A aprendizagem profunda é um subconjunto particular de aprendizado de máquina (a mecânica da inteligência artificial). Embora este ramo da programação possa tornar-se muito complexo, começou com uma pergunta muito simples: “Se queremos que um sistema informático funcione de forma inteligente, porque não o modelamos segundo o cérebro humano?”
Esse pensamento gerou muitos esforços nas últimas décadas para criar algoritmos que imitassem a forma como o cérebro humano funcionava – e que pudessem resolver problemas da mesma forma que os humanos. Esses esforços produziram ferramentas de análise valiosas e cada vez mais competentes, utilizadas em muitos campos diferentes.
Vídeos recomendados
A rede neural e como ela é usada
![Gráfico de rede neural](/f/c442186a7d620b27943c3d0545dc41a2.jpg)
Aprendizado profundo recebe esse nome devido à forma como é usado para analisar dados “não estruturados” ou dados que não foram previamente rotulados por outra fonte e podem precisar de definição. Isso requer uma análise cuidadosa do que são os dados e testes repetidos desses dados para chegar a uma conclusão final utilizável. Os computadores não são tradicionalmente bons na análise de dados não estruturados como este.
Relacionado
- IA ferramenta de tradução lança luz sobre a linguagem secreta dos ratos
- Nova pesquisa ‘obscura’ do MIT usa sombras para ver o que as câmeras não conseguem
- A inteligência artificial agora pode identificar um pássaro apenas olhando uma foto
Pense nisso em termos de escrita: se dez pessoas escrevessem a mesma palavra, essa palavra pareceria muito diferente para cada pessoa, de desleixada a organizada, e de cursiva a impressa. O cérebro humano não tem problemas em entender que é tudo a mesma palavra, porque sabe como funcionam as palavras, a escrita, o papel, a tinta e as peculiaridades pessoais. Um sistema de computador normal, entretanto, não teria como saber que essas palavras são iguais, porque todas parecem muito diferentes.
Isso nos leva à via redes neurais, os algoritmos criados especificamente para imitar a maneira como os neurônios do cérebro interagem. As redes neurais tentam analisar dados da mesma forma que uma mente: seu objetivo é lidar com dados confusos – como a escrita – e tirar conclusões úteis, como as palavras que a escrita tenta mostrar. É mais fácil de entender redes neurais se os dividirmos em três partes importantes:
A camada de entrada: Na camada de entrada, a rede neural absorve todos os dados não classificados que lhe são fornecidos. Isso significa dividir as informações em números e transformá-los em bits de dados do tipo sim ou não, ou “neurônios”. Se você quisesse ensinar uma rede neural a reconhecer palavras, então a camada de entrada seria matematicamente definindo o formato de cada letra, decompondo-a em linguagem digital para que a rede possa começar trabalhando. A camada de entrada pode ser bastante simples ou incrivelmente complexa, dependendo de quão fácil é representar algo matematicamente.
![Rede Neural Complexa](/f/3237c280b6170115a2f9aba259324a75.jpg)
As camadas ocultas: No centro da rede neural estão camadas ocultas – de uma a muitas. Essas camadas são compostas por seus próprios neurônios digitais, que são projetados para serem ativados ou não com base na camada de neurônios que os precede. Um único neurônio é um neurônio básico do tipo “se isso, então aquilo”.“ modelo, mas as camadas são feitas de longas cadeias de neurônios, e muitas camadas diferentes podem influenciar umas às outras, criando resultados muito complexos. O objetivo é permitir que a rede neural reconheça muitos recursos diferentes e os combine em uma única realização, como uma criança aprender a reconhecer cada letra e depois juntá-las para reconhecer uma palavra completa, mesmo que essa palavra esteja escrita um pouco desleixado.
As camadas ocultas também são onde ocorre muito treinamento de aprendizado profundo. Por exemplo, se o algoritmo não conseguiu reconhecer com precisão uma palavra, os programadores respondem: “Desculpe, isso não está correto”, e o algoritmo ajustaria a forma como pesava os dados até encontrar o correto respostas. A repetição desse processo (os programadores também podem ajustar os pesos manualmente) permite que a rede neural construa camadas ocultas robustas que são adepto de buscar as respostas certas por meio de muitas tentativas e erros, além de algumas instruções externas - novamente, da mesma forma que o cérebro humano funciona. Como mostra a imagem acima, as camadas ocultas podem se tornar muito complexas!
A camada de saída: A camada de saída tem relativamente poucos “neurônios” porque é onde as decisões finais são tomadas. Aqui a rede neural aplica a análise final, estabelece definições para os dados e tira as conclusões programadas com base nessas definições. Por exemplo, “Os dados suficientes se alinham para dizer que esta palavra é lago, não faixa.” Em última análise, todos os dados que passam pela rede são reduzidos a neurônios específicos na camada de saída. Como é aqui que os objetivos são alcançados, muitas vezes é uma das primeiras partes da rede criada.
Formulários
![Exército de varredura ocular](/f/731ea6e61c932b07024cf3a5f63599c4.jpg)
Se você usa tecnologia moderna, há boas chances de que algoritmos de aprendizado profundo funcionem ao seu redor, todos os dias. Como você pensa Alexa ou Google Assistente entende seus comandos de voz? Eles usam redes neurais que foram construídas para compreender a fala. Como o Google sabe o que você está procurando antes de terminar de digitar? Aprendizado mais profundo no trabalho. Como sua câmera de segurança ignora animais de estimação, mas reconhece movimentos humanos? Aprofundando o aprendizado mais uma vez.
Sempre que o software reconhece entradas humanas, desde reconhecimento facial para assistentes de voz, o aprendizado profundo provavelmente está em ação em algum lugar abaixo. No entanto, o campo também tem muitas outras aplicações úteis. A medicina é um campo particularmente promissor, onde a aprendizagem profunda avançada é usada para analisar o DNA em busca de falhas ou compostos moleculares para potenciais benefícios à saúde. Numa frente mais física, a aprendizagem profunda é utilizada num número crescente de máquinas e veículos para prever quando o equipamento necessita de manutenção antes que algo corra gravemente errado.
O futuro da aprendizagem profunda
![História do nome AI](/f/ffbcd757d04b3cb3ee30538e7487bf6d.jpg)
O futuro do aprendizado profundo é particularmente brilhante! A grande vantagem de uma rede neural é que ela é excelente ao lidar com uma grande quantidade de dados díspares (pense em tudo com que nosso cérebro tem que lidar, o tempo todo). Isto é especialmente relevante na nossa era de sensores inteligentes avançados, que podem recolher uma quantidade incrível de informações. As soluções informáticas tradicionais estão a começar a ter dificuldades em classificar, rotular e tirar conclusões a partir de tantos dados.
A aprendizagem profunda, por outro lado, pode lidar com as montanhas digitais de dados que recolhemos. Na verdade, quanto maior a quantidade de dados, mais eficiente se torna o aprendizado profundo em comparação com outros métodos de análise. É por isso que organizações como o Google investir tanto em algoritmos de aprendizagem profundae por que provavelmente se tornarão mais comuns no futuro.
E, claro, os robôs. Nunca vamos esquecer dos robôs.
Recomendações dos Editores
- IA de aprendizagem profunda está ajudando arqueólogos a traduzir tabuinhas antigas
- Aprendizado profundo de IA pode imitar os efeitos de distorção dos deuses icônicos da guitarra
- IA de leitura de mentes analisa suas ondas cerebrais para adivinhar qual vídeo você está assistindo
- Este aplicativo com tecnologia de IA pode detectar câncer de pele com 95% de precisão
- IA pesquisadores criam um sistema de reconhecimento facial para chimpanzés