Uma grande revolução se aproxima!
Por Roberto Blatt
No artigo anterior, falamos sobre Big Data, Inteligência Artificial e Aprendizado de Máquina. Mas, neste novo mundo da computação, ainda há outras áreas a serem exploradas.
REDES NEURAIS
Redes Neurais trabalham de maneira análoga àquela com que imaginamos que o cérebro humano funciona. São elas que permitem criar algoritmos que classificam imagens, sejam estas de animais, plantas e objetos do dia-a-dia ou outras mais complexas, como as de exames de ressonância magnética, para, então, definir com o máximo de precisão o diagnóstico associado à imagem.
Os “neurônios” de uma rede neural não são programados individualmente. Em vez disso, a rede é abastecida com uma quantidade massiva de dados devidamente rotulados para seu treino. Por exemplo, com imagens rotuladas como “cachorro” ou “gato”. A partir disso, a rede aprende qual combinação de neurônios consegue a classificação mais precisa de todo o universo de dados.
As Redes Neurais procuram medir os erros em suas tentativas de executar uma tarefa e modificar, então, seus parâmetros, de modo a diminuir seus erros ao mínimo possível para a realização dessas tarefas; na tentativa de análise de uma nova imagem, a rede vai se basear no treinamento prévio. Assim, quanto maior a diversidade de dados a que a rede é exposta, maior a chance de ela entender e solucionar a questão proposta.
Redes Neurais podem ser treinadas para realizar traduções. Para se chegar a isso, foram necessárias décadas de aperfeiçoamento dos mecanismos automatizados de tradução: nos anos 1960, a tradução automatizada era feita quebrando-se a sentença de acordo com a gramática do idioma, depois convertendo-se essa estrutura para o idioma de destino e, então, utilizando-se o dicionário para a tradução das palavras.
Três décadas depois, com a disponibilização de uma profusão de dados em linguagem natural, os algoritmos passaram a quebrar as sentenças em segmentos menores e a buscar, na base de dados existente, a tradução que mais se encaixasse na sentença inteira. Com uma pequena base de dados disponível, a tradução resultaria pior que a tradução baseada em regras gramaticais, mas, com o banco de dados de sentenças sempre aumentando, esse mecanismo passou a ser o mais adequado.
APRENDIZADO PROFUNDO (DEEP LEARNING)
Aprendizado Profundo faz parte do Aprendizado de Máquina, que, por sua vez, é um subconjunto da Inteligência Artificial – pode-se pensar nos três como uma boneca russa, a matryoshka.
O Aprendizado Profundo é um subconjunto do Aprendizado de Máquina onde há numerosas camadas de algoritmos (daí o termo “profundo”), como naquele, e cada camada provê uma interpretação diferente aos dados que a alimentam. Pode-se aplicar ao Aprendizado Profundo a mesma definição atribuída a Arthur Samuel para o aprendizado de máquina, ou seja: “o campo do estudo que dá aos computadores a habilidade de aprender sem serem explicitamente programados”.
Diferentemente do que ocorre nas redes de Aprendizado de Máquina, as redes de Aprendizado Profundo não necessitam de dados estruturados para gerar sua saída. Os dados (de imagens, por exemplo) passam por diferentes camadas da rede, cada qual definindo hierarquicamente características específicas da imagem.
O aprendizado profundo tende a resultar em precisão mais elevada e é muito adequado à análise de dados não estruturados, tais como anotações de médicos sobre as anamneses (o histórico de todos os sintomas narrado pelo paciente). A análise dos dados de milhares (ou milhões) de consultas permitirá a descoberta de sintomas em comum a determinadas doenças e um tratamento médico mais bem direcionado. Ou determinar se um surto ou epidemia estão a caminho. E isto, sem que seja rompida a privacidade da identidade dos pacientes, já que o que se analisa são os sintomas e tratamentos prescritos.
Uma grande revolução se aproxima!
*Este e outros artigos você encontra na edição 173 da revista Áudio & Vídeo – Design e Tecnologia
