Atualizado em
Deep Learning, ou aprendizado profundo, é uma área do Machine Learning que usa redes neurais com várias camadas para aprender padrões complexos. É a base de avanços recentes em reconhecimento de imagens, linguagem, voz e IA generativa.
SÉRIE · Fundamentos da IA
4 de 6
O que é Deep Learning?
Deep Learning, ou aprendizado profundo, é uma área do Machine Learning baseada em redes neurais artificiais com várias camadas de processamento.
A palavra deep não significa que a máquina “pensa mais profundamente”. Refere-se à profundidade da rede: quanto mais camadas intermediárias existem entre a entrada e a saída, mais etapas de transformação a informação atravessa.
No texto anterior – redes neurais artificiais – , vimos que cada camada recebe informações, transforma essas informações e repassa o resultado.
No Deep Learning, redes com muitas camadas conseguem aprender relações difíceis de descrever manualmente.
Um artigo de Yann LeCun, Yoshua Bengio e Geoffrey Hinton resume a ideia: o Deep Learning permite que modelos formados por múltiplas camadas aprendam representações dos dados em diferentes níveis de abstração.
Por que as camadas fazem diferença?
Imagine uma fotografia de um leão.
Para uma pessoa, reconhecer o animal é algo simples. Para uma máquina, a imagem é um grande conjunto de informações que precisa ser transformado em algo identificável.
De forma simplificada:
- em redes voltadas a imagens, camadas iniciais podem responder a elementos básicos, como bordas e contornos;
- camadas seguintes podem combinar esses elementos em formas maiores, como a boca, orelhas ou patas;
- camadas mais profundas podem relacionar essas formas e ajudar o sistema a reconhecer o animal por completo.
O ponto importante é que ninguém precisa escrever uma regra dizendo exatamente como é a boca de um leão em todas as posições e condições de iluminação.
A rede aprende durante o treinamento quais características são úteis.
É essa capacidade de descobrir representações intermediárias que tornou o Deep Learning especialmente poderoso para imagens, áudio e linguagem.
Deep Learning é diferente de Machine Learning?
Sim, mas os conceitos fazem parte da mesma estrutura.
Machine Learning é uma área da Inteligência Artificial; Deep Learning é uma abordagem de Machine Learning baseada em redes neurais profundas.
A principal diferença está no aprendizado das características dos dados. Em métodos tradicionais, parte delas costuma ser definida previamente.
No Deep Learning, a própria rede aprende representações cada vez mais complexas ao longo de suas camadas, como explica o curso de Machine Learning do Google.
Isso é especialmente útil em problemas como reconhecimento de imagens, voz e linguagem.
Como um modelo de Deep Learning aprende?
O princípio continua sendo o das redes neurais.
O modelo recebe dados, produz uma saída e compara o resultado com aquilo que deveria ter produzido. O erro serve para ajustar os parâmetros da rede.
Esse processo se repete muitas vezes. Em redes profundas, o número de parâmetros pode ser enorme.
Por isso, o avanço do Deep Learning dependeu não apenas de métodos melhores, mas também de mais dados e maior capacidade computacional.
A trajetória de Geoffrey Hinton ajuda a entender essa mudança.
Pesquisadores trabalhavam com redes neurais havia décadas, mas foi quando técnicas de treinamento e hardware melhoraram que modelos muito maiores se tornaram viáveis.
Para que serve Deep Learning?
O aprendizado profundo é especialmente útil quando os dados são numerosos, complexos e difíceis de reduzir a regras rígidas.
Entre suas aplicações mais conhecidas estão:
- reconhecimento de objetos e rostos;
- transcrição e reconhecimento de voz;
- tradução automática;
- análise e geração de linguagem;
- diagnóstico auxiliado por imagens;
- sistemas de recomendação;
- geração de texto, imagem, áudio e vídeo.
Muitas dessas aplicações já estão presentes na inteligência artificial do cotidiano antes da popularização dos chatbots.
O que mudou foi a escala e a qualidade com que esses sistemas passaram a reconhecer e produzir padrões.
Deep Learning é sempre a melhor solução?
Não.
Redes profundas podem exigir grandes volumes de dados, muito poder computacional e tempo de treinamento. Também podem ser difíceis de interpretar.
Para vários problemas, métodos mais simples de Machine Learning são suficientes.
Usar Deep Learning apenas porque é uma tecnologia mais sofisticada seria como escolher um caminhão para transportar uma mochila: funciona, mas talvez não faça sentido.
Essa complexidade também ajuda a explicar por que a discussão sobre caixa-preta da IA ganhou espaço.
Quanto mais difícil é acompanhar como um modelo chegou a determinado resultado, maior é a necessidade de avaliar seus limites.
De reconhecer padrões a gerar conteúdo
O Deep Learning permitiu avanços importantes no reconhecimento de imagens, sons e padrões de linguagem.
Mas as representações aprendidas por esses modelos também podem ser utilizadas para outra finalidade: produzir novos conteúdos.
Um sistema pode gerar uma imagem, escrever um texto, criar áudio, vídeo ou código a partir dos padrões aprendidos durante o treinamento.
É nessa passagem que chegamos à IA generativa.
No próximo texto, veremos o que caracteriza esses sistemas e por que gerar conteúdo não significa simplesmente recuperar ou copiar aquilo que estava nos dados de treinamento.
FUNDAMENTOS DA IA
Próximo: O que é IA generativa e qual a diferença para a IA preditiva?
4 de 6 – Deep Learning
Anterior: O que são redes neurais artificiais e como elas funcionam?