Redes neurais artificiais são modelos de machine learning formados por unidades conectadas em camadas. Durante o treinamento, essas conexões ajustam seus pesos para reconhecer padrões nos dados — mecanismo que sustenta grande parte do deep learning atual.
TRILHA 1 · Fundamentos da IA
3 de 6
O que são redes neurais artificiais?
Redes neurais artificiais são modelos de aprendizado de máquina capazes de aprender relações complexas entre dados de entrada e resultados de saída.
Ela utiliza unidades matemáticas chamadas, por convenção, de neurônios, conectadas por valores ajustáveis.
A IBM descreve uma rede neural como um modelo de machine learning que organiza unidades simples em camadas e aprende pesos e vieses para transformar entradas em saídas.
Essa estrutura permite encontrar padrões que seriam difíceis de definir previamente por meio de regras.
Por que elas são chamadas de redes?
Porque uma unidade recebe informações, realiza um cálculo e transmite o resultado para outras unidades.
Em uma rede simples, podemos imaginar três partes:
- camada de entrada, que recebe os dados;
- camadas ocultas, que transformam e recombinam essas informações;
- camada de saída, que produz o resultado.
Imagine uma rede treinada para reconhecer se uma fotografia mostra um gato.
A camada de entrada recebe as informações da imagem. As camadas internas começam a identificar características como contornos, formas, olhos e orelhas.
Ao final, a rede reúne esses sinais e estima se aquela imagem representa um gato.
O módulo de redes neurais do Google apresenta essa arquitetura usando nós, pesos, vieses e camadas ocultas para mostrar como uma rede representa relações mais complexas que um modelo linear simples.
O que são pesos em uma rede neural?
Nem todas as informações recebidas têm a mesma importância.
Cada conexão possui um peso. Esse valor determina quanto o sinal recebido por uma unidade influencia o cálculo seguinte.
No início do treinamento, muitos desses pesos ainda não representam relações úteis. A rede recebe exemplos, produz resultados e compara suas previsões com aquilo que deveria ter produzido.
Se errou, os pesos são ajustados. Depois ela tenta novamente.
É assim que uma rede neural aprende: ajustando seus parâmetros até encontrar combinações capazes de reduzir os erros nas previsões.
Isso retoma uma ideia do texto anterior sobre Machine Learning: aprender, nesse contexto, significa ajustar um modelo a partir de dados para que ele consiga funcionar também diante de exemplos novos.
Como uma rede neural aprende com os erros?
Um dos mecanismos mais importantes é chamado retropropagação, ou backpropagation.
Depois que a rede produz uma resposta, calcula-se a diferença entre o resultado obtido e o esperado.
Essa informação percorre a rede no sentido inverso e ajuda a determinar quais pesos contribuíram para o erro e como devem ser ajustados.
O Google descreve a retropropagação como o algoritmo de treinamento mais comum para redes neurais de múltiplas camadas.
Não é necessário acompanhar toda a matemática para entender a ideia central:
entrada → previsão → erro → ajuste → nova tentativa.
Repetido muitas vezes, esse ciclo permite que o modelo encontre configurações mais adequadas para determinada tarefa.
Isso não garante respostas corretas. Dados ruins, exemplos pouco representativos ou um modelo mal ajustado continuam produzindo problemas.
A rede neural imita o cérebro?
A inspiração existe, mas a equivalência não.
Em 1943, Warren McCulloch e Walter Pitts publicaram um trabalho pioneiro sobre um modelo matemático de atividade neural.
Redes artificiais posteriores ficaram muito mais complexas, mas preservaram parte desse vocabulário: neurônios, conexões, pesos e ativação.
Neurônios biológicos são células inseridas em sistemas químicos e elétricos. Os “neurônios” de uma rede artificial são operações matemáticas.
Dizer que uma rede neural funciona “como um cérebro” pode ajudar como primeira imagem, mas não deve ser tomado literalmente.
Para que servem redes neurais?
Elas são especialmente úteis em problemas com grande quantidade de dados e relações difíceis de escrever manualmente.
Entre as aplicações estão:
- reconhecimento de imagens e objetos;
- reconhecimento e síntese de voz;
- tradução automática;
- processamento de linguagem;
- detecção de padrões e anomalias;
- sistemas de recomendação;
- geração de texto, imagem e áudio.
Muitas dessas aplicações já estavam presentes no cotidiano antes da popularização dos chatbots, como mostramos em Inteligência artificial no cotidiano.
A vantagem das redes neurais é aprender representações complexas. A desvantagem é que isso pode exigir muitos dados, capacidade computacional e modelos cujos processos internos nem sempre são fáceis de interpretar.
Rede neural e Deep Learning são a mesma coisa?
Não.
Uma rede neural pode ser relativamente simples, com poucas camadas. Deep Learning é o aprendizado baseado em redes neurais profundas, formadas por várias camadas sucessivas de processamento.
É justamente essa profundidade que permite construir representações cada vez mais complexas.
Por isso, as redes neurais são a peça que liga o Machine Learning ao Deep Learning.
Primeiro entendemos que uma máquina pode aprender padrões a partir de dados. Agora vimos uma das arquiteturas usadas para fazer isso.
O próximo passo é entender o que acontece quando empilhamos muitas dessas camadas — e por que isso mudou tanto a inteligência artificial.
FUNDAMENTOS DA IA
Anterior: O que é Machine Learning? Como funciona o aprendizado de máquina
3 de 6 — Redes neurais artificiais
Próximo: O que é Deep Learning?