com os fatos básicos do caso.
  • Medicina de precisão – técnicas de Aprendizagem Profunda estão sendo usadas para desenvolver medicamentos geneticamente adaptados ao genoma de um indivíduo.
  • Análise e relatórios automatizados – os sistemas podem analisar dados e divulgar suas informações em linguagem natural, linguagem humana, acompanhada de informações que podemos digerir facilmente.
  • Jogo – os sistemas de Deep Learning foram ensinados a jogar (e ganhar) jogos como o jogo de tabuleiro Go, e o jogo de vídeo Atari Breakout.

É um pouco fácil de se deixar levar com o hype e a hipérbole que é frequentemente usada quando essas tecnologias de ponta são discutidas (e, em particular, vendidas). Mas na verdade, muitas vezes é merecido. Não é incomum ouvir os cientistas de dados dizerem que eles têm ferramentas e tecnologia disponíveis, que eles não esperavam ver isso em breve – e muito disso é graças aos avanços que a Aprendizagem em Máquina e a Aprendizagem Profunda tornaram possível.

Agora, como o Deep Learning pode ser aprendido?

A minha sugestão é que você procure um curso sobre o assunto, mas com cuidado. Como é um tema complicado, em que faz-me lembrar dos primeiros anos da faculdade de engenharia, penso ser importante conseguir alguma escola de referência. Em nossos Projetos Seis Sigma que demanda uma incorporação das regras e aprendizados às máquinas, estamos aplicando o conceito, mas por meio de um parceiro – A Neural Mind Technologies. Lá, confio, pois sei da competência do seu idealizador técnico, Prof. Roberto Lotufo. Inclusive, eles tem vários cursos em que qualquer um começa a aprender a técnica.

Deixe seu comentário

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *