Deep learning é um ramo do machine learning em que redes neurais com várias camadas aprendem estruturas complexas diretamente dos dados. Ao contrário de algoritmos tradicionais, os sistemas de deep learning melhoram o seu desempenho quanto mais dados recebem, sem depender de características definidas por especialistas.
As pessoas aprendem com a experiência, e quanto mais ricas as experiências, mais é possível aprender. Na disciplina de inteligência artificial (IA) conhecida como deep learning, o mesmo vale para máquinas equipadas com hardware e software de IA. As experiências das máquinas são definidas pelos dados que adquirem, e a quantidade e a qualidade desses dados determinam quanto elas conseguem aprender.
Deep learning é um ramo do machine learning. Depois de ganhar experiência suficiente, os modelos podem executar tarefas específicas, como conduzir um carro, detetar ervas daninhas num campo de cultivo, identificar doenças ou inspecionar máquinas à procura de falhas.
Redes de deep learning aprendem ao descobrir estruturas complexas nos dados que processam. Ao construir modelos computacionais compostos por várias camadas de processamento, essas redes criam vários níveis de abstração para representar os dados.
Uma rede neural convolucional (CNN) pode ser treinada com milhões de imagens, por exemplo, imagens que contêm gatos. Este tipo de rede aprende a partir dos pixels das imagens que recebe. Ela classifica grupos de pixels que representam características de um gato, como garras, orelhas e olhos, para indicar a presença do animal numa imagem.
Deep learning é fundamentalmente diferente do machine learning convencional. Num sistema convencional, um especialista do domínio precisaria de investir tempo considerável a projetar a deteção das características que representam um gato. Com deep learning, basta fornecer ao sistema um grande número de imagens de gatos, e o próprio sistema aprende essas características de forma autónoma.
Deep learning supera em muito o machine learning convencional em tarefas como visão computacional, reconhecimento de fala, processamento de linguagem natural (NLP), tradução automática e robótica. Isso não significa que construir esses sistemas seja fácil. Embora o reconhecimento de características seja autónomo, milhares de hiperparâmetros precisam de ser ajustados para que um modelo se torne eficaz.
Deep learning é um subconjunto do machine learning, mas as duas abordagens diferem na forma como extraem características e em como escalam com os dados. A tabela compara os pontos essenciais.
| Critério | Machine learning tradicional | Deep learning |
|---|---|---|
| Extração de características | Definida por especialistas do domínio | Autónoma, aprendida dos dados |
| Escala com mais dados | Capacidade finita de aprender | Desempenho melhora com mais dados |
| Estrutura do modelo | Algoritmos com poucas camadas | Redes neurais com várias camadas |
| Intervenção humana | Elevada, na engenharia de atributos | Menor na engenharia, maior no ajuste de hiperparâmetros |
| Tarefas típicas | Classificação e regressão estruturadas | Visão computacional, NLP, robótica |
Existem várias arquiteturas de rede neural otimizadas para diferentes tipos de entrada e tarefas. As principais categorias presentes na prática são as seguintes:
Deep learning ajuda a alcançar avanços em domínios de grande impacto. A tecnologia tem sido fundamental na descoberta de exoplanetas e de novos medicamentos, e na deteção de doenças e de partículas subatómicas. Ela também aumenta a nossa compreensão da biologia, incluindo genómica, proteómica, metabolómica e o imunoma.
Desafios globais reforçam essa importância. As alterações climáticas ameaçam a produção de alimentos, e o problema agrava-se com o crescimento da população humana, que deverá chegar a nove mil milhões até 2050. A escala destes desafios exige um novo nível de inteligência viabilizado pelo deep learning.
Durante a explosão cambriana, há cerca de 540 milhões de anos, a visão surgiu como vantagem competitiva nos animais e tornou-se um dos principais motores da evolução. Combinada com redes neurais biológicas capazes de processar informação visual, a visão deu aos animais um mapa do ambiente à sua volta.
Câmaras a funcionar como olhos artificiais, aliadas a redes neurais que processam essa informação visual, estão a impulsionar uma explosão de aplicações de IA orientadas por dados. Assim como a visão foi decisiva na evolução da vida, o deep learning ampliará as capacidades dos robôs, que compreenderão melhor o ambiente, tomarão decisões autónomas e colaborarão connosco.
Deep learning já sustenta aplicações concretas em vários setores. Os exemplos seguintes mostram como a tecnologia opera em robótica, agricultura e saúde.
Robótica avançou muito graças aos progressos em IA e deep learning. A IA permite que robôs sintam e respondam ao seu ambiente, o que alarga a gama de funções que executam, desde circular por armazéns até classificar e manusear objetos irregulares, frágeis ou misturados. Apanhar um morango é simples para uma pessoa, mas tem sido notavelmente difícil para um robô.
Com estes desenvolvimentos, os robôs serão cada vez mais usados como assistentes humanos. Além de compreender e responder a perguntas, serão capazes de agir mediante comandos de voz e gestos, e até antecipar o próximo passo de um trabalhador. Hoje, robôs colaborativos já trabalham ao lado de pessoas, executando tarefas mais adequadas aos pontos fortes de cada um.
Agricultura pode ser profundamente transformada pela IA. Graças ao deep learning, os agricultores conseguem implantar equipamentos capazes de distinguir uma planta de cultivo de uma erva daninha. Essa capacidade permite que máquinas de combate a ervas daninhas pulverizem herbicidas de forma seletiva e deixem as outras plantas intactas.
Máquinas agrícolas com visão computacional viabilizada por deep learning podem otimizar plantas individuais no campo, aplicando de forma seletiva herbicidas, fertilizantes, fungicidas, inseticidas e produtos biológicos. Além de reduzir o uso de herbicidas e melhorar a produção, o deep learning pode estender-se a operações como fertilização, irrigação e colheita.
Imagens médicas são um campo em que o deep learning tem sido particularmente eficaz, graças à disponibilidade de dados de alta qualidade e à capacidade das redes neurais convolucionais de classificar imagens. Em alguns casos, o deep learning classifica cancros de pele de forma tão eficaz quanto um dermatologista.
Vários fornecedores já receberam aprovação da FDA para usar algoritmos de deep learning com fins de diagnóstico, incluindo a análise de imagens em oncologia e em doenças da retina. O deep learning também melhora a qualidade dos cuidados de saúde ao prever eventos médicos a partir de dados de registos eletrónicos de saúde.
Deep learning oferece ganhos claros, mas também impõe exigências reais de dados, de computação e de projeto. Conhecer ambos os lados ajuda a decidir quando a abordagem é adequada.
Vantagens:
Limitações e desafios:
Estas exigências tornam a infraestrutura de dados um fator decisivo. As soluções de IA da NetApp removem obstáculos na coleta e no processamento de dados, para sustentar o volume e a velocidade que os modelos de deep learning precisam.
Deep learning evolui em várias frentes de investigação ativa. Os modelos CNN e RNN executam aprendizado supervisionado, ou seja, precisam de grandes quantidades de dados para aprender. Aprendizado não supervisionado e semissupervisionado são áreas de investigação intensa, que procuram reduzir essa dependência de dados rotulados.
Deep reinforcement learning (DRL) é um paradigma em que um agente aprende por tentativa e erro num ambiente simulado, apenas a partir de recompensas e punições. O progresso neste campo é considerável, demonstrado por programas de DRL que venceram seres humanos no antigo jogo de Go.
Projetar arquiteturas de rede neural é extremamente difícil, sobretudo com muitos hiperparâmetros a ajustar. Por isso, há muita investigação dedicada a aprender boas arquiteturas de forma autónoma. Aprender a aprender, também conhecido como metaprendizagem ou AutoML, avança de forma constante.
Redes neurais artificiais atuais basearam-se na compreensão dos anos 1950 sobre como o cérebro humano processa informação. A neurociência progrediu muito desde então, e as arquiteturas de deep learning tornaram-se tão sofisticadas que parecem exibir estruturas como as células de grade, presentes em cérebros biológicos e usadas na navegação. Neurociência e deep learning podem beneficiar-se mutuamente da troca de ideias.
Deep learning é um ramo do machine learning em que redes neurais com várias camadas aprendem estruturas complexas diretamente dos dados. Quanto mais dados o sistema recebe, melhor o seu desempenho.
Machine learning tradicional depende de características definidas por especialistas e tem capacidade finita de aprender. Deep learning extrai características de forma autónoma e melhora o desempenho com mais dados.
Redes de deep learning descobrem estruturas nos dados através de várias camadas de processamento. O reconhecimento de características é autónomo, sem engenharia manual de atributos.
Rede neural convolucional (CNN) é uma arquitetura de deep learning eficaz na classificação de imagens. Ela aprende a partir dos pixels e identifica características que representam um objeto.
Workloads de deep learning exigem grandes volumes de dados, capacidade de processamento e acesso rápido ao armazenamento. Plataformas como as soluções de IA da NetApp removem obstáculos na coleta e no processamento de dados.
Elimine obstáculos na infraestrutura de IA para possibilitar uma coleta de dados mais eficiente, workloads de IA acelerados e integração mais uniforme com a nuvem.