Aprendizagem profunda (ou deep learning) é uma técnica de aprendizado de máquina que ensina os computadores a fazer o que é natural para os humanos: aprender pelo exemplo. Trata-se de uma tecnologia-chave por trás dos carros sem motorista, por exemplo, permitindo que os veículos reconheçam um sinal de “pare” ou consigam distinguir um pedestre de um poste de luz. Também é vital para o controle de voz em dispositivos como telefones, tablets, TVs e alto-falantes viva-voz. A aprendizagem profunda está recebendo muita atenção ultimamente – e por um bom motivo: ela é capaz de alcançar resultados que, antes, não eram sequer imagináveis.
Na aprendizagem profunda, um modelo de computador aprende a realizar tarefas de classificação diretamente de imagens, texto ou som. Modelos de deep learning podem alcançar precisão de ponta, às vezes excedendo o desempenho de nível humano. Os modelos são treinados usando um grande conjunto de dados rotulados e arquiteturas de rede neural que contêm muitas camadas.
Como funciona a aprendizagem profunda?
A aprendizagem profunda é uma função de inteligência artificial (IA) que imita o funcionamento do cérebro humano no processamento de dados e na criação de padrões para uso na tomada de decisões. É um subconjunto do aprendizado de máquina em inteligência artificial que possui redes neurais capazes de aprender sem supervisão humana, a partir de dados não estruturados ou não rotulados.
O objetivo é resolver problemas e ajudar a detectar fraude ou lavagem de dinheiro, entre outras funções. O aprendizado profundo tem evoluído lado a lado com a era digital, que trouxe uma explosão de dados em todas as formas e de todas as regiões do mundo. Esses dados, conhecidos simplesmente como big data, são extraídos de fontes como mídias sociais, mecanismos de busca na Internet, plataformas de comércio eletrônico e cinemas online, entre outras. Essa enorme quantidade de dados é facilmente acessível e pode ser compartilhada por meio de aplicativos fintech, como a computação em nuvem.
No entanto, os dados, que normalmente não são estruturados, são tão vastos que podem levar décadas para que os humanos os compreendam e extraiam informações relevantes. As empresas percebem o incrível potencial que pode resultar da revelação dessa riqueza de informações e estão se adaptando cada vez mais aos sistemas de IA para suporte automatizado. A aprendizagem profunda desvenda grandes quantidades de dados não estruturados que os humanos poderiam levar décadas para compreender e processar.
Aprendizagem profunda e aprendizado de máquina (machine learning)
Uma das técnicas de IA mais comuns usadas para processar big data é o aprendizado de máquina, um algoritmo autoadaptativo que obtém análises e padrões cada vez melhores com a experiência ou com dados recém-adicionados.
Por exemplo, se uma empresa de pagamentos digitais deseja detectar a ocorrência ou potencial de fraude em seu sistema, ela pode utilizar ferramentas de aprendizado de máquina para esse fim. O algoritmo computacional embutido em um modelo de computador é capaz de processar todas as transações que acontecem na plataforma digital, encontrar padrões no conjunto de dados e apontar qualquer anomalia detectada pelo padrão.
A aprendizagem profunda é um subconjunto do aprendizado de máquina que utiliza um nível hierárquico de redes neurais artificiais, com múltiplas camadas ocultas, para realizar o processo de aprendizado de máquina. As redes neurais artificiais são construídas como o cérebro humano, com “nós” de neurônios conectados entre si, formando algo semelhante a uma teia. Enquanto os programas tradicionais criam análises com dados de maneira linear, a função hierárquica dos sistemas de aprendizagem profunda permite que as máquinas processem dados com uma abordagem não linear.
Uma abordagem tradicional para detectar fraude ou lavagem de dinheiro pode depender da quantidade de transações que ocorrem, enquanto uma técnica não linear de aprendizagem profunda incluiria tempo, localização geográfica, endereço IP, tipo de varejista e qualquer outro recurso que possa apontar para fraude, seguindo um número de camadas. A primeira camada da rede neural processa uma entrada de dados brutos, como o valor da transação, e a passa para a próxima camada como saída. A segunda camada processa as informações da camada anterior, incluindo informações adicionais, como o endereço IP do usuário, e transmite seu resultado.
A próxima camada pega as informações da segunda camada e inclui dados brutos, como localização geográfica, e torna o padrão da máquina ainda melhor. Isso continua em todos os níveis da rede de neurônios.
Como funciona a aprendizagem profunda
Usando o sistema de detecção de fraude mencionado acima com aprendizado de máquina, pode-se criar um exemplo de aprendizagem profunda. Se o sistema de machine learning tiver criado um modelo com parâmetros construídos em torno do montante de dinheiro que um usuários envia ou recebe, o método de aprendizagem profunda pode começar a construir dados a partir dos resultados oferecidos pelo aprendizado de máquina.
Cada camada da rede neural se baseia em sua camada anterior com a adição de outros dados, como varejista, remetente, usuário, evento de mídia social, pontuação de crédito, endereço de IP e uma série de outros recursos que levariam anos para serem computados por uma pessoa. Algoritmos de aprendizagem profunda são treinados não apenas para criar padrões de todas as transações, mas também para saber quando um padrão está sinalizando a necessidade de uma investigação fraudulenta. A camada final retransmite um sinal para um analista, que pode congelar a conta do usuário até que todas as investigações pendentes sejam finalizadas.
A aprendizagem profunda é utilizada por todos os campos e setores, em uma série de tarefas diferentes. Aplicativos comerciais que usam reconhecimento de imagem, plataformas de código aberto com aplicativos de recomendação do consumidor e ferramentas de pesquisa médica que exploram a possibilidade de reutilização de medicamentos para novas doenças são alguns dos exemplos de incorporação de aprendizagem profunda.
Breve história da aprendizagem profunda
Acredita-se que o aprendizado de máquina tenha origem na década de 1950, quando Alan Turing, um matemático britânico, propôs sua machine learning artificialmente inteligente. Arthur Samuel escreveu o primeiro programa de aprendizado de computador. décadas que se seguiram, várias técnicas de aprendizado de máquina entraram e saíram de moda.
As redes neurais foram em sua maioria ignoradas pelos pesquisadores de aprendizado de máquina, já que eram atormentadas pelo problema de “mínimos locais” em que as ponderações incorretamente pareciam fornecer o menor número de erros. No entanto, algumas técnicas de aprendizado de máquina, como visão computacional e reconhecimento facial, avançaram. Em 2001, um algoritmo de aprendizado de máquina chamado Adaboost foi desenvolvido para detectar faces em uma imagem em tempo real.
No entanto, o passo mais significativo para a popularização das redes neurais aconteceu a partir da introdução de quantidades substanciais de dados rotulados com o ImageNet, um banco de dados de milhões de imagens rotuladas da Internet. A incômoda tarefa de rotular manualmente as imagens foi substituída por crowdsourcing, dando às redes uma fonte virtualmente ilimitada de materiais de treinamento.
Aplicação da aprendizagem profunda
A aprendizagem profunda está presente em aplicativos, serviços de streaming, redes sociais e mais uma série de serviços que você utiliza diariamente. O Facebook, por exemplo, identifica e marca seus amigos quando você posta uma foto por causa da aprendizagem profunda.
Assistentes digitais como Siri, Cortana, Alexa e Google Now usam aprendizagem profunda para processamento de linguagem natural e reconhecimento de fala. O Skype traduz conversas faladas em tempo real. Muitas plataformas de e-mail conseguem identificar um spam antes mesmo que ele chegue à caixa de entrada. O PayPal implementou a aprendizagem profunda para evitar pagamentos fraudulentos. A lista é enorme!
A aprendizagem profunda está apenas dando seus primeiros passos, mas promete, nas próximas décadas, transformar a sociedade. Carros autônomos estão sendo testados em todo o mundo; a complexa camada de redes neurais pode ser treinada para reconhecer semáforos e saber quando ajustar a velocidade.
As redes neurais podem aprender e prever tudo, desde preços de ações até o clima. Os aplicativos de aprendizagem profunda vão até salvar vidas à medida que desenvolvem a capacidade de criar planos de tratamento baseados em evidências para pessoas doentes e até ajudar a detectar vários tipos de câncer precocemente. A aprendizagem profunda é o futuro.
Fontes: Search Enterprise AI, Forbes, Simplilearn e Math Works
