Deep Learning vs. Machine Learning
Os algoritmos melhoram-se aprendendo a partir dos dados, e o design inicial do algoritmo, a escolha do modelo e a arquitetura são tipicamente determinados e supervisionados por engenheiros humanos. Em seguida, os computadores «aprendem» a fazer previsões e/ou decisões através do reconhecimento de padrões de repetição estatística. Considerado um campo relativamente recente, o Machine Learning existe há décadas e nasceu da necessidade da inteligência artificial. O termo foi criado em 1959 por Arthur Samuel, um pioneiro da pesquisa em inteligência artificial e funcionário da IBM. Samuel desenvolveu um programa de computador para jogar damas que incluía uma função de pontuação para as posições das peças no tabuleiro. A função de pontuação utilizou o Machine Learning para aferir as hipóteses de cada lado ganhar.
Como funciona o Machine Learning?
O Machine Learning baseia-se principalmente na funcionalidade de data mining (ou seja, a extração de informações de grandes volumes de dados) para o reconhecimento de padrões. Estes padrões são depois utilizados para aperfeiçoar a análise e os algoritmos. Naturalmente, a qualidade dos dados alimentados determina quão preciso será o modelo. Dados incorretos ou desatualizados resultarão em previsões incorretas. Treinar a máquina é o passo mais importante do Machine Learning. Os dados limpos são divididos em dois conjuntos: um conjunto de treino e um conjunto de teste. O conjunto de treino é fornecido ao modelo de Machine Learning e é supervisionado, a fim de lhe permitir encontrar padrões e fazer previsões. As predições são então comparadas com o conjunto de testes para verificar a precisão do modelo. Ao longo do tempo, com o treino adequado, o modelo melhora as previsões e pode funcionar sozinho com o mínimo de intervenção humana.
Como funciona o Deep Learning?
O Deep Learning é um segmento do Machine Learning que envolve uma abordagem mais sofisticada para a modelação de algoritmos. Como já referido, o Machine Learning funciona extraindo informações de grandes volumes de dados e reconhecendo padrões sem ser explicitamente programado para o fazer. No entanto, estes computadores ainda pensam e agem como máquinas (isto é, de forma mais linear), e a sua capacidade de aprender e realizar tarefas mais complexas ainda fica muito aquém do cérebro humano.
Por outro lado, os modelos de Deep Learning envolvem uma abordagem mais sofisticada do algoritmo de Machine Learning e são especificamente modelados a partir do cérebro humano. São construídas redes neurais complexas e multicamadas (às vezes envolvendo milhares de camadas) para permitir que os dados sejam passados entre nós de maneiras altamente conectadas, semelhantes à forma como os neurónios operam no cérebro humano. As redes neurais também são conhecidas como redes neurais artificiais (artificial neural networks, ANN) ou redes neurais simuladas (simulated neural networks, SNN). Esta abordagem requer volumes gigantescos de dados corretamente configurados, mas pode começar a gerar resultados de imediato, e a necessidade de intervenção humana é relativamente reduzida assim que se implementa a infraestrutura de dados.
Machine Learning vs. Deep Learning
Há várias diferenças significativas entre um programa de Machine Learning e um de Deep Learning. Em primeiro lugar, o Machine Learning requer mais intervenção humana para obter resultados. Já o Deep Learning demora mais tempo a ser implementado, mas pode gerar resultados.
Um programa de Machine Learning utiliza algoritmos menos complexos do que os usados num programa de Deep Learning. Podem funcionar em configurações informáticas tradicionais e treinar uma rede para detetar determinados dados. Os sistemas de Deep Learning, por outro lado, requerem investimentos em configurações mais complexas, que incluem unidades de processamento gráfico (GPU) que apresentam maior memória de largura de banda, assim como a capacidade de executar várias operações de forma eficiente ao mesmo tempo.
O Machine Learning requer dados mais estruturados e muitas vezes usa algoritmos simples como a regressão linear, uma técnica de análise de dados que prevê o valor de dados desconhecidos utilizando outro valor de dados conhecido e relacionado. Já o Deep Learning usa redes neurais e pode funcionar com grandes volumes de dados não estruturados.
Nos modelos de Machine Learning, cada camada da rede neuronal contribui para a representação hierárquica dos dados, permitindo que um sistema faça previsões ou decisões informadas sem um programa explícito para cada cenário. O Machine Learning existe há décadas e é uma das aplicações habitualmente utilizadas por bancos e clínicas. O Deep Learning assenta em redes neurais para modelar e compreender padrões complexos, permitindo que os sistemas de rede tomem decisões complexas baseadas numa análise de dados exaustiva. Esta tecnologia possibilita tarefas complexas e autónomas, como o processamento de linguagem natural ou a aprendizagem dos robôs no sentido de realizar procedimentos cirúrgicos avançados.
Exemplos reais de Machine Learning
Há muitos usos comuns para o Machine Learning na vida quotidiana.
Reconhecimento de imagens
O reconhecimento de imagem envolve a ciência de utilizar um programa de computador para extrair informação que pode ser usada na retroengenharia da imagem. Isto ajuda a identificar uma pessoa a partir de uma fotografia, característica comum no roubo de identidade.
Reconhecimento de voz
Um incrível exemplo da ciência moderna é o uso treinado do Machine Learning através do reconhecimento de voz. A simplificação das interações dos utilizadores com a tecnologia de reconhecimento de voz pode permitir o controlo de dispositivos em modo mãos-livres, transcrever palavras faladas em texto para documentos, e facilitar os comandos de voz para assistentes virtuais.
Deteção de fraudes
Outra aplicação do Machine Learning é a deteção de fraudes. Os criminosos que cometem fraudes com cartões de crédito, por exemplo, desenvolvem continuamente as suas táticas, tornando os métodos de deteção tradicionais obsoletos ao longo do tempo. Machine learning pode ajudar a superar este problema. Sempre que um cliente conclui uma transação com o seu cartão de crédito, o programa de Machine Learning examina cuidadosamente o seu perfil e as transações anteriores na rede, de modo a procurar padrões invulgares e detetar fraudes. Ao utilizar o processamento de fluxo e o acesso a dados em tempo real, as empresas de cartões de crédito podem detetar e evitar fraudes à medida que as máquinas ficam a conhecer melhor os hábitos dos clientes. A utilização do processamento de fluxo, por exemplo, envolve a análise de dados à medida que estes passam pelas camadas do sistema, e o acesso em tempo real permite a identificação pró-ativa de atividades fraudulentas, permitindo uma resposta imediata e poupando tempo e esforço aos consumidores e às empresas de cartões de crédito, para além de milhares de milhões de dólares.
Previsão do tráfego
O Machine Learning é igualmente utilizado para a previsão do tráfego. Hoje em dia, a utilização do GPS no nosso quotidiano é uma questão de rotina. Usamos o GPS nos nossos carros, por exemplo, para nos ajudar a encontrar um restaurante, navegar numa nova cidade ou controlar o trânsito para chegar aos nossos destinos a tempo. Ferramentas de navegação como o Google Maps mostram o tempo necessário para a viagem, calculam a hora prevista de chegada e criam os percursos mais eficientes com base nas condições da estrada e no trânsito previsto. Podem também dar-lhe uma imagem do destino, melhorando o reconhecimento do que o rodeia. Além disso, as empresas de logística e de transporte marítimo dependem fortemente da previsão do tráfego para poupar tempo e dinheiro. Vários tipos de algoritmos de Machine Learning são treinados para a predição de tráfego, incluindo a regressão e a análise de séries temporais. Tendo em conta o tempo que passamos nos nossos carros, a poupança de tempo obtida graças à ciência da previsão do trânsito é de grande valor.
Exemplos reais de Deep Learning
O Deep Learning, que também nos rodeia, está a tornar-se uma das principais características da vida moderna.
Processamento de Linguagem Natural
O processamento de linguagem natural (PLN) é uma área de estudo que se concentra na interação entre a linguagem humana e os computadores. Os seres humanos recebem um treino linguístico constante desde o nascimento, juntamente com a exposição a um vasto leque de ambientes sociais para desenvolver respostas apropriadas e formas pessoais de expressão. O processamento da linguagem natural através do Deep Learning visa alcançar os mesmos resultados, treinando as máquinas para compreenderem as nuances linguísticas e formularem comunicações adequadas. Uma das aplicações essenciais do Deep Learning no PLN é a tradução automática.
Os modelos de Deep Learning são treinados com grandes conjuntos de dados de linguagem humana a fim de traduzir texto de uma língua para outra. Esta tecnologia tem uma vasta gama de aplicações, especialmente para organizações internacionais, e inclui a tradução de comunicações de marketing e de sites, bem como de comunicações internas das empresas. Os tradutores já não precisam de trabalhar em rede para encontrar a tradução adequada para uma palavra. As máquinas foram treinadas para aprender um amplo vocabulário por eles, e os programas informáticos resultantes podem aumentar-lhes imensamente a produtividade.
Uma característica importante do Deep Learning no PLN é a análise de opiniões. Esta ciência altamente desenvolvida envolve o uso de algoritmos para analisar camadas de texto a fim de quantificar atitudes, opiniões e emoções por parte dos consumidores. Os modelos de Deep Learning podem ser usados para classificar com precisão uma camada de texto como positiva, neutra ou negativa, permitindo que as empresas obtenham informações valiosas sobre a opinião do cliente relativamente aos seus produtos e/ou serviços. Isto, por sua vez, pode ajudá-las a tomar decisões mais informadas, melhorando assim a satisfação dos clientes e as relações com eles. Embora às vezes seja ainda um desafio em comparação com as habilidades humanas, o Deep Learning abriu todo um novo mundo de possibilidades baseadas no processamento da linguagem natural, permitindo-nos entender e interagir com a linguagem humana de maneiras nunca antes vistas.
Medicina
O Deep Learning também se destaca fortemente no domínio da medicina. Os cirurgiões, por exemplo, estão a usar aplicações de DL para fazer diagnósticos clínicos, apoiar a tomada de decisões, melhorar a formação cirúrgica, interpretar imagens médicas, bem como explorar o planeamento pré-operatório e os procedimentos intraoperatórios, o que permite aumentar a segurança e otimizar os resultados. Não há falta de otimismo no que diz respeito às potenciais melhorias no tratamento dos pacientes, mas também pode ser difícil explicar como é que um algoritmo de Deep Learning chega a uma conclusão particular, o que leva por vezes os pacientes a sentirem algum ceticismo. A sensibilização é frequentemente bem sucedida na abordagem das questões relativas à produção das máquinas vs. produção humana, para além da comunicação contínua de histórias de sucesso.
Quanto à aplicação do Deep Learning no domínio da cirurgia, os médicos costumam passar décadas a dominar e afinar as suas competências, participando em centenas de procedimentos supervisionados para aperfeiçoar métodos e aprender as melhores técnicas.
Infelizmente, muitas vezes são prejudicados por limitações humanas, incluindo a memória, o tempo necessário para a absorção de informação e a realidade de um número limitado de horas num dia. Já um programa de Deep Learning consegue processar um mar de informações em rede em apenas alguns segundos. Então, a robótica cirúrgica de precisão sobre-humana pode ser programada usando esta informação. Sem constrangimentos em termos de tempo ou memória, os sistemas de Deep Learning podem filtrar uma vasta camada de dados e processar gravações e imagens de milhares de cirurgias em segundos. Podem igualmente recordar o primeiro procedimento observado e o último, e utilizar essa informação para afinar os seus métodos. Além disso, a utilização de algoritmos de Deep Learning para agilizar os cuidados ao doente e automatizar os procedimentos cirúrgicos permite aumentar a eficiência, contribuindo assim para assegurar que mais pessoas tenham acesso aos cuidados de saúde e a procedimentos cirúrgicos essenciais.
O futuro do Machine Learning
O Machine Learning é um segmento da inteligência artificial que existe desde os anos 50 e que se encontra amplamente presente no nosso quotidiano. É certo que o Machine Learning continuará a abrir aplicações ilimitadas tanto para indústrias como para indivíduos, melhorando vidas através da poupança de tempo e dinheiro, melhorando o acesso aos cuidados de saúde e melhorando os resultados, só para citar alguns exemplos. Quem pode prever o que o futuro reserva? O que antes parecia ficção científica, com imagens de robôs a aprenderem a executar as nossas tarefas diárias, tornou-se realidade. Embora haja preocupações quanto à substituição dos seres humanos por máquinas, a verdade é que o conhecimento humano será sempre necessário. A inteligência artificial desempenha um papel complementar, e não substitutivo. O céu é o limite no que diz respeito às oportunidades que o Machine Learning nos oferece, mas uma coisa é certa: a revolução veio para ficar!
AI Deploy
Se chegou ao fim de um ciclo de projeto de IA, colocando em produção os seus modelos ou aplicações de Machine Learning, sabe que esta fase de industrialização exigente em recursos pode ser um verdadeiro desafio.
AI Training
Lance as suas tarefas de AI Training na cloud, sem ter de se preocupar com o funcionamento da infraestrutura. O AI Training permite que os data scientists se concentrem na sua atividade principal, sem terem de se preocupar com a orquestração de recursos informáticos.
Data Analytics
Aliada às nossas múltiplas soluções de armazenamento e Machine Learning, a OVHcloud oferece-lhe uma gama de serviços Data Analytics para analisar facilmente os seus dados. Desde a recolha até à manipulação dos dados, construímos ofertas claras que lhe permitem começar rapidamente, controlando os custos.
Armazenamento cloud da OVHcloud
Por vezes, existem restrições que dependem do tipo de dados que é necessário armazenar e da sua utilização, pelo que é necessária uma solução adaptada.