Diferença entre Machine Learning e Deep Learning

Considerada uma das grandes revoluções do mundo moderno, a Inteligência Artificial tem provocado verdadeiras transformações nos negócios e possibilitado aos empresários vantagens competitivas nunca antes vistas. Porém, ainda que essa seja uma tecnologia que não soe estranha aos ouvidos, você realmente sabe o que ela significa?

Inteligência Artificial é tudo o que permite à máquina apresentar características semelhantes ao que identificamos como inteligência no ser humano. Nos seus primórdios, a Inteligência Artificial operava – e, em muitos casos, ainda opera – com sistemas especialistas, formados por imensos conjuntos de regras. Essas regras, elaboradas por seres humanos, buscam descrever situações em que, se houver um padrão de atendimento a elas, um problema pode ser resolvido.

Por exemplo: se eu estiver programando um sistema especialista de detecção de fraude em uma determinada transação comercial, posso determinar que se a pessoa fizer uma ligação de madrugada ou de um local distante da sua residência, dentre outras condições, aumentam as chances dessa transação ser fraudulenta.

De acordo com Roberto Lotufo, que é professor titular aposentado da Faculdade de Engenharia Elétrica e de Computação da Unicamp (Universidade Estadual de Campinas) e fundador da NeuralMind, startup especializada nessa área, o grande problema é que esses sistemas de Inteligência Artificial vão se tornando extremamente complexos, chegando até as dezenas de milhares de regras, com novas regras interferindo nas anteriores. “O trabalho de manutenção dessas regras se torna hercúleo”, avalia o docente.

Leia também:
Como o Google está avançando no uso de Deep Learning
Um novo desafio para a Inteligência Artificial: explicar a si mesma

Como toda inovação, essas aplicações iniciais geraram entusiasmo com a tecnologia. E a necessidade de aperfeiçoamentos culminou no avanço para uma nova técnica: o Machine Learning.

O Machine Learning, por sua vez, não é baseado em regras. E sim, no que os especialistas chamam de “características do objeto”. Voltando ao exemplo anterior, na programação do sistema de detecção de fraudes, os dados a serem inseridos no sistema poderiam ser a hora em que o pedido é feito, a localização do solicitante, sua idade, o valor do pedido, dentre outros que possam ter relação com a fraude. Esses dados são inseridos em um classificador estatístico. O problema, muitas vezes, é escolher as características a serem selecionadas.

“Na maioria das técnicas de Machine Learning existe a fase chamada de ‘feature engineering’, que é a escolha das características que irão melhor discriminar os objetos a serem classificados. Novamente, temos um esforço humano nesta escolha. Além disso, é uma tecnologia apropriada para o tratamento de dados estruturados, ou seja, aqueles que você consegue colocar em um banco de dados. Mas não para outros tipos de dados. Exemplos disso são as imagens ou sons”, explica Lotufo.

Leia também:
Deep Learning é a tecnologia de aprendizado de máquina que mais cresce no mundo
Ciência de Dados é considerada a profissão mais promissora até 2020

É nesse ponto que surge uma terceira técnica, ainda pertencente ao Machine Learning: o Deep Learning. Essa nova tecnologia dispensa a etapa de “feature engineering”, com a possibilidade de entrada no sistema dos dados originais, brutos. Além disso, explica o fundador da NeuralMind, o Deep Learning mostra resultados promissores justamente com os dados em relação aos quais outras técnicas de Machine Learning têm limitações: os dados não estruturados.

“Trabalhamos com o conceito de vizinhança. Em uma imagem, por exemplo, você sempre tem um pixel ao lado, acima ou abaixo de outro pixel; em um texto, as palavras se sucedem e, na fala, sempre temos um sinal que é antecedido e sucedido por outros”, explica Lotufo. “Em todas essas aplicações, o Deep Learning vem se mostrando extremamente bem-sucedido. Antes, para fazer um sistema de reconhecimento de fala, por exemplo, você tinha de especificar as características dessa fala. 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.

Assim, considerando essas diferenças e o potencial do Deep Learning, a principal dica do pesquisador aos empresários brasileiros é que busquem conhecimento sobre a nova tecnologia. “É fundamental compreender a diferença e, com isso, a relevância do Deep Learning. Há muitas empresas vendendo soluções que usam outras técnicas de Machine Learning no mercado. São soluções úteis, sem dúvida, mas não foram elas que causaram a revolução que temos observado nos últimos seis anos. Por isso, minha dica é que busquem saber responder qual é a diferença entre Machine Learning e Deep Learning, pois é isto que permitirá o passo necessário ao desenvolvimento desses empreendimentos”, conclui.