Blog

Deep Learning: o cérebro por trás da Inteligência Artificial

Desde os primeiros estudos envolvendo Inteligência Artificial, que datam de 1956, até a evolução das técnicas de Machine Learning e Deep Learning verificadas nos dias atuais, o objetivo de especialistas e pesquisadores da computação cognitiva sempre esteve centrado em replicar – e superar – em máquina o funcionamento do cérebro humano.

Norteados pelo funcionamento das redes neurais, pesquisadores passaram a desenvolver sistemas que se assemelhassem ao modelo do cérebro humano. Afinal, segundo eles, se essa era a base para a inteligência humana, seria o caminho para a Inteligência Artificial.

A estrutura desses sistemas

Para compreender os sistemas inteligentes, uma rápida revisitação às aulas de ciências é o suficiente para traçarmos um paralelo entre o funcionamento do cérebro humano e as redes neurais artificiais.

O cérebro humano é composto por bilhões de neurônios que estão interligados, formando as redes neurais, e que são responsáveis por conduzir os impulsos elétricos para fazer a transmissão dessas informações. Esse processo é também conhecido como sinapse.

À medida que um sinal passa pelo neurônio, ele pode ser amplificado ou atenuado, levando em consideração a memória sobre aquela informação que está sendo processada. Como cada região do cérebro é responsável por funções específicas, essa informação percorre as redes neurais até chegar ao campo em que terá, digamos, a “resposta” para aquele estímulo, a partir dos pesos atribuídos àquele sinal. Esses valores são dados levando em consideração a memorização. Sendo assim, faz sentido dizer que quanto mais treino o cérebro receber ao longo de sua vida útil, mais rápida será a resposta ao estímulo recebido.

As redes neurais artificiais

Processo muito semelhante ocorre com as redes neurais artificiais. Esses modelos computacionais simulam as conexões do cérebro humano para prover esse processo de compreensão de dados.

Esses sistemas inteligentes são compostos por unidades de processamento – comparáveis aos neurônios humanos. Divididas em camadas, essas unidades estão interligadas por canais de comunicação e são responsáveis por atribuir peso aos inputs recebidos e fazer essa transmissão para as camadas subsequentes – comparável à sinapse. Esse processamento de informação pela rede neural é feito a partir da ponderação dos valores atribuídos. A resposta, ao final, consiste na compreensão e aprendizado sobre aquele dado inserido no sistema.

O aprendizado das máquinas, por sua vez, pode se dar de duas maneiras distintas: (i) supervisionada, que consiste na identificação de um padrão a partir de uma classificação pré-definida pelo designer do sistema, ou (ii) não-supervisionada, em que esse padrão é determinado a partir da similaridade dos padrões previamente aprendidos pela máquina.

Das técnicas baseadas no conceito de redes neurais artificiais existentes, o Deep Learning é considerado a tecnologia mais disruptiva de aprendizado de máquina com alta capacidade de resolução de problemas complexos.

Diferentemente de outras técnicas de Inteligência Artificial, que organizam dados para executá-los a partir de algoritmos previamente definidos, o Deep Learning faz uso de parâmetros básicos para fazer com que o computador aprenda sozinho e use as várias camadas de processamento dessas informações para fazer o reconhecimento desses padrões. Com isso, aproxima-se hoje de um sistema autônomo para a análise e compreensão de dados.

Leia mais
Inteligência Artificial: Revolução e Oportunidades em Machine Learning e Deep Learning

O Deep Learning dispensa a etapa conhecida como “feature engineering”, com a possibilidade de entrada no sistema dos dados originais, brutos. O grande diferencial do Deep Learning também está atrelado, entre outros fatores, pela capacidade de trabalhar com dados estruturados – por exemplo, sistemas CRM e ERP – e dados não-estruturados – como: imagens, áudios, vídeos, textos, entre outros. E gerar inteligência sobre eles.

No caso de reconhecimento de fala, por exemplo, anteriormente, era necessário especificar suas características. “Cada língua tem fonemas diferentes, e era preciso, antes de mais nada, inventariar esses fonemas. No Deep Learning, o dado que entra é o sinal de voz, diretamente, a pessoa falando e a saída é o texto que ela falou. É com isso que você treina o sistema”, exemplifica o fundador da NeuralMind e professor titular aposentado da Unicamp (Universidade Estadual de Campinas), Roberto Lotufo.

Quer saber mais sobre o assunto? Na próxima semana falaremos das diferenças entre Inteligência Artificial e Machine Learning. Fique de olho!

Nenhum comentário

Postar comentário

13 + 12 =