O Aprendizado de Máquina

Primeiramente, é preciso entender o que é a Machine Learning, o Aprendizado de Máquina. O Aprendizado de Máquina é uma área de estudo dentro da Inteligência Artificial na qual faz o uso de algoritmos para organizar dados e fazer com que os computadores aprendam com modelos pré-definidos para então ter ações tidas como humanas. Basicamente, os computadores aprendem como agir em determinadas funções e a tomar decisões. Os algoritmos, resumidamente, são códigos em que você mostra para o computador o passo-a-passo de como realizar uma tarefa ou resolver um problema.

Como assim ações humanas? Seria, como por exemplo, fazer identificação de imagens, reconhecimentos de sons e até mesmo fazer previsões. Um chatbot é um bom exemplo disso, no qual a máquina aprende o que responder quando recebe determinada mensagem humana.

O que é o Aprendizado Profundo e como surgiu

A Deep Learning - ou Aprendizagem Profunda, em português - é uma técnica de aprendizado de máquina que utiliza algoritmos que “imitam” redes neurais do cérebro humano. Os algoritmos de aprendizado profundo são mais complexos e capazes de suportar e trabalhar com grande volume de dados.

Essa área surgiu com os estudos sobre redes neurais artificiais, mais ou menos nos anos 40. Anos se passaram e os estudos sobre redes neurais e o comportamento humano foram avançando, porém a capacidade computacional da época era bem limitada. A aprendizagem profunda ganhou popularidade nos anos 2000 pelo crescimento da capacidade computacional, principalmente pelo avanço das GPUs (unidades de processamentos gráficos). Outro fato importante foi o artigo escrito por Geoffrey Hinton e Ruslan Salakhutdinov, no qual mostram como uma rede neural de várias camadas poderia ser treinada - essa divisão de camadas é muito importante para o treinamento de um conjunto de dados muito grande.

O crescimento dos estudos nesse ramo também se deu muito por conta da busca por algoritmos de aprendizado não-supervisionados. O aprendizado não-supervisionado é a capacidade do computador em fazer previsões a partir de um conjunto de dados e, dos últimos 10 anos pra cá, muitas empresas buscam esses tipos de previsões para o mercado.

Como funciona uma Rede Neural Artificial

Vamos primeiro observar como um neurônio humano funciona. O neurônio é uma célula nervosa que possui a propriedade de enviar e receber estímulos. Trata-se de um sistema bem complexo, portanto a visão que teremos aqui será bem simplificada.

Como representado na Figura 1, um neurônio possui em sua estrutura os Dendritos, que recebem os estímulos de outras células passando então para o Corpo Celular, no qual tem a responsabilidade de processar e somar os sinais recebidos.

Figura 1 - Esquema de um neurônio biológico típico Figura 1 - Esquema de um neurônio biológico típico

O Axônio; conduz a impulsão das informações levando até as Terminações do Axônio;, que se unem com outros neurônios através das Sinapses;. As Sinapses são pontos de contato entre as terminações do axônio que, pela liberação de substâncias chamadas neurotransmissores;, transmitem sinais de um neurônio para o outro. Os neurônios podem ter uma morfologia bem variada, podendo ser de formas e tamanhos diferentes.

As Redes Neurais Artificiais seguem essa ideia de receber sinais, ou valores, processar e impulsionar um resultado. Um modelo artificial, como representado na Figura 2;, recebe os Sinais de Entrada; (x);, representados por números, no qual é multiplicado pelos Pesos Sinápticos; (w);. Esses valores são somados e o resultado é utilizado em uma Função; matemática de Ativação;. Essa última função é utilizada para restringir a amplitude da saída do neurônio, para que o retorno dos valores tenham intervalos fechados entre 0 e 1 ou, até mesmo, entre -1 e 1. Esse valor determina se esse neurônio será ativado ou inibido. Uma rede de neurônios possui muitas camadas e esses valores de saída obtidos são associados a dados de padrões já existentes para então ser feita a comparação e determinar se aquele resultado encontrado é o objetivo.

Figura 2 - Modelo matemático de um neurônio biológico Figura 2 - Modelo matemático de um neurônio biológico

Como a deep learning está sendo usada atualmente?

Reconhecimento Facial

O objetivo do reconhecimento de face é encontrar pessoas específicas por meio de imagem ou vídeo. Isso é muito usado, por exemplo, em aeroportos para identificar suspeitos por algum crime. Também é usada hoje em dia para autenticação secundária em aplicativos no smartphone. Um caso interessante é da empresa Marinus Analytics, que utiliza o reconhecimento facial para fornecer ferramentas, como o Traffic Jam, a agências que auxiliam na identificação e localização de vítimas do tráfico de pessoas.

Redes Neurais Convolucionais

Descobertas médicas também fazem parte dos estudos na aprendizagem profunda. Uma delas é o uso das redes neurais convolucionais, usadas para identificar doenças de retinopatia diabética em várias categorias.

Reconhecimento de Voz

Muito popular hoje em dia, o reconhecimento de voz é usado nos softwares como a Siri da Apple, a Cortana da Microsoft, Alexa da Amazon e recursos de voz do Google, que nos permite interagir com o computador ou smartphone de forma simples.

Referências

  • [1] SKANSI, Sandro. Introduction to Deep Learning: From Logical Calculus to Artificial Intelligence. Springer, 2018.
  • [2] PACHECO, César Augusto Rodrigues; PEREIRA, Natasha Sophie. Deep Learning Conceitos e Utilização nas Diversas Áreas do Conhecimento. 2018. 49 páginas. UniEVANGÉLICA, Anápolis - GO, 2018.
  • [3] KRIEGESKORTE, Nikolaus; GOLAN, Tal. Neural network models and deep learning, Cell Press, p. R231 - R236, Abril, 2019.
  • [4] D. MANNING, Christopher. Computational Linguistics and Deep Learning. Stanford University, 2018.
  • [5] LECUN, Yann; BENGIO, Yoshua; HILTON, Geoffrey. Deep Learning. Review, 2015.
  • [6] SCHMIDHUBER, Jurgen. Deep Learning in Neural Networks: An Overview. Istituto Dalle Molle di Studi sull’Intelligenza Artificiale. University of Lugano; SUPSI. Manno-Lugano Switzerland. 8 October 2014.
  • [7] VIEIRA, Vinícius Manzoni. Redes Neurais Artificiais: Uma Aplicação em Petrofísica e Estudo dos Efeitos de Estímulos Persistentes. Instituto de Física, Universidade Federal de Alagoas. Maceió, Alagoas - Brasil. Janeiro de 2007
  • [8] HAYKIN, Simon. Redes Neurais. 2ª Edição. Bookman, 2001.
  • [9] GONZALES, Maria Eunice Quilici. Redes Neurais e Representação Mental: Um ensaio sobre harmonia e racionalidade. Departamento de Filosofia da Faculdade de Filosofia e Ciência, UNESP. Marília, São Paulo - Brasil. 1991.