Se você passou algum tempo lendo sobre inteligência artificial, você quase certamente já ouviu falar sobre redes neurais artificiais. Mas o que exatamente é um? Em vez de se inscrever em um curso abrangente de ciência da computação ou se aprofundar em alguns dos recursos mais aprofundados disponíveis disponível online, confira nosso prático guia para leigos para obter uma introdução rápida e fácil a esta incrível forma de máquina aprendizado.
O que é uma rede neural artificial?
As redes neurais artificiais são uma das principais ferramentas utilizadas no aprendizado de máquina. Como a parte “neural” do seu nome sugere, são sistemas inspirados no cérebro que se destinam a replicar a forma como nós, humanos, aprendemos. As redes neurais consistem em camadas de entrada e saída, bem como (na maioria dos casos) uma camada oculta composta por unidades que transformam a entrada em algo que a camada de saída pode usar. Eles são excelentes ferramentas para encontrar padrões que são muito complexos ou numerosos para um programador humano extrair e ensinar a máquina a reconhecer.
Vídeos recomendados
Enquanto as redes neurais (também chamadas de “perceptrons”) existem desde a década de 1940, foi apenas nas últimas décadas que eles se tornaram uma parte importante da inteligência artificial. Isto se deve ao advento de uma técnica chamada “backpropagation”, que permite que as redes ajustem suas camadas ocultas de neurônios em situações onde o resultado não corresponde ao que o criador espera - como uma rede projetada para reconhecer cães, que identifica erroneamente um gato, por exemplo.
Relacionado
- O que é RAM? Aqui está tudo o que você precisa saber
- Nvidia RTX DLSS: tudo o que você precisa saber
- Requisitos de sistema do Stable Diffusion PC: o que você precisa para executá-lo?
Outro avanço importante foi a chegada das redes neurais de aprendizagem profunda, nas quais diferentes camadas de uma rede multicamadas extraem recursos diferentes até que possam reconhecer o que estão procurando para.
Parece bastante complexo. Você pode explicar como se eu tivesse cinco anos?
Para ter uma ideia básica de como uma rede neural de aprendizado profundo aprende, imagine uma linha de fábrica. Depois que as matérias-primas (o conjunto de dados) são inseridas, elas são passadas pela correia transportadora, com cada parada ou camada subsequente extraindo um conjunto diferente de recursos de alto nível. Se a rede pretende reconhecer um objeto, a primeira camada poderá analisar o brilho de seus pixels.
A próxima camada poderia então identificar quaisquer bordas da imagem, com base em linhas de pixels semelhantes. Depois disso, outra camada poderá reconhecer texturas e formas, e assim por diante. Quando a quarta ou quinta camada for alcançada, a rede de aprendizagem profunda terá criado detectores de recursos complexos. Ele pode descobrir que certos elementos da imagem (como um par de olhos, um nariz e uma boca) são comumente encontrados juntos.
Feito isso, os pesquisadores que treinaram a rede podem atribuir rótulos à saída e, em seguida, usar a retropropagação para corrigir quaisquer erros cometidos. Depois de um tempo, a rede pode realizar suas próprias tarefas de classificação sem precisar da ajuda humana todas as vezes.
Além disso, existem diferentes tipos de aprendizagem, como supervisionado ou aprendizagem não supervisionada ou aprendizagem por reforço, em que a rede aprende por si mesma, tentando maximizar sua pontuação - como realizado de forma memorável por Bot de jogo Atari do Google DeepMind.
Quantos tipos de rede neural existem?
Existem vários tipos de rede neural, cada um com seus próprios casos de uso e níveis de complexidade específicos. O tipo mais básico de rede neural é algo chamado rede neural feedforward, em que a informação viaja em apenas uma direção, da entrada para a saída.
Um tipo de rede mais amplamente utilizado é o rede neural recorrente, em que os dados podem fluir em múltiplas direções. Essas redes neurais possuem maiores habilidades de aprendizagem e são amplamente utilizadas para tarefas mais complexas, como aprender caligrafia ou reconhecimento de linguagem.
Há também redes neurais convolucionais, Redes de máquinas Boltzmann, Redes Hopfielde uma variedade de outros. A escolha da rede certa para sua tarefa depende dos dados com os quais você precisa treiná-la e da aplicação específica que você tem em mente. Em alguns casos, pode ser desejável utilizar múltiplas abordagens, como seria o caso de uma tarefa desafiadora como o reconhecimento de voz.
Que tipo de tarefas uma rede neural pode realizar?
Uma rápida varredura em nossos arquivos sugere que a pergunta apropriada aqui deveria ser “quais tarefas não pode uma rede neural faz?” De fazendo os carros andarem de forma autônoma nas estradas, para gerando rostos CGI chocantemente realistas, à tradução automática, à detecção de fraudes, à lendo nossas mentes, para reconhecer quando um gato está no jardim e ligando os irrigadores; as redes neurais estão por trás de muitos dos maiores avanços na IA.
Em termos gerais, porém, eles são projetados para detectar padrões em dados. Tarefas específicas podem incluir classificação (classificação de conjuntos de dados em classes predefinidas), agrupamento (classificação de dados em diferentes categorias indefinidas) e previsão (usando eventos passados para adivinhar os futuros, como o mercado de ações ou a caixa de cinema escritório).
Como exatamente eles “aprendem” as coisas?
Da mesma forma que aprendemos com a experiência de nossas vidas, as redes neurais requerem dados para aprender. Na maioria dos casos, quanto mais dados puderem ser lançados em uma rede neural, mais precisa ela se tornará. Pense nisso como qualquer tarefa que você realiza repetidamente. Com o tempo, você gradualmente se torna mais eficiente e comete menos erros.
Quando pesquisadores ou cientistas da computação decidem treinar uma rede neural, normalmente dividem seus dados em três conjuntos. O primeiro é um conjunto de treinamento, que ajuda a rede a estabelecer os vários pesos entre seus nós. Depois disso, eles o ajustam usando um conjunto de dados de validação. Finalmente, eles usarão um conjunto de testes para ver se ele consegue transformar a entrada na saída desejada.
As redes neurais têm alguma limitação?
A nível técnico, um dos maiores desafios é a quantidade de tempo necessária para treinar redes, o que pode exigir uma quantidade considerável de poder computacional para tarefas mais complexas. O maior problema, porém, é que as redes neurais são “caixas pretas”, nas quais o usuário alimenta dados e recebe respostas. Eles podem ajustar as respostas, mas não têm acesso ao processo exato de tomada de decisão.
Este é um problema que vários pesquisadores estão trabalhando ativamente em, mas só se tornará mais premente à medida que as redes neurais artificiais desempenharem um papel cada vez maior nas nossas vidas.
Recomendações dos Editores
- Laptops com carregamento USB-C: aqui está o que você precisa saber
- O que é GDDR7? Tudo o que você precisa saber sobre VRAM de última geração
- Substituição da bateria do MacBook Pro: tudo o que você precisa saber
- O que é Wi-Fi 7: tudo o que você precisa saber sobre 802.11be
- O YouTube está lançando identificadores. Aqui está o que você precisa saber
