Compreensão sobre aprendizado de máquina e aprendizagem profunda

Atualmente, o termo inteligência artificial (IA) é basicamente utilizado de forma genérica para todas as formas de inteligência computadorizada. Ele pode ser aplicado de forma abrangente a qualquer sistema que imite a aprendizagem humana e os processos de tomada de decisão em resposta a informações, análise de dados, reconhecimento de padrões ou desenvolvimento de estratégias. Os termos aprendizado de máquina (AM) e aprendizagem profunda (AP) descrevem melhor a realidade dos sistemas de computação atuais e os problemas que eles podem resolver para desenvolvedores e usuários finais.

Aprendizado de máquina x aprendizagem profunda

Os sistemas atuais de inteligência artificial de ponta AM e AP podem ajustar operações após uma exposição contínua a dados e outras informações. Embora sejam de natureza semelhante, algumas diferenças sutis separam esses campos da ciência da computação.

 

O aprendizado de máquina (AM) refere-se a um sistema que pode aprender, ativamente, por conta própria, em vez de receber informações de forma passiva para processamento. O sistema computacional é codificado para responder a informações de forma mais semelhante à humana, usando algoritmos que analisam dados buscando padrões ou estruturas. Os algoritmos do AM são criados para melhorar o desempenho ao longo do tempo, enquanto são expostos a mais dados.

 

Quando um ser humano reconhece algo, esse reconhecimento é instantâneo. Para ajudar a simular esse processo, os algoritmos do aprendizado de máquina utilizam redes neurais. Semelhante ao processo de aprendizado humano, a computação de rede neural classifica dados (por exemplo, um conjunto imenso de fotos), com base em elementos reconhecidos nas imagens. A taxa de sucesso de classificações corretas pode melhorar com o tempo por meio do feedback do "especialista" humano, o que ajuda o sistema a aprender e confirmar decisões corretas a partir de erros, visando também uma eficiência ideal e mais precisão. Então, o algoritmo da rede neural modifica todas as decisões futuras com base no feedback recebido. Esse processo simula o reconhecimento humano treinando a rede para produzir um resultado desejado.


1. Uma rede neural pode afirmar que:

1. Uma forma é um elemento recorrente
2. Essas são formas possíveis:

machine intelligence example 1

2. Então, o algoritmo aplica esse aprendizado a dados localizando e classificando os elementos definidos.

machine intelligence example 2

3. Esse processo pode melhorar com o tempo, por meio da ajuda do feedback humano. Então, o algoritmo da rede neural modifica todas as decisões futuras com base no feedback recebido. Isso resulta em uma coleção de dados mais precisos.

Por exemplo, se a resposta humana for "cada forma tem diversas variações", o algoritmo poderá organizar os resultados da seguinte maneira:

machine intelligence example 3

Por exemplo, o Google contratou fotógrafos e documentaristas profissionais para obter orientações desses especialistas a fim de treinar o algoritmo baseado na rede neural por trás de sua câmera inteligente, a Google Clips. A resposta humana ajudou a câmera a melhorar intuitivamente não só nos aspectos técnicos da fotografia digital, mas também na capacidade de prever qualidades mais abstratas para a captura de momentos memoráveis1

A aprendizagem profunda (AP) tem como foco um subconjunto de aprendizado de máquina que vai mais além para resolver problemas, inspirada no modo como o cérebro humano reconhece e se lembra de informações externas aos dados de especialistas para orientar o processo. As aplicações da AP precisam acessar quantidades imensas de dados com os quais ela aprende. Os algoritmos da AP utilizam redes neurais profundas para acessar, explorar e analisar vastos conjuntos de informações, por exemplo, todos os arquivos de música no Spotify ou Pandora para fazer sugestões contínuas de músicas com base nas preferências de um usuário específico.


1. Uma rede neural profunda, usada por algoritmos de aprendizagem profunda, busca grandes conjuntos de informações para analisar.

deep learning example 1

2. Ao processar essas informações, a rede neural profunda desenvolve novas classificações, como:

1. Formas podem ter diferentes cores.
2. Formas podem ter diferentes espessuras.
3. Há 2 mil formas diferentes no total.

3. Isso produz resultados muito objetivos que continuarão se tornando cada vez mais precisos.


O principal fator diferencial entre o AM e a AP é a representação dos dados. Por exemplo, na situação mencionada acima sobre AM, da câmera Google Clips, as informações de fotógrafos profissionais foram necessárias para treinar o sistema. No entanto, em uma sistema de AP não é necessário ter especialistas para se obter uma identificação precisa de recursos. As informações, sejam elas imagens, um artigo de jornal ou uma música, são avaliadas em sua forma bruta ou sem marcas, com o mínimo possível de transformações. Esse processo de treinamento não supervisionado também pode ser chamado de aprendizagem de representação. Durante o treinamento, o algoritmo da AP aprende com os dados de forma progressiva, a fim de melhorar a precisão de suas conclusões (conhecidas também como inferências).

 

Exemplos comuns da AP aplicada atualmente incluem:

  • Direção autônoma: combina dados profundos (mapas, imagens de satélite do tráfego, relatórios climáticos, preferências acumuladas de um usuário), informações de sensor em tempo real do ambiente (um animal na pista, um motorista fazendo um desvio) e recursos computacionais para tomar decisões (diminuir a velocidade, virar o volante).
  • Saúde: pesquisas relacionadas ao câncer, como aprendizagem para detectar melanomas em fotos2.
  • Casa inteligente:alto-falantes inteligentes que usam assistentes inteligentes pessoais e algoritmos de reconhecimento de voz para entender e responder a solicitações verbais de um usuário específico.
  • Entretenimento: análise de uma grande biblioteca de dados de filmes/TV (gênero, atores, diretores, avaliações) de acordo com as preferências cumulativas de um usuário.
  • Gastronomia: recomendações intuitivas de restaurantes com base na localização física, críticas realizadas, disponibilidade de reservas, preferências definidas e comportamentos anteriores de um usuário.

Termo inteligente: entendo os conceitos de AM e AP

  • Rede neural/em>: um sistema artificial inspirado no cérebro e sistema nervoso humanos, formado por diferentes nós de computador (dispositivos de ponto de extremidade em uma rede maior) organizados em camadas. Normalmente, as diferentes camadas realizam variados tipos de cálculos com base em dados.
  • Rede neural profunda: uma rede neural multicamadas com diversos níveis ocultos que podem acessar grandes conjuntos de dados mais complexos, em comparação a redes neurais comuns.
  • Treinamento: processo de correção e ajuste pelo qual um algoritmo aprende a avaliar dados com maior velocidade e precisão. O treinamento pode ser supervisionado (com a aplicação do feedback humano) ou não supervisionado (por meio de autocorreções precisas baseadas unicamente na exposição a dados brutos).
  • Inferência: conclusões rápidas e preditivas baseadas em uma combinação de dados novos e treinamento cumulativo aplicado.
  • Representação: detecção automática de recursos ou classificações a partir de dados brutos, o que permite que o sistema aprenda e realize tarefas específicas.

AMD e Aprendizado de máquina

Aplicações inteligentes que respondem com reflexos semelhantes aos de seres humanos exigem uma enorme potência de processamento de computador. As principais contribuições da AMD para os sistemas de AM e AP vêm da oferta de uma computação de alto desempenho (CPUs e GPUs) com um ecossistema aberto para o desenvolvimento de software. As aplicações de AM e AP dependem de um hardware compatível com os maiores recursos de processamento (velocidade, capacidade e organização) para gerenciar, simultaneamente, conjuntos de dados complexos de diversos fluxos de informação.

Por exemplo, em um cenário de direção autônoma, o algoritmo de AP pode precisar reconhecer uma mudança iminente de semáforo do verde para o amarelo, o movimento de um pedestre próximo e a presença de água no asfalto devido a um temporal, entre diversas outras variáveis em tempo real, além das operações básicas do veículo. Para um motorista humano treinado, essas reações coordenadas passam despercebidas. No entanto, para simular as capacidades do cérebro humano, o algoritmo da direção autônoma precisa de um processamento eficiente e acelerado para tomar suas decisões complexas com velocidade suficiente e alta precisão, garantindo assim a segurança dos passageiros e das demais pessoas ao redor.

O desempenho do hardware AMD e do software associado também oferece excelentes benefícios para o processo de desenvolvimento e testes de sistemas de AM e AP. Atualmente, uma plataforma de computação criada com as tecnologias mais recentes da AMD (CPUs AMD EPYC™ e GPUs Radeon Instinct™) pode desenvolver e testar uma nova aplicação inteligente em apenas dias ou semanas, um processo que, anteriormente, levava anos.

Capacidade e liberdade para ir além

As patentes relacionadas ao aprendizado de máquina aumentaram em 34% de 2013 a 2017.3 Embora muito trabalho esteja sendo feito no momento nessa área, o setor ainda se encontra nos estágios de desenvolvimento para ajudar as máquinas a aprenderem de forma mais eficiente a partir de diferentes tipos de dados. Sistemas inteligentes que contam com o AM e a AP oferecem um imenso potencial de computação que simula a capacidade humana de memorizar, relacionar padrões e associar dados com velocidade e precisão. Um caminho e uma plataforma foram estabelecidos, e novos avanços não estão muito longe.

Notas de rodapé
  1. Josh Lovejoy “A experiência de usuário em Inteligência artificial,” Google Design, 25 de janeiro de 2018, acesso em 23 de abril de 2018.
  2. Susan Scutti, “Dermatologista automatizada detecta câncer de pele com precisão profissional,” CNN, 26 de janeiro de 2017.
  3. Louis Columbus, “Resumo das previsões de aprendizado de máquina e estimativas de mercado para 2018,” Forbes, 18 de fevereiro de 2018.