O universo das inteligências artificiais (IAs) está em constante atualização. O conceito de aprendizado das máquinas já está inserido no mundo e seu uso é uma realidade comum a todos. Serviços de streaming estão aí para comprovar essa adaptação. Junto a isso, novas técnicas surgem para aprimorar as IAs, como é o caso da deep learning.
Aqui no Next já apresentamos o machine learning e seu uso na gestão de projetos. O deep learning nada mais é do que outro tipo de aprendizado das máquinas, mas com uma metodologia mais aprofundada – daí a origem do nome.
Um dos precursores do deep learning foi o cientista e psicólogo cognitivo Geoffrey Hinton, que trabalha no Google e é professor na Universidade de Toronto. Apesar de o campo da Inteligência Artificial ser conhecido desde os anos 1950, o aprendizado profundo é bem mais recente.
A IA tem diversos ramos de pesquisa e usos, que podem ser aplicados para múltiplos fins, como reconhecimento de fala, imagem, texto etc. Comparando o machine e deep learning, cada um conta com sua própria funcionalidade, sendo um mais superficial que a outro, mas não menos aplicável.
Neurônios artificiais
Assim como o cérebro, as técnicas de aprendizado das máquinas utilizam camadas de redes neurais. No machine learning, são de duas a três camadas, enquanto no deep elas podem chegar a 30 ou mais.
“É bem demorado para fazer o treinamento por meio do deep learning porque ele reconhece características mais complexas. Com ele acabamos identificando informações como a fala e idiomas”, explicou Lucas Guerreiro, doutorando em Ciências da Computação e Matemática Computacional e pesquisador em IA do Pecege.
Para entender melhor o deep learning, precisamos imaginar e visualizar as 30 ou mais camadas neurais. Realizando o treinamento, os pesquisadores indicam uma imagem que será convertida em representações numéricas para retratar o objeto para a inteligência. “Devemos lembrar que o algoritmo não sabe o que é uma figura, por isso precisa processar as informações como representações numéricas de cada pixel da imagem”, conta Guerreiro.
Para reconhecer o objeto, cada camada fará um trabalho. Uma identificará cor, outra a textura da foto, outra entenderá o que são as bordas da imagem e assim por diante.
Sozinha, a inteligência vai abstraindo cada características para treinar e chegar ao final sabendo o que é a figura. Todo o processo pode ser comparado ao aprendizado humano, por isso as chamadas redes neurais são tão similares as nossas.
“Esse modelo é recriado com base em um cérebro. Foi estudado biologicamente como a nossa cabeça aprende e identifica imagens. O que acontece com o deep learning é igual ao que acontece com uma criança que está aprendendo”, lembra Luana Moro, pesquisadora em linguística aplicada e gestora da área de IA do Pecege.
Complexidade
Uma coisa a se saber: machine learning é um processo mais rápido e tem menos ajustes. No deep learning, fazer ajustes é mais complicado. “Você não sabe o que ele está fazendo. Mesmo submetendo o algoritmo a uma série de treinamentos, nunca se sabe quais decisões ele vai tomar. O processo decisório é feito dentro das camadas neurais”, conta Luana.
Para entender a metodologia básica do treinamento no deep leraning, são necessários três passos: treinamento, validação e teste.
“Mostramos várias imagens para treinar o algoritmo e depois tem o teste de validação para ver se ele está bom. Você mostra uma árvore para ver se ele acerta. Até chegar na última fase do teste, quando mostramos uma foto e espera por uma resposta correta”, ilustra Guerreiro.
A aplicação da técnica, segundo o pesquisador, pode servir principalmente para o reconhecimento de voz. “Ela distingue a frequência de voz e a junção dos fonemas das palavras. Para transformar as palavras em coisas específicas, a máquina precisa aprender a decidir quando aquelas informações vão ou não entrar”, conta.
Outro exemplo se aplica à linguagem textual. Em um livro de personagens com características diferentes, o machine learning consegue agrupar os assuntos. Já o deep learning pega as referências de cada personagem que está dentro da história e reúne no grupo em que mais se enquadra no tema.
Não por menos, a área de linguística utiliza cada vez mais a técnica para taguear mais facilmente os assuntos das publicações.
Trabalho de humano
Acredite, nossa cabeça funciona como uma inteligência artificial passando pelo deep learning. Conseguimos entender o que é uma coisa só de olharmos para ela. Mas, é claro, foi preciso anos de erros e tentativas para chegarmos àquela conclusão.
Você se lembra de quando seus pais te ensinavam sobre cores, figuras, sons e cheiros? Uma IA também precisa dessa mentoria, mas para objetivos distintos. Ainda não existe uma inteligência que consiga executar tudo que um humano faz. Isso, entretanto, não será algo impossível dentro de alguns anos.
“Atualmente temos diversas aplicações isoladas. As IA podem atuar, por exemplo, no campo da medicina. Podemos identificar uma pinta e saber se ela está com uma divisão de células que consistem em um câncer”, conta Luana.
Para um sistema fazer qualquer tipo de recomendação, como no caso da medicina, ele precisa passar pelo deep learning. Outro modelo mais corriqueiro disso está no conhecido sistema de sugestão do Spotify. Ele faz isso com base na frequência de uso e por meio dos acessos aos mais diversos gêneros musicais.
Assim como nos sistemas de recomendações, o aprendizado pode ser usado nas indústrias, como a de assimilação de peças. Em uma montadora de carros, por exemplo, uma máquina, através do uso de deep learning e reconhecimento de imagens, pode identificar um defeito de forma muito rápida, sem a necessidade de alguém para ficar olhando peça por peça.
Por fim, quem já ouviu falar que alguns trabalhos deverão ser feitos por máquinas já sabe que até mesmo o serviço de motoristas pode ser alterado. O Uber, Google e outras empresas já desenvolvem tecnologias baseadas em IA para veículos autônomos. A tendência é que no futuro diminua-se ou não exista o trabalho desse tipo de profissional.
Se interessa pelo tema Inteligência Artificial? Leia mais matérias relacionadas aqui.
